CN111899460B - 一种基于视频图像的远程火灾探测系统及方法 - Google Patents
一种基于视频图像的远程火灾探测系统及方法 Download PDFInfo
- Publication number
- CN111899460B CN111899460B CN202010730365.5A CN202010730365A CN111899460B CN 111899460 B CN111899460 B CN 111899460B CN 202010730365 A CN202010730365 A CN 202010730365A CN 111899460 B CN111899460 B CN 111899460B
- Authority
- CN
- China
- Prior art keywords
- fire
- image
- acquiring
- suspected
- transmission
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 239000000779 smoke Substances 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010021703 Indifference Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fire-Detection Mechanisms (AREA)
- Alarm Systems (AREA)
- Fire Alarms (AREA)
Abstract
本发明属于远程火灾探测技术领域，公开了一种基于视频图像的远程火灾探测系统及方法，所述方法包括：S1.周期获取当前场景内的红外图像；S2.通过DSP对所述红外图像进行图像特征提取，通过识别算法对提取的图像特征进行火焰或烟雾识别，并获取疑似火灾发生区；S3.获取疑似火灾发生区内的可见光图像，识别可见光图像中是否存在可见火焰或可见烟雾；是，则火灾发生，获取除疑似火灾发生区外其他区域的可见光图像，并执行步骤S4；否，则基于深度学习模块执行一次深度学习，并在学习完成后重新执行步骤S1；S4.将识别结果传输至远程控制中心，同时在疑似火灾发生区内进行一级火灾警报，在除疑似火灾发生区外其他区域进行二级指示警报。
Description
技术领域
本发明属于远程火灾探测技术领域，具体涉及一种基于视频图像的远程火灾探测系统及方法。
背景技术
目前，随着人口的剧增和工业化的发展导致用电量大量增加，在此情况下，而用电设备的老化，安全意识的淡漠，安全防护措施的不到位及其他因素等都成为城市中发生建筑火灾的潜在威胁；为降低火灾带来的损失，人们开发了各种各样的火灾探测装置，以便于能在火灾发生初期进行预警。
现有技术中，常见的火灾探测装包括探测烟雾的感烟探测器、探测温度变化的感温探测器、探测火焰燃烧的光照强度和火焰的闪烁频率的火焰探测器、探测易燃或有毒气体的特殊气体探测器等。
但是，上述提到的探测装置在实际使用时大多会受到其使用环境的影响，从而造成探测准确性较低的问题。例如，对于探测温度变化的感温探测器而言，一般只有探测到的温度高于预定阈值时，才会产生警报；在实际情况中，感温探测器所探测到的温度与其距离火灾点的距离有关，若距离较远，则很难及时探测到火灾的发生。另外，对于一些本身工作温度较高的工业设备而言，在其正常工作时，也可能出现温度高于预定阈值的情况，此时则会出现误报的问题，造成消防资源的浪费。
发明内容
鉴于此，为解决现有技术中火灾探测准确性较差的，本发明的目的在于提供一种基于视频图像的远程火灾探测系统及方法，以达到远程精准探测、远程全局监控的火灾探测效果。
为实现上述目的，本发明提供如下技术方案：
一种基于视频图像的远程火灾探测系统，包括：多个火灾探测器和与火灾探测器通信连接的远程控制中心，所述火灾探测器包括图像采集模块、图像处理及传输模块、警报模块和深度学习模块；
所述图像采集模块，包括红外摄像头和可见光摄像头，其中所述红外摄像头用于周期获取当前场景内的红外图像，所述可见光摄像头用于在疑似火灾或火灾发生的情况下获取对应区域内的可见光图像；
所述图像处理及传输模块，通过DSP对所述红外摄像头获取的红外图像进行图像特征提取，通过识别算法对提取的图像特征进行火焰或烟雾识别，若识别结果为疑似火灾发生，则结合疑似火灾情况下的可见光图像进行二次识别，若二次识别结果为火灾发生，则将识别结果传输至警报模块和远程控制中心；
所述警报模块，包括声音警报单元和光线警报单元，在接收火灾发生的识别结果后，结合火灾发生情况下的可见光图像执行火灾警报及指示警报；
所述深度学习模块，基于所述图像处理及传输模块的处理结果实现探测系统的深度学习。
优选的，基于所述警报模块执行的路线指示为：从当前场景的入口向疑似火灾发生的所在位置处移动的最近路线。
优选的，所述图像处理及传输模块包括处理单元、近程传输单元和远程传输单元；所述处理单元实现对红外图像和可见光图像的处理及识别；所述近程传输单元实现相邻图像处理及传输模块之间的数据传输；所述远程传输单元实现向警报模块和远程控制中心的数据传输；且所述远程传输单元传输失败时，启动所述近程传输单元。
优选的，所述近程传输单元采用蓝牙传输或WIFI传输，所述远程传输单元采用光纤传输、4G/5G无线通信传输、卫星通信传输、NB-IOT无线通信传输或LoRa无线通信传输。
优选的，所述深度学习模块的深度学习方式为：所述图像处理及传输模块基于红外图像的识别结果为疑似火灾发生，基于可见光图像的识别结果为火灾未发生时，对当前的疑似火灾发生的区域进行识别算法的权重设置。
为实现上述目的，本发明还提供如下技术方案：
一种基于视频图像的远程火灾探测方法，采用上述公开的基于视频图像的远程火灾探测系统执行，具体包括如下步骤：
S1.周期获取当前场景内的红外图像；
S2.通过DSP对所述红外图像进行图像特征提取，通过识别算法对提取的图像特征进行火焰或烟雾识别，并获取疑似火灾发生区；
S3.获取疑似火灾发生区内的可见光图像，识别可见光图像中是否存在可见火焰或可见烟雾；是，则火灾发生，获取除疑似火灾发生区外其他区域的可见光图像，并执行步骤S4；否，则基于深度学习模块执行一次深度学习，并在学习完成后重新执行步骤S1；
S4.将识别结果传输至远程控制中心，同时在疑似火灾发生区内进行一级火灾警报，在除疑似火灾发生区外其他区域进行二级指示警报。
优选的，获取所述疑似火灾发生区的识别算法为：
S21.以温度作为特征，对红外图像进行图像特征提取，获得红外图像的温度分布图；
S22.至少进行一次相邻两帧图像的对比，并获取相邻两帧图像内的温度变化差值；
S23.判断相邻两帧图像内的温度变化差值是否超过阈值；是，提取温度变化差值超过阈值的区域，获取疑似火灾区。
优选的，在判断相邻两帧图像内的温度变化差值超过阈值时：
P=|T2-T1|/（kT）；
T2为相邻两帧图像中其中一图像的a处温度，T1为相邻两帧图像中另一图像的a处温度，k为a处的温度权重系数，T为阈值，P为计算参考值；
且P≥1时，视为相邻两帧图像内的温度变化差值超过阈值；
且P＜1时，视为相邻两帧图像内的温度变化差值未超过阈值。
优选的，在所述步骤S3中，所述深度学习包括：获取所对比的相邻两帧图像中疑似火灾区的温度变化差值；获取设定阈值；计算温度变化差值与阈值之比，并以此作为疑似火灾发生区的温度权重系数k。
本发明与现有技术相比，具有以下有益效果：
在本发明中，综合利用红外探测技术和可视光探测技术，以达到提高整体探测系统及探测方法的探测准确性和抗干扰性能的效果；并且，在探测过程中，整体探测系统还不断的进行深度学习，使得整体探测系统的干扰排除能力不断提高，从而有效加快了整体探测系统的处理速度。
另外，在整体探测系统中，还包括警报模块，警报模块含有声音警报和光线警报，其中利用光线警报进行消防路线的指引，以此使得消防人员能以最快的速度达到疑似火灾区，大大降低因火灾营救不及时产生的损失。
再另外，对于整体探测系统的信息传输，采用了远程与近程相结合的传输方式，以此能有效避免部分区域位置出现传输故障而无法达到全局监控的问题，进而保证整体系统既能达到火灾探测警报，又能达到火灾现场全局监控的效果，进一步使得火灾救援更加便利快捷。
附图说明
图1为本发明所提供的基于视频图像的远程火灾探测系统的结构示意图；
图2为远程火灾探测系统中火灾探测器的结构框图；
图3为本发明所提供的基于视频图像的远程火灾探测方法的流程图；
图4为本发明执行远程火灾探测时获取疑似火灾区的流程图；
图5为本发明执行远程火灾探测时一示例的温度分布图。
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。
实施例1
在本发明实施例中，提供了一种基于视频图像的远程火灾探测系统，该系统的结构具体请参阅图1-图2所示；由图1可知，该系统包括多个火灾探测器10和与火灾探测器10通信连接的远程控制中心20；由图2可知，每个火灾探测器均包括图像采集模块100、图像处理及传输模块110、警报模块120和深度学习模块130；
其中：
图像采集模块100，包括红外摄像头101和可见光摄像头102，其中红外摄像头101用于周期获取当前场景内的红外图像，可见光摄像头102用于在疑似火灾或火灾发生的情况下获取对应区域内的可见光图像；
图像处理及传输模块110，通过DSP对红外摄像头101获取的红外图像进行图像特征提取，通过识别算法对提取的图像特征进行火焰或烟雾识别，若识别结果为疑似火灾发生，则结合疑似火灾情况下的可见光图像进行二次识别，若二次识别结果为火灾发生，则将识别结果传输至警报模块120和远程控制中心20；
警报模块120，包括声音警报单元121和光线警报单元122，在接收火灾发生的识别结果后，结合火灾发生情况下的可见光图像执行火灾警报及指示警报；
深度学习模块130，基于图像处理及传输模块110的处理结果实现探测系统的深度学习。
在本实施例中，优选的，基于警报模块120执行的路线指示为：从当前场景的入口向疑似火灾发生的所在位置处移动的最近路线。具体利用光线警报进行消防路线的指引，以此使得消防人员能以最快的速度达到疑似火灾区，大大降低因火灾营救不及时产生的损失。
在本实施例中，优选的，深度学习模块130的深度学习方式为：图像处理及传输模块110基于红外图像的识别结果为疑似火灾发生，基于可见光图像的识别结果为火灾未发生时，对当前的疑似火灾发生的区域进行识别算法的权重设置。
在本实施例中，优选的，图像处理及传输模块110包括处理单元111、近程传输单元112和远程传输单元113；其中：
处理单元111实现对红外图像和可见光图像的处理及识别；
近程传输单元112实现相邻图像处理及传输模块110之间的数据传输；
远程传输单元113实现向警报模块120和远程控制中心20的数据传输；
且远程传输单元113传输失败时，启动近程传输单元112。
基于此，并结合图1可知，多个火灾探测器10在与远程控制中心20进行信息的通信传输时，设图中火灾探测器10a中的远程传输单元113出现故障，则火灾探测器10a无法直接向远程控制中心20传输其所探测获得的图像或视频信息，对应关于火灾探测器10a的信息传输过程如下：
启动远程传输单元113进行信息远程传输；
信息传输失败，启动近程传输单元112；
搜索位于近程传输单元112的传输范围内的火灾探测器，有火灾探测器10b/10c/10d；
选取距火灾探测器10a最近的火灾探测器10c，建立火灾探测器10a与10c之间的短距离传输连接；
火灾探测器10c获取火灾探测器10a所传输的信息，并进行打包，获得信息1；
打包火灾探测器10c自身探测所得的图像或视频信息，获得信息2；
利用火灾探测器10c内的远程传输单元113，将信息1和信息2均传输至远程控制中心20。
综上可知，即使某一个或多个火灾探测器10的远程传输单元出现故障时，也可通过进程传递的方式完成整体当前场景内火灾信息的传输，有效保证了火灾现象探测和监控的完整性。
另外，关于上述近程传输单元112采用蓝牙传输或WIFI传输，关于远程传输单元113采用光纤传输、4G/5G无线通信传输、卫星通信传输、NB-IOT无线通信传输或LoRa无线通信传输。
实施例2
在本发明实施例中，提供了一种基于视频图像的远程火灾探测方法，该方法采用上述实施例1中公开的系统执行，具体请参阅图3的流程图所示，该方法包括如下步骤：
S1.基于图像采集模块100中的红外摄像头101周期获取当前场景内的红外图像；
S2.通过DSP对红外图像进行图像特征提取，通过识别算法对提取的图像特征进行火焰或烟雾识别，并获取疑似火灾发生区；
具体，在本步骤中，由图4所示的流程图可知，获取疑似火灾发生区的识别算法为：
S21.以温度作为特征，对红外图像进行图像特征提取，获得红外图像的温度分布图；
S22.至少进行一次相邻两帧图像的对比，并获取相邻两帧图像内的温度变化差值；
S23.判断相邻两帧图像内的温度变化差值是否超过阈值；是，提取温度变化差值超过阈值的区域，获取疑似火灾区。
其中，在判断相邻两帧图像内的温度变化差值超过阈值时：
P=|T2-T1|/（kT）；
T2为相邻两帧图像中其中一图像的a处温度，T1为相邻两帧图像中另一图像的a处温度，k为a处的温度权重系数，T为阈值，P为计算参考值；
且P≥1时，视为相邻两帧图像内的温度变化差值超过阈值；
且P＜1时，视为相邻两帧图像内的温度变化差值未超过阈值。
容易解释的，如图5所示，图中以环状区域进行简化示例，包括环状区域a处/b处/c处/d处/e处。由图可知，在a处，图中左侧（相邻两帧图像中其中一图像）温度为60℃，图中右侧（相邻两帧图像中另一图像）温度为80℃，由此获得a处的温度变化差值为：|T2-T1|＝|80-60|℃＝20℃。同理，获得b处的温度变化差值为：15℃；c处的温度变化差值为：15℃；d处的温度变化差值为：13℃；e处的温度变化差值为：10℃。
基于上述数据，假设在第一次对比判断下，对应的温度权重系数k＝1，阈值T＝13℃。基于此，获取的疑似火灾区应包括a处/b处/c处/d处。
S3.基于图像采集模块100中可见光摄像头102获取疑似火灾发生区（a处/b处/c处/d处）内的可见光图像，识别可见光图像中是否存在可见火焰或可见烟雾；
是，则火灾发生，基于可见光摄像头102获取除疑似火灾发生区外其他区域的可见光图像，并执行步骤S4；否，则基于深度学习模块130执行一次深度学习，并在学习完成后重新执行步骤S1；
具体，在本步骤中，关于深度学习包括：
获取所对比的相邻两帧图像中疑似火灾区的温度变化差值；由上可知，a处的温度变化差值为：20℃；b处的温度变化差值为：15℃；c处的温度变化差值为：15℃；d处的温度变化差值为：13℃；
获取设定阈值；阈值T＝13℃；
计算温度变化差值与阈值之比，并以此作为疑似火灾发生区的温度权重系数k；基于此，获取a处的温度权重系数k＝20/13；获取b处的温度权重系数k＝15/13；获取c处的温度权重系数k＝15/13；获取d处的温度权重系数k＝13/13＝1。
由上，在后续再次执行对比时，则按照上述计算的温度权重系数k进行权重计算。以a处为例，后续在其温度变化差值低于20℃时，均视为该处的温度变化差值未超过阈值。
S4.将识别结果传输至远程控制中心20，同时在疑似火灾发生区内进行一级火灾警报，在除疑似火灾发生区外其他区域进行二级指示警报。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于视频图像的远程火灾探测系统，其特征在于，所述探测系统包括多个火灾探测器和与火灾探测器通信连接的远程控制中心，所述火灾探测器包括图像采集模块、图像处理及传输模块、警报模块和深度学习模块；
所述图像采集模块，包括红外摄像头和可见光摄像头，其中所述红外摄像头用于周期获取当前场景内的红外图像，所述可见光摄像头用于在疑似火灾或火灾发生的情况下获取对应区域内的可见光图像；
所述图像处理及传输模块，通过DSP对所述红外摄像头获取的红外图像进行图像特征提取，通过识别算法对提取的图像特征进行火焰或烟雾识别，若识别结果为疑似火灾发生，则结合疑似火灾情况下的可见光图像进行二次识别，若二次识别结果为火灾发生，则将识别结果传输至警报模块和远程控制中心；
所述警报模块，包括声音警报单元和光线警报单元，在接收火灾发生的识别结果后，结合火灾发生情况下的可见光图像执行火灾警报及指示警报；
所述深度学习模块，基于所述图像处理及传输模块的处理结果实现探测系统的深度学习；
所述探测系统的探测方法包括如下步骤：
S1.周期获取当前场景内的红外图像；
S2.通过DSP对所述红外图像进行图像特征提取，通过识别算法对提取的图像特征进行火焰或烟雾识别，并获取疑似火灾发生区；
S3.获取疑似火灾发生区内的可见光图像，识别可见光图像中是否存在可见火焰或可见烟雾；
是，则火灾发生，获取除疑似火灾发生区外其他区域的可见光图像，并执行步骤S4；否，则基于深度学习模块执行一次深度学习，并在学习完成后重新执行步骤S1；
S4.将识别结果传输至远程控制中心，同时在疑似火灾发生区内进行一级火灾警报，在除疑似火灾发生区外其他区域进行二级指示警报；
在所述步骤S3中，所述深度学习包括：
获取所对比的相邻两帧图像中疑似火灾区的温度变化差值；
获取设定阈值；
计算温度变化差值与阈值之比，并以此作为疑似火灾发生区的温度权重系数k；
获取所述疑似火灾发生区的识别算法为：
S21.以温度作为特征，对红外图像进行图像特征提取，获得红外图像的温度分布图；
S22.至少进行一次相邻两帧图像的对比，并获取相邻两帧图像内的温度变化差值；
S23.判断相邻两帧图像内的温度变化差值是否超过阈值；是，提取温度变化差值超过阈值的区域，获取疑似火灾区；
在判断相邻两帧图像内的温度变化差值超过阈值时：
P=|T2-T1|/（kT）；
T2为相邻两帧图像中其中一图像的a处温度，T1为相邻两帧图像中另一图像的a处温度，k为a处的温度权重系数，T为阈值，P为计算参考值；
且P≥1时，视为相邻两帧图像内的温度变化差值超过阈值；
且P＜1时，视为相邻两帧图像内的温度变化差值未超过阈值。
2.根据权利要求1所述的一种基于视频图像的远程火灾探测系统，其特征在于，基于所述警报模块执行的路线指示为：从当前场景的入口向疑似火灾发生的所在位置处移动的最近路线。
3.根据权利要求1所述的一种基于视频图像的远程火灾探测系统，其特征在于，所述图像处理及传输模块包括处理单元、近程传输单元和远程传输单元；
所述处理单元实现对红外图像和可见光图像的处理及识别；
所述近程传输单元实现相邻图像处理及传输模块之间的数据传输；
所述远程传输单元实现向警报模块和远程控制中心的数据传输；
且所述远程传输单元传输失败时，启动所述近程传输单元。
4.根据权利要求3所述的一种基于视频图像的远程火灾探测系统，其特征在于，所述近程传输单元采用蓝牙传输或WIFI传输，所述远程传输单元采用光纤传输、4G/5G无线通信传输、卫星通信传输、NB-IOT无线通信传输或LoRa无线通信传输。
5.根据权利要求1所述的一种基于视频图像的远程火灾探测系统，其特征在于，所述深度学习模块的深度学习方式为：
所述图像处理及传输模块基于红外图像的识别结果为疑似火灾发生，基于可见光图像的识别结果为火灾未发生时，对当前的疑似火灾发生的区域进行识别算法的权重设置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010730365.5A CN111899460B (zh) | 2020-07-27 | 2020-07-27 | 一种基于视频图像的远程火灾探测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010730365.5A CN111899460B (zh) | 2020-07-27 | 2020-07-27 | 一种基于视频图像的远程火灾探测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111899460A CN111899460A (zh) | 2020-11-06 |
| CN111899460B true CN111899460B (zh) | 2021-11-23 |
Family
ID=73190917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010730365.5A Active CN111899460B (zh) | 2020-07-27 | 2020-07-27 | 一种基于视频图像的远程火灾探测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111899460B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112614302B (zh) * | 2020-12-03 | 2022-10-04 | 杭州海康微影传感科技有限公司 | 一种火情检测方法、装置、系统及电子设备 |
| CN113205659B (zh) * | 2021-03-19 | 2022-09-20 | 武汉特斯联智能工程有限公司 | 一种基于人工智能的火灾识别方法和系统 |
| CN113516091B (zh) * | 2021-07-27 | 2024-03-29 | 福建工程学院 | 一种识别变电站电火花图像的方法 |
| CN114120562A (zh) * | 2021-09-28 | 2022-03-01 | 湖北德强电子科技有限公司 | 一种智能消防物联网三维可视化管理系统 |
| US20230408476A1 (en) * | 2022-05-24 | 2023-12-21 | Honeywell International Inc. | Apparatuses, computer-implemented methods, and computer program products for accurate explosion predicting and warning |
| CN117671914B (zh) * | 2023-10-26 | 2024-06-04 | 广州成至智能机器科技有限公司 | 一种无人机多传感器林火识别方法、装置和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101192329A (zh) * | 2006-12-01 | 2008-06-04 | 张卫社 | 一种线型火灾探测器差温报警阀值随温升时间的修正方法 |
| CN105513262A (zh) * | 2016-01-28 | 2016-04-20 | 山东神戎电子股份有限公司 | 一种阈值可变的森林防火热成像监控系统及方法 |
| CN107331090A (zh) * | 2017-09-01 | 2017-11-07 | 山东工商学院 | 一种室内火警疏散方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000132763A (ja) * | 1998-10-22 | 2000-05-12 | Mitsubishi Electric Corp | 火気検知装置 |
| CN101650866A (zh) * | 2009-09-22 | 2010-02-17 | 华南理工大学 | 一种应用于无人机的火灾检测系统及其火灾检测方法 |
| DE102010015467B4 (de) * | 2010-04-16 | 2012-09-27 | Winrich Hoseit | Brandmelder zur Überwachung eines Raumes |
| CN102280005B (zh) * | 2011-06-09 | 2014-10-29 | 广州飒特红外股份有限公司 | 基于红外热成像技术的森林防火预警系统及方法 |
| CN102881107A (zh) * | 2012-09-26 | 2013-01-16 | 金海新源电气江苏有限公司 | 分布式光纤温度传感器的报警阈值自适应方法 |
| CN108537202A (zh) * | 2018-04-19 | 2018-09-14 | 广州林邦信息科技有限公司 | 森林火灾识别装置及系统 |
| CN109147259B (zh) * | 2018-11-20 | 2021-10-08 | 武汉理工光科股份有限公司 | 一种基于视频图像的远程火灾探测系统及方法 |
-
2020
- 2020-07-27 CN CN202010730365.5A patent/CN111899460B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101192329A (zh) * | 2006-12-01 | 2008-06-04 | 张卫社 | 一种线型火灾探测器差温报警阀值随温升时间的修正方法 |
| CN105513262A (zh) * | 2016-01-28 | 2016-04-20 | 山东神戎电子股份有限公司 | 一种阈值可变的森林防火热成像监控系统及方法 |
| CN107331090A (zh) * | 2017-09-01 | 2017-11-07 | 山东工商学院 | 一种室内火警疏散方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于D-S证据理论的飞机火情检测方法;张长勇等;《消防科学与技术》;20180115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111899460A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111899460B (zh) | 一种基于视频图像的远程火灾探测系统及方法 | |
| CN108295407B (zh) | 机器人电缆管廊现场火灾预警及灭火方法、装置、系统 | |
| CN103150856B (zh) | 火灾火焰视频监测预警系统 | |
| CN112116776B (zh) | 一种变电站内电缆火灾预测监控系统及方法 | |
| CN104299351B (zh) | 智能预警灭火机器人 | |
| CN106251568A (zh) | 一种基于紫外与图像检测技术的火灾报警安防系统及方法 | |
| KR20210085323A (ko) | 재난 현장에서 요구조자에게 대피 경로를 안내하는 방법 및 시스템 | |
| CN109831742B (zh) | 基于终端检测的监控方法及系统 | |
| KR102176533B1 (ko) | 인공지능을 이용한 화재경보 시스템 | |
| KR101569324B1 (ko) | 인명 구조 스마트 모니터링 시스템 | |
| CN212782246U (zh) | 一种基于人工智能的烟火识别系统 | |
| KR102507540B1 (ko) | 인공지능 기반의 통합 화재 감시 시스템 | |
| CN105279878A (zh) | 无线视频防盗自动报警系统及其方法 | |
| WO2012101098A1 (en) | Method and device for positioning a trapped individual in case of emergency | |
| CN112263803A (zh) | 基于实时场景巡视和自动检测灭火的无人车智能安防系统及控制方法 | |
| CN110491065A (zh) | 一种基于LoRa技术的智慧消防报警系统 | |
| CN111915823A (zh) | 消防系统、服务器及移动终端设备 | |
| CN111047816A (zh) | 一种电池充电柜火灾监控方法及系统 | |
| KR101913041B1 (ko) | 인명 위치를 검출할 수 있는 소방 지원 장치 | |
| KR102530210B1 (ko) | 하이브리드 소방용 시설물 관리시스템 | |
| CN115223320A (zh) | 一种屋顶光伏电站火灾检测及报警系统 | |
| CN117877187A (zh) | 一种智能建筑消防监控系统 | |
| CN117975646A (zh) | 一种基于火灾评级的辅助决策方法 | |
| CN112820061A (zh) | 一种楼宇智能安防监控方法、系统及计算机可读存储介质 | |
| CN209746757U (zh) | 一种智能视觉消防监视系统 |
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 |