news 2026/7/4 3:02:42

瑞芯微RV1126B开发板（EASY-EAI-PI2） 火焰检测

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
瑞芯微RV1126B开发板（EASY-EAI-PI2） 火焰检测

1. 火焰检测简介

火焰检测是一种基于深度学习的对火焰进行检测定位的目标检测。基于大规模火焰数据识别训练，配合摄像头，实时识别监控区内明火情况立刻发出警报，提醒监控室查看，及时止损。

本火焰检测算法在数据集表现如下所示：

基于EASY-EAI-PI2硬件主板的运行效率：

2. 快速上手

2.1 开发环境准备

如果您初次阅读此文档，请阅读《入门指南/开发环境准备/Easy-Eai编译环境准备与更新》，并按照其相关的操作，进行编译环境的部署。

在PC端Ubuntu系统中执行run脚本，进入EASY-EAI编译环境，具体如下所示。

cd ~/develop_environment ./run.sh 2204

2.2 源码下载

在EASY-EAI编译环境下创建存放源码仓库的管理目录：

cd /opt mkdir EASY-EAI-Toolkit cd EASY-EAI-Toolkit

通过git工具，在管理目录内克隆远程仓库

git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-1126B.git

注：

* 此处可能会因网络原因造成卡顿，请耐心等待。

* 如果实在要在gitHub网页上下载，也要把整个仓库下载下来，不能单独下载本实例对应的目录。

2.3 模型部署

要完成算法Demo的执行，需要先下载火焰检测算法模型。

百度网盘链接为：https://pan.baidu.com/s/11hAoFKprLXvH98M_iQh6vQ?pwd=1234 （提取码：1234 ）。

同时需要把下载的火焰检测算法模型复制粘贴到Release/目录：

2.4 例程编译

进入到对应的例程目录执行编译操作，具体命令如下所示：

cd EASY-EAI-Toolkit-1126B/Demos/algorithm-fire/ ./build.sh cpres

注：

* 由于依赖库部署在板卡上，因此交叉编译过程中必须保持/mnt挂载。

* 若build.sh脚本带有cpres参数，则会把Release/目录下的所有资源都拷贝到开发板上。

2.5 例程运行及效果

通过串口调试或ssh调试，进入板卡后台，定位到例程部署的位置，如下所示：

cd /userdata/Demo/algorithm-fire/

运行例程命令如下所示：

sudo ./test-fire_detect fire_detect.model test.jpg

在EASY-EAI编译环境可以取回测试图片:

cp /mnt/userdata/Demo/algorithm-fire/result.jpg .

结果图片如下所示：

API的详细说明，以及API的调用（本例程源码），详细信息见下方说明。

3. 火焰检测API说明

3.1 引用方式

为方便客户在本地工程中直接调用我们的EASY EAI api库，此处列出工程中需要链接的库以及头文件等，方便用户直接添加。

3.2 火焰检测初始化函数

火焰检测初始化函数原型如下所示。

int fire_detect_init(rknn_context *ctx, const char * path)

具体介绍如下所示。

3.3 火焰检测运行函数

火焰检测运行函数fire_detect_run原型如下所示。

int fire_detect_run(rknn_context ctx, cv::Mat input_image, person_detect_result_group_t *detect_result_group)

具体介绍如下所示。

3.4 火焰检测释放函数

火焰检测释放函数原型如下所示。

int fire_detect_release(rknn_context ctx)

具体介绍如下所示。

4. 火焰检测算法例程

例程目录为Demos/algorithm-fire/test-fire_detect.cpp，操作流程如下。

参考例程如下所示。

#include <opencv2/opencv.hpp> #include <stdio.h> #include <sys/time.h> #include"fire_detect.h" using namespace cv; using namespace std; static Scalar colorArray[10]={ Scalar(255, 0, 0, 255), Scalar(0, 255, 0, 255), Scalar(0,0,139,255), Scalar(0,100,0,255), Scalar(139,139,0,255), Scalar(209,206,0,255), Scalar(0,127,255,255), Scalar(139,61,72,255), Scalar(0,255,0,255), Scalar(255,0,0,255), }; int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour) { int tl = round(0.002 * (src.rows + src.cols) / 2) + 1; rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), colorArray[(unsigned char)colour], 3); int tf = max(tl -1, 1); int base_line = 0; cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line); int x3 = x1 + t_size.width; int y3 = y1 - t_size.height - 3; rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), colorArray[(unsigned char)colour], -1); putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8); return 0; } int main(int argc, char **argv) { if (argc != 3) { printf("%s <model_path> <image_path>\n", argv[0]); return -1; } const char *model_path = argv[1]; const char *image_path = argv[2]; /* 参数初始化 */ detect_result_group_t detect_result_group; /* 算法模型初始化 */ rknn_context ctx; fire_detect_init(&ctx, model_path); /* 算法运行 */ cv::Mat src; src = cv::imread(image_path, 1); struct timeval start; struct timeval end; float time_use=0; gettimeofday(&start,NULL); fire_detect_run(ctx, src, &detect_result_group); gettimeofday(&end,NULL); time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//微秒 printf("time_use is %f\n",time_use/1000); /* 算法结果在图像中画出并保存 */ // Draw Objects char text[256]; for (int i = 0; i < detect_result_group.count; i++) { detect_result_t* det_result = &(detect_result_group.results[i]); if( det_result->prop < 0.4) { continue; } sprintf(text, "%s %.1f%%", det_result->name, det_result->prop * 100); printf("%s @ (%d %d %d %d) %f\n", det_result->name, det_result->box.left, det_result->box.top, det_result->box.right, det_result->box.bottom, det_result->prop); int x1 = det_result->box.left; int y1 = det_result->box.top; int x2 = det_result->box.right; int y2 = det_result->box.bottom; /* rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3); putText(src, text, cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0)); */ plot_one_box(src, x1, x2, y1, y2, text, i%10); } cv::imwrite("result.jpg", src); /* 算法模型空间释放 */ fire_detect_release(ctx); return 0; }
版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/7/3 0:04:28

Nginx防御TLS重协商攻击实战：从原理到配置与监控

1. 项目概述&#xff1a;为什么TLS重协商攻击至今仍需警惕十多年前的CVE-2011-1473&#xff0c;一个关于TLS/SSL协议重协商机制的漏洞&#xff0c;现在提起来还有必要吗&#xff1f;很多运维和开发朋友可能会觉得&#xff0c;这都老掉牙了&#xff0c;现代服务器和客户端不都默…

作者头像 李华
网站建设 2026/7/2 23:58:17

Gemma开源大模型：轻量级2B/7B开发者专用AI工具

1. 项目概述&#xff1a;不是“核弹”&#xff0c;而是一把为开发者量身打造的瑞士军刀你最近刷到“谷歌再放核弹&#xff01;开源大模型Gemini技术&#xff0c;碾压Llama 2”这类标题&#xff0c;心里是不是咯噔一下&#xff1f;赶紧点开&#xff0c;结果发现通篇都在讲Gemma—…

作者头像 李华
网站建设 2026/7/2 23:54:27

告别手动转存：夸克网盘自动化管理终极指南

告别手动转存&#xff1a;夸克网盘自动化管理终极指南 【免费下载链接】quark_auto_save 夸克网盘签到、自动转存、命名整理、发推送提醒和刷新媒体库一条龙 项目地址: https://gitcode.com/gh_mirrors/qu/quark_auto_save 你是否厌倦了每天手动检查夸克网盘分享链接&am…

作者头像 李华
网站建设 2026/7/2 23:54:17

机器学习本质：从经验积累到猫狗识别实战

1. 这不是玄学&#xff0c;是可触摸的“经验积累”——一个老手眼中的机器学习本质你有没有过这种感觉&#xff1a;打开一篇讲机器学习的文章&#xff0c;三行之后就看到“监督学习”“梯度下降”“反向传播”……字都认识&#xff0c;连起来却像在读天书&#xff1f;更别提那些…

作者头像 李华
网站建设 2026/7/2 23:51:24

酷安UWP桌面版：在Windows上体验酷安社区的完整指南

酷安UWP桌面版&#xff1a;在Windows上体验酷安社区的完整指南 【免费下载链接】Coolapk-UWP 一个基于 UWP 平台的第三方酷安客户端 项目地址: https://gitcode.com/gh_mirrors/co/Coolapk-UWP 想在电脑上畅游酷安社区吗&#xff1f;Coolapk-UWP是一个基于UWP平台的第三…

作者头像 李华
网站建设 2026/7/2 23:42:42

jquery.i18n.properties前端国际化解决方案“填坑日记”

、jquery.i18n.properties通用解决方案 关于jquery.i18n.properties的使用&#xff0c;网上资料很多&#xff0c;比较完整的使用可以参考 这篇 &#xff0c;有比较详细的使用说明。这里博主简单概述下过程。 回到顶部 1、需要引用的js文件 先在你的项目文件里面添加如下目录…

作者头像 李华