CN113643495B - 一种用于火灾原因调查的智能辅助分析系统及方法 - Google Patents
一种用于火灾原因调查的智能辅助分析系统及方法 Download PDFInfo
- Publication number
- CN113643495B CN113643495B CN202110865604.2A CN202110865604A CN113643495B CN 113643495 B CN113643495 B CN 113643495B CN 202110865604 A CN202110865604 A CN 202110865604A CN 113643495 B CN113643495 B CN 113643495B
- Authority
- CN
- China
- Prior art keywords
- fire
- time
- information
- detection
- video
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011835 investigation Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 151
- 230000007480 spreading Effects 0.000 claims abstract description 31
- 238000003892 spreading Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims description 52
- 238000002485 combustion reaction Methods 0.000 claims description 48
- 239000000779 smoke Substances 0.000 claims description 32
- 230000000391 smoking effect Effects 0.000 claims description 14
- 235000019504 cigarettes Nutrition 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 12
- 238000011897 real-time detection Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000004880 explosion Methods 0.000 claims description 10
- 230000004660 morphological change Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000010304 firing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 4
- 230000001012 protector Effects 0.000 claims description 4
- 230000002269 spontaneous effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 208000025274 Lightning injury Diseases 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 210000003608 fece Anatomy 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 239000007858 starting material Substances 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 5
- 230000018109 developmental process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010191 image analysis 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Emergency Management (AREA)
- Fire-Detection Mechanisms (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种用于火灾原因调查的智能辅助分析系统及方法，所述系统包括火灾原因分析平台和多个分布于不同探测区域的前端探测设备，每一个探测区域均具有唯一的区域编号，所有探测区域对应完整的建筑三维图，所有的前端探测设备与火灾原因分析平台通过网络授时统一时间标准；所述前端探测设备包括视频信息采集设备和非视频信息采集设备；所述视频信息采集设备包括前端通讯模块、数据处理模块、定位模块、三维云台，以及搭载于所述三维云台上的火灾探测器和摄像头。本发明能够较为完整地获取火灾信息，真实记录、还原、展现火灾发生、蔓延的全过程，并能全面分析火灾发生发展的原因，为火灾防控和火灾原因调查工作提供了数据基础和辅助作用。
Description
技术领域
本发明涉及火灾原因调查，特别是涉及一种用于火灾原因调查的智能辅助分析系统及方法。
背景技术
火灾原因的调查，对于火灾防控，保障社会、人民的生命财产安全，具有着非常重要的意义，申请号“201711104184.6”的专利“一种基于自适应亮度分割的火灾视频图像分析算法”，通过将火灾现场周边监控设备拍摄的视频录像拷贝到计算机上进行图像处理；计算机对视频图像初步进行逐帧的分析检索，自动找到图像中发生亮度变化的区域并记录录；将从监控上截取的视频从第一帧作为初始背景，对前后相邻帧做作差分运算得到两帧图像亮度差的绝对值，并对帧差进行二值化处理得到二值图；对视频监控区域部分的二值图进行逐帧分析；对处理后的二值图利用OTSU算法进行自适应的阈值分割；对二值图中的边界进行直线拟合可得到精确的亮度分割线；对视频中自动提取到的实时显示的亮度分割线进行分析，可以确定火灾的起火点和蔓延方向。但是存在下面的缺陷和不便：
1、需要人工把视频拷贝到计算机上，不能对实时火灾视频进行自动传输和实时分析；
2、没有根据火场瞬息万变的环境，灵活实时的多角度多维度拍摄收集视频信息，会错失大量宝贵的火灾发生、蔓延的关键信息；
3、针对不同的视屏，没有统一坐标系，无法还原最真实的火场，无法真实展现火灾发生、蔓延的全过程；
4、只能依靠人工收集分析部分火灾视频，不能自动收集整理分析火灾发生前、发生时、发生后的视频信息和非视频信息，没有全面分析火灾发生发展的原因；
5、不能把火灾原因调查与火灾隐患报警结合起来从而更好的为火灾防控工作提出辅助建议。
发明内容
本发明的目的在于克服现有技术的不足，提供一种用于火灾原因调查的智能辅助分析系统及方法，能够较为完整地获取火灾信息，真实展现火灾发生、蔓延的全过程，并全面分析了火灾发生发展的原因，为火灾防控工作提供了数据基础。
本发明的目的是通过以下技术方案来实现的：一种用于火灾原因调查的智能辅助分析系统，其特征在于：包括火灾原因分析平台和多个分布于不同探测区域的前端探测设备，每一个探测区域均具有唯一的区域编号，所有探测区域对应完整的建筑三维图，所有的前端探测设备与火灾原因分析平台通过网络授时统一时间标准；
所述前端探测设备包括视频信息采集设备和非视频信息采集设备；所述视频信息采集设备包括前端通讯模块、数据处理模块、定位模块、三维云台，以及搭载于所述三维云台上的火灾探测器和摄像头；所述定位模块、火灾探测器和摄像头分别与数据处理模块连接，所述数据处理模块与三维云台的控制端口连接，所述数据处理模块还通过前端通讯模块与火灾原因分析平台连接；所述非视频信息采集设备包括区域控制器、非视频信息传输模块和多个具有唯一装置编号的非视频信息采集装置，所述区域控制器分别与每一个视频信息采集装置连接，所述区域控制器还通过非视频信息传输模块与火灾原因分析平台连接，用于将每一个非视频信息采集装置采集到的实时信息和对应的装置编号上传给火灾原因分析平台；
所述数据处理模块，用于将探测区域中的火灾探测器、摄像头、定位模块采集到的信息作为实时探测信息，通过前端通讯模块上传到火灾原因分析平台；并构建探测区域的三维模型，在火灾探测器探测到火灾信号时，向火灾原因分析平台发送报警信号，同时根据将摄像头采集到的图像信息，将探测区域的变化投影到三维模型中，确定起火点在三维模型中的位置，并控制三维云台进行运动，使得火灾探测器和摄像头正对火灾中心位置，对火灾蔓延情况进行跟踪，并将定位模块、火灾探测器和摄像头实时采集到的信息，与当前探测区域的编号一起作为火灾探测数据，上传到火灾原因分析平台；所述数据处理模块在通过前端通讯模块接收到火灾原因分析平台对周围区域的联动探测指令时，控制三维云台进行运动，带动火灾探测器和摄像头对联动探测指令对应的区域进行探测，并将联动探测结果上传给火灾原因分析平台，所述联动探测结果包括接收到联动探测指令的前端探测设备所在探测区域编号，联动探测过程中摄像头采集到的信息，以及联动探测过程中火灾探测器采集到的信息；
所述火灾原因分析平台，用于在接收到任一探测区域中前端探测设备的报警信号时，向该探测区域周围的探测区域能够联动探测指令，控制周围的探测区域进行联动探测，并接收联动探测结果；对于每一次火灾的发生，所述火灾原因分析平台根据时间先后顺序建立该起火灾相关事件发生对应时间轴；对于每一次火灾的发生，所述火灾原因分析平台根据空间位置对应关系建立起该起火灾发生发展对应建筑三维图；从收集的火灾现场即时数据、火灾发生前的火场数据和火灾发生后的火场数据中分别提取时间信息和空间信息，将时间信息还原到时间轴上，将空间信息还原到的对应建筑三维图上，运用时间先后顺序和因果关系的逻辑方法，比对确定出起火时间、起火部位、起火点、起火物、引火源、起火原因六个火灾原因调查要素，生成火灾原因调查单。
一种用于火灾原因调查的智能辅助分析方法，包括以下步骤：
S1.每一个探测区域中，非视频信息采集设备将实时采集到的信息上传到火灾原因分析平台，由火灾原因分析平台进行监控或者保存，视频信息采集设备将探测区域中的火灾探测器、摄像头、定位模块采集到的信息作为实时探测信息，通过前端通讯模块上传到火灾原因分析平台，由火灾原因分析平台进行保存；
在任一探测区域中的视频信息采集设备探测到火灾信号时，向火灾原因分析平台发送报警信号，并控制该前端探测设备中的摄像头进行多角度跟踪拍摄，获取火灾发生、发展、蔓延、熄灭的关键视频图像信息，与该前端探测设备中火灾探测器、定位模块采集到的信息，以及探测区域的编号信息，一起作为火灾探测数据，上传到火灾原因分析平台；
S2.火灾原因分析平台在接收到任一探测区域的报警信号时，向该探测区域周围的探测区发送联动探测指令，控制周围的探测区域中的视频信息采集设备进行联动探测，并接收联动探测结果；
S3.火灾原因分析平台根据摄像头拍摄视角和火灾发生位置将火灾划分为两类；
S4.火灾原因分析平台根据时间先后顺序建立与每起火灾对应的相关事件发生时间轴和与每起火灾发生发展对应的建筑三维图；从收集到的火场视频信息、非视频信息中分别提取时间信息和空间信息，将时间信息还原到时间轴上，将空间信息还原到完整的建筑三维图上，运用时间先后顺序和因果关系的逻辑方法，比对确定起火时间、起火点、起火部位、起火物、引火源、起火原因六个火灾原因认定要素，并围绕上述火灾原因认定要素调度现场摄像头对与之有关的关键点再次进行深度扫描，进一步完善精确时间轴和建筑三维图上的信息，深度扫描时确保对火的连续拍摄；
S5.火灾原因分析平台进行起火时间、起火点、起火部位、起火物、引火源、起火原因六个火灾原因认定要素的认定，生成火灾原因调查单；
S6.火灾原因调查工作人员在火灾原因调查单的基础上，结合火灾调查询问、人工现场勘验、火灾物证检验报告、火灾现场试验环节得到的信息，相互印证，综合分析后最终确定火灾原因。
本发明的有益效果是：本发明能够较为完整地获取火灾信息，真实展现火灾发生、蔓延的全过程，并全面分析了火灾发生发展的原因，为火灾防控和火灾原因调查工作提供了数据基础和辅助作用。
附图说明
图1为本发明的系统原理框图；
图2为视频信息采集设备的原理框图；
图3为非视频信息采集设备的原理框图；
图4为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1～3所示，一种用于火灾原因调查的智能辅助分析系统，包括火灾原因分析平台和多个分布于不同探测区域的前端探测设备，每一个探测区域均具有唯一的区域编号，所有探测区域对应完整的建筑三维图，所有的前端探测设备与火灾原因分析平台通过网络授时统一时间标准；
所述前端探测设备包括视频信息采集设备和非视频信息采集设备；所述视频信息采集设备包括前端通讯模块、数据处理模块、定位模块、三维云台，以及搭载于所述三维云台上的火灾探测器和摄像头；所述定位模块、火灾探测器和摄像头分别与数据处理模块连接，所述数据处理模块与三维云台的控制端口连接，所述数据处理模块还通过前端通讯模块与火灾原因分析平台连接；所述非视频信息采集设备包括区域控制器、非视频信息传输模块和多个具有唯一装置编号的非视频信息采集装置，所述区域控制器分别与每一个视频信息采集装置连接，所述区域控制器还通过非视频信息传输模块与火灾原因分析平台连接，用于将每一个非视频信息采集装置采集到的实时信息和对应的装置编号上传给火灾原因分析平台；
所述数据处理模块，用于将探测区域中的火灾探测器、摄像头、定位模块采集到的信息作为实时探测信息，通过前端通讯模块上传到火灾原因分析平台；并构建探测区域的三维模型，在火灾探测器探测到火灾信号时，向火灾原因分析平台发送报警信号，同时根据将摄像头采集到的图像信息，将探测区域的变化投影到三维模型中，确定起火点在三维模型中的位置，并控制三维云台进行运动，使得火灾探测器和摄像头正对火灾中心位置，对火灾蔓延情况进行跟踪，并将定位模块、火灾探测器和摄像头实时采集到的信息，与当前探测区域的编号一起作为火灾探测数据，上传到火灾原因分析平台；所述数据处理模块在通过前端通讯模块接收到火灾原因分析平台对周围区域的联动探测指令时，控制三维云台进行运动，带动火灾探测器和摄像头对联动探测指令对应的区域进行探测，并将联动探测结果上传给火灾原因分析平台，所述联动探测结果包括接收到联动探测指令的前端探测设备所在探测区域编号，联动探测过程中摄像头采集到的信息，以及联动探测过程中火灾探测器采集到的信息；
所述火灾原因分析平台，用于在接收到任一探测区域中前端探测设备的报警信号时，向该探测区域周围的探测区域能够联动探测指令，控制周围的探测区域进行联动探测，并接收联动探测结果；对于每一次火灾的发生，所述火灾原因分析平台根据时间先后顺序建立该起火灾相关事件发生对应时间轴；对于每一次火灾的发生，所述火灾原因分析平台根据空间位置对应关系建立起该起火灾发生发展对应建筑三维图；从收集的火灾现场即时数据、火灾发生前的火场数据和火灾发生后的火场数据中分别提取时间信息和空间信息，将时间信息还原到时间轴上，将空间信息还原到的对应建筑三维图上，运用时间先后顺序和因果关系的逻辑方法，比对确定出起火时间、起火部位、起火点、起火物、引火源、起火原因六个火灾原因调查要素，生成火灾原因调查单。
进一步地，所述非视频信息采集装置包括智能电表、智能空气开关、漏电保护器、短路保护器、过电流量报警器、智能WIFI、智能家居设备、智能消防机器人、智能消防器材设备组件、测温式电气火灾探测器、剩余电流式电气火灾监控探测设备，以及未搭载于三维云台的其他火灾探测报警设备。
进一步地，所述不同探测区域包括一个或多个建筑中的不同位置区域，所有探测区域对应完整的建筑三维图，整个建筑场所的三维图、平面图在设备安装时便提前置入火灾原因分析平台，所有的前端探测设备与火灾原因分析平台通过网络授时统一时间标准；所述定位模块为北斗定位模块或GPS定位模块；所述报警信号包括火灾发生的探测区域编号。
进一步地，所述视频信息采集设备还包括与数据处理模块连接的存储模块和组网通讯模块，所述存储模块用于对前端探测模块采集到的数据进行本地保存；系统中的各个前端探测设备通过所述组网通讯模块建立自组网通讯。
如图4所示，一种用于火灾原因调查的智能辅助分析方法，包括以下步骤：
S1.每一个探测区域中，非视频信息采集设备将实时采集到的信息上传到火灾原因分析平台，由火灾原因分析平台进行监控或者保存，视频信息采集设备将探测区域中的火灾探测器、摄像头、定位模块采集到的信息作为实时探测信息，通过前端通讯模块上传到火灾原因分析平台，由火灾原因分析平台进行保存；
在任一探测区域中的视频信息采集设备探测到火灾信号时，向火灾原因分析平台发送报警信号，并控制该前端探测设备中的摄像头进行多角度跟踪拍摄，获取火灾发生、发展、蔓延、熄灭的关键视频图像信息，与该前端探测设备中火灾探测器、定位模块采集到的信息，以及探测区域的编号信息，一起作为火灾探测数据，上传到火灾原因分析平台；
S2.火灾原因分析平台在接收到任一探测区域的报警信号时，向该探测区域周围的探测区发送联动探测指令，控制周围的探测区域中的视频信息采集设备进行联动探测，并接收联动探测结果；
S3.火灾原因分析平台根据摄像头拍摄视角和火灾发生位置将火灾划分为两类；
S4.火灾原因分析平台根据时间先后顺序建立与每起火灾对应的相关事件发生时间轴和与每起火灾发生发展对应的建筑三维图；从收集到的火场视频信息、非视频信息中分别提取时间信息和空间信息，将时间信息还原到时间轴上，将空间信息还原到完整的建筑三维图上，运用时间先后顺序和因果关系的逻辑方法，比对确定起火时间、起火点、起火部位、起火物、引火源、起火原因六个火灾原因认定要素，并围绕上述火灾原因认定要素调度现场摄像头对与之有关的关键点再次进行深度扫描，进一步完善精确时间轴和建筑三维图上的信息，深度扫描时确保对火的连续拍摄；
S5.火灾原因分析平台进行起火时间、起火点、起火部位、起火物、引火源、起火原因六个火灾原因认定要素的认定，生成火灾原因调查单；
S6.火灾原因调查工作人员在火灾原因调查单的基础上，结合火灾调查询问、人工现场勘验、火灾物证检验报告、火灾现场试验环节得到的信息，相互印证，综合分析后最终确定火灾原因。
其中，所述步骤S3中将火灾划分为2类：
第一类火灾：火灾发生全程被摄像头摄像记录，且拍摄视角无遮挡、无观察死角的火灾；火灾探测器确认火灾信号后，摄像头及系统能在一定时间内(如2分钟)发现并识别到“火”的火灾；
第二类火灾：火灾发生未全程被摄像头摄像记录，或拍摄视角有遮挡、有观察死角的火灾；火灾探测器确认火灾信号后，摄像头及系统不能在一定时间内(如2分钟)发现并识别到“火”的火灾。
其中，所述步骤S5中起火时间、起火点、起火部位、起火物、引火源、起火原因六个火灾原因认定要素的认定包括直接认定和综合认定两种方式，直接认定结果优先于综合认定结果；当条件满足直接认定条件时候，以直接认定的结果作为最终结果；当条件不满足直接认定条件时候，以综合认定的结果作为最终结果。
其中，所述步骤S5包括：
A1、起火时间的确定：起火时间指起火点处可燃物被引火源点燃而开始持续燃烧的时间，对于自燃、阴燃则是发热、发烟量突变的时间；
对于第一类火灾，火灾原因分析平台发现“火”通过核对火灾发生时视频显示的时间能够直接认定起火时间；
系统建立“火”的数据库，通过采集多张“火”的样本，然后对每一张样本图像的形态、颜色、尺寸、声音、光热亮度、蔓延方式和烟气流动特征进行标记，再基于深度学习算法构建形态、颜色、尺寸、声音、光热亮度、蔓延方式、烟气流动特征分类模型，将每一张样本图像作为模型输入，将标记的“火”的形态、颜色、尺寸、声音、光热亮度、蔓延方式、烟气流动特征作为模型输出，对“火”的形态、颜色、尺寸、声音、光热亮度、蔓延方式、烟气流动特征分类模型进行训练，得到成熟的“火”的特征分类模型，模型定义为f1(I)＝(L)，损失函数
I为输入的视频流，
为预测的特征，L为训练特征；然后将从火灾现场拍摄的视频中提取待分析的物体图像输入成熟的“火”的特征分类模型中，确认出“火”的第一帧所对应的时间，便是起火时间；预测模型定义为：F1(I)＝(L,t)，t为第一次检测到“火”的时间；
对于第二类火灾，系统将其分析前端摄像头传回的视频发现“火”的帧所对应的时间标定为起火时间1还原到该起火灾时间轴上；将起火时间1前后一定时间(如30分钟)内火灾现场同区域或相邻区域的火灾探测器发出火灾报警时间、wif断网时间、空气开关跳闸时间、智能电表断电时间均还原到该起火灾时间轴上；将起火时间1前后一定时间(如30分钟)内火灾现场同区域或相邻区域的各摄像头拍摄的视频数据中提取的爆炸时间还原到该起火灾时间轴上；将根据过火区域烧损程度及物质燃烧速度分析认定起火时间2还原到该起火灾时间轴上；对比时间轴上的事件时间，依照时间先后顺序，最先出现的便被综合认定为起火时间；
根据过火区域烧损程度及物质燃烧速度分析推算起火时间2：通过机器深度学习技术扫描识别出现场的物品名称及相应常规尺寸，通过计算机将识别出的物品尺寸和燃烧区域进行对比推算出燃烧区域面积、长、宽、高要素，或是通过多摄像头不同视角摄像对比直接计算或者推算燃烧区域面积、长、宽、高要素；根据视频中单位时间内火势的蔓延区域，对比已燃烧区域的面积、长、宽、高情况，推算出起火时间2；
在进行物品名称及常规尺寸辨识时，首先需要采集多张物品图像，将各种物品名称下的每一个常规尺寸作为一类，对每一张物品图像进行标记，然后基于机器学习算法构建物品识别模型，将物品图像作为输入，物品图像的标记作为输出，对物品识别模型进行训练，得到成熟的物品识别模型，模型定义为f2(I)＝(L)，损失函数
I为输入的视频流，
为预测的标记，L为训练标记；采集现场的物品图像输入到成熟的物品识别模型中，得到物品名称和常规尺寸；模型定义为：F2(I)＝(S,L)，I为输入的视频流，S为预测的物品名称,L为常规尺寸；遇到同类物品不同尺寸的情况，先确定出物品种类，再通过已经确定的物品尺寸和不确定尺寸的物品比对可以确定出待确定物品的类型尺寸；
A2、起火点的认定：起火点是指火灾起始的地点，系统默认为半径不超过一定尺寸(如1米)的区域，具体大小根据实际确定；
对于第一类火灾，系统从摄像头拍摄的视频中能够直接认定起火点，起火物最先燃烧的部位即为起火点；
对于第二类火灾，通过分析视频中火势蔓延方向推算出起火点1，通过分析火灾痕迹反映的空间信息推算出起火点2，将起火点1与起火点2同时还原到后台的建筑三维图上，其重叠部分便是起火点；
一是通过后台计算机分析视频中火势蔓延方向得出火势蔓延线，火势蔓延线的反方向线的汇聚部位就是起火点1，如果上述过程在后台的三维图上展现，起火点1实际是一个立体区域；
二是建立各种火灾痕迹信息数据库，对每一种火灾痕迹建立对应的时间、空间指示信息资料数据库(火场中各类物品及建构筑物受到高温作用后会发生规律性的变化，形成火灾痕迹，这些痕迹根据不同的形成遗留过程和特征，可以分别直接或间接证明火灾发生时间、起火点位置、起火物、引火源、起火原因、蔓延路线等信息)；系统采集一种火灾痕迹的多张样本，然后对该种火灾痕迹的每一张样本图像的外形、颜色、亮度、形态变化特征进行标记，再基于深度学习算法构建该种火灾痕迹外形、颜色、亮度、形态变化特征分类模型，将每一张样本图像作为模型输入，将标记的火灾痕迹的外形、颜色、亮度、形态变化作为模型输出，对火灾痕迹的外形、颜色、亮度、形态变化特征分类模型进行训练，得到成熟的该种火灾痕迹特征分类模型；运用此方法，针对每一种常见的火灾痕迹建立对应的成熟的火灾痕迹特征分类模型；然后将从拍摄的火灾现场视频中提取的待分析的痕迹图像输入成熟的火灾痕迹特征分类模型中，确定出火灾痕迹的名称种类，提取出该种火灾痕迹对应的空间指示信息还原到后台建筑三维图上，具体包括2种情况：(1)该种火灾痕迹直接指示起火点的位置，标记为起火点2；(2)该种火灾痕迹指示火灾蔓延方向区域，通过提取同一火灾现场的多种类型的火灾痕迹对应的火灾蔓延方向信息还原到建筑三维图上就会形成一个重合的立体区域，该区域就是起火点，实际是一个立体区域，标记为起火点2；模型定义为F3(I,P)＝(Pf)，输入为视频流I以及摄像机位置信息P，输出为预测的火焰位置Pf；
A3、起火部位的认定：起火部位是火灾起始的房间或区域；起火部位的认定与起火点的认定方式相同，当火势蔓延出一个房间时候，将起火的房间认定为起火部位；当火势未蔓延出房间时候，将燃烧区域定义为起火部位；
对于第一类火灾，系统从摄像头拍摄的视频中能够直接认定最先起火的房间或部位；
对于第二类火灾，系统采取综合认定的方法，起火点所在的房间便是起火部位；当火势未蔓延出房间时候，将燃烧区域定义为起火部位；
A4、起火物的认定：起火物是指在起火点处由于某种火源的作用最先发生燃烧的可燃物；
建立日常生产生活中每一种可燃物的特征数据库，搭建与每一种可燃物对应的外形、颜色、尺寸、燃烧时光热亮度颜色、燃烧时火焰形态、燃烧时烟雾形态颜色、燃烧产物形态颜色特征信息和燃点、自燃点、闪点、爆炸极限特点信息；
系统采集一种可燃物的多张样本，然后对该种可燃物的每一张样本图像的外形、颜色、尺寸、燃烧时光热亮度颜色、燃烧时火焰形态、燃烧时烟雾形态颜色、燃烧产物形态颜色特征进行标记，再基于深度学习算法构建该种可燃物外形、颜色、尺寸、燃烧时光热亮度颜色、燃烧时火焰形态、燃烧时烟雾形态颜色、燃烧产物形态颜色特征分类模型，将每一张样本图像作为模型输入，将标记的可燃物外形、颜色、尺寸、燃烧时光热亮度颜色、燃烧时火焰形态、燃烧时烟雾形态颜色、燃烧产物形态颜色特征作为模型输出，对该种可燃物特征分类模型进行训练，得到成熟的该种可燃物特征分类模型；运用此方法，针对常见的每一种可燃物建立对应的成熟的特征分类模型；然后将提取待分析的物品图像输入成熟的可燃物特征分类模型中，得到该可燃物的名称及相关信息；
用此方法将起火前的视频数据输入可燃物特征分类模型中，识别出起火前的可燃物种类名称；由于火一般不能瞬间将一个物品全部烧毁，系统可以通过对正在燃烧的物品没有烧毁的部分和其燃烧时的相关特征识别出该物品名称种类；将过火后残留物的视频数据输入成熟的可燃物特征分类模型中，也可能辨认出残留物的名称；
对于第一类火灾，系统从摄像头拍摄的视频中提取最先燃烧物品的相关视频图像输入成熟的可燃物特征分类模型中，辨识出的物品名称直接认定为起火物；
对于第二类火灾，系统通过收集起火点附近起火前一定时期内的视频，提取出相关物品视频图片数据输入成熟的可燃物特征分类模型中，便能得到相应可燃物的名称，记为可燃物1；系统再将正在燃烧的火灾现场视频信息输入成熟的可燃物特征分类模型中得到相应的可燃物的名称，记为可燃物2；
此时，综合认定可燃物1与可燃物2的重合部分的物品便是起火物；
A5、引火源的认定：引火源是指起火时作用在起火物上，使起火物升温并使其着火的能量，提供这种能量并引起起火物着火的物体便是引火源；统计日常生活生产中的引火源，建立每一种引火源的信息数据库，搭建与每一种引火源对应的外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态特征信息和热释放速率值、能量、爆炸极限、自燃点、温度特点信息；再建立一种引火源名称为“其他”，当不能准确判断出具体的引火源名称种类的时候，将引火源归类为“其他”；
系统对一种日常能够作为引火源的物体采集多张样本，然后对每一张样本图像的外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态特征进行标记，再基于深度学习算法构建外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态特征分类模型，将每一张样本图像作为模型输入，将标记的该种能够作为引火源的物体的外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态作为模型输出，对该物体外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态特征分类模型进行训练，得到成熟的该物体特征分类模型；运用此方法，针对常见的每一种能够作为引火源的物体建立对应的成熟的特征分类模型；然后将从拍摄的关于火灾现场起火点附近情况的视频中提取待分析的物体图像输入成熟的能够作为引火源的物体的特征分类模型中，得到该物体名称，确认为引火源；
对于第一类火灾，系统从摄像头拍摄的视频中提取起火时的相关视频图像输入成熟的能够作为引火源的物体的特征分类模型中，辨识出的物体名称直接认定为引火源；
对于第二类火灾，扩大输入的待分析对象，通过系统收集起火点附近火灾前一定时期内的视频，输入成熟的引火源特征分类模型中，确定出起火点附近所有能够作为引火源的全部物体名称，标记为火源1；通过系统收集起火点附近火灾前一定时期内的非视频信息，找到这些信息对应的能够作为引火源的全部物体名称，标记为引火源2；引火源1和引火源2中重合的物体标记为引火源3；再将引火源3中的每一样物体的特征数据与起火物的特点数据进行比对，如果引火源3的物体的热释放速率值、能量、爆炸极限、自燃点、温度特点信息能匹配起火物的特点信息数据，即如果引火源3中物体能点燃可燃物则综合认定该物体为引火源；如果引火源3中所有物体的特点信息均无法匹配起火物的特点信息数据，则综合认定引火源为“其他”；
A6、起火原因的认定：设定放火、电气、违章操作、用火不慎、吸烟、玩火、自然、雷击、爆炸、地震、海啸、其他共计十二类起火原因，建立每类起火原因对应的特征数据库，每类起火原因特征数据库包含引火源和起火原因类型特征两类数据。如吸烟类起火原因的特征数据库包含的引火源为：燃烧的烟头、冒着烟的烟头、冒着烟的烟枪、冒着火焰的烟枪、燃烧的烟斗、冒着烟的烟斗、燃烧的其他种类的烟、冒着烟的其他种类的烟；如吸烟类起火原因特征数据库包含的其他特征信息包括：各类人点烟的动作、各类人吸烟的动作、各类人丢烟头的动作、烟头接触着可燃物、烟头接触物的最低燃烧温度低于烟头温度、烟头周围的物品燃烧了；
无论第一类火灾还是第二类火灾，起火时间、起火点、起火部位、起火物、引火源五个要素已经认定，系统将引火源和搜集到的起火原因类型特征数据信息与十二类起火原因的特征数据库信息进行比对分析，从而确定起火原因；其中，引火源能匹配十二类起火原因的一种，但是系统搜集到的起火原因类型特征数据信息不能与该类起火原因特征数据库包含的起火原因类型特征数据进行匹配，则将该起火灾的起火原因归为“其他”；此外，引火源为“其他”的，起火原因也为“其他”；模型定义为F4(X)＝Y，输入为引火源和起火原因类型特征两类数据，输出为认定的起火原因。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种用于火灾原因调查的智能辅助分析方法，包括以下步骤：
S1.每一个探测区域中，非视频信息采集设备将实时采集到的信息上传到火灾原因分析平台，由火灾原因分析平台进行监控或者保存，视频信息采集设备将探测区域中的火灾探测器、摄像头、定位模块采集到的信息作为实时探测信息，通过前端通讯模块上传到火灾原因分析平台，由火灾原因分析平台进行保存；
在任一探测区域中的视频信息采集设备探测到火灾信号时，向火灾原因分析平台发送报警信号，并控制该前端探测设备中的摄像头进行多角度跟踪拍摄，获取火灾发生、发展、蔓延、熄灭的关键视频图像信息，与该前端探测设备中火灾探测器、定位模块采集到的信息，以及探测区域的编号信息，一起作为火灾探测数据，上传到火灾原因分析平台；
S2.火灾原因分析平台在接收到任一探测区域的报警信号时，向该探测区域周围的探测区发送联动探测指令，控制周围的探测区域中的视频信息采集设备进行联动探测，并接收联动探测结果；
S3.火灾原因分析平台根据摄像头拍摄视角和火灾发生位置将火灾划分为两类；
S4.火灾原因分析平台根据时间先后顺序建立与每起火灾对应的相关事件发生时间轴和与每起火灾发生发展对应的建筑三维图；从收集到的火场视频信息、非视频信息中分别提取时间信息和空间信息，将时间信息还原到时间轴上，将空间信息还原到完整的建筑三维图上，运用时间先后顺序和因果关系的逻辑方法，比对确定起火时间、起火点、起火部位、起火物、引火源、起火原因六个火灾原因认定要素，并围绕上述火灾原因认定要素调度现场摄像头对与之有关的关键点再次进行深度扫描，进一步完善精确时间轴和建筑三维图上的信息，深度扫描时确保对火的连续拍摄；
S5.火灾原因分析平台进行起火时间、起火点、起火部位、起火物、引火源、起火原因六个火灾原因认定要素的认定，生成火灾原因调查单；
S6.火灾原因调查工作人员在火灾原因调查单的基础上，结合火灾调查询问、人工现场勘验、火灾物证检验报告、火灾现场试验环节得到的信息，相互印证，综合分析后最终确定火灾原因；
所述步骤S3中将火灾划分为2类：
第一类火灾：火灾发生全程被摄像头摄像记录，且拍摄视角无遮挡、无观察死角的火灾；火灾探测器确认火灾信号后，摄像头及系统能在一定时间内发现并识别到“火”的火灾；
第二类火灾：火灾发生未全程被摄像头摄像记录，或拍摄视角有遮挡、有观察死角的火灾；火灾探测器确认火灾信号后，摄像头及系统不能在一定时间内发现并识别到“火”的火灾；
所述步骤S5中起火时间、起火点、起火部位、起火物、引火源、起火原因六个火灾原因认定要素的认定包括直接认定和综合认定两种方式，直接认定结果优先于综合认定结果；当条件满足直接认定条件时候，以直接认定的结果作为最终结果；当条件不满足直接认定条件时候，以综合认定的结果作为最终结果；
所述步骤S5包括：
A1、起火时间的确定：起火时间指起火点处可燃物被引火源点燃而开始持续燃烧的时间，对于自燃、阴燃则是发热、发烟量突变的时间；
对于第一类火灾，火灾原因分析平台发现“火”通过核对火灾发生时视频显示的时间能够直接认定起火时间；
系统建立“火”的数据库，通过采集多张“火”的样本，然后对每一张样本图像的形态、颜色、尺寸、声音、光热亮度、蔓延方式和烟气流动特征进行标记，再基于深度学习算法构建形态、颜色、尺寸、声音、光热亮度、蔓延方式、烟气流动特征分类模型，将每一张样本图像作为模型输入，将标记的“火”的形态、颜色、尺寸、声音、光热亮度、蔓延方式、烟气流动特征作为模型输出，对“火”的形态、颜色、尺寸、声音、光热亮度、蔓延方式、烟气流动特征分类模型进行训练，得到成熟的“火”的特征分类模型，模型定义为f1(I)＝(L)，损失函数
I为输入的视频流，
为预测的特征，L为训练特征；然后将从火灾现场拍摄的视频中提取待分析的物体图像输入成熟的“火”的特征分类模型中，确认出“火”的第一帧所对应的时间，便是起火时间；预测模型定义为：F1(I)＝(L,t)，t为第一次检测到“火”的时间；
对于第二类火灾，系统将其分析前端摄像头传回的视频发现“火”的帧所对应的时间标定为起火时间1还原到该起火灾时间轴上；将起火时间1前后一定时间内火灾现场同区域或相邻区域的火灾探测器发出火灾报警时间、wif断网时间、空气开关跳闸时间、智能电表断电时间均还原到该起火灾时间轴上；将起火时间1前后一定时间内火灾现场同区域或相邻区域的各摄像头拍摄的视频数据中提取的爆炸时间还原到该起火灾时间轴上；将根据过火区域烧损程度及物质燃烧速度分析认定起火时间2还原到该起火灾时间轴上；对比时间轴上的事件时间，依照时间先后顺序，最先出现的便被综合认定为起火时间；
根据过火区域烧损程度及物质燃烧速度分析推算起火时间2：通过机器深度学习技术扫描识别出现场的物品名称及相应常规尺寸，通过计算机将识别出的物品尺寸和燃烧区域进行对比推算出燃烧区域面积、长、宽、高要素，或是通过多摄像头不同视角摄像对比直接计算或者推算燃烧区域面积、长、宽、高要素；根据视频中单位时间内火势的蔓延区域，对比已燃烧区域的面积、长、宽、高情况，推算出起火时间2；
在进行物品名称及常规尺寸辨识时，首先需要采集多张物品图像，将各种物品名称下的每一个常规尺寸作为一类，对每一张物品图像进行标记，然后基于机器学习算法构建物品识别模型，将物品图像作为输入，物品图像的标记作为输出，对物品识别模型进行训练，得到成熟的物品识别模型，模型定义为f2(I)＝(L)，损失函数
I为输入的视频流，
为预测的标记，L为训练标记；采集现场的物品图像输入到成熟的物品识别模型中，得到物品名称和常规尺寸；模型定义为：F2(I)＝(S,L)，I为输入的视频流，S为预测的物品名称,L为常规尺寸；遇到同类物品不同尺寸的情况，先确定出物品种类，再通过已经确定的物品尺寸和不确定尺寸的物品比对确定出待确定物品的类型尺寸；
A2、起火点的认定：起火点是指火灾起始的地点，系统默认为半径不超过一定尺寸的区域，具体大小根据实际确定；
对于第一类火灾，系统从摄像头拍摄的视频中能够直接认定起火点，起火物最先燃烧的部位即为起火点；
对于第二类火灾，通过分析视频中火势蔓延方向推算出起火点1，通过分析火灾痕迹反映的空间信息推算出起火点2，将起火点1与起火点2同时还原到后台的建筑三维图上，其重叠部分便是起火点；
一是通过后台计算机分析视频中火势蔓延方向得出火势蔓延线，火势蔓延线的反方向线的汇聚部位就是起火点1，如果上述过程在后台的三维图上展现，起火点1实际是一个立体区域；
二是建立各种火灾痕迹信息数据库，对每一种火灾痕迹建立对应的时间、空间指示信息资料数据库,火场中各类物品及建构筑物受到高温作用后会发生规律性的变化，形成火灾痕迹，这些痕迹根据不同的形成遗留过程和特征，能够分别直接或间接证明火灾发生时间、起火点位置、起火物、引火源、起火原因和蔓延路线；系统采集一种火灾痕迹的多张样本，然后对该种火灾痕迹的每一张样本图像的外形、颜色、亮度、形态变化特征进行标记，再基于深度学习算法构建该种火灾痕迹外形、颜色、亮度、形态变化特征分类模型，将每一张样本图像作为模型输入，将标记的火灾痕迹的外形、颜色、亮度、形态变化作为模型输出，对火灾痕迹的外形、颜色、亮度、形态变化特征分类模型进行训练，得到成熟的该种火灾痕迹特征分类模型；运用此方法，针对每一种常见的火灾痕迹建立对应的成熟的火灾痕迹特征分类模型；然后将从拍摄的火灾现场视频中提取的待分析的痕迹图像输入成熟的火灾痕迹特征分类模型中，确定出火灾痕迹的名称种类，提取出该种火灾痕迹对应的空间指示信息还原到后台建筑三维图上，具体包括2种情况：(1)该种火灾痕迹直接指示起火点的位置，标记为起火点2；(2)该种火灾痕迹指示火灾蔓延方向区域，通过提取同一火灾现场的多种类型的火灾痕迹对应的火灾蔓延方向信息还原到建筑三维图上就会形成一个重合的立体区域，该区域就是起火点，实际是一个立体区域，标记为起火点2；模型定义为F3(I,P)＝(Pf)，输入为视频流I以及摄像机位置信息P，输出为预测的火焰位置Pf；
A3、起火部位的认定：起火部位是火灾起始的房间或区域；起火部位的认定与起火点的认定方式相同，当火势蔓延出一个房间时候，将起火的房间认定为起火部位；当火势未蔓延出房间时候，将燃烧区域定义为起火部位；
对于第一类火灾，系统从摄像头拍摄的视频中能够直接认定最先起火的房间或部位；
对于第二类火灾，系统采取综合认定的方法，起火点所在的房间便是起火部位；当火势未蔓延出房间时候，将燃烧区域定义为起火部位；
A4、起火物的认定：起火物是指在起火点处由于某种火源的作用最先发生燃烧的可燃物；
建立日常生产生活中每一种可燃物的特征数据库，搭建与每一种可燃物对应的外形、颜色、尺寸、燃烧时光热亮度颜色、燃烧时火焰形态、燃烧时烟雾形态颜色、燃烧产物形态颜色特征信息和燃点、自燃点、闪点、爆炸极限特点信息；
系统采集一种可燃物的多张样本，然后对该种可燃物的每一张样本图像的外形、颜色、尺寸、燃烧时光热亮度颜色、燃烧时火焰形态、燃烧时烟雾形态颜色、燃烧产物形态颜色特征进行标记，再基于深度学习算法构建该种可燃物外形、颜色、尺寸、燃烧时光热亮度颜色、燃烧时火焰形态、燃烧时烟雾形态颜色、燃烧产物形态颜色特征分类模型，将每一张样本图像作为模型输入，将标记的可燃物外形、颜色、尺寸、燃烧时光热亮度颜色、燃烧时火焰形态、燃烧时烟雾形态颜色、燃烧产物形态颜色特征作为模型输出，对该种可燃物特征分类模型进行训练，得到成熟的该种可燃物特征分类模型；运用此方法，针对常见的每一种可燃物建立对应的成熟的特征分类模型；然后将提取待分析的物品图像输入成熟的可燃物特征分类模型中，得到该可燃物的名称及相关信息；
用此方法将起火前的视频数据输入可燃物特征分类模型中，识别出起火前的可燃物种类名称；由于火一般不能瞬间将一个物品全部烧毁，系统通过对正在燃烧的物品没有烧毁的部分和其燃烧时的相关特征识别出该物品名称种类；将过火后残留物的视频数据输入成熟的可燃物特征分类模型中，也可能辨认出残留物的名称；
对于第一类火灾，系统从摄像头拍摄的视频中提取最先燃烧物品的相关视频图像输入成熟的可燃物特征分类模型中，辨识出的物品名称直接认定为起火物；
对于第二类火灾，系统通过收集起火点附近起火前一定时期内的视频，提取出相关物品视频图片数据输入成熟的可燃物特征分类模型中，便能得到相应可燃物的名称，记为可燃物1；系统再将正在燃烧的火灾现场视频信息输入成熟的可燃物特征分类模型中得到相应的可燃物的名称，记为可燃物2；
此时，综合认定可燃物1与可燃物2的重合部分的物品便是起火物；
A5、引火源的认定：引火源是指起火时作用在起火物上，使起火物升温并使其着火的能量，提供这种能量并引起起火物着火的物体便是引火源；统计日常生活生产中的引火源，建立每一种引火源的信息数据库，搭建与每一种引火源对应的外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态特征信息和热释放速率值、能量、爆炸极限、自燃点、温度特点信息；再建立一种引火源名称为“其他”，当不能准确判断出具体的引火源名称种类的时候，将引火源归类为“其他”；
系统对一种日常能够作为引火源的物体采集多张样本，然后对每一张样本图像的外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态特征进行标记，再基于深度学习算法构建外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态特征分类模型，将每一张样本图像作为模型输入，将标记的该种能够作为引火源的物体的外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态作为模型输出，对该物体外形、颜色、尺寸、光热亮度、火焰形态、烟雾形态特征分类模型进行训练，得到成熟的该物体特征分类模型；运用此方法，针对常见的每一种能够作为引火源的物体建立对应的成熟的特征分类模型；然后将从拍摄的关于火灾现场起火点附近情况的视频中提取待分析的物体图像输入成熟的能够作为引火源的物体的特征分类模型中，得到该物体名称，确认为引火源；
对于第一类火灾，系统从摄像头拍摄的视频中提取起火时的相关视频图像输入成熟的能够作为引火源的物体的特征分类模型中，辨识出的物体名称直接认定为引火源；
对于第二类火灾，扩大输入的待分析对象，通过系统收集起火点附近火灾前一定时期内的视频，输入成熟的引火源特征分类模型中，确定出起火点附近所有能够作为引火源的全部物体名称，标记为火源1；通过系统收集起火点附近火灾前一定时期内的非视频信息，找到这些信息对应的能够作为引火源的全部物体名称，标记为引火源2；引火源1和引火源2中重合的物体标记为引火源3；再将引火源3中的每一样物体的特征数据与起火物的特点数据进行比对，如果引火源3的物体的热释放速率值、能量、爆炸极限、自燃点、温度特点信息能匹配起火物的特点信息数据，即如果引火源3中物体能点燃可燃物则综合认定该物体为引火源；如果引火源3中所有物体的特点信息均无法匹配起火物的特点信息数据，则综合认定引火源为“其他”；
A6、起火原因的认定：设定放火、电气、违章操作、用火不慎、吸烟、玩火、自然、雷击、爆炸、地震、海啸、其他共计十二类起火原因，建立每类起火原因对应的特征数据库，每类起火原因特征数据库包含引火源和起火原因类型特征两类数据吸烟类起火原因的特征数据库包含的引火源为：燃烧的烟头、冒着烟的烟头、冒着烟的烟枪、冒着火焰的烟枪、燃烧的烟斗、冒着烟的烟斗、燃烧的其他种类的烟、冒着烟的其他种类的烟；吸烟类起火原因特征数据库包含的其他特征信息包括：各类人点烟的动作、各类人吸烟的动作、各类人丢烟头的动作、烟头接触着可燃物、烟头接触物的最低燃烧温度低于烟头温度、烟头周围的物品燃烧了；
无论第一类火灾还是第二类火灾，起火时间、起火点、起火部位、起火物、引火源五个要素已经认定，系统将引火源和搜集到的起火原因类型特征数据信息与十二类起火原因的特征数据库信息进行比对分析，从而确定起火原因；其中，引火源能匹配十二类起火原因的一种，但是系统搜集到的起火原因类型特征数据信息不能与该类起火原因特征数据库包含的起火原因类型特征数据进行匹配，则将该起火灾的起火原因归为“其他”；此外，引火源为“其他”的，起火原因也为“其他”；模型定义为F4(X)＝Y，输入为引火源和起火原因类型特征两类数据，输出为认定的起火原因。
2.一种用于火灾原因调查的智能辅助分析系统，基于权利要求1中所述智能辅助分析方法进行火灾原因调查的智能辅助分析，其特征在于：包括火灾原因分析平台和多个分布于不同探测区域的前端探测设备，每一个探测区域均具有唯一的区域编号，所有探测区域对应完整的建筑三维图，所有的前端探测设备与火灾原因分析平台通过网络授时统一时间标准；
所述前端探测设备包括视频信息采集设备和非视频信息采集设备；所述视频信息采集设备包括前端通讯模块、数据处理模块、定位模块、三维云台，以及搭载于所述三维云台上的火灾探测器和摄像头；所述定位模块、火灾探测器和摄像头分别与数据处理模块连接，所述数据处理模块与三维云台的控制端口连接，所述数据处理模块还通过前端通讯模块与火灾原因分析平台连接；所述非视频信息采集设备包括区域控制器、非视频信息传输模块和多个具有唯一装置编号的非视频信息采集装置，所述区域控制器分别与每一个视频信息采集装置连接，所述区域控制器还通过非视频信息传输模块与火灾原因分析平台连接，用于将每一个非视频信息采集装置采集到的实时信息和对应的装置编号上传给火灾原因分析平台；
所述数据处理模块，用于将探测区域中的火灾探测器、摄像头、定位模块采集到的信息作为实时探测信息，通过前端通讯模块上传到火灾原因分析平台；并构建探测区域的三维模型，在火灾探测器探测到火灾信号时，向火灾原因分析平台发送报警信号，同时根据将摄像头采集到的图像信息，将探测区域的变化投影到三维模型中，确定起火点在三维模型中的位置，并控制三维云台进行运动，使得火灾探测器和摄像头正对火灾中心位置，对火灾蔓延情况进行跟踪，并将定位模块、火灾探测器和摄像头实时采集到的信息，与当前探测区域的编号一起作为火灾探测数据，上传到火灾原因分析平台；所述数据处理模块在通过前端通讯模块接收到火灾原因分析平台对周围区域的联动探测指令时，控制三维云台进行运动，带动火灾探测器和摄像头对联动探测指令对应的区域进行探测，并将联动探测结果上传给火灾原因分析平台，所述联动探测结果包括接收到联动探测指令的前端探测设备所在探测区域编号，联动探测过程中摄像头采集到的信息，以及联动探测过程中火灾探测器采集到的信息；
所述火灾原因分析平台，用于在接收到任一探测区域中前端探测设备的报警信号时，向该探测区域周围的探测区域能够联动探测指令，控制周围的探测区域进行联动探测，并接收联动探测结果；对于每一次火灾的发生，所述火灾原因分析平台根据时间先后顺序建立该起火灾相关事件发生对应时间轴；对于每一次火灾的发生，所述火灾原因分析平台根据空间位置对应关系建立起该起火灾发生发展对应建筑三维图；从收集的火灾现场即时数据、火灾发生前的火场数据和火灾发生后的火场数据中分别提取时间信息和空间信息，将时间信息还原到时间轴上，将空间信息还原到的对应建筑三维图上，运用时间先后顺序和因果关系的逻辑方法，比对确定出起火时间、起火部位、起火点、起火物、引火源、起火原因六个火灾原因调查要素，生成火灾原因调查单。
3.根据权利要求2所述的一种用于火灾原因调查的智能辅助分析系统，其特征在于：所述非视频信息采集装置包括智能电表、智能空气开关、漏电保护器、短路保护器、过电流量报警器、智能WIFI、智能家居设备、智能消防机器人、智能消防器材设备组件、测温式电气火灾探测器、剩余电流式电气火灾监控探测设备，以及未搭载于三维云台的其他火灾探测报警设备。
4.根据权利要求2所述的一种用于火灾原因调查的智能辅助分析系统，其特征在于：所述不同探测区域包括一个或多个建筑中的不同位置区域，所有探测区域对应完整的建筑三维图，整个建筑场所的三维图、平面图在设备安装时便提前置入火灾原因分析平台，所有的前端探测设备与火灾原因分析平台通过网络授时统一时间标准；所述定位模块为北斗定位模块或GPS定位模块；所述报警信号包括火灾发生的探测区域编号。
5.根据权利要求1所述的一种用于火灾原因调查的智能辅助分析系统，其特征在于：所述视频信息采集设备还包括与数据处理模块连接的存储模块和组网通讯模块，所述存储模块用于对前端探测模块采集到的数据进行本地保存；系统中的各个前端探测设备通过所述组网通讯模块建立自组网通讯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110865604.2A CN113643495B (zh) | 2021-07-29 | 2021-07-29 | 一种用于火灾原因调查的智能辅助分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110865604.2A CN113643495B (zh) | 2021-07-29 | 2021-07-29 | 一种用于火灾原因调查的智能辅助分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113643495A CN113643495A (zh) | 2021-11-12 |
| CN113643495B true CN113643495B (zh) | 2022-08-26 |
Family
ID=78418913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110865604.2A Active CN113643495B (zh) | 2021-07-29 | 2021-07-29 | 一种用于火灾原因调查的智能辅助分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643495B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780757B (zh) * | 2021-08-21 | 2024-01-26 | 国网湖北省电力有限公司电力科学研究院 | 一种电气火灾风险评估权重指标系数的确定方法 |
| CN114358663B (zh) * | 2022-03-17 | 2022-05-13 | 西华大学 | 基于人工智能的电动汽车火灾事故后综合判断方法 |
| CN114723938B (zh) * | 2022-04-11 | 2023-02-07 | 四川西铧汽车科技服务有限公司 | 交通事故中火烧车快速确定发动机舱起火部位的方法 |
| CN115271659B (zh) * | 2022-07-28 | 2024-02-02 | 南京戴尔塔智能制造研究院有限公司 | 一种基于视频分析的城市火灾隐患预警方法及系统 |
| CN116188920B (zh) * | 2022-11-26 | 2024-04-26 | 中国消防救援学院 | 一种基于智能自感温的消防灭火定向辅助方法及系统 |
| CN116343425B (zh) * | 2023-05-25 | 2023-08-08 | 深圳市捷易科技有限公司 | 火灾检测方法、系统、设备及计算机存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060001923A (ko) * | 2005-12-16 | 2006-01-06 | 김두현 | 퍼지 로직을 이용한 규칙베이스와 사례베이스를 통합한지능형 전기화재원인진단 시스템 구축 방법 |
| CN103212180A (zh) * | 2013-04-01 | 2013-07-24 | 深圳市广安消防装饰工程有限公司 | 智能化消火栓箱 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR1094354A (fr) * | 1953-10-31 | 1955-05-20 | Appareils avertisseurs d'émanations de gaz ou de fuites de gaz, d'échauffement par suite d'incendie ou autres | |
| CN101295426A (zh) * | 2008-06-23 | 2008-10-29 | 山西科泰微技术有限公司 | 一种带有数据采集保护装置的消防报警控制柜 |
| CN105976398A (zh) * | 2016-04-28 | 2016-09-28 | 天津大学 | 一种白天火灾视频检测方法 |
| CN107240214A (zh) * | 2017-07-31 | 2017-10-10 | 合肥光照信息科技有限公司 | 一种电力火灾预警系统及其使用方法 |
| CN108563902A (zh) * | 2018-04-28 | 2018-09-21 | 河北工业大学 | 一种火灾蔓延原因分析系统 |
| CN112766909A (zh) * | 2021-01-20 | 2021-05-07 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 适用于舰船消防安全的智能管控系统及方法、计算机介质 |
-
2021
- 2021-07-29 CN CN202110865604.2A patent/CN113643495B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060001923A (ko) * | 2005-12-16 | 2006-01-06 | 김두현 | 퍼지 로직을 이용한 규칙베이스와 사례베이스를 통합한지능형 전기화재원인진단 시스템 구축 방법 |
| CN103212180A (zh) * | 2013-04-01 | 2013-07-24 | 深圳市广安消防装饰工程有限公司 | 智能化消火栓箱 |
Non-Patent Citations (1)
| Title |
|---|
| 综合应急救援队伍建设的探究与启示;李金涛;《今日消防》;20210630;125-126 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113643495A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113643495B (zh) | 一种用于火灾原因调查的智能辅助分析系统及方法 | |
| CN108734125B (zh) | 一种开放空间的吸烟行为识别方法 | |
| TWI420423B (zh) | Machine vision flame identification system and method | |
| CN102236947B (zh) | 基于视频摄像机的火焰监测方法与系统 | |
| CN101751744B (zh) | 一种烟雾检测和预警方法 | |
| CN101334924B (zh) | 一种火灾探测系统及其火灾探测方法 | |
| CN102169017B (zh) | 一种变电站红外热成像在线监测系统 | |
| KR101953342B1 (ko) | 멀티 센서 화재감지 방법 및 시스템 | |
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| CN108830305A (zh) | 一种结合dclrn网络和光流法的实时火灾监测方法 | |
| CN111985365A (zh) | 一种基于目标检测技术的秸秆焚烧监测方法和系统 | |
| CN103400463B (zh) | 一种基于二维图像的林火定位方法和装置 | |
| KR102355884B1 (ko) | 인공지능을 이용한 화재 판정 방법, 장치 및 프로그램 | |
| CN105976365A (zh) | 一种夜间火灾视频检测方法 | |
| CN110867046A (zh) | 一种基于云计算的智能洗车机视频监控预警系统 | |
| CN111277748A (zh) | 一种基于视频智能分析的工地动火管理系统及其实施方法 | |
| Pyykönen et al. | Multi-camera-based smoke detection and traffic pollution analysis system | |
| CN201091014Y (zh) | 一种火灾探测装置 | |
| CN109410497A (zh) | 一种基于深度学习的桥洞空间安全监测与报警系统 | |
| CN110070692A (zh) | 一种智能视觉消防监视系统及方法 | |
| KR20070115412A (ko) | 촬영 영상을 이용한 화재 자동 경보 시스템 및 그에 의한화재감시방법 | |
| KR101552564B1 (ko) | 가스센서 및 ｉｐ네트워크 카메라 기반 융합 보안 시스템 | |
| CN114550082A (zh) | 一种易用高效ai识别算法 | |
| CN111178198B (zh) | 一种基于机器视觉的实验室危险品安全隐患自动监测方法 | |
| CN111667656A (zh) | 输电线路山火火点的甄别系统及方法 |
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 |