CN111680612A - 基于图像处理的室内火灾荷载自动识别装置与方法 - Google Patents

Abstract

本发明涉及一种基于图像处理的室内火灾荷载自动识别装置及方法，该方法包括以下步骤：S1、采集室内场景图像数据，并对采集的室内图像数据进行存储；S2、对采集的室内图像数据进行识别分析，并将其与火荷载基础数据库预先存储的数据进行匹配得到火灾荷载信息，得到火荷载识别结果；S3、将火荷载识别结果进行保存并可视化显示。本发明能够大幅提升室内火荷载调查效率和自动化水平，节约时间，实现室内火荷载的快速、准确识别，为高效评估建筑火灾风险，提升城市韧性奠定基础。

Description

基于图像处理的室内火灾荷载自动识别装置与方法

技术领域

本发明是关于一种基于图像处理的室内火灾荷载自动识别装置与方法，涉及建筑信息化及数字防灾领域。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，并对质量不佳的图像进行一系列的增强与重建，从而有效改善图像质量。借助于深度学习的力量，计算机视觉技术爆发增长，得到了产业化，出现了神经网络图像识别，是目前比较新的图像识别技术。深度神经网络的应用使得各类视觉识别的任务精度都得到了大幅提升。火灾荷载的调查研究，主要涉及可燃物的种类以及有效燃烧热值。其中凡是能与空气中的氧气或者其他氧化剂起燃烧化学反应的物质，都属于可燃物。燃烧分为完全燃烧和不完全燃烧，燃烧热值主要是指单位质量可燃物完全燃烧时所放出的热量。商业建筑中可燃物的质量可以通过直接测量以及称重的方式确定。数据调查和收集的过程中，要确保采用的方式以及建筑和店铺保持一致，调查数据包括店铺类型、地板面积、固定火灾荷载、移动火灾荷载。调查数据主要用以分析不同类型店铺的总火灾荷载、火灾荷载密度以及可燃物的组成等。

火灾通常由各种因素引起，其中有些因素是在商业综合体平时运营过程中很难加以控制的，确定建筑中总的火灾荷载在技术上十分复杂，因为楼面上的火灾荷载不但是可变的，而且带有偶然性和随机性的特点。对于火灾荷载的调查一般采用现场调查、数据搜集、模型设计和数值模拟等方法。通过对现场数据的调查研究，调查表的收集与录入，最后通过相关公式、热值表计算得出该对象的火灾荷载数值。目前建筑的火灾荷载调查方法仍高度依赖实地和现场调查，主要过程为：1、确定研究对象和调查时间；2、调查固定火灾荷载；3、调查活动火灾荷载；4、确定对象的火灾荷载；5、确定对象的火灾荷载密度；6、分析对象所在地区对对象火灾荷载密度的影响；7、确定对象的火灾荷载密度的分布规律；另外，在调查开始前，需要准备弹簧称、电子称、卷尺、数码照相机等调查工具并设计调查表。为了使调查程序更为系统和一致，将调查程序分为4个步骤：1、熟悉需要调查建筑的图纸，并进行标记；2、确定房间的几何尺寸；3、统计固定火灾荷载，包括结构的构建和内衬材料等；4、统计移动火灾荷载，包括房间内容物、可燃物的类型和质量。

目前，基于现有确定火荷载存在着数据不完善、信息有偏差等问题，主要有：1、许多文献的质量往往难以保证。各种形式的统计资料常常隐含着由个人的偏见、作者的主观意图以及形成文献过程中的客观限制所形成的各种偏误，从而影响到文献资料的准确性、全面性和客观性，影响到文献资料的质量；2、有的资料是不易获得的。由于许多文献都不是公开的和可以随意获得的，因此对于某些特定的社会研究来说，往往很难得到足够的文献资料；3、许多文献资料由于缺乏标准化的形式，因而难于编码和分析；4、效度和信度存在一定的问题。而现场调查法则需要投入大量人力进行现场调查，涉及场地因素、人员因素、时间因素庞杂，存在以下问题：5、工作量大、易出错或遗漏，例如人工导致的统计错误或遗漏某些关键火荷载信息；6、受季节条件的限制，例如在服装商场，季节导致可燃物不同，进而所导致相同区域的火灾荷载密度的分布不同；7、个人主观性差异导致火荷载调查结果不一；8、耗散人力、物力和时间。

发明内容

针对上述问题，本发明的目的是提供一种能够大幅提升室内火灾荷载调查效率和自动化水平，节约时间，实现室内火灾荷载的快速、准确识别的基于图像处理的室内火灾荷载自动识别装置与方法。

为实现上述目的，本发明采取以下技术方案：

第一方面，本发明提供一种基于图像处理的室内火灾荷载自动识别方法，包括以下步骤：

S1、采集室内场景图像数据，并对采集的室内图像数据进行存储；

S2、对采集的室内图像数据进行识别分析，并将其与火荷载基础数据库预先存储的数据进行匹配得到火灾荷载信息，得到火荷载识别结果；

S3、将火荷载识别结果进行保存并可视化显示。

进一步地，还包括训练或构建图像识别分析模型的步骤，具体为：

通过网络和/或文献收集，整理常见室内场景，并人工在图片中标记、区分不同火荷载及其有关参数，整理形成图像识别分析模型的训练和构建用数据集；

利用数据集，结合图像特征提取、统计模型和机器学习模型构建图像识别分析模型；或者采用深度学习模型对数据集训练得到图像识别分析模型。

进一步地，还包括图像预处理的步骤，具体为：

对获取的室内图像进行尺寸裁剪、缩放及数据格式转化，将图像处理为设定的格式和大小。

进一步地，上述步骤S2的具体过程为：

S21、基于图像特征采用图像识别分析模型识别室内火荷载相关物体，并提取各物体的轮廓信息；

S22、通过识别和提取的各物体轮廓信息，采用基于图像特征的图像识别分析模型识别物体材料；

S23、结合图像采集设备参数信息，估计所识别物体的尺寸信息；

S24、基于物体的轮廓和材料识别结果查询火荷载数据库，匹配得到对应物体及其材料基础数据；

S25、利用匹配得到的火荷载基础数据，结合物体尺寸参数，计算各火荷载总量和室内火荷载密度；

S26、将识别结果进行整合，生成图像蒙版和/或文本标注数据作为火荷载识别结果。

第二方面，本发明还提供一种基于图像处理的室内火灾荷载自动识别装置，该装置包括图像采集模块、图像识别分析模块、火荷载数据库模块、数据存储模块和识别结果可视化模块；

所述火荷载数据库模块，用于预设存储有已通过调研或统计形成的室内可燃、易燃物体或材料基本信息；

所述图像采集模块，用于采集室内场景图像，并将采集的图像传输到所述数据存储模块或/和所述图像识别分析模块；

所述数据存储模块，用于存储图像数据，并将存储的图像数据发送到所述图像识别分析模块和/或所述识别结果可视化模块；

所述图像识别分析模块，用于接收从所述图像采集模块和/或所述数据存储模块发送的室内图像，通过预设的图像识别分析模型并基于所述火荷载数据库模块的数据进行室内火荷载识别和分析；

所述识别结果可视化模块，用于读取所述数据存储模块和/图像识别分析模块发送的图像识别分析结果，并在显示设备进行显示。

进一步地，所述图像识别处理模块用于进行物体识别及轮廓提取、材料识别、尺寸估计、火荷载匹配及计算。

进一步地，可视化显示是将所识别的火荷载通过不同颜色、突出轮廓和/或文字说明形式标注。

进一步地，所述图像识别分析模块采用嵌入式计算单元、移动终端或云端图像处理服务器实现。

第三方面，本发明还提供一种存储介质，存储介质上存储有计算机程序指令，其中，程序指令被处理器执行时实现本发明第一方面所述的基于图像处理的室内火灾荷载自动识别方法的步骤。

第四方面，本发明还提供一种终端设备，包括处理器和存储器，存储器用于存放至少一项可执行指令，所述可执行指令使所述处理器执行本发明第一方面所述的基于图像处理的室内火灾荷载自动识别方法的步骤。

本发明由于采取以上技术方案，其具有以下优点：

1、由于现场情况十分复杂，本发明可以利用图像识别直接对现场进行分析，另外由于涉及到大量计算，本发明可以自动化计算并将结果记录分析，不仅最大程度避免人工错误，使得结果更加准确，而且依托计算、数据等建立的模型会更加精准；

2、由于计算机的动态处理图像能力，可以承担大量重复计算要求，更能最大程度保证准确，从而大大缩短因采取传统调查研究方法的时间，避免了传统调查方法在人员分配、场地联系、场地因素、调查工具的影响；

3、本发明还可以利用移动终端快速高效采集数据，并依托云计算在服务端自动处理识别结果，从而让每一个人都参与到火灾风险控制和城市安全保障中来，易应用、易参与，在“互联网+”的大背景下，在推广应用上变得更加快捷方便；

4、本发明的应用场景十分灵活，可移植性强，模型兼容性高，可以在多种平台上进行针对性的调整，从而使得模型在其他平台的应用，并相应的提高可视化程度；

5、本发明基于图像识别技术，可以在工程全周期进行快速的火灾荷载检测和分析，帮助设计人员、施工人员和用户方便快捷的进行工程任务调整或者升级。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：

图1是本发明实施例一的结构示意图；

图2是本发明实施例二的整体方法流程图；

图3是本发明实施例五的流程图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。

尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。

为了便于描述，可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系，这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“上面”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。

针对建筑火灾调查提出一种基于图像处理的室内火灾荷载自动识别装置及方法，具体包括：图像采集模块、图像识别分析模块、火荷载数据库模块、数据存储模块、火荷载可视化模块及有关算法。

本发明可通过摄像头采集室内场景数据，并提供图像识别快速识别室内火荷载材料、体积等信息，保存有关识别结果并进行可视化，从而为用户提供一套快速的室内潜在火荷载识别、估计及可视化装置和方法，为分析建筑火灾风险、提升城市灾害韧性奠定基础。

实施例一

如图1所示，本实施例针对建筑火灾调查提出一种基于图像处理的室内火灾荷载自动识别装置，该装置包括：图像采集模块、数据存储模块、图像识别分析模块、火荷载数据库模块和识别结果可视化模块。

图像采集模块，主要利用图像采集设备采集室内场景图像，并将采集的图像传输到数据存储模块或图像识别分析模块。优选地，图像采集设备可以利用数码相机、手机、平板等手持设备，也可利用室内视频监控摄像头或者室内巡检机器人摄像头等各类图像采集终端，在此不做限定。

数据存储模块，用于存储室内图像数据，并将存储的室内图像数据发送到图像识别分析模块和/或识别结果可视化模块。优选地，数据存储模块可采用机械硬盘、固态硬盘、云存储服务等方式实现，并依托系统文件接口及网络服务接口对外提供服务，以此为例不限于此。

图像识别分析模块，用于接收从图像采集模块和/或数据存储模块发送的室内图像，并基于火荷载数据库模块的数据进行室内火荷载识别和分析。其中，图像识别分析模块用于进行物体识别及轮廓提取、材料识别、尺寸估计及火荷载匹配，并将火荷载识别分析结果(包括但不限于物体轮廓、名称、材料、尺寸、热值等)保存到识别结果可视化模块供其他数据处理需求使用。优选地，图像识别分析模块可以采用英伟达Jetson、树莓派等嵌入式计算单元实现，也可利用手机、平板等移动终端实现，亦或采用云端图像处理服务器实现，在此不做限制。

火荷载数据库模块，用于预设存储有已通过调研或统计形成的室内可燃、易燃物体或材料基本信息，包括名称、材料、热值、物体名称等信息，并为图像识别分析模块提供基础数据支持。优选地，火荷载数据库模块可通过自定义数据文件、XML文件或数据库等形式实现，并为图像识别分析模块提供数据获取、查询接口。

识别结果可视化模块，用于读取数据存储模块和/或图像识别分析模块发送的图像识别分析结果，并在显示设备上将所识别的火荷载通过不同颜色、突出轮廓和/或文字说明等形式标注出来，为用户提供直观、快速的火荷载查看界面。优选地，识别结果可视化模块可以利用电脑显示器、手机或平板屏幕等显示设备实现，以此为例，不限于此。

实施例二

如图2所示，本实施例提供一种基于图像处理的室内火灾荷载自动识别方法，主要包括以下步骤：

S1、训练或构建图像识别分析模型

通过网络和/或文献收集，整理常见室内场景，并人工在图片中标记、区分不同火荷载及其有关参数，整理形成图像识别分析模型的训练和构建用数据集。利用数据集，结合图像特征提取、统计模型、机器学习模型等现有方法构建图像识别分析模型；也可采用Faster-RCNN、Mask-RCNN等深度学习模型对数据集直接训练得到集成化图像识别分析模型。

S2、采集室内场景图片或视频数据，并对采集的室内图像进行存储。

S3、图像识别分析

对采集的室内图像数据基于图像识别分析模型进行物体识别及轮廓提取、材料识别、尺寸估计，并与火荷载数据库预先存储的数据进行匹配得到有关火荷载基础数据，并计算得到火荷载信息，形成火荷载识别结果。

S4、传输并保存识别结果

将火荷载识别结果进行保存，可以将结果进行可视化显示，进一步地，可以获取火荷载失败结果，并通过轮廓高亮、物体着色和/或文字标记形式显示室内各火荷载信息。

进一步地，上述步骤S1主要用于图像识别模型构建，步骤S1完成后，可反复执行步骤S2-S4进行室内图像采集、火荷载识别及可视化，不需每次执行步骤S1。

进一步地，还包括图像预处理的步骤，对获取的室内图像进行尺寸裁剪、缩放及数据格式转化，将图像处理为后续步骤支持的统一格式和大小。

进一步地，上述步骤S3图像识别分析的具体过程为：

S31、物体识别与轮廓提取

基于图像特征采用统计模型或深度学习模型识别室内火荷载相关物体，并提取各物体的轮廓信息，优选地，本步骤可采用SIFT、HOG等算法提取图像特征，并利用统计模型实现物体识别和特征提取，也可利用集成化深度学习模型实现。

S32、物体材料识别

通过识别和提取的各物体轮廓信息，采用基于图像特征的统计模型或深度学习模型识别物体材料。

S33、物体尺寸估计

结合图像采集设备参数信息，利用摄影测量算法估计所识别物体的尺寸信息；也可利用基于深度学习的图像识别分析模型实现。

S34、匹配火荷载基础数据

基于前述步骤得到的物体识别、材料识别结果查询火荷载基础数据库，匹配得到对应的物体及其材料基础数据(包括密度、单位体积/重量的热值等)。

S35、计算和估计火荷载

利用匹配得到的火荷载基础数据，结合物体尺寸参数，计算各火荷载总量和室内火荷载密度等数据，其中，涉及的计算主要包括根据物体尺寸计算体积，通过火荷载基础数据(密度、热值)等计算各物体的火荷载量，并求和得到室内火荷载总量，总量除以室内面积得到室内火荷载密度。

S36、生成识别结果

将识别结果进行整合，生成图像蒙版、文本标注等数据作为火荷载识别结果。

进一步地，根据实现方法的不同，以上步骤S32–S34可以采用不同图像识别分析模型(例如可以基于SIFT、HOG等方法提取图像特征，利用统计模型识别物体及其材料并提取轮廓，并采用摄影测量算法估计物体尺寸)，也可通过一个集成化的深度学习算法(如Faster-RCNN、Mask-RCNN等)得到的图像识别分析模型实现，此类均可以采用现有方法进行实现，在此不做赘述。

实施例三

本实施例提供一种存储介质，存储介质上存储有计算机程序指令，其中，程序指令被处理器执行时用于实现实施例二的基于图像处理的室内火灾荷载自动识别方法的步骤。

实施例四

本实施例提供一种终端设备，包括处理器和存储器，存储器用于存放至少一项可执行指令，所述可执行指令使所述处理器执行实施例二的基于图像处理的室内火灾荷载自动识别方法的步骤。

实施例五

A)下面结合在手机和桌面端电脑上的实施例，详细介绍本发明的基于图像处理的室内火灾荷载自动识别装置具体实现过程。

图像采集模块直接利用手机摄像头进行室内照片拍摄，并通过无线局域网传输到桌面端电脑；

数据存储模块利用桌面端电脑存储硬盘及文件管理系统实现，并按照相同路径下的不同文件夹分别存储原始图像数据和图像识别分析结果；

图像识别分析模块直接利用桌面端电脑CPU和GPU进行数据分析计算，具体图像识别分析模型基于Mask-RCNN模型进行迁移学习构建，火荷载计算程序可以基于python编写，以此为例，不限于此。

火荷载数据库采用excel表格形式存储，保存了常见材料和室内火荷载的热值、名称、尺寸等信息；

识别结果可视化模块使用Dynamo软件实现。

B)如图3所示，下面结合在手机和桌面端电脑上的实施例，详细介绍本发明的基于图像处理的室内火灾荷载自动识别方法具体实现过程，具体过程为：

(1)训练并构建图像识别分析模型

通过网络和文献调研收集室内图像数据，并人工采用labelme软件逐一标注图片信息；然后将生成的标注结果导出为json文件及掩码标签文件保存到本地文件夹pic、json、label_json、cv2_mask、box，其中pic文件夹储存原始的图片，json储存labelme标注的json文件，label_json储存生成的dataset，cv2_mask储存特定物体对应特定颜色的8位彩色label.png图片，box文件夹储存特定物体对应的尺寸信息。

安装anaconda3及python3.6，并在此基础上安装tensorflow、Mask-RCNN等；新建ref_models、new_models文件夹，其中ref_models文件夹保存预训练好的coco模型，new_models保存迁移学习后的模型；

基于Mask-RCNN算法创建迁移学习模型，将数据集分为测试集和训练集，通过train_model.py进行模型训练，并将训练得到的模型以.h5格式保存到new_models文件夹。

(2)部署图像识别分析模型：

将前述训练好的模型.h5文件及图像识别分析run_model.py和火荷载计算程序calc_load.py拷贝到桌面端电脑的部署目录，并测试运行无误后完成部署。

(3)图像采集及其传输保存：

利用手机拍摄室内照片，并通过无线局域网将照片传输到桌面端电脑，并保存到部署目录下的原始图片文件夹；

(4)图像识别分析及其结果保存：

运行run_model.py程序，程序将自动遍历原始图片文件夹所有图像文件，并检查是否已完成识别分析，如未完成则自动进行图像识别分析(物体识别、轮廓提取、材料识别和尺寸估计同步完成)，并将结果(包括json文件和掩码标签文件)保存到识别分析结果文件夹；运行calc_load.py程序，自动读取部署的火荷载数据库和生成的图像识别分析结果，计算并输出火荷载总量及火荷载密度等数据。

(5)识别结果可视化：

用户可直接打开图像识别分析结果的掩码标签文件查看识别结果，也可基于Dynamo可视化程序运行本实施案例的程序脚本，程序将自动导入选定图片文件，将其缩放到合适的大小后，基于掩码标签文件或其热值大小为每部分形体赋予不同的颜色。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种基于图像处理的室内火灾荷载自动识别方法，其特征在于包括以下步骤：

S1、采集室内场景图像数据，并对采集的室内图像数据进行存储；

S2、对采集的室内图像数据进行识别分析，并将其与火荷载基础数据库预先存储的数据进行匹配得到火灾荷载信息，得到火荷载识别结果；

S3、将火荷载识别结果进行保存并可视化显示。

2.根据权利要求1所述的基于图像处理的室内火灾荷载自动识别方法，其特征在于，还包括训练或构建图像识别分析模型的步骤，具体为：

通过网络和/或文献收集，整理常见室内场景，并人工在图片中标记、区分不同火荷载及其有关参数，整理形成图像识别分析模型的训练和构建用数据集；

利用数据集，结合图像特征提取、统计模型和机器学习模型构建图像识别分析模型；或者采用深度学习模型对数据集训练得到图像识别分析模型。

3.根据权利要求1所述的基于图像处理的室内火灾荷载自动识别方法，其特征在于，还包括图像预处理的步骤，具体为：

对获取的室内图像进行尺寸裁剪、缩放及数据格式转化，将图像处理为设定的格式和大小。

4.根据权利要求2所述的基于图像处理的室内火灾荷载自动识别方法，其特征在于，上述步骤S2的具体过程为：

S21、基于图像特征采用图像识别分析模型识别室内火荷载相关物体，并提取各物体的轮廓信息；

S22、通过识别和提取的各物体轮廓信息，采用基于图像特征的图像识别分析模型识别物体材料；

S23、结合图像采集设备参数信息，估计所识别物体的尺寸信息；

S24、基于物体的轮廓和材料识别结果查询火荷载数据库，匹配得到对应物体及其材料基础数据；

S25、利用匹配得到的火荷载基础数据，结合物体尺寸参数，计算各火荷载总量和室内火荷载密度；

S26、将识别结果进行整合，生成图像蒙版和/或文本标注数据作为火荷载识别结果。

5.一种基于图像处理的室内火灾荷载自动识别装置，其特征在于，该装置包括图像采集模块、图像识别分析模块、火荷载数据库模块、数据存储模块和识别结果可视化模块；

所述火荷载数据库模块，用于预设存储有已通过调研或统计形成的室内可燃、易燃物体或材料基本信息；

所述图像采集模块，用于采集室内场景图像，并将采集的图像传输到所述数据存储模块或/和所述图像识别分析模块；

所述数据存储模块，用于存储图像数据，并将存储的图像数据发送到所述图像识别分析模块和/或所述识别结果可视化模块；

所述图像识别分析模块，用于接收从所述图像采集模块和/或所述数据存储模块发送的室内图像，通过预设的图像识别分析模型并基于所述火荷载数据库模块的数据进行室内火荷载识别和分析；

所述识别结果可视化模块，用于读取所述数据存储模块和/或图像识别分析模块发送的图像识别分析结果，并在显示设备进行显示。

6.根据权利要求5所述的基于图像处理的室内火灾荷载自动识别装置，其特征在于，所述图像识别处理模块用于进行物体识别及轮廓提取、材料识别、尺寸估计、火荷载匹配及计算。

7.根据权利要求5所述的基于图像处理的室内火灾荷载自动识别装置，其特征在于，可视化显示是将所识别的火荷载通过不同颜色、突出轮廓和/或文字说明形式标注。

8.根据权利要求5～7任一项所述的基于图像处理的室内火灾荷载自动识别装置，其特征在于，所述图像识别分析模块采用嵌入式计算单元、移动终端或云端图像处理服务器实现。

9.一种存储介质，其特征在于，存储介质上存储有计算机程序指令，其中，程序指令被处理器执行时实现如权利要求1～4任一项所述的基于图像处理的室内火灾荷载自动识别方法的步骤。

10.一种终端设备，包括处理器和存储器，其特征在于，存储器用于存放至少一项可执行指令，所述可执行指令使所述处理器执行如权利要求1～4任一项所述的基于图像处理的室内火灾荷载自动识别方法的步骤。

Images