[发明专利]一种基于SSD的电缆隧道明火识别方法

说明书

本发明涉及计算机图像处理识别方法的技术领域，更具体地，涉及一种基于SSD的电缆隧道明火识别方法，选择了训练SSD网络模型的方式，充分利用了SSD网络选取不同层次的特征图进行多尺度检测的特点，弥补了现有方法对小目标物体检测鲁棒性较差的缺陷。本发明能够准确地检测与定位出图像中的明火火焰区域并完成准确的结果检测，让摄像机的摆放位置以及巡检机器人的定点巡检位置更加自由，可以有效地应对一些复杂的环境状况本发明具有卷积神经网络的优点，减少隧道内部机器人拍摄明火检测过程中图像背景比较复杂、隧道环境较为昏暗等因素的干扰，具有较强的抗干扰能力，提高隧道明火检测的准确率。

技术领域

本发明涉及计算机图像处理识别方法的技术领域，更具体地，涉及一种基于SSD的电缆隧道明火识别方法。

背景技术

近年来，电缆隧道得以大规模的发展。但是，由于电缆隧道空间狭长、隧道出入口较少、高压电缆密集等原因，一旦发生电缆燃烧等火灾事故，火灾扑救措施较难展开。同时，火势一旦蔓延，将对隧道内的电气设备和城市安全造成巨大危害。目前，缆隧道中传统的火灾探测一般采用感温、感烟、光电等传感器。然而，传统传感器存在无法掌控火灾现场的情况，无法根据实际情况进行实时调度等缺陷。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于SSD的电缆隧道明火识别方法，以机器人巡检的方式代替人工巡检，利用图像处理技术实现电缆隧道明火识别，促进电缆隧道巡检向智能化、快速化、准确化方向发展。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于SSD的电缆隧道明火识别方法，包括以下步骤：

S1.通过隧道巡检机器人摄像头拍摄采集隧道明火样本图像，获得图像集；

S2.遍历步骤S1中所述图像集中所有的样本图像，对每张样本图像用包围框包围完整的明火区域并进行标记处理为具有包围框的明火样本图像，将包围框内的像素点标记为明火类别，将包围框外的像素点标记为背景类别，获得第一训练集；

S3.针对步骤S2中所述的具有包围框的明火样本图像进行尺度缩放处理，将每张明火样本图像的包围框的较长边变换到预设目标尺寸，较短边根据较长边变换到预设目标尺寸的缩放尺度进行相同比例的缩放，获得第二训练集；

S4.采用COCO数据集输入SSD模型进行预训练并迭代预训练得到预训练后模型，将步骤S3中所述的第二训练集输入预训练后模型进行针对训练并迭代针对训练得到隧道明火检测模型；

S5.实时采集隧道待测图像，按照步骤S3中所述的缩放尺度进行缩放后输入至步骤S4中所述的隧道明火检测模型中，计算输出置信度大于90％的分类结果作为待测图像的识别结果。

本发明的基于SSD的电缆隧道明火识别方法，选择了训练SSD网络模型的方式，充分利用了SSD网络选取不同层次的特征图进行多尺度检测的特点，弥补了现有方法对小目标物体检测鲁棒性较差的缺陷。本发明具有卷积神经网络的优点，减少隧道内部机器人拍摄明火检测过程中图像背景比较复杂、隧道环境较为昏暗等因素的干扰，具有较强的抗干扰能力，提高隧道明火检测的准确率。

优选地，摄像头以明火区域为目标物，拍摄范围为水平左偏差为15°～30°视角、水平右偏差为15°～30°视角之间的范围以及俯视偏差为50°～70°视角、仰视偏差为50°～70°视角之间的范围。隧道明火样本图像可从不同视角进行采集，获得多样的样本图像，可提高异常识别的准确度。

优选地，步骤S2中所述的包围框为长方形框，完整的明火区域为包围框内非目标物的区域面积占包围框面积的比例小于15％的明火区域。

优选地，步骤S4中所述的SSD模型由VGG-16网络和四个卷积层构建，步骤S4中预训练后模型的建立步骤如下: