CN113705539B - 一种智能消防炮控制灭火方法及控制系统 - Google Patents
一种智能消防炮控制灭火方法及控制系统 Download PDFInfo
- Publication number
- CN113705539B CN113705539B CN202111148263.3A CN202111148263A CN113705539B CN 113705539 B CN113705539 B CN 113705539B CN 202111148263 A CN202111148263 A CN 202111148263A CN 113705539 B CN113705539 B CN 113705539B
- Authority
- CN
- China
- Prior art keywords
- fire
- matrix
- model
- area
- monitor
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C31/00—Delivery of fire-extinguishing material
- A62C31/02—Nozzles specially adapted for fire-extinguishing
- A62C31/03—Nozzles specially adapted for fire-extinguishing adjustable, e.g. from spray to jet or vice versa
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C37/00—Control of fire-fighting equipment
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种智能消防炮控制灭火方法及控制系统。基于可见光图片采集方位生成第一矩阵,利用深度学习目标检测定位算法判别其中可燃烧物区域及灭火剂种类,并生成第二矩阵;基于第二矩阵结合狄克斯特拉算法,获取消防炮遍历潜在火灾区域的最短路径;若发生火灾,消防炮按照最短路径进行旋转,并获取对应热红外图片,定位发生火灾的位置;结合匹配的灭火剂种类,利用深度强化学习控制消防炮调整方位执行灭火。本发明的有益效果为,在火灾未发生前生成遍历潜在火灾区域的最短路径,使得消防炮旋转变得高效;消防炮可根据可燃烧物种类选择对应的灭火剂灭火;深度强化学习结合热红外图像,使得灭火过程更加精细,避免了灭火剂对非燃烧区域的污染。
Description
技术领域
本发明涉及消防灭火领域,具体而言,涉及一种智能消防炮控制灭火方法及控制系统。
背景技术
智能消防炮用于无人场景下的自动灭火。传统智能消防炮灭火时精细度不够,其真实定位误差往往由扩大灭火剂的喷射范围来弥补,在需要精细控制的场景中无法使用,如贵重粉状或絮状物生产线灭火时应尽量避免损害未燃烧部分,从而降低经济损失。传统消防炮无差别的控制灭火剂进行灭火,不具备自动实时选择灭火剂种类和精细调整灭火炮方位能力,在需要区分多种灭火剂的场景中无法使用,如不可使用水基灭火的通电电气设备和普通可使用水基灭火的材料紧挨发生火灾时,需要精细控制且选择合适的灭火剂进行灭火。传统消防炮从火灾探测完成到方位调整准确耗时较高,在火灾蔓延迅速的场景效果不佳,如油料燃烧时,需要最短时间调整消防炮方位瞄准火灾区域。
有鉴于此,特提出本申请。
发明内容
本发明所要解决的技术问题是在传统的智能灭火系统中,对灭火的目标区域定位耗时高且定位不准确,目的在于提供一种智能消防炮控制灭火方法及控制系统,能够实现对灭火的目标区域定位耗时低,灭火过程精细化控制,且灭火剂种类自动适配。
本发明通过下述技术方案实现:
一种智能消防炮控制灭火方法,控制灭火方法步骤包括:
S1:创建第一矩阵以及第二矩阵,所述第一矩阵为若干可见光图片对应的旋转方位角度坐标矩阵,若干可见光图片为消防炮以固定的旋转方式在监控目标区域内进行扫描的可见光图片,所述第二矩阵为可燃烧物对应的灭火剂种类映射矩阵;
S2:未发生火灾时,基于第二矩阵结合狄克斯特拉算法,获取消防炮旋转遍历潜在火灾区域的最短路径;
S3:检测消防炮监控的目标区域内是否发生火灾,若发生火灾,则产生报警信号,并将报警信号发送至消防炮;
S4:基于第一矩阵,消防炮按照最短路径对应的方位角度坐标进行旋转;
S5:通过消防炮获取最短路径对应监控区域的第一热红外图片,并基于第一热红外图片,识别定位发生火灾的目标区域;
S6:基于第一热红外图片及与第二矩阵匹配的目标区域可燃烧物相对应的灭火剂,并结合深度强化学习方法,控制消防炮微细调整方位执行灭火,直至对目标区域灭火完毕。
无论是基于视觉或者传感器的消防炮,通常其旋转定位火灾位置耗时过长,位置定位精度偏低,且灭火剂种类单一;本发明提供了一种智能消防炮控制灭火方法,采用将消防炮检测到的图片的旋转角度矩阵化的方式,并结合狄克斯特拉算法获得消防炮离潜在火灾区域最短路径,并基于该路径结合热红外图片对目标区域的火灾进行灭火,实现了短时间内对潜在火灾区域进行精准定位的同时,对发生火灾的区域采用对应的灭火剂进行精准灭火。
优选地,所述步骤S1的具体方法步骤包括:
获取消防炮以固定的旋转方式在监控目标区域内进行扫描的若干可见光图片以及相对应的图片序列,且每张可见光图片均包括消防炮旋转到对应方位的旋转角度坐标;
基于每张可见光图片的旋转方位角度坐标,按照相邻关系映射为第一矩阵;
采用深度学习算法,获取每张可见光图片中潜在的火灾区域,并匹配该火灾区域相对应的灭火剂种类,将每张图片中可燃烧物对应的灭火剂种类映射为第二矩阵。
优选地,所述采用深度学习算法,获取每张可见光图片中潜在的火灾区域,并匹配该火灾区域相对应的灭火剂种类具体操作步骤为:
获取第一数据集,并将第一数据集划分为第一训练集与第一测试集,所述第一数据集为采用数据标注的方法对获取的历史可见光图片数据库中的可燃烧物以及相对应的灭火剂种类进行标注的数据集;
创建典型的目标检测定位的第一模型,并在第一模型中增加注意力机制,获得第二模型;
将第一训练集输入到所述第二模型中,采用监督学习方法以及利用前向传播和反向传播机制进行训练,获得第三模型;
将第一测试集输入到第三模型中,对第三模型进行测试,并根据测试结果对第三模型进行迭代优化,获得第四模型;
将消防炮采集的可见光图片输入到第四模型中,获得该可见光图片对应的潜在火灾区域以及对应的灭火剂种类。
优选地,所述第一矩阵的大小为:(2pi/α,pi/β),
α=arctan 0.5m/Lh
β=arctan 0.5n/Lv
Lh为监控空间距离消防炮在水平方向上的最远距离,Lv为监控空间距离消防炮在垂直方向上的最远距离,Lh和Lv均取单位为厘米时对应的数值,m为可见光图片输出像素的长,n为可见光图片的输出像素的宽,m和n均取像素个数对应的数值。
优选地,所述旋转方位角度坐标包括水平旋转方位角度坐标与垂直旋转方位角度坐标。
优选地,所述步骤S2中,获取消防炮旋转遍历潜在火灾区域的最短路径的操作的具体方法步骤包括:
获取第二矩阵的连通区域数量M和每个连通区域节点数Ni,以及每个连通区域节点数在整个火灾潜在区域节点总数中的占比Ri;
将每个连通区域按照完整矩形区域方式进行扩充,并获取扩充之后的中心点;
选取任意两个连通区域,并基于该两个连通区域的中心节点,计算该两个连通区域的曼哈顿距离;
基于连通区域的数量以及两两连通区域中心节点的曼哈顿距离构建有向图,并转化为邻接矩阵,获得2M个邻接矩阵;
对每个邻接矩阵,以每个矩阵中连通区域节点数最大的节点为起点、连通区域节点数最小的节点为终点,利用狄克斯特拉算法计算遍历最短路径,获得的所有邻接矩阵对应的最短路径的最小值即为消防炮旋转遍历潜在火灾区域的最短路径。
优选地,所述步骤S6中,结合深度强化学习方法,控制消防炮微细调整方位执行灭火的具体操作步骤包括:
创建深度强化学习的第一模型,并对第一模型中的参数随机初始化;
获取第二数据集,并将第二数据集划分为第二训练集与第二测试集,所述第二数据集为为随机生成的具有模拟温度值的热红外图片数据集;
构建所述深度强化学习的第一模型运行仿真环境,所述仿真环境在仿真时随机初始化灭火时灭火剂在第二数据集中的热红外图片中的落点的起始位置和大小,并在热红外图片中所有位置温度值都低于阈值时判定灭火完毕;
将第二训练集的热红外图片输入到第一模型中,通过第一模型的智能体对热红外图片的温度信息进行分析处理,并基于处理结果输出方位控制信号,模拟微细调整消防炮的方位角度,并根据仿真环境反馈生成的新热红外图片,不断通过奖励值R的反馈对第一模型的智能体进行训练,获得第二模型;
将第二测试集的热红外图片输入到第二模型中,对第二模型进行测试,并根据测试结果对第二模型进行迭代优化,获得第三模型;
将消防炮采集的热红外图片,不断输入到第三模型中,获得消防炮方位控制信号,持续微细调整消防炮方位角度执行灭火。
优选地,所述奖励值R的具体表达式为:
pij表示前一次获取的热红外图片中坐标(i,j)处映射的温度值,qij表示当前获取的热红外图片中坐标(i,j)处映射的温度值。
本发明还公开了一种智能消防炮控制灭火系统,包括矩阵创建模块、报警检测模块、路径分析模块、图像识别模块以及控制决策模块,
矩阵创建模块,用于创建第一矩阵以及第二矩阵,所述第一矩阵为若干可见光图片对应的旋转方位角度坐标矩阵,若干可见光图片为消防炮以固定的旋转方式在监控目标区域内进行扫描的可见光图片,所述第二矩阵为可燃烧物对应的灭火剂种类映射矩阵;
报警检测模块,用于检测消防炮监控的目标区域内是否发生火灾,若发生火灾,则将报警信号发送至消防炮;
路径分析模块,在未发生火灾时,基于第二矩阵结合狄克斯特拉算法,获取消防炮旋转遍历潜在火灾区域的最短路径;
图像识别模块,用于获取消防炮以固定的旋转方式在监控目标区域内进行扫描的可见光图片,并基于可见光图片生成潜在火灾区域和匹配可燃烧物灭火剂种类,用于获取消防炮以最短路径遍历监控区域时的第一热红外图片,并基于第一热红外图片,定位发生火灾的目标区域;
控制决策模块,基于第一矩阵,控制消防炮按照最短路径对应方位角度坐标进行旋转,基于第一热红外图片及与第二矩阵匹配的目标区域可燃烧物相对应的灭火剂,并结合深度强化学习方法,控制消防炮微细调整方位执行灭火,直至对目标区域灭火完毕。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明实施例提供的一种智能消防炮控制灭火方法及控制系统,在火灾未发生前,利用深度学习技术检测标记完成了监控区域的潜在可燃烧物区域,因此火灾发生时,消防炮方位旋转变得更高效;
2、本发明实施例提供的一种智能消防炮控制灭火方法及控制系统,在火灾未发生前,利用深度学习技术检测标记完成了监控区域的潜在可燃烧物种类,因此火灾发生时,消防炮可根据不同种类选择对应的灭火剂;
3、本发明实施例提供的一种智能消防炮控制灭火方法及控制系统,利用了深度强化学习和热红外成像模块,可近实时调整消防炮的喷射方位,使得灭火过程控制更加精细,避免了灭火剂对非燃烧区域的污染。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为灭火方法流程图
图2为控制系统示意图
图3为基于可见光图片划分的连通区域示意图
图4为基于连通区域计算曼哈顿距离的示意图
图5为消防炮角度分辨率计算示意图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实施例中,为了避免混淆本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
实施例一
本实施例公开了一种智能消防炮控制灭火方法,在本实施例中,总体是先在火灾未发生之前,可见光相机模块以固定的旋转方式扫描获取火灾监控目标区域的图片序列,将每张图片对应的旋转角度按照相邻关系映射为矩阵MatrixAB,根据可燃烧物对应灭火剂种类映射为矩阵MatrixFire,同时根据MatrixFire矩阵计算消防炮旋转到目标方位的最短路径。当火灾发生时,消防炮打开热红外成像模块并根据最短路径,初步旋转定位到火灾位置,此时根据燃烧物对应灭火剂种类选择相应灭火剂灭火;灭火过程中利用强化学习,结合热红外成像图片反馈结果,精细化调节消防炮方位实施自主精细灭火,直至灭火完成。如图1所示,控制灭火方法步骤包括:
S1:创建第一矩阵以及第二矩阵,所述第一矩阵为若干可见光图片对应的旋转方位角度坐标矩阵,若干可见光图片为消防炮以固定的旋转方式在监控目标区域内进行扫描的可见光图片,所述第二矩阵为可燃烧物对应的灭火剂种类映射矩阵,在本实施例中,第一矩阵为MatrixAB矩阵,第二矩阵为MatrixFire矩阵;
所述步骤S1的具体方法步骤包括:
获取消防炮以固定的旋转方式在监控目标区域内进行扫描的若干可见光图片以及相对应的图片序列,且每张可见光图片均包括消防炮旋转到对应方位的旋转角度坐标,在本实施例中的旋转方位角度坐标包括水平旋转方位角度坐标a与垂直旋转方位角度坐标b,且每一张图片的消防炮的旋转方位与目标空间图片是唯一匹配的;
基于每张可见光图片的旋转方位角度坐标,按照相邻关系映射为第一矩阵;
采用深度学习算法,获取每张可见光图片中潜在的火灾区域,并匹配该火灾区域相对应的灭火剂种类,将每张图片中可燃烧物对应的灭火剂种类映射为第二矩阵。
在本实施例中,采用深度学习算法,获取每张可见光图片中潜在的火灾区域,并匹配该火灾区域相对应的灭火剂种类具体操作步骤为:
获取第一数据集,并将第一数据集划分为第一训练集与第一测试集,所述第一数据集为采用数据标注的方法对获取的历史可见光图片数据库中的可燃烧物以及相对应的灭火剂种类进行标注的数据集,可使用labelme等工具,标注构建可燃烧物检测定位数据集,即在图片中初步识别有哪些物品是容易引起燃烧的,哪些是不容易引起的,以及对容易引起火灾燃烧物对应需要进行灭火的灭火剂分类,分类主要包括适用于泡沫灭火剂、干粉灭火剂、卤代烷灭火剂、二氧化碳灭火剂、酸碱灭火剂、水基灭火剂的可燃烧物。同时数据集区分为训练集和测试集。
创建典型的目标检测定位的第一模型,并在第一模型中增加注意力机制,获得第二模型,本实施例中的第一模型可以为YOLO模型、Faster R-CNN模型等经典模型,但是不对具体的模型做限定;
将第一训练集输入到所述第二模型中,采用监督学习方法以及利前向传播和反向传播机制进行训练,获得第三模型,在本实施例中,采用监督学习方法,利前向传播和反向传播机制,结合数据集中的训练集和采用的目标检测定位模型框架进行训练,以使得损失函数收敛到目标数值;
将第一测试集输入到第三模型中,对第三模型进行测试,并根据测试结果对第三模型进行迭代优化,获得第四模型;
若目标检测空间距离消防炮水平最远距离为Lh、垂直最远距离为Lv,Lh和Lv均取单位为厘米时对应的数值,可见光拍摄模块的图片输出像素为m(长)*n(高),m和n均取像素个数对应的数值,则水平旋转角度分辨率设定为α=arctan 0.5m/Lh,垂直旋转角度分辨率设定为β=arctan 0.5n/Lv,则MatrixAB矩阵的大小为(2pi/α,pi/β),矩阵元素为水平角度、垂直角度(a,b)。MatrixFire矩阵与MatrixAB矩阵具有相同大小。
将消防炮采集的可见光图片输入到第四模型中,获得该可见光图片对应的潜在火灾区域以及对应的灭火剂种类。
S2:未发生火灾时,基于第二矩阵结合狄克斯特拉算法,获取消防炮旋转遍历潜在火灾区域的最短路径;
所述步骤S2中,如图3与图4所示,获取消防炮到潜在火灾区域的最短路径的操作的具体方法步骤包括:
获取第二矩阵的连通区域数量M和每个连通区域节点数Ni,以及每个连通区域节点数在整个火灾潜在区域节点总数中的占比Ri;
将每个连通区域按照完整矩形区域方式进行扩充,并获取扩充之后的中心点;
选取任意两个连通区域,并基于该两个连通区域的中心节点,计算该两个连通区域的曼哈顿距离;
基于连通区域的数量以及两两连通区域中心节点的曼哈顿距离构建有向图,并转化为邻接矩阵,获得2M个邻接矩阵;
对每个邻接矩阵,以每个矩阵中连通区域节点数最大的节点为起点、连通区域节点数最小的节点为终点,利用狄克斯特拉算法计算遍历最短路径,获得的所有邻接矩阵对应的最短路径的最小值即为消防炮旋转遍历潜在火灾区域的最短路径。
S3:检测消防炮监控的目标区域内是否发生火灾,若发生火灾,则产生报警信号,并将报警信号发送至消防炮;
检测是否发生火灾,主要检测的是消防炮监控的区域范围内,且是通过烟雾传感器或温度传感器进行检测,当检测到温度异常或者有烟雾的时候,传感器会发出报警信号,将该信号传输到消防炮内。
S4:基于第一矩阵,消防炮按照最短路径对应的方位角度坐标进行旋转;
如图3所示,此图中,连通区域数量为M=4。每个连通区域节点数,NA=11,NB=26,NC=4,ND=3,总节点数44。每个连通区域节点数占比,RA=11/44,RB=26/44,RC=4/44,RD=3/44。
如图4所示,由于水平旋转是360度的,所以计算曼哈顿距离时,可以有两种情况,因此会获得2M个邻接矩阵。曼哈顿距离SAB=x11+y1或者x12+y1。为向下取整的计算,可获得带权重的A和B两节点距离信息,
S5:通过消防炮获取最短路径对应监控区域的第一热红外图片,并基于第一热红外图片,识别定位发生火灾的目标区域;
当潜在火灾区域的最短路径计算出来后,消防炮基于获得的最短路径调整角度范围,并在调整的过程中,持续不断的获取目标区域的第一热红外图片,并基于第一热红外图片实现具体发生火灾位置的定位。
S6:基于第一热红外图片及与第二矩阵匹配的目标区域可燃烧物相对应的灭火剂,并结合深度强化学习方法,控制消防炮微细调整方位执行灭火,直至对目标区域灭火完毕。
结合深度强化学习方法,控制消防炮微细调整方位执行灭火的具体操作步骤包括:
创建深度强化学习的第一模型,并对第一模型中的参数随机初始化。
在本实施例中,构建的第一模型为DQN模型,主要包括智能体(Agent)、环境状态(State)、动作(Action)、奖励(Reward)等要素,随机初始化DQN模型中的代表智能体的Q网络和target Q网络的权重参数,网络都由神经网络构成。
获取第二数据集,并将第二数据集划分为第二训练集与第二测试集,所述第二数据集为为随机生成的具有模拟温度值的热红外图片数据集。
构建所述深度强化学习的第一模型运行仿真环境,该仿真环境可产生深度强化学习训练所需环境状态,所述仿真环境在仿真时随机初始化灭火时灭火剂在第二数据集中的热红外图片中的落点的起始位置和大小,并在热红外图片中所有位置温度值都低于阈值时判定灭火完毕。
将第二训练集的热红外图片输入到第一模型中,通过第一模型的智能体(Agent)对环境状态中的热红外图片(State)的温度信息进行分析处理,并基于处理结果输出方位控制动作(Action),模拟微细调整消防炮的方位角度,其动作策略包括向左旋转left、向右旋转right、保持不动hold、向上旋转up、向下旋转down,并根据仿真环境反馈生成的环境状态中的新热红外图片(State_),不断通过奖励值R的反馈对第一模型的智能体进行训练,奖励值函数R(Reward)的运算公式为:其中pij表示前一次获取的热红外图片中坐标(i,j)处映射的温度值,qij表示当前获取的热红外图片中坐标(i,j)处映射的温度值;将(State,Action,Reward,State_)存储于存储容器(Docker)中。
间隔N次后,从Docker中随机抽取批量的(State,Action,Reward,State_)。计算DQN模型的损失函数,进行反向传播,更新智能体(Agent)的Q网络参数,最终获得第二模型。
将第二测试集的热红外图片输入到第二模型中,对第二模型进行测试,并根据测试结果对第二模型进行迭代优化,直到损失函数收敛到目标值,获得第三模型。
将消防炮采集的热红外图片,不断输入到第三模型中,获得消防炮方位控制信号,持续微细调整消防炮方位角度执行灭火。
采用本实施例提供的一种智能消防炮控制灭火方法,将深度学习技术方法以及深度强化学习技术与灭火技术结合起来,对具体的发生火灾的目标区域进行精准定位,并通过历史可见光图片识别发生火灾的具体物品,并与相对应的灭火剂进行匹配,实现了短时间内精准定位的同时对发生火灾的区域进行精准灭火。
实施例二
本实施例公开了一种智能消防炮控制灭火系统,本实施例是为了实现如实施例一中的智能消防炮控制灭火方法,如图2所示,包括矩阵创建模块、报警检测模块、路径分析模块、图像识别模块以及控制决策模块。
矩阵创建模块,用于创建第一矩阵以及第二矩阵,所述第一矩阵为若干可见光图片对应的旋转方位角度坐标矩阵,若干可见光图片为消防炮以固定的旋转方式在监控目标区域内进行扫描的可见光图片,所述第二矩阵为可燃烧物对应的灭火剂种类映射矩阵;
报警检测模块,用于检测消防炮监控的目标区域内是否发生火灾,若发生火灾,则将报警信号发送至消防炮;
在本实施例中,检测模块为为烟雾传感器以及温度传感器,系统通过烟雾传感器以及温度传感器对消防炮所监控的区域范围内火灾发生情况实时监测,若一旦发现有温度升高或烟雾出现的情况,烟雾传感器以及温度传感器会生成报警信号,并将报警信号传输到消防炮内,报警信号用于提示消防炮发生火灾的信号。
路径分析模块,在未发生火灾时,基于第二矩阵结合狄克斯特拉算法,获取消防炮旋转遍历潜在火灾区域的最短路径;
图像识别模块,用于获取消防炮以固定的旋转方式在监控目标区域内进行扫描的可见光图片,并基于可见光图片生成潜在火灾区域和匹配可燃烧物灭火剂种类,用于获取消防炮以最短路径遍历监控区域时的第一热红外图片,并基于第一热红外图片,定位发生火灾的目标区域;
控制决策模块,基于第一矩阵,控制消防炮按照最短路径对应方位角度坐标进行旋转,基于第一热红外图片及与第二矩阵匹配的目标区域可燃烧物相对应的灭火剂,并结合深度强化学习方法,控制消防炮微细调整方位执行灭火,直至对目标区域灭火完毕。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种智能消防炮控制灭火方法,其特征在于,控制灭火方法步骤包括:
S1:创建第一矩阵以及第二矩阵,所述第一矩阵为若干可见光图片对应的旋转方位角度坐标矩阵,若干可见光图片为消防炮以固定的旋转方式在监控目标区域内进行扫描的可见光图片,所述第二矩阵为可燃烧物对应的灭火剂种类映射矩阵;
S2:未发生火灾时,基于第二矩阵结合狄克斯特拉算法,获取消防炮旋转遍历潜在火灾区域的最短路径;
S3:检测消防炮监控的目标区域内是否发生火灾,若发生火灾,则产生报警信号,并将报警信号发送至消防炮;
S4:基于第一矩阵,消防炮按照最短路径对应的方位角度坐标进行旋转;
S5:通过消防炮获取最短路径对应监控区域的第一热红外图片,并基于第一热红外图片,识别定位发生火灾的目标区域;
S6:基于第一热红外图片及与第二矩阵匹配的目标区域可燃烧物相对应的灭火剂,并结合深度强化学习方法,控制消防炮微细调整方位执行灭火,直至对目标区域灭火完毕;
其中,所述步骤S1的具体方法步骤包括:
获取消防炮以固定的旋转方式在监控目标区域内进行扫描的若干可见光图片以及相对应的图片序列,且每张可见光图片均包括消防炮旋转到对应方位的旋转角度坐标;
基于每张可见光图片的旋转方位角度坐标,按照相邻关系映射为第一矩阵;
采用深度学习算法,获取每张可见光图片中潜在的火灾区域,并匹配该火灾区域相对应的灭火剂种类,将每张图片中可燃烧物对应的灭火剂种类映射为第二矩阵。
2.根据权利要求1所述的一种智能消防炮控制灭火方法,其特征在于,所述采用深度学习算法,获取每张可见光图片中潜在的火灾区域,并匹配该火灾区域相对应的灭火剂种类具体操作步骤为:
获取第一数据集,并将第一数据集划分为第一训练集与第一测试集,所述第一数据集为采用数据标注的方法对获取的历史可见光图片数据库中的可燃烧物以及相对应的灭火剂种类进行标注的数据集;
创建典型的目标检测定位的第一模型,并在第一模型中增加注意力机制,获得第二模型;
将第一训练集输入到所述第二模型中,采用监督学习方法以及利用前向传播和反向传播机制进行训练,获得第三模型;
将第一测试集输入到第三模型中,对第三模型进行测试,并根据测试结果对第三模型进行迭代优化,获得第四模型;
将消防炮采集的可见光图片输入到第四模型中,获得该可见光图片对应的潜在火灾区域以及对应的灭火剂种类。
3.根据权利要求1~2任一所述的一种智能消防炮控制灭火方法,其特征在于,所述第一矩阵的大小为:(2pi/α,pi/β),
α=arctan 0.5m/Lh
β=arctan 0.5n/Lv
Lh为监控空间距离消防炮在水平方向上的最远距离,Lv为监控空间距离消防炮在垂直方向上的最远距离,Lh和Lv均取单位为厘米时对应的数值,m为可见光图片输出像素的长,n为可见光图片的输出像素的宽,m和n均取像素个数对应的数值。
4.根据权利要求3所述的一种智能消防炮控制灭火方法,其特征在于,所述旋转方位角度坐标包括水平旋转方位角度坐标与垂直旋转方位角度坐标。
5.根据权利要求1所述的一种智能消防炮控制灭火方法,其特征在于,所述步骤S2中,获取消防炮旋转遍历潜在火灾区域的最短路径的操作的具体方法步骤包括:
获取第二矩阵的连通区域数量M和每个连通区域节点数Ni,以及每个连通区域节点数在整个火灾潜在区域节点总数中的占比Ri;
将每个连通区域按照完整矩形区域方式进行扩充,并获取扩充之后的中心点;
选取任意两个连通区域,并基于该两个连通区域的中心节点,计算该两个连通区域的曼哈顿距离;
基于连通区域的数量以及两两连通区域中心节点的曼哈顿距离构建有向图,并转化为邻接矩阵,获得2M个邻接矩阵;
对每个邻接矩阵,以每个矩阵中连通区域节点数最大的节点为起点、连通区域节点数最小的节点为终点,利用狄克斯特拉算法计算遍历最短路径,获得的所有邻接矩阵对应的最短路径的最小值即为消防炮旋转遍历潜在火灾区域的最短路径。
6.根据权利要求1所述的一种智能消防炮控制灭火方法,其特征在于,所述步骤S6中,结合深度强化学习方法,控制消防炮微细调整方位执行灭火的具体操作步骤包括:
创建深度强化学习的第一模型,并对第一模型中的参数随机初始化;
获取第二数据集,并将第二数据集划分为第二训练集与第二测试集,所述第二数据集为为随机生成的具有模拟温度值的热红外图片数据集;
构建所述深度强化学习的第一模型运行仿真环境,所述仿真环境在仿真时随机初始化灭火时灭火剂在第二数据集中的热红外图片中的落点的起始位置和大小,并在热红外图片中所有位置温度值都低于阈值时判定灭火完毕;
将第二训练集的热红外图片输入到第一模型中,通过第一模型的智能体对热红外图片的温度信息进行分析处理,并基于处理结果输出方位控制信号,模拟微细调整消防炮的方位角度,并根据仿真环境反馈生成的新热红外图片,不断通过奖励值R的反馈对第一模型的智能体进行训练,获得第二模型;
将第二测试集的热红外图片输入到第二模型中,对第二模型进行测试,并根据测试结果对第二模型进行迭代优化,获得第三模型;
将消防炮采集的热红外图片,不断输入到第三模型中,获得消防炮方位控制信号,持续微细调整消防炮方位角度执行灭火。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148263.3A CN113705539B (zh) | 2021-09-29 | 2021-09-29 | 一种智能消防炮控制灭火方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148263.3A CN113705539B (zh) | 2021-09-29 | 2021-09-29 | 一种智能消防炮控制灭火方法及控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705539A CN113705539A (zh) | 2021-11-26 |
CN113705539B true CN113705539B (zh) | 2023-05-05 |
Family
ID=78662230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111148263.3A Active CN113705539B (zh) | 2021-09-29 | 2021-09-29 | 一种智能消防炮控制灭火方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705539B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512307B (zh) * | 2022-11-23 | 2023-03-17 | 中国民用航空飞行学院 | 广域空间红外多点实时火灾探测方法及系统、定位方法 |
CN117893385B (zh) * | 2024-03-18 | 2024-06-04 | 四川银谷碳汇再生资源有限公司 | 一种保障仓储安全的消防预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785574A (zh) * | 2019-01-21 | 2019-05-21 | 五邑大学 | 一种基于深度学习的火灾检测方法 |
CN109903507A (zh) * | 2019-03-04 | 2019-06-18 | 上海海事大学 | 一种基于深度学习的火灾智能监控系统及其方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10782097B2 (en) * | 2012-04-11 | 2020-09-22 | Christopher J. Hall | Automated fire control device |
CN107909615A (zh) * | 2017-12-18 | 2018-04-13 | 广东广业开元科技有限公司 | 一种基于双目视觉的消防炮定位方法 |
CN109920193B (zh) * | 2019-03-25 | 2021-09-10 | 软通智慧科技有限公司 | 一种电气火灾隐患智能检测方法、系统、设备及介质 |
CN109916853B (zh) * | 2019-03-28 | 2021-06-08 | 内江师范学院 | 基于光纤光栅的激光红外光谱痕量物质探测装置及方法 |
CN112712669B (zh) * | 2020-12-24 | 2022-04-19 | 广东名盾保安集团有限公司 | 防盗防火管理方法及系统 |
CN113139322B (zh) * | 2021-05-24 | 2023-05-30 | 苏州热工研究院有限公司 | 一种核电厂火灾响应及演练能力评价系统及方法 |
-
2021
- 2021-09-29 CN CN202111148263.3A patent/CN113705539B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785574A (zh) * | 2019-01-21 | 2019-05-21 | 五邑大学 | 一种基于深度学习的火灾检测方法 |
CN109903507A (zh) * | 2019-03-04 | 2019-06-18 | 上海海事大学 | 一种基于深度学习的火灾智能监控系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113705539A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705539B (zh) | 一种智能消防炮控制灭火方法及控制系统 | |
CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
WO2011060385A1 (en) | Method for tracking an object through an environment across multiple cameras | |
CN109376637A (zh) | 基于视频监控图像处理的人数统计系统 | |
Konda et al. | Global coverage maximization in PTZ-camera networks based on visual quality assessment | |
CN111985365A (zh) | 一种基于目标检测技术的秸秆焚烧监测方法和系统 | |
CN109284735B (zh) | 鼠情监控方法、装置及存储介质 | |
CN112925223A (zh) | 基于视觉传感网络的无人机三维跟踪虚拟测试仿真系统 | |
Abdelfattah et al. | Adversarial attacks on camera-lidar models for 3d car detection | |
CN110414400A (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
US11776158B2 (en) | Detecting target objects in a 3D space | |
CN112184789A (zh) | 植物模型生成方法、装置、计算机设备和存储介质 | |
CN106781187A (zh) | 基于多维系统fm模型的火灾现场火源区域定位方法 | |
CN111611889A (zh) | 基于改进卷积神经网络的农田微型虫害识别装置 | |
CN106845410A (zh) | 一种基于深度学习模型的火焰识别方法 | |
Feng et al. | Three-dimensional robot localization using cameras in wireless multimedia sensor networks | |
CN107480591A (zh) | 飞鸟检测方法和装置 | |
US11595634B2 (en) | Detection and ranging based on a single monoscopic frame | |
CN117876874A (zh) | 基于高点监控视频的森林火灾检测和定位方法及系统 | |
CN109785574B (zh) | 一种基于深度学习的火灾检测方法 | |
CN107707898A (zh) | 激光投影仪的图像失真校正方法和激光投影仪 | |
Lennon et al. | Patch attack invariance: How sensitive are patch attacks to 3d pose? | |
CN112070835B (zh) | 机械臂位姿预测方法、装置、存储介质及电子设备 | |
CN111491154A (zh) | 基于一个或多个单视场帧的检测和测距 | |
Fedorov et al. | Placement strategy of multi-camera volumetric surveillance system for activities monitoring |
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 |