CN112216055A - 一种燃气场站火灾预警检测方法及系统 - Google Patents

一种燃气场站火灾预警检测方法及系统 Download PDF

Info

Publication number
CN112216055A
CN112216055A CN202011014783.0A CN202011014783A CN112216055A CN 112216055 A CN112216055 A CN 112216055A CN 202011014783 A CN202011014783 A CN 202011014783A CN 112216055 A CN112216055 A CN 112216055A
Authority
CN
China
Prior art keywords
smoke
flame
gas
early warning
alarm
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
Application number
CN202011014783.0A
Other languages
English (en)
Other versions
CN112216055B (zh
Inventor
梅永春
周可
缪江
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.)
Foshan Gas High Pressure Pipe Network Co ltd
Original Assignee
Foshan Gas High Pressure Pipe Network 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 Foshan Gas High Pressure Pipe Network Co ltd filed Critical Foshan Gas High Pressure Pipe Network Co ltd
Priority to CN202011014783.0A priority Critical patent/CN112216055B/zh
Publication of CN112216055A publication Critical patent/CN112216055A/zh
Application granted granted Critical
Publication of CN112216055B publication Critical patent/CN112216055B/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
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • 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

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

Abstract

本发明提供了一种燃气场站火灾预警检测方法及系统，属于安全监测技术领域。该方法首先采集火焰和烟雾视频数据样本集和空气数据样本集，然后对样本集提取火焰、烟雾和燃气浓度特征，利用数据样本集输入两层级联的LSTM网络模型，对两层级联的LSTM网络模型进行训练，并利用训练好的网络模型进行实时火焰、烟雾和燃气特征的检测，最后通过对火焰、烟雾和燃气的检测结果的判断，得到预警等级，并采取相应的操作。本发明充分利用了燃气场站燃气浓度的特征，结合火焰及烟雾特征，进行火灾预警检测，同时针对火焰、烟雾和燃气设置不同的阈值，针对火焰、烟雾和燃气的不同发生概率采用不同的检测总结果计算方法，使得检测结果更准确。

Description

一种燃气场站火灾预警检测方法及系统
技术领域
本发明涉及安全检测技术领域，尤其涉及一种燃气场站火灾预警检测方法及系统。
背景技术
随着社会经济的发展，工商业用户对天然气的需求日渐增大，作为一种清洁能源，极大程度上改善了环境质量，但是它的易燃易爆等危险特性不容忽视。
目前大部分天然气场站以人员值守的方式进行安全管理，通过每日巡查发现设备及是否有天然气泄漏、场站周围是否有明火等现象，对隐患部位及时处理，以此来实现安全管理。如附图1所示。
该模式有以下几点不足：
1、主要依靠人员现场巡查发现问题；
2、巡查有时间间隔，不能确保实时发现隐患。
对于火灾的检测及预警，技术人员做了很多技术研究，对于火灾的检测和预警实现了自动化检测。
在中国专利文献CN101334924中，公开了一种火灾探测系统及其火灾探测方法，该系统包括：视频采集模块；火焰判断模块，从采集到的视频图像中提取火焰特征参数，并根据火焰特征参数进行统计分析，计算探测区域的火焰发生概率；烟雾判断模块，用于提取烟雾特征参数，并根据烟雾特征参数进行统计分析，计算探测区域的烟雾发生概率；火灾判断模块，用于根据火焰发生概率和烟雾发生概率进行融合计算，确定火灾发生概率；故障判断模块，用于识别故障信息；报警模块，用于比较火焰、烟雾和火灾发生概率与预设阈值，并根据比较结果发出相应报警信息；还包括背景光源模块，用于在探测区域的亮度分布和光线照度等级低于探测标准时，为探测区域提供背景光源；探测区域光线监测与控制单元，用于分析计算探测区域的亮度分布和光线照度等级，并在探测区域的亮度分布和光线照度等级低于探测标准时，控制所述背景光源模块的启动；常规火灾探测模块，用于检测火灾特征参数；所述火焰判断模块和/或烟雾判断模块和/或火灾判断模块进一步融合所述火灾特征参数，计算出火焰发生概率和/或烟雾发生概率和/或火灾发生概率；设定调试与自学习模块，用于对探测系统进行参数设定，并在系统发生误报警或漏报警时，利用自学习机制更新系统决策参数。该系统只对火焰和烟雾进行检测，未考虑燃气浓度特征，不适用于燃气场站的场景，且未使用机器学习网络模型，检测结果准确性不高，同时火焰和烟雾发生概率采用同一阈值，而在实际情况中，火焰和烟雾发生概率是不同的，也会导致检测结果的偏差。
现有技术至少存在以下不足：
1.未考虑燃气浓度因素，不适合燃气场站的场景。
2.火焰和烟雾发生概率判断阈值采用同一阈值，与实际情况不符，会导致检测结果偏差。
3.未使用机器学习网络模型对火焰和烟雾等特征进行深度学习，使得特征识别出现偏差。
发明内容
为解决现有技术中存在的技术问题，提供一种适合燃气场站的准确的火灾预警检测方法，本发明提供了一种燃气场站火灾预警检测方法及系统。该方法首先采集火焰和烟雾视频数据样本集和空气数据样本集，然后对样本集提取火焰、烟雾和燃气浓度特征，利用数据样本集输入两层级联的LSTM网络模型，对两层级联的LSTM网络模型进行训练，并利用训练好的网络模型进行实时火焰、烟雾和燃气特征的检测，最后通过对火焰、烟雾和燃气的检测结果的判断，得到预警等级，并采取相应的操作。本发明充分利用了燃气场站燃气浓度的特征，结合火焰及烟雾特征，进行火灾预警检测，同时针对火焰、烟雾和燃气设置不同的阈值，针对火焰、烟雾和燃气的不同发生概率采用不同的检测总结果计算方法，使得检测结果更准确。
本发明提供了一种燃气场站火灾预警检测方法，包括如下步骤：
采集火焰和烟雾视频数据样本集和空气数据样本集；
根据采集的火焰和烟雾视频数据样本集和空气数据样本集，提取火焰特征、烟雾特征及燃气浓度特征；
将火焰、烟雾和空气数据样本集分别输入两层级联LSTM网络模型，进行训练，得到训练好的LSTM网络模型；
实时采集火焰和烟雾的视频数据，从视频数据帧中分别实时提取预设时间段内的火焰序列图像和烟雾序列图像；
实时采集待测空气数据；
将实时提取的火焰序列图像、烟雾序列图像以及从实时采集的待测空气数据分别输入训练好的LSTM网络模型，得到火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果；
根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果得到火灾预警检测总结果；
将火灾预警检测总结果RF与预设的不同警报等级阈值进行比较，判断是否发出火灾警报以及警报等级。
优选地，根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果分别确定火焰发生概率FLP、烟雾发生概率SP及燃气泄漏概率GP。
优选地，火灾预警检测总结果RF根据如下方法获得：
当FLP≥FLT且SP≥ST且GP≥GT时，
Figure BDA0002698681060000031
当FLP≥FLT且SP≥ST且GP<GT时，或，当FLP≥FLT且SP<ST且GP≥GT时，
Figure BDA0002698681060000032
或RF＝W2，二者取大；
当FLP≥FLT且SP<ST且GP<GT时，或，当FLP<FLT且SP>ST且GP>GT时，
Figure BDA0002698681060000033
或RF＝W3，二者取大；
当FLP<FLT且SP≥ST且GP<GT时，或，当FLP<FLT且SP<ST且GP≥GT时，
Figure BDA0002698681060000034
或RF＝W4，二者取大；
当FLP<FLT且SP<ST且GP<GT时
RF＝aW4，
其中：
FLP：火焰发生概率；
SP：烟雾发生概率；
GP：燃气泄漏概率；
FLT：火焰阈值；
ST：烟雾阈值；
GT：燃气泄漏阈值；
W1：一级警报阈值；
W2：二级警报阈值；
W3：三级警报阈值；
W4：四级警报阈值；
且有W1>W2>W3>W4；
a：预设四级警报比例因子，0<a<1。
优选地，判断是否发出火灾警报以及警报等级，具体包括：
当RF≥W1时，发出一级警报，同时关闭所有燃气阀门，放落防火帘；
当W1>RF≥W2时，发出二级警报，同时关闭所有燃气阀门；
当W2>RF≥W3时，发出三级警报；
当W3>RF≥W4时，发出四级警报；
当W4>RF时，不发出警报；
其中：
RF：火灾预警检测总结果；
W1：一级警报阈值；
W2：二级警报阈值；
W3：三级警报阈值；
W4：四级警报阈值；
且有W1>W2>W3>W4。
优选地，根据预设时间内火焰序列图像的检测结果，确定火焰特征序列参数，火焰特征参数包括火焰特征序列相关性、火焰面积变化率和火焰平均亮度，火焰发生概率FLP通过如下方法获得：
将各火焰特征序列参数值分别除以预设的各火焰特征序列参数值，分别得到各火焰特征参数的发生概率；
将各火焰特征参数的发生概率进行平均，作为火焰发生概率FLP。
优选地，燃气泄漏概率通过如下方法获得：
当CT2≤Gs<CT1时，
Figure BDA0002698681060000041
当CT1≤Gs时，GP＝1；
当时Gs<CT2，GP＝0；
其中：
GP：燃气泄漏概率；
GS：燃气浓度；
CT1为燃气浓度第一阈值；
CT2为燃气浓度第二阈值。
优选地，根据预设时间内烟雾序列图像的检测结果，确定烟雾特征序列参数值，烟雾特征参数包括烟雾浓度、烟雾运动速度和烟雾颜色，烟雾发生概率SP通过如下方法获得：
将各烟雾特征序列参数值分别除以预设的各烟雾特征序列参数值，分别得到各烟雾特征参数的发生概率；
将各烟雾特征参数的发生概率进行平均，作为烟雾发生概率SP。
优选地，根据火焰静态特征从视频帧数据提取火焰图像，所述火焰静态特征包括颜色、形状和纹理；根据烟雾静态特征从视频帧数据提取烟雾图像，所述烟雾静态特征包括烟雾浓度、烟雾颜色和烟雾成分。
本发明提供了一种燃气场站火灾预警检测系统，包括：
样本采集模块，用于采用火焰、烟雾的视频图像，以及采集空气样本；
机器学习模块，用于根据采集的样本集进行训练，并用于实时样本特征检测；
火灾预警判断模块，用于根据机器学习模块的检测结果，进行火灾预警检测总结果的计算，并给出警报等级判断结果；
火灾报警模块，根据火灾预警判断模块给出的警报等级判断结果，执行相应的一项或多项操作，所述操作包括，发出相应等级警报、关闭所有燃气阀门和放落防火帘。
优选地，火灾预警判断模块执行如下操作：
根据机器学习模块的检测结果，确定火焰特征、烟雾特征以及燃气浓度特征；
根据火焰特征、烟雾特征以及燃气浓度特征分别确定火焰发生概率、烟雾发生概率和燃气泄漏概率；
根据火焰发生概率、烟雾发生概率和燃气泄漏概率，计算火灾预警检测总结果；
根据火灾预警检测总结果与预设的不同警报等级的阈值进行比较，得出警报等级判断结果。
与现有技术相对比，本发明的有益效果如下：
1.本发明利用了燃气场站燃气浓度的特征，结合火焰及烟雾特征，进行燃气场站的火灾预警检测，更适合燃气场站的应用场景；
2.本发明对于火焰、烟雾和燃气发生概率分别与火焰、烟雾和燃气设置的不同阈值进行比较，更符合实际情况，使检测总结果更准确；
3.本发明针对火焰、烟雾和燃气的不同发生概率的情况，采用不同的检测总结果计算方法，使得检测总结果更准确。
4.本发明通过设置不同的警报等级，对于不同的检测总结果区分为不同的警报等级，并采取不同的相应的操作，使得预警系统更准确反映警报的紧急程度。
附图说明
图1是现有技术中人工巡查火灾隐患的示意图；
图2是本发明燃气场站火灾检测方法流程图；
图3是本发明燃气场站火灾检测系统框图。
具体实施方式
下面结合附图1-3，对本发明的具体实施方式作详细的说明。
本发明提供了一种燃气场站火灾预警检测方法，包括如下步骤：
采集火焰和烟雾视频数据样本集和空气数据样本集；
根据采集的火焰和烟雾视频数据样本集和空气数据样本集，提取火焰特征、烟雾特征及燃气浓度特征；
将火焰、烟雾和空气数据样本集分别输入两层级联LSTM网络模型，进行训练，得到训练好的LSTM网络模型；
本发明采用两层LSTM网络模型，即堆叠式LSTM，堆叠式LSTM属于深度学习，通过添加网络的深度，可以提高训练的效率，获得更高的准确性。
LSTM对序列数据的操作更具优势，这意味着层的添加增加了输入观察随时间的抽象级别，堆叠的LSTM使得LSTM网络在不同的时间尺度上的优势发挥得更明显。
实时采集火焰和烟雾的视频数据，从视频数据帧中分别实时提取预设时间段内的火焰序列图像和烟雾序列图像；
实时采集待测空气数据；
将实时提取的火焰序列图像、烟雾序列图像以及从实时采集的待测空气数据分别输入训练好的LSTM网络模型，得到火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果；
根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果得到火灾预警检测总结果；
将火灾预警检测总结果RF与预设的不同警报等级阈值进行比较，判断是否发出火灾警报以及警报等级。
作为优选实施方式，根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果分别确定火焰发生概率FLP、烟雾发生概率SP及燃气泄漏概率GP。
作为优选实施方式，火灾预警检测总结果RF根据如下方法获得：
当FLP≥FLT且SP≥ST且GP≥GT时，
Figure BDA0002698681060000071
当FLP≥FLT且SP≥ST且GP<GT时，或，当FLP≥FLT且SP<ST且GP≥GT时，
Figure BDA0002698681060000072
或RF＝W2，二者取大；
当FLP≥FLT且SP<ST且GP<GT时，或，当FLP<FLT且SP>ST且GP>GT时，
Figure BDA0002698681060000073
或RF＝W3，二者取大；
当FLP<FLT且SP≥ST且GP<GT时，或，当FLP<FLT且SP<ST且GP≥GT时，
Figure BDA0002698681060000074
或RF＝W4，二者取大；
当FLP<FLT且SP<ST且GP<GT时
RF＝aW4，
其中：
FLP：火焰发生概率；
SP：烟雾发生概率；
GP：燃气泄漏概率；
FLT：火焰阈值；
ST：烟雾阈值；
GT：燃气泄漏阈值；
W1：一级警报阈值；
W2：二级警报阈值；
W3：三级警报阈值；
W4：四级警报阈值；
且有W1>W2>W3>W4；
a：预设四级警报比例因子，0<a<1。
本发明对于火焰、烟雾和燃气发生概率分别与火焰、烟雾和燃气设置的不同阈值进行比较，更符合实际情况，使检测总结果更准确。比如，在发生火灾的情况下，人们首先看到的通常都是烟雾，所以烟雾发生的概率要大于火焰，而当火焰发生概率达到火焰阈值时，说明火灾的可能性更大，相应地，在计算火灾预警检测总结果时，对火灾预警检测总结果影响也越大，因此在火灾预警检测总结果计算公式中，火焰发生概率与火焰阈值的关系的比值对火灾预警检测总结果的影响越大，比值越大，火灾预警检测总结果越大。
当火焰发生概率大于火焰阈值，当烟雾和燃气浓度发生概率也均大于各自的阈值时，说明一定会发生大火灾，警报等级为紧急程度最高的警报等级。
当火焰发生概率大于火焰阈值时，只要烟雾和燃气浓度二者有一个发生概率大于各自的阈值，则相应的火灾预警检测总结果也越大，将对应紧急程度更高的警报等级。
当火焰发生概率大于火焰阈值，而烟雾和燃气浓度发生概率均小于各自的阈值，则此时即使有明火，发生大火灾的概率也相对较低，相应的火灾预警检测总结果也降低，对应于仅次于上述警报等级的警报等级；而当烟雾和燃气浓度发生概率均大于各自的阈值时，如果火焰发生概率小于火焰阈值，则发生大火灾的概率也相对较低，相应的火灾预警检测总结果也降低。
当火焰发生概率小于火焰阈值，同时烟雾和燃气浓度二者有一个发生概率小于各自的阈值时，说明火灾危险更次之，相应的火灾预警检测总结果更低。
当火焰、烟雾和燃气浓度发生概率均小于各自阈值时，说明没有危险，相应的火灾预警检测总结果最低。
作为优选实施方式，判断是否发出火灾警报以及警报等级，具体包括：
当RF≥W1时，发出一级警报，同时关闭所有燃气阀门，放落防火帘；
当W1>RF≥W2时，发出二级警报，同时关闭所有燃气阀门；
当W2>RF≥W3时，发出三级警报；
当W3>RF≥W4时，发出四级警报；
当W4>RF时，不发出警报；
其中：
RF：火灾预警检测总结果；
W1：一级警报阈值；
W2：二级警报阈值；
W3：三级警报阈值；
W4：四级警报阈值；
且有W1>W2>W3>W4。
作为优选实施方式，根据预设时间内火焰序列图像的检测结果，确定火焰特征序列参数，火焰特征参数包括火焰特征序列相关性、火焰面积变化率和火焰平均亮度，火焰发生概率FLP通过如下方法获得：
将各火焰特征序列参数值分别除以预设的各火焰特征序列参数值，分别得到各火焰特征参数的发生概率；
将各火焰特征参数的发生概率进行平均，作为火焰发生概率FLP。
作为优选实施方式，燃气泄漏概率通过如下方法获得：
当CT2≤Gs<CT1时，
Figure BDA0002698681060000091
当CT1≤Gs时，GP＝1；
当时Gs<CT2，GP＝0；
其中：
GP：燃气泄漏概率；
GS：燃气浓度；
CT1为燃气浓度第一阈值；
CT2为燃气浓度第二阈值。
燃气浓度在燃气浓度第一阈值和燃气浓度第二阈值之间时，燃气泄漏概率小1大于0，超过燃气浓度第一阈值时，燃气泄漏概率为1，则认为一定发生了燃气泄漏；而小于燃气浓度第二阈值时，认为一定没有发生泄漏。因此，通过选择合适的燃气浓度第一阈值和燃气浓度第二阈值，以及燃气阈值，可以使检测总结果误判概率最小化。
作为优选实施方式，根据预设时间内烟雾序列图像的检测结果，确定烟雾特征序列参数值，烟雾特征参数包括烟雾浓度、烟雾运动速度和烟雾颜色，烟雾发生概率SP通过如下方法获得：
将各烟雾特征序列参数值分别除以预设的各烟雾特征序列参数值，分别得到各烟雾特征参数的发生概率；
将各烟雾特征参数的发生概率进行平均，作为烟雾发生概率SP。
作为优选实施方式，根据火焰静态特征从视频帧数据提取火焰图像，所述火焰静态特征包括颜色、形状和纹理；根据烟雾静态特征从视频帧数据提取烟雾图像，所述烟雾静态特征包括烟雾浓度、烟雾颜色和烟雾成分。
本发明提供了一种燃气场站火灾预警检测系统，包括：
样本采集模块，用于采用火焰、烟雾的视频图像，以及采集空气样本；
机器学习模块，用于根据采集的样本集进行训练，并用于实时样本特征检测；
火灾预警判断模块，用于根据机器学习模块的检测结果，进行火灾预警检测总结果的计算，并给出警报等级判断结果；
火灾报警模块，根据火灾预警判断模块给出的警报等级判断结果，执行相应的一项或多项操作，所述操作包括，发出相应等级警报、关闭所有燃气阀门和放落防火帘。
作为优选实施方式，火灾预警判断模块执行如下操作：
根据机器学习模块的检测结果，确定火焰特征、烟雾特征以及燃气浓度特征；
根据火焰特征、烟雾特征以及燃气浓度特征分别确定火焰发生概率、烟雾发生概率和燃气泄漏概率；
根据火焰发生概率、烟雾发生概率和燃气泄漏概率，计算火灾预警检测总结果；
根据火灾预警检测总结果与预设的不同警报等级的阈值进行比较，得出警报等级判断结果。
实施例1
根据本发明的一个具体实施方案，结合附图1-3，对本发明进行详细说明。
本发明提供了一种燃气场站火灾预警检测方法，包括如下步骤：
采集火焰和烟雾视频数据样本集和空气数据样本集；
根据采集的火焰和烟雾视频数据样本集和空气数据样本集，提取火焰特征、烟雾特征及燃气浓度特征；
将火焰、烟雾和空气数据样本集分别输入两层级联LSTM网络模型，进行训练，得到训练好的LSTM网络模型；
本发明采用两层LSTM网络模型，即堆叠式LSTM，堆叠式LSTM属于深度学习，通过添加网络的深度，可以提高训练的效率，获得更高的准确性。
LSTM对序列数据的操作更具优势，这意味着层的添加增加了输入观察随时间的抽象级别，堆叠的LSTM使得LSTM网络在不同的时间尺度上的优势发挥得更明显。
实时采集火焰和烟雾的视频数据，从视频数据帧中分别实时提取预设时间段内的火焰序列图像和烟雾序列图像；
根据火焰静态特征从视频帧数据提取火焰图像，所述火焰静态特征包括颜色、形状和纹理；根据烟雾静态特征从视频帧数据提取烟雾图像，所述烟雾静态特征包括烟雾浓度、烟雾颜色和烟雾成分。
实时采集待测空气数据；
将实时提取的火焰序列图像、烟雾序列图像以及从实时采集的待测空气数据分别输入训练好的LSTM网络模型，得到火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果；
根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果得到火灾预警检测总结果；
首先，根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果分别确定火焰发生概率FLP、烟雾发生概率SP及燃气泄漏概率GP。
根据预设时间内火焰序列图像的检测结果，确定火焰特征序列参数，火焰特征参数包括火焰特征序列相关性、火焰面积变化率和火焰平均亮度，火焰发生概率FLP通过如下方法获得：
将各火焰特征序列参数值分别除以预设的各火焰特征序列参数值，分别得到各火焰特征参数的发生概率；
将各火焰特征参数的发生概率进行平均，作为火焰发生概率FLP。
根据预设时间内烟雾序列图像的检测结果，确定烟雾特征序列参数值，烟雾特征参数包括烟雾浓度、烟雾运动速度和烟雾颜色，烟雾发生概率SP通过如下方法获得：
将各烟雾特征序列参数值分别除以预设的各烟雾特征序列参数值，分别得到各烟雾特征参数的发生概率；
将各烟雾特征参数的发生概率进行平均，作为烟雾发生概率SP。
燃气泄漏概率通过如下方法获得：
当CT2≤Gs<CT1时，
Figure BDA0002698681060000121
当CT1≤Gs时，GP＝1；
当时Gs<CT2，GP＝0；
其中：
GP：燃气泄漏概率；
GS：燃气浓度；
CT1为燃气浓度第一阈值；
CT2为燃气浓度第二阈值。
然后计算火灾预警检测总结果RF，根据如下方法获得：
当FLP≥FLT且SP≥ST且GP≥GT时，
Figure BDA0002698681060000122
当FLP≥FLT且SP≥ST且GP<GT时，或，当FLP≥FLT且SP<ST且GP≥GT时，
Figure BDA0002698681060000123
或RF＝W2，二者取大；
当FLP≥FLT且SP<ST且GP<GT时，或，当FLP<FLT且SP>ST且GP>GT时，
Figure BDA0002698681060000124
或RF＝W3，二者取大；
当FLP<FLT且SP≥ST且GP<GT时，或，当FLP<FLT且SP<ST且GP≥GT时，
Figure BDA0002698681060000131
或RF＝W4，二者取大；
当FLP<FLT且SP<ST且GP<GT时
RF＝aW4，
其中：
FLP：火焰发生概率；
SP：烟雾发生概率；
GP：燃气泄漏概率；
FLT：火焰阈值；
ST：烟雾阈值；
GT：燃气泄漏阈值；
W1：一级警报阈值；
W2：二级警报阈值；
W3：三级警报阈值；
W4：四级警报阈值；
且有W1>W2>W3>W4；
a：预设四级警报比例因子，0<a<1。
将火灾预警检测总结果RF与预设的不同警报等级阈值进行比较，判断是否发出火灾警报以及警报等级。
判断是否发出火灾警报以及警报等级，具体包括：
当RF≥W1时，发出一级警报，同时关闭所有燃气阀门，放落防火帘；
当W1>RF≥W2时，发出二级警报，同时关闭所有燃气阀门；
当W2>RF≥W3时，发出三级警报；
当W3>RF≥W4时，发出四级警报；
当W4>RF时，不发出警报；
其中：
RF：火灾预警检测总结果；
W1：一级警报阈值；
W2：二级警报阈值；
W3：三级警报阈值；
W4：四级警报阈值；
且有W1>W2>W3>W4。
本发明提供了一种燃气场站火灾预警检测系统，包括：
样本采集模块，用于采用火焰、烟雾的视频图像，以及采集空气样本；
机器学习模块，用于根据采集的样本集进行训练，并用于实时样本特征检测；
火灾预警判断模块，用于根据机器学习模块的检测结果，进行火灾预警检测总结果的计算，并给出警报等级判断结果；
火灾预警判断模块执行如下操作：
根据机器学习模块的检测结果，确定火焰特征、烟雾特征以及燃气浓度特征；
根据火焰特征、烟雾特征以及燃气浓度特征分别确定火焰发生概率、烟雾发生概率和燃气泄漏概率；
根据火焰发生概率、烟雾发生概率和燃气泄漏概率，计算火灾预警检测总结果；
根据火灾预警检测总结果与预设的不同警报等级的阈值进行比较，得出警报等级判断结果。
火灾报警模块，根据火灾预警判断模块给出的警报等级判断结果，执行相应的一项或多项操作，所述操作包括，发出相应等级警报、关闭所有燃气阀门和放落防火帘。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (10)

1.一种燃气场站火灾预警检测方法，其特征在于，包括如下步骤：
采集火焰和烟雾视频数据样本集和空气数据样本集；
根据采集的火焰和烟雾视频数据样本集和空气数据样本集，提取火焰特征、烟雾特征及燃气浓度特征；
将火焰、烟雾和空气数据样本集分别输入两层级联LSTM网络模型，进行训练，得到训练好的LSTM网络模型；
实时采集火焰和烟雾的视频数据，从视频数据帧中分别实时提取预设时间段内的火焰序列图像和烟雾序列图像；
实时采集待测空气数据；
将实时提取的火焰序列图像、烟雾序列图像以及从实时采集的待测空气数据分别输入训练好的LSTM网络模型，得到火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果；
根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果得到火灾预警检测总结果RF；
将火灾预警检测总结果RF与预设的不同警报等级阈值进行比较，判断是否发出火灾警报以及警报等级。
2.根据权利要求1所述的燃气场站火灾预警检测方法，其特征在于，根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果分别确定火焰发生概率FLP、烟雾发生概率SP及燃气泄漏概率GP。
3.根据权利要求2所述的燃气场站火灾预警检测方法，其特征在于，火灾预警检测总结果RF根据如下方法获得：
当FLP≥FLT且SP≥ST且GP≥GT时，
Figure FDA0002698681050000011
当FLP≥FLT且SP≥ST且GP<GT时，或，当FLP≥FLT且SP<ST且GP≥GT时，
Figure FDA0002698681050000012
或RF＝W2，二者取大；
当FLP≥FLT且SP<ST且GP<GT时，或，当FLP<FLT且SP>ST且GP>GT时，
Figure FDA0002698681050000013
或RF＝W3，二者取大；
当FLP<FLT且SP≥ST且GP<GT时，或，当FLP<FLT且SP<ST且GP≥GT时，
Figure FDA0002698681050000021
或RF＝W4，二者取大；
当FLP<FLT且SP<ST且GP<GT时，
RF＝aW4，
其中：
FLP：火焰发生概率；
SP：烟雾发生概率；
GP：燃气泄漏概率；
FLT：火焰阈值；
ST：烟雾阈值；
GT：燃气泄漏阈值；
W1：一级警报阈值；
W2：二级警报阈值；
W3：三级警报阈值；
W4：四级警报阈值；
且有W1>W2>W3>W4；
a：预设四级警报比例因子，0<a<1。
4.根据权利要求3所述的燃气场站火灾预警检测方法，其特征在于，判断是否发出火灾警报以及警报等级，具体包括：
当RF≥W1时，发出一级警报，同时关闭所有燃气阀门，放落防火帘；
当W1>RF≥W2时，发出二级警报，同时关闭所有燃气阀门；
当W2>RF≥W3时，发出三级警报；
当W3>RF≥W4时，发出四级警报；
当W4>RF时，不发出警报；
其中：
RF：火灾预警检测总结果；
W1：一级警报阈值；
W2：二级警报阈值；
W3：三级警报阈值；
W4：四级警报阈值；
且有W1>W2>W3>W4。
5.根据权利要求2所述的燃气场站火灾预警检测方法，其特征在于，根据预设时间内火焰序列图像的检测结果，确定火焰特征序列参数值，火焰特征参数包括火焰特征序列相关性、火焰面积变化率和火焰平均亮度，火焰发生概率FLP通过如下方法获得：
将各火焰特征序列参数值分别除以预设的各火焰特征序列参数值，分别得到各火焰特征参数的发生概率；
将各火焰特征参数的发生概率进行平均，作为火焰发生概率FLP。
6.根据权利要求2所述的燃气场站火灾预警检测方法，其特征在于，燃气泄漏概率通过如下方法获得：
当CT2≤Gs<CT1时，
Figure FDA0002698681050000031
当CT1≤Gs时，GP＝1；
当时Gs<CT2，GP＝0；
其中：
GP：燃气泄漏概率；
GS：燃气浓度；
CT1为燃气浓度第一阈值；
CT2为燃气浓度第二阈值。
7.根据权利要求2所述的燃气场站火灾预警检测方法，其特征在于，根据预设时间内烟雾序列图像的检测结果，确定烟雾特征序列参数值，烟雾特征参数包括烟雾浓度、烟雾运动速度和烟雾颜色，烟雾发生概率SP通过如下方法获得：
将各烟雾特征序列参数值分别除以预设的各烟雾特征序列参数值，分别得到各烟雾特征参数的发生概率；
将各烟雾特征参数的发生概率进行平均，作为烟雾发生概率SP。
8.根据权利要求1所述的燃气场站火灾预警检测方法，其特征在于，根据火焰静态特征从视频帧图像提取火焰图像，所述火焰静态特征包括颜色、形状和纹理；根据烟雾静态特征从视频帧图像提取烟雾图像，所述烟雾静态特征包括烟雾浓度、烟雾颜色和烟雾成分。
9.一种燃气场站火灾预警检测系统，其特征在于，包括：
样本采集模块，用于采用火焰、烟雾的视频图像，以及采集空气样本；
机器学习模块，用于根据采集的样本集进行训练，并用于实时样本特征检测；
火灾预警判断模块，用于根据机器学习模块的检测结果，进行火灾预警检测总结果的计算，并给出警报等级判断结果；
火灾报警模块，根据火灾预警判断模块给出的警报等级判断结果，执行相应的一项或多项操作，所述操作包括，发出相应等级警报、关闭所有燃气阀门和放落防火帘。
10.根据权利要求9所述的燃气场站火灾预警检测系统，其特征在于，火灾预警判断模块执行如下操作：
根据机器学习模块的检测结果，确定火焰特征、烟雾特征以及燃气浓度特征；
根据火焰特征、烟雾特征以及燃气浓度特征分别确定火焰发生概率、烟雾发生概率和燃气泄漏概率；
根据火焰发生概率、烟雾发生概率和燃气泄漏概率，计算火灾预警检测总结果；
根据火灾预警检测总结果与预设的不同警报等级的阈值进行比较，得出警报等级判断结果。
CN202011014783.0A 2020-09-24 2020-09-24 一种燃气场站火灾预警检测方法及系统 Active CN112216055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011014783.0A CN112216055B (zh) 2020-09-24 2020-09-24 一种燃气场站火灾预警检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011014783.0A CN112216055B (zh) 2020-09-24 2020-09-24 一种燃气场站火灾预警检测方法及系统

Publications (2)

Publication Number Publication Date
CN112216055A true CN112216055A (zh) 2021-01-12
CN112216055B CN112216055B (zh) 2021-05-11

Family

ID=74052313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011014783.0A Active CN112216055B (zh) 2020-09-24 2020-09-24 一种燃气场站火灾预警检测方法及系统

Country Status (1)

Country Link
CN (1) CN112216055B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365671A (zh) * 2021-01-13 2021-02-12 南京澳晟科技有限公司 一种用于识别烟雾火焰的报警方法
CN112861754A (zh) * 2021-02-23 2021-05-28 车主邦（北京）科技有限公司 一种电能补给站的异常处理方法和装置
CN113313903A (zh) * 2021-04-06 2021-08-27 中国船舶重工集团公司第七0三研究所 一种多参数数据融合火灾判定方法
CN113506421A (zh) * 2021-06-16 2021-10-15 南京祝华信息科技有限公司 一种楼宇智能安防系统
CN116682070A (zh) * 2023-08-03 2023-09-01 武汉工程大学 复杂场景下危险气体泄漏红外视频检测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334924A (zh) * 2007-06-29 2008-12-31 丁国锋 一种火灾探测系统及其火灾探测方法
CN102708645A (zh) * 2012-05-18 2012-10-03 哈尔滨工程大学 一种船舶舱室火灾连锁报警优先级评估方法
CN104091354A (zh) * 2014-07-30 2014-10-08 北京华戎京盾科技有限公司 一种基于视频图像的火灾检测方法及其火灾检测装置
CN107577997A (zh) * 2017-08-21 2018-01-12 国家电网公司 一种输电线路通道内山火入侵的辨识方法
CN108038867A (zh) * 2017-12-22 2018-05-15 湖南源信光电科技股份有限公司 基于多特征融合和立体视觉的火焰检测和定位方法
CN108830305A (zh) * 2018-05-30 2018-11-16 西南交通大学 一种结合dclrn网络和光流法的实时火灾监测方法
US10148915B2 (en) * 2016-05-23 2018-12-04 Ningbo Yamao Optoelectronics Co., Ltd. Lighting system with monitoring and alarm function
JP2019079445A (ja) * 2017-10-27 2019-05-23 ホーチキ株式会社 火災監視システム
CN110471333A (zh) * 2019-07-26 2019-11-19 北京讯腾智慧科技股份有限公司 用于燃气场站的燃气泄漏监控系统和方法
KR20200043010A (ko) * 2018-10-17 2020-04-27 포인드 주식회사 카메라 입력 영상을 딥러닝 활용한 행동 감지 시스템 및 방법
US20200141653A1 (en) * 2018-11-02 2020-05-07 Honeywell International Inc. Flame analytics system
CN111127825A (zh) * 2019-12-25 2020-05-08 深圳供电局有限公司 环境预测方法和装置、电子设备
CN111639610A (zh) * 2020-06-03 2020-09-08 北京思湃德信息技术有限公司 一种基于深度学习的火情识别方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334924A (zh) * 2007-06-29 2008-12-31 丁国锋 一种火灾探测系统及其火灾探测方法
CN102708645A (zh) * 2012-05-18 2012-10-03 哈尔滨工程大学 一种船舶舱室火灾连锁报警优先级评估方法
CN104091354A (zh) * 2014-07-30 2014-10-08 北京华戎京盾科技有限公司 一种基于视频图像的火灾检测方法及其火灾检测装置
US10148915B2 (en) * 2016-05-23 2018-12-04 Ningbo Yamao Optoelectronics Co., Ltd. Lighting system with monitoring and alarm function
CN107577997A (zh) * 2017-08-21 2018-01-12 国家电网公司 一种输电线路通道内山火入侵的辨识方法
JP2019079445A (ja) * 2017-10-27 2019-05-23 ホーチキ株式会社 火災監視システム
CN108038867A (zh) * 2017-12-22 2018-05-15 湖南源信光电科技股份有限公司 基于多特征融合和立体视觉的火焰检测和定位方法
CN108830305A (zh) * 2018-05-30 2018-11-16 西南交通大学 一种结合dclrn网络和光流法的实时火灾监测方法
KR20200043010A (ko) * 2018-10-17 2020-04-27 포인드 주식회사 카메라 입력 영상을 딥러닝 활용한 행동 감지 시스템 및 방법
US20200141653A1 (en) * 2018-11-02 2020-05-07 Honeywell International Inc. Flame analytics system
CN110471333A (zh) * 2019-07-26 2019-11-19 北京讯腾智慧科技股份有限公司 用于燃气场站的燃气泄漏监控系统和方法
CN111127825A (zh) * 2019-12-25 2020-05-08 深圳供电局有限公司 环境预测方法和装置、电子设备
CN111639610A (zh) * 2020-06-03 2020-09-08 北京思湃德信息技术有限公司 一种基于深度学习的火情识别方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365671A (zh) * 2021-01-13 2021-02-12 南京澳晟科技有限公司 一种用于识别烟雾火焰的报警方法
CN112861754A (zh) * 2021-02-23 2021-05-28 车主邦（北京）科技有限公司 一种电能补给站的异常处理方法和装置
CN113313903A (zh) * 2021-04-06 2021-08-27 中国船舶重工集团公司第七0三研究所 一种多参数数据融合火灾判定方法
CN113506421A (zh) * 2021-06-16 2021-10-15 南京祝华信息科技有限公司 一种楼宇智能安防系统
CN116682070A (zh) * 2023-08-03 2023-09-01 武汉工程大学 复杂场景下危险气体泄漏红外视频检测方法及系统
CN116682070B (zh) * 2023-08-03 2024-05-28 武汉工程大学 复杂场景下危险气体泄漏红外视频检测方法及系统

Also Published As

Publication number Publication date
CN112216055B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN112216055B (zh) 一种燃气场站火灾预警检测方法及系统
CN111209434B (zh) 一种基于多源异构数据融合的变电站设备巡检系统及方法
CN108389359A (zh) 一种基于深度学习的城市火灾报警方法
CN110648490B (zh) 适用于嵌入式平台的多因子火焰识别方法
CN107240216A (zh) 基于3dgis+bim技术和人工智能运维应急报警与快速响应方法
CN112134871A (zh) 一种能源互联网信息支撑网络的异常流量检测装置及方法
CN103065121A (zh) 基于视频人脸分析的火车司机状态监控方法及装置
CN105894015B (zh) 一种道闸状态分析方法和系统
CN113990017B (zh) 基于pnn神经网络的森林草原火灾预警系统及方法
CN117371872A (zh) 一种智慧建筑智能管理方法及平台
CN118091054B (zh) 一种危险气体在线监测系统和方法
CN109102665A (zh) 一种基于智能家居的小区住户安全保护系统
CN117789398B (zh) 一种校园应急引导管理系统
CN112863105A (zh) 一种基于消防关联性的消防预警系统
CN110057820A (zh) 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质
CN116342932A (zh) 基于图像处理的垃圾焚烧炉燃烧状态诊断方法和系统
CN112949536B (zh) 一种基于云平台的火灾报警方法
CN110930632A (zh) 一种基于人工智能的预警系统
CN113592269A (zh) 一种燃气气量控制与调度方法、装置、设备及存储介质
CN117690245A (zh) 一种楼宇消防智能监测预警方法及系统
CN112330911A (zh) 一种基于大数据的消防灾害智能监测预警管理系统
CN106777908A (zh) 一种构建灭火训练过程交互、成绩评估模型的方法
CN112885039A (zh) 一种基于大数据的城市污水监控控制系统
CN114283367B (zh) 用于园区火灾预警的人工智能明火探测方法及系统
CN116362545A (zh) 一种基于工业互联网的机器视觉智能监测系统

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