CN112907885B - 基于scnn的分散集中式家居图像火灾报警系统及方法 - Google Patents
基于scnn的分散集中式家居图像火灾报警系统及方法 Download PDFInfo
- Publication number
- CN112907885B CN112907885B CN202110037180.0A CN202110037180A CN112907885B CN 112907885 B CN112907885 B CN 112907885B CN 202110037180 A CN202110037180 A CN 202110037180A CN 112907885 B CN112907885 B CN 112907885B
- Authority
- CN
- China
- Prior art keywords
- image
- fire
- scnn
- alarm
- detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 10
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 6
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 6
- 210000004556 brain Anatomy 0.000 claims abstract description 4
- 230000000087 stabilizing effect Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 2
- 238000012790 confirmation Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明属于智能家居及互联网技术领域,公开了一种基于SCNN的分散集中式家居图像火灾报警系统及方法,所述基于SCNN的分散集中式家居图像火灾报警系统包括:电源模块,由锂电池组和稳压电路组成,提供稳定可靠供电;CPU,作为嵌入式Android系统的大脑;数字高清摄像头,作为主要的信号采集装置;无线通信模块,由常用的Wi‑Fi和4G网络组成,保持与外界的正常通信;警报装置,通过发出光声信号进行警示,提醒周围人员注意查看,及时开展灭火救援。本发明将算法的识别结果与人的远程判断结合,人员的及时确认有利于较低误报和漏报,从而保证识别结果具有较高的准确性和可靠性。
Description
技术领域
本发明属于智能家居及互联网技术领域,尤其涉及一种基于SCNN的分散集中式家居图像火灾报警系统及方法。
背景技术
目前,随着我国经济社会发展,人们对舒适、安全、智能的家居环境的需要越来越迫切,相关的智能家居产品层不出穷。在家庭的监测监控领域,视频图像作为一种常规手段得到快速发展,但它们往往不能独立进行火灾信号的识别与监测。而家庭中各种易燃物品堆积,存在巨大隐患,一旦出现火灾带来的经济损失难以承受,加强防火防控、用技术手段提高民用建筑火灾探测的实时性、准确性迫在眉睫。其中,图像火灾探测由于其可提供的信息直观丰富、适用范围广而备受关注。申请号CN102348099A公开了一种嵌入式视频烟雾探测器及烟雾识别方法,它通过对图像的边缘特征、运动特征及纹理特征进行模式识别来判定是否存在烟雾。申请号CN103630948A考虑到图像信息的静态特征和动态特征,包括颜色、形状、轮廓、对比、频率以及扩散效应等进行火灾探测。申请号CN104599427A使用BP神经网络提取特征参数对目标图像进行样本归类,而申请号CN106169218A则利用红外热成像技术提取温度信号进行火灾定位。上述相关专利和方法均涉及传统模式识别的范畴,这种识别方法的准确性与环境适用性一直备受质疑,当前市面上出现的图像火灾探测系统普遍仍然存在误报率、漏报率偏高等问题。同时模式识别方法带来复杂的特征工程,需要大量数据及运算,无法在内存小、运算能力一般的嵌入式设备上运行,基于传统模式识别方法的图像型火灾探测器进行大规模商业化应用存在障碍。深度机器学习等相关技术的快速发展使得该问题的解决成为可能,它模拟人的认知过程来自主提取图像特征,从而避免了人为构建复杂的特征工程。然而,分散布置的探测器所依赖的嵌入式系统往往运算性能有限,现有的大多数深度卷积神经(SCNN)算法难以直接应用;而集中式的图像处理又会带来运算量过大、网络延迟等问题,难以满足实时性的现实需要。
通过上述分析,现有技术存在的问题及缺陷为:现有图像型火灾探测报警装置普遍存在组成结构复杂、误报率和漏报率偏高、更新维护不及时等问题,难以满足民用家居场景轻量化、简单化、稳定性强的要求,无法作为智能家居的必要组成单元而实现大规模应用。
解决以上问题及缺陷的难度为:解决上述问题,常规的思路分为两个方面。一个是优化单个图像火灾探测器的内置算法,提高其准确性,但现阶段算法的成熟度和稳定性都较差,仍在不断发展完善过程中,而且单纯依赖人工智能算法不能满足实际需要。另一方面是对图像数据的集中处理,这就对数据中枢服务器的网络带宽及运算能力带来巨大的要求,大大增加智能家居产品推广应用的成本,此外还会带来家庭及个人信息泄露等隐患,现阶段采用这样的方案也不现实。总的来说,在当前图像探测识别技术仍处于快速发展的背景下,采取常规思路解决上述问题存在较高难度。
解决以上问题及缺陷的意义为:智能家居行业快速发展,一定程度上满足了人们对于家居生活舒适性的需要,但在安全方面的发展仍面临较大不足。上述问题的有效解决,可以提高家居领域火灾探测识别的有效性及可靠性,为图像火灾探测技术在家庭领域的广泛应用奠定基础。还可以作为智能家居中的必要组成部分,与监控系统结合起来,全天24小时守护家庭安全,满足人们日常生活中的安全需求。
发明内容
针对现有技术存在的问题,本发明提供了一种基于SCNN的分散集中式家居图像火灾报警系统及方法。本发明是基于嵌入式Android平台的智能家居监控系统,它融合了互联网技术、深度学习技术用于家庭火灾实时探测并报警,主要应用于民用建筑中安全监测监控及自动火灾探测报警领域。
本发明是这样实现的,一种基于SCNN的分散集中式家居图像火灾报警方法,所述基于SCNN的分散集中式家居图像火灾报警方法,包括:
步骤一,每隔一段时间读取摄像头采集到的图片数据,深度神经网络算法依据充分训练得到的模型参数计算得出图像中存在火灾的概率值P*,并与设定的报警阈值Pa、探测阈值Pd进行比较;通常情况下探测阈值Pd<报警阈值Pa;超过探测阈值表明可能存在火灾,但并不能完全确定,需要进一步观察确认;而超过报警阈值则表明监测区域内已发生火灾,需要立即处理。通过设计两种层次的阈值,可以避免单一阈值带来的误报率偏高问题。
步骤二,当有连续多帧图像存在超报警阈值的情景时(P*>Pa),即表明有明确的火灾信号;火灾的发生发展是连续的过程,监测多帧图像进行综合判断可以避免单个图片对探测结果的干扰。
步骤三,当连续多帧图像的火灾概率值介于两阈值之间Pd≤P*≤Pa时,将相关图像网络传送至数据中枢,由数据中枢进一步判断并更新P*;这种情况下即有一定概率是火灾,但由于探测器内置算法的局限不能准确判定,需要其他更为复杂多样算法的综合判断,也就是由数据中枢来完成。
步骤四,图像火灾探测APP与嵌入式Android系统进行深度捆绑,系统开机即自动运行该APP。不需要人工干预,只要开机即可处于工作状态,时时刻刻保障家庭安全。
进一步,所述步骤一中,对采集到的图片数据键处理的过程为:
原始图像进行数据增强、缩放、随机裁剪等标准化处理后形成一系列 224×224像素的三维图片;
再经过若干次卷积、池化等操作,最终进行SoftMax回归分类得到图像中存在火灾的概率。
进一步,所述步骤二中,当P*>Pa时,应用程序发送图像数据到用户;用户第一时间查看图片并通过网络获取摄像头实时采集到的视频信息,确认监控范围内是否发生火灾。
进一步,所述若是火灾,则启动警报装置并拨打求救电话,将火灾消灭在初期;同时将该图像作为正样本进行保存;
若不是火灾,该图像将作为负样本进行保存,这些正负样本将用于后续模型参数的训练。
进一步,所述步骤三中,数据中枢由集中布置的多台主机组成,通过网络被动获取探测终端采集到的可疑火灾图像,通过ResNet、Inception等架构复杂、特征参数多的SCNN算法进行综合判断。
进一步,所述步骤三中,每隔一段时间,数据中枢汇总探测终端的正负样本并进行算法的学习和训练,更新模型参数,形成新的数据文件;
将新的数据文件与应用程序本身打包升级,经过Android平台的推送及自动更新功能,完成探测终端的更新迭代。
本发明另一目的在于提供一种实施所述基于SCNN的分散集中式家居图像火灾报警方法的基于SCNN的分散集中式家居图像火灾报警系统,所述基于 SCNN的分散集中式家居图像火灾报警系统,包括:
电源模块,由锂电池组和稳压电路组成,提供稳定可靠供电;
CPU,作为嵌入式Android系统的大脑;
数字高清摄像头,作为主要的信号采集装置;
无线通信模块,由常用的Wi-Fi和4G网络组成,保持与外界的正常通信;
警报装置,通过发出光声信号进行警示,提醒周围人员注意查看,及时开展灭火救援。
进一步,所述电源模块正常情况下,通过外部电源将220V民用交流电转换为5V直流电进行工作;
在突然断电的情况下,依靠锂电池放电继续工作一段时间。
进一步,所述数字高清摄像头选用带有主动红外功能的高清数字摄像头。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明运用深度机器学习技术,提出一种改进型轻量化SCNN算法用于图像火灾探测领域,基于广泛应用的嵌入式Android平台进行软硬件配置,采用分散——集中两级数据处理方式,形成一种新型的图像火灾探测系统,为家居场景下的图像火灾探测问题提供了一种新的解决方案。
与当前已有的图像型火灾探测器相比,本发明具有四个方面的显著优势:
(1)报警准确度高,可靠性好。在图像识别领域,传统的图像识别提取的特征往往具有突出的局限性,即使在对常见物体识别的测试中,错误率也在26%以上,而深度卷积神经网络直接使用图像的原始像素作为输入,避免人为构建特征工程,有着很强的泛化性能,经过大量数据训练后,识别的准确率可以满足家居场景需要。此外,本发明将算法的识别结果与人的远程判断结合,人员的及时确认有利于较低误报和漏报,从而保证识别结果具有较高的准确性和可靠性。
(2)开发难度低,可拓展性强。由于采用Android平台作为硬件基础,其开发和应用的难度降低,可靠性和稳定性得到保障。加上Android系统具有良好的拓展性,现有的火灾烟气探测器也比较容易与该系统进行整合,可进一步提高火灾探测的准确性。另外,该系统还兼具家庭监控功能,不需要借助其他设备即可实现日常的安全监控和图像火灾探测。
(3)采用分散-集中式架构,部分降低探测终端的识别准确度,减少对计算资源的消耗,保证长时间实时监测;集中式的疑似火灾信号二次识别,可以弥补探测终端CPU计算能力有限、识别准确度不高的问题。由于内置改进型SCNN 算法,分散布置的探测终端也可独立进行火灾识别。
(4)易于更新和维护。模型参数的定期训练以及程序更新任务均由数据中枢完成,然后利用Android系统成熟的推送与升级机制。探测终端的更新和维护不需要用户参与,只要联网即可自动升级。
(5)相对于现有的深度神经网络算法,该算法的主要特点是运用减参融合层来降低参数量。具体来说,是用较小的1×1、3×3卷积核对图像数据进行降维压缩,减少网络权值参数,比如对图像做三次3×3卷积相当于一次7×7卷积,但参数量只相当于后者的55.1%。然后再和上一次的最大值池化结果进行特征图融合,以加快收敛。该算法的模型的参数量最少可以压缩到0.47Mb,从而提升了模型的收敛速率、节省了训练时间,同时在图像识别过程中也降低了内存和 CPU算力的消耗及能耗,以适合在嵌入式Android平台上的应用。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于SCNN的分散集中式家居图像火灾报警系统结构示意图。
图2是本发明实施例提供的基于SCNN的分散集中式家居图像火灾报警方法流程图。
图3是本发明实施例提供的探测终端应用程序工作流程图。
图4是本发明实施例提供的改进型神经网络算法进行图像火灾识别的工作流程图。
图中:1、数字高清摄像头;2、电源模块;3、CPU;4、警报装置;5、无线通信模块。
图5是本发明实施例提供的图像火灾探测终端内置改进型SCNN算法的训练过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于SCNN的分散集中式家居图像火灾报警系统及方法,下面结合附图对本发明作详细的描述。
本发明实施例提供的基于SCNN的分散-集中式家居图像火灾探测系统,其中,分散指的是图像火灾探测终端可分散布置,集中指的是疑似火灾信号的二级识别由数据中枢集中处理。探测终端的基本组成结构由嵌入式Android系统和专用的图像火灾探测应用程序构成。本发明实施例提供的探测终端的嵌入式 Android系统主体架构基于通用的Android平台进行设计,主要由电源模块、 CPU、数字高清摄像头、无线通信模块、警报装置等部分组成。
如图1所示,本发明实施例提供的基于SCNN的分散集中式家居图像火灾报警系统包括:
电源模块2由锂电池组和稳压电路组成,提供稳定可靠供电。正常情况下,它通过外部电源将220V民用交流电转换为5V直流电进行工作。在突然断电的情况下,能够依靠锂电池放电继续工作一段时间。
CPU3作为嵌入式Android系统的大脑,采用市面上主流的移动处理芯片,具有低功耗、发热量小,可长时间连续工作等特点。
数字高清摄像头1作为主要的信号采集装置,考虑到室内甚至是夜间光线微弱所带来的干扰,选用带有主动红外功能的高清数字摄像头,满足全时段监控的需要。
无线通信模块5由常用的Wi-Fi和4G网络组成,保持与外界的正常通信。
警报装置4通过发出光声信号进行警示,提醒周围人员注意查看,及时开展灭火救援。
如图2所示,本发明实施例提供的基于SCNN的分散集中式家居图像火灾报警方法,包括:
S101:每隔一段时间读取摄像头采集到的图片数据,深度神经网络算法依据充分训练得到的模型参数计算得出图像中存在火灾的概率值P*,并与设定的报警阈值Pa、探测阈值Pd进行比较;通常情况下探测阈值Pd<报警阈值Pa。
S102:当有连续多帧图像存在超报警阈值的情景时(P*>Pa),即表明有明确的火灾信号。
S103:当连续多帧图像的火灾概率值介于两阈值之间Pd<P*<Pa时,将相关图像网络传送至数据中枢,由数据中枢进一步判断并更新P*。
S104:图像火灾探测APP与嵌入式Android系统进行深度捆绑,系统开机即自动运行该APP,保持实时监测。
本发明实施例提供的基于SCNN的分散集中式家居图像火灾报警方法采用改进型SCNN进行火灾识别方法,其中,改进型SCNN进行火灾识别方法融合了该算法训练完成后得到的模型参数。
本发明实施例提供的S101中,对采集到的图片数据键处理的过程为:
原始图像进行数据增强、缩放、随机裁剪等标准化处理后形成一系列 224×224像素的三维图片,再经过若干次卷积、池化等操作,最终进行SoftMax 回归分类得到图像中存在火灾的概率;其中,卷积层、池化层、SoftMax回归分类的相关概念这里不作介绍,涉及到的关键参数已在图3中标明。
本发明实施例提供的S102中,当P*>Pa时,应用程序发送图像数据到用户;用户能够第一时间查看图片并通过网络获取摄像头实时采集到的视频信息,确认监控范围内是否发生火灾;
若是则启动警报装置并拨打求救电话,将火灾消灭在初期,降低损失;同时将该图像作为正样本进行保存;
若不是火灾,该图像将作为负样本进行保存,这些正负样本将用于后续模型参数的训练。
本发明实施例提供的S103中,数据中枢由集中布置的多台主机组成,通过网络被动获取探测终端采集到的可疑火灾图像,通过ResNet、Inception等架构复杂、特征参数多的SCNN算法进行综合判断。
同时,相关SCNN的模型参数需要大量真实的图片案例进行训练,一般情况下训练的数据越多则识别的准确率越高;每隔一段时间,数据中枢汇总探测终端的正负样本并进行算法的学习和训练,更新模型参数,形成新的数据文件;将新的数据文件与应用程序本身打包升级,经过Android平台的推送及自动更新功能,完成探测终端的更新迭代,进一步提高图像识别的准确性。
下面结合具体实施例对本发明的技术方案作进一步的描述。
鉴于常见家居电子设备多使用Android系统进行交互,本发明结合最新的机器学习技术,对现有视频火灾探测系统进行重新设计与构建,提出一种基于深度卷积神经网络(SCNN)的分散-集中式图像型火灾探测报警系统。其中分散布置的图像火灾探测终端,硬件结构由嵌入式Android系统组成,软件由配套的应用程序读取图像数据、判断是否发生火灾并报警,内部采用一种轻量化的 SCNN算法进行火灾识别。集中布置的多台主机组成数据中枢,被动获取探测终端采集到的疑似火灾图像,通过多种SCNN算法进行综合判别。本发明还兼具自动升级功能,在数据中枢上对家居环境得到的正负样本数据进行训练最新模型参数,并且利用推送功能实现探测终端应用程序的自动更新。
图5所示图像火灾探测终端内置改进型SCNN算法的训练过程,训练所用图像数据集包含110张火灾场景以及520张非火灾场景图片。经过100次训练后准确率最高达到81.7%,而且随着训练次数的进一步增加,准确率还会有所提升。算法总参数量约为经典神经网络算法(如ResNet50、InceptionV3等)的1/20,但是准确率仍然达到80%以上,对火灾场景的预测准确度属于当前主流水平。后续随着图像数据集的扩充,算法对火灾场景识别的准确率还将有所提高。数据量小带来对CPU运算能力要求下降,执行算法训练、图像火灾识别等功能耗时短等优点,加上针对单一火灾场景的识别较为准确,该SCNN算法非常适用于智能家居的图像火灾探测。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于SCNN的分散集中式家居图像火灾报警方法,其特征在于,所述基于SCNN的分散集中式家居图像火灾报警方法包括:
每隔一段时间读取摄像头采集到的图片数据,深度神经网络算法依据充分训练得到的模型参数计算得出图像中存在火灾的概率值P*,并与设定的报警阈值Pa、探测阈值Pd进行比较;探测阈值Pd<报警阈值Pa;
当有连续多帧图像存在超报警阈值的情景时P*>Pa,即表明有明确的火灾信号;
当连续多帧图像的火灾概率值介于两阈值之间Pd≤P*≤Pa时,将相关图像网络传送至数据中枢,由数据中枢进行判断并更新P*;
其中,数据中枢由集中布置的多台主机组成,通过网络被动获取探测终端采集到的可疑火灾图像,通过ResNet、Inception的架构复杂、特征参数多的SCNN算法进行综合判断;
每隔一段时间,数据中枢汇总探测终端的正负样本并进行算法的学习和训练,更新模型参数,形成新的数据文件;
将新的数据文件与应用程序本身打包升级,经过Android平台的推送及自动更新功能,完成探测终端的更新迭代;
图像火灾探测APP与嵌入式Android系统进行深度捆绑,系统开机即自动运行该APP。
2.如权利要求1所述的基于SCNN的分散集中式家居图像火灾报警方法,其特征在于,对采集到的图片数据键处理的过程为:
原始图像进行数据增强、缩放、随机裁剪的标准化处理后形成一系列224×224像素的三维图片;
再经过若干次卷积、池化操作,最终进行SoftMax回归分类得到图像中存在火灾的概率。
3.如权利要求1所述的基于SCNN的分散集中式家居图像火灾报警方法,其特征在于,当P*>Pa时,应用程序发送图像数据到用户;用户第一时间查看图片并通过网络获取摄像头实时采集到的视频信息,确认监控范围内是否发生火灾。
4.如权利要求3所述的基于SCNN的分散集中式家居图像火灾报警方法,其特征在于,若是火灾,则启动警报装置并拨打求救电话,将火灾消灭在初期;同时将该图像作为正样本进行保存;
若不是火灾,该图像将作为负样本进行保存,这些正负样本将用于后续模型参数的训练。
5.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
每隔一段时间读取摄像头采集到的图片数据,深度神经网络算法依据充分训练得到的模型参数计算得出图像中存在火灾的概率值P*,并与设定的报警阈值Pa、探测阈值Pd进行比较;探测阈值Pd<报警阈值Pa;
当有连续多帧图像存在超报警阈值的情景时P*>Pa,即表明有明确的火灾信号;
当连续多帧图像的火灾概率值介于两阈值之间Pd≤P*≤Pa时,将相关图像网络传送至数据中枢,由数据中枢进行判断并更新P*;
图像火灾探测APP与嵌入式Android系统进行深度捆绑,系统开机即自动运行该APP。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
每隔一段时间读取摄像头采集到的图片数据,深度神经网络算法依据充分训练得到的模型参数计算得出图像中存在火灾的概率值P*,并与设定的报警阈值Pa、探测阈值Pd进行比较;探测阈值Pd<报警阈值Pa;
当有连续多帧图像存在超报警阈值的情景时P*>Pa,即表明有明确的火灾信号;
当连续多帧图像的火灾概率值介于两阈值之间Pd≤P*≤Pa时,将相关图像网络传送至数据中枢,由数据中枢进行判断并更新P*;
图像火灾探测APP与嵌入式Android系统进行深度捆绑,系统开机即自动运行该APP。
7.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1~4任意一项所述的基于SCNN的分散集中式家居图像火灾报警方法。
8.一种实施如权利要求1~4任意一项所述基于SCNN的分散集中式家居图像火灾报警方法的基于SCNN的分散集中式家居图像火灾报警系统,其特征在于,所述基于SCNN的分散集中式家居图像火灾报警系统,包括:
电源模块,由锂电池组和稳压电路组成,提供稳定可靠供电;
CPU,作为嵌入式Android系统的大脑;
数字高清摄像头,作为主要的信号采集装置;
无线通信模块,由常用的Wi-Fi和4G网络组成,保持与外界的正常通信;
警报装置,通过发出光声信号进行警示,提醒周围人员注意查看,及时开展灭火救援。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110037180.0A CN112907885B (zh) | 2021-01-12 | 2021-01-12 | 基于scnn的分散集中式家居图像火灾报警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110037180.0A CN112907885B (zh) | 2021-01-12 | 2021-01-12 | 基于scnn的分散集中式家居图像火灾报警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907885A CN112907885A (zh) | 2021-06-04 |
CN112907885B true CN112907885B (zh) | 2022-08-16 |
Family
ID=76112504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110037180.0A Active CN112907885B (zh) | 2021-01-12 | 2021-01-12 | 基于scnn的分散集中式家居图像火灾报警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907885B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147993B (zh) * | 2022-09-05 | 2022-12-06 | 无锡卓信信息科技股份有限公司 | 一种封闭场所火灾预警系统及其系统数据的处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014040338A1 (zh) * | 2012-09-14 | 2014-03-20 | 中国科学院地质与地球物理研究所 | 一种优化系数获取方法、装置及相关波场模拟方法、装置 |
CN108447219A (zh) * | 2018-05-21 | 2018-08-24 | 中国计量大学 | 基于视频图像的火灾检测系统及方法 |
CN111680664A (zh) * | 2020-06-22 | 2020-09-18 | 南方电网科学研究院有限责任公司 | 一种人脸图像年龄识别方法、装置和设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106781210B (zh) * | 2016-12-23 | 2019-05-10 | 安徽信息工程学院 | 基于空间封闭性的火灾中烟的识别方法 |
US11783688B2 (en) * | 2018-03-13 | 2023-10-10 | Carrier Corporation | Aspirating detector system |
CN109978005A (zh) * | 2019-02-25 | 2019-07-05 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾报警方法、装置、存储介质及终端设备 |
CN111739243B (zh) * | 2020-05-14 | 2022-06-03 | 电子科技大学 | 一种基于d-s证据理论的火灾状态检测方法 |
CN111523277B (zh) * | 2020-05-19 | 2022-08-16 | 珠海格力电器股份有限公司 | 火灾预测方法、存储装置、处理器 |
CN111986436B (zh) * | 2020-09-02 | 2022-12-13 | 成都视道信息技术有限公司 | 一种基于紫外、深度神经网络的综合火焰检测方法 |
CN112052797A (zh) * | 2020-09-07 | 2020-12-08 | 合肥科大立安安全技术有限责任公司 | 基于MaskRCNN的视频火灾识别方法及系统 |
-
2021
- 2021-01-12 CN CN202110037180.0A patent/CN112907885B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014040338A1 (zh) * | 2012-09-14 | 2014-03-20 | 中国科学院地质与地球物理研究所 | 一种优化系数获取方法、装置及相关波场模拟方法、装置 |
CN108447219A (zh) * | 2018-05-21 | 2018-08-24 | 中国计量大学 | 基于视频图像的火灾检测系统及方法 |
CN111680664A (zh) * | 2020-06-22 | 2020-09-18 | 南方电网科学研究院有限责任公司 | 一种人脸图像年龄识别方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112907885A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10326644B1 (en) | Cooperative monitoring networks | |
CN110956783B (zh) | 城市内涝监测方法及电子设备 | |
AU2018267686A1 (en) | Connected devices for detecting and responding to events in an environment | |
US20200027552A1 (en) | Method for predicting comfortable sleep based on artificial intelligence | |
CN107911653A (zh) | 驻所智能视频监控模组、系统、方法以及存储介质 | |
CN109951363B (zh) | 数据处理方法、装置及系统 | |
US20210004910A1 (en) | Property damage risk evaluation | |
CN111612422B (zh) | 一种突发事件的响应方法、装置、存储介质及设备 | |
CN112907885B (zh) | 基于scnn的分散集中式家居图像火灾报警系统及方法 | |
CN109905278A (zh) | 基于大数据的基站故障检测方法、装置和存储介质 | |
CN110930632B (zh) | 一种基于人工智能的预警系统 | |
CN112036286A (zh) | 一种基于yoloV3算法实现温度感应及智能分析识别火焰的方法 | |
CN113361469A (zh) | 一种覆盖状态识别方法、装置、设备及存储介质 | |
CN112215077A (zh) | 一种图像识别建筑结构裂缝监测系统及方法 | |
CN117453835A (zh) | 一种智慧社区管理系统 | |
CN116931486A (zh) | 一种基于HarmonyOS的智慧图书馆环境数据分析装置、方法 | |
CN116184851A (zh) | 一种睡眠模式调节方法、装置、终端及存储介质 | |
CN114882666A (zh) | 一种智能家居火灾预警方法、系统、终端设备及存储介质 | |
CN114612771A (zh) | 一种基于神经网络的火源监控方法及系统 | |
CN110428578B (zh) | 火灾检测方法、装置和系统 | |
CN113570808A (zh) | 一种基于zynq7020的无线烟感探测器 | |
CN111517192A (zh) | 智慧物联网电梯监管平台系统 | |
CN115311836B (zh) | 用于推送信息的方法和相关产品 | |
CN117255463B (zh) | 设备故障告警方法、装置、设备、介质和智能照明设备 | |
CN116701127B (zh) | 一种基于大数据的应用性能监控方法及平台 |
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 |