CN108416968B - 火灾预警方法和装置 - Google Patents
火灾预警方法和装置 Download PDFInfo
- Publication number
- CN108416968B CN108416968B CN201810097862.9A CN201810097862A CN108416968B CN 108416968 B CN108416968 B CN 108416968B CN 201810097862 A CN201810097862 A CN 201810097862A CN 108416968 B CN108416968 B CN 108416968B
- Authority
- CN
- China
- Prior art keywords
- target area
- fire
- open fire
- visible light
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000010438 heat treatment Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 11
- 230000005855 radiation Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000011651 chromium Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000009191 jumping Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 239000003250 coal slurry Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000010742 number 1 fuel oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种火灾预警方法和装置。其中，该方法包括：获取待检测区域的可见光图像；基于预设算法模型对可见光图像进行分析，得到第一目标区域，其中，第一目标区域为在待检测区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；获取第一目标区域的红外热图像；对红外热图像进行处理，得到第二目标区域，其中，第二目标区域为在第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；检测第二目标区域的温度变化情况，并根据温度变化情况，确定是否输出预警信息。本发明解决了现有技术采用对火灾现场拍摄视频来实现对火灾进行检测的方案导致无法对未形成明火的早期火灾高危点和火灾趋势进行检测的技术问题。
Description
技术领域
本发明涉及火灾检测领域，具体而言，涉及一种火灾预警方法和装置。
背景技术
煤制油生产过程是在高温、高压环境下进行，原料、产品、半成品及副产物绝大多数为可燃性固体、气体或液体，均有发生火灾爆炸的危险。对此安全隐患，目前使用较成熟的监测技术有：感温、感烟、感光探测器配合火灾探测算法等技术，其分别使用温度、烟雾、光亮度来分析及区分明火。现有技术由于受到空间、面积、恶劣环境的影响,使得对火灾明火特征的提取难度增大，导致误报率的上升。而使用可见光或红外摄像头视频作为火灾检测的技术中，基于彩色图像的明火检测算法的研究也较多，但都是对已经形成明火的火灾进行检测，而对于未形成明火的早期火灾高危点或火灾趋势的检测能力有限，而且无法明火温度场本身的动态性。
针对上述现有技术采用对火灾现场拍摄视频来实现对火灾进行检测的方案导致无法对未形成明火的早期火灾高危点和火灾趋势进行检测的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种火灾预警方法和装置，以至少解决现有技术采用对火灾现场拍摄视频来实现对火灾进行检测的方案导致无法对未形成明火的早期火灾高危点和火灾趋势进行检测的技术问题。
根据本发明实施例的一个方面，提供了一种火灾预警方法，包括：获取待检测区域的可见光图像；基于预设算法模型对可见光图像进行分析，得到第一目标区域，其中，第一目标区域为在待检测区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；获取第一目标区域的红外热图像；对红外热图像进行处理，得到第二目标区域，其中，第二目标区域为在第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；检测第二目标区域的温度变化情况，并根据温度变化情况，确定是否输出预警信息，其中，预警信息用于提示第二目标区域容易发生火灾。
根据本发明实施例的另一方面，还提供了一种火灾预警装置，包括：第一获取模块，用于获取待检测区域的可见光图像；分析模块，用于基于预设算法模型对可见光图像进行分析，得到第一目标区域，其中，第一目标区域为在待检测区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；第二获取模块，用于获取第一目标区域的红外热图像；处理模块，用于对红外热图像进行处理，得到第二目标区域，其中，第二目标区域为在第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；第一检测模块，用于检测第二目标区域的温度变化情况，并根据温度变化情况，确定是否输出预警信息，其中，预警信息用于提示第二目标区域容易发生火灾。
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述的火灾预警方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的火灾预警方法。
在本发明实施例中，通过获取待检测区域的可见光图像；基于预设算法模型对可见光图像进行分析，得到第一目标区域，其中，第一目标区域为在待检测区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；获取第一目标区域的红外热图像；对红外热图像进行处理，得到第二目标区域，其中，第二目标区域为在第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；检测第二目标区域的温度变化情况，并根据温度变化情况，确定是否输出预警信息，其中，预警信息用于提示第二目标区域容易发生火灾，达到了根据待检测区域的可见光图像和红外热图像以及温度变化情况来确定明火区域的目的，从而实现了提高火灾检测准确率、减少火灾预警误报率的技术效果，进而解决了现有技术采用对火灾现场拍摄视频来实现对火灾进行检测的方案导致无法对未形成明火的早期火灾高危点和火灾趋势进行检测的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种火灾预警方法流程图；
图2是根据本发明实施例的一种优选的火灾预警系统示意图；
图3是根据本发明实施例的一种可选的火灾预警方法流程图；
图4是根据本发明实施例的一种可选的火灾预警方法流程图；
图5是根据本发明实施例的一种可选的火灾预警方法流程图；
图6是根据本发明实施例的一种可选的火灾预警方法流程图；以及
图7是根据本发明实施例的一种火灾预警装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种火灾预警方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种火灾预警方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待检测区域的可见光图像。
作为一种可选的实施例，上述待检测区域可以是但不限于煤制油系统生产设备现场。由于煤制油生产过程是在高温、高压环境下进行的，其原料、产品、半成品及副产物绝大多数为可燃性固体、气体或液体，均有发生火灾爆炸的危险，尤其是煤制油系统生产设备中接口、管线、阀门或易爆、易漏等设备所在区域。
步骤S104，基于预设算法模型对可见光图像进行分析，得到第一目标区域，其中，第一目标区域为在待检测区域内确定的已经出现明火和/或即将出现明火的一个或多个区域。
作为一种可选的实施例，上述预设算法模型包括RGB模型和/或YCbCr模型，在获取到待检测区域的可见光图像后，基于RGB模型和/或YCbCr模型对待检测区域的可见光图像进行分析，以确定待检测区域内已经出现明火和/或即将出现明火的一个或多个区域，作为第一目标区域。
步骤S106，获取第一目标区域的红外热图像。
具体地，在上述步骤中，在根据待检测区域的可见光图像确定已经出现明火和/或即将出现明火的第一目标区域后，获取该第一目标区域的红外热图像，以便根据该第一目标区域的红外热图像进一步确定第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域。
步骤S108，对红外热图像进行处理，得到第二目标区域，其中，第二目标区域为在第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域。
具体地，在上述步骤中，在根据第一目标区域的红外热图像后，对该第一目标区域的红外热图像进行处理，得到第一目标区域内已经出现明火和/或即将出现明火的一个或多个区域，作为第二目标区域。
步骤S110，检测第二目标区域的温度变化情况，并根据温度变化情况，确定是否输出预警信息，其中，预警信息用于提示第二目标区域容易发生火灾。
具体地，在上述步骤中，通过对待检测区域的可见光图像和红外热图像进行分析和处理，得到待检测区域内已经出现明火和/或即将出现明火的一个或多个区域后，进一步检测该第二目标区域的温度变化情况，以便根据该第二目标区域的温度变化情况进一步确定第二目标区域的明火趋势，以便根据温度变化情况，确定是否输出用于提示第二目标区域容易发生火灾的预警信息。
由上可知，在本申请上述实施例中，通过获取待检测区域的可见光图像，并基于预设算法模型对待检测区域的可见光图像进行分析，得到待检测区域内已经出现明火和/或即将出现明火的一个或多个区域(即第一目标区域)后，进一步根据第一目标区域的红外热图像确定第一目标区域内已经出现明火和/或即将出现明火的一个或多个区域(即第二目标区域)，进而根据第二目标区域的温度变化情况，确定是否输出用于提示第二目标区域容易发生火灾的预警信息，达到了根据待检测区域的可见光图像和红外热图像以及温度变化情况来确定明火区域的目的，从而实现了提高火灾检测准确率、减少火灾预警误报率的技术效果，进而解决了现有技术采用对火灾现场拍摄视频来实现对火灾进行检测的方案导致无法对未形成明火的早期火灾高危点和火灾趋势进行检测的技术问题。
作为一种优选的实施例，基于上述步骤S102至S110公开的方案，图2是根据本发明实施例的一种优选的火灾预警系统示意图，如图2所示，该系统包括：监控设备201、温度采集装置203、数据处理服务器205和报警装置207，其中，数据处理服务器205包括：可见光识别明火模块2051、红外热图识别明火模块2053、温度趋势预测模块2055和超温预警模块2057。其中，监控设备201可以全天候对煤制油生产设备的故障温升监测。温度采集装置203采集到的温度数据发送到数据处理服务器205(例如，计算分析监控中心或监控室)，由数据处理服务器205进行温度数据的自动处理和分析，可见光图像及红外图像分析双决策预警温升趋势，早期定位设备潜在故障，以报警方式提供报修信息。同时，它可对站、厂安全(如：非法入侵)进行全天候监视。监视人员通过监视屏对厂房的环境进行监视，且不受外部光线限制在夜晚及恶劣环境的影响。
在一种可选的实施例中，如图3所示，基于预设算法模型对可见光图像进行分析，得到第一目标区域，可以包括：步骤S302，基于RGB颜色模型和YCbCr颜色模型，对可见光图像进行分析，得到第一目标区域。
具体地，在上述实施例中，可以通过RGB模型和YCbCr模型联合决策的颜色识别规则建立全局通用实时明火检测模型，该明火检测模型识别明火速度能够达到25帧/s的处理速度，并且，与其他的明火识别算法相比，本算法在识别过程中无需人工调整即可自动完成，在复杂实际环境中，算法识别的准确性高，抗干扰能力比较强，例如，对车灯、路灯等干扰疑似概率始终小于10％。
通过上述实施例，基于RGB颜色模型和YCbCr颜色模型对待检测区域的可见光图像进行分析，可以实现减少因背景光照条件变化引起的不利影响，对火灾进行快速判别的目的。
基于上述实施例，作为一种可选的实施方式，如图3所示，基于RGB颜色模型和YCbCr颜色模型，对可见光图像进行分析，得到第一目标区域，可以包括如下步骤：
步骤S3021，基于RGB颜色模型，获取可见光图像内符合第一预设条件的像素点，作为明火像素点；
步骤S3023，根据明火像素点确定第三目标区域，其中，第三目标区域为在可见光图像中确定的已经出现明火和/或即将出现明火的一个或多个区域；
步骤S3025，基于YCbCr模型，进一步对可见光图像中除第三目标区域外的区域进行分析，得到第四目标区域，其中，第四目标区域为在可见光图像中除第三目标区域外的区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；
步骤S3027，根据第三目标区域和第四目标区域，确定第一目标区域。
作为一种可选的实施例，上述步骤S3021至S3027公开的方案可以在图2所示的可见光识别明火模块2051中执行，需要说明的是，在RGB模型中，明火区域的R通道强度值最高，颜色饱和度最高，因而，明火区域的像素应符合下列条件(即上述第一预设条件)：
R(x,y)>Rmean，R(x,y)>G(x,y)>B(x,y)，Rmean＝1K∑i＝1KR(xi,yi) (1)
其中，R(x,y)、G(x,y)和B(x,y)分别表示像素点(x,y)的红、绿、蓝三个颜色的通道值。K是总像素数，Rmean是总像素中红色分量强度平均值。公式(1)表明，明火区域各分量强度值中Rmean的值最大。
容易注意的是，由于日照、灯照等的影响，使许多建立在像素点通道值转换技术基础上的明火识别算法的检测效果较差。但是，标准的RGB颜色模型不易受灯光照明的影响。因此，本实施例使用RGB颜色空间的转换公式:
r＝R/(R+G+B)g＝G/(R+G+B)b＝B/(R+G+B) (2)
作为一种可选的实施方式，可以在明火图片库中随机抽取各种条件不同的图片200张。用手工标注出这些图片的明火区域，并分别在r-g，r-b，g-b三个平面生成一幅640X480像素的质量分布图。制作明火区域像素在r-g,r-b和g-b三个平面的分布情况，并以此区域来识别待检测区域的可见光图像中的像素点是否是明火像素。
可选地，可以采用下列关系不等式(3)来表示三角形区域：
r≥1.140g-0.076r≤-0.989g+0.991r≥-2.077g+1.025r≤-1.881b+0.9582r≤95.348b+0.171r≥-0.543b+0.506g≥0.846b+0.048g≤-0.461b+0.495g≤191.957b-0.621(3)
进一步地，为使明火像素区域识别率因光照变化影响最小,联合使用YCbCr颜色模型对区域外的内部分做二次决策。
YCbCr颜色模型是色彩空间的一种，其重要特质是将亮度作为主要组成。其中，Y是流明，表示光的浓度且为非线性，即亮度分量，采用伽马修正编码处理；而Cb和Cr则为蓝色和红色的色度分量，即浓度偏移量成份，它们分别表现的是RGB模型中蓝色度分量与亮度分量之同的差异(B-Y)和红色度分量与亮度分量之间的差异(R-Y)。根据C.A.Poynton转换矩阵，可以得到YCbCr颜色模型与RGB颜色模型的转换关系如公式(4)：
YCbCr＝0.2570.5040.098-0.148-0.2910.4390.439-0.368-0.071RGB+16128128(4)
式中：Y∈[16 235]；Cb∈[16 240]；Cr∈[16 240]。
则在一副原始图像中，可以推出像素三个分量值Y，Cb，Cr平均值的关系式，如公式(5)：
Ymean＝1K∑i＝1KYxi,yi，Cbmean＝1K∑i＝1KCbxi,yi，Crmean＝1K∑i＝1KCrxi,yi(5)
图像中像素点的空间位置用(xi,yi)表示。Ymean表示像素亮度分量的平均值；Cbmean表示像素蓝色度分量的平均值；Crmean表示红色度分量的平均值。K表示像素总数。在YCbCr颜色模型中有：
Y(x,y)>Cb(x,y)Cr(x,y)>Cb(x,y) (6)
式中：(x,y)表示明火区域内像素点的位置；Y(x,y)表示像素点的亮度值；Cb(x,y)表示像素点蓝色度分量值；Cr(x,y)表示像素点红色度分量值。
从公式(6)可得出这样的结论：明火区域像素点的亮度分量要大于蓝色度分量，红色度分量也大于蓝色度分量。因此，明火区域是红色饱和度所产生的结果。
仍以图2所示的火灾预警系统为例，在通过可见光识别模块2051以RGB模型及YCbCr模型共同决策为明火的结果区域输送到红外热图明火识别模块2053，参与最终的火灾预警或火灾评定等级决策模块。
在一种可选的实施例中，如图4所示，对红外热图像进行处理，得到第二目标区域，可以包括如下步骤：
步骤S402，采用基于粒子群优化算法的二维最大熵阈值选取方法选取最佳阈值，对红外热图像进行分割，得到多个第五目标区域，其中，第五目标区域为在红外热图像中确定的已经出现明火和/或即将出现明火的一个或多个区域；
步骤S404，对第五目标区域进行平滑处理，并获取第五目标区域内发热物体的边界点及边界链码，其中，边界链码用于确定发热物体的高度；
步骤S406，根据发热物体的高度变化和灰度分布，确定第二目标区域。
可选地，上述步骤S406，根据发热物体的高度变化和灰度分布，确定第二目标区域，可以包括如下步骤包括：
步骤S4061，创建明火模糊子集和非明火模糊子集；
步骤S4063，采用模糊隶属度法计算发热物体属于非明火模糊子集的隶属程度；
步骤S4065，根据发热物体属于非明火模糊子集的隶属程度，确定第二目标区域。
需要说明的是，由于红外热像仪对物体的温度敏感性，反映目标及场景的热辐射，其难免受到复杂背景的干扰，如日照下的房顶、金属设备等深色吸热物体。针对干扰，基于上述步骤S402至S406公开的方案，采用基于粒子群优化算法的二维最大熵阈值选取方法选取最佳阈值，对红外图像进行分割,从而使可疑区域从背景中分离出来，以物体高度为特征量，选择物体的高度作为特征量,采用标准模板序列,设计两层模糊分类器分析物体的高度变化和灰度分布,给出可疑目标隶属于明火的评价。在采用模糊隶属度法分析物体对明火这类事物的隶属程度时，对于第1层模糊分类器分类结果的中间状态，则送入第2层模糊分类器再分类，即在灰度空间分析物体的灰度分布情况，从而综合评定物体对于明火的归属情况，以达到从复杂的背景中提取明火目标并评定等级的目的。
容易注意的是，明火外焰外围可形成一个较宽的热辐射层，这个热辐射层的灰度分布呈很明显的梯度分布，越靠近明火其灰度值越大，取明火所在行像素的灰度分布序列图，则明火单行像素灰度分布图中有一个顶端较平坦的峰，其对应明火实体部分，包括外焰和焰心，而两侧的单调曲线则对应热辐射区域的灰度分布。从单行像素来看,热辐射区域的宽度明显大于明火本身的宽度W1，而非明火的发热物体，热辐射能力比较小，其辐射区域的宽度窄W2≈W1。
由于燃烧的明火存在着闪烁现象，其频率大约为0.5～20Hz。由于受常规视频采集卡帧率的限制(25帧)，加上明火频闪与燃料射流和周围空气之间的剪切力相关，直接对明火进行频谱分析难以达到好的效果。但明火跳跃闪烁导致其高度、形状、面积、周长等特征都会不断发生变化，其中，明火高度的相对跳跃性最强。本实施例选取序列图像中明火高度和时域变化作为动态特征量来增大可识别距离，可以实现大范围的明火检测。
可选地，红外热图预处理步骤可以包括：阈值分割和边界提取。其中，阈值预分割采用二维最大熵阈值选取法并结合粒子群优化算法快速搜索最佳阈值并获得最大熵。阈值分割后，对图像各区域进行平滑处理，去除物体边界毛刺。然后通过边界跟踪获取物体的边界链码，其中，边界链码至少包含物体如下信息：边界点的坐标、曲率、斜率、周长、面积等重要的特征。在获取边界链码后，可以计算物体的高度。
此外，还需要说明的是，模糊评判原理是采用模糊数学的隶属度来评价目标物体归属于明火的程度。选取可疑目标的高度作为特征量，对物体多次采样测量，获取物体的高度序列，将其各项除以序列的最小值进行量化处理，从而作为标准明火模板，设为H*。分析隶属度之前，先将其他序列同样做量化处理，设为H。然后计算序列各项与明火模板对应项之比yi＝H* i/Hi，序列中各项的隶属度函数采用半升梯形函数的直线函数。根据经验设置最优参数a＝0.95，最差参数b＝0.85，则各项隶属度函数为：
因此,两个序列之间的模糊隶属度为：
其中，wi为第i项的权重，对于物体高度序列，各项的意义作用相同，故各项权重都等于1/n。
构建两层模糊分类系统，根据隶属度μs的归属区间,可用模糊语言对其进行分类，但当其落入“可能是，也可能不是”的模糊状态时,需借助其灰度分布特性来进一步辨识.本技术采用ζi计算静态特性的隶属度μs，此时，可以设经验参数a＝2.0，b＝1.0。
y＝wr/w。
其中，wr为辐射区的宽度，w为目标物宽度。
wr、w的确定方法为：首先用预处理步骤中获取的最佳阈值，在还未经阈值分割的源图像中找到发热物体的实体部分，然后从实体部分的某一点向两边水平展开搜索，设定一个搜索步长，计算前后点之间的斜率，斜率接近于0的部分可以看成是发热物体的实体部分(灰度较稳定)，由此可以确定发热体的边界点，接下来搜索过程中将判断斜率的符号变化，直到斜率反号，即为辐射区的边界点处(辐射区灰度分布的单调性).这种将动态特性与静态特性相结合分析的方法构成了一个两层的模糊分类系统，归纳起来，模糊规则如下：
表1不同阈值的判断值与判断标准
选择模糊集的标准模式时，由于静态干扰物体的高度序列较明火相对稳定得多，故静态干扰物体的模式很容易确定。本文由明火和非明火模糊子集构成了整个论域U,两模糊子集互为余集，若设目标对于第i个“非明火”模板的隶属度为μdi，则目标对于“明火”的隶属度可表示为：
其中,N为“非明火”模板的个数。从该表达式可以看出，目标对于“明火”的隶属度可以通过“非明火”模板进行计算。鉴于“非明火”模板容易选取，所以可以用“非明火”模板构建模板库。又由于干扰物体的高度都是比较稳定的，其高度序列各项值都较为接近。因此，为了简化计算和省去构建模板库的一些问题，可定义一个标准“非明火”模板序列，该模板序列各项值都等于1，即h＝{1,1,…,1}。需要注意的是,在计算目标对于“非明火”的隶属度之前，应先计算标准“非明火”模板序列各项与目标序列对应项之比yi，这里与计算对于“明火”的隶属度略有不同。由此得出的结果，输入下一模块进行火警等级评判或预警、报警等流程。
在一种可选的实施例中，如图5所示，在对红外热图像进行处理，得到第二目标区域之后，上述方法还可以包括如下步骤：
步骤S502，检测第二目标区域的温度；
步骤S504，判断第二目标区域的温度是否超过对应的预设温度阈值；
步骤S506，在第二目标区域的温度超过对应的预设温度阈值的情况下，输出温度预警信息。
作为一种可选的实施例，上述步骤S502至S506公开的方案，可以通过图2所示的超温预警模块2057执行，在根据待检测区域的可见光图像和红外热图像确定明火区域(即上述第二目标区域)后，检测第二目标区域的温度是否超过对应的预设温度阈值，并在第二目标区域的温度超过对应的预设温度阈值的情况下，输出温度预警信息。
需要说明的是，以煤制油生产设备为例，正常的煤制油生产设备其工作时，当温度升至300℃以上，煤受热分解，即煤的大分子结构中较弱的桥键开始断裂，产生大量以结构单元为基体的自由基碎片。而煤基费托合成可分为高温费托合成(350℃)和低温费托合成(250℃)，由上可知，煤制油设备正常的设备表面温度在300℃左右。而阀门等薄弱环节，例如：煤浆管道阀门LV2401B其混合监测区域阈值更是达到420℃范围，故而针对不同的预设位置置，其预警、报警、火灾等级评定标准不一。例如：煤浆管道阀门UV2402BD，监测区域全景监测报警阈值450℃，混合温升报警阈值110℃。
在巡检过程中，针对每个预设位置置，做上述两个功能模块(即图2所示的可见光识别明火模块2051和红外热图识别明火模块2053)判定。若综合决策无明火，则进入超温预警模块2057(针对不同的预设位置，设置不同温度阈值)；若决策存在明火，温度趋势预测模块2055。
一种可选的实施例中，在一个单位时间内，(例如，以1秒时间为限)取在红外热图识别明火模块2053中获得的明火序列，并计算其均方差E1，得其序列偏离均值的程度，则得到了其火焰的跳跃程度。该跳跃程度数值与视场，分辨率及火焰规模相关，将其数值单位化，消除视场高度，分辨率对火焰规模的影响，则可用该1秒内火焰跳跃程度均方差数值来判定火焰的活跃程度，并分等级进入火警预警、报警模块，进行在线报警。
在一种可选的实施例中，如图6所示，检测第二目标区域的温度变化情况，并根据温度变化情况，确定是否输出预警信息，可以包括如下步骤：
步骤S602，检测第二目标区域的温升速率；
步骤S604，判断温升速率所在的预设范围，其中，预设范围包括：第一预设范围、第二预设范围和第三预设范围，其中，第一预设范围用于表征第二目标区域不可能出现明火，第二预设范围用于表征第二目标区域可能出现明火，第三预设范围用于表征第二目标区域已经出现明火；
步骤S606，如果温升速率在第一预设范围，则不输出预警信息；
步骤S608，如果温升速率在第二预设范围，则输出第一预警信息，其中，第一预警信息用于提示第二目标区域需要关注；
步骤S610，如果温升速率在第三预设范围，则输出第二预警信息，其中，第二预警信息用于提示第二目标区域需要报警。
具体地，在巡检过程中，每次行至预设位置最高温度记录入数据库。绘制趋势图表。计算温升斜率。若短时间内温度剧烈上升，则斜率增大。超过限值，则产生预测报警。记每次巡检到达该预设位置的时间间隔为Δt。
温度趋势斜率为K＝(T2-T1)/Δt；
表2温升速率与预警判断标准
容易注意的是，上述表2中的阈值为煤制油设备温升经验阈值，可根据冬夏等自然环境及设备部分区别设置，例如：煤浆管道阀门LV2401AC温升速率报警阈值80℃，五通阀温升速率报警阈值110℃。
在本申请上述各个实施例中，以可见光图像分析是否存在明火；以红外热图分析是否存在明火，另外对预置位若无明火，分析热趋势，智能预测是否温升过快并可能形成隐患；以可见光及红外热成像双层决策对隐患或险情进行分等级报警；若无险情则记录关键温度为趋势分析做记录。通过可见光成像、红外热成像、智能识别、图像分割、趋势分析、综合决策、网络通讯等技术，实现环境监视、设备监测、异常报警，及远程情况处理等，为煤制油生产系统中设备易发生火灾险情的薄弱环节，接口、阀门等，提供高温、高压工作环境下的温度监控、红外图像智能识别、趋势分析及火灾险情预警、报警功能，提供高效可行的设备安全保障系统。
通过本申请上述实施例公开的方案，可以达到如下技术效果：能够快速地识别火灾明火和早期火灾高危点，给出可疑目标隶属于明火的评价，并作趋势预测。实验证明,这种可见光及红外视频双决策智能分析方法识别率高，灵敏度较高且鲁棒性强,适用于广范围的火灾监控。算法结构清晰,效率较高,安全可靠性高。
实施例2
根据本发明实施例，还提供了一种用于实现上述火灾预警方法的装置实施例，图7是根据本发明实施例的一种火灾预警装置示意图，如图7所示，该装置包括：第一获取模块701、分析模块703、第二获取模块705、处理模块707和第一检测模块709。
其中，第一获取模块701，用于获取待检测区域的可见光图像；
分析模块703，用于基于预设算法模型对可见光图像进行分析，得到第一目标区域，其中，第一目标区域为在待检测区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；
第二获取模块705，用于获取第一目标区域的红外热图像；
处理模块707，用于对红外热图像进行处理，得到第二目标区域，其中，第二目标区域为在第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；
第一检测模块709，用于检测第二目标区域的温度变化情况，并根据温度变化情况，确定是否输出预警信息，其中，预警信息用于提示第二目标区域容易发生火灾。
由上可知，在本申请上述实施例中，通过第一获取模块701获取待检测区域的可见光图像，并通过分析模块703基于预设算法模型对待检测区域的可见光图像进行分析，得到待检测区域内已经出现明火和/或即将出现明火的一个或多个区域(即第一目标区域)后，通过第二获取模块705获取第一目标区域的红外热图像，进一步通过处理模块707对第一目标区域的红外热图像进行处理，根据第一目标区域的红外热图像确定第一目标区域内已经出现明火和/或即将出现明火的一个或多个区域(即第二目标区域)，进而通过第一检测模块709检测第二目标区域的温度变化情况，并根据第二目标区域的温度变化情况，确定是否输出用于提示第二目标区域容易发生火灾的预警信息，达到了根据待检测区域的可见光图像和红外热图像以及温度变化情况来确定明火区域的目的，从而实现了提高火灾检测准确率、减少火灾预警误报率的技术效果，进而解决了现有技术采用对火灾现场拍摄视频来实现对火灾进行检测的方案导致无法对未形成明火的早期火灾高危点和火灾趋势进行检测的技术问题。
在一种可选的实施例中，上述分析模块还用于基于RGB颜色模型和YCbCr颜色模型，对可见光图像进行分析，得到第一目标区域。
在一种可选的实施例中，上述分析模块包括：获取单元，用于基于RGB颜色模型，获取可见光图像内符合第一预设条件的像素点，作为明火像素点；第一确定单元，用于根据明火像素点确定第三目标区域，其中，第三目标区域为在可见光图像中确定的已经出现明火和/或即将出现明火的一个或多个区域；分析单元，用于基于YCbCr模型，进一步对可见光图像中除第三目标区域外的区域进行分析，得到第四目标区域，其中，第四目标区域为在可见光图像中除第三目标区域外的区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；第二确定单元，用于根据第三目标区域和第四目标区域，确定第一目标区域。
在一种可选的实施例中，上述处理模块包括：分割单元，用于采用基于粒子群优化算法的二维最大熵阈值选取方法选取最佳阈值，对红外热图像进行分割，得到多个第五目标区域，其中，第五目标区域为在红外热图像中确定的已经出现明火和/或即将出现明火的一个或多个区域；处理单元，用于对第五目标区域进行平滑处理，并获取第五目标区域内发热物体的边界点及边界链码，其中，边界链码用于确定发热物体的高度；第三确定单元，用于根据发热物体的高度变化和灰度分布，确定第二目标区域。
在一种可选的实施例中，上述第三确定单元包括：创建子单元，用于创建明火模糊子集和非明火模糊子集；计算子单元，用于采用模糊隶属度法计算发热物体属于非明火模糊子集的隶属程度；确定子单元，用于根据发热物体属于非明火模糊子集的隶属程度，确定第二目标区域。
在一种可选的实施例中，上述装置还包括：第二检测模块，用于检测第二目标区域的温度；判断模块，用于判断第二目标区域的温度是否超过对应的预设温度阈值；输出模块，用于在第二目标区域的温度超过对应的预设温度阈值的情况下，输出温度预警信息。
在一种可选的实施例中，上述第一检测模块包括：检测单元，用于检测第二目标区域的温升速率；判断单元，用于判断温升速率所在的预设范围，其中，预设范围包括：第一预设范围、第二预设范围和第三预设范围，其中，第一预设范围用于表征第二目标区域不可能出现明火，第二预设范围用于表征第二目标区域可能出现明火，第三预设范围用于表征第二目标区域已经出现明火；第一执行单元，用于如果温升速率在第一预设范围，则不输出预警信息；第二执行单元，用于如果温升速率在第二预设范围，则输出第一预警信息，其中，第一预警信息用于提示第二目标区域需要关注；第三执行单元，用于如果温升速率在第三预设范围，则输出第二预警信息，其中，第二预警信息用于提示第二目标区域需要报警。
实施例3
根据本发明实施例，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行实施例1中任意一项可选的或优选的火灾预警方法。
实施例4
根据本发明实施例，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行实施例1中任意一项可选的或优选的火灾预警方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种火灾预警方法，其特征在于，包括：
获取待检测区域的可见光图像；
基于预设算法模型对所述可见光图像进行分析，得到第一目标区域，其中，所述第一目标区域为在所述待检测区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；
获取所述第一目标区域的红外热图像；
对所述红外热图像进行处理，得到第二目标区域，其中，所述第二目标区域为在所述第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；
检测所述第二目标区域的温度变化情况，并根据所述温度变化情况，确定是否输出预警信息，其中，所述预警信息用于提示所述第二目标区域容易发生火灾；
其中，基于预设算法模型对所述可见光图像进行分析，得到第一目标区域，包括：基于RGB颜色模型和YCbCr颜色模型，对所述可见光图像进行分析，得到所述第一目标区域；
其中，基于RGB颜色模型和YCbCr颜色模型，对所述可见光图像进行分析，得到所述第一目标区域，包括：基于RGB颜色模型，获取所述可见光图像内符合第一预设条件的像素点，作为明火像素点；根据所述明火像素点确定第三目标区域，其中，所述第三目标区域为在所述可见光图像中确定的已经出现明火和/或即将出现明火的一个或多个区域；基于YCbCr模型，进一步对所述可见光图像中除所述第三目标区域外的区域进行分析，得到第四目标区域，其中，所述第四目标区域为在所述可见光图像中除所述第三目标区域外的区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；根据所述第三目标区域和所述第四目标区域，确定所述第一目标区域。
2.根据权利要求1所述的方法，其特征在于，对所述红外热图像进行处理，得到第二目标区域，包括：
采用基于粒子群优化算法的二维最大熵阈值选取方法选取最佳阈值，对所述红外热图像进行分割，得到多个第五目标区域，其中，所述第五目标区域为在所述红外热图像中确定的已经出现明火和/或即将出现明火的一个或多个区域；
对所述第五目标区域进行平滑处理，并获取所述第五目标区域内发热物体的边界点及边界链码，其中，所述边界链码用于确定所述发热物体的高度；
根据所述发热物体的高度变化和灰度分布，确定所述第二目标区域。
3.根据权利要求2所述的方法，其特征在于，根据所述发热物体的高度变化和灰度分布，确定所述第二目标区域，包括：
创建明火模糊子集和非明火模糊子集；
采用模糊隶属度法计算所述发热物体属于所述非明火模糊子集的隶属程度；
根据所述发热物体属于所述非明火模糊子集的隶属程度，确定所述第二目标区域。
4.根据权利要求1所述的方法，其特征在于，在对所述红外热图像进行处理，得到第二目标区域之后，所述方法还包括：
检测所述第二目标区域的温度；
判断所述第二目标区域的温度是否超过对应的预设温度阈值；
在所述第二目标区域的温度超过对应的预设温度阈值的情况下，输出温度预警信息。
5.根据权利要求1所述的方法，其特征在于，检测所述第二目标区域的温度变化情况，并根据所述温度变化情况，确定是否输出预警信息，包括：
检测所述第二目标区域的温升速率；
判断所述温升速率所在的预设范围，其中，所述预设范围包括：第一预设范围、第二预设范围和第三预设范围，其中，所述第一预设范围用于表征所述第二目标区域不可能出现明火，所述第二预设范围用于表征所述第二目标区域可能出现明火，所述第三预设范围用于表征所述第二目标区域已经出现明火；
如果所述温升速率在所述第一预设范围，则不输出预警信息；
如果所述温升速率在所述第二预设范围，则输出第一预警信息，其中，所述第一预警信息用于提示所述第二目标区域需要关注；
如果所述温升速率在所述第三预设范围，则输出第二预警信息，其中，所述第二预警信息用于提示所述第二目标区域需要报警。
6.一种火灾预警装置，其特征在于，包括：
第一获取模块，用于获取待检测区域的可见光图像；
分析模块，用于基于预设算法模型对所述可见光图像进行分析，得到第一目标区域，其中，所述第一目标区域为在所述待检测区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；
第二获取模块，用于获取所述第一目标区域的红外热图像；
处理模块，用于对所述红外热图像进行处理，得到第二目标区域，其中，所述第二目标区域为在所述第一目标区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；
第一检测模块，用于检测所述第二目标区域的温度变化情况，并根据所述温度变化情况，确定是否输出预警信息，其中，所述预警信息用于提示所述第二目标区域容易发生火灾；
其中，所述分析模块还用于基于RGB颜色模型和YCbCr颜色模型，对可见光图像进行分析，得到第一目标区域；
其中，所述分析模块包括：获取单元，用于基于RGB颜色模型，获取可见光图像内符合第一预设条件的像素点，作为明火像素点；第一确定单元，用于根据明火像素点确定第三目标区域，其中，第三目标区域为在可见光图像中确定的已经出现明火和/或即将出现明火的一个或多个区域；分析单元，用于基于YCbCr模型，进一步对可见光图像中除第三目标区域外的区域进行分析，得到第四目标区域，其中，第四目标区域为在可见光图像中除第三目标区域外的区域内确定的已经出现明火和/或即将出现明火的一个或多个区域；第二确定单元，用于根据第三目标区域和第四目标区域，确定第一目标区域。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至5中任意一项所述的火灾预警方法。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的火灾预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810097862.9A CN108416968B (zh) | 2018-01-31 | 2018-01-31 | 火灾预警方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810097862.9A CN108416968B (zh) | 2018-01-31 | 2018-01-31 | 火灾预警方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108416968A CN108416968A (zh) | 2018-08-17 |
| CN108416968B true CN108416968B (zh) | 2020-09-01 |
Family
ID=63126671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810097862.9A Active CN108416968B (zh) | 2018-01-31 | 2018-01-31 | 火灾预警方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108416968B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109164057A (zh) * | 2018-10-12 | 2019-01-08 | 北京环境特性研究所 | 化学气体红外多谱段成像遥感监测系统、设备及方法 |
| CN109841028B (zh) * | 2018-11-29 | 2021-04-02 | 广州紫川物联网科技有限公司 | 一种基于红外热像仪的热源探测方法、系统及存储介质 |
| CN109637072A (zh) * | 2019-02-18 | 2019-04-16 | 芜湖真玛信息科技有限公司 | 一种家用厨房火灾警报器 |
| CN110516522B (zh) * | 2019-05-30 | 2020-11-27 | 中通服创立信息科技有限责任公司 | 一种巡检方法及系统 |
| EP4000052A1 (en) | 2019-07-18 | 2022-05-25 | Carrier Corporation | Flame detection device and method |
| CN112286048A (zh) * | 2019-07-25 | 2021-01-29 | 上海长智系统集成有限公司 | 自适应消防风险预警方法、装置、设备、系统和介质 |
| CN110681097B (zh) * | 2019-09-30 | 2021-04-16 | 张瑞祺 | 全智能灭火系统 |
| CN110652685A (zh) * | 2019-10-17 | 2020-01-07 | 广东德臻消防机电工程有限公司 | 一种室内消防灭火方法及系统 |
| CN111027541A (zh) * | 2019-11-15 | 2020-04-17 | 国网安徽省电力有限公司检修分公司 | 基于可见光和热成像的火焰检测方法、系统及存储介质 |
| CN111127810A (zh) * | 2019-12-24 | 2020-05-08 | 新疆信息产业有限责任公司 | 机房明火自动告警方法及系统 |
| CN111597903B (zh) * | 2020-04-17 | 2023-04-28 | 江门明浩电力工程监理有限公司 | 一种配网智能监控箱及其监控方法 |
| CN111599129A (zh) * | 2020-06-17 | 2020-08-28 | 东北林业大学 | 一种基于三目摄像头的森林火灾识别与测距方法 |
| CN112257514B (zh) * | 2020-09-27 | 2023-04-18 | 复旦大学 | 一种用于设备故障巡检的红外视觉智检的拍摄方法 |
| CN112435427B (zh) * | 2020-11-12 | 2022-05-13 | 光谷技术有限公司 | 一种森林火灾监测系统和方法 |
| CN112949515B (zh) * | 2021-03-09 | 2022-07-08 | 国网四川省电力公司电力科学研究院 | 一种基于监控信息的线路山火预警方法及系统 |
| CN113033391B (zh) * | 2021-03-24 | 2022-03-08 | 浙江中辰城市应急服务管理有限公司 | 一种火灾风险预警研判方法及系统 |
| CN113674502A (zh) * | 2021-08-09 | 2021-11-19 | 上海腾盛智能安全科技股份有限公司 | 一种基于红外图像识别的探测系统 |
| CN113847097A (zh) * | 2021-10-14 | 2021-12-28 | 北京天创万安科技装备有限公司 | 用于井下开采的火灾预警方法、系统及计算机存储介质 |
| CN114002751B (zh) * | 2021-10-26 | 2023-11-03 | 国网北京市电力公司 | 异常位置的识别方法、系统以及装置 |
| CN116071883A (zh) * | 2022-12-13 | 2023-05-05 | 华能山西综合能源有限责任公司 | 一种用于光伏电站的火灾报警系统与方法 |
| CN118538016B (zh) * | 2024-07-26 | 2024-09-27 | 浙江万胜智能科技股份有限公司 | 基于图像监视的电网安全预警方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163358B (zh) * | 2011-04-11 | 2012-07-04 | 杭州电子科技大学 | 一种基于视频图像分析的烟雾/火焰检测方法 |
| CN103886344B (zh) * | 2014-04-14 | 2017-07-07 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
| CN105894434A (zh) * | 2014-11-21 | 2016-08-24 | 章文贤 | 一种数字图像水印技术的生成及应用的方法 |
| CN104376677B (zh) * | 2014-12-09 | 2017-05-31 | 江苏中实电子有限公司 | 一种高灵敏复合线型感温火灾探测器及其报警方法 |
| CN205680238U (zh) * | 2016-01-28 | 2016-11-09 | 山东神戎电子股份有限公司 | 一种阈值可变的森林防火热成像监控系统 |
| JP6643922B2 (ja) * | 2016-03-14 | 2020-02-12 | 大阪瓦斯株式会社 | 火災警報装置 |
| CN106652298A (zh) * | 2016-11-16 | 2017-05-10 | 扬州翠佛堂珠宝有限公司 | 一种化工厂用消防监测报警系统 |
-
2018
- 2018-01-31 CN CN201810097862.9A patent/CN108416968B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108416968A (zh) | 2018-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416968B (zh) | 火灾预警方法和装置 | |
| CN112560657B (zh) | 烟火识别方法、装置、计算机设备和存储介质 | |
| CN110516609B (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
| Zhao et al. | SVM based forest fire detection using static and dynamic features | |
| CN112069975B (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
| Mahmoud et al. | Forest fire detection and identification using image processing and SVM | |
| Celik | Fast and efficient method for fire detection using image processing | |
| CN107609470B (zh) | 野外火灾早期烟雾视频检测的方法 | |
| CN111739250B (zh) | 结合图像处理技术与红外传感器的火灾探测方法及系统 | |
| US20160260306A1 (en) | Method and device for automated early detection of forest fires by means of optical detection of smoke clouds | |
| CN107085714A (zh) | 一种基于视频的森林火灾检测方法 | |
| CN105976365A (zh) | 一种夜间火灾视频检测方法 | |
| Wong et al. | Experimental study of video fire detection and its applications | |
| KR101224494B1 (ko) | 촬영 대상의 명도 및 채도 변화에 강건한 영상 기반 연기 검출 방법 | |
| Chanthiya et al. | Forest fire detection on LANDSAT images using support vector machine | |
| Sridhar et al. | An efficient rule based algorithm for fire detection on real time videos | |
| Lai et al. | Robust little flame detection on real-time video surveillance system | |
| Munshi | Fire detection methods based on various color spaces and gaussian mixture models | |
| CN101984451A (zh) | 基于视频的遮挡火焰检测方法及装置 | |
| Chou et al. | Block-based feature extraction model for early fire detection | |
| Asatryan et al. | Method for fire and smoke detection in monitored forest areas | |
| CN115841609A (zh) | 基于红外热图像分析的石化区火源检测方法、系统及应用 | |
| CN117455828A (zh) | 一种基于mlp神经网络的燃烧质量检测方法 | |
| Khan et al. | Real-time fire detection using enhanced color segmentation and novel foreground extraction | |
| CN117475366A (zh) | 一种基于深度学习的危废库火灾风险监控系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |