CN112949536A - 一种基于云平台的火灾报警方法 - Google Patents

一种基于云平台的火灾报警方法 Download PDF

Info

Publication number
CN112949536A
CN112949536A CN202110278387.7A CN202110278387A CN112949536A CN 112949536 A CN112949536 A CN 112949536A CN 202110278387 A CN202110278387 A CN 202110278387A CN 112949536 A CN112949536 A CN 112949536A
Authority
CN
China
Prior art keywords
flame
image
smoke
fire
candidate area
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
CN202110278387.7A
Other languages
English (en)
Other versions
CN112949536B (zh
Inventor
裴文良
陈林坤
熊文莉
严海鹏
马心刚
申龙�
张彩江
杨帆
于立强
王永利
郭映言
陈金山
饶毅
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.)
Citic Corp Of China
CITIC HIC Kaicheng Intelligence Equipment Co Ltd
Original Assignee
CITIC HIC Kaicheng Intelligence Equipment 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 CITIC HIC Kaicheng Intelligence Equipment Co Ltd filed Critical CITIC HIC Kaicheng Intelligence Equipment Co Ltd
Priority to CN202110278387.7A priority Critical patent/CN112949536B/zh
Publication of CN112949536A publication Critical patent/CN112949536A/zh
Application granted granted Critical
Publication of CN112949536B publication Critical patent/CN112949536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V20/44—Event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于云平台的火灾报警方法，该方法通过摄像机采集现场视频图像，并回传至云平台，云平台内嵌火焰、烟雾检测模块，火焰、烟雾检测模块检测视频图像中是否存在真实火焰或烟雾，当检测到视频图像中包含真实火焰或者烟雾时立即向客户端工作人员示警提示请求确认；一旦客户端确认现场确实发生火情，客户端的工作人员可通过网络连接现场语音播报模块，将最佳逃生线路告诉火灾现场人员，引导群众快速安全逃生；同时将火情报告给火场附近的消防部门，帮助消防部门快速有效地组织灭火救援行动。

Description

一种基于云平台的火灾报警方法
技术领域
本发明属于消防灭火领域，具体说是一种基于云平台的火灾报警方法。
背景技术
在日常生活和工业生产中，因不规范用火、线路老化、违禁吸烟、过载使用电器等原因引发火灾的情况频现，而且大多数火灾在着火前期都没能被及时发现，等到火势迅猛蔓延，波及范围扩大了才被察觉，使得灭火救援行动开展滞后。火灾现场产生的大量烟雾，不仅伤害现场人员的呼吸系统，而且影响视野，给现场人员安全逃生、消防员开展灭火救人带来很大阻碍。所以火情如不能及时发现并报警，将对附近人员造成严重的生命财产损失。
发明内容
为解决上述技术问题，本发明提出了一种基于云平台的火灾报警方法。该方法基于云平台，并采用计算机视觉技术，通过摄像机实时采集片区内的视频图像，结合利用神经网络模型检测目标的方法和利用图像处理提取特征信息进行分析的方法，实现对现场火焰和烟雾的实时检测，发现火焰或烟雾时及时进行示警提示，请求客户端工作人员确认。当确认发现火情，连接现场的语音播报模块向现场示警，并实时给出合理的逃生路线，帮助现场人员安全逃生；同时向消防部门报警，并提供具体地点、建筑属性、附近消防所分布图、现场人员情况、最快交通线路等信息，以便消防部门在第一时间最大程度地了解现场情况，更快速有效的组织开展灭火救援行动，减少损失与伤害。
本发明采用的技术方案是：一种基于云平台的火灾报警方法，该方法运用计算机视觉技术，通过摄像机实时采集现场视频图像，采用使用神经网络模型检测和图像处理分析相结合的方法，实现对视野内火焰和烟雾的实时检测，并通知客户端实时确认检测到的火情是否属实，确认火情属实后立即向有关部门和人员发布火灾示警，并提供实时有效信息，协助各方救援、逃生工作的开展。
所述火焰、烟雾检测模块采用神经网络模型检测和图像处理相结合的检测方法，首先利用神经网络模型对视频图像进行检测，获取疑似火焰或烟雾候选区的初步检测结果；然后通过图像处理的方法，分析确认神经网络模型检测到的候选区是否包含真实的火焰或烟雾，并将确认的火焰或烟雾报告给客户端，提示客户端工作人员进行最终确认。
所述图像处理方法包括二值化、边缘检测、做差等处理，获取候选区内火焰连通域和烟雾连通域，并分析连通域在一段时间内的重合度，边缘临近点的跳跃性，面积变化，模糊度的变化，判断疑似火焰或烟雾的候选区内是否包含真实的火焰或烟雾。
与现有的火灾报警方式相比，本发明具有以下有益效果：
1.本发明与人工巡检方法相比，能够连续24小时检测，且不存在因疲劳、疏忽造成的火情发现不及时问题；
2. 工人在易燃环境下巡检存在安全隐患，本发明能够有效保证工人安全；
3. 本发明能实时将现场的实际情况详尽的传达给消防部门，提高灭火救援行动的开展效率。
4.本发明能够协助找出最佳逃生路线，引导现场人员快速安全逃生，降低火灾中的生命财产损失。
附图说明
图1是本发明火灾报警方法整体流程图；
图2是火焰、烟雾检测模块神经网络模型获取流程图；
图3是火焰、烟雾检测模块检测火情流程图；
图4是火焰、烟雾检测模块根据火焰二次判断火情流程图；
图5是火焰、烟雾检测模块根据烟雾二次判断火情流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
如图1所示，一种基于云平台的火灾报警方法，该方法基于云平台环境，采用计算机视觉技术，通过摄像机采集现场视频图像，并实时回传至云平台，云平台内嵌火焰、烟雾检测模块，该模块对视野中的火焰和烟雾进行检测示警，客户端工作人员接到示警进行确认，并接通现场的语音播报模块对现场人员进行示警提示，实时给出合理的逃生路线；同时客户端的工作人员可以向消防部门报警，并通过云平台获取火灾现场的具体位置、建筑属性、附近的消防栓分布图、在场人员情况等信息发送给消防部门，让消防部门在第一时间最大程度的掌握现场情况，更高效的组织开展灭火救援行动，降低生命财产损失。
图2为所述火焰、烟雾检测模块获取最佳神经网络模型的流程图。图3为火焰、烟雾检测模块检测火情流程图。
如图2、图3所示，所述火焰、烟雾检测模块首先获取神经网络模型，然后采用神经网络模型检测方法获取疑似火焰或烟雾的候选区域，当检测到疑似火焰或烟雾的候选区时，对随后的相邻N帧图像进行检测分析，综合分析这些图像中疑似火焰或烟雾连通域的具体情况，判断候选区中是否存在真实火情，若存在真实火情，则示警提示客户端工作人员确认。
具体包括以下步骤：
步骤一：收集各种场景下不同时间段的火焰和烟雾样本集，要求样本集中不仅包含各类火焰、烟雾的图像，还必须包含各色亮灯、与火焰、烟雾颜色相近的衣物、海报和天空的图像；
步骤二：将样本集分成训练集和验证集，将训练集作为输入训练神经网络模型，以验证集作为输入，测试神经网络模型是否达到最佳参数状态；利用验证集测试不同训练阶段下的神经网络模型，找出检测效果最佳的神经网络模型并保存。
步骤三：以摄像机传回的当前图像作为输入，使用所述火焰、烟雾检测模块获取的最佳神经网络模型对图像进行检测，观察是否存在疑似火焰或烟雾的候选区；
步骤四：如果不存在疑似火焰或烟雾的候选区，则认为当前未出现火情，重复步骤三检测下一帧图像；如果存在疑似火焰或烟雾的候选区，对接下来的N帧相邻图像重复步骤三，观察每帧图像是否都存在疑似火焰或烟雾的候选区，如果在某帧图像之后不再出现疑似火焰或烟雾的候选区，则认为当前检测到候选区不包含真实火焰或烟雾，重复步骤三继续检测接下来的图像中是否存在火情；否则，如果N帧相邻图像都存在疑似火焰或烟雾候选区，则执行步骤五。
步骤五：判断图像中是否存在疑似火焰候选区，如果存在疑似火焰候选区则执行步骤51至步骤59，通过图像处理的方法对N帧图像进行处理分析，对火焰候选区进行二次确认，判断步骤三获取的火焰候选区是否包含真实火焰。否则，执行步骤61至步骤64，通过图像处理的方法，对烟雾候选区进行二次确认，判断步骤三获取的烟雾候选区是否包含真实烟雾。
图4 给出了根据疑似火焰候选区，对火焰进行二次确认的流程图。
如图4所示，通过图像处理方法，根据相邻帧的火焰信息二次确认火焰是否属实，采用包括图像分割、边缘检测、前后相邻帧图像做差等处理，确认神经网络模型检测到的疑似火焰候选区是否存在真实火焰，具体包括如下步骤：
步骤51：提取N帧相邻原始图像fi+1、fi+2、…、fi+N，使用神经网络模型对图像进行检测，保留每帧图像中疑似火焰的候选区，将非候选区的所有像素点的值置零，得到图像roii+1、roii+2、…、roii+N;
步骤52：在HSV颜色空间对图像roii+1和roii+2进行二值化处理,得到疑似火焰连通域的二值图marki+1、marki+2，计算公式如下：
Figure 989514DEST_PATH_IMAGE002
其中，h(x,y)、s(x,y)、v(x,y)分别是图像roi在(x,y)处像素点转换到HSV颜色空间后H通道、S通道、V通道的像素值。
步骤 53：通过做差获取图像marki+1、marki+2 的差值图d_marki+1,i+2,计算公式如下：
Figure 100002_DEST_PATH_IMAGE006
分别统计图像marki+1、marki+2 和d_marki+1,i+2中白像素点的数量m_numi+1、m_numi+2、d_numi+1,i+2,并比较三者的大小关系；
步骤54：如果（d_numi+1,i+2 -m_numi+1）> （m_numi+2*th_value1）且（d_numi+1,i+2 -m_numi+2）> （m_numi+1*th_value1），认为图像fi+1和fi+2包含的疑似火焰连通域没有重合部分，接着获取原始图fi+3的候选区图像roii+3，对roii+1和roii+3重复步骤52~53，如果（d_numi+1，i+3 -m_numi+1）> （m_numi+3*th_value1）且（d_numi+1,i+3 -m_numi+3）> （m_numi+1*th_value1），认为图像fi+1和fi+3中疑似火焰的连通域也没有重合部分；
步骤55：如果连续相邻两帧图像候选区的火焰连通域和fi+1的火焰连通域都不重合，则认为步骤三检测的疑似火焰候选区未包含真实火焰。继续对下一帧图像执行步骤三进行检测；如果相邻图像的疑似火焰连通域有重合部分需要继续步骤56进一步判断候选区是否包含真实的火焰；
步骤56：对原始图像fi+3其后的N-3帧图像都执行步骤52~55，当每帧图像与其相邻帧的疑似火焰连通域都有重复的部分则继续步骤57，否则执行步骤三。
步骤57：通过图像处理分别获取N帧图像的疑似火焰连通域原始图firei+1,firei+2，…，firei+N，计算公式如下：
Figure 100002_DEST_PATH_IMAGE008
步骤58：通过索贝尔边缘检测法分别获取图像firei+1,firei+2，…，firei+N的疑似火焰连通域原始图的边缘图edgei+1，edgei+2，…，edgei+N；
步骤59：结合边缘图，统计火焰连通域边缘临近点在N帧图像时间段内跳变的频次，如果疑似火焰连通域边缘临近像素点的跳变频次比较大，则认为候选区包含真实的火焰，火焰、烟雾检测模块向客户端工作人员示警提示，请求确认。否则认为候选区不包含真实的火焰。
图5 给出了根据疑似烟雾候选区，对烟雾进行二次确认的流程图，具体包括以下步骤：
步骤 61：采用基于图像处理的烟雾检测方法，获取当前帧之前的第P帧图像im_pre和当前帧之后的第K帧图像im_k以及之后的第L帧图像im_l，对比三帧图像是否存在变化，从而判断候选区域是否包含真实烟雾；
步骤 62：按照w*h的网格大小分别将图像im_pre、im_k、im_l划分成n个分区；
步骤63：将步骤61中的三帧图像转换成灰度图像g_pre、g_k、g_l，然后利用灰度方差法计算每帧图像每个分区的模糊度，计算公式如下：
Figure 100002_DEST_PATH_IMAGE010
Figure 100002_DEST_PATH_IMAGE012
其中，g(x,y)是灰度图像在(x,y)处像素点的灰度值，m_value是分区内所有像素点的均值，var_value是分区内所有像素点的方差的平方；
步骤64：综合考虑图像g_pre、g_k、g_l相同分区模糊度的变化，以及整幅图模糊分区面积的变化，从而判断步骤三检测到的疑似烟雾候选区是否包含真实的烟雾，如果包含真实烟雾则向客户端示警提示，请求客户端工作人员确认存在火情。否则，继续执行步骤三。

Claims (2)

1.一种基于云平台的火灾报警方法，其特征在于：该方法基于云平台，利用摄像机采集现场视频，并回传至云平台，云平台内嵌的火焰、烟雾检测模块实时检测视频图像中是存在火焰或烟雾，当火焰、烟雾检测模块检测到真实的火焰或烟雾时立即向客户端工作人员示警提示请求确认；客户端工作人员通过摄像机传回的现场视频图像确认现场是否存在真实火情，一旦确认出现火情，客户端通过网络连接现场的语音播报模块直接向火情现场相关人员示警，并通过语音播报模块给出最佳逃生路线引导群众快速安全逃生；同时客户端向火场附近的消防部门报警，并提供火灾现场的详细地址、建筑属性、在场人员数量、现场存在的危险物品、现场附近消防栓分布图等信息，帮助消防部门第一时间最大程度掌握现场情况，便于更高效地组织开展灭火救援行动。
2.根据权利要求1所述一种基于云平台的火灾报警方法，其特征在于：所述火焰、烟雾检测模块首先获取神经网络模型，然后采用神经网络模型检测方法获取疑似火焰或烟雾的候选区，当检测到疑似火焰或烟雾候选区时，对随后的相邻N帧图像进行检测分析，综合分析这些图像中疑似火焰或烟雾连通域的具体情况，判断候选区中是否存在真实火情，若存在真实火情，则示警提示客户端工作人员确认；具体包括以下步骤：
步骤一：收集各种场景下不同时间段的火焰和烟雾样本集，要求样本集中不仅包含各类火焰、烟雾的图像，还必须包含各色亮灯、与火焰、烟雾颜色相近的衣物、海报和天空的图像；
步骤二：将样本集分成训练集和验证集，将训练集作为输入训练神经网络模型，以验证集作为输入，测试神经网络模型是否达到最佳参数状态；利用验证集测试不同训练阶段下的神经网络模型，找出检测效果最佳的神经网络模型并保存；
步骤三：以摄像机传回的当前图像作为输入，使用所述火焰、烟雾检测模块获取的最佳神经网络模型对图像进行检测，观察是否存在疑似火焰或烟雾的候选区；
步骤四：如果不存在疑似火焰或烟雾的候选区，则认为当前未出现火情，重复步骤三检测下一帧图像；如果存在疑似火焰或烟雾的候选区，对接下来的N帧相邻图像重复步骤三，观察每帧图像是否都存在疑似火焰或烟雾的候选区，如果在某帧图像之后不再出现疑似火焰或烟雾的候选区，则认为当前检测到候选区不包含真实火焰或烟雾，重复步骤三继续检测接下来的图像中是否存在火情；否则，如果N帧相邻图像都存在疑似火焰或烟雾候选区，则执行步骤五；
步骤五：判断图像中是否存在疑似火焰候选区，如果存在疑似火焰候选区则执行步骤51至步骤59，通过图像处理的方法对N帧图像进行处理分析，对火焰候选区进行二次确认，判断步骤三获取的火焰候选区是否包含真实火焰；否则，执行步骤61至步骤64，通过图像处理的方法，对烟雾候选区进行二次确认，判断步骤三获取的烟雾候选区是否包含真实烟雾；
步骤51：提取N帧相邻原始图像fi+1、fi+2、…、fi+N，使用神经网络模型对图像进行检测，保留每帧图像中疑似火焰的候选区，将非候选区的所有像素点的值置零，得到图像roii+1、roii+2、…、roii+N;
步骤52：在HSV颜色空间对图像roii+1和roii+2进行二值化处理,得到疑似火焰连通域的二值图marki+1、marki+2，计算公式如下：
Figure DEST_PATH_IMAGE002
其中，h(x,y)、s(x,y)、v(x,y)分别是图像roi在(x,y)处像素点转换到HSV颜色空间后H通道、S通道、V通道的像素值；
步骤 53：通过做差获取图像marki+1、marki+2 的差值图d_marki+1,i+2,计算公式如下：
Figure DEST_PATH_IMAGE006
分别统计图像marki+1、marki+2 和d_marki+1，i+2中白像素点的数量m_numi+1、m_numi+2、d_numi+1,i+2,并比较三者的大小关系；
步骤54：如果（d_numi+1,i+2 -m_numi+1）> （m_numi+2*th_value1）且（d_numi+1,i+2 -m_numi+2）> （m_numi+1*th_value1），认为图像fi+1和fi+2包含的疑似火焰连通域没有重合部分，接着获取原始图fi+3的候选区图像roii+3，对roii+1和roii+3重复步骤52~53，如果（d_numi+1，i+3 -m_numi+1）> （m_numi+3*th_value1）且（d_numi+1,i+3 -m_numi+3）> （m_numi+1*th_value1），认为图像fi+1和fi+3中疑似火焰的连通域也没有重合部分；
步骤55：如果连续相邻两帧图像候选区的火焰连通域和fi+1的火焰连通域都不重合，则认为步骤三检测的疑似火焰候选区未包含真实火焰；继续对下一帧图像执行步骤三进行检测；如果相邻图像的疑似火焰连通域有重合部分，继续步骤56进一步判断候选区是否包含真实的火焰；
步骤56：对原始图像fi+3其后的N-3帧图像都执行步骤52~55，当每帧图像与其相邻帧的疑似火焰连通域都有重复的部分则继续步骤57，否则执行步骤三；
步骤57：通过图像处理分别获取N帧图像的疑似火焰连通域原始图firei+1,firei+2，…，firei+N，计算公式如下：
Figure DEST_PATH_IMAGE008
步骤58：通过索贝尔边缘检测法分别获取图像firei+1,firei+2，…，firei+N的疑似火焰连通域原始图的边缘图edgei+1，edgei+2，…，edgei+N；
步骤59：结合边缘图，统计火焰连通域边缘临近点在N帧图像时间段内跳变的频次，如果疑似火焰连通域边缘临近像素点的跳变频次比较大，则认为候选区包含真实的火焰，火焰、烟雾检测模块向客户端工作人员示警提示，请求确认；否则认为候选区不包含真实的火焰，继续执行步骤三；
步骤 61：采用基于图像处理的烟雾检测方法，获取当前帧之前的第P帧图像im_pre和当前帧之后的第K帧图像im_k以及之后的第L帧图像im_l，对比三帧图像是否存在变化，从而判断候选区域是否包含真实烟雾；
步骤 62：按照w*h的网格大小分别将图像im_pre、图像im_k和图像im_l划分成n个分区；
步骤63：将步骤61中的三帧图像转换成灰度图像g_pre、g_k和g_l，然后利用灰度方差法计算每帧图像每个分区的模糊度，计算公式如下：
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE012
其中，g(x,y)是灰度图像在(x,y)处像素点的灰度值，m_value是分区内所有像素点的均值，var_value是分区内所有像素点的方差的平方；
步骤64：综合考虑图像g_pre、g_k和g_l相同分区模糊度的变化，以及整幅图像模糊分区面积的变化，从而判断步骤三检测到的疑似烟雾候选区是否包含真实的烟雾，如果包含真实烟雾则向客户端示警提示，请求客户端工作人员确认存在火情；否则，继续执行步骤三。
CN202110278387.7A 2021-03-16 2021-03-16 一种基于云平台的火灾报警方法 Active CN112949536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110278387.7A CN112949536B (zh) 2021-03-16 2021-03-16 一种基于云平台的火灾报警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110278387.7A CN112949536B (zh) 2021-03-16 2021-03-16 一种基于云平台的火灾报警方法

Publications (2)

Publication Number Publication Date
CN112949536A true CN112949536A (zh) 2021-06-11
CN112949536B CN112949536B (zh) 2022-09-16

Family

ID=76229975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110278387.7A Active CN112949536B (zh) 2021-03-16 2021-03-16 一种基于云平台的火灾报警方法

Country Status (1)

Country Link
CN (1) CN112949536B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115996A (zh) * 2022-08-30 2022-09-27 江苏南通二建集团讯腾云创智能科技有限公司 一种基于超像素分割的楼宇智能化消防火灾识别方法
CN117671608A (zh) * 2024-02-02 2024-03-08 江苏林洋亿纬储能科技有限公司 启动电池储能系统消防作业的方法和系统及计算设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833838A (zh) * 2010-05-27 2010-09-15 王巍 一种大范围火灾分析预警系统
CN103400111A (zh) * 2013-07-10 2013-11-20 重庆大学 基于视频检测技术的高速公路隧道火灾事件检测方法
CN103617414A (zh) * 2013-11-09 2014-03-05 中国科学技术大学 一种基于最大间距准则的火灾颜色模型及火灾火焰和烟雾识别方法
US20160260306A1 (en) * 2013-10-19 2016-09-08 Iq Wireless Gmbh Entwicklungsgesellschaft Für Systeme Und Technologien Der Telekommunikation Method and device for automated early detection of forest fires by means of optical detection of smoke clouds
CN106408846A (zh) * 2016-11-29 2017-02-15 周川 基于视频监控平台的图像火灾检测方法
CN107025652A (zh) * 2017-05-05 2017-08-08 太原理工大学 一种基于运动特性和颜色时空信息的火焰检测方法
CN108399359A (zh) * 2018-01-18 2018-08-14 中山大学 一种视频序列下实时火灾检测预警方法
CN109074713A (zh) * 2016-05-04 2018-12-21 罗伯特·博世有限公司 烟雾探测设备、用于探测火灾的烟雾的方法以及计算机程序
CN109191761A (zh) * 2018-09-06 2019-01-11 中国石油大学(华东) 一种基于火焰多特征融合的火灾识别方法
CN110516609A (zh) * 2019-08-28 2019-11-29 南京邮电大学 一种基于图像多特征融合的火灾视频检测及预警方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833838A (zh) * 2010-05-27 2010-09-15 王巍 一种大范围火灾分析预警系统
CN103400111A (zh) * 2013-07-10 2013-11-20 重庆大学 基于视频检测技术的高速公路隧道火灾事件检测方法
US20160260306A1 (en) * 2013-10-19 2016-09-08 Iq Wireless Gmbh Entwicklungsgesellschaft Für Systeme Und Technologien Der Telekommunikation Method and device for automated early detection of forest fires by means of optical detection of smoke clouds
CN103617414A (zh) * 2013-11-09 2014-03-05 中国科学技术大学 一种基于最大间距准则的火灾颜色模型及火灾火焰和烟雾识别方法
CN109074713A (zh) * 2016-05-04 2018-12-21 罗伯特·博世有限公司 烟雾探测设备、用于探测火灾的烟雾的方法以及计算机程序
CN106408846A (zh) * 2016-11-29 2017-02-15 周川 基于视频监控平台的图像火灾检测方法
CN107025652A (zh) * 2017-05-05 2017-08-08 太原理工大学 一种基于运动特性和颜色时空信息的火焰检测方法
CN108399359A (zh) * 2018-01-18 2018-08-14 中山大学 一种视频序列下实时火灾检测预警方法
CN109191761A (zh) * 2018-09-06 2019-01-11 中国石油大学(华东) 一种基于火焰多特征融合的火灾识别方法
CN110516609A (zh) * 2019-08-28 2019-11-29 南京邮电大学 一种基于图像多特征融合的火灾视频检测及预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIAN QIU ET AL.: "An autoadaptive edge-detection algorithm for flame and fire image processing", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
戴静: "火焰图像快速检测方法研究及应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115996A (zh) * 2022-08-30 2022-09-27 江苏南通二建集团讯腾云创智能科技有限公司 一种基于超像素分割的楼宇智能化消防火灾识别方法
CN117671608A (zh) * 2024-02-02 2024-03-08 江苏林洋亿纬储能科技有限公司 启动电池储能系统消防作业的方法和系统及计算设备
CN117671608B (zh) * 2024-02-02 2024-04-26 江苏林洋亿纬储能科技有限公司 启动电池储能系统消防作业的方法和系统及计算设备

Also Published As

Publication number Publication date
CN112949536B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN112862153B (zh) 基于bim的火灾救援方法、设备、存储介质及装置
CN112949536B (zh) 一种基于云平台的火灾报警方法
CN103632158B (zh) 森林防火监控方法及森林防火监控系统
CN106600888B (zh) 一种森林火灾自动检测方法及系统
CN108389359B (zh) 一种基于深度学习的城市火灾报警方法
CN107437318B (zh) 一种可见光智能识别算法
CN101625789A (zh) 基于烟火智能识别的森林火灾实时监测方法
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
CN112927461B (zh) 一种新能源汽车充电桩预警决策方法及装置
CN110443196A (zh) 基于ssim算法的消防占道检测方法
CN112216055B (zh) 一种燃气场站火灾预警检测方法及系统
CN112489351A (zh) 基于图片识别的学校火灾预警方法
CN112101181A (zh) 一种基于深度学习的自动化隐患场景识别方法及系统
CN111696203A (zh) 一种紧急事件分级推送方法、系统、装置和存储介质
AU2019249431A1 (en) System and method for early identification and monitoring of defects in transportation infrastructure
CN113593170A (zh) 一种基于远程感烟探测的智能预警系统
CN112633238A (zh) 一种基于深度学习图像处理的电焊施工检测方法
CN115512518B (zh) 基于时空关联的多种灾害的预警信息处理方法及装置
CN111359132A (zh) 一种基于人工智能的智慧消防警报方法及系统
CN111242010A (zh) 一种基于边缘ai的判断并识别乱扔垃圾人员身份的方法
CN115689281A (zh) 一种厂区危险源风险管控方法和装置
CN111812116B (zh) 一种油烟管道的在线监测方法及监测系统
CN114821486A (zh) 一种电力作业场景下人员识别方法
CN113743015A (zh) 火灾场景数据获取方法、介质及电子设备
CN116758079B (zh) 一种基于火花像素的危害预警方法

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
TR01 Transfer of patent right

Effective date of registration: 20240305

Address after: 063020 No. 1686 Xueyuan Road, high tech Development Zone, Tangshan, Hebei

Patentee after: CITIC HIC KAICHENG INTELLIGENCE EQUIPMENT Co.,Ltd.

Country or region after: China

Patentee after: CITIC Corporation of China

Address before: No.183 Huoju Road, high tech Development Zone, Tangshan City, Hebei Province 063015

Patentee before: CITIC HIC KAICHENG INTELLIGENCE EQUIPMENT Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right