CN111613009B - 基于红外热成像的室内危险热源预测报警方法及其装置 - Google Patents
基于红外热成像的室内危险热源预测报警方法及其装置 Download PDFInfo
- Publication number
- CN111613009B CN111613009B CN202010332665.8A CN202010332665A CN111613009B CN 111613009 B CN111613009 B CN 111613009B CN 202010332665 A CN202010332665 A CN 202010332665A CN 111613009 B CN111613009 B CN 111613009B
- Authority
- CN
- China
- Prior art keywords
- temperature
- thermal imaging
- infrared thermal
- alarm
- signal
- 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
- 238000001931 thermography Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000009471 action Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000003331 infrared imaging Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000010411 cooking Methods 0.000 abstract description 16
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 238000010438 heat treatment Methods 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 abstract description 5
- 206010000369 Accident Diseases 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 230000001276 controlling effect Effects 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Human Computer Interaction (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于红外热成像的室内危险热源预测报警方法及其装置，属于火灾报警设备领域。方法如下：S1：通过红外热成像识别监控区域内是否存在高温物体；若有则执行S2；S2：检测高温物体周边是否有人；若有则继续执行S1；若没有则执行S3：S3：继续获取目标监控区域的后续红外热成像信号数据，对高温物体所在位置进行温度识别，获取该位置的温度连续变化情况，根据温度连续变化情况判断是否发出报警信号。该方法不仅能避免将人为可控的正常烹饪、取暖行为被误判为异常，而且可以对整个厨房中所有可能导致火灾危险的设备进行监测，一旦发现可能存在危险的物体，可在第一时间发出报警提醒信号，可有效预防和控制室内火灾事故的发生。
Description
技术领域
本发明属于火灾报警设备领域，具体涉及一种基于红外热成像的火灾警报设备。
背景技术
现代生活中，室内火灾常有发生，其中以厨房火灾为主。据统计，全国每年发生火灾约15万起，厨房火灾约占总数五分之一，死亡人数占总数的35％以上。根据火灾原因调查资料显示，大部分厨房火灾都是在使用明火后人离开所致。随着中国人口老龄化现象日益加剧，独居老人的数量也逐渐增加，独居老人忘记关火导致的家庭火灾的新闻时常发生。如何有效的预测厨房火灾风险，并在第一时间提醒相关人员，避免因火灾而造成的财产损失和人员伤亡，成为一个越来越严重的社会问题。
近几年，人工智能技术迅速发展，智能家居、智慧厨房的概念和方案备受关注，但当前智慧厨房的方案大多数都是通过在灶台中安装接触式温度、压力传感器，根据传感器的数据变化来判别当前灶具是否已处理干烧状态。当然，也有少数采用非接触式的干烧检测方法，如利用红外热成像摄像机采集灶具中有被测物的温度，通过被测物的温度连续变化情况来确定是否发生了干烧。这些干烧或异常熄灭的检测手段虽然可以在一定程度了降低厨房火灾发生的风险，但也存在很多不足，主要表现在以下几个方面：
(1)对厨房火灾的监测范围较小，仅对灶台烹饪过程中可能产生的火灾进行检测，无法对厨房其它区域的火灾风险进行防控，如厨房中其它电器设备产生的火灾无法被发现。
(2)基于传感器的接触式干烧检测方式，会因为传感器的老化和灶具的差异，导致干烧检测不准确或失效。
(3)无论是上述基于传感器的接触式检测方法，还是基于图像的非接触式方法，都无法判别当前的干烧、异常熄灭等异常状态是真正的异常，还是在有人参与的情况下的可控的正常烹饪行为，经常出现将正常烹饪行为误判为异常状态，并执行异常事件处理操作或报警，给正常使用带来很多不便。
(4)当真正出现干烧情况时，报警相对滞后，往往在干烧已发生或即将产生火灾时才报警，给相关人员预留的处理时间较短，不能很好的起来提前预防的作用。
当然本发明的室内危险热源并不限于厨房中的火源，室内的其他空间位置，也往往存在危险热源，例如电热毯、取暖器、破损的插线板等等，这些危险热源在使用不善时也往往会造成火灾。
发明内容
为有效解决现有技术中存在的问题，本发明提出了一种基于红外热成像的室内危险热源预测报警方法及其装置。该方法不仅能避免将人为可控的正常烹饪、取暖行为被误判为异常，而且可以对整个厨房中所有可能导致火灾危险的设备进行监测，一旦发现可能存在危险的物体，可在第一时间发出报警提醒信号，可有效预防和控制室内火灾事故的发生。
本发明所采用的具体技术方案如下：
一种基于红外热成像的室内危险热源预测报警方法，其包括以下步骤：
S1：实时获取目标监控区域的红外热成像信号数据，并根据红外热成像信号数据识别该监控区域内是否存在温度大于或等于第一温度阈值T1的高温物体；当识别到高温物体时，执行S2；
S2：获取目标监控区域的实时图像，并在图像中以高温物体所在位置为中心设定识别区域，检测所述识别区域中是否有人；若有，则继续执行S1；若没有，则执行S3：
S3：继续获取目标监控区域的后续红外热成像信号数据，对所述高温物体所在位置进行温度识别，获取该位置的温度连续变化情况；若温度连续变化情况满足危险报警条件，则发出报警信号，若温度连续变化情况不满足危险报警条件，则重新执行S1。
在上述方案基础上，本发明的各步骤还可以进一步采用以下优选方式实现。
作为优选，所述的红外热成像信号数据通过预设的信号温度转换模型转换为温度数据；所述信号温度转换模型为红外热成像设备的数字信号值、焦平面温度与目标物体温度值之间的函数模型；函数模型的系数值预先利用标定数据拟合得到。
进一步的，所述信号温度转换模型的数学形式为：
si＝ai*t3+bi*t2+ci*t+di
其中：si为焦平面温度为i时，红外热成像设备输出的目标位置数字信号；ai、bi、ci、di均为所述信号温度转换模型的系数，四个系数均与焦平面温度i相关，其计算公式为：
式中，xi代表系数ai、bi、ci、di的通式，xi∈[ai,bi,ci,di]；
为系数xi的四个拟合系数。
更进一步的，所述信号温度转换模型的拟合方法如下：
a)在火灾监控的温度变化范围内，选择若干代表性的目标物体标定温度；在红外热成像设备的焦平面阵列温度变化范围内，选择若干代表性的焦平面标定温度；
b)针对每一个焦平面标定温度，通过红外热成像设备获取各目标物体标定温度下的物体成像数字信号值；利用每一个焦平面标定温度i下的信号数据，各自对所述信号温度转换模型进行拟合，得到该焦平面标定温度下的信号温度转换模型系数xi；
c)基于不同焦平面标定温度下拟合得到的信号温度转换模型系数，以模型系数xi为因变量，焦平面标定温度i为自变量，进行三项式拟合，得到系数xi的四个拟合系数
作为优选，所述危险报警条件为所述温度连续变化情况满足a)或b)：
a)所述高温物体所在位置的温度在设定长度的持续时间内，一直大于或等于第二温度阈值T2，T2>T1；
b)所述高温物体所在位置的温度在设定长度的持续时间内，从第一温度阈值T1上升到第二温度阈值T2，且无下降趋势。
作为优选，所述第一温度阈值T1为大于环境温度但一般不会导致火灾的安全温度值，优选为70～90℃；所述第二温度阈值T2为大于第一温度阈值T1且可能导致火灾的危险温度值，优选为90～120℃。
本发明的另一目的在于提供一种基于红外热成像的室内危险热源预测报警装置，其包括：
红外成像模块，用于通过红外热成像设备对预设的目标监控区域进行热成像扫描，获取不同时刻的目标监控区域的红外热成像信号数据，并将其发送给信号处理模块；
信号分析处理模块，用于执行如权利要求1～6任一所述的基于红外热成像的室内危险热源预测报警方法；
报警信号发送模块：用于根据信号分析处理模块产生的报警信号，向报警动作输出模块发送报警指令；
报警动作输出模块，用于在接收到报警指令后，触发形成报警动作。
作为优选，所述红外成像模块中，包括红外热成像设备和云台，红外热成像设备在云台控制下按照预设的搜索路径进行空间扫描，获取不同的空间位置的红外热成像信号数据。
作为优选，所述云台的搜索路径模式为定点搜索模式、预置点循环搜索模式和路径搜索模式中的一种或多种；
所述定点搜索模式为：通过控制云台使红外热成像设备保持固定视角，持续搜索该视角的监控区域中是否存在所述高温物体；
所述预置点循环搜索模式为：预先通过控制云台转动，将红外热成像设备朝向至一处或多处可能存在高温物体的预置点，保存红外热成像设备朝向每个预置点时的云台PTZ信息；云台不断根据各预置点的PTZ信息调整红外热成像设备的视角，循环搜索各视角的监控区域中是否存在所述高温物体；
所述路径搜索模式为：预先在需要搜索高温物体的区域的边界起始位置、拐点位置和边界终点位置处设置预置点，并依次标记不同的编号，保存红外热成像设备朝向每个预置点时的云台PTZ信息；云台按预置点的编号，通过调用预存的云台PTZ信息控制红外热成像设备依次扫描经过各预置点，在扫描过程中不断搜索监控区域中是否存在所述高温物体。
作为优选，所述的报警动作输出模块具有一个或多个；优选的，当具有多个报警动作输出模块时，所述报警信号发送模块按照设定的优先级顺序，先向优先级最高的报警动作输出模块发出报警指令，若在设定时间内未接收到回应信号，则再向下一优先级的报警动作输出模块发出报警指令，直至接收到回应信号为止。
本发明相对于现有技术而言，具有以下有益效果：
(1)本发明在对高温物体温度变化趋势分析前，先判别当前高温物体周围是否有人，避免将人为可控的正常烹饪行为被误判为危险事件；
(2)本发明通过分析物体从较高温到高温的温度变化趋势来预测是否存在危险，不同于传统方法待物体达到高温一段时间后才判断是否存在危险，能在危险真正来临前，第一时间发出报警提醒，给相关人员更多的处理时间，真正起来预防危险产生的作用；
(3)本发明可以支持多种报警信号接收终端，如：移动手动、智能灶台、声光报警器、后台服务器等，并支持设置报警信号推送优先级，进一步确保当前危险事件能得到及时处理，从而将风险降到最低；
(4)本发明通过控制云台转动，可以对整个厨房内所有存在安全隐患的高温物体进行智能分析，而非仅限于灶台区域，大大拓展了监测范围，进一步降低了火灾发生的概率；
(5)本发明可以记录各种报警事件的录像和温度变化数据以便于后续查询和回顾，可以方便且直接的定位到各种风险或事故产生的原因。
附图说明
图1为一种基于红外热成像的室内危险热源预测报警方法流程示意图；
图2为定点搜索模式示意图；
图3为预置点循环搜索模式示意图；
图4为路径搜索模式示意图；
图5为高温危险源智能分析流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
如图1所示，为本发明提供一种基于红外热成像的室内危险热源预测报警方法流程示意图，其基本流程如下：
首先，通过热成像设备对预设的空间区域不断进行动态扫描，搜索该空间范围内是否存在温度大于第一温度阈值T1的高温物体，如果存在，记录其坐标信息。然后，对上述高温物体的场景图像进行视频分析，如果当前高温物体周围有人，则停止进行下一步的分析重新扫描搜索其他的高温物体，如果当前高温物体周围没有人，则需要通过对当前的测温数据分析，提取大于第一温度阈值T1的高温区域，并记录该区域的温度连续变化情况，根据其温度变化趋势确定是否输出报警提醒信号。最后，基于报警提醒信号，控制相应的报警终端发出警报，引起相关人员的注意，希望对该安全隐患及时处理，避免危险事故的发生。
需要注意的是，上述方法可以在布置于室内的本地监控端进行，也可以通过将红外热成像信号数据发送至远程的服务器端或者云端进行，或者多端结合进行数据交互。也就是说，红外热成像信号数据的获取和信号的处理可以分开进行，热成像设备(如红外热成像摄像机)用于获取目标监控区域的实时红外热成像信号数据，而机器端(可以是本地监控端或者远程服务器端、云端)用于执行该预测报警方法时。为了便于理解，下面详细描述在机器端基于实时的红外热成像信号数据进行相应的信号处理，进而判断是否需要发出警报的流程，其包括以下步骤：
S1：实时获取目标监控区域的红外热成像信号数据，并根据红外热成像信号数据识别该监控区域内是否存在温度大于或等于第一温度阈值T1的高温物体；当识别到高温物体时，执行S2；
S2：获取目标监控区域的实时图像，并在图像中以高温物体所在位置为中心设定识别区域，检测所述识别区域中是否有人；若有，则继续执行S1；若没有，则执行S3：
S3：继续获取目标监控区域的后续红外热成像信号数据，对高温物体所在位置进行温度识别，获取该位置的温度连续变化情况；若温度连续变化情况满足危险报警条件，则发出报警信号，若温度连续变化情况不满足危险报警条件，则重新执行S1。
在上述流程执行过程中，第一温度阈值T1用于作为高温物体的判定阈值，其需要选择一个大于环境温度但一般不会导致火灾的安全温度值，可选择70～90℃，例如85℃。室内的一般物体温度不会高于该温度，因此当监控数据中出现某一物体的温度高于T1时，表明其可能为异常的高温物体，需要进行后续进一步的异常监控。
红外热成像设备一般可以采用红外热成像摄像机实现，该设备是通过被动接收物体的红外辐射成像的，任何大于绝对零度(-273℃)的物体都会产生红外辐射，热成像摄像机输出的数字信号与该物体温度正相关，为了能有效发现高温物体，首先需要通过算法处理将热成像摄像机输出的数字信号转换成温度值。该转换过程受红外焦平面传感器阵列的工作温度较大，并呈现非线性变化，导致转换的温度值与目标实际温度值存在一定的偏差。为解决该问题，通常采用离线标定的方法，预先标定某几个焦平面温度下，热成像摄像机输出的目标数字信号与目标温度的对应关系曲线，其它焦平面温度下的目标数字信号与目标温度的对应关系曲线，通过对已标定的几个焦平面温度下的对应关系曲线进行线性插值得到。这类方法均存在测温精度不高问题，其主要原因有两方面。一方面是由于为了兼顾对低温目标和高温目标，导致整个温度转换范围较大，在进行插值计算过程中，是以整个温度转换范围内转换温度值与实际温度值的累计误差最小为目标，往往会导致有些温度段精度高，有些温度段精度低的现象；另一方面，不同焦平面下的数字信号与目标温度关系曲线是非线性的，通过线性插值方法计算会引入误差。
本发明结合实际应用场景，提出了一种高精度温度计算方法，用于根据红外热成像信号数据反演其温度。在该方法中，红外热成像信号数据通过预设的信号温度转换模型转换为温度数据，而信号温度转换模型为红外热成像设备的数字信号值、焦平面温度与目标物体温度值之间的函数模型。
下面详细叙述该高精度温度计算方法的一种实现方式，其步骤如下：
1)、首先建立热成像摄像机数字信号s与温度值t的数学模型(这里的热成像摄像机数字信号是经过非均匀性校正后的数字信号)，记为信号温度转换模型，其模型公式如下：
s＝a*t3+b*t2+c*t+d (1)
式中t为温度，s为数字信号，a，b，c，d为常数。
该信号温度转换模型在使用前，其模型的系数值需预先利用标定数据拟合得到。在拟合过程中，可以在火灾监控的温度变化范围内，选择若干代表性的目标物体标定温度(以下简称目标温度)；在红外热成像设备的焦平面阵列温度变化范围内，选择若干代表性的焦平面标定温度(以下简称焦平面温度)，然后针对每一个焦平面温度，通过红外热成像设备获取各目标温度下的物体成像数字信号值，用于进行后续拟合。
与传统方法不同，这里的代表性目标温度的选取方式可以是非等间距的，即：对应用场景中重点关注的温度区间采样的间隔较小，对场景中不关注的温度区间采样间隔较大或不采样，这样可以保证最终的数字模型对场景中关注的温度区间的温度计算误差最小。本发明的应用场景重点关注的是高温目标，因此，本实施例选择的目标温度值有9个，分别为：50℃、70℃、85℃、95℃、100℃、105℃、115℃、130℃、150℃，这9个温度可作为代表性的焦平面标定温度。而选定的代表性的焦平面标定温度也有9个，分别是：-20℃、-10℃、0℃、10℃、20℃、30℃、40℃、50℃、60℃。上述焦平面温度的选取是等间隔的。
不同焦平面温度下的摄像机数字信号s与目标物体温度值t的数学模型拟合公式为：
si＝ai*t3+bi*t2+ci*t+di (2)
其中，si为焦平面温度为i时，红外热成像设备输出的目标位置数字信号；ai、bi、ci、di均为所述信号温度转换模型的系数。
2)、然后将热成像摄像机的焦平面阵列的温度调节至第一个焦平面温度后，采集9个不同目标物体温度值t对应的数字信号，通过这9组值进行上述式(2)的三项式拟合，得到a，b，c，d的值，记为a1、b1、c1、d1。
再将焦平面阵列的温度调节至第二个焦平面温度值，再次采集上述9个不同目标物体温度值t对应的数字信号，进行上述式(2)的三项式拟合，得到的拟合系数记为a2、b2、c2、d2。
不断重复该采集和拟合步骤，利用每一个焦平面标定温度i下的信号数据，各自对信号温度转换模型进行拟合，得到该焦平面标定温度下的信号温度转换模型系数ai、bi、ci、di。当对所有的焦平面温度下的情况进行数据采集和拟合后，一共得到9组系数，即(a1、b1、c1、d1)，(a2、b2、c2、d2)、……、(a9、b9、c9、d9)，这9组系数可表示在上述9个焦平面温度下的摄像机数字信号s与温度值t的数学模型。由于四个系数ai、bi、ci、di均与焦平面温度i相关，因此需要进一步利用上述9组系数拟合出系数与焦平面温度i之间的计算公式，以便于对任意焦平面温度下的温度进行测量。
3)、基于不同焦平面标定温度下拟合得到的信号温度转换模型系数，以模型系数xi为因变量，焦平面标定温度i为自变量，进行三项式拟合，得到系数xi的四个拟合系数
此时拟合所用的三项式通式表达如下：
式中，xi代表系数ai、bi、ci、di的通式，xi∈[ai,bi,ci,di]；
为系数xi的四个拟合系数。
例如，ai的计算过程是：通过对上述9个焦平面采样温度值及相应的a1、a2、a3、a4、a5、a6、a7、a8、a9进行三项式拟合，得到任意焦平面温度i下的，摄像机数字信号s与温度值t的数学模型中的系数ai，即：
ai＝n3*i3+n2*i2+n1*i+n0 (3)
式中，n0、n1、n2、n3为三项式拟合系数，为常数。
按上述计算ai方式，同理可以计算出任意焦平面温度下的摄像机数字信号s与温度值t的数学模型公式(2)中的系数bi、ci、di。
基于该方法，可以在实际的测量过程中，获取红外热成像设备的当前焦平面温度i，根据式(3)得到其对应的模型系数ai、bi、ci、di，进而将信号值si代入式(2)中，得到其目标物体的实际温度t。
在热成像摄像机中，其焦平面阵列中获取到的数字信号s是以像元为单位的，因此在进行信号温度转换时，每个像元的信号分别输入模型中，得到该像元对应的温度。由此可以得到整个监控范围内不同位置的温度值，通过阈值筛选的方式，即可识别出高温物体所在位置以及其边界。
当识别出高温物体后，需要通过S2步骤判断高温物体周边是否有人。如果有人，其一般属于正常的用火或者取暖行为，例如正在进行烹饪或者用取暖设备进行取暖。判断高温物体周边是否有人可利用机器学习算法对图像进行人形检测，具体的机器学习算法可采用现有技术实现，不再赘述。需要注意的是，在该检测过程中，其需要获取目标监控区域的实时图像，该实时图像可以是热成像摄像机的热成像图像，也可以是额外的监控视频的图像。但考虑到算法的实现简便性，优选采用同一热成像摄像机采集的热成像图像。该热成像图像可以是S1中检测到高温物体的同一图像帧，当然也可以是相邻的图像帧，但相隔时间不宜过长。在热成像图像中，可以在图像中以高温物体所在位置为中心设定识别区域，检测识别区域中是否有人。具体的识别区域大小可以根据实际场景的大小进行调整。
而在S3中进行异常监控过程中，本发明是通过对高温物体温度变化趋势进行分析来判断是否可能产生火灾的。由于在前述步骤中，已经识别到了高温物体所在位置以及其边界范围，因此可以继续获取目标监控区域的后续红外热成像信号数据，对同一边界范围内的温度数据进行采集，由此得到该位置的温度连续变化情况。在连续采集时，可以对连续的信号帧进行温度采集，也可以以一定的间隔获取信号帧进行温度采集，只要其能够反映温度变化即可。
具体的危险报警条件可以根据火灾发生时的温度特点进行确定。在本发明中，给出了一种优选方式，即满足以下条件中的任意一种，即可视为满足危险报警条件：
a)高温物体所在位置的温度在设定长度的持续时间内，一直大于或等于第二温度阈值T2(T2>T1)。上述第二温度阈值T2为大于第一温度阈值T1且可能导致火灾的危险温度值，优选为90～120℃，例如100℃。当温度长期保持在该危险温度以上且周边没有人时，极其容易发生火灾，因此需要进行报警。
b)高温物体所在位置的温度在设定长度的持续时间内，从第一温度阈值T1上升到第二温度阈值T2，且无下降趋势。当温度不断上升时，且超过了危险温度时，表明该物体被持续加热，极其容易发生火灾，因此可直接提前进行危险提醒。
由此可见，不同于传统方法待物体达到高温一段时间后才判断是否存在危险，上述报警方法能在危险真正来临前，第一时间发出报警提醒，给相关人员更多的处理时间，真正起来预防危险产生的作用。
为了便于更好地理解该方法的实现，本发明以厨房为使用场景，展示了一种基于红外热成像的室内危险热源预测报警装置，其包括红外成像模块、信号分析处理模块、报警信号发送模块和报警动作输出模块。下面对各模块的实现进行详细描述。
红外成像模块，用于通过红外热成像设备对预设的目标监控区域进行热成像扫描，获取不同时刻的目标监控区域的红外热成像信号数据，并将其发送给信号处理模块；
信号分析处理模块，用于执行前述的基于红外热成像的室内危险热源预测报警方法，即S1～S3。
报警信号发送模块：用于根据信号分析处理模块产生的报警信号，向报警动作输出模块发送报警指令；
报警动作输出模块，用于在接收到报警指令后，触发形成报警动作。
进一步的，在上述室内危险热源预测报警装置的红外成像模块中，除了包括红外热成像设备之外，还包括一个云台，红外热成像设备可在云台控制下按照预设的搜索路径进行空间扫描，获取不同的空间位置的红外热成像信号数据。
为了将厨房安全隐患降到最低，需要对厨房中的所有可能产生危险的高温物体进行监测，本发明中的红外热成像摄像机安装在可转动的云台上，通过云台的转动，实现对整个厨房空间中所有温度大于第一温度阈值T1(T1是一个大于环境温度的安全温度值，如：85℃)的高温物体的搜索，如果发现了符合上述条件的高温物体，保存该坐标信息。智能分析处理模块通过坐标信息找到各个高温物体，并对其进行智能分析。
为了进一步提高对高温物体的搜索效率，可根据实现情况，设置云台的搜索路径，主要有以下几种模式：
定点搜索模式：如图2所示，通过控制云台使红外热成像设备保持固定视角，持续搜索该视角的监控区域中是否存在高温物体。
预置点循环搜索模式：如图3所示，预先通过控制云台转动，将红外热成像设备朝向至一处或多处可能存在高温物体的预置点，保存红外热成像设备朝向每个预置点时的云台PTZ信息；云台不断根据各预置点的PTZ信息调整红外热成像设备的视角，循环搜索各视角的监控区域中是否存在高温物体；
路径搜索模式：如图4所示，预先在需要搜索高温物体的区域的边界起始位置、拐点位置和边界终点位置处设置预置点，并依次标记不同的编号，保存红外热成像设备朝向每个预置点时的云台PTZ信息；云台按预置点的编号，通过调用预存的云台PTZ信息控制红外热成像设备依次扫描经过各预置点，在扫描过程中不断搜索监控区域中是否存在高温物体。
预置点循环搜索模式与路径搜索模式的区别在于，前者仅对预置点位置的图像进行分析，而后者需要在扫描过程中对每个视角下的图像都进行分析。前者的搜索速度较快，可满足绝大部分需求，后者能够全面发现各危险高温源，但其速度相对较慢。实际可根据场景需要进行模式选择，也可以设置切换控制按钮，供用户自行选择。
进一步的，在室内危险热源预测报警装置的信号分析处理模块中，主要完成对当前厨房中温度大于第一温度阈值T1的高温物体进行智能分析，预测该物体是否存在安全隐患，对可能产生危险的情况进行及时报警。上述智能分析主要通过软件算法实现，其流程图如图5所示，具体如下：
(1)通过高温搜索模块保存的位置坐标信息，指示云台转至存在高温物体的位置，获取该位置下的热成像图像，利用机器学习算法检测图像中高温物体周围是否有人；
(2)如果(1)的检测结果有人，表明当前高温物体是受人为控制的，相对安全，停止进行进一步的状态分析和识别，返回(1)；
(3)如果(1)的检测结果无人，根据测温数据和预置的第一温度阈值T1(T1是一个大于环境温度的安全温度值，本实施例设为85℃)，提取当前热成像图像中大于第一温度阈值T1的高温区域；
(4)记录各个大于第一温度阈值T1的高温区域的温度连续变化；
(5)当记录时间达到预设的时间阈值t1(具体可根据检测灵敏度调整)时，分析各个高温区域的温度变化情况，通过其温度变化趋势预测是否存在危险，具体如下：
a)如果温度持续下降，表明当前处理降温过程中，相对安全，不存在危险；
b)如果温度持续大于或等于第二温度阈值T2(本实施例设为100℃)，表明当前无人环境下，存在持续高温物体，存在安全隐患存在，需要及时提醒；
c)如果温度从T1上升到T2，且无下降趋势，表明当前无人环境下，存在快速升温的物体，并达到了温度值T2，存在安全隐患存在，需要及时提醒；
(6)如果上述(5)中分析结果不存在危险，返回(1)，否则，保存当前的分析结果、图像以及视频数据，并发出报警提醒信号。
进一步的，在室内危险热源预测报警装置的报警信号发送模块中，其主要负责将报警信号分别传送至不同的报警或控制终端，警报信号的传输方式可以是有线网络、wifi、串口等，包含但不限于上述三种。如果前该模块配置了多个报警信号接收终端，可设置报警信号推送的优先级，该模块先将报警信号发送到优先级最高的报警终端，如果在预设时间内未收到回应信号，该模块将报警信号发送到次优先级的报警终端，以此反复，直到收到某个报警终端的回应信号。如果未配置报警信号推送的优先级时，系统将报警信号发送至所有成功配置的报警终端。如系统中添加了报警信号推送人的移动手机终端ID，并成功配置了相应的信号传输参数，报警信号会传输到预先添加的移动终端；如系统中添加了智能灶台的控制器，并配置成功，报警信号会传输至指定的灶台控制器，指导灶台调整加热状态；如系统连接了声光报警器，报警信号会被传送到相应的报警器，产生报警提醒。
进一步的，在室内危险热源预测报警装置的报警输出模块中，其主要功能是产生声、光、文字、图像等报警提醒信号，终端包括声光报警器、移动手机、智能灶台、后台服务器等等，主要作用是第一时间引起相关人员的注意，希望对该安全隐患及时处理，避免危险事故的发生。
进一步的，各种报警事件的录像和温度变化数据均可以存储在系统中，以便于后续查询和回顾，直接的定位到各种风险或事故产生的原因。
需注意的是，上述红外成像模块、信号分析处理模块、报警信号发送模块和报警动作输出模块的设置位置可以是多样的。红外成像模块应当安装在室内相应位置，但信号分析处理模块、报警信号发送模块可以与红外成像模块一体化集成，也可以单独设置在远程服务器上或者云端。报警动作输出模块则根据终端的具体类型而定。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (9)
1.一种基于红外热成像的室内危险热源预测报警方法，其特征在于，包括以下步骤：
S1：实时获取目标监控区域的红外热成像信号数据，并根据红外热成像信号数据识别该监控区域内是否存在温度大于或等于第一温度阈值T1的高温物体；当识别到高温物体时，执行S2；
S2：获取目标监控区域的实时图像，并在图像中以高温物体所在位置为中心设定识别区域，检测所述识别区域中是否有人；若有，则继续执行S1；若没有，则执行S3：
S3：继续获取目标监控区域的后续红外热成像信号数据，对所述高温物体所在位置进行温度识别，获取该位置的温度连续变化情况；若温度连续变化情况满足危险报警条件，则发出报警信号，若温度连续变化情况不满足危险报警条件，则重新执行S1；
所述的红外热成像信号数据通过预设的信号温度转换模型转换为温度数据；所述信号温度转换模型为红外热成像设备的数字信号值、焦平面温度与目标物体温度值之间的函数模型；函数模型的系数值预先利用标定数据拟合得到；
所述信号温度转换模型的数学形式为：
si＝ai*t3+bi*t2+ci*t+di
其中：si为焦平面温度为i时，红外热成像设备输出的目标位置数字信号；ai、bi、ci、di均为所述信号温度转换模型的系数，四个系数均与焦平面温度i相关，其计算公式为：
式中，xi代表系数ai、bi、ci、di的通式，xi∈[ai,bi,ci,di]；
为系数xi的四个拟合系数。
2.如权利要求1所述的基于红外热成像的室内危险热源预测报警方法，其特征在于，所述信号温度转换模型的拟合方法如下：
a)在火灾监控的温度变化范围内，选择若干代表性的目标物体标定温度；在红外热成像设备的焦平面阵列温度变化范围内，选择若干代表性的焦平面标定温度；
b)针对每一个焦平面标定温度，通过红外热成像设备获取各目标物体标定温度下的物体成像数字信号值；利用每一个焦平面标定温度i下的信号数据，各自对所述信号温度转换模型进行拟合，得到该焦平面标定温度下的信号温度转换模型系数xi；
c)基于不同焦平面标定温度下拟合得到的信号温度转换模型系数，以模型系数xi为因变量，焦平面标定温度i为自变量，进行三次四项式拟合，得到系数xi的四个拟合系数
3.如权利要求1所述的基于红外热成像的室内危险热源预测报警方法，其特征在于，所述危险报警条件为所述温度连续变化情况满足a)或b)：
a)所述高温物体所在位置的温度在设定长度的持续时间内，一直大于或等于第二温度阈值T2，T2>T1；
b)所述高温物体所在位置的温度在设定长度的持续时间内，从第一温度阈值T1上升到第二温度阈值T2，且无下降趋势。
4.如权利要求3所述的基于红外热成像的室内危险热源预测报警方法，其特征在于，所述第一温度阈值T1为大于环境温度但一般不会导致火灾的安全温度值；所述第二温度阈值T2为大于第一温度阈值T1且可能导致火灾的危险温度值。
5.如权利要求4所述的基于红外热成像的室内危险热源预测报警方法，其特征在于，所述第一温度阈值T1为70～90℃；所述第二温度阈值T2为90～120℃。
6.一种基于红外热成像的室内危险热源预测报警装置，其特征在于，包括：
红外成像模块，用于通过红外热成像设备对预设的目标监控区域进行热成像扫描，获取不同时刻的目标监控区域的红外热成像信号数据，并将其发送给信号处理模块；
信号分析处理模块，用于执行如权利要求1～5任一所述的基于红外热成像的室内危险热源预测报警方法；
报警信号发送模块：用于根据信号分析处理模块产生的报警信号，向报警动作输出模块发送报警指令；
报警动作输出模块，用于在接收到报警指令后，触发形成报警动作。
7.如权利要求6所述的基于红外热成像的室内危险热源预测报警装置，其特征在于，所述红外成像模块中，包括红外热成像设备和云台，红外热成像设备在云台控制下按照预设的搜索路径进行空间扫描，获取不同的空间位置的红外热成像信号数据。
8.如权利要求7所述的基于红外热成像的室内危险热源预测报警装置，其特征在于，所述云台的搜索路径模式为定点搜索模式、预置点循环搜索模式和路径搜索模式中的一种或多种；
所述定点搜索模式为：通过控制云台使红外热成像设备保持固定视角，持续搜索该视角的监控区域中是否存在所述高温物体；
所述预置点循环搜索模式为：预先通过控制云台转动，将红外热成像设备朝向至一处或多处可能存在高温物体的预置点，保存红外热成像设备朝向每个预置点时的云台PTZ信息；云台不断根据各预置点的PTZ信息调整红外热成像设备的视角，循环搜索各视角的监控区域中是否存在所述高温物体；
所述路径搜索模式为：预先在需要搜索高温物体的区域的边界起始位置、拐点位置和边界终点位置处设置预置点，并依次标记不同的编号，保存红外热成像设备朝向每个预置点时的云台PTZ信息；云台按预置点的编号，通过调用预存的云台PTZ信息控制红外热成像设备依次扫描经过各预置点，在扫描过程中不断搜索监控区域中是否存在所述高温物体。
9.如权利要求6所述的基于红外热成像的室内危险热源预测报警装置，其特征在于，所述的报警动作输出模块具有一个或多个；当具有多个报警动作输出模块时，所述报警信号发送模块按照设定的优先级顺序，先向优先级最高的报警动作输出模块发出报警指令，若在设定时间内未接收到回应信号，则再向下一优先级的报警动作输出模块发出报警指令，直至接收到回应信号为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010332665.8A CN111613009B (zh) | 2020-04-24 | 2020-04-24 | 基于红外热成像的室内危险热源预测报警方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010332665.8A CN111613009B (zh) | 2020-04-24 | 2020-04-24 | 基于红外热成像的室内危险热源预测报警方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111613009A CN111613009A (zh) | 2020-09-01 |
| CN111613009B true CN111613009B (zh) | 2021-12-10 |
Family
ID=72201858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010332665.8A Active CN111613009B (zh) | 2020-04-24 | 2020-04-24 | 基于红外热成像的室内危险热源预测报警方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111613009B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112857574B (zh) * | 2021-01-06 | 2023-04-07 | 大连交通大学 | 基于红外温度监测的室内安全远程报警系统 |
| CN113029878B (zh) * | 2021-03-08 | 2023-11-14 | 湖南中冶长天节能环保技术有限公司 | 一种活性炭高温检测并分级报警的方法 |
| CN113192277B (zh) * | 2021-04-29 | 2022-09-30 | 重庆天智慧启科技有限公司 | 小区安防的自动报警系统及方法 |
| CN113327400B (zh) * | 2021-05-31 | 2022-10-04 | 浙江大华技术股份有限公司 | 火情隐患监测方法、装置、系统和存储介质 |
| CN113435290A (zh) * | 2021-06-22 | 2021-09-24 | 悟之信息科技(上海)有限公司 | 一种智能厨房安全预警联动系统及联动方法 |
| CN113870535B (zh) * | 2021-08-11 | 2022-10-21 | 中标慧安信息技术股份有限公司 | 基于边缘计算的设备故障双向预警方法和系统 |
| CN115249394A (zh) * | 2021-12-31 | 2022-10-28 | 重庆工程职业技术学院 | 一种基于bim的工程施工装置 |
| CN114882666B (zh) * | 2022-05-05 | 2024-05-03 | 深圳市富菱楼宇科技有限公司 | 一种智能家居火灾预警方法、系统、终端设备及存储介质 |
| TWI808766B (zh) * | 2022-05-23 | 2023-07-11 | 黃仲璿 | 物件識別的防災訊息警報系統和方法 |
| EP4293645B1 (en) * | 2022-06-13 | 2024-10-09 | Axis AB | Method and system for controlling a guard tour of a thermal camera |
| CN115131938A (zh) * | 2022-08-26 | 2022-09-30 | 山东理工职业学院 | 基于红外监控的人防火情警报方法、装置以及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104034430A (zh) * | 2014-06-09 | 2014-09-10 | 国电南瑞科技股份有限公司 | 自动巡航成像的温度检测方法及检测系统 |
| CN208458880U (zh) * | 2018-06-27 | 2019-02-01 | 国电大渡河检修安装有限公司 | 一种在线红外热成像自巡检测温装置 |
| CN109655162A (zh) * | 2018-11-30 | 2019-04-19 | 诺仪器（中国）有限公司 | 红外热像仪测温校正系统及方法 |
| CN109961603A (zh) * | 2018-10-17 | 2019-07-02 | 湖南挚新科技发展有限公司 | 一种厨房炉灶安全监控方法及装置 |
| CN109977993A (zh) * | 2019-02-01 | 2019-07-05 | 深兰科技（上海）有限公司 | 一种火灾预警方法、装置及计算机可读存储介质 |
| CN110910604A (zh) * | 2019-11-21 | 2020-03-24 | 北京都是科技有限公司 | 用于火灾报警的监控方法、系统以及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2002341370A1 (en) * | 2001-10-15 | 2003-04-28 | Bezalel Urban | Fire hazard prevention system |
-
2020
- 2020-04-24 CN CN202010332665.8A patent/CN111613009B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104034430A (zh) * | 2014-06-09 | 2014-09-10 | 国电南瑞科技股份有限公司 | 自动巡航成像的温度检测方法及检测系统 |
| CN208458880U (zh) * | 2018-06-27 | 2019-02-01 | 国电大渡河检修安装有限公司 | 一种在线红外热成像自巡检测温装置 |
| CN109961603A (zh) * | 2018-10-17 | 2019-07-02 | 湖南挚新科技发展有限公司 | 一种厨房炉灶安全监控方法及装置 |
| CN109655162A (zh) * | 2018-11-30 | 2019-04-19 | 诺仪器（中国）有限公司 | 红外热像仪测温校正系统及方法 |
| CN109977993A (zh) * | 2019-02-01 | 2019-07-05 | 深兰科技（上海）有限公司 | 一种火灾预警方法、装置及计算机可读存储介质 |
| CN110910604A (zh) * | 2019-11-21 | 2020-03-24 | 北京都是科技有限公司 | 用于火灾报警的监控方法、系统以及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111613009A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111613009B (zh) | 基于红外热成像的室内危险热源预测报警方法及其装置 | |
| US10819905B1 (en) | System and method for temperature sensing in cooking appliance with data fusion | |
| JP6429526B2 (ja) | 電気設備温度監視装置および電気設備温度監視システム | |
| CN110633682B (zh) | 基于双光融合的红外图像的异常监测方法、装置、设备 | |
| KR101637989B1 (ko) | 센서와 열화상 카메라의 연동을 통한 실시간 고해상도 열화상 화재 감시 방법 및 장치 | |
| KR102219598B1 (ko) | 설비용 화재 모니터링 시스템 | |
| KR102336030B1 (ko) | 전기차 충전기 화재 감지 및 상태 이상 예측 시스템 | |
| KR101828985B1 (ko) | 방 안의 온도를 모니터링하기 위한 시스템 및 방법 | |
| CN110648489A (zh) | 基于红外热成像燃点识别的库房预警系统 | |
| CN111623882A (zh) | 一种基于枪球联动系统的红外体温监控方法 | |
| CN114894318A (zh) | 一种红外检测报警系统 | |
| CN108254078A (zh) | 一种红外热像仪盲元检测方法 | |
| KR101929539B1 (ko) | 유전자 알고리즘을 이용한 화재 감지 방법 및 시스템 | |
| US6995966B2 (en) | Fire protection for electronics equipment | |
| CN116128810B (zh) | 一种基于前端识别的红外缺陷检测方法和系统 | |
| CN116612346A (zh) | 模型训练方法、油温监测方法、烹饪控制方法及系统 | |
| CN106790900A (zh) | 一种手机温度检测方法及系统 | |
| CN111102966A (zh) | 自动采集设备状态的方法 | |
| JP6700950B2 (ja) | 監視システム | |
| CN115512097A (zh) | 数字地处理多个像素的方法和温度测量装置 | |
| CN114723743A (zh) | 基于区块链的配电设备安全检测方法和装置 | |
| CN111664948A (zh) | 多功能红外测温系统及其测温方法 | |
| CN113327400A (zh) | 火情隐患监测方法、装置、系统和存储介质 | |
| CN112784703A (zh) | 一种基于多光谱的人员行动轨迹确定方法 | |
| CN112525351A (zh) | 一种体温的测量方法及装置 |
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 |