CN112291536A - 一种消防识别方法和消防系统 - Google Patents
一种消防识别方法和消防系统 Download PDFInfo
- Publication number
- CN112291536A CN112291536A CN202011570136.8A CN202011570136A CN112291536A CN 112291536 A CN112291536 A CN 112291536A CN 202011570136 A CN202011570136 A CN 202011570136A CN 112291536 A CN112291536 A CN 112291536A
- Authority
- CN
- China
- Prior art keywords
- fire
- smoke
- module
- processing system
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000000779 smoke Substances 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000012544 monitoring process Methods 0.000 claims description 33
- 238000010248 power generation Methods 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 15
- 230000001788 irregular Effects 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 10
- 239000000523 sample Substances 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000011895 specific detection Methods 0.000 claims description 5
- 238000002945 steepest descent method Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Fire-Detection Mechanisms (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种消防识别方法和消防系统，涉及消防系统技术领域。包括转台、控制单元、图像采集单元和图像处理系统，所述图像处理系统的信号输出端电性连接有控制单元，所述控制单元的输出端与转台电性连接。通过本发明利用烟雾颜色特征和形态特征进行识别，颜色特征包括烟雾位置与周围森林灰度间具有明显的亮度差别，形态特征包括烟雾形态的运动性、不固定性，可以结合相关算法实现对着火点的检测，归纳起来，利用着火点的以下两个特点：一是着火点为局部较亮的位置；二是着火点会产生烟雾，烟雾从无到有的过程会使得局部图像灰度随时间的变化而发生改变，可将实时图像与模板图像进行比较求取差异较大的位置。
Description
技术领域
本发明涉及消防系统技术领域，具体为一种消防识别方法和消防系统。
背景技术
森林防火是有利于国计民生的热点问题，目前，传统的森林火灾监测技术包括人工护林监测、飞机航测、卫星监测、红外图像检测及基于地面载台可见光图像检测等，由于人工护林监测具有局限性，飞机航测费用十分的昂贵，卫星图像检测不具有很好的时效性，红外图像检测用于检测明火，但对火情而言，烟雾出现一般早于明火，红外检测不能在火情初期就对火情位置进行预判断，有需求在瞭望塔上建立高科技的火情自动监测系统，对火情烟雾进行自动检测和识别，更早的发现火情和预防火势蔓延，而且烟雾不会被树木遮挡，因此通过地面瞭望台可见光图像对烟雾进行检测是森林火情检测领域的一个重要方向，通过计算机自动识别的手段降低森林火险等级可带来极其显著的社会及经济效益。
传统的森林火情自动监测系统一般包括控制系统，转台，图像采集系统和图像处理系统；控制系统首先控制转台转动使图像采集系统进行全背景采样，转台每转一个小角度图像采集系统采集一帧图像作为模板图像，并将其存储于图像处理系统。全背景采样完毕后，控制系统控制转台转动，转台每转一个小角度图像采集系统采集一帧图像作为实时图像，然后图像处理系统将实时图像与模板图像进行相减，根据相减运算得到的差值判断是否有着火点。这种监测系统要求在做图像相减的时候，模板图像与实时图像为同一角度，对转台以及编码器的要求很高，而且对运动十分敏感。由于存储背景图像的角度不可能无限小，而且受转台运动速度和平稳度的影响可能会有轻微晃动，编码器送的当前转台角度值也存在一定误差，两幅图像相减后可能会产生很多非目标的噪声点，容易获得很高的误警率，且不适合一直运动的转台。同时，传统的算法在执行过程中都需要转台停下来，比较静止的实时图片和模板图片，算法执行效率低。即便如此，由于天气、光照等的变化，误警率也较高，其原因是，图像相减本身就对运动和噪声十分敏感。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种消防识别方法和消防系统，具备具有更低漏警率，更高稳定度等优点，解决了容易获得很高的误警率的问题。
（二）技术方案
为实现上述具有更低漏警率，更高稳定度的目的，本发明提供如下技术方案：一种消防识别消防系统，包括转台、控制单元、图像采集单元和图像处理系统，所述图像处理系统的信号输出端电性连接有控制单元，所述控制单元的输出端与转台电性连接，所述控制单元接收图像处理系统的信号后用于控制转台转动，所述图像处理系统发出着火信息给控制单元，所述控制单元发出转台停止转动控制命令，所述转台的信号输出端与图像采集单元电连接，所述图像采集单元的信号输出端电性连接有识别单元，所述识别单元的信号输出端与图像处理系统电性连接，所述图像处理系统的信号输出端无线电连接有地面控制站和用于给图像处理系统供电的供电单元；
所述地面控制站通过无线通信报警模块分别无线电连接有云端服务器和消防中心，所述云端服务器的电性输出端无线电连接有终端监测模块，所述消防中心设有用于灭火的消防无人机和消防车；
所述供电单元内部还包括储电模块、太阳能发电模组和风能发电模组，所述太阳能发电模组和风能发电模组均向储电模块进行供电，所述储电模块向图像处理系统和地面控制站供电。
作为本发明的一种优选技术方案，所述图像采集单元包括地面监控模块和空中监控模块，所述地面监控模块由多个地面探头组成，所述天空监控模块由多个无人机探头组成。
作为本发明的一种优选技术方案，所述识别单元内部设有烟雾检测算法模块和神经网络检测模块。
作为本发明的一种优选技术方案，所述图像处理系统的内部包括着火点位置确认模块、疑似着火点判别模块和模板图像存储模块，所述着火点位置确认模块与识别单元的信号输出端电性连接，所述疑似着火点判别模块的信号输出端分别与控制单元和图像采集单元电性连接，所述图像存储模块的信号输入端和信号输出端分别与图像采集单元电性连接和疑似着火点判别模块电性连接。
一种消防识别方法，包括以下步骤：
S1、控制单元控制转台每隔3-10分钟运转一次，并控制图像采集单元采集模板图像和实时图像；
S2、图像采集单元采集的模板图像和实时图像送给识别单元中的烟雾检测算法模块和神经网络检测模块进行识别；
S3、经过识别单元识别后再将信息输送给图像处理系统；
S4、图像处理系统判别是否有疑似着火点；
S5、若判定有疑似着火点则向控制单元输出有疑似着火点的信息，使控制单元发出转台停止转动控制命令；
S6、转台停止转动后，控制单元发出指令控制图像采集单元连续采集图片判断着火点具体位置；
S7、确定着火点位置，然后向地面控制站发送采集信息；
S8、地面控制站收集信息向消防中心报警和向云端服务器发送信息；
S9、消防中心派出消防无人机和消防车进行灭火。
作为本发明的一种优选技术方案，所述识别单元中的烟雾检测算法模块为混合高斯背景建模的方法，然后提取视频序列中的运动目标，并对其进行颜色分析和判断，找到疑烟区域，然后进一步在疑烟区域内分析和提取烟雾区别于其他运动物体的独特的动态特征，即扩散特征、轮廓不规则特征和使背景模糊特征，最后利用BP神经网络将提取的烟雾动态特征融合，最终综合判断。
作为本发明的一种优选技术方案，所述识别单元中的神经网络检测模块具体检测方法为：
1）、根据烟雾检测的实际需要设计一个BP神经网络；
2）、选取烟雾的3个动态特征作为神经网络的输入，输出为一个状态信息。
作为本发明的一种优选技术方案，所述BP神经网络的输入为：扩散性特征、形状不规则特征和背景模糊特征；所述输出只有一个，输出层用 Sigmoid激发函数，使输出值限定在O～1之间，用 Out表示，所述判断结果划分为：Out∈[0．70，1]为火灾烟雾状态；Out∈[0，0．70]为无烟正常状态。
作为本发明的一种优选技术方案，所述BP神经网络的输入为：扩散性特征、形状不规则特征和背景模糊特征；所述输出只有一个，输出层用 Sigmoid激发函数，使输出值限定在O～1之间，用 Out表示，所述判断结果划分为：Out∈[0．70，1]为火灾烟雾状态；Out∈[0，0．70]为无烟正常状态。
作为本发明的一种优选技术方案，所述通过提取并计算烟雾疑似区域的边缘长度与面积之比，实现对烟雾轮廓的形状在扩散过程中的不规则性这一特征的判断，所述判别公式谓：STD=SEP／STP，所述式中SEP表示被提取出来的烟雾区域的周长，通过计算边缘像素总数来表示，所述STP表示被提取出来的烟雾疑似区域的面积，用包含的连通区域的像素总数描述。
作为本发明的一种优选技术方案，所述BP神经网络算法的基本思想是采用最速下降法即梯度法，使网络输出值与实际的期望输出值间的误差平方和最小。
（三）有益效果
与现有技术相比，本发明提供了一种消防识别方法和消防系统，具备以下有益效果：
1、该消防识别方法和消防系统，通过本发明利用烟雾颜色特征和形态特征进行识别，颜色特征包括烟雾位置与周围森林灰度间具有明显的亮度差别，形态特征包括烟雾形态的运动性、不固定性，可以结合相关算法实现对着火点的检测，归纳起来，利用着火点的以下两个特点：一是着火点为局部较亮的位置；二是着火点会产生烟雾，烟雾从无到有的过程会使得局部图像灰度随时间的变化而发生改变，可将实时图像与模板图像进行比较求取差异较大的位置。
2、该消防识别方法和消防系统，通过本发明中以相关算法为核心，在转台轻微晃动或定位不准的情况下，依然可以通过局部搜索，可靠的判断着火点以上和以下的相似性变化程度，与传统方法相比，具有更低漏警率，更高稳定度，并且融合多特征的烟雾检测方法，只对极个别的视频，发生源太远且持续时间较出现漏判，而对大部分的视频，程序都能在4S内做出正确的判断，具备较好的实时性、准确性和抗干扰能力，并且对硬件资源占用少，而且通过供电单元中的风能供电模组和太阳能供电模组，无需从外界引进电源，节省了电力资源的使用。
附图说明
图1为本发明的电路模块框图；
图2为本发明的烟雾检测算法流程图；
图3为本发明的消防识别方法流程图。
具体实施方式
下面将结合本发明的实施例，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：
一种消防识别消防系统，包括转台、控制单元、图像采集单元和图像处理系统，其特征在于：所述图像处理系统的信号输出端电性连接有控制单元，所述控制单元的输出端与转台电性连接，所述控制单元接收图像处理系统的信号后用于控制转台转动，所述图像处理系统发出着火信息给控制单元，所述控制单元发出转台停止转动控制命令，所述转台的信号输出端与图像采集单元电连接，所述图像采集单元的信号输出端电性连接有识别单元，所述识别单元的信号输出端与图像处理系统电性连接，所述图像处理系统的信号输出端无线电连接有地面控制站和用于给图像处理系统供电的供电单元；
所述地面控制站通过无线通信报警模块分别无线电连接有云端服务器和消防中心，所述云端服务器的电性输出端无线电连接有终端监测模块，所述消防中心设有用于灭火的消防无人机和消防车；
所述供电单元内部还包括储电模块、太阳能发电模组和风能发电模组，所述太阳能发电模组和风能发电模组均向储电模块进行供电，所述储电模块向图像处理系统和地面控制站供电。
所述图像采集单元包括地面监控模块和空中监控模块，所述地面监控模块由多个地面探头组成，所述天空监控模块由多个无人机探头组成。
所述识别单元内部设有烟雾检测算法模块和神经网络检测模块。
所述图像处理系统的内部包括着火点位置确认模块、疑似着火点判别模块和模板图像存储模块，所述着火点位置确认模块与识别单元的信号输出端电性连接，所述疑似着火点判别模块的信号输出端分别与控制单元和图像采集单元电性连接，所述图像存储模块的信号输入端和信号输出端分别与图像采集单元电性连接和疑似着火点判别模块电性连接。
一种消防识别方法，包括以下步骤：
S1、控制单元控制转台每隔3分钟运转一次，并控制图像采集单元采集模板图像和实时图像；
S2、图像采集单元采集的模板图像和实时图像送给识别单元中的烟雾检测算法模块和神经网络检测模块进行识别；
S3、经过识别单元识别后再将信息输送给图像处理系统；
S4、图像处理系统判别是否有疑似着火点；
S5、若判定有疑似着火点则向控制单元输出有疑似着火点的信息，使控制单元发出转台停止转动控制命令；
S6、转台停止转动后，控制单元发出指令控制图像采集单元连续采集图片判断着火点具体位置；
S7、确定着火点位置，然后向地面控制站发送采集信息；
S8、地面控制站收集信息向消防中心报警和向云端服务器发送信息；
S9、消防中心派出消防无人机和消防车进行灭火。
所述识别单元中的烟雾检测算法模块为混合高斯背景建模的方法，然后提取视频序列中的运动目标，并对其进行颜色分析和判断，找到疑烟区域，然后进一步在疑烟区域内分析和提取烟雾区别于其他运动物体的独特的动态特征，即扩散特征、轮廓不规则特征和使背景模糊特征，最后利用BP神经网络将提取的烟雾动态特征融合，最终综合判断。
所述识别单元中的神经网络检测模块具体检测方法为：
1）、根据烟雾检测的实际需要设计一个BP神经网络；
2）、选取烟雾的3个动态特征作为神经网络的输入，输出为一个状态信息。
所述BP神经网络的输入为：扩散性特征、形状不规则特征和背景模糊特征；所述输出只有一个，输出层用 Sigmoid激发函数，使输出值限定在O～1之间，用 Out表示，所述判断结果划分为：Out∈[0．70，1]为火灾烟雾状态；Out∈[0，0．70]为无烟正常状态。
所述通过提取并计算烟雾疑似区域的边缘长度与面积之比，实现对烟雾轮廓的形状在扩散过程中的不规则性这一特征的判断，所述判别公式谓：STD=SEP／STP，所述式中SEP表示被提取出来的烟雾区域的周长，通过计算边缘像素总数来表示，所述STP表示被提取出来的烟雾疑似区域的面积，用包含的连通区域的像素总数描述。
所述BP神经网络算法的基本思想是采用最速下降法即梯度法，使网络输出值与实际的期望输出值间的误差平方和最小。
实施例2：
一种消防识别消防系统，包括转台、控制单元、图像采集单元和图像处理系统，其特征在于：所述图像处理系统的信号输出端电性连接有控制单元，所述控制单元的输出端与转台电性连接，所述控制单元接收图像处理系统的信号后用于控制转台转动，所述图像处理系统发出着火信息给控制单元，所述控制单元发出转台停止转动控制命令，所述转台的信号输出端与图像采集单元电连接，所述图像采集单元的信号输出端电性连接有识别单元，所述识别单元的信号输出端与图像处理系统电性连接，所述图像处理系统的信号输出端无线电连接有地面控制站和用于给图像处理系统供电的供电单元；
所述地面控制站通过无线通信报警模块分别无线电连接有云端服务器和消防中心，所述云端服务器的电性输出端无线电连接有终端监测模块，所述消防中心设有用于灭火的消防无人机和消防车；
所述供电单元内部还包括储电模块、太阳能发电模组和风能发电模组，所述太阳能发电模组和风能发电模组均向储电模块进行供电，所述储电模块向图像处理系统和地面控制站供电。
所述图像采集单元包括地面监控模块和空中监控模块，所述地面监控模块由多个地面探头组成，所述天空监控模块由多个无人机探头组成。
所述识别单元内部设有烟雾检测算法模块和神经网络检测模块。
所述图像处理系统的内部包括着火点位置确认模块、疑似着火点判别模块和模板图像存储模块，所述着火点位置确认模块与识别单元的信号输出端电性连接，所述疑似着火点判别模块的信号输出端分别与控制单元和图像采集单元电性连接，所述图像存储模块的信号输入端和信号输出端分别与图像采集单元电性连接和疑似着火点判别模块电性连接。
一种消防识别方法，包括以下步骤：
S1、控制单元控制转台每隔5分钟运转一次，并控制图像采集单元采集模板图像和实时图像；
S2、图像采集单元采集的模板图像和实时图像送给识别单元中的烟雾检测算法模块和神经网络检测模块进行识别；
S3、经过识别单元识别后再将信息输送给图像处理系统；
S4、图像处理系统判别是否有疑似着火点；
S5、若判定有疑似着火点则向控制单元输出有疑似着火点的信息，使控制单元发出转台停止转动控制命令；
S6、转台停止转动后，控制单元发出指令控制图像采集单元连续采集图片判断着火点具体位置；
S7、确定着火点位置，然后向地面控制站发送采集信息；
S8、地面控制站收集信息向消防中心报警和向云端服务器发送信息；
S9、消防中心派出消防无人机和消防车进行灭火。
所述识别单元中的烟雾检测算法模块为混合高斯背景建模的方法，然后提取视频序列中的运动目标，并对其进行颜色分析和判断，找到疑烟区域，然后进一步在疑烟区域内分析和提取烟雾区别于其他运动物体的独特的动态特征，即扩散特征、轮廓不规则特征和使背景模糊特征，最后利用BP神经网络将提取的烟雾动态特征融合，最终综合判断。
所述识别单元中的神经网络检测模块具体检测方法为：
1）、根据烟雾检测的实际需要设计一个BP神经网络；
2）、选取烟雾的3个动态特征作为神经网络的输入，输出为一个状态信息。
所述BP神经网络的输入为：扩散性特征、形状不规则特征和背景模糊特征；所述输出只有一个，输出层用 Sigmoid激发函数，使输出值限定在O～1之间，用 Out表示，所述判断结果划分为：Out∈[0．70，1]为火灾烟雾状态；Out∈[0，0．70]为无烟正常状态。
所述通过提取并计算烟雾疑似区域的边缘长度与面积之比，实现对烟雾轮廓的形状在扩散过程中的不规则性这一特征的判断，所述判别公式谓：STD=SEP／STP，所述式中SEP表示被提取出来的烟雾区域的周长，通过计算边缘像素总数来表示，所述STP表示被提取出来的烟雾疑似区域的面积，用包含的连通区域的像素总数描述。
所述BP神经网络算法的基本思想是采用最速下降法即梯度法，使网络输出值与实际的期望输出值间的误差平方和最小。
实施例3：
一种消防识别消防系统，包括转台、控制单元、图像采集单元和图像处理系统，其特征在于：所述图像处理系统的信号输出端电性连接有控制单元，所述控制单元的输出端与转台电性连接，所述控制单元接收图像处理系统的信号后用于控制转台转动，所述图像处理系统发出着火信息给控制单元，所述控制单元发出转台停止转动控制命令，所述转台的信号输出端与图像采集单元电连接，所述图像采集单元的信号输出端电性连接有识别单元，所述识别单元的信号输出端与图像处理系统电性连接，所述图像处理系统的信号输出端无线电连接有地面控制站和用于给图像处理系统供电的供电单元；
所述地面控制站通过无线通信报警模块分别无线电连接有云端服务器和消防中心，所述云端服务器的电性输出端无线电连接有终端监测模块，所述消防中心设有用于灭火的消防无人机和消防车；
所述供电单元内部还包括储电模块、太阳能发电模组和风能发电模组，所述太阳能发电模组和风能发电模组均向储电模块进行供电，所述储电模块向图像处理系统和地面控制站供电。
所述图像采集单元包括地面监控模块和空中监控模块，所述地面监控模块由多个地面探头组成，所述天空监控模块由多个无人机探头组成。
所述识别单元内部设有烟雾检测算法模块和神经网络检测模块。
所述图像处理系统的内部包括着火点位置确认模块、疑似着火点判别模块和模板图像存储模块，所述着火点位置确认模块与识别单元的信号输出端电性连接，所述疑似着火点判别模块的信号输出端分别与控制单元和图像采集单元电性连接，所述图像存储模块的信号输入端和信号输出端分别与图像采集单元电性连接和疑似着火点判别模块电性连接。
一种消防识别方法，包括以下步骤：
S1、控制单元控制转台每隔10分钟运转一次，并控制图像采集单元采集模板图像和实时图像；
S2、图像采集单元采集的模板图像和实时图像送给识别单元中的烟雾检测算法模块和神经网络检测模块进行识别；
S3、经过识别单元识别后再将信息输送给图像处理系统；
S4、图像处理系统判别是否有疑似着火点；
S5、若判定有疑似着火点则向控制单元输出有疑似着火点的信息，使控制单元发出转台停止转动控制命令；
S6、转台停止转动后，控制单元发出指令控制图像采集单元连续采集图片判断着火点具体位置；
S7、确定着火点位置，然后向地面控制站发送采集信息；
S8、地面控制站收集信息向消防中心报警和向云端服务器发送信息；
S9、消防中心派出消防无人机和消防车进行灭火。
所述识别单元中的烟雾检测算法模块为混合高斯背景建模的方法，然后提取视频序列中的运动目标，并对其进行颜色分析和判断，找到疑烟区域，然后进一步在疑烟区域内分析和提取烟雾区别于其他运动物体的独特的动态特征，即扩散特征、轮廓不规则特征和使背景模糊特征，最后利用BP神经网络将提取的烟雾动态特征融合，最终综合判断。
所述识别单元中的神经网络检测模块具体检测方法为：
1）、根据烟雾检测的实际需要设计一个BP神经网络；
2）、选取烟雾的3个动态特征作为神经网络的输入，输出为一个状态信息。
所述BP神经网络的输入为：扩散性特征、形状不规则特征和背景模糊特征；所述输出只有一个，输出层用 Sigmoid激发函数，使输出值限定在O～1之间，用 Out表示，所述判断结果划分为：Out∈[0．70，1]为火灾烟雾状态；Out∈[0，0．70]为无烟正常状态。
所述通过提取并计算烟雾疑似区域的边缘长度与面积之比，实现对烟雾轮廓的形状在扩散过程中的不规则性这一特征的判断，所述判别公式谓：STD=SEP／STP，所述式中SEP表示被提取出来的烟雾区域的周长，通过计算边缘像素总数来表示，所述STP表示被提取出来的烟雾疑似区域的面积，用包含的连通区域的像素总数描述。
所述BP神经网络算法的基本思想是采用最速下降法即梯度法，使网络输出值与实际的期望输出值间的误差平方和最小。
根据实验对比，三个实施例中控制单元控制转台每隔5分钟运转一次不仅较节约能源，而且可以及时的发现火情，时间相间比较短进行探查的话会影响各个电气部件的使用寿命，若是时间较长探查不能及时的探查到火情，所述实施例2为本方案中最优的选择。
本发明的原理及效果是：通过本发明利用烟雾颜色特征和形态特征进行识别，颜色特征包括烟雾位置与周围森林灰度间具有明显的亮度差别，形态特征包括烟雾形态的运动性、不固定性，可以结合相关算法实现对着火点的检测，归纳起来，利用着火点的以下两个特点：一是着火点为局部较亮的位置；二是着火点会产生烟雾，烟雾从无到有的过程会使得局部图像灰度随时间的变化而发生改变，可将实时图像与模板图像进行比较求取差异较大的位置；通过本发明中以相关算法为核心，在转台轻微晃动或定位不准的情况下，依然可以通过局部搜索，可靠的判断着火点以上和以下的相似性变化程度，与传统方法相比，具有更低漏警率，更高稳定度，并且融合多特征的烟雾检测方法，只对极个别的视频，发生源太远且持续时间较出现漏判，而对大部分的视频，程序都能在4S内做出正确的判断，具备较好的实时性、准确性和抗干扰能力，并且对硬件资源占用少。
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 (10)
1.一种消防识别消防系统，包括转台、控制单元、图像采集单元和图像处理系统，其特征在于：所述图像处理系统的信号输出端电性连接有控制单元，所述控制单元的输出端与转台电性连接，所述控制单元接收图像处理系统的信号后用于控制转台转动，所述图像处理系统发出着火信息给控制单元，所述控制单元发出转台停止转动控制命令，所述转台的信号输出端与图像采集单元电连接，所述图像采集单元的信号输出端电性连接有识别单元，所述识别单元的信号输出端与图像处理系统电性连接，所述图像处理系统的信号输出端无线电连接有地面控制站和用于给图像处理系统供电的供电单元；
所述地面控制站通过无线通信报警模块分别无线电连接有云端服务器和消防中心，所述云端服务器的电性输出端无线电连接有终端监测模块，所述消防中心设有用于灭火的消防无人机和消防车；
所述供电单元内部还包括储电模块、太阳能发电模组和风能发电模组，所述太阳能发电模组和风能发电模组均向储电模块进行供电，所述储电模块向图像处理系统和地面控制站供电。
2.根据权利要求1所述的一种消防识别消防系统，其特征在于，所述图像采集单元包括地面监控模块和空中监控模块，所述地面监控模块由多个地面探头组成，所述天空监控模块由多个无人机探头组成。
3.根据权利要求1所述的一种消防识别消防系统，其特征在于，所述识别单元内部设有烟雾检测算法模块和神经网络检测模块。
4.根据权利要求1所述的一种消防识别消防系统，其特征在于，所述图像处理系统的内部包括着火点位置确认模块、疑似着火点判别模块和模板图像存储模块，所述着火点位置确认模块与识别单元的信号输出端电性连接，所述疑似着火点判别模块的信号输出端分别与控制单元和图像采集单元电性连接，所述图像存储模块的信号输入端和信号输出端分别与图像采集单元电性连接和疑似着火点判别模块电性连接。
5.一种消防识别方法，其特征在于，包括以下步骤：
S1、控制单元控制转台每隔3-10分钟运转一次，并控制图像采集单元采集模板图像和实时图像；
S2、图像采集单元采集的模板图像和实时图像送给识别单元中的烟雾检测算法模块和神经网络检测模块进行识别；
S3、经过识别单元识别后再将信息输送给图像处理系统；
S4、图像处理系统判别是否有疑似着火点；
S5、若判定有疑似着火点则向控制单元输出有疑似着火点的信息，使控制单元发出转台停止转动控制命令；
S6、转台停止转动后，控制单元发出指令控制图像采集单元连续采集图片判断着火点具体位置；
S7、确定着火点位置，然后向地面控制站发送采集信息；
S8、地面控制站收集信息向消防中心报警和向云端服务器发送信息；
S9、消防中心派出消防无人机和消防车进行灭火。
6.根据权利要求5所述的一种消防识别方法，其特征在于，所述识别单元中的烟雾检测算法模块为混合高斯背景建模的方法，然后提取视频序列中的运动目标，并对其进行颜色分析和判断，找到疑烟区域，然后进一步在疑烟区域内分析和提取烟雾区别于其他运动物体的独特的动态特征，即扩散特征、轮廓不规则特征和使背景模糊特征，最后利用BP神经网络将提取的烟雾动态特征融合，最终综合判断。
7.根据权利要求5所述的一种消防识别方法，其特征在于，所述识别单元中的神经网络检测模块具体检测方法为：
1）、根据烟雾检测的实际需要设计一个BP神经网络；
2）、选取烟雾的3个动态特征作为神经网络的输入，输出为一个状态信息。
8.根据权利要求7所述的一种消防识别方法，其特征在于，所述BP神经网络的输入为：扩散性特征、形状不规则特征和背景模糊特征；所述输出只有一个，输出层用 Sigmoid激发函数，使输出值限定在O～1之间，用 Out表示，所述判断结果划分为：Out∈[0．70，1]为火灾烟雾状态；Out∈[0，0．70]为无烟正常状态。
9.根据权利要求6所述的一种消防识别方法，其特征在于，所述通过提取并计算烟雾疑似区域的边缘长度与面积之比，实现对烟雾轮廓的形状在扩散过程中的不规则性这一特征的判断，所述判别公式谓：STD=SEP／STP，所述式中SEP表示被提取出来的烟雾区域的周长，通过计算边缘像素总数来表示，所述STP表示被提取出来的烟雾疑似区域的面积，用包含的连通区域的像素总数描述。
10.根据权利要求6所述的一种消防识别方法，其特征在于，所述BP神经网络算法的基本思想是采用最速下降法即梯度法，使网络输出值与实际的期望输出值间的误差平方和最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011570136.8A CN112291536A (zh) | 2020-12-26 | 2020-12-26 | 一种消防识别方法和消防系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011570136.8A CN112291536A (zh) | 2020-12-26 | 2020-12-26 | 一种消防识别方法和消防系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112291536A true CN112291536A (zh) | 2021-01-29 |
Family
ID=74426195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011570136.8A Pending CN112291536A (zh) | 2020-12-26 | 2020-12-26 | 一种消防识别方法和消防系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112291536A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114360196A (zh) * | 2022-01-11 | 2022-04-15 | 立人实业(广东)集团有限公司 | 基于云平台的5g智慧校园系统 |
| CN114648852A (zh) * | 2022-05-24 | 2022-06-21 | 四川九通智路科技有限公司 | 一种隧道火灾监测方法及系统 |
| CN116913033A (zh) * | 2023-05-29 | 2023-10-20 | 东莞市众可智能科技有限公司 | 一种火灾大数据远程探测与预警系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101625789A (zh) * | 2008-07-07 | 2010-01-13 | 北京东方泰坦科技有限公司 | 基于烟火智能识别的森林火灾实时监测方法 |
| CN102420974A (zh) * | 2011-10-28 | 2012-04-18 | 中国科学院长春光学精密机械与物理研究所 | 森林火情自动监测系统 |
| CN102646311A (zh) * | 2012-05-04 | 2012-08-22 | 中国科学院长春光学精密机械与物理研究所 | 实时动态巡航图像智能烟雾火情检测系统 |
| WO2018079400A1 (ja) * | 2016-10-24 | 2018-05-03 | ホーチキ株式会社 | 火災監視システム |
| KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
-
2020
- 2020-12-26 CN CN202011570136.8A patent/CN112291536A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101625789A (zh) * | 2008-07-07 | 2010-01-13 | 北京东方泰坦科技有限公司 | 基于烟火智能识别的森林火灾实时监测方法 |
| CN102420974A (zh) * | 2011-10-28 | 2012-04-18 | 中国科学院长春光学精密机械与物理研究所 | 森林火情自动监测系统 |
| CN102646311A (zh) * | 2012-05-04 | 2012-08-22 | 中国科学院长春光学精密机械与物理研究所 | 实时动态巡航图像智能烟雾火情检测系统 |
| WO2018079400A1 (ja) * | 2016-10-24 | 2018-05-03 | ホーチキ株式会社 | 火災監視システム |
| KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114360196A (zh) * | 2022-01-11 | 2022-04-15 | 立人实业(广东)集团有限公司 | 基于云平台的5g智慧校园系统 |
| CN114360196B (zh) * | 2022-01-11 | 2022-09-09 | 深圳市微酷智能科技有限公司 | 基于云平台的5g智慧校园系统 |
| CN114648852A (zh) * | 2022-05-24 | 2022-06-21 | 四川九通智路科技有限公司 | 一种隧道火灾监测方法及系统 |
| CN116913033A (zh) * | 2023-05-29 | 2023-10-20 | 东莞市众可智能科技有限公司 | 一种火灾大数据远程探测与预警系统 |
| CN116913033B (zh) * | 2023-05-29 | 2024-04-05 | 深圳市兴安消防工程有限公司 | 一种火灾大数据远程探测与预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112291536A (zh) | 一种消防识别方法和消防系统 | |
| CN111462451B (zh) | 基于视频信息的秸秆焚烧检测报警系统 | |
| CN106600888B (zh) | 一种森林火灾自动检测方法及系统 | |
| CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
| CN109389185B (zh) | 使用三维卷积神经网络的视频烟雾识别方法 | |
| CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
| CN106331636A (zh) | 基于行为事件触发的输油管道智能视频监控系统及方法 | |
| CN111899452A (zh) | 基于边缘计算的森林防火预警系统 | |
| CN113095114B (zh) | 液压系统漏油检测方法、装置和设备 | |
| CN105574468B (zh) | 视频火焰检测方法、装置及系统 | |
| CN115761537B (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
| CN114037910A (zh) | 一种无人机森林火灾检测系统 | |
| CN110310448A (zh) | 一种集烟雾和红外识别联动的输电线路山火监测方法 | |
| CN116543241B (zh) | 泄露气体云团的检测方法、装置、存储介质和电子设备 | |
| CN109241847A (zh) | 基于视觉图像的油田作业区安全监控系统 | |
| CN107231546A (zh) | 基于云安全服务器的自主追踪移动特征的家用监控系统 | |
| CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
| CN110174133A (zh) | 一种自然雷击放电过程监测系统 | |
| CN113505704B (zh) | 图像识别的人员安全侦测方法、系统、设备及存储介质 | |
| CN112861676B (zh) | 一种烟火识别标记方法、系统、终端及存储介质 | |
| CN105991969A (zh) | 高压输电线路飘挂物检测装置及使用与安装的方法 | |
| CN112422895A (zh) | 基于无人机的图像分析跟踪、定位系统及方法 | |
| CN116052356A (zh) | 一种智能工地监控平台 | |
| CN107609556B (zh) | 一种输电线路环境中高空作业机械的检测方法 | |
| CN113657621A (zh) | 一种隐患监测方法和系统 |
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 |