CC BY
18
УДК 004.932.2
ВИЗУАЛЬНОЕ ОБНАРУЖЕНИЕ ДЫМА НА ПРОМЫШЛЕННЫХ
ПРЕДПРИЯТИЯХ
В. В. Жорова*, А. Н. Хомяков
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: zhorova.victoriya@yandex.ru
Предложен алгоритм поиска областей задымления в производственных цехах на последовательности видеокадров, основанный на применении метода вычитания фона, анализе цветовых особенностей дыма, использовании нейронной сети. Оценены результаты работы предложенного алгоритма, реализованного в системе визуального обнаружения дыма.
Ключевые слова: детектирование дыма, видеопоследовательность, multi-scale retinex, модель смеси Гауссовых распределений.
VIDEO-BASED SMOKE DETECTION ON INDUSTRIAL ENTERPRISES
V. V. Zhorova*, A. N. Khomyakov
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: zhorova.victoriya@yandex.ru
The paper describes the algorithm based on the background subtraction, detection of smoke-colored objects and application of a neural network. The implemented algorithm can detect smoke in the video sequences and it is effective for smoke detection in industrial enterprises.
Keywords: smoke detection, video sequences, multi-scale retinex, Gaussian mixture model.
Системы обнаружения дыма по видеопоследовательностям имеют широкий спектр применения. Визуальное обнаружение дыма является эффективным способом минимизации ущерба от пожаров. С помощью визуальных систем детектирования дыма возможно обнаружение дыма на ранних стадиях его появления, что ускоряет процесс тушения возгораний. Системы обнаружения дыма с помощью видеонаблюдения применяются для мониторинга лесных территорий, тоннелей, аэропортов, парков и в других областях. Одной из важнейших задач является обнаружение дыма на промышленных предприятиях.
Промышленное предприятие - это, как правило, завод с обширными территориями. Системы обнаружения дыма по видеопоследовательностям способны контролировать как открытые территории заводов, так и территории внутри помещений. Для защиты различных опасных производств и промышленных зданий, на которых присутствуют горючие вещества, применение визуальных систем обнаружения дыма более эффективно, чем применение традиционных датчиков [1].
Помимо обнаружения дыма от огня, исследуемые системы должны предоставлять возможность обнаружения вредных паров и газов, которые поступают в воздух при различных технологических процессах на предприятиях химической, металлургической промышленности, в ряде цехов машиностроительных заводов и на многих других производствах. Выбросы пара и газа от вредных веществ являются источником загрязнения окружающей среды и, кроме того, попадая в организм человека через дыхательные пути, способны вызвать острые или хронические отравления. В связи с этим важной задачей является контроль выбросов с целью ускорения проведения мероприятий по их сокращению.
При этом существуют некоторые особенности, отличающие вредные пары от обычного дыма, и присутствуют помехообразующие факторы промышленного производства, затрудняю-
Секция «Программные средства и информационные технологии»
щие обнаружение выбросов. При съемке цехов заводов проявляется дымка, ее выявлению способствует солнечный свет, который отражается от взвешенных в воздухе частиц. Видеопоследовательности, на которых присутствует дымка, имеют низкую контрастность и насыщенность цвета. Для решения проблемы плохой видимости могут применяться различные методы цветовой коррекции.
Улучшить контраст изображения и выровнять освещенность видеокадра позволяет алгоритм Multi-Scale Retinex (MSR) [2]. Алгоритм MSR является взвешенной суммой одномерных SSR-алгоритмов (Single-Scale Retinex):
MSR = w1 ■ SSR1 + w2 • SSR2 +... + wn ■ SSRn,
n
где w = (w1, w2,..., wn) - вектор весовых коэффициентов, причем ^ = 1.
i=1
В SSR-алгоритме коррекция происходит по формуле
SSR( x, y, sigma) = log[/ (x, y)] - log[ I (x, y) * G( x, y, sigma)],,
где I(x, y) - интенсивность пиксела по координатам x и y; G - гауссиан; sigma - коэффициент размытия; "*" - оператор свертки.
Другой особенностью обнаружения промышленного дыма является прозрачность, которая затрудняет анализ таких признаков дыма, как цвет, фрактальность и мерцание краев. Поэтому наиболее существенным признаком дыма является его движение. Следует отметить, что обрабатываемые видеопоследовательности в большинстве случаев содержат сцены дальнего плана, при этом дым является малой областью движения. Эффективным методом для обнаружения медленного движения является метод вычитания фона.
Для обнаружения движения применяется алгоритм, основанный на использовании модели смеси Гауссовых распределений. Алгоритм обеспечивает обнаружение движущихся объектов в разное время суток. Для построения модели заднего фона используется смесь из нескольких га-уссиан, число которых обычно лежит в интервале от 3 до 5 [3]. Смешенная Гауссовская модель учитывает историю изменения интенсивности для каждого пиксела:
X X 2,..., X,} = {Ij (x0, Уо), j = 1k}.
Изменение значений интенсивностей представляется смесью K Гауссовых распределений:
к
P( X | ф) = Х wkf (X|R,, о,),
к=1
где wk - вес к-й компоненты; /(X | цк, <зк) - функция плотности Гауссова распределения:
(х-цк )2
/(X | Цк, ) = —^= е 2°2 , <зку! 2п
где цк - математическое ожидание; <зк - среднеквадратичное отклонение.
Распределения классифицируются на две группы: для переднего плана и для фона. Для этого все распределения сортируются в порядке уменьшения значения Wk / <зк. Первые Ь распределений относят к пикселам фона, когда
(в ^ Ь = а^тть ^wk > т
\ к=1 у
где Т - пороговое значение.
Для каждого пикселя нового кадра определяется, какому распределению он соответствует. Если значение совпадает с распределением фона, то он маркируется как фоновый. В противном
случае он является пикселом переднего плана. В результате применения данного метода получается бинарная маска с движущимися объектами.
Цвет промышленного дыма может принимать различные оттенки серого цвета. Однако определить области серого цвета бывает трудно из-за прозрачности дыма, которая ведет к наложению цветов объектов, находящихся на фоне. Для обнаружения областей по цвету осуществляется переход к пространству HSV (Hue, Saturation, Value), которое ближе к человеческому восприятию цветов [4]. Для каждой видеопоследовательности с учетом ее особенностей выбираются минимальные и максимальные значения каналов цветовой модели для выделения задымленных областей.
Для верификации найденных областей применяется нейронная сеть. В случае, если область, которая принята нейронной сетью за дым, и область, найденная ранее, совпадают, то она помечается как дым. Нейронные сети обладают рядом достоинств. Они способны обучаться и адаптироваться к различным условиям промышленных объектов, и, как следствие, показывать высокую степень точности распознавания.
В реализованном алгоритме обнаружения дыма на промышленных предприятиях по видеопоследовательности области, принадлежащие дыму, маркируются красным цветом (см. рисунок).
Цветокоррекции видеопоследавзтельности "| Размер анализируемой области: |4Q5 jj Щ2Л} Ц| Настойка Фильтрации по цвету {HSV) Размер скользящего окна для медианного Фильтра 4 * Работа с нейронной сетью_
Результат детектирования дыма
Основными анализируемыми признаками дыма являются его движение и серый цвет. Тестирование программного продукта показало высокий процент верно распознанных областей, который достигнут за счет использования нейронной сети.
Библиографические ссылки
1. Бровко Н. В. Анализ методов обработки последовательностей видеоизображений в приложении к задаче раннего обнаружения пожаров // Вестник Полоцк. гос. ун-та. 2011. № 12. С. 42-50.
2. Фаворская М. Н., Зотин А. Г., Пахирка А. И. Метод улучшения цветных изображений на основе выравнивания спектральных диапазонов и коррекции контрастности // Механика, управление и информатика. 2012. № 8. С. 99-103.
3. Заливин А. Н., Балабанова Н. С. Обнаружение движущихся объектов методом вычитания фона с использованием смеси гауссовых распределений // Автоматизированные технологии и производства. 2016. № 3. С. 29-32.
4. Крешихин Д. Н. Поиск изображений по визуальному подобию на основе цветовой модели HSV // Тр. семинара РОМИП. 2009. С. 83-88.
© Жорова В. В., Хомяков А. Н., 2018
