CN110147762A - 一种嵌入式消防误报消除系统 - Google Patents
一种嵌入式消防误报消除系统 Download PDFInfo
- Publication number
- CN110147762A CN110147762A CN201910420455.1A CN201910420455A CN110147762A CN 110147762 A CN110147762 A CN 110147762A CN 201910420455 A CN201910420455 A CN 201910420455A CN 110147762 A CN110147762 A CN 110147762A
- Authority
- CN
- China
- Prior art keywords
- fire
- module
- embedding assembly
- environment
- video
- 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.)
- Pending
Links
- 230000008030 elimination Effects 0.000 title claims abstract description 18
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 17
- 239000000779 smoke Substances 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 2
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- 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
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例公开了一种嵌入式消防误报消除系统，所述嵌入式消防误报消除系统包括：环境监测模块、视频处理模块、嵌入式计算模块和后台服务器，环境监测模块采集环境数据，对环境进行实时监测，嵌入式计算模块录入大量火灾发生时所述环境的数据值进行多轮学习训练，构建火灾判断模型，嵌入式计算模块与环境监测模块相连接，环境监测模块实时采集的环境数据传送至嵌入式计算模块进行火灾识别，视频处理模块采集所处环境现场视频图像，嵌入式计算模块与视频处理模块均与后台服务器连接，后台服务器结合嵌入式计算模块输出的火灾识别结果和视频处理模块采集的现场视频判断火灾发生真实性。本发明解决了现有消防系统误报率高、灵敏度低的问题。
Description
技术领域
本发明实施例涉及消防技术领域，具体涉及一种嵌入式消防误报消除系统。
背景技术
火灾在现代生活当中造成的经济损失非常严重,并且极大地危害人类的人身安全。高层建筑火灾,森林火灾,隧道火灾,公共交通工具火灾等安全事故,尤为突出。传统的火灾探测器(感烟型、感温型等)在探测上述火灾时，反应时间过长，误报率高,这都不利于火灾的及时发现。
在火灾的燃烧过程中产生的气体、气溶胶、烟雾、火焰和大量热量,统称为火灾参量。通过对火灾参量的测定可用来识别和探测是否发生火灾。目前的火灾识别和探测技术由于光照条件、气流变化、场地环境和移动物体等因素的影响,存在一定的弊端,例如误报率高和可靠性低。无火灾环境下出现误报警的原因是复杂的，可能是硬件的损坏，也可能是环境条件的变化和虚假的干扰等。并且，由于火灾探测器(包括感温、感烟、感光等)一般通过简单的阈值判断和趋势算法对探测信号进行处理,随着传感器安装数量的增多，漏报概率将大大增加。在火灾过程中，可燃物的性质、火源功率、探测空间大小和探测环境都直接影响探测空间温度、烟雾浓度的大小和变化量。所以在火灾探测器采用简单阈值判断和趋势算法来识别火灾时，如阈值设置过低则导致误报率高，如阈值设置过高则导致灵敏度低，漏报的情况随之增加。
发明内容
为此，本发明实施例提供一种嵌入式消防误报消除系统，以解决现有消防系统误报率高、灵敏度低的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例公开了一种嵌入式消防误报消除系统，所述嵌入式消防误报消除系统包括：环境监测模块、视频处理模块、嵌入式计算模块和后台服务器，所述环境监测模块采集环境数据，对所处环境进行实时监测，所述嵌入式计算模块录入大量火灾发生时所述环境的数据值进行多轮学习训练，构建火灾判断模型，所述嵌入式计算模块与环境监测模块相连接，环境监测模块实时采集的环境数据传送至嵌入式计算模块进行火灾识别，所述视频处理模块采集所处环境现场视频图像，嵌入式计算模块与视频处理模块均与后台服务器连接，后台服务器结合嵌入式计算模块输出的火灾识别结果和视频处理模块采集的现场视频判断火灾发生真实性。
进一步地，所述环境监测模块包括：温度探测器、湿度探测器和烟雾感应器，所述温度探测器采集所处环境的温度，所述湿度探测器监测所处环境的湿度，所述烟雾感应器监测所处环境的烟雾浓度，温度探测器、湿度探测器和烟雾感应器采集的数据传输至嵌入式计算模块。
进一步地，所述嵌入式计算模块包括：中央处理器、大容量存储器和运算存储器；
所述中央处理器包含内嵌开机管理程序区块，用以存储开机程序；
所述大容量存储器，用以存储操作系统程序、应用软件程序及通用数据；
所述运算存储器在系统开机时，协助中央处理器控制从大容量存储器加载操作系统程序及应用软件程序，并在执行开机程序后直接执行操作系统程序及开机应用程序序，或在非系统开机时协助中央处理器控制从大容量存储器加载通用应用软件程序、指令及通用数据，以执行通用运算。
进一步地，所述嵌入式计算模块内录入大量火灾发生状态下，环境的温度、湿度和烟雾浓度信息，利用卷积神经网络训练进行迁移学习算法训练，输出火灾判断模型。
进一步地，所述嵌入式计算模块基于火灾判断模型，对环境监测模块采集的实时环境温度、湿度、烟雾浓度信息进行判断，是否符合火灾发生条件，符合火灾发生条件则发出火灾警报。
进一步地，所述嵌入式计算模块判断环境监测模块采集的数据符合火灾发生条件，则将环境监测模块采集的环境温度、湿度、烟雾浓度信息作为训练样本进行迁移学习算法训练。
进一步地，所述视频处理模块包括：视频采集单元、火灾检测单元、火灾分析单元和火灾判断单元，视频采集单元采集摄像头覆盖区域内的视频图像，火灾检测单元对视频图像进行背景建模和背景更新，并进行前景运动目标的检测，火灾分析单元对视频图像进行分析找出疑似火焰区域，并提取出疑似火焰的静态特征和动态特征，火灾判断模块把火灾分析模块提取出来的火焰静态特征和动态特征作为BP神经网络的输入，判断是否有火焰存在于视频中。
进一步地，所述后台服务器接收嵌入式计算模块和视频处理模块发送的信息，当嵌入式计算模块发送符合火灾发生条件的信息，同时视频处理模块判断有火焰存在于视频中，则判断火灾真实发生，否则，判断火灾警报为误报，进行消除。
本发明实施例具有如下优点：
本发明实施例公开了一种嵌入式消防误报消除系统，利用嵌入式计算模块进行机器训练学习，构建火灾判断模型，将环境监测模块采集的环境温度、湿度、烟雾浓度信息发送至嵌入式计算模块，判断是否符合火灾发生条件，并将判断结果传送至后台服务器，视频处理模块采集所处环境的视频图像，判断是否有火焰出现在视频中，判断结果发送至后台服务器，后台服务器将嵌入式计算模块发出的警报与视频处理模块的判断结果进行比对，确定火灾发生的真实性，降低消防系统误报率，提升灵敏度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例1提供的一种嵌入式消防误报消除系统工作流程图；
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
实施例
本实施例公开了一种嵌入式消防误报消除系统，包括：环境监测模块、视频处理模块、嵌入式计算模块和后台服务器，所述环境监测模块采集环境数据，对所处环境进行实时监测，所述嵌入式计算模块录入大量火灾发生时所述环境的数据值进行多轮学习训练，构建火灾判断模型，所述嵌入式计算模块与环境监测模块相连接，环境监测模块实时采集的环境数据传送至嵌入式计算模块进行火灾识别，所述视频处理模块采集所处环境现场视频图像，嵌入式计算模块与视频处理模块均与后台服务器连接，后台服务器结合嵌入式计算模块输出的火灾识别结果和视频处理模块采集的现场视频判断火灾发生真实性。
视频处理模块包括：视频采集单元、火灾检测单元、火灾分析单元和火灾判断单元，视频采集单元采集摄像头覆盖区域内的视频图像，火灾检测单元对视频图像进行背景建模和背景更新，并进行前景运动目标的检测，火灾分析单元对视频图像进行分析找出疑似火焰区域，并提取出疑似火焰的静态特征和动态特征，火灾判断模块把火灾分析模块提取出来的火焰静态特征和动态特征作为BP神经网络的输入，判断是否有火焰存在于视频中。
视频采集单元包括:视频输入子单元、视频预处理子单元和视频输出子单元:视频输入子单元通过摄像头捕获视频序列，把视频序列输入到视频预处理子单元进行预处理操作,然后把预处理后的视频序列通过视频输出子单元送给火灾检测单元；
火灾检测单元包括:背景建模和更新子单元，前最运动目标检测子单元:背景建模和更新子单元接收到来自视频采集单元送过来的视频,对每一帧图像进行背景建模，对连续视频帧进行背最更新，再经过前景运动目标检测单元检测出前景运动目标,然后把数据移交火灾分析单元；
火灾分析单元,包括:疑似火焰区域检测子单元,火焰特征提取子单元；疑似火焰区域检测子单元利用颜色模型规则提取疑似火焰区域，提取出疑似火焰区域以后再经火焰特征提取子单元提取火焰相应的静态特征和动态特征，把提取的静态特征和动态特征输入进所述火灾判断单元进行综合判断。
环境监测模块包括：温度探测器、湿度探测器和烟雾感应器，所述温度探测器采集所处环境的温度，所述湿度探测器监测所处环境的湿度，所述烟雾感应器监测所处环境的烟雾浓度，温度探测器、湿度探测器和烟雾感应器采集的数据传输至嵌入式计算模块。
嵌入式计算模块包括：中央处理器、大容量存储器和运算存储器；
所述中央处理器包含内嵌开机管理程序区块，用以存储开机程序；
所述大容量存储器，用以存储操作系统程序、应用软件程序及通用数据；
所述运算存储器在系统开机时，协助中央处理器控制从大容量存储器加载操作系统程序及应用软件程序，并在执行开机程序后直接执行操作系统程序及开机应用程序序，或在非系统开机时协助中央处理器控制从大容量存储器加载通用应用软件程序、指令及通用数据，以执行通用运算。
嵌入式计算模块内录入大量火灾发生状态下，环境的温度、湿度和烟雾浓度信息，利用卷积神经网络训练进行迁移学习算法训练，输出火灾判断模型，嵌入式计算模块基于火灾判断模型，对环境监测模块采集的实时环境温度、湿度、烟雾浓度信息进行判断，是否符合火灾发生条件，符合火灾发生条件则发出火灾警报。
嵌入式计算模块判断环境监测模块采集的数据符合火灾发生条件，则将环境监测模块采集的环境温度、湿度、烟雾浓度信息作为训练样本进行迁移学习算法训练。
后台服务器接收嵌入式计算模块和视频处理模块发送的信息，当嵌入式计算模块发送符合火灾发生条件的信息，同时视频处理模块判断有火焰存在于视频中，则判断火灾真实发生，否则，判断火灾警报为误报，进行消除，降低火灾误报率。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (8)
1.一种嵌入式消防误报消除系统，其特征在于，所述嵌入式消防误报消除系统包括：环境监测模块、视频处理模块、嵌入式计算模块和后台服务器，所述环境监测模块采集环境数据，对所处环境进行实时监测，所述嵌入式计算模块录入大量火灾发生时所述环境的数据值进行多轮学习训练，构建火灾判断模型，所述嵌入式计算模块与环境监测模块相连接，环境监测模块实时采集的环境数据传送至嵌入式计算模块进行火灾识别，所述视频处理模块采集所处环境现场视频图像，嵌入式计算模块与视频处理模块均与后台服务器连接，后台服务器结合嵌入式计算模块输出的火灾识别结果和视频处理模块采集的现场视频判断火灾发生真实性。
2.如权利要求1所述的一种嵌入式消防误报消除系统，其特征在于，所述环境监测模块包括：温度探测器、湿度探测器和烟雾感应器，所述温度探测器采集所处环境的温度，所述湿度探测器监测所处环境的湿度，所述烟雾感应器监测所处环境的烟雾浓度，温度探测器、湿度探测器和烟雾感应器采集的数据传输至嵌入式计算模块。
3.如权利要求1所述的一种嵌入式消防误报消除系统，其特征在于，所述嵌入式计算模块包括：中央处理器、大容量存储器和运算存储器；
所述中央处理器包含内嵌开机管理程序区块，用以存储开机程序；
所述大容量存储器，用以存储操作系统程序、应用软件程序及通用数据；
所述运算存储器在系统开机时，协助中央处理器控制从大容量存储器加载操作系统程序及应用软件程序，并在执行开机程序后直接执行操作系统程序及开机应用程序，或在非系统开机时协助中央处理器控制从大容量存储器加载通用应用软件程序、指令及通用数据，以执行通用运算。
4.如权利要求3所述的一种嵌入式消防误报消除系统，其特征在于，所述嵌入式计算模块内录入大量火灾发生状态下，环境的温度、湿度和烟雾浓度信息，利用卷积神经网络训练进行迁移学习算法训练，输出火灾判断模型。
5.如权利要求4所述的一种嵌入式消防误报消除系统，其特征在于，所述嵌入式计算模块基于火灾判断模型，对环境监测模块采集的实时环境温度、湿度、烟雾浓度信息进行判断，是否符合火灾发生条件，符合火灾发生条件则发出火灾警报。
6.如权利要求5所述的一种嵌入式消防误报消除系统，其特征在于，所述嵌入式计算模块判断环境监测模块采集的数据符合火灾发生条件，则将环境监测模块采集的环境温度、湿度、烟雾浓度信息作为训练样本进行迁移学习算法训练。
7.如权利要求1所述的一种嵌入式消防误报消除系统，其特征在于，所述视频处理模块包括：视频采集单元、火灾检测单元、火灾分析单元和火灾判断单元，视频采集单元采集摄像头覆盖区域内的视频图像，火灾检测单元对视频图像进行背景建模和背景更新，并进行前景运动目标的检测，火灾分析单元对视频图像进行分析找出疑似火焰区域，并提取出疑似火焰的静态特征和动态特征，火灾判断模块把火灾分析模块提取出来的火焰静态特征和动态特征作为BP神经网络的输入，判断是否有火焰存在于视频中。
8.如权利要求1所述的一种嵌入式消防误报消除系统，其特征在于，所述后台服务器接收嵌入式计算模块和视频处理模块发送的信息，当嵌入式计算模块发送符合火灾发生条件的信息，同时视频处理模块判断有火焰存在于视频中，则判断火灾真实发生，否则，判断火灾警报为误报，进行消除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910420455.1A CN110147762A (zh) | 2019-05-20 | 2019-05-20 | 一种嵌入式消防误报消除系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910420455.1A CN110147762A (zh) | 2019-05-20 | 2019-05-20 | 一种嵌入式消防误报消除系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110147762A true CN110147762A (zh) | 2019-08-20 |
Family
ID=67592262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910420455.1A Pending CN110147762A (zh) | 2019-05-20 | 2019-05-20 | 一种嵌入式消防误报消除系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110147762A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633675A (zh) * | 2019-09-18 | 2019-12-31 | 东北大学 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
| CN111127854A (zh) * | 2019-12-05 | 2020-05-08 | 浙江工业大学 | 一种基于双环境感知与智能化处理的消防系统 |
| CN111800582A (zh) * | 2020-07-31 | 2020-10-20 | 上海眼控科技股份有限公司 | 锋面雾检测方法、装置、计算机设备和可读存储介质 |
| CN111830924A (zh) * | 2020-08-04 | 2020-10-27 | 郑州信大先进技术研究院 | 建筑工程内部设施的统一管理与联动控制系统及方法 |
| CN112185051A (zh) * | 2020-09-27 | 2021-01-05 | 广州华安消防有限公司 | 一种智能化建筑楼宇及其消防电力机电的安装方法 |
| CN117253333A (zh) * | 2023-11-20 | 2023-12-19 | 深圳市美安科技有限公司 | 一种火灾摄像检测装置、火灾检测报警方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102881129A (zh) * | 2012-09-17 | 2013-01-16 | 安科智慧城市技术（中国）有限公司 | 一种接警主机、系统及方法 |
| CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
| CN107784771A (zh) * | 2017-12-12 | 2018-03-09 | 大连理创科技有限公司 | 一种基于神经网络模型的森林火灾监控方法 |
| CN108039011A (zh) * | 2018-01-08 | 2018-05-15 | 南京森林警察学院 | 一种用于预防森林火灾的烟雾检测装置 |
| CN109034038A (zh) * | 2018-07-19 | 2018-12-18 | 东华大学 | 一种基于多特征融合的火灾识别装置 |
| CN109598700A (zh) * | 2018-10-16 | 2019-04-09 | 天津大学 | 采用卷积神经网络的早期火灾检测方法 |
-
2019
- 2019-05-20 CN CN201910420455.1A patent/CN110147762A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102881129A (zh) * | 2012-09-17 | 2013-01-16 | 安科智慧城市技术（中国）有限公司 | 一种接警主机、系统及方法 |
| CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
| CN107784771A (zh) * | 2017-12-12 | 2018-03-09 | 大连理创科技有限公司 | 一种基于神经网络模型的森林火灾监控方法 |
| CN108039011A (zh) * | 2018-01-08 | 2018-05-15 | 南京森林警察学院 | 一种用于预防森林火灾的烟雾检测装置 |
| CN109034038A (zh) * | 2018-07-19 | 2018-12-18 | 东华大学 | 一种基于多特征融合的火灾识别装置 |
| CN109598700A (zh) * | 2018-10-16 | 2019-04-09 | 天津大学 | 采用卷积神经网络的早期火灾检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| HONG JIN1 等: "A FIRE AND FLAME DETECTING METHOD BASED ON VIDEO", 《PROCEEDINGS OF THE EIGHTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
| 何舟等: "基于视频监控的烟雾监测算法", 《电脑知识与技术》 * |
| 张景林: "《随机信号分析基础》", 31 January 2014 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633675A (zh) * | 2019-09-18 | 2019-12-31 | 东北大学 | 一种基于卷积神经网络的视频中火灾识别系统及方法 |
| CN111127854A (zh) * | 2019-12-05 | 2020-05-08 | 浙江工业大学 | 一种基于双环境感知与智能化处理的消防系统 |
| CN111800582A (zh) * | 2020-07-31 | 2020-10-20 | 上海眼控科技股份有限公司 | 锋面雾检测方法、装置、计算机设备和可读存储介质 |
| CN111800582B (zh) * | 2020-07-31 | 2021-12-07 | 上海眼控科技股份有限公司 | 锋面雾检测方法、装置、计算机设备和可读存储介质 |
| CN111830924A (zh) * | 2020-08-04 | 2020-10-27 | 郑州信大先进技术研究院 | 建筑工程内部设施的统一管理与联动控制系统及方法 |
| CN111830924B (zh) * | 2020-08-04 | 2021-06-11 | 郑州信大先进技术研究院 | 建筑工程内部设施的统一管理与联动控制系统及方法 |
| CN112185051A (zh) * | 2020-09-27 | 2021-01-05 | 广州华安消防有限公司 | 一种智能化建筑楼宇及其消防电力机电的安装方法 |
| CN117253333A (zh) * | 2023-11-20 | 2023-12-19 | 深圳市美安科技有限公司 | 一种火灾摄像检测装置、火灾检测报警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147762A (zh) | 一种嵌入式消防误报消除系统 | |
| JP6867153B2 (ja) | 異常監視システム | |
| CN109872491B (zh) | 火灾监控方法、装置、电子设备及系统 | |
| KR100976443B1 (ko) | 홈네트워크 오류 예측 시스템 및 그 방법 | |
| CN101251942B (zh) | 地下空间火灾智能检测预警预报方法及装置 | |
| CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
| CN106251568A (zh) | 一种基于紫外与图像检测技术的火灾报警安防系统及方法 | |
| CN111126153B (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
| JP2019079446A (ja) | 火災監視システム | |
| CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
| CN108053627A (zh) | 一种火灾报警方法、装置及设备 | |
| CN103905440A (zh) | 一种基于日志和snmp信息融合的网络安全态势感知分析方法 | |
| CN109815904A (zh) | 一种基于卷积神经网络的火灾识别方法 | |
| CN113920673B (zh) | 一种室内火情智能监测方法及系统 | |
| CN109544870A (zh) | 用于智能监控系统的报警判断方法与智能监控系统 | |
| CN110930632B (zh) | 一种基于人工智能的预警系统 | |
| CN114255562A (zh) | 基于物联网的智慧消防预警系统 | |
| CN114005236A (zh) | 基于物联网的森林火灾检测方法、系统和可读存储介质 | |
| CN113554364A (zh) | 灾害应急管理方法、装置、设备及计算机存储介质 | |
| CN109948937B (zh) | 人工智能自学习的安全隐患检测方法、系统、设备及介质 | |
| CN112102583A (zh) | 一种基于大数据智慧楼宇系统 | |
| CN111353465A (zh) | 基于深度学习技术的变电站人员行为分析方法及系统 | |
| CN206058456U (zh) | 一种用于火灾识别可实时监控的图像处理系统 | |
| Bodei et al. | Modelling and analysing IoT systems | |
| CN109841140A (zh) | 示教器及其操作方法、计算装置和计算机可读介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |
|
| RJ01 | Rejection of invention patent application after publication |