CN111127814B - 火警识别方法以及相关装置 - Google Patents

火警识别方法以及相关装置 Download PDF

Info

Publication number
CN111127814B
CN111127814B CN201911320930.4A CN201911320930A CN111127814B CN 111127814 B CN111127814 B CN 111127814B CN 201911320930 A CN201911320930 A CN 201911320930A CN 111127814 B CN111127814 B CN 111127814B
Authority
CN
China
Prior art keywords
feature
data
fire alarm
preset
current
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
Application number
CN201911320930.4A
Other languages
English (en)
Other versions
CN111127814A (zh
Inventor
周宏宾
任宇鹏
李冬冬
卢维
欧阳博
郑仲林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201911320930.4A priority Critical patent/CN111127814B/zh
Publication of CN111127814A publication Critical patent/CN111127814A/zh
Application granted granted Critical
Publication of CN111127814B publication Critical patent/CN111127814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Fire Alarms (AREA)
  • Alarm Systems (AREA)

Abstract

本申请公开了一种火警识别方法以及相关装置，其中，火警识别方法包括：获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据；将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点；利用预设决策边界分析特征点，识别当前环境是否存在火警，其中，预设决策边界是基于多组样本数据而获得的。上述方案，能够降低火警识别的成本以及误报率。

Description

火警识别方法以及相关装置
技术领域
本申请涉及安防技术领域，特别是涉及一种火警识别方法以及相关装置。
背景技术
火灾发生时，会造成局部区域内一些物理量发生变化，利用这种现象，可以采用各种传感器检测这些物理量的变化，以此来进行火警识别。在诸如感烟传感器、感温传感器、火焰传感器、特殊气体传感器等诸多传感器中，感烟传感器由于能够探测物质燃烧初期产生的气溶胶或烟雾，有利于火情被及时发现、处理，故此，得到了最为广泛的应用。
在实际应用时，往往还存在诸如水汽、灰尘、冷热交替产生的水蒸气冷凝等干扰，如此种种均可能造成传感器发生误识别。有鉴于此，目前，传统的火警识别方式采用监控摄像机进行辅助识别，或者在传感器底座额外增加加热片，使得空气中的水蒸气不易发生冷凝，从而降低误报率。但是，这些传统的火警识别方式都需要在原有的传感器的基础上，增加额外的硬件，从而提高了火警识别的成本。有鉴于此，如何降低火警识别的成本以及误报率成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种火警识别方法以及相关装置，能够降低火警识别的成本以及误报率。
为了解决上述问题，本申请第一方面提供了一种火警识别方法，包括：获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据；将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点；利用预设决策边界分析特征点，识别当前环境是否存在火警，其中，预设决策边界是基于多组样本数据而获得的。
为了解决上述问题，本申请第二方面提供了一种火警识别装置，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序执行，以实现上述第一方面中的火警识别方法。
为了解决上述问题，本申请第三方面提供了一种存储装置，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的火警识别方法。
上述方案，通过获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据，并将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点，利用预设决策边界分析特征点，识别当前环境是否存在火警，且预设决策边界是基于多组样本数据而获得的，从而无需增加额外的硬件，此外，由于预设决策边界时基于多组样本数据而得到的，因此，利用预设决策边界对特征点进行分析，能够有效减少水汽、灰尘、冷凝等干扰造成的误报，故此，能够降低火警识别的成本以及误报率。
附图说明
图1是本申请火警识别方法一实施例的流程示意图；
图2是本申请火警识别方法另一实施例的流程示意图；
图3是图1中预设特征空间为多维特征空间时其中一个特征平面的示意图；
图4是本申请火警识别方法又一实施例的流程示意图；
图5是本申请火警识别装置一实施例的框架示意图；
图6是本申请火警识别装置另一实施例的框架示意图；
图7是本申请存储装置一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请火警识别方法一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S11：获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据。
本实施例中，多个烟雾信息为连续采集的数据，在一个具体的实施场景中，烟雾信息可以包括烟雾浓度。在一个实施场景中，为了在正常情况下，免于后续的数据映射等数据分析、处理，降低处理负荷，还可以在烟雾信息表现出异常时，才将所采集的多个烟雾信息作为至少一组待测数据。具体地，可以依序保存获取到的烟雾信息，若当前保存的烟雾信息符合预设条件，则将当前保存的烟雾信息以及之前保存的第一预设数量个烟雾信息作为多个烟雾信息，其中，预设条件包括：当前保存的烟雾信息及其之前保存的第二预设数量个烟雾信息的数值均大于预设阈值，且第一预设数量大于第二预设数量。在一个具体的实施场景中，上述烟雾信息可以是由烟雾采集器件以预设频率对当前环境采集得到的。例如，烟雾采集器件以5秒钟采集一次的频率对当前环境进行采集，在采集到烟雾信息40时，发现其数值大于预设阈值，但是在其之前的第二预设数量(例如：2)个烟雾信息(烟雾信息39、烟雾信息38)的数值均不大于预设阈值，此时，接着对当前采集到的烟雾信息41进行类似判断，发现其数值也大于预设阈值，但是在其之前的第二预设数量(例如：2)个烟雾信息(烟雾信息40、烟雾信息39)的数值不满足均大于预设阈值，此时，接着对当前采集到的烟雾信息42进行类似判断，发现其数值也大于预设阈值，且在其之前的第二预设数量(例如：2)个烟雾信息(烟雾信息41、烟雾信息40)的数值均大于预设阈值，则将当前保存的烟雾信息(烟雾信息42)及其之前保存的第一预设数量(例如：40)个烟雾信息(烟雾信息03～烟雾信息42)作为多个烟雾信息。上述第一预设数量、第二预设数量，以及预设阈值可以根据实际应用场景而进行设置，本实施例在此不做具体限制。上述方式，可以降低后续调用数据分析的频率，从而能够降低能耗，进而能够提高应用在电池受限的独立式火灾探测器上的可行性。
步骤S12：将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点。
本实施例中，预设特征空间可以是多维特征空间，也可以是一维特征空间。在一个具体的实施场景中，当预设特征空间为多维特征空间时，至少一组待测数据可以是一组待测数据、两组待测数据、三组待测数据、四组待测数据等等，本实施例在此不做具体限制。具体地，为了扩充待测数据数量，从而进一步提高火警识别率，降低火警误报率，可以由多个烟雾信息中的部分组成一组待测数据，例如，多个烟雾信息包括：烟雾信息01～烟雾信息40，可以选取烟雾信息01～烟雾信息20作为一组待测数据，也可以选取烟雾信息21～烟雾信息40作为一组待测数据，还可以选取烟雾信息30～烟雾信息40作为一组待测数据，本实施例在此不再一一举例。在另一个具体的实施场景中，当预设特征空间为一维特征空间时，至少一组待测数据可以是一组待测数据。具体地，可以将多个烟雾信息作为一组待测数据，例如，多个烟雾信息包括：烟雾信息01～烟雾信息40，可以将烟雾信息01～烟雾信息40作为一组待测数据。
本实施例中，为了便于将至少一组待测数据映射到预设特征空间，当预设特征空间为多维特征空间时，多维特征空间可以包括多个特征平面，且多个特征平面是由多个预设特征两两组合而构成的。在一个具体的实施场景中，多个预设特征具体可以包括：数据线性拟合斜率、数据线性拟合截距、数据匹配程度和数据波动程度，其中，数据线性拟合斜率表示采用线性函数拟合一组数据而得到斜率，数据线性拟合截距表示采用线性函数拟合一组数据而得到的截距，数据匹配程度表示采用线性拟合函数拟合得到的直线与原始的数据之间的匹配程度，数据波动程度表示原始的数据的波动程度。而为了便于将至少一组待测数据映射到预设特征空间，当预设特征空间为一维特征空间时，该一维预设特征空间可以采用基于神经网络，或者基于支持向量机等机器学习方式获得，具体在此暂不赘述。
步骤S13：利用预设决策边界分析特征点，识别当前环境是否存在火警。
本实施例中，预设决策边界是基于多组样本数据而获得的。具体地，在预设特征空间为多维特征空间时，可以将多组样本数据分别映射到多维特征空间的各个特征平面，从而得到每个特征平面上的预设决策边界，从而能够利用每个特征平面上的预设决策边界对该特征平面上的特征点进行分析，当在某一特征平面上识别出当前环境存在火警时，即可以确定当前环境存在火警。而在预设特征空间为一维特征空间时，可以采用预设学习训练方式对多组样本数据进行学习，可以得到火警识别模型，由于火警识别模型是一个由输入(即待测数据)和输出(即火警识别结果)所构成的模型，也可以将其认为一维特征空间对应的预设决策边界。此外，为了加强对诸如水汽、灰尘等干扰的识别，上述多组样本数据还可以进一步包括标注为火警的第一样本数据和标注为干扰的第二样本数据，从而能够得到与火警识别对应的第一预设决策边界，以及与干扰对应的第二预设决策边界，进而可以分别利用第一预设决策边界和第二预设决策边界对特征点进行分析，识别当前环境下是存在火警，还是存在干扰。
上述方案，通过获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据，并将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点，利用预设决策边界分析特征点，识别当前环境是否存在火警，且预设决策边界是基于多组样本数据而获得的，从而无需增加额外的硬件，此外，由于预设决策边界时基于多组样本数据而得到的，因此，利用预设决策边界对特征点进行分析，能够有效减少水汽、灰尘、冷凝等干扰造成的误报，故此，能够降低火警识别的成本以及误报率。
请参阅图2，图2是本申请火警识别方法另一实施例的流程示意图。具体地，图2是预设特征空间为多维特征空间时火警识别方法的流程示意图，多维特征空间包括多个特征平面，具体包括如下步骤：
步骤S21：获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据。
具体请参阅上述实施例中的相关步骤。
此外，在获取当前环境的连续的多个烟雾信息之前，还可以将多组样本数据分别映射到多个特征平面，得到与多个特征平面一一对应的多个预设决策边界。在一个实施场景中，多组样本数据为标注为火警的样本数据，从而将多组样本数据分别映射到多个特征平面之后，可以得到与多个特征平面一一对应的多个与火警识别对应的预设决策边界。在另一个实施场景中，多组样本数据包括标注为火警的第一样本数据和标注为干扰的第二样本数据，从而将将多组第一样本数据分别映射到多个特征平面之后，能够得到与多个特征平面一一对应的多个第一预设决策边界，而将多组第二样本数据分别映射到多个特征平面之后，能够得到与多个特征平面一一对应的多个第二预设决策边界。
在一个具体的实施场景中，多个特征平面是由多个预设特征两两组合而构成的，多个预设特征具体可以包括：数据线性拟合斜率、数据线性拟合截距、数据匹配程度和数据波动程度。具体地：
数据线性拟合斜率可以表示为：
Figure BDA0002327116930000061
其中，P1表示数据线性拟合斜率，(xi,yi)表示一组样本数据，n表示一组样本数据的数据量。
数据线性拟合截距可以表示为：
Figure BDA0002327116930000062
其中，P2表示数据线性拟合截距，(xi,yi)表示样本数据，n表示所述一组样本数据的数据量。
数据匹配程度可以表示为：
Figure BDA0002327116930000071
其中，R2表示数据匹配程度，(xi,yi)表示一组样本数据，n表示一组样本数据的数据量，
Figure BDA0002327116930000072
表示yi的拟合值，
Figure BDA0002327116930000073
表示yi的平均值。
数据波动程度可以表示为：
Figure BDA0002327116930000074
其中，delta表示数据波动程度，(xi,yi)表示一组样本数据，n表示一组样本数据的数据量，ymax表示yi的最大值，ymin表示yi的最小值。
请结合参阅图3，图3是图1中预设特征空间为多维特征空间时其中一个特征平面的示意图。以由数据线性拟合截距和数据波动程度所构成的特征平面为例，当将一组样本数据映射到该特征平面时，能够得到对应的一个特征点(delta,P2)，在此基础上，当将多组样本数据映射到该特征平面上后，能够得到多个对应的特征点，通过对这些多个对应的特征点经过分析，能够得到该特征平面上的预设决策边界
Figure BDA0002327116930000075
进一步地，如果多组样本数据包括标注有火警的第一样本数据和标注有干扰的第二样本数据，对这些样本数据进行类似的映射，则可以得到该特征平面上对应于火警的第一预设决策边界
Figure BDA0002327116930000076
以及对应于干扰的第二预设决策边界
Figure BDA0002327116930000077
与之类似地，上述四个预设特征两两组合，还能够构成P1-P2特征平面、P1-R2特征平面、P1-delta特征平面、P2-R2特征平面、R2-delta特征平面，对应于上述特征平面，采用与上述类似的方法，能够得到P1-P2特征平面上的预设决策边界
Figure BDA0002327116930000078
P1-R2特征平面上的预设决策边界
Figure BDA0002327116930000079
P1-delta特征平面上的预设决策边界
Figure BDA0002327116930000081
P2-R2特征平面上的预设决策边界
Figure BDA0002327116930000082
R2-delta特征平面上的预设决策边界
Figure BDA0002327116930000083
进一步地，当多组样本数据包括标注有火警的第一样本数据和标注有干扰的第二样本数据时，还能够得到P1-P2特征平面上对应于火警的第一预设决策边界
Figure BDA0002327116930000084
和对应于干扰的第二预设决策边界
Figure BDA0002327116930000085
以及P1-R2特征平面上对应于火警的第一预设决策边界
Figure BDA0002327116930000086
和对应于干扰的第二预设决策边界
Figure BDA0002327116930000087
以及P2-R2特征平面上对应于火警的第一预设决策边界
Figure BDA0002327116930000088
和对应于干扰的第二预设决策边界
Figure BDA0002327116930000089
以及R2-delta特征平面上对应于火警的第一预设决策边界
Figure BDA00023271169300000810
和对应于干扰的第二预设决策边界
Figure BDA00023271169300000811
步骤S22：依序选取多个特征平面中的一个作为当前特征平面。
本实施例中的，依序可以按照用户预先设置的顺序，例如：delta-P2特征平面、P1-P2特征平面、P1-R2特征平面、P1-delta特征平面、P2-R2特征平面、R2-delta特征平面，或者，还可以是其他顺序，本实施例在此不做具体限制。
步骤S23：将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点。
本实施例中，至少一组待测数据包括由多个烟雾信息中的部分所组成的至少一组待测数据，例如，由多个烟雾信息中的不同部分所组成的一组待测数据group[]，在其他实施场景中，待测数据的组数还可以根据具体应用场景进行设置，本实施例在此不做具体限制。以当前特征平面是delta-P2特征平面为例，请继续结合参阅图3，可以将上述待测数据映射到delta-P2特征平面，从而得到对应的特征点。当特征平面为其他特征平面时，可以以此类推，本实施例在此不再一一举例。
步骤S24：利用与当前特征平面对应的预设决策边界分析与当前特征平面对应的特征点，识别当前环境是否存在火警。
具体地，可以利用与当前特征平面对应的第一预设决策边界分析当前特征平面对应的特征点，识别当前环境是否存在火警，若存在，则输出火警报警信息，若不存在，则继续利用与当前特征平面对应的第二预设决策边界分析当前特征平面对应的特征点，识别当前环境是否存在干扰，如果存在干扰，则输出干扰报警信息，如果不存在干扰，则说明利用当前组待测数据在当前特征平面上，既不能判断是否存在火警，也不能判断是否存在干扰，此时可以采用至少一组待测数据中的其他组待测数据映射到当前特征平面上进行与上述相同的分析，如果至少一组待测数据全部映射到当前特征平面后，仍然无法判断当前环境是存在火警，还是存在干扰，则可以继续判断是否还存在其他未被选取的特征平面，如果还存在未被选取的特征平面，则将未被选取的特征平面作为当前特征平面，重新将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点，进行分析，如果将至少一组待测数据在全部特征平面上都映射过之后，还是无法判断当前环境是存在火警，还是存在干扰，则可以输出火警报警信息。在一个实施场景中，上述火警报警信息、干扰报警信息可以是声信息、光信息中的任意一种，或两种的组合，本实施例在此不做具体限制。
请继续结合参阅图3，在一个实施场景中，上述一组待测数据group[]映射到delta-P2特征平面得到对应的特征点可以是Q1，此时利用delta-P2特征平面上与火警对应的第一决策边界
Figure BDA0002327116930000091
可以判断当前环境存在火警，则输出火警报警信息；在另一个实施场景中，上述一组待测数据group[]映射到delta-P2特征平面得到对应的特征点还可以是Q2，此时利用delta-P2特征平面上与火警对应的第一决策边界
Figure BDA0002327116930000092
不可以判断当前环境是否存在火警，则继续利用delta-P2特征平面上与干扰对应的第二决策边界
Figure BDA0002327116930000093
判断当前环境存在干扰，则输出干扰报警信息；在又一个实施场景中，上述一组待测数据group[]映射到delta-P2特征平面得到对应的特征点还可以是Q3，此时，利用delta-P2特征平面上与火警对应的第一决策边界
Figure BDA0002327116930000094
不能判断当前环境是否存在火警，且利用delta-P2特征平面上与干扰对应的第二决策边界
Figure BDA0002327116930000095
不能判断当前环境时是否存在干扰，则在上述P1-P2特征平面、P1-R2特征平面、P1-delta特征平面、P2-R2特征平面、R2-delta特征平面中再选择一个特征平面(如：P1-P2特征平面)作为当前特征平面，并重新将上述一组待测数据group[]映射到所选择的当前特征平面，利用P1-P2特征平面上与火警对应的第一预设决策边界
Figure BDA0002327116930000101
和与干扰对应的第二预设决策边界
Figure BDA0002327116930000102
判断当前环境是存在火警，还是存在干扰，具体判断过程与前述delta-P2特征平面上的过程类似，本实施例在此不再赘述。进一步地，当上述P1-P2特征平面、P1-R2特征平面、P1-delta特征平面、P2-R2特征平面、R2-delta特征平面都被选取后，仍然无法判断当前环境是存在火警，还是存在干扰，则可以输出火警报警信息。
区别于前述实施例，预设特征空间为多维特征空间，且多维特征空间包括多个特征平面，通过依序选取多个特征平面中的一个作为当前特征平面，从而将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点，进而利用与当前特征平面对应的预设决策边界分析与当前特征平面对应的特征点，识别当前环境是否存在火警，能够在多个特征平面上进行火警识别，进而能够提高火警识别率，降低火警误报率。
请参阅图4，图4是本申请火警识别方法又一实施例的流程示意图。具体地，图4是预设特征空间为一维特征空间时火警识别方法的流程示意图，具体包括如下步骤：
步骤S41：获取当前环境的连续的多个烟雾信息，以作为一组待测数据。
具体可以参阅上述实施例中的相关步骤。
此外，在获取当前环境的连续的多个烟雾信息之前，还可以利用预设学习训练方式对多组样本数据进行学习，得到与一维特征空间对应的预设决策边界。本实施例中，预设学习训练方式可以包括以下任意一者：基于神经网络的学习训练方式、基于支持向量机的学习训练方式，本实施例在此不做具体限制。本实施例中，多组样本数据中包括标注为火警的第一样本数据和标注为干扰的第二样本数据。通过对第一样本数据和第二样本数据的学习训练，能够学习到一维特征空间中的一个线性映射，例如：输入数据与火警识别结果之间的映射。
步骤S42：将一组待测数据映射到一维特征空间，得到一组待测数据在一维特征空间中的特征点。
以基于神经网络的学习训练方式为例，在利用基于神经网络的学习训练方式对多组样本数据进行学习训练之后，能够得到一个火警识别模型，通过将一组待测数据输入该火警识别模型即可得到待测数据在一维特征空间中的特征点，即待测数据为火警、干扰的分类概率。
步骤S43：利用与一维特征空间对应的预设决策边界分析一维特征空间中的特征点，识别当前环境是否存在火警。
以基于神经网络的学习训练方式为例，可以直接根据映射得到的火警、干扰的分类概率，确定当前环境是否存在火警。例如，火警的分类概率为90％，干扰的分类概率为10％，则可以确定当前环境存在火警。
在一些实施场景中，当确定当前环境存在火警时，可以输出火警报警信息，当确定当前环境存在干扰时，可以输出干扰报警信息，具体可以参阅上述实施例中的相关步骤，本实施例在此不再赘述。
区别于前述实施例，通过获取当前环境的连续的多个烟雾信息，以作为一组待测数据，并将一组待测数据映射到一维特征空间，得到一组待测数据在一维特征空间中的特征点，从而利用与一维特征空间对应的预设决策边界分析一维特征空间中的特征点，识别当前环境是否存在火警，能够基于多组样本数据所学习到的预设决策边界对当前采集的待测数据进行识别，确定是否存在火警，能够提高火警识别率，降低误报率。
请参阅图5，图5是本申请火警识别装置50一实施例的框架示意图。火警识别装置50包括数据获取模块51、数据映射模块52和分析识别模块53，数据获取模块51用于获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据，数据映射模块52用于将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点，分析识别模块53用于利用预设决策边界分析特征点，识别当前环境是否存在火警，其中，预设决策边界是基于多组样本数据而获得的。
上述方案，通过获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据，并将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点，利用预设决策边界分析特征点，识别当前环境是否存在火警，且预设决策边界是基于多组样本数据而获得的，从而无需增加额外的硬件，此外，由于预设决策边界时基于多组样本数据而得到的，因此，利用预设决策边界对特征点进行分析，能够有效减少水汽、灰尘、冷凝等干扰造成的误报，故此，能够降低火警识别的成本以及误报率。
在一些实施例中，预设特征空间为多维特征空间，多维特征空间包括多个特征平面，火警识别装置50还包括边界获取模块，用于将多组样本数据分别映射到多个特征平面，得到与多个特征平面一一对应的多个预设决策边界，数据映射模块52包括特征平面选择子模块，用于依序选取多个特征平面中的一个作为当前特征平面，数据映射模块52还包括待测数据映射子模块，用于将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点，分析识别模块53用于利用与当前特征平面对应的预设决策边界分析与当前特征平面对应的特征点，识别当前环境是否存在火警。在一个实施场景中，多个特征平面是由多个预设特征两两组合而构成的，多个预设特征包括：数据线性拟合斜率、数据线性拟合截距、数据匹配程度和数据波动程度。在一个实施场景中，至少一组待测数据包括由多个烟雾信息中的部分所组成的至少一组待测数据。
区别于前述实施例，预设特征空间为多维特征空间，且多维特征空间包括多个特征平面，通过依序选取多个特征平面中的一个作为当前特征平面，从而将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点，进而利用与当前特征平面对应的预设决策边界分析与当前特征平面对应的特征点，识别当前环境是否存在火警，能够在多个特征平面上进行火警识别，进而能够提高火警识别率，降低火警误报率。
在一些实施例中，多组样本数据包括标注为火警的第一样本数据和标注为干扰的第二样本数据，边界获取模块包括第一边界获取模块，用于将多组第一样本数据分别映射到多个特征平面，得到与多个特征平面一一对应的多个第一预设决策边界，边界获取模块包括第二边界获取模块，用于将多组第二样本数据分别映射到多个特征平面，得到与多个特征平面一一对应的多个第二预设决策边界，分析识别模块53包括第一识别子模块，用于利用与当前特征平面对应的第一预设决策边界分析当前特征平面对应的特征点，识别当前环境是否存在火警，分析识别模块53还包括信息输出子模块，用于在识别当前环境存在火警时，输出火警报警信息，分析识别模块53还包括第二识别子模块，用于在未识别当前环境存在火警时，利用与当前特征平面对应的第二预设决策边界分析当前特征平面对应的特征点，识别当前环境是否存在干扰，信息输出子模块用于在识别当前环境存在干扰时，输出干扰报警信息，分析识别模块53还包括循环执行子模块，用于在未识别当前环境存在干扰时，结合上述模块重新执行依序选取多个特征平面中的一个作为当前特征平面的步骤以及后续步骤。在一个实施场景中，循环执行子模块包括判断单元，用于判断是否还存在未被选取的特征平面，循环执行子模块还包括选取单元，用于在还存在未被选取的特征平面时，将未被选取的特征平面作为当前特征平面，并重新执行将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点的步骤以及后续步骤，信息输出子模块还用于在不存在未被选取的特征平面时，输出火警报警信息。
在一些实施例中，预设特征空间为一维特征空间，边界获取模块用于采用预设学习训练方式对多组样本数据进行学习，得到与一维特征空间对应的预设决策边界，数据获取模块51用于获取当前环境的连续的多个烟雾信息，以作为一组待测数据，数据映射模块52用于将一组待测数据映射到一维特征空间，得到一组待测数据在一维特征空间中的特征点，分析识别模块53用于利用与一维特征空间对应的预设决策边界分析一维特征空间中的特征点，识别当前环境是否存在火警。在一个实施场景中，预设学习训练方式包括以下任意一者：基于神经网络的学习训练方式、基于支持向量机的学习训练方式。在一个实施场景中，多组样本数据包括标注为火警的第一样本数据和标注为干扰的第二样本数据。
区别于前述实施例，通过获取当前环境的连续的多个烟雾信息，以作为一组待测数据，并将一组待测数据映射到一维特征空间，得到一组待测数据在一维特征空间中的特征点，从而利用与一维特征空间对应的预设决策边界分析一维特征空间中的特征点，识别当前环境是否存在火警，能够基于多组样本数据所学习到的预设决策边界对当前采集的待测数据进行识别，确定是否存在火警，能够提高火警识别率，降低误报率。
在一些实施例中，数据获取模块51包括数据保存子模块，用于依序保存获取到的烟雾信息，数据获取模块51还包括判断子模块，用于若当前保存的烟雾信息符合预设条件，则将当前保存的烟雾信息及其之前保存的第一预设数量个烟雾信息作为多个烟雾信息。在一个实施场景中，预设条件包括：当前保存的烟雾信息及其之前保存的第二预设数量个烟雾信息的数值均大于预设阈值，其中，第一预设数量大于第二预设数量。
区别于前述实施例，通过依序保存获取到的烟雾信息，并在当前保存的烟雾信息符合预设条件时，将当前保存的烟雾信息及其之前保存的第一预设数量个烟雾信息作为多个烟雾信息，能够在正常情况下，免于后续的数据映射等数据分析、处理，降低处理负荷，降低后续调用数据分析的频率，从而能够降低能耗，进而能够提高应用在电池受限的独立式火灾探测器上的可行性。
请参阅图6，图6是本申请火警识别装置60一实施例的框架示意图。火警识别装置60包括相互耦接的存储器61和处理器62，处理器62用于执行存储器61中存储的程序执行，以实现上述任一火警识别方法实施例中的步骤。
具体而言，处理器62用于控制其自身以及存储器61以实现上述任一火警识别方法实施例中的步骤。处理器62还可以称为CPU(Central Processing Unit，中央处理单元)。处理器62可能是一种集成电路芯片，具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器62可以由多个集成电路芯片共同实现。
本实施例中，处理器62用于获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据，处理器62还用于将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点，处理器62还用于利用预设决策边界分析特征点，识别当前环境是否存在火警，其中，预设决策边界是基于多组样本数据而获得的。
上述方案，通过获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据，并将至少一组待测数据映射到预设特征空间，获得与每组待测数据对应的特征点，利用预设决策边界分析特征点，识别当前环境是否存在火警，且预设决策边界是基于多组样本数据而获得的，从而无需增加额外的硬件，此外，由于预设决策边界时基于多组样本数据而得到的，因此，利用预设决策边界对特征点进行分析，能够有效减少水汽、灰尘、冷凝等干扰造成的误报，故此，能够降低火警识别的成本以及误报率。
在一些实施例中，预设特征空间为多维特征空间，多维特征空间包括多个特征平面，处理器62还用于将多组样本数据分别映射到多个特征平面，得到与多个特征平面一一对应的多个预设决策边界，处理器62还用于依序选取多个特征平面中的一个作为当前特征平面，处理器62还用于将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点，处理器62还用于利用与当前特征平面对应的预设决策边界分析与当前特征平面对应的特征点，识别当前环境是否存在火警。在一个实施场景中，多个特征平面是由多个预设特征两两组合而构成的，多个预设特征包括：数据线性拟合斜率、数据线性拟合截距、数据匹配程度和数据波动程度。在一个实施场景中，至少一组待测数据包括由多个烟雾信息中的部分所组成的至少一组待测数据。
区别于前述实施例，预设特征空间为多维特征空间，且多维特征空间包括多个特征平面，通过依序选取多个特征平面中的一个作为当前特征平面，从而将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点，进而利用与当前特征平面对应的预设决策边界分析与当前特征平面对应的特征点，识别当前环境是否存在火警，能够在多个特征平面上进行火警识别，进而能够提高火警识别率，降低火警误报率。
在一些实施例中，多组样本数据包括标注为火警的第一样本数据和标注为干扰的第二样本数据，处理器62还用于将多组第一样本数据分别映射到多个特征平面，得到与多个特征平面一一对应的多个第一预设决策边界，处理器62还用于将多组第二样本数据分别映射到多个特征平面，得到与多个特征平面一一对应的多个第二预设决策边界，处理器62还用于利用与当前特征平面对应的第一预设决策边界分析当前特征平面对应的特征点，识别当前环境是否存在火警，火警识别装置60还包括人机交互电路，用于在识别存在火警时，输出火警报警信息，处理器62还用于在未识别存在火警时，利用与当前特征平面对应的第二预设决策边界分析当前特征平面对应的特征点，并识别当前环境是否存在干扰，人机交互电路还用于在处理器62识别出干扰时，输出干扰报警信息；处理器62还用于在未识别出干扰时，重新执行依序选取多个特征平面中的一个作为当前特征平面的步骤以及后续步骤。在一个实施场景中，处理器62还用于判断是否还存在未被选取的特征平面，处理器62还用于在判断存在未被选取的特征平面时，将未被选取的特征平面作为当前特征平面，并重新执行将至少一组待测数据映射到当前特征平面，得到与当前特征平面对应的特征点的步骤以及后续步骤，人机交互电路还用于在不存在未被选取的特征平面时，输出火警报警信息。
在一些实施例中，预设特征空间为一维特征空间，处理器62还用于采用预设学习训练方式对多组样本数据进行学习，得到与一维特征空间对应的预设决策边界，处理器62还用于获取当前环境的连续的多个烟雾信息，以作为一组待测数据，处理器62还用于将一组待测数据映射到一维特征空间，得到一组待测数据在一维特征空间中的特征点，处理器62还用于利用与一维特征空间对应的预设决策边界分析一维特征空间中的特征点，识别当前环境是否存在火警。在一个实施场景中，预设学习训练方式包括以下任意一者：基于神经网络的学习训练方式、基于支持向量机的学习训练方式。在一个实施场景中，多组样本数据包括标注为火警的第一样本数据和标注为干扰的第二样本数据。
区别于前述实施例，通过获取当前环境的连续的多个烟雾信息，以作为一组待测数据，并将一组待测数据映射到一维特征空间，得到一组待测数据在一维特征空间中的特征点，从而利用与一维特征空间对应的预设决策边界分析一维特征空间中的特征点，识别当前环境是否存在火警，能够基于多组样本数据所学习到的预设决策边界对当前采集的待测数据进行识别，确定是否存在火警，能够提高火警识别率，降低误报率。
在一些实施例中，处理器62还用于控制存储器61依序保存获取到的烟雾信息，处理器62还用于在当前保存的烟雾信息符合预设条件时，将当前保存的烟雾信息及其之前保存的第一预设数量个烟雾信息作为多个烟雾信息。在一个实施场景中，预设条件包括：当前保存的烟雾信息及其之前保存的第二预设数量个烟雾信息的数值均大于预设阈值，其中，第一预设数量大于第二预设数量。
区别于前述实施例，通过依序保存获取到的烟雾信息，并在当前保存的烟雾信息符合预设条件时，将当前保存的烟雾信息及其之前保存的第一预设数量个烟雾信息作为多个烟雾信息，能够在正常情况下，免于后续的数据映射等数据分析、处理，降低处理负荷，降低后续调用数据分析的频率，从而能够降低能耗，进而能够提高应用在电池受限的独立式火灾探测器上的可行性。
在一些实施例中，火警识别装置60还包括括烟雾采集器件，用于对当前环境进行采集得到烟雾信息。
请参阅图7，图7是本申请存储装置70一实施例的框架示意图。存储装置70存储有能够被处理器运行的程序指令71，程序指令71用于实现上述任一火警识别方法实施例中的步骤。
上述方案，能够不增加额外的硬件，且有效减少水汽、灰尘、冷凝等干扰造成的误报，故此，能够降低火警识别的成本以及误报率。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
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网络单元上。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方式方案的目的。
另外，在本申请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。
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，本申请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(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (13)

1.一种火警识别方法，其特征在于，包括：
获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据；
将所述至少一组待测数据映射到预设特征空间，获得与每组所述待测数据对应的特征点；
利用预设决策边界分析所述特征点，识别所述当前环境是否存在火警，其中，所述预设决策边界是基于多组样本数据而获得的；
其中，所述预设特征空间为多维特征空间，所述多维特征空间包括多个特征平面，所述多组样本数据包括标注为火警的第一样本数据和标注为干扰的第二样本数据，所述预设决策边界包括多个第一预设决策边界以及多个第二预设决策边界；
所述获取当前环境的连续的多个烟雾信息之前，所述方法还包括：
将多组所述第一样本数据分别映射到所述多个特征平面，得到与所述多个特征平面一一对应的多个第一预设决策边界；
并将多组所述第二样本数据分别映射到所述多个特征平面，得到与所述多个特征平面一一对应的多个第二预设决策边界。
2.根据权利要求1所述的火警识别方法，其特征在于，所述将所述至少一组待测数据映射到预设特征空间，获得与每组所述待测数据对应的特征点包括：
依序选取所述多个特征平面中的一个作为当前特征平面；
将所述至少一组待测数据映射到所述当前特征平面，得到与所述当前特征平面对应的特征点；
所述利用预设决策边界分析所述特征点，识别所述当前环境是否存在火警包括：
利用与所述当前特征平面对应的预设决策边界分析与所述当前特征平面对应的特征点，识别所述当前环境是否存在火警。
3.根据权利要求2所述的火警识别方法，其特征在于，所述多个特征平面是由多个预设特征两两组合而构成的，所述多个预设特征包括：数据线性拟合斜率、数据线性拟合截距、数据匹配程度和数据波动程度。
4.根据权利要求2所述的火警识别方法，其特征在于，所述利用与所述当前特征平面对应的预设决策边界分析与所述当前特征平面对应的特征点，识别所述当前环境是否存在火警包括：
利用与所述当前特征平面对应的第一预设决策边界分析所述当前特征平面对应的特征点，识别所述当前环境是否存在火警；
若是，则输出火警报警信息；
若否，则利用与所述当前特征平面对应的第二预设决策边界分析所述当前特征平面对应的特征点，识别所述当前环境是否存在干扰；若是，则输出干扰报警信息；若否，则重新执行所述依序选取所述多个特征平面中的一个作为当前特征平面的步骤以及后续步骤。
5.根据权利要求4所述的火警识别方法，其特征在于，所述重新执行所述依序选取所述多个特征平面中的一个作为当前特征平面的步骤以及后续步骤包括：
判断是否还存在未被选取的特征平面；
若是，则将未被选取的特征平面作为当前特征平面，并重新执行所述将所述至少一组待测数据映射到所述当前特征平面，得到与所述当前特征平面对应的特征点的步骤以及后续步骤；
若否，则输出火警报警信息。
6.根据权利要求2所述的火警识别方法，其特征在于，所述至少一组待测数据包括由所述多个烟雾信息中的部分所组成的至少一组待测数据。
7.根据权利要求1所述的火警识别方法，其特征在于，所述预设特征空间为一维特征空间；
所述获取当前环境的连续的多个烟雾信息之前，所述方法还包括：
采用预设学习训练方式对所述多组样本数据进行学习，得到与所述一维特征空间对应的预设决策边界；
所述获取当前环境的连续的多个烟雾信息，以作为至少一组待测数据包括：
获取当前环境的连续的多个烟雾信息，以作为一组待测数据；
所述将所述至少一组待测数据映射到预设特征空间，获得与每组所述待测数据对应的特征点包括：
将所述一组待测数据映射到所述一维特征空间，得到所述一组待测数据在所述一维特征空间中的特征点；
所述利用预设决策边界分析所述特征点，识别所述当前环境是否存在火警包括：
利用与所述一维特征空间对应的预设决策边界分析所述一维特征空间中的特征点，识别所述当前环境是否存在火警。
8.根据权利要求7所述的火警识别方法，其特征在于，所述预设学习训练方式包括以下任意一者：基于神经网络的学习训练方式、基于支持向量机的学习训练方式；
和/或，所述多组样本数据包括标注为火警的第一样本数据和标注为干扰的第二样本数据。
9.根据权利要求1所述的火警识别方法，其特征在于，所述获取当前环境的连续的多个烟雾信息包括：
依序保存获取到的所述烟雾信息；
若当前保存的烟雾信息符合预设条件，则将所述当前保存的烟雾信息及其之前保存的第一预设数量个烟雾信息作为所述多个烟雾信息。
10.根据权利要求9所述的火警识别方法，其特征在于，所述预设条件包括：所述当前保存的烟雾信息及其之前保存的第二预设数量个烟雾信息的数值均大于预设阈值，其中，所述第一预设数量大于所述第二预设数量。
11.一种火警识别装置，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序执行，以实现权利要求1至10任一项所述的火警识别方法。
12.根据权利要求11所述的火警识别装置，其特征在于，所述火警识别装置还包括烟雾采集器件，用于对当前环境进行采集得到烟雾信息。
13.一种存储装置，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1至10任一项所述的火警识别方法。
CN201911320930.4A 2019-12-19 2019-12-19 火警识别方法以及相关装置 Active CN111127814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911320930.4A CN111127814B (zh) 2019-12-19 2019-12-19 火警识别方法以及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911320930.4A CN111127814B (zh) 2019-12-19 2019-12-19 火警识别方法以及相关装置

Publications (2)

Publication Number Publication Date
CN111127814A CN111127814A (zh) 2020-05-08
CN111127814B true CN111127814B (zh) 2022-07-12

Family

ID=70500366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911320930.4A Active CN111127814B (zh) 2019-12-19 2019-12-19 火警识别方法以及相关装置

Country Status (1)

Country Link
CN (1) CN111127814B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429308B (zh) * 2022-02-08 2024-06-07 河南鑫安利安全科技股份有限公司 一种基于大数据的企业安全风险评估方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751744B (zh) * 2008-12-10 2011-08-31 中国科学院自动化研究所 一种烟雾检测和预警方法
CN107025751B (zh) * 2017-03-10 2018-05-08 深圳大学 基于无线信号传输的室内火情探测和报警的方法及其系统
KR102064746B1 (ko) * 2018-04-09 2020-01-10 미소에이스 주식회사 머신 러닝을 기반으로 한 화재 감시 시스템
CN109102684A (zh) * 2018-08-17 2018-12-28 中国联合网络通信集团有限公司 智慧消防系统及其工作方法
CN209657454U (zh) * 2019-01-28 2019-11-19 北京工业职业技术学院 煤矿火灾识别系统
CN109712367A (zh) * 2019-02-20 2019-05-03 北大青鸟环宇消防设备股份有限公司 烟雾探测器及烟雾探测方法
CN110084166B (zh) * 2019-04-19 2020-04-10 山东大学 基于深度学习的变电站烟火智能识别监测方法

Also Published As

Publication number Publication date
CN111127814A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN109299135B (zh) 基于识别模型的异常查询识别方法、识别设备及介质
US11860038B2 (en) Method, apparatus and system for passive infrared sensor framework
CN111626360B (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN114003903A (zh) 一种网络攻击追踪溯源方法及装置
CN111368862A (zh) 室内外标记的区分方法、分类器的训练方法及设备和介质
CN116208417A (zh) 一种基于大数据的通信异常感知系统及方法
CN111476965B (zh) 火灾检测模型的构建方法、火灾检测方法及相关设备
CN111127814B (zh) 火警识别方法以及相关装置
CN110428579B (zh) 基于图像识别的室内监控系统、方法及装置
CN112100619B (zh) 一种恶意文件检测方法、系统、设备及计算机存储介质
CN110858072A (zh) 设备运行状态的确定方法及装置
US9865158B2 (en) Method for detecting false alarm
CN110334510A (zh) 一种基于随机森林算法的恶意文件检测技术
CN112464297B (zh) 硬件木马检测方法、装置及存储介质
CN117834311A (zh) 一种用于网络安全的恶意行为识别系统
CN114463779A (zh) 吸烟识别方法、装置、设备及存储介质
CN106446687B (zh) 恶意样本的检测方法及装置
CN107809430B (zh) 一种基于极值点分类的网络入侵检测方法
US9317386B2 (en) Event processing method and apparatus performing the same
CN117826771B (zh) 基于ai分析的冷轧机控制系统异常检测方法及系统
CN114154999B (zh) 一种反窃电方法、装置、终端及存储介质
CN117218781A (zh) 基于振动数据和图像数据识别的电缆防盗系统及方法
CN112632541B (zh) 行为恶意程度的确定方法、装置、计算机设备和存储介质
CN117857165A (zh) 网络系统入侵访问数据的检测方法及装置、可读存储介质
CN114153873A (zh) 一种操作系统识别方法及系统

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