CN110681097A - 全智能灭火系统 - Google Patents
全智能灭火系统 Download PDFInfo
- Publication number
- CN110681097A CN110681097A CN201910945263.2A CN201910945263A CN110681097A CN 110681097 A CN110681097 A CN 110681097A CN 201910945263 A CN201910945263 A CN 201910945263A CN 110681097 A CN110681097 A CN 110681097A
- Authority
- CN
- China
- Prior art keywords
- module
- fire
- information
- algorithm module
- algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 136
- 238000004891 communication Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 206010000369 Accident Diseases 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 18
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C37/00—Control of fire-fighting equipment
-
- 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
-
- 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
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Alarm Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Fire Alarms (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种全智能灭火系统，所述全智能灭火系统由热像仪模块，数字信号处理模块，算法模块1，模式生成模块，消防枪泵，云台，图像采集模块，存储模块，算法模块2，控制模块，通信模块组成。本发明所述全智能灭火系统可实现火灾预警，发现火情智能决策，过滤假警报并自主决策最佳灭火方案，具有全天候、全智能处置目标点火灾隐患以及灭火处置的有益效果。
Description
技术领域
本发明属于公共安全领域，具体涉及全智能灭火系统。
背景技术
目前为降低重大消防危险源在发生火灾时的破坏和损失，都配备有专门的消防灭火系统，这些灭火系统可实现烟雾感应、温度感应，以便在火情发生的第一时间展开灭火，防止灾情蔓延。这类灭火系统具有不错的自动化能力，但在露天场合所能发挥的效用十分有限，并且误报情况时有发生。比较先进的自动灭火系统，配备有热像仪，解决了露天场合火情的监测和感知的问题，然而这类灭火系统缺乏自主决策能力，并且没有解决误报的问题，仍然需要专人24小时值班监管，最终决策需要依赖人工来解决，往往贻误最佳处置时机。
发明内容
本发明的目的在于提供一种全智能灭火系统，实现火灾预警，发现火情智能决策，过滤假警报并自主决策最佳灭火方案，具有全天候、全智能处置目标点火灾隐患以及灭火处置的效果。
具体技术方案如下：
所述全智能灭火系统包括：
热像仪模块，数字信号处理模块，算法模块1，模式生成模块，消防枪泵，云台，图像采集模块，存储模块，算法模块2，控制模块，通信模块。
所述热像仪模块，用于实时监测消防危险源的热成像信息，得到消防危险源设备和材料表面二维温度分布信息，并结合温度分布信息输出RGB(红绿蓝三基色)模式的全彩图像，如图2所示，并将二维温度分布信息发送至数字信号处理模块。所述热像仪模块具有全天候监测，不受烟雾遮挡、恶劣天气影响的优点。
所述数字信号处理模块，用于接收热像仪模块传来的消防危险源设备和材料表面的二维温度分布信息，并对二维温度分布信息进行数字特征处理并将处理后的信息发送给算法模块1，以便算法模块1能够直接对温度信息进行分析。
进一步地，数字信号处理模块对二维温度分布信息进行数字特征处理的过程，参照图3：
S201将二维温度分布信息用相对于笛卡尔坐标系的描述存放到矩阵TPM×N×4中，其中M和N表示二维温度分布全彩图像的像素数，维数4表示一个像素点所包含的信息，包括RGB值以及该RGB值所对应的的温度值。
则有，
其中，(Rij，Gij，Bij，tij)ij表示第(i，j)像素点的RGB值和温度值，i∈[0，(M-1)]，j∈[0，(N-1)].
S202遍历矩阵TPM×N×4，从中提取超过温度阈值的像素信息；
所述温度阈值由人工设定，记为ω表示超过正常温度，需要格外关注的一个限值，在实际操作中可设定为一般材料着火点的最低门限值200℃。
提取TPM×N×4中温度值tij＞ω的元素，组成新的矩阵TNm×n×4，则有
其中(Ruv，Guv，Buv，tuv)uv表示第(u，v)像素点的RGB值和温度值，u∈[0，(m-1)]，v∈[0，(n-1)],且tuv＞ω.
S203采用固定窗口法，对超温度阈值矩阵TNm×n×4进行滤波，并将滤波处理后的超温度阈值矩阵TN′m×n×4发送给算法模块1。
对TNm×n×4矩阵中的所有元素(Ruv，Guv，Buv，tuv)uv依次使用固定窗口法进行滤波，所述固定窗口法，即采用固定像素大小的窗口，固定像素的窗口大小应尽量小；
经过固定窗口法滤波处理后，得到最终的超温度阈值矩阵记为TN′p×q×4，(p≤m，q≤n)并将TN′p×q×4发送给算法模块1。
所述算法模块1，其中存储有计算机程序，用于接收数字信号处理模块传来的温度信息，对接收到的温度信息进行分析判断出火灾隐患和火灾发生事件，另一方面将分析判断结果发送给控制模块。
进一步地，算法模块1对温度信息进行分析判断出火灾隐患和火灾发生事件的处理过程参照图4：
S301接收数字信号处理模块传来的二维温度分布信息，进行超温度阈值区域整合处理，得到整合关注对象；
算法模块1接收数字信号处理模块传来的二维温度分布信息，所述二维温度分布信息即超温度阈值矩阵TN′p×q×4，根据TN′p×q×4中元素的像素坐标是否连续，来进行整合处理。具体的，假设像素A的坐标为(i，j)，像素B的坐标为(i+1，j)，像素C的坐标为(i，j+1)，像素D的坐标为(i+1，j+1)则像素A、B、C、D两两连续。
整合处理后，原超温度阈值矩阵TN′p×q×4将被划分为若干个子矩阵，记为(TN′)1...(TN′)w，其中w表示采用整合处理后，将原超温度阈值矩阵TN′p×q×4划分成的子矩阵的个数，这样就得到了w个整合关注对象。
S302计算关注对象的像素面积以及特征温度的增长性，并根据增长性判断火灾隐患和火灾发生事件。
(1)对整合后的w个关注对象(TN′)1...(TN′)w，分别计算每个关注对象的像素面积。
像素面积用于描述关注对象的像素规模，关注对象的像素面积可用关注对象(TN′)i的像素数来表示，因此关注对象的像素面积等于该关注对象中元素所代表像素的总和：
(2)对整合后的w个关注对象(TN′)1...(TN′)w，分别计算每个关注对象的特征温度。
特征温度用来表征在某个关注对象中，最高温度所占比重。关注对象(TN′)i的特征温度计算方法如下：
其中，tfi表示关注对象(TN′)i的特征温度；pi表示关注对象(TN′)i中元素的行数；qi表示关注对象(TN′)i中元素的列数；Cmi表示达到tmi的像素数；tmi表示关注对象(TN′)i中各像素温度的最大值。
(3)计算像素面积和特征温度的增长性，并根据增长性来判断火灾隐患和火灾发生事件，处理过程如下：
①计算像素面积增长性ga:
其中τo表示系统热像温度采样周期；S′i表示当前采样周期的像素面积，Si表示前一采样周期的像素面积。
②计算特征温度增长性gt：
其中，t′fi表示当前采样周期的特征温度；tfi表示前一采样周期的特征温度。
③分析连续多个采样周期的面积增长性和特征温度增长性数据，判定火灾隐患和火灾事件的处理过程：
分别表示连续r个采样周期的特征温度增长性数据。
若
说明随着时间推移，超温度阈值像素面积急速上升；
若
说明随着时间推移，关注对象的特征温度急速上升；
所述模式生成模块用于接收控制模块传来的指令信息，并根据指令信息生成对应的工作模式信息，再将工作模式信息发送给消防枪泵。
进一步地，模式生成模块根据指令信息生成对应的工作模式的处理过程参照图5：
S401接收控制模块传来的工作模式控制指令，并将控制指令解析成PWM调制信号；
控制模块传来的工作模式指令中包含事件决策结果以及最新采样周期内关注对象的像素面积增长性和特征温度增长性数据，模式生成模块接收到所述工作模式指令后，采用如下公式解析成PWM调制信号：
其中，Dj表示生成工作模式的PWM占空比
S402以PWM调制信号的形式，将工作模式信息发送给消防枪泵，控制消防枪泵按照指定的模式工作。
所述消防枪泵，用于接收模式生成模块发送来的工作模式信息，进入相应的工作模式，以控制消防枪更高效的进行灭火处置工作。
所述消防枪云台，其上安装有消防枪，用于控制消防枪的喷射角度和方向。
所述图像采集模块，用于采集现场视频监控数据，并将图像信息存储到存储模块中。
所述存储模块，用于存储图像采集模块传来的现场视频监控数据。
所述算法模块2，其中存储有计算机程序，用于对存储模块中的视频监控数据进行实时分析，以自动判断现场是否出现明火，并将判断结果发送给控制模块。
算法模块2对视频监控数据进行实时分析，以自动判断现场是否出现明火。
进一步地，依据视频监控数据实时分析判断明火，本发明采用了基于OpenCV的明火模式识别方法，OpenCV是一个开源的跨平台的计算机视觉库，基于OpenCV采用SVM(支持向量机)分类器、决策树分类器和Adaboost(自适应增强)分类器混合判断明火，本领域技术人员可参考现有技术，本发明对其详细步骤不做具体限定。
所述控制模块，主要用于整个灭火系统的数据传输与控制，具体地，具有以下作用：
(1)接收算法模块1传来的火灾隐患和火灾事件的分析判断结果，并根据分析判断结果从算法模块2中调取视频分析结果，做出最终控制决策；
(2)接收算法模块2传来的视频分析结果，并根据结果从算法模块1中调取热像温度信息分析结果，做出最终控制决策；
(3)从存储模块以及算法模块1中读取数据，通过通信模块将数据发送给第三方系统；
(4)向模式生成模块发送工作模式控制指令信息。
(5)控制消防枪云台运动。
所述通信模块主要用于本发明所述全智能灭火系统与第三方系统的数据通信。
热像仪模块将监测到的火灾危险源的二维温度分布信息发送至数字信号处理模块，热像仪模块与数字信号处理模块的连接方式包括但不限于：网线、电缆、无线网络、数据总线。数字信号处理模块收到温度分布信息后，对二维温度分布信息进行数字特征处理并将处理后的信息发送给算法模块1，所述数字信号处理模块与算法模块1通过数据总线进行连接；所述算法模块1接收数字信号处理模块传来的温度信息后，对接收到的温度信息进行分析判断出火灾隐患和火灾发生事件，同时将分析判断结果发送给控制模块，所述算法模块1与控制模块通过数据总线进行连接。
所述控制模块接收算法模块1传来的火灾隐患和火灾发生事件的分析判断结果，一方面通过通信模块发送给第三方系统；另一方面将调取算法模块2的分析判断结果，根据算法模块1和算法模块2两方结果做出最终控制决策。所述控制模块与通信模块之间通过数据总线连接。
图像采集模块将采集到的现场实时图像发送给存储模块，所述图像采集模块与存储模块之间的连接方式包括但不限于网线、电缆、无线网络、数据总线；存储模块将实时图像信息发送给算法模块2进行分析处理，以判断是否有火灾发生事件；所述存储模块与算法模块2通过数据总线建立连接。
当算法模块2通过图像分析处理得到有火灾发生事件时，一方面算法模块2将有火灾发生的分析结果发送给控制模块；另一方面控制模块同时从算法模块1中调取实时热像温度数据，根据算法模块1和算法模块2两方结果，做出最终控制决策；
进一步地，所述控制模块根据算法模块1和算法模块2两方结果做出最终控制决策的过程为：
(1)若算法模块1和控制模块2得到了一致的火灾发生事件的分析结果时，则控制模块做出最终决策为火灾事件。
(2)当算法模块1和算法模块2在同一时刻对温度分布数据和实时图像数据进行分析，得到的事件结论不同时，则控制模块做出最终决策处理过程为：
①若算法模块1分析结果是火灾隐患，由于算法模块2是基于实时图像进行分析，不具备分析隐患的能力，因此决策结果以算法模块1的分析结果为准，最终事件决策结果为火灾隐患；
②若算法模块1和算法模块2二者中有且仅有一个分析结果为火灾事件，则算法模块2采用回滚的方式，以固定时间步长寻找火灾事件的突变状态，所述突变状态是指从没有火灾事件到有火灾事件的状态突变。若找到了突变状态点，则最终事件决策结果为火灾事件；若没有找到突变状态点，则系统决策认为该火灾事件分析结果为假信号，控制模块将算法模块1的原始分析结果、算法模块2的原始分析结果以及系统决策结果数据打包通过通信模块发送给第三方系统，以保存记录或人工介入决策。
进一步地，所述采用回滚方式以固定时间步长寻找火灾事件的突变状态，处理过程为：
算法模块1和算法模块2中有且仅有一个分析结果为火灾事件时，系统将分析结果所对应的时刻记为时间原点To，算法模块2以固定时间步长Bt为单位，从存储模块中调取(To+Bt)和(To-Bt)两个时刻的历史图像，然后对视频监控数据进行实时分析，判断(To+Bt)时刻是否出现明火，若(To+Bt)时刻出现了明火，(To-Bt)时刻没有明火，则寻找到了火灾事件的突变状态，系统最终决策结果为火灾事件。否则最终决策结果非火灾事件，系统进入正常监测状态。
当系统决策为火灾隐患时，一方面控制模块通过通信模块向第三方系统发出火灾隐患告警信息；另一方面控制模块发送指令给模式生成模块，模式生成相应的工作模式信息，控制消防枪泵进入相应的工作模式；同时控制模块发出控制指令，控制消防枪云台的运动，使得消防枪以最佳角度和方向进行灭火处置。
当系统决策为火灾事件时，控制模块首先通过通信模块向第三方系统发出火灾事件告警信息；第二方面控制模块生成工作模式指令信息，发送给模式生成模块，模式生成模块转化为相应的工作模式信息，控制消防枪泵进入相应的工作模式；第三方面控制模块发出控制指令，控制消防枪云台的运动，使得消防枪以最佳角度和方向进行灭火处置。
有益效果：
本发明所述全智能灭火系统可实现火灾预警，发现火情智能决策，过滤假警报并自主决策最佳灭火方案，具有全天候、全智能处置目标点火灾隐患以及灭火处置的有益效果。
附图说明：
图1本发明所述全智能灭火系统的系统框图；
图2热像仪采集的带有二维温度分布信息的全彩图像；
图3数字信号处理模块对二维温度分布信息进行数字特征处理流程图；
图4算法模块1对温度信息进行分析判断出火灾隐患和火灾发生事件的处理流程图；
图5模式生成模块根据指令信息生成对应工作模式信息的处理流程图。
具体实施方式
下面将结合附图和具体实施例来详细说明本发明所述的全智能灭火系统。
参照图1，本发明所述全智能灭火系统由以下部分组成：
热像仪模块(10)，数字信号处理模块(20)，算法模块1(30)，模式生成模块(40)，消防枪泵(50)，云台(60)，图像采集模块(70)，存储模块(80)，算法模块2(90)，控制模块(100)，通信模块(110)。
所述热像仪模块(10)，用于实时监测消防危险源的热成像信息，得到消防危险源设备和材料表面二维温度分布信息，并结合温度分布信息输出RGB(红绿蓝三基色)模式的全彩图像，如图2所示，并将二维温度分布信息发送至数字信号处理模块(20)。所述热像仪模块具有全天候监测，不受烟雾遮挡、恶劣天气影响的优点。
所述数字信号处理模块(20)，用于接收热像仪模块(10)传来的消防危险源设备和材料表面的二维温度分布信息，并对二维温度分布信息进行数字特征处理并将处理后的信息发送给算法模块1(30)，以便算法模块1能够直接对温度信息进行分析。
数字信号处理模块(20)对二维温度分布信息进行数字特征处理的过程，参照图3：
S201将二维温度分布信息用相对于笛卡尔坐标系的描述存放到矩阵TPM×N×4中，其中M和N表示二维温度分布全彩图像的像素数，维数4表示一个像素点所包含的信息，包括RGB值以及该RGB值所对应的的温度值。
则有，
其中，(Rij，Gij，Bij，tij)ij表示第(i，j)像素点的RGB值和温度值，i∈[0，(M-1)]，j∈[0，(N-1)].
S202遍历矩阵TPM×N×4，从中提取超过温度阈值的像素信息；
所述温度阈值由人工设定，记为ω表示超过正常温度，需要格外关注的一个限值，在实际操作中可设定为一般材料着火点的最低门限值200℃。
提取TPM×N×4中温度值tij＞ω的元素，组成新的矩阵TNm×n×4，则有
其中(Ruv，Guv，Buv，tuv)uv表示第(u，v)像素点的RGB值和温度值，u∈[0，(m-1)]，v∈[0，(n-1)],且tuv＞ω.
S203采用固定窗口法，对超温度阈值矩阵TNm×n×4进行滤波，并将滤波处理后的超温度阈值矩阵TN′m×n×4发送给算法模块1。
对TNm×n×4矩阵中的所有元素(Ruv，Guv，Buv，tuv)uv依次使用固定窗口法进行滤波，所述固定窗口法，即采用固定像素大小的窗口，固定像素的窗口大小应尽量小，在本实施例中，采用10像素×10像素的固定窗口来判断元素(Ruv，Guv，Buv，tuv)uv在固定窗口范围内，是否仅有(Ruv，Guv，Buv，tuv)uv一个超温度阈值的元素，若确实仅有(Ruv，Guv，Buv，tuv)uv超过温度阈值，则判定该像素点为噪声数据，滤除该像素点；若在固定窗口范围内不仅有(Ruv，Guv，Buv，tuv)uv超过温度阈值，则保留该像素点。
经过固定窗口法滤波处理后，得到最终的超温度阈值矩阵记为TN′p×q×4，(p≤m，q≤n)并将TN′p×q×4发送给算法模块1。
所述算法模块1(30)，其中存储有计算机程序，用于接收数字信号处理模块(20)传来的温度信息，对接收到的温度信息进行分析判断出火灾隐患和火灾发生事件，另一方面将分析判断结果发送给控制模块(100)。
算法模块1(30)对温度信息进行分析判断出火灾隐患和火灾发生事件的处理过程参照图4：
S301接收数字信号处理模块(20)传来的二维温度分布信息，进行超温度阈值区域整合处理，得到整合关注对象；
算法模块1接收数字信号处理模块传来的二维温度分布信息，所述二维温度分布信息即超温度阈值矩阵TN′p×q×4，根据TN′p×q×4中元素的像素坐标是否连续，来进行整合处理。具体的，假设像素A的坐标为(i，j)，像素B的坐标为(i+1，j)，像素C的坐标为(i，j+1)，像素D的坐标为(i+1，j+1)则像素A、B、C、D两两连续。
整合处理后，原超温度阈值矩阵TN′p×q×4将被划分为若干个子矩阵，记为(TN′)1...(TN′)w，其中w表示采用整合处理后，将原超温度阈值矩阵TN′p×q×4划分成的子矩阵的个数，这样就得到了w个整合关注对象。
S302计算关注对象的像素面积以及特征温度的增长性，并根据增长性判断火灾隐患和火灾发生事件。
(1)对整合后的w个关注对象(TN′)1...(TN′)w，分别计算每个关注对象的像素面积。
像素面积用于描述关注对象的像素规模，关注对象的像素面积可用关注对象(TN′)i的像素数来表示，因此关注对象的像素面积等于该关注对象中元素所代表像素的总和：
(2)对整合后的w个关注对象(TN′)1...(Tn′)w，分别计算每个关注对象的特征温度。
特征温度用来表征在某个关注对象中，最高温度所占比重。关注对象(TN′)i的特征温度计算方法如下：
其中，tfi表示关注对象(TN′)i的特征温度；pi表示关注对象(TN′)i中元素的行数；qi表示关注对象(TN′)i中元素的列数；Cmi表示达到tmi的像素数；tmi表示关注对象(TN′)i中各像素温度的最大值。
(3)计算像素面积和特征温度的增长性，并根据增长性来判断火灾隐患和火灾发生事件，处理过程如下：
①计算像素面积增长性ga:
其中τo表示系统热像温度采样周期；S′i表示当前采样周期的像素面积，Si表示前一采样周期的像素面积。
②计算特征温度增长性gt：
其中，t′fi表示当前采样周期的特征温度；tfi表示前一采样周期的特征温度。
③分析连续多个采样周期的面积增长性和特征温度增长性数据，判定火灾隐患和火灾事件的处理过程：
若
说明随着时间推移，超温度阈值像素面积急速上升；
若
说明随着时间推移，关注对象的特征温度急速上升；
所述模式生成模块(40)用于接收控制模块(100)传来的指令信息，并根据指令信息生成对应的工作模式信息，再将工作模式信息发送给消防枪泵(50)。
模式生成模块(40)根据指令信息生成对应的工作模式的处理过程参照图5：
S401接收控制模块传来的工作模式控制指令，并将控制指令解析成PWM调制信号；
控制模块传来的工作模式指令中包含事件决策结果以及最新采样周期内关注对象的像素面积增长性和特征温度增长性数据，模式生成模块接收到所述工作模式指令后，采用如下公式解析成PWM调制信号：
其中，Dj表示生成工作模式的PWM占空比
S402以PWM调制信号的形式，将工作模式信息发送给消防枪泵，控制消防枪泵按照指定的模式工作。
所述消防枪泵(50)，用于接收模式生成模块(40)发送来的工作模式信息，进入相应的工作模式，以控制消防枪更高效的进行灭火处置工作。
所述消防枪云台(60)，其上安装有消防枪，用于控制消防枪的喷射角度和方向。
所述图像采集模块(70)，用于采集现场视频监控数据，并将图像信息存储到存储模块(80)中。
所述存储模块(80)，用于存储图像采集模块(70)传来的现场视频监控数据。
所述算法模块2(90)，其中存储有计算机程序，用于对存储模块(80)中的视频监控数据进行实时分析，以自动判断现场是否出现明火，并将判断结果发送给控制模块(100)。
算法模块2对视频监控数据进行实时分析，以自动判断现场是否出现明火。依据视频监控数据实时分析判断明火，本发明采用了基于OpenCV的明火模式识别方法，OpenCV是一个开源的跨平台的计算机视觉库，基于OpenCV采用SVM(支持向量机)分类器、决策树分类器和Adaboost(自适应增强)分类器混合判断明火，本领域技术人员可参考现有技术，本发明对其详细步骤不做具体限定。
所述控制模块(100)，主要用于整个灭火系统的数据传输与控制，具体地，具有以下作用：
(1)接收算法模块1(30)传来的火灾隐患和火灾事件的分析判断结果，并根据分析判断结果从算法模块2(90)中调取视频分析结果，做出最终控制决策；
(2)接收算法模块2(90)传来的视频分析结果，并根据结果从算法模块1(30)中调取热像温度信息分析结果，做出最终控制决策；
(3)从存储模块(80)以及算法模块1(30)中读取数据，通过通信模块(110)将数据发送给第三方系统；
(4)向模式生成模块(40)发送工作模式控制指令信息。
(5)控制消防枪云台(60)运动。
所述通信模块(110)主要用于本发明所述全智能灭火系统与第三方系统的数据通信。
在本实施例中，热像仪模块将监测到的火灾危险源的二维温度分布信息发送至数字信号处理模块，热像仪模块与数字信号处理模块的连接方式包括但不限于：网线、电缆、无线网络、数据总线。数字信号处理模块收到温度分布信息后，对二维温度分布信息进行数字特征处理并将处理后的信息发送给算法模块1，所述数字信号处理模块与算法模块1通过数据总线进行连接；所述算法模块1接收数字信号处理模块传来的温度信息后，对接收到的温度信息进行分析判断出火灾隐患和火灾发生事件，同时将分析判断结果发送给控制模块，所述算法模块1与控制模块通过数据总线进行连接。
所述控制模块接收算法模块1传来的火灾隐患和火灾发生事件的分析判断结果，一方面通过通信模块发送给第三方系统；另一方面将调取算法模块2的分析判断结果，根据算法模块1和算法模块2两方结果做出最终控制决策。所述控制模块与通信模块之间通过数据总线连接。
图像采集模块将采集到的现场实时图像发送给存储模块，所述图像采集模块与存储模块之间的连接方式包括但不限于网线、电缆、无线网络、数据总线；存储模块将实时图像信息发送给算法模块2进行分析处理，以判断是否有火灾发生事件；所述存储模块与算法模块2通过数据总线建立连接。
当算法模块2通过图像分析处理得到有火灾发生事件时，一方面算法模块2将有火灾发生的分析结果发送给控制模块；另一方面控制模块同时从算法模块1中调取实时热像温度数据，根据算法模块1和算法模块2两方结果，做出最终控制决策；
所述控制模块根据算法模块1和算法模块2两方结果做出最终控制决策的过程为：
(1)若算法模块1和控制模块2得到了一致的火灾发生事件的分析结果时，则控制模块做出最终决策为火灾事件。
(2)当算法模块1和算法模块2在同一时刻对温度分布数据和实时图像数据进行分析，得到的事件结论不同时，则控制模块做出最终决策处理过程为：
①若算法模块1分析结果是火灾隐患，由于算法模块2是基于实时图像进行分析，不具备分析隐患的能力，因此决策结果以算法模块1的分析结果为准，最终事件决策结果为火灾隐患；
②若算法模块1和算法模块2二者中有且仅有一个分析结果为火灾事件，则算法模块2采用回滚的方式，以固定时间步长寻找火灾事件的突变状态，所述突变状态是指从没有火灾事件到有火灾事件的状态突变。若找到了突变状态点，则最终事件决策结果为火灾事件；若没有找到突变状态点，则系统决策认为该火灾事件分析结果为假信号，控制模块将算法模块1的原始分析结果、算法模块2的原始分析结果以及系统决策结果数据打包通过通信模块发送给第三方系统，以保存记录或人工介入决策。
所述采用回滚方式以固定时间步长寻找火灾事件的突变状态，处理过程为：
算法模块1和算法模块2中有且仅有一个分析结果为火灾事件时，系统将分析结果所对应的时刻记为时间原点To，算法模块2以固定时间步长Bt为单位，从存储模块中调取(To+Bt)和(To-Bt)两个时刻的历史图像，然后对视频监控数据进行实时分析，判断(To+Bt)时刻是否出现明火，若(To+Bt)时刻出现了明火，(To-Bt)时刻没有明火，则寻找到了火灾事件的突变状态，系统最终决策结果为火灾事件。否则最终决策结果非火灾事件，系统进入正常监测状态。
当系统决策为火灾隐患时，一方面控制模块通过通信模块向第三方系统发出火灾隐患告警信息；另一方面控制模块发送指令给模式生成模块，模式生成相应的工作模式信息，控制消防枪泵进入相应的工作模式；同时控制模块发出控制指令，控制消防枪云台的运动，使得消防枪以最佳角度和方向进行灭火处置。
当系统决策为火灾事件时，控制模块首先通过通信模块向第三方系统发出火灾事件告警信息；第二方面控制模块生成工作模式指令信息，发送给模式生成模块，模式生成模块转化为相应的工作模式信息，控制消防枪泵进入相应的工作模式；第三方面控制模块发出控制指令，控制消防枪云台的运动，使得消防枪以最佳角度和方向进行灭火处置。
综上，便实现了本发明所述的全智能灭火系统，本发明所述全智能灭火系统可实现火灾预警，发现火情智能决策，过滤假警报并对火势蔓延进行分析，自主决策最佳灭火方案，具有全天候、全智能处置目标点火灾隐患以及灭火处置的有益效果。
以上仅为本发明的较佳实施例，并不用于限制本发明，任何在本发明基础上所做的等效替换，均应在本发明的保护范围。
Claims (6)
1.一种智全智能灭火系统,其特征在于，包括：热像仪模块，数字信号处理模块，算法模块1，模式生成模块，消防枪泵，云台，图像采集模块，存储模块，算法模块2，控制模块，通信模块；
所述热像仪模块，用于实时监测消防危险源的热成像信息，得到消防危险源设备和材料表面二维温度分布信息，并结合温度分布信息输出RGB模式的全彩图像，并将二维温度分布信息发送至数字信号处理模块；
所述数字信号处理模块，用于接收热像仪模块传来的消防危险源设备和材料表面的二维温度分布信息，并对二维温度分布信息进行数字特征处理并将处理后的信息发送给算法模块1；
所述算法模块1，用于接收数字信号处理模块传来的温度信息，对接收到的温度信息进行分析判断出火灾隐患和火灾发生事件，另一方面将分析判断结果发送给控制模块；
所述模式生成模块用于接收控制模块传来的指令信息，并根据指令信息生成对应的工作模式信息，再将工作模式信息发送给消防枪泵；
所述消防枪泵，用于接收所述模式生成模块发送来的工作模式信息，进入相应的工作模式，以控制消防枪更高效的进行灭火处置工作；
所述消防枪云台，用于控制消防枪的喷射角度和方向；
所述图像采集模块，用于采集现场视频监控数据，并将图像信息存储到存储模块中；
所述存储模块，用于存储图像采集模块传来的现场视频监控数据；
所述算法模块2，其中存储有计算机程序，用于对存储模块中的视频监控数据进行实时分析，以自动判断现场是否出现明火，并将判断结果发送给控制模块；
算法模块2对视频监控数据进行实时分析，以自动判断现场是否出现明火；
所述控制模块，主要用于整个灭火系统的数据传输与控制；
所述通信模块主要用于所述全智能灭火系统与第三方系统的数据通信。
2.如权利要求1所述的全智能灭火系统的处理方法，其特征在于，包括以下步骤：
热像仪模块将二维温度分布信息发送至数字信号处理模块，数字信号处理模块收到温度分布信息后，对二维温度分布信息进行数字特征处理并将处理后的信息发送给算法模块1，所述数字信号处理模块与算法模块1通过数据总线进行连接；所述算法模块1接收数字信号处理模块传来的温度信息后，对接收到的温度信息进行分析判断出火灾隐患和火灾发生事件，同时将分析判断结果发送给控制模块，所述算法模块1与控制模块通过数据总线进行连接；
所述控制模块接收算法模块1传来的火灾隐患和火灾发生事件的分析判断结果，一方面通过通信模块发送给第三方系统；另一方面将调取算法模块2的分析判断结果，根据算法模块1和算法模块2两方结果做出最终控制决策；所述控制模块与通信模块之间通过数据总线连接；
图像采集模块将采集到的现场实时图像发送给存储模块，存储模块将实时图像信息发送给算法模块2进行分析处理，以判断是否有火灾发生事件；所述存储模块与算法模块2通过数据总线建立连接；
当算法模块2通过图像分析处理得到有火灾发生事件时，一方面算法模块2将有火灾发生的分析结果发送给控制模块；另一方面控制模块同时从算法模块1中调取实时热像温度数据，根据算法模块1和算法模块2两方结果，做出最终控制决策。
3.如权利要求2所述的全智能灭火系统的处理方法，其特征在于，所述数字信号处理模块对二维温度分布信息进行数字特征处理的过程为，
S201 将二维温度分布信息用相对于笛卡尔坐标系的描述存放到矩阵TPM×N×4中，其中M和N表示二维温度分布全彩图像的像素数，维数4表示一个像素点所包含的信息，包括RGB值以及该RGB值所对应的的温度值；
其中，
其中，(Rij，Gij，Bij，tij)ij表示第(i，j)像素点的RGB值和温度值，i∈[0，(M-1)]，j∈[0，(N-1)].
S202 遍历矩阵TPM×N×4，从中提取超过温度阈值的像素信息；
S203 采用固定窗口法，对超温度阈值矩阵TNm×n×4进行滤波，并将滤波处理后的超温度阈值矩阵TN′m×n×4发送给算法模块1。
4.如权利要求2所述的所述的全智能灭火系统的处理方法，其特征在于，所述算法模块1对温度信息进行分析判断出火灾隐患和火灾发生事件的处理过程如下：
S301 接收数字信号处理模块传来的二维温度分布信息，进行超温度阈值区域整合处理，得到整合关注对象；
S302 计算关注对象的像素面积以及特征温度的增长性，并根据增长性判断火灾隐患和火灾发生事件。
5.如权利要求2所述的全智能灭火系统的处理方法，其特征在于，所述控制模块根据算法模块1和算法模块2两方结果做出最终控制决策的过程为：
(1)若算法模块1和控制模块2得到了一致的火灾发生事件的分析结果时，则控制模块做出最终决策为火灾事件；
(2)当算法模块1和算法模块2在同一时刻对温度分布数据和实时图像数据进行分析，得到的事件结论不同时，则控制模块做出最终决策处理过程为：
①若算法模块1分析结果是火灾隐患，由于算法模块2是基于实时图像进行分析，不具备分析隐患的能力，因此决策结果以算法模块1的分析结果为准，最终事件决策结果为火灾隐患；
②若算法模块1和算法模块2二者中有且仅有一个分析结果为火灾事件，则算法模块2采用回滚的方式，以固定时间步长寻找火灾事件的突变状态，所述突变状态是指从没有火灾事件到有火灾事件的状态突变；若找到了突变状态点，则最终事件决策结果为火灾事件；若没有找到突变状态点，则系统决策认为该火灾事件分析结果为假信号，控制模块将算法模块1的原始分析结果、算法模块2的原始分析结果以及系统决策结果数据打包通过通信模块发送给第三方系统，以保存记录或人工介入决策。
6.如权利要求2所述的全智能灭火系统的处理方法，其特征在于，所述采用回滚方式以固定时间步长寻找火灾事件的突变状态，处理过程为：
算法模块1和算法模块2中有且仅有一个分析结果为火灾事件时，系统将分析结果所对应的时刻记为时间原点To，算法模块2以固定时间步长Bt为单位，从存储模块中调取(To+Bt)和(To-Bt)两个时刻的历史图像，然后对视频监控数据进行实时分析，判断(To+Bt)时刻是否出现明火，若(To+Bt)时刻出现了明火，(To-Bt)时刻没有明火，则寻找到了火灾事件的突变状态，系统最终决策结果为火灾事件，否则最终决策结果非火灾事件，系统进入正常监测状态；
当系统决策为火灾隐患时，一方面控制模块通过通信模块向第三方系统发出火灾隐患告警信息；另一方面控制模块发送指令给模式生成模块，模式生成相应的工作模式信息，控制消防枪泵进入相应的工作模式；同时控制模块发出控制指令，控制消防枪云台的运动，使得消防枪以最佳角度和方向进行灭火处置；
当系统决策为火灾事件时，控制模块首先通过通信模块向第三方系统发出火灾事件告警信息；第二方面控制模块生成工作模式指令信息，发送给模式生成模块，模式生成模块转化为相应的工作模式信息，控制消防枪泵进入相应的工作模式；第三方面控制模块发出控制指令，控制消防枪云台的运动，使得消防枪以最佳角度和方向进行灭火处置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910945263.2A CN110681097B (zh) | 2019-09-30 | 2019-09-30 | 全智能灭火系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910945263.2A CN110681097B (zh) | 2019-09-30 | 2019-09-30 | 全智能灭火系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110681097A true CN110681097A (zh) | 2020-01-14 |
| CN110681097B CN110681097B (zh) | 2021-04-16 |
Family
ID=69111375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910945263.2A Expired - Fee Related CN110681097B (zh) | 2019-09-30 | 2019-09-30 | 全智能灭火系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110681097B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761826A (zh) * | 2012-09-10 | 2014-04-30 | 南京恩博科技有限公司 | 一种热成像视频双鉴林火识别系统的识别方法 |
| ES2570536T3 (es) * | 2013-05-09 | 2016-05-18 | A M General Contractor S P A | Método de detección de datos relativos a energía térmica radiada en un ambiente usando tratamiento de imágenes en radiación infrarroja |
| CN106887108A (zh) * | 2015-12-16 | 2017-06-23 | 天维尔信息科技股份有限公司 | 基于热成像的预警联动方法及系统 |
| CN107331100A (zh) * | 2017-08-01 | 2017-11-07 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的火灾报警方法及系统 |
| CN107609498A (zh) * | 2017-09-01 | 2018-01-19 | 湖州师范学院 | 一种计算机监控系统的数据处理方法 |
| CN108416968A (zh) * | 2018-01-31 | 2018-08-17 | 国家能源投资集团有限责任公司 | 火灾预警方法和装置 |
| CN109993941A (zh) * | 2019-03-20 | 2019-07-09 | 合肥名德光电科技股份有限公司 | 基于人工智能的热成像火灾报警系统及其图像处理方法 |
-
2019
- 2019-09-30 CN CN201910945263.2A patent/CN110681097B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761826A (zh) * | 2012-09-10 | 2014-04-30 | 南京恩博科技有限公司 | 一种热成像视频双鉴林火识别系统的识别方法 |
| ES2570536T3 (es) * | 2013-05-09 | 2016-05-18 | A M General Contractor S P A | Método de detección de datos relativos a energía térmica radiada en un ambiente usando tratamiento de imágenes en radiación infrarroja |
| CN106887108A (zh) * | 2015-12-16 | 2017-06-23 | 天维尔信息科技股份有限公司 | 基于热成像的预警联动方法及系统 |
| CN107331100A (zh) * | 2017-08-01 | 2017-11-07 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的火灾报警方法及系统 |
| CN107609498A (zh) * | 2017-09-01 | 2018-01-19 | 湖州师范学院 | 一种计算机监控系统的数据处理方法 |
| CN108416968A (zh) * | 2018-01-31 | 2018-08-17 | 国家能源投资集团有限责任公司 | 火灾预警方法和装置 |
| CN109993941A (zh) * | 2019-03-20 | 2019-07-09 | 合肥名德光电科技股份有限公司 | 基于人工智能的热成像火灾报警系统及其图像处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110681097B (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107911653B (zh) | 驻所智能视频监控模组、系统、方法以及存储介质 | |
| CN110837822B (zh) | 基于多目视觉的消防机器人喷射曲线调整方法及装置 | |
| CN102176270A (zh) | 安全监控及火灾预警一体化系统及方法 | |
| CN201897856U (zh) | 安全监控及火灾预警一体化系统 | |
| CN110379111A (zh) | 一种用于森林防火的无人机巡查系统 | |
| CN110021133B (zh) | 全天候消防火灾巡逻预警监控系统及火灾图像检测方法 | |
| CN112530115B (zh) | 一种电力作业人员防触电现场智能监理成套装置 | |
| CN111540152A (zh) | 一种智能安防预警系统 | |
| CN110867046A (zh) | 一种基于云计算的智能洗车机视频监控预警系统 | |
| CN111446920A (zh) | 光伏电站监控方法、装置及系统 | |
| CN111080878A (zh) | 一种基于人工智能的施工现场安全监控方法及其装置 | |
| CN114821406A (zh) | 一种电力作业现场违章行为的判定方法和系统 | |
| CN112671104A (zh) | 面向复杂场景的变电站多维度场景管控平台 | |
| CN110956652A (zh) | 变电站人员提前越线告警方法 | |
| CN112735102A (zh) | 一种防触电保护的控制方法、装置、系统、设备及介质 | |
| CN110602453B (zh) | 一种物联网大数据智能视频安防监控系统 | |
| CN110681097B (zh) | 全智能灭火系统 | |
| CN109872499B (zh) | 一种基于图像识别的拦网在位监测报警系统 | |
| CN108520615B (zh) | 一种基于图像的火灾识别系统和方法 | |
| CN111416964A (zh) | 用于水利工程变形的远程图像智能识别方法 | |
| KR20230080522A (ko) | 인공 지능을 이용한 화재 감시 시스템 및 그 제어 방법 | |
| CN114534146A (zh) | 基于移动式电力消防灭火机器人火焰自动寻地的控制方法与系统 | |
| CN209842393U (zh) | 一种基于无人机平台的智能仓库监控系统 | |
| CN113343841A (zh) | 电力隧道异常情况的确定方法和装置 | |
| CN202939758U (zh) | 一种预防火灾的安防系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210416 Termination date: 20210930 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |