CN110598655A - 人工智能云计算多光谱烟雾高温火花火灾监控方法 - Google Patents
人工智能云计算多光谱烟雾高温火花火灾监控方法 Download PDFInfo
- Publication number
- CN110598655A CN110598655A CN201910881050.8A CN201910881050A CN110598655A CN 110598655 A CN110598655 A CN 110598655A CN 201910881050 A CN201910881050 A CN 201910881050A CN 110598655 A CN110598655 A CN 110598655A
- Authority
- CN
- China
- Prior art keywords
- images
- smoke
- fire
- model
- spark
- 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.)
- Granted
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 12
- 206010000369 Accident Diseases 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
本发明公开了人工智能云计算多光谱烟雾高温火花火灾监控方法，包括配置有微处理单元，使用三种类型的工业高速数码相机，其包括红外线、普通光线和紫外线高速数码相机，该工业高速数码相机用来捕获可能发生烟雾高温火花火灾位置的图像，该工业高速数码相机选装在固定平台、轨道移动平台或飞行平台上，当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业高速数码相机微处理单元与卫星定位系统建立连接，以便于工业高速数码相机捕获图像时识别到烟雾高温火花火灾位置，微处理单元将捕获可能发生烟雾高温火花火灾的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。
Description
技术领域
本发明涉及电子信息技术领域，具体涉及一种人工智能云计算多光谱烟雾高温火花火灾监控方法。
背景技术
在当今的社会中，室内和室外环境,都有各种导致火灾事故发生的自然原因或人为原因,有各种自然环境的雷电可能引起火灾,由人为原因,各种室内和室外机器设备系统运行,所有这些系统都会发生故障并着火,在任何火灾开始之前，常见的是出问题区域或设备的部件将会先过热,发射红外线辐射(2.9μm，4.3μm，4至5μm......波长),这一个迹象，表明非常可能会发生火灾。在其他情况下,在火灾开始之前，出问题区域或设备的部件将会发出高速高温的火花,火花是高速喷射的高温小火焰或燃烧中的颗粒,在这些火花出现后，很快就可能会发生火灾事故。有些火灾,可以是非常高温的,包括金属火灾，氨气，氢气，碳氢化合物火灾,和其他化学火灾。当高温火灾开始时，它会发出紫外线辐射(波长小于300纳米),然后会发生高温火灾。此外，当火灾开始时，它通常会迅速在周围产生大量的烟雾,检测烟雾也是检测火灾的好方法。还有在大空间或室外环境中，使用传统的温度传感器或烟雾传感器,来监测火灾事故是非常困难的,因为需要安装大量的温度传感器或烟雾传感器,然后可能识别出意外事故的位置。
因此在实际情况下，在大空间或室外环境中,温度传感器或烟雾传感器多安装达不到足够的数量，结果就是检测过程无效并且无法可靠地识别出实际意外事故的位置。通常，如果警报响起，人工巡逻队将被派出以识别意外事故发生的位置。但这类型的人员搜索团队将导致处理此类意外事故的时间额外延迟。
此外，由于有限的时间,有限的运营商资源,和实时通信的额外成本高，火灾检测结果的意外事故,通常不能立即与所有管理团队的成员，监管政府官员或救援队共享的。有时候，只使用本地报警系统，监管政府官员和远离事发地点的救援队可能无法及时被通知火灾事故，这种类型的通信延迟又将导致处理此类的时间再额外延迟。如果烟雾高温火花火灾检测结果可以实时地传送给所有的管理团队成员和政府官员，那么整个社会对预防这类烟雾高温火灾的信心,和满意度也将大大提高。
发明内容
本发明的目的在于，提供人工智能云计算多光谱烟雾高温火花火灾监控方法,在大空间或室外环境中,避免了安装了大量的传感器硬件和软件，以检测出烟雾高温火花火灾意外事故的位置，免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。降低了将检测结果传达给所有管理团队成员，监管政府官员和来自远方的救援队的成本，同时更缩短了分享结果的时间。而且这些检测结果可以运用任何移动设备查看。
为实现上述目的，本发明采用的技术方案是：
人工智能云计算多光谱烟雾高温火花火灾监控方法，包括配置有微处理单元，使用三种类型的工业高速数码相机，其包括红外线、普通光线和紫外线高速数码相机，该工业高速数码相机用来捕获可能发生烟雾高温火花火灾位置的图像，必须是高速相机，因为火灾的开始阶段这些火花和紫外线出现于闪光快的速度。该工业高速数码相机选装在固定平台、轨道移动平台或飞行平台上，当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业高速数码相机微处理单元与卫星定位系统建立连接，以便于工业高速数码相机捕获图像时识别到烟雾高温火花火灾位置，微处理单元将捕获可能发生烟雾高温火花火灾的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。
捕获的图像会从工业高速数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里；或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生烟雾高温火花火灾时的位置图像，以及有发生烟雾高温火花火灾时的位置图像，检测系统将使用三种不同光谱的图像，经过训练建立四种类型的模型，包括1)红外线，建红外模型,检测在可能火灾区域或设备部件的工作温度的异常变化，2)普通光线,建可见光常规模型,检测烟雾和火灾的出现,3)普通光线,建可见光火花模型,检测火花的出现,4)紫外线,建紫外模型,检测高温火灾的出现；
对于三种类型的图像中的每一种,在训练中,来自训练图像数据集,抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，因为用多种光谱,另外必须检测细小物理尺寸火花,以及大物理尺寸的烟雾和火焰图像,火花模型使用较小的过滤器尺寸和较小的降采窗口，所以火花模型更可能检测到被监控区域任何可能出现的更小的火花，当完成这足够图像的训练四种类型的模型后，智能机器学习能根据输入的新的图像，预测新的可能发生的烟雾高温火花火灾，包括1)新的红外线图像，输入红外模型,检测在可能火灾区域或设备部件的工作温度的异常变化,2)新的普通光线图像，输入可见光常规模型,检测烟雾和火灾的出现,3)新的普通光线图像,另外输入可见光火花模型,检测火花的出现,4)新的紫外线图像,输入紫外模型,检测高温火灾的出现；
训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测烟雾高温火花火灾的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了烟雾高温火花火灾，当发生烟雾高温火花火灾和事故时，系统会自动通过互联网向各方发出警报信息。
进行图像烟雾高温火花火灾识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：
多种模型都使用共由6层的卷积层/ReLU/降采样组成；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1024*1024像素,输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；
对于红外模型，可见光常规模型，和紫外模型,第一层过滤器的尺寸长*宽为32*32，深度为8，步数为2，越界时，以0填充,第二层过滤器的尺寸为长*宽为24*24，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为16*16，深度为16,步数为1，以0填充,第四层的过滤器的尺寸长*宽为12*12，深度为32,步数为1，以0填充,第五层过滤器的尺寸长*宽为8*8，深度为32，步数为1，以0填充,第六层过滤器的尺寸长*宽4*4，深度为64，步数为1,以0填充；
对于可见光火花模型,第一层过滤器的尺寸长*宽为8*8，深度为8，步数为2，越界时，以0填充,第二层过滤器的尺寸为长*宽为8*8，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为6*6，深度为16,步数为1，以0填充,第四层的过滤器的尺寸长*宽为6*6，深度为32,步数为1，以0填充,第五层过滤器的尺寸长*宽为4*4，深度为32，步数为1，以0填充,第六层过滤器的尺寸长*宽3*3，深度为64，步数为1,以0填充；
(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；
(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；
对于红外模型，可见光常规模型，和紫外模型,前四层降采样,最大降采设定降采窗口为(Pooling Size)4*4，滑动步长为4，后两层精度最大降采设定降采窗口的大小2*2，滑动步长2；
对于可见光火花模型,前四层降采样,最大降采设定降采窗口为(Pooling Size)3*3，滑动步长为3，后两层精度最大降采设定降采窗口的大小2*2，滑动步长2；
(4)不断重复：我们的计算方法共由6层建立,如有需要，可增加减少调整，卷积,ReLU激活和降采样的过程，直到得到的特征图显示出令人满意的关键参数；
(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层,使用SoftMax回归,使神经网络向前传播得到的结果变成一个概率分布，Softmax称为归一化指数函数,表达式为：
f:
z1表示节点属于第1类，zk表示节点属于第k类；
(6)结果：激活函数应用在完全连接层以后,将结果分类为没有烟雾高温火花火灾，和有不同类型的烟雾高温火花火灾，我们使用多种模型，我们的目标结果可以被红外模型，可见光常规模型，可见光火花模型,和紫外模型识别。
人工智能计算器把已确定是否发生了烟雾高温火花火灾的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。所述终端设备可为移动电话、平板电脑。
本发明有益效果：
本发明提供人工智能云计算多光谱烟雾高温火花火灾监控方法，解决了目前传统的做法使用大量操作员进行人工检查,或安装大量的传感器硬件和软件，以检测出烟雾高温火花火灾，尤其是当要求是在室外环境中覆盖长距离和大面积可能发生的地点,检测这些烟雾高温火花火灾需要大量的传感器和人手去安装以使检测有效，整个传感器检测系统成本非常贵。一旦警报发出，也不再需要人工巡逻队去确定的位置。系统免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。
为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对其进行详细说明。
附图说明
图1所示为本发明系统结构示意图；
图2所示为本发明卷积神经网络运作流程图。
具体实施方式
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。
参阅附图1至图2，本实施例提供人工智能云计算多光谱烟雾高温火花火灾监控方法，包括配置有微处理单元，使用三种类型的工业高速数码相机，其包括红外线、普通光线和紫外线高速数码相机，该工业高速数码相机用来捕获可能发生烟雾高温火花火灾位置的图像，必须是高速相机，因为火灾的开始阶段这些火花和紫外线出现于闪光快的速度。该工业高速数码相机选装在固定平台、轨道移动平台或飞行平台上，当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业高速数码相机微处理单元与卫星定位系统建立连接，以便于工业高速数码相机捕获图像时识别到烟雾高温火花火灾位置，微处理单元将捕获可能发生烟雾高温火花火灾的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。
捕获的图像会从工业高速数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里；或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生烟雾高温火花火灾时的位置图像，以及有发生烟雾高温火花火灾时的位置图像，检测系统将使用三种不同光谱的图像，经过训练建立四种类型的模型，包括1)红外线，建红外模型,检测在可能火灾区域或设备部件的工作温度的异常变化，2)普通光线,建可见光常规模型,检测烟雾和火灾的出现,3)普通光线,建可见光火花模型,检测火花的出现,4)紫外线,建紫外模型,检测高温火灾的出现；
对于三种类型的图像中的每一种,在训练中,来自训练图像数据集,抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，因为用多种光谱,另外必须检测细小物理尺寸火花,以及大物理尺寸的烟雾和火焰图像,火花模型使用较小的过滤器尺寸和较小的降采窗口，所以火花模型更可能检测到被监控区域任何可能出现的更小的火花，当完成这足够图像的训练四种类型的模型后，智能机器学习能根据输入的新的图像，预测新的可能发生的烟雾高温火花火灾，包括1)新的红外线图像，输入红外模型,检测在可能火灾区域或设备部件的工作温度的异常变化,2)新的普通光线图像，输入可见光常规模型,检测烟雾和火灾的出现,3)新的普通光线图像,另外输入可见光火花模型,检测火花的出现,4)新的紫外线图像,输入紫外模型,检测高温火灾的出现；
训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测烟雾高温火花火灾的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了烟雾高温火花火灾，当发生烟雾高温火花火灾和事故时，系统会自动通过互联网向各方发出警报信息。
进行图像烟雾高温火花火灾识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：
多种模型都使用共由6层的卷积层/ReLU/降采样组成；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1024*1024像素,输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；
对于红外模型，可见光常规模型，和紫外模型,第一层过滤器的尺寸长*宽为32*32，深度为8，步数为2，越界时，以0填充,第二层过滤器的尺寸为长*宽为24*24，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为16*16，深度为16,步数为1，以0填充,第四层的过滤器的尺寸长*宽为12*12，深度为32,步数为1，以0填充,第五层过滤器的尺寸长*宽为8*8，深度为32，步数为1，以0填充,第六层过滤器的尺寸长*宽4*4，深度为64，步数为1,以0填充；
对于可见光火花模型,第一层过滤器的尺寸长*宽为8*8，深度为8，步数为2，越界时，以0填充,第二层过滤器的尺寸为长*宽为8*8，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为6*6，深度为16,步数为1，以0填充,第四层的过滤器的尺寸长*宽为6*6，深度为32,步数为1，以0填充,第五层过滤器的尺寸长*宽为4*4，深度为32，步数为1，以0填充,第六层过滤器的尺寸长*宽3*3，深度为64，步数为1,以0填充；
(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；
(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；
对于红外模型，可见光常规模型，和紫外模型,前四层降采样,最大降采设定降采窗口为(Pooling Size)4*4，滑动步长为4，后两层精度最大降采设定降采窗口的大小2*2，滑动步长2；
对于可见光火花模型,前四层降采样,最大降采设定降采窗口为(Pooling Size)3*3，滑动步长为3，后两层精度最大降采设定降采窗口的大小2*2，滑动步长2；
(4)不断重复：我们的计算方法共由6层建立,如有需要，可增加减少调整，卷积,ReLU激活和降采样的过程，直到得到的特征图显示出令人满意的关键参数；
(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层,使用SoftMax回归,使神经网络向前传播得到的结果变成一个概率分布，Softmax称为归一化指数函数,表达式为：
f:
z1表示节点属于第1类，zk表示节点属于第k类；
(6)结果：激活函数应用在完全连接层以后,将结果分类为没有烟雾高温火花火灾，和有不同类型的烟雾高温火花火灾，我们使用多种模型，我们的目标结果可以被红外模型，可见光常规模型，可见光火花模型,和紫外模型识别。
人工智能计算器把已确定是否发生了烟雾高温火花火灾的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。终端设备可为移动电话、平板电脑。
本发明提供人工智能云计算多光谱烟雾高温火花火灾监控方法，解决了目前传统的做法使用大量操作员进行人工检查,或安装大量的传感器硬件和软件，以检测出烟雾高温火花火灾，尤其是当要求是在室外环境中覆盖长距离和大面积可能发生的地点,检测这些烟雾高温火花火灾需要大量的传感器和人手去安装以使检测有效，整个传感器检测系统成本非常贵。一旦警报发出，也不再需要人工巡逻队去确定的位置。系统免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。故凡是未脱离本发明技术方案的内容，依据本发明之形状、构造及原理所作的等效变化，均应涵盖于本发明的保护范围内。
Claims (6)
1.人工智能云计算多光谱烟雾高温火花火灾监控方法，其特征在于，包括配置有微处理单元，使用三种类型的工业高速数码相机，其包括红外线、普通光线和紫外线高速数码相机，该工业高速数码相机用来捕获可能发生烟雾高温火花火灾位置的图像，该工业高速数码相机选装在固定平台、轨道移动平台或飞行平台上，当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业高速数码相机微处理单元与卫星定位系统建立连接，以便于工业高速数码相机捕获图像时识别到烟雾高温火花火灾位置，微处理单元将捕获可能发生烟雾高温火花火灾的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。
2.根据权利要求1所述的人工智能云计算多光谱烟雾高温火花火灾监控方法，其特征在于，捕获的图像会从工业高速数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里；或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。
3.根据权利要求2所述的人工智能云计算多光谱烟雾高温火花火灾监控方法，其特征在于，人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生烟雾高温火花火灾时的位置图像，以及有发生烟雾高温火花火灾时的位置图像，检测系统将使用三种不同光谱的图像，经过训练建立四种类型的模型，包括1)红外线，建红外模型,检测在可能火灾区域或设备部件的工作温度的异常变化，2)普通光线,建可见光常规模型,检测烟雾和火灾的出现,3)普通光线,建可见光火花模型,检测火花的出现,4)紫外线,建紫外模型,检测高温火灾的出现；
对于三种类型的图像中的每一种,在训练中,来自训练图像数据集,抽取75％作为训练样本，剩下的25％作为测试样本用来评估结果精度，因为用多种光谱,另外必须检测细小物理尺寸火花,以及大物理尺寸的烟雾和火焰图像,火花模型使用较小的过滤器尺寸和较小的降采窗口，所以火花模型更可能检测到被监控区域任何可能出现的更小的火花，当完成这足够图像的训练四种类型的模型后，智能机器学习能根据输入的新的图像，预测新的可能发生的烟雾高温火花火灾，包括1)新的红外线图像，输入红外模型,检测在可能火灾区域或设备部件的工作温度的异常变化,2)新的普通光线图像，输入可见光常规模型,检测烟雾和火灾的出现,3)新的普通光线图像,另外输入可见光火花模型,检测火花的出现,4)新的紫外线图像,输入紫外模型,检测高温火灾的出现；
训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测烟雾高温火花火灾的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了烟雾高温火花火灾，当发生烟雾高温火花火灾和事故时，系统会自动通过互联网向各方发出警报信息。
4.根据权利要求3所述的人工智能云计算多光谱烟雾高温火花火灾监控方法，其特征在于，进行图像烟雾高温火花火灾识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：
多种模型都使用共由6层的卷积层/ReLU/降采样组成；
(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，裁剪后每幅图像大小为1024*1024像素,输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；
对于红外模型，可见光常规模型，和紫外模型,第一层过滤器的尺寸长*宽为32*32，深度为8，步数为2，越界时，以0填充,第二层过滤器的尺寸为长*宽为24*24，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为16*16，深度为16,步数为1，以0填充,第四层的过滤器的尺寸长*宽为12*12，深度为32,步数为1，以0填充,第五层过滤器的尺寸长*宽为8*8，深度为32，步数为1，以0填充,第六层过滤器的尺寸长*宽4*4，深度为64，步数为1,以0填充；
对于可见光火花模型,第一层过滤器的尺寸长*宽为8*8，深度为8，步数为2，越界时，以0填充,第二层过滤器的尺寸为长*宽为8*8，深度为16，步数为2，以0填充,第三层的过滤器的尺寸长*宽为6*6，深度为16,步数为1，以0填充,第四层的过滤器的尺寸长*宽为6*6，深度为32,步数为1，以0填充,第五层过滤器的尺寸长*宽为4*4，深度为32，步数为1，以0填充,第六层过滤器的尺寸长*宽3*3，深度为64，步数为1,以0填充；
(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；
(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；
对于红外模型，可见光常规模型，和紫外模型,前四层降采样,最大降采设定降采窗口为(Pooling Size)4*4，滑动步长为4，后两层精度最大降采设定降采窗口的大小2*2，滑动步长2；
对于可见光火花模型,前四层降采样,最大降采设定降采窗口为(Pooling Size)3*3，滑动步长为3，后两层精度最大降采设定降采窗口的大小2*2，滑动步长2；
(4)不断重复：计算方法共由6层建立,如有需要，可增加减少调整，卷积,ReLU激活和降采样的过程，直到得到的特征图显示出令人满意的关键参数；
(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层,使用SoftMax回归,使神经网络向前传播得到的结果变成一个概率分布，Softmax称为归一化指数函数,表达式为：
f:
z1表示节点属于第1类，zk表示节点属于第k类；
(6)结果：激活函数应用在完全连接层以后,将结果分类为没有烟雾高温火花火灾，和有不同类型的烟雾高温火花火灾，使用多种模型，目标结果可以被红外模型，可见光常规模型，可见光火花模型,和紫外模型识别。
5.根据权利要求4所述的人工智能云计算多光谱烟雾高温火花火灾监控方法，其特征在于，人工智能计算器把已确定是否发生了烟雾高温火花火灾的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。
6.根据权利要求5所述的人工智能云计算多光谱烟雾高温火花火灾监控方法，其特征在于，所述终端设备可为移动电话、平板电脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910881050.8A CN110598655B (zh) | 2019-09-18 | 2019-09-18 | 人工智能云计算多光谱烟雾高温火花火灾监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910881050.8A CN110598655B (zh) | 2019-09-18 | 2019-09-18 | 人工智能云计算多光谱烟雾高温火花火灾监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110598655A true CN110598655A (zh) | 2019-12-20 |
| CN110598655B CN110598655B (zh) | 2023-12-19 |
Family
ID=68860525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910881050.8A Active CN110598655B (zh) | 2019-09-18 | 2019-09-18 | 人工智能云计算多光谱烟雾高温火花火灾监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598655B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860646A (zh) * | 2020-07-20 | 2020-10-30 | 北京华正明天信息技术股份有限公司 | 基于神经网络的森林火灾检测方法 |
| CN111914909A (zh) * | 2020-07-15 | 2020-11-10 | 南京审计大学 | 基于空谱联合三方向卷积网络的高光谱变化检测方法 |
| CN112347874A (zh) * | 2020-10-26 | 2021-02-09 | 创泽智能机器人集团股份有限公司 | 一种火灾检测方法、装置、设备及存储介质 |
| CN112435257A (zh) * | 2020-12-14 | 2021-03-02 | 武汉纺织大学 | 一种多光谱成像的烟雾检测方法及系统 |
| CN112560657A (zh) * | 2020-12-12 | 2021-03-26 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
| CN113920670A (zh) * | 2021-09-14 | 2022-01-11 | 烟台艾睿光电科技有限公司 | 消防安全监控方法、装置及系统、消防监控设备及介质 |
| CN115546224A (zh) * | 2022-12-06 | 2022-12-30 | 新乡学院 | 一种电机运行过程故障自动识别及控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001067566A (ja) * | 1999-08-30 | 2001-03-16 | Fujitsu Ltd | 火災検知装置 |
| CN201259717Y (zh) * | 2008-05-09 | 2009-06-17 | 丁国锋 | 一种火灾探测系统 |
| CN102682565A (zh) * | 2012-03-23 | 2012-09-19 | 合肥博构元丰信息技术有限公司 | 适于开放空间的消防和安防一体化智能视频监测系统 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109543631A (zh) * | 2018-11-28 | 2019-03-29 | 公安部沈阳消防研究所 | 一种基于机器学习的火灾图像探测报警方法 |
| CN110175648A (zh) * | 2019-05-28 | 2019-08-27 | 东莞德福得精密五金制品有限公司 | 应用人工智能云计算对设备进行非侵入性的信息连通方法 |
-
2019
- 2019-09-18 CN CN201910881050.8A patent/CN110598655B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001067566A (ja) * | 1999-08-30 | 2001-03-16 | Fujitsu Ltd | 火災検知装置 |
| CN201259717Y (zh) * | 2008-05-09 | 2009-06-17 | 丁国锋 | 一种火灾探测系统 |
| CN102682565A (zh) * | 2012-03-23 | 2012-09-19 | 合肥博构元丰信息技术有限公司 | 适于开放空间的消防和安防一体化智能视频监测系统 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109543631A (zh) * | 2018-11-28 | 2019-03-29 | 公安部沈阳消防研究所 | 一种基于机器学习的火灾图像探测报警方法 |
| CN110175648A (zh) * | 2019-05-28 | 2019-08-27 | 东莞德福得精密五金制品有限公司 | 应用人工智能云计算对设备进行非侵入性的信息连通方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914909A (zh) * | 2020-07-15 | 2020-11-10 | 南京审计大学 | 基于空谱联合三方向卷积网络的高光谱变化检测方法 |
| CN111914909B (zh) * | 2020-07-15 | 2021-01-12 | 南京审计大学 | 基于空谱联合三方向卷积网络的高光谱变化检测方法 |
| CN111860646A (zh) * | 2020-07-20 | 2020-10-30 | 北京华正明天信息技术股份有限公司 | 基于神经网络的森林火灾检测方法 |
| CN112347874A (zh) * | 2020-10-26 | 2021-02-09 | 创泽智能机器人集团股份有限公司 | 一种火灾检测方法、装置、设备及存储介质 |
| CN112560657A (zh) * | 2020-12-12 | 2021-03-26 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
| CN112560657B (zh) * | 2020-12-12 | 2023-05-30 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
| CN112435257A (zh) * | 2020-12-14 | 2021-03-02 | 武汉纺织大学 | 一种多光谱成像的烟雾检测方法及系统 |
| CN113920670A (zh) * | 2021-09-14 | 2022-01-11 | 烟台艾睿光电科技有限公司 | 消防安全监控方法、装置及系统、消防监控设备及介质 |
| CN115546224A (zh) * | 2022-12-06 | 2022-12-30 | 新乡学院 | 一种电机运行过程故障自动识别及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110598655B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598655B (zh) | 人工智能云计算多光谱烟雾高温火花火灾监控方法 | |
| US10796394B2 (en) | Estimation of damage prevention with building retrofit | |
| US20220012655A1 (en) | Systems and Methods for Improving Process Safety in an Industrial Environment | |
| US20210304321A1 (en) | Closed-loop system incorporating risk analytic algorithm | |
| CN110544247A (zh) | 人工智能云计算多途径设备系统运行缺陷检查监控方法 | |
| CN110428135A (zh) | 一种综合管廊设备状态监测管理系统 | |
| US10740684B1 (en) | Method and system to predict the extent of structural damage | |
| Su et al. | Data-driven fire safety management at building construction sites: Leveraging CNN | |
| US11004001B1 (en) | Analysis of structural-damage predictions caused by an earthquake to identify areas with high damage levels | |
| Krytska et al. | IoT-based situation awareness support system for real-time emergency management | |
| CN114445780A (zh) | 裸土苫盖的检测方法及装置、识别模型的训练方法及装置 | |
| CN111062150A (zh) | 一种三维可视化工厂管理系统 | |
| CN113902007A (zh) | 模型训练方法及装置、图像识别方法及装置、设备和介质 | |
| Zhang et al. | Data-driven AI emergency planning in process industry | |
| Arshad et al. | Computer vision and IoT research landscape for health and safety management on construction sites | |
| CN114665608A (zh) | 用于变电站的智能感知巡检系统及方法 | |
| CN114677640A (zh) | 基于机器视觉的智慧工地安全监测系统及方法 | |
| CN110458147B (zh) | 人工智能云计算非应用感应器的液体气体污染排放监控方法 | |
| CN114048346B (zh) | 一种基于gis的安全生产一体化管控平台及方法 | |
| CN111105582B (zh) | 森林防火监测方法、系统、计算机设备和可读存储介质 | |
| CN116910491B (zh) | 一种雷电监测预警系统、方法、电子设备及存储介质 | |
| Dalal et al. | A hybrid LBP-CNN with YOLO-v5-based fire and smoke detection model in various environmental conditions for environmental sustainability in smart city | |
| Korjani et al. | Temporal Deep Learning Image Processing Model for Natural Gas Leak Detection Using OGI Camera | |
| KR102374541B1 (ko) | 상황별 의사결정 지원 시스템 | |
| Mythili et al. | Estimation of Wildfire Conditions via Perimeter and Surface Area Optimization Using Convolutional Neural Network |
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 |