一种复杂光照环境下的火灾钢板痕迹分类方法与流程

本发明涉及光谱成像，尤其涉及一种复杂光照环境下的火灾钢板痕迹分类方法。

背景技术：

1、随着建筑行业的不断断发展。钢结构由于具有自重轻、强度高、占用面积小、抗震性能优越、建筑施工周期短等一系列优点，更是被广泛地应用于各类高层、大跨度场馆、厂房建筑中。金属构建在受到火灾的热作用后，会出现各种化学反应产生不同形式和种类的物理变化，在表面留下不同的物理变化及表面的金属在高温的作用下，金属会产生变形、变色、熔化等痕迹。金属在火焰的作用下会和空气中的氧气发生化学反应，不同的温度产生的物质也不相同，金属的颜色也会相应发生变化，所以可以利用金属表面的颜色来推测火场的温度，如钢构件会产生fe2o3(红棕色)、fe3o4(黑色)、feo(黑色)等金属氧化物，受火场种温度、时间等因素的影响，形成的金属氧化物种类和含量不同，因此在钢构件表面呈现出的颜色也不同。因此，该类火灾发生后，现场残留金属表面呈现氧化变色、开裂等火灾印迹，也是判断火灾火点、起火温度、起火时间、起火原因的调查提供重要的痕迹物证。

2、目前，在火灾调查中，根据金属火灾痕迹对火灾相关情况的检测判断主要依赖火灾调查专业人员的经验判断或者根据燃烧图痕进行简单的计算，以评估火焰或火焰危险的存在。目前图像处理算法主要通过简单的方法是使用带有阈值的rgb颜色模型，对采集到的rgb钢板燃烧图像，使用颜色特征和梯度特征对金属变色痕迹图像进行特征提取和表达，使用支持向量机或者深度学习的方法进行金属变色痕迹图像分类识别，一定程度上帮助基层火灾调查人员进行火害程度识别。然而由于图像中的火灾区域通常是红色的，传统rgb相机仅含三通道信息，对颜色表述准确程度受制，这种方法容易出现误报。

3、多光谱成像将成像与光谱检测相结合的技术，不仅能研究分析对象的内部成分含量，还可对其分布进行可视化分析。因此使用多光谱成像技术可以将任何一种物理上的光谱分布，转换到线性色彩空间中，利用连续可见光谱，可获得更准确的颜色表达。多光谱图像中含有更丰富的场景信息，不仅能研究分析对象的内部成分含量，还可利用物体表面不同的反射率对其分布进行可视化分析，通过光谱成像设备获取目标多通道颜色信息及图像信息，可根据目标的光谱“指纹特征”对目标进行快速、无损的智能识别。常被用于农业、医学、地质等相关领域。但在强光、弱光及敏感交替等复杂场景下，光谱图像中受光照强度影响较大，在不同环境中波动会比较明显。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。

2、本发明提供了一种复杂光照环境下的火灾钢板痕迹分类方法，该方法包括：

3、s1，在设定环境下，使用第一光谱相机和第二光谱相机同时对当前环境下的黑板和白板进行数据采集；第一光谱相机和第二光谱相机分别采集不同谱段的光谱信息；

4、s2，在设定环境下，使用第一光谱相机和第二光谱相机分别对火灾痕迹钢板进行数据采集；

5、s3，利用第一光谱相机采集到的黑板和白板光谱图像对第一光谱相机采集到的钢板图像进行图像矫正，利用第二光谱相机采集到的黑板和白板光谱图像对第二光谱相机采集到的钢板图像进行图像矫正；

6、s4，对s3矫正后的图像分别进行图像对齐处理；

7、s5，分别对s4中对齐处理后的图像数据进行维度转换；

8、s6，分别对维度转换后的钢板图像的相同目标区域进行光谱特征提取，对提取的光谱特征进行特征拼接；

9、s7，重复执行s2-s6，对不同燃烧类别的火灾痕迹钢板分别提取拼接后的光谱特征数据，共提取到n组拼接后的光谱特征数据；根据钢板对应的燃烧类别标注n组光谱特征数据，将未燃烧钢板对应的光谱特征数据的平均值作为标准数据；

10、s8，构建神经网络基础架构作为训练模型，以s7中标注后的n组光谱特征数据为训练数据进行模型训练，获取分类模型；

11、s9，在测试环境下，使用第一光谱相机和第二光谱相机同时对当前环境下的黑板、白板以及未燃烧钢板进行数据采集；

12、s10，执行s3-s6，获取测试环境下未燃烧钢板拼接后的光谱特征数据作为校准数据；将校准数据与s7中的标准数据求差获取校准差值；

13、s11，在测试环境下，使用第一光谱相机和第二光谱相机分别对待分类的火灾痕迹钢板进行数据采集；执行s3-s6，获取测试环境下待分类的火灾痕迹钢板拼接后的光谱特征数据；

14、s12，将s11中待分类的火灾痕迹钢板拼接后的光谱特征数据与s10中校准差值求和，进行标准矫正，获取测试环境下待分类的火灾痕迹钢板的标准测试数据；

15、s13，在测试环境下，将s12获取的标准测试数据作为分类模型的输入，输出当前测试环境下的待分类的火灾痕迹钢板的燃烧类别；

16、s14，在不同的测试环境下重复执行s9-s13，获取不同测试环境下待分类的火灾痕迹钢板的燃烧类别。

17、应用本发明的技术方案，提供了一种复杂光照环境下的火灾钢板痕迹分类方法，该方法使用双多光谱相机进行光谱数据采集，将在设定环境下不同燃烧类别的火灾痕迹钢板的光谱数据作为训练数据训练分类模型，根据设定环境与测试环境下未燃烧钢板的光谱特征数据获取校准差值，以校准测试环境下的待分类的火灾痕迹钢板的光谱数据，实现了火灾痕迹钢板燃烧类别的精准判断，能够在复杂光照环境下完成快速高效的火灾痕迹判别。与现有技术相比，本发明的技术方案能够解决现有技术中复杂光照条件下火灾钢板痕迹图像识别不准确的技术问题。

技术特征：

1.一种复杂光照环境下的火灾钢板痕迹分类方法，其特征在于，所述复杂光照环境下的火灾钢板痕迹分类方法包括：

2.根据权利要求1所述的复杂光照环境下的火灾钢板痕迹分类方法，其特征在于，第一光谱相机和第二光谱相机采用ximea多光谱图像采集设备。

3.根据权利要求1或2所述的复杂光照环境下的火灾钢板痕迹分类方法，其特征在于，第一光谱相机和第二光谱相机分别采集到25个谱段和16个谱段的光谱信息，并以bayer格式采集和存储光谱信息。

4.根据权利要求1所述的复杂光照环境下的火灾钢板痕迹分类方法，其特征在于，s3中，根据和对钢板图像进行图像矫正，其中，out_img1和out_img2分别为第一光谱相机和第二光谱相机对应的矫正后的图像，input_img1和input_img2分别为s2中第一光谱相机和第二光谱相机采集到的钢板图像，black_img1和white_img1分别为s1中第一光谱相机采集到的黑板光谱图像和白板光谱图像，black_img2和white_img2分别为s1中第二光谱相机采集到的黑板光谱图像和白板光谱图像。

5.根据权利要求1所述的复杂光照环境下的火灾钢板痕迹分类方法，其特征在于，s4中，采用sift方法分别对s3矫正后的图像进行图像对齐。

6.根据权利要求1所述的复杂光照环境下的火灾钢板痕迹分类方法，其特征在于，s5中，维度转换具体包括：根据光谱相机类型将对齐后的h*w的平面图像转换为(h/l)*(w/l)*(l*l)的图像格式，l*l为光谱相机对应的纵向光谱维度，h、w和l均为整数。

7.根据权利要求1至6中任一项所述的复杂光照环境下的火灾钢板痕迹分类方法，其特征在于，所述神经网络基础架构包括输入层、隐藏层和输出层。

技术总结
本发明提供了一种复杂光照环境下的火灾钢板痕迹分类方法，该方法使用双多光谱相机进行光谱数据采集，将在设定环境下不同燃烧类别的火灾痕迹钢板的光谱数据作为训练数据训练分类模型，根据设定环境与测试环境下未燃烧钢板的光谱特征数据获取校准差值，以校准测试环境下的待分类的火灾痕迹钢板的光谱数据，实现了火灾痕迹钢板燃烧类别的精准判断，能够在复杂光照环境下完成快速高效的火灾痕迹判别。应用本发明的技术方案，能够解决现有技术中复杂光照条件下火灾钢板痕迹图像识别不准确的技术问题。

技术研发人员：李绰,王天鹤,周志远,张晨,赵安娜,潘建旋,张云昊,刘鑫,赵帅,姜洪妍,王才喜
受保护的技术使用者：天津津航技术物理研究所
技术研发日：
技术公布日：2024/6/18