CN113936239A - 一种基于神经网络算法的智慧消防火情识别方法和系统 - Google Patents

一种基于神经网络算法的智慧消防火情识别方法和系统 Download PDF

Info

Publication number
CN113936239A
CN113936239A CN202111214880.9A CN202111214880A CN113936239A CN 113936239 A CN113936239 A CN 113936239A CN 202111214880 A CN202111214880 A CN 202111214880A CN 113936239 A CN113936239 A CN 113936239A
Authority
CN
China
Prior art keywords
fire
fighting
data
monitoring center
subsystem
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
Application number
CN202111214880.9A
Other languages
English (en)
Inventor
王星杰
李晨
傅兴远
柳正茂
陶开国
陈伟
曲恒伟
刘士光
房祥艳
宋可新
杨立军
刘静
马宏旺
刘怀兵
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.)
Shandong Waitai Construction Engineering Co ltd
Shandong Jianzhu University
Original Assignee
Shandong Waitai Construction Engineering Co ltd
Shandong Jianzhu University
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 Shandong Waitai Construction Engineering Co ltd, Shandong Jianzhu University filed Critical Shandong Waitai Construction Engineering Co ltd
Priority to CN202111214880.9A priority Critical patent/CN113936239A/zh
Publication of CN113936239A publication Critical patent/CN113936239A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • G08B7/066—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources guiding along a path, e.g. evacuation path lighting strip
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H20/00—Arrangements for broadcast or for distribution combined with broadcast
    • H04H20/53—Arrangements specially adapted for specific applications, e.g. for traffic information or for mobile receivers
    • H04H20/59—Arrangements specially adapted for specific applications, e.g. for traffic information or for mobile receivers for emergency or urgency
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Fire Alarms (AREA)

Abstract

本发明提供了一种基于神经网络算法的智慧消防火情识别方法和系统，包括读取环境感知数据对火灾情况进行预处理并分类；计算数据变化率并平滑该数据，得到待分类数据；获取原始火灾特征数据；对原始火灾特征数据进行预处理；建立火灾特征数据库，平滑火灾特征数据构建感知模型，建立特征工程；对输入燃烧阶段预测模型的样本重新处理；将平滑处理后的环境感知数据和火灾特征数据通过上述模型进行分类，判断出火灾的类型和燃烧阶段。所述系统包括智慧消防云平台、行政管理平台、系统访问模块、维保模块、监控中心。本发明能更早发现火情,缩短了响应时间，预测火灾类型,进行针对性扑救，对多个传感器的数据协同处理,综合研判降低误报概率。

Description

一种基于神经网络算法的智慧消防火情识别方法和系统
技术领域
本发明涉及一种基于神经网络算法的智慧消防火情识别方法和系统，属于火灾防控技术领域。
背景技术
随着社会发展、技术进步，智慧消防系统在各个单位中已逐渐普及。但结合实际使用情况，仍存在许多不足，如虽结合一个或多个探测器判断是否发生火情，但判断方法使用阈值法导致系统误报率高；不能判断火情发展情况导致响应时间加长从而延误火情或过度采取消防措施加重损失；更重要的是无法判断火灾类别，在未明确火灾类别时无针对性扑救很可能造成更大的损失甚至危及扑救人员生命安全。
发明内容
本发明目的是提供了一种基于神经网络算法的智慧消防火情识别方法和系统，能更早发现火情，缩短了响应时间，对多个传感器的数据协同处理、综合研判降低误报概率。
本发明为实现上述目的，通过以下技术方案实现：
一种基于神经网络算法的智慧消防火灾识别方法，包括以下步骤：
1)获取实时环境感知数据对火灾情况进行分类，所述数据包括温度，烟雾，烟气中特征气体浓度；
2)对步骤1中获取的环境感知数据进行预处理；计算出温度变化率，烟雾值变化率，烟气中特征气体浓度变化率；
3)使用SG滤波平滑方法平滑环境感知数据，获取待分类数据；
4)获取标准的原始火灾特征数据，样本数据每五秒记录一次。
5)对原始火灾特征数据进行预处理；基于温度、烟雾、烟气中特征气体浓度，计算出温度变化率，烟雾值变化率，烟气中特征气体浓度变化率；
6)建立火灾特征数据库，数据库为不同种类燃烧物、不同燃烧阶段的样本，每组样本包括上述指标，每项指标中数据按时间顺序排列；
7)使用SG滤波平滑方法平滑火灾特征数据；
8)构建基于朴素贝叶斯模型作为感知模型的燃烧阶段预测模型、火灾类型预测模型；
9)为燃烧阶段预测模型建立特征工程
10)对输入燃烧阶段预测模型的样本重新处理，即对原样本进行拆分以获取各时间点的信息：将原样本中每个时间点的状态作为一个新的样本，处理后的新样本总数为每条旧样本中时间点的个数与旧样本数量的乘积，即3759*10＝37590条。
11)训练和测试的对象是算法使用python的机器学习库sklearn对模型进行训练、测试；
12)将平滑处理后的环境感知数据和火灾特征数据通过上述模型进行分类，判断出火灾的类型、燃烧阶段。
优选的，所述平滑方法为SG滤波平滑法；具体如下：将样本中温度，烟雾，烟气中特征气体浓度，温度变化率，烟雾值变化率，烟气中特征气体浓度变化率，每项指标分别按时间顺序数据矩阵化，得到矩阵A，根据公式X＝T·(TtranS·T)-1·TtranS·A即可获得滤波值X，其中T为系数矩阵，TtranS为系数矩阵的转置矩阵。
优选的，所述特征工程建立过程如下：对指标数据进行回归分析，以T＝600℃为阴燃、明火阶段划分界限，确定出更加精准的火灾阶段划分界限；
①热烟气层的初始平均温度上升速率随峰值温度变化的性回归方程
Figure RE-GDA0003373681040000031
将Tpeak＝600℃代入上述公式得
Figure RE-GDA0003373681040000032
即轰燃发生的临界平均温度上升速率；
②热烟气的温度复合上升速率与其峰值温度具有较好的线性关系，将这一关系的线性回归方
Figure RE-GDA0003373681040000033
根据上述线性回归方程得出当
Figure RE-GDA0003373681040000034
时，热烟气层将会有600℃的峰值温度，室内将达到轰燃的程度；
③热烟气层温度上升速率的复合变化率与其峰值温度的线性回归方程表达为
Figure RE-GDA0003373681040000035
根据上述回归曲线方程，我们可以计算出当
Figure RE-GDA0003373681040000036
时，室内火灾会发生轰燃。
优选的，所述判断火灾类型和燃烧阶段的具体步骤如下：
火灾类型预测：输入样本的温度、烟雾、烟气中特征气体浓度及处理后的温度变化率、烟雾值变化率、烟气中特征气体浓度变化率指标；采用朴素贝叶斯模型作为感知模型，判断火灾类型；输出为0、1、2、3、4、5，分别对应A、B、C、D、E、F类火灾，判断火灾类型；
燃烧阶段预测：输入样本为原样本进行拆分以获取各时间点的信息，即将原样本中每个时间点的状态作为一个新的样本，处理后的新样本总数为每条旧样本中时间点的个数与旧样本数量的乘积，温度、烟雾、烟气中特征气体浓度及处理后的温度变化率、烟雾值变化率、烟气中特征气体浓度变化率指标，采用朴素贝叶斯模型作为感知模型，输出为0、1、2，分别表示正常、阴燃、明火阶段，判断火灾燃烧阶段。
一种基于神经网络算法的智慧消防管理系统，包括智慧消防云平台、行政管理平台、系统访问模块、维保模块、监控中心；
监控中心包含的神经网络算法模块、环境感知子系统、火警报警子系统、消防灭火子系统、安全疏散子系统；
所述智慧消防云平台分别与行政管理模块、维保模块、系统访问模块交互，与监控中心连接；监控中心分别与神经网络算法模块、智慧消防云平台、环境感知子系统、火警报警子系统、安全疏散子系统、消防灭火子系统连接；
所述的环境感知子系统包括高清监控摄像头、温度传感器、烟雾传感器、一氧化碳气体传感器；各传感器实时监测环境中的各项数据及图像，将监测数据实时传送至监控中心，监控中心传送至神经网络算法模块用于综合研判；可在火情发生后监控中心操作子系统内高清监控摄像头对环境进行远程监控，代替人员现场确认；各类传感器正常工作的同时进行自检并将自检情况通过物联网发送至监控中心。
所述火警报警子系统包括感烟探测器、感温探测器、火焰探测器、可燃气体探测器等探测器，手报、水流指示器、压力开关报警装置，将火灾时探测到的火警信号传输至监控中心，由监控中心向安全疏散子系统、消防灭火子系统发出指令，在正常工作同时进行自检并将自检情况发送至监控中心；
所述安全疏散子系统包括疏散指示标识、应急照明灯具、应急广播、声光警报器、防火卷帘、防火门，受监控中心监控并向监控中心反馈工作状态，在接收到火警信号后启动子系统内的等各类疏散设施，按照安全疏散预案指引人员疏散逃生；在正常工作同时进行自检并将自检情况发送至监控中心；
所述消防灭火子系统包括自动喷水灭火系统、气体灭火系统、干粉灭火系统系统；启动方式分为自动、手动2种；在接收到火警信号后监控中心可采用自动、手动两种方式启动消防设施，并将消防设施的运行状态反馈到监控中心；自动启动模式下，火灾报警系统也可启动消防设施，并将消防设施的运行状态反馈到监控中心；
所述监控中心存储各子系统所传输的数据，将所有数据实时传输、备份至智慧消防云平台，向神经网络算法模块提供环境感知子系统的数据，接收并存储神经网络算法模块处理后的结果，并向火警报警子系统、消防灭火子系统、安全疏散子系统发送指令，执行预设消防措施；通过环境感知子系统调取着火部位的影像数据，进行远程确认；确认火情，根据神经网络算法模块处理结果、环境感知子系统实时数据，启动灭火疏散预案；向智慧消防云平台传递火警信号；接收到正常信号时监控各种消防设备状态，出现消防设施设备故障问题时向智慧消防云平台发出维保指令；
所述神经网络算法模块接收环境感知子系统的传感器记录的实时环境感知数据，通过神经网络算法，判断是否发生火灾、火灾发展情况、判断火灾类别，并将处理结果发送至监控中心。
所述智慧消防云平台存储各监控中心的消防档案，记录消防制度的落实情况、消防管理的实施情况，为落实各项消防责任及火灾溯源提供数据支持，向行政管理平台传输各监控中心的消防管理情况，并接受行政管理平台对各监控中心消防设施设备运行情况的监督检查；接收到监控中心的维保指令后，通过维保模块调度并监督维保人员，进行维保服务；智慧消防云平台可替代监控中心对从监控中心接收到算法输出结果进行处理处置。
所述行政管理平台设置于各级消防救援中心，用于监查智慧消防云平台的维保责任落实情况；检查各监控中心消防设施设备运行情况；对接收到的由智慧消防云平台、监控中心报告的火警进行处置。
本发明的优点在于：通过算法模块对多个传感器数据综合处理的模式，取代单个传感器单独处理模式，大大降低系统的误报率。通过才用SG滤波平滑法及建立特征工程大大提高了算法预测的准确性、可靠性。对原火灾样本进行拆分以获取各时间点的信息作为新样本。增加了样本数的同时，提高了模型在时间维度上的敏感性，从而提高了预测的准确率，降低了产品犯错的可能性。本系统能够在早期阴燃阶段发现火情，缩短了响应时间；对多个传感器的数据协同处理、综合研判降低误报概率；能够识别火灾类别，制定有针对性的灭火方案，减少各项损失。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明神经网络算法结构示意图。
图2为本发明智慧消防管理系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
本发明目的可以通过以下技术方案实现：
一种基于神经网络算法的智慧消防火灾识别方法，包括以下步骤：
1)获取实时环境感知数据对火灾情况进行分类，所述数据包括温度，烟雾，烟气中特征气体浓度；
2)对步骤1中获取的环境感知数据进行预处理；计算出温度变化率，烟雾值变化率，烟气中特征气体浓度变化率；
3)使用SG平滑方法平滑环境感知数据，获取待分类数据；所述平滑方法为SG滤波平滑法；具体如下：将样本中温度，烟雾，烟气中特征气体浓度，温度变化率，烟雾值变化率，烟气中特征气体浓度变化率，每项指标分别按时间顺序数据矩阵化，得到矩阵A，根据公式X＝T·(TtranS·T)-1·TtranS·A即可获得滤波值X，其中T为系数矩阵，TtranS为系数矩阵的转置。
SG滤波平滑法具体步骤如下：
a、分别对每项指标进行加权滤波，对当前时刻的前后一共2n+1个观测值进行滤波，用 k-1阶多项式对其进行拟合，拟合公式如下：
xt＝a0+a1*t+a2*t2+...+ak-1*tk-1
其中x为预测值，a为观测值，t表示任意时刻
b、对于前后时刻的预测值，同样采用拟合公式来计算，共得到2n+1个式子，构成一个矩阵；
Figure RE-GDA0003373681040000071
其中x为预测值，a为观测值，ε为噪声；
矩阵简化表示为公式：
X(2n+1)×1＝T(2n+1)×k·Ak×1+E(2n+1)×1
c、通过最小二乘法求得Ak×1的解：A＝(Ttrans·T)-1·Ttrans·X
模型滤波值为：P＝T·A＝T·(Ttrans·T)-1·Ttrans·X＝BX
得到的关系矩阵：B＝T·(Ttrans·T)-1·Ttrans。
e、最终得到滤波值与观测值之间关系：X＝B·A
4)获取标准的原始火灾特征数据，以美国NIST(National Institute ofStandards and Technology)所公布的纺织品明火燃烧、棉花阴燃、油品燃烧等不同环境、燃烧状态、燃烧物，38组样本(sdc01-sdc38)，样本数据每五秒记录一次。其中sdc01-sdc10为A类火灾、 sdc11-sdc18为B类火灾、sdc19-sdc22为C类火灾、sdc23-sdc26为D类火灾、sdc27-sdc30 为E类火灾、sdc31-sdc38为F类火灾；A类火灾中sdc01-sdc06为明火，sdc07-10为阴燃，样本数据每五秒记录一次，作为原始火灾特征数据。
5)对原始火灾特征数据进行预处理，筛选出原始火灾特征数据中温度、烟雾、烟气中特征气体浓度，基于温度、烟雾、烟气中特征气体浓度，计算出温度变化率，烟雾值变化率，烟气中特征气体浓度变化率；
6)建立火灾特征数据库，数据库为不同种类燃烧物、不同燃烧阶段的38组样本，每组样本包括温度、烟雾、烟气中特征气体浓度、温度变化率，烟雾值变化率，烟气中特征气体浓度变化率6项指标，每项指标中数据按时间顺序排列；
7)构建基于朴素贝叶斯模型作为感知模型的燃烧阶段预测模型、火灾类型预测模型；
8)使用SG滤波平滑方法平滑火灾特征数据；
9)为燃烧阶段预测模型建立特征工程；所述特征工程建立过程如下：
所述特征工程描述如下，由《室内火灾特殊火行为研究》中的实验数据可知温度的上升速率与热烟气层的温度也存在着关系即
Figure RE-GDA0003373681040000072
式中Tpeak指室内火灾中热烟气层的峰值温度。
进一步地，为了研究室内火灾在初期阶段热烟气层的变化特征(初期指室内火灾热烟气层温度在到达300度以前的状态)，从上述实验中获取初始平均温度上升速率和峰值温度上升速率的关系：规律显示对于热烟气层峰值温度低于500摄氏度的室内火灾来说，其初始温度上升速率的平均值低于0.3℃/s；而对于峰值温度较高的室内火灾来说，初始温度上升的速率平均值高于0.3℃/s。对于热烟气层峰值温度低于600℃的室内火灾，其线性回归方程为：
Figure RE-GDA0003373681040000081
由此获得了室内火灾热烟气层初始温度上升速率与热烟气层峰值温度的关系。
进一步地，根据上述实验数据得到了室内火灾热烟气层的初始平均温度上升速率随火灾持续时间(tr)的线性回归方程：
Figure RE-GDA0003373681040000082
进一步地，我们认为600℃是发生轰燃现象的临界值，而为了安全起见，我们考虑将报警温度设置在低于600℃。将Tpeak＝600℃代入上述公式得
Figure RE-GDA0003373681040000083
即轰燃发生的临界平均温度上升速率。
进一步地，热烟气层温度复合上升速率定义如下
Figure RE-GDA0003373681040000084
根据上述实验数据热烟气的温度复合上升速率与其峰值温度系的线性回归方程表达为：
Figure RE-GDA0003373681040000085
进一步地，根据上述公式得出当
Figure RE-GDA0003373681040000086
时，热烟气层将会有600℃的峰值温度，室内将达到轰燃的程度。
进一步的，室内火灾的热烟气层温度上升速率的复合变化率的定义如下：
Figure RE-GDA0003373681040000087
根据上述实验数据热烟气层的峰值与温度上升速率的复合变化率满足以下的回归曲线方程：
Figure RE-GDA0003373681040000091
根据上述公式，我们可以计算出当
Figure RE-GDA0003373681040000092
时，室内火灾会发生轰燃。
10)对输入燃烧阶段预测模型的样本重新处理，即对原样本(sdc01-sdc10)进行拆分以获取各时间点的信息：将原样本中每个时间点的状态作为一个新的样本，处理后的新样本总数为每条旧样本中时间点的个数与旧样本数量的乘积，即3759*10＝37590条。
11)训练和测试的对象是算法使用python的机器学习库sklearn对模型进行训练、测试；
12)将平滑处理后的环境感知数据通过上述模型进行分类，判断出火灾的类型、燃烧阶段。
所述判断火灾类型和燃烧阶段的具体步骤如下：
火灾类型预测模型：输入样本sdc01-sdc38，温度、烟雾、烟气中特征气体浓度及处理后的温度变化率、烟雾值变化率、烟气中特征气体浓度变化率6种指标。采用朴素贝叶斯模型作为感知模型。输出为0、1、2、3、4、5，分别对应A、B、C、D、E、F类火灾；
燃烧阶段预测模型：输入样本为原样本进行拆分以获取各时间点的信息：即将原样本 sdc01-sdc10中每个时间点的状态作为一个新的样本，处理后的新样本总数为每条旧样本中时间点的个数与旧样本数量的乘积，即3759*10＝37590条。温度、烟雾、烟气中特征气体浓度及处理后的温度变化率、烟雾值变化率、烟气中特征气体浓度变化率6种指标。采用朴素贝叶斯模型作为感知模型。输出为0、1、2，分别对应正常、阴燃、明火。
所述朴素贝叶斯模型描述如下：
①待分类对象X由6个属性来描述{x1，x2，...，x6}，其中A＝{a1，a2，...，a6} 为一个给定的待分类对象，而ai是xi的一个观测值。{x1，x2，...，x6}包括火焰特征指标和火灾类别，分别为：温度、烟雾浓度、烟气中特征气体浓度、温度变化速率、烟雾浓度变化速率、烟气中特征气体浓度变化速率、燃烧物种类。
②每一个待分类对象都属于类别集合C＝{y1，y2，...，yn}
③计算P(y1|A)，P(y2|A)，...，P(yn|A)
④如果P(yk|A)＝max{P(y1|A)，P(y2|A)，...P(yn|A)，则A属于类别yk
算法的目标是对于给定的待分类对象A，预测其所属的分类yk。
考虑X的属性为离散属性的情况。根据训练样本集，通过统计得到各个类别的先验概率 P(yi)，以及在各类别下各个特征属性的条件概率估计：P(a1|y1)
P(a1|y1)，P(a2|y1)，...，P(am|y1)
P(a1|y2)，P(a2|y2)，...，P(am|y2)
....
P(a1|yn)，P(a2|yn)，...，P(am|yn)
所述优化朴素贝叶斯分类算法有如下推导：
Figure RE-GDA0003373681040000101
所述优化朴素贝叶斯分类算法的条件独立假设得：
Figure RE-GDA0003373681040000102
Figure RE-GDA0003373681040000103
所述待分类对象X，P(X)是一个常数，因此上式的最大化条件，等价于其分子部分的最大化条件，使得F(i)取值最大化的yi，即为X的所属分类。
Figure RE-GDA0003373681040000104
所述X的属性xj是连续属性的情况时，考虑xj的概率密度函数。对于给定的yi，假定条件概率密度函数p(xj|yi)服从正态分布：
Figure RE-GDA0003373681040000105
所述优化朴素贝叶斯分类算法，在连续属性上，我们可以用p(xj|yi)来代替F(i)计算公式中的P(xj|yi)，
所述优化朴素贝叶斯分类算法，根据训练样本集，计算得到μi，j和
Figure RE-GDA0003373681040000106
的估计值。
所述优化朴素贝叶斯分类算法，得到连续属性的条件概率密度函数公式：
Figure RE-GDA0003373681040000107
所述优化朴素贝叶斯分类算法，计算得到p(xj|yi)的条件概率密度值。
所述优化朴素贝叶斯分类算法，在连续属性上，我们可以用p(xj|yi)来代替F(i)计算公式中的P(xj|yi)，
所述优化朴素贝叶斯分类算法，按照之前的离散属性步骤完成连续属性的贝叶斯分类算法。
所述优化朴素贝叶斯分类算法，考虑到火灾趋势等因素的影响，除了以温度、烟雾浓度、烟气中特征气体浓度为样本；还另外加入了温度变化率，烟雾值变化率，烟气中特征气体浓度变化率，这三个指标的变化速率为样本。
一种基于神经网络算法的智慧消防管理系统包括：智慧消防云平台，行政管理平台，系统访问模块，维保模块，若干监控中心，若干监控中心包含的神经网络算法模块、环境感知子系统、火警报警子系统、消防灭火子系统、安全疏散子系统。
所述智慧消防云平台分别与行政管理模块、维保模块、系统访问模块交互，与监控中心连接；监控中心分别与神经网络算法模块、智慧消防云平台、环境感知子系统、火警报警子系统、安全疏散子系统、消防灭火子系统连接。
所述的环境感知子系统，其特征在于，包括高清监控摄像头、温度传感器、烟雾传感器、一氧化碳气体传感器等各类传感器；各传感器与环境内各部位一一对应，实时监测环境中的各项数据及图像，将监测数据实时传送至监控中心，监控中心传送至神经网络算法模块用于综合研判；可在火情发生后监控中心操作子系统内高清监控摄像头对环境进行远程监控，代替人员现场确认，从而避免造成巡查人员损伤；各类传感器正常工作的同时进行自检并将自检情况通过物联网发送至监控中心。
所述火警报警子系统包括感烟探测器、感温探测器、火焰探测器、可燃气体探测器等探测器，手报、水流指示器、压力开关等报警装置，将火灾时探测到的火警信号传输至消防灭火子系统、监控中心，由监控中心向安全疏散子系统、消防灭火子系统发出指令。在正常工作同时进行自检并将自检情况发送至监控中心。
所述安全疏散子系统包括疏散指示标识、应急照明灯具、应急广播、声光警报器、防火卷帘、防火门等设施设备。受监控中心监控并向监控中心反馈工作状态。在接收到火警信号后启动子系统内的等各类疏散设施，按照安全疏散预案指引人员疏散逃生；在正常工作同时进行自检并将自检情况发送至监控中心。
所述消防灭火子系统包括自动喷水灭火系统、气体灭火系统、干粉灭火系统等系统；启动方式分为自动、手动2种；在接收到火警信号后监控中心可采用自动、手动两种方式启动消防设施，并将消防设施的运行状态反馈到监控中心；自动启动模式下，火警报警子系统可直接启动消防设施，并将消防设施的运行状态反馈到监控中心。手动模式下，在接收到监控中心信号后启动消防设施。
所述监控中心存储各子系统所传输的数据；将所有数据通过互联网实时传输、备份至智慧消防云平台，向神经网络算法模块提供环境感知子系统的数据。接收并存储神经网络算法模块处理后的结果，并向火警报警子系统、消防灭火子系统、安全疏散子系统发送指令，执行预设消防措施。当收到阴燃、明火、火灾类别信号时通过环境感知子系统调取着火部位的影像数据，进行远程确认；若远程确认火情，根据神经网络算法模块处理结果、环境感知子系统实时数据，启动灭火疏散预案；向智慧消防云平台传递火警信号。接收到正常信号时监控各种消防设备状态，出现消防设施设备故障问题时向智慧消防云平台发出维保指令。
所述神经网络算法模块接收环境感知子系统的传感器记录的实时环境感知数据，通过神经网络算法，判断是否发生火灾、火灾发展情况、判断火灾类别，并将处理结果发送至监控中心。
所述智慧消防云平台存储各监控中心的消防档案，记录消防制度的落实情况、消防管理的实施情况，为落实各项消防责任及火灾溯源提供数据支持，按照要求向行政管理平台传输各监控中心的消防管理情况，并接受行政管理平台对各监控中心消防设施设备运行情况的监督检查。接收到监控中心的维保指令后，通过维保模块调度并监督维保人员，进行维保服务。智慧消防云平台通过系统访问模块实现各监控中心所属单位消防责任人、消防管理人的手机、个人电脑的远程访问服务，实时掌握单位的消防安全情况。智慧消防云平台必要时可替代监控中心对从监控中心接收到算法输出结果进行处理处置。
所述维保模块存储有存储维保人员信息、用户维保记录、相关设备维保状态、维保进度记录等各类维保信息以便智慧消防云平台调度并监督维保人员，进行维保服务。
所述系统访问模块，为外界设备提供接入智慧消防云平台服务。各监控中心所属单位消防责任人、消防管理人通过系统访问模块可以在手机或个人电脑访问智慧消防云平台，调取相关数据，实时掌握单位的消防安全情况。
所述行政管理平台设置于各级消防救援中心，用于监查智慧消防云平台的维保责任落实情况；检查各监控中心消防设施设备运行情况；对接收到的由智慧消防云平台、监控中心报告的火警进行处置。
发生火灾时
所述的环境感知子系统通过与环境内各部位一一对应的包括高清监控摄像头、温度传感器、烟雾传感器、一氧化碳气体传感器等各类传感器，监测环境中的各项数据及图像，将监测数据实时传送至监控中心，监控中心传送至神经网络算法模块用于综合研判；
所述神经网络算法模块接收环境感知子系统的传感器记录的实时环境感知数据，通过神经网络算法，对感知数据进行处理，判断火灾发生、判断火灾类别、火灾发展情况；将处理结果发送至监控中心。
所述火警报警子系统通过感烟探测器、感温探测器、火焰探测器、可燃气体探测器等探测器，手报、水流指示器、压力开关等报警装置，探测到火警信号，将火警信号发送至监控中心和消防灭火子系统。
所述监控中心接收到神经网络算法模块的阴燃、明火、火灾类别分类预测结果，向智慧消防云平台发送预测结果，并调取环境感知子系统各个传感器数据进行远程确认，必要时通知巡查员携带针对所判断出火灾类别的灭火剂，进行初期扑救。远程确认后向火警报警子系统、消防灭火子系统、安全疏散子系统发送火警信号。同时将所有数据通过互联网实时传输、备份至智慧消防云平台。
进一步地，消防灭火子系统包括自动喷水灭火系统、气体灭火系统、干粉灭火系统等系统。消防灭火子系统在手动模式下接收到监控中心发出的火警信号，启动预设的消防灭火方案；在自动模式下接收到火警报警子系统发出的火警信号，启动预设的消防灭火方案。
进一步地，安全疏散子系统收到监控中心发出的火警信号，启动子系统内各类疏散设施，如疏散指示标识、应急照明灯具、应急广播、声光警报器、防火卷帘、防火门等设施设备。按照安全疏散预案指引人员疏散逃生。
进一步地，智慧消防云平台接收到阴燃、明火、火灾类别信号时，调取环境感知子系统各个传感器数据进行远程确认，若监控中心值班人员未及时响应，可操控对应监控中心下的各子系统及时动作疏散灭火。
进一步地，各监控中心所属单位消防责任人、消防管理人通过系统访问模块可以在手机或个人电脑访问智慧消防云平台，调取相关数据，掌握火场情况。
进一步地，智慧消防云平台、监控中心一键报警，将火情上报行政管理平台，行政管理平台做出进一步处置，如派出消防队、远程指导火灾扑救等。
在正常情况下
所述的环境感知子系统通过与环境内各部位一一对应的包括高清监控摄像头、温度传感器、烟雾传感器、一氧化碳气体传感器等各类传感器，监测环境中的各项数据及图像，将监测数据实时传送至监控中心，监控中心传送至神经网络算法模块用于综合研判；各类传感器正常工作的同时进行自检并将自检情况通过物联网发送至监控中心。
所述神经网络算法模块接收环境感知子系统的传感器记录的实时环境感知数据，通过神经网络算法，对感知数据进行处理，输出处理结果为正常；将处理结果发送至监控中心。
所述火警报警子系统，在正常工作同时进行自检并将自检情况发送至监控中心。
所述安全疏散子系统受监控中心监控并向监控中心反馈工作状态。
所述消防灭火子系统将消防设施的运行状态反馈到监控中心；
所述监控中心存储各子系统所传输的数据；将所有数据通过互联网实时传输、备份至智慧消防云平台，向神经网络算法模块提供环境感知子系统的数据。接收并存储神经网络算法模块处理后的结果。监控各种消防设备状态，出现消防设施设备故障问题时向智慧消防云平台发出维保指令。
所述智慧消防云平台存储各监控中心的消防档案，记录消防制度的落实情况、消防管理的实施情况，为落实各项消防责任及火灾溯源提供数据支持，按照要求向行政管理平台传输各监控中心的消防管理情况，并接受行政管理平台对各监控中心消防设施设备运行情况的监督检查。接收到监控中心的维保指令后，通过维保模块调度并监督维保人员，进行维保服务。智慧消防云平台通过系统访问模块实现各监控中心所属单位消防责任人、消防管理人的手机、个人电脑的远程访问服务，实时掌握单位的消防安全情况。
所述行政管理平台设置于各级消防救援中心，用于监查智慧消防云平台的维保责任落实情况；检查各监控中心消防设施设备运行情况；
所述维保模块存储有存储维保人员信息、用户维保记录、相关设备维保状态、维保进度记录等各类维保信息以便智慧消防云平台调度并监督维保人员，进行维保服务。
所述系统访问模块，为外界设备提供接入智慧消防云平台服务。各监控中心所属单位消防责任人、消防管理人通过系统访问模块可以在手机或个人电脑访问智慧消防云平台，调取相关数据，实时掌握单位的消防安全情况。

Claims (5)

1.一种基于神经网络算法的智慧消防火情识别方法，其特征在于，包括以下步骤：
1)获取实时环境感知数据对火灾情况进行分类，所述数据包括温度，烟雾，烟气中特征气体浓度；
2)对步骤1中获取的环境感知数据进行预处理；计算出温度变化率，烟雾值变化率，烟气中特征气体浓度变化率；
3)使用SG滤波平滑方法平滑环境感知数据，获取待分类数据；
4)获取标准的原始火灾特征数据，样本数据每五秒记录一次。
5)对原始火灾特征数据进行预处理；基于温度、烟雾、烟气中特征气体浓度，计算出温度变化率，烟雾值变化率，烟气中特征气体浓度变化率；
6)建立火灾特征数据库，数据库为不同种类燃烧物、不同燃烧阶段的样本，每组样本包括上述指标，每项指标中数据按时间顺序排列；
7)使用SG滤波平滑方法平滑火灾特征数据；
8)构建基于朴素贝叶斯模型作为感知模型的燃烧阶段预测模型、火灾类型预测模型；
9)为燃烧阶段预测模型建立特征工程
10)对输入燃烧阶段预测模型的样本重新处理，即对原样本进行拆分以获取各时间点的信息：将原样本中每个时间点的状态作为一个新的样本，处理后的新样本总数为每条旧样本中时间点的个数与旧样本数量的乘积。
11)使用python的机器学习库sklearn对模型进行训练、测试；
12)将平滑处理后的环境感知数据通过上述模型进行分类，判断出火灾的类型、燃烧阶段。
2.根据权利要求1所述的基于神经网络算法的智慧消防火情识别方法，其特征在于，所述平滑方法为SG滤波平滑法；具体如下：将样本中温度，烟雾，烟气中特征气体浓度，温度变化率，烟雾值变化率，烟气中特征气体浓度变化率，每项指标分别按时间顺序数据矩阵化，得到矩阵A，根据公式X＝T·(Ttrans·T)-1·Ttrans·A即可获得滤波值X，其中T为系数矩阵，Ttrans为系数矩阵的转置矩阵。
3.根据权利要求1所述的基于神经网络算法的智慧消防火情识别方法，其特征在于，所述特征工程建立过程如下：对指标数据进行回归分析，以T＝600℃为阴燃、明火阶段划分界限，确定出更加精准的火灾阶段划分界限；
①热烟气层的初始平均温度上升速率随峰值温度变化的性回归方程
Figure FDA0003310387020000021
将Tpeak＝600℃代入上述公式得
Figure FDA0003310387020000022
即轰燃发生的临界平均温度上升速率。其中
Figure FDA0003310387020000023
为热烟气层的初始平均温度；
②热烟气的温度复合上升速率与其峰值温度具有较好的线性关系，将这一关系的线性回归方程表达为
Figure FDA0003310387020000024
根据上述线性回归方程得出当
Figure FDA0003310387020000025
时，热烟气层将会有600℃的峰值温度，室内将达到轰燃的程度。其中
Figure FDA0003310387020000026
为热烟气的温度复合上升速率；
③热烟气层温度上升速率的复合变化率与其峰值温度的线性回归方程表达为
Figure FDA0003310387020000027
根据上述回归曲线方程，我们可以计算出当
Figure FDA0003310387020000028
时室内火灾会发生轰燃。其中
Figure FDA0003310387020000029
为烟气层温度上升速率的复合变化率。
4.根据权利要求1所述的基于神经网络算法的智慧消防火情识别方法，其特征在于，所述判断火灾类型和燃烧阶段的具体步骤如下：
火灾类型预测：输入样本的温度、烟雾、烟气中特征气体浓度及处理后的温度变化率、烟雾值变化率、烟气中特征气体浓度变化率指标，采用朴素贝叶斯模型作为感知模型，输出为0、1、2、3、4、5，分别对应A、B、C、D、E、F类火灾，判断火灾类型；
燃烧阶段预测：输入样本为原样本进行拆分以获取各时间点的信息，即将原样本中每个时间点的状态作为一个新的样本，处理后的新样本总数为每条旧样本中时间点的个数与旧样本数量的乘积，输入新样本的温度、烟雾、烟气中特征气体浓度、温度变化率、烟雾值变化率、烟气中特征气体浓度变化率指标，采用朴素贝叶斯模型作为感知模型，输出为0、1、2，分别表示正常、阴燃、明火阶段，判断火灾燃烧阶段。
5.一种使用权利要求1-4的基于神经网络算法的智慧消防管理系统，其特征在于，包括智慧消防云平台、行政管理平台、系统访问模块、维保模块、监控中心；
监控中心包含的神经网络算法模块、环境感知子系统、火警报警子系统、消防灭火子系统、安全疏散子系统；
所述智慧消防云平台分别与行政管理模块、维保模块、系统访问模块交互，与监控中心连接；监控中心分别与神经网络算法模块、智慧消防云平台、环境感知子系统、火警报警子系统、安全疏散子系统、消防灭火子系统连接；
所述的环境感知子系统包括高清监控摄像头、温度传感器、烟雾传感器、一氧化碳气体传感器；各传感器实时监测环境中的各项数据及图像，将监测数据实时传送至监控中心，监控中心传送至神经网络算法模块用于综合研判；可在火情发生后监控中心操作子系统内高清监控摄像头对环境进行远程监控，代替人员现场确认；各类传感器正常工作的同时进行自检并将自检情况通过物联网发送至监控中心。
所述火警报警子系统包括感烟探测器、感温探测器、火焰探测器、可燃气体探测器，手报、水流指示器、压力开关报警装置，将火灾时探测到的火警信号传输至监控中心，由监控中心向安全疏散子系统、消防灭火子系统发出指令，在正常工作同时进行自检并将自检情况发送至监控中心；
所述安全疏散子系统包括疏散指示标识、应急照明灯具、应急广播、声光警报器、防火卷帘、防火门，受监控中心监控并向监控中心反馈工作状态，在接收到火警信号后启动子系统内的等各类疏散设施，按照安全疏散预案指引人员疏散逃生；在正常工作同时进行自检并将自检情况发送至监控中心；
所述消防灭火子系统包括自动喷水灭火系统、气体灭火系统、干粉灭火系统系统；启动方式分为自动、手动2种；在接收到火警信号后监控中心可采用自动、手动两种方式启动消防设施，并将消防设施的运行状态反馈到监控中心；自动启动模式下，火灾报警系统也可启动消防设施，并将消防设施的运行状态反馈到监控中心；
所述监控中心存储各子系统所传输的数据，将所有数据实时传输、备份至智慧消防云平台，向神经网络算法模块提供环境感知子系统的数据，接收并存储神经网络算法模块处理后的结果，并向火警报警子系统、消防灭火子系统、安全疏散子系统发送指令，执行预设消防措施；通过环境感知子系统调取着火部位的影像数据，进行远程确认；确认火情，根据神经网络算法模块处理结果、环境感知子系统实时数据，启动灭火疏散预案；向智慧消防云平台传递火警信号；接收到正常信号时监控各种消防设备状态，出现消防设施设备故障问题时向智慧消防云平台发出维保指令；
所述神经网络算法模块接收环境感知子系统的传感器记录的实时环境感知数据，通过神经网络算法，判断是否发生火灾、火灾发展情况、判断火灾类别，并将处理结果发送至监控中心。
所述智慧消防云平台存储各监控中心的消防档案，记录消防制度的落实情况、消防管理的实施情况，为落实各项消防责任及火灾溯源提供数据支持，向行政管理平台传输各监控中心的消防管理情况，并接受行政管理平台对各监控中心消防设施设备运行情况的监督检查；接收到监控中心的维保指令后，通过维保模块调度并监督维保人员，进行维保服务；智慧消防云平台可替代监控中心对从监控中心接收到算法输出结果进行处理处置。
所述行政管理平台设置于各级消防救援中心，用于监查智慧消防云平台的维保责任落实情况；检查各监控中心消防设施设备运行情况；对接收到的由智慧消防云平台、监控中心报告的火警进行处置。
CN202111214880.9A 2021-10-19 2021-10-19 一种基于神经网络算法的智慧消防火情识别方法和系统 Pending CN113936239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111214880.9A CN113936239A (zh) 2021-10-19 2021-10-19 一种基于神经网络算法的智慧消防火情识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111214880.9A CN113936239A (zh) 2021-10-19 2021-10-19 一种基于神经网络算法的智慧消防火情识别方法和系统

Publications (1)

Publication Number Publication Date
CN113936239A true CN113936239A (zh) 2022-01-14

Family

ID=79280290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111214880.9A Pending CN113936239A (zh) 2021-10-19 2021-10-19 一种基于神经网络算法的智慧消防火情识别方法和系统

Country Status (1)

Country Link
CN (1) CN113936239A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237072A (zh) * 2022-02-28 2022-03-25 南京迈特望科技股份有限公司 应用云控制技术的智能家居门锁一体化控制系统及方法
CN114255562A (zh) * 2022-01-26 2022-03-29 山东奥深智能工程有限公司 基于物联网的智慧消防预警系统
CN114646724A (zh) * 2022-03-15 2022-06-21 国网江苏省电力有限公司电力科学研究院 一种电缆整体防火性能评估方法、系统、装置及使用方法
CN114699699A (zh) * 2022-04-12 2022-07-05 合肥工业大学智能制造技术研究院 一种储油场所用火情监测与控制系统
CN114792194A (zh) * 2022-03-16 2022-07-26 广东永耀消防机电工程有限公司 一种建筑整体消防安全智能系统
CN114935358A (zh) * 2022-04-12 2022-08-23 合肥工业大学智能制造技术研究院 一种储油场所的自动化火情监测与控制方法
CN115601910A (zh) * 2022-10-12 2023-01-13 浙江中威安全科技有限公司（Cn） 一种应用于电气火灾的早期预警电子鼻系统
CN116597633A (zh) * 2023-05-30 2023-08-15 山东龙盾智能技术有限公司 一种智慧消防管理系统
CN116822964A (zh) * 2023-08-25 2023-09-29 石家庄长川电气科技有限公司 一种基于物联网的消防设备管理系统及方法
CN117180677A (zh) * 2023-10-17 2023-12-08 河南大立科技有限责任公司 一种基于物联网大数据的智慧消防管理系统

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255562A (zh) * 2022-01-26 2022-03-29 山东奥深智能工程有限公司 基于物联网的智慧消防预警系统
CN114237072A (zh) * 2022-02-28 2022-03-25 南京迈特望科技股份有限公司 应用云控制技术的智能家居门锁一体化控制系统及方法
CN114646724A (zh) * 2022-03-15 2022-06-21 国网江苏省电力有限公司电力科学研究院 一种电缆整体防火性能评估方法、系统、装置及使用方法
CN114646724B (zh) * 2022-03-15 2024-05-28 国网江苏省电力有限公司电力科学研究院 一种电缆整体防火性能评估方法、系统、装置及使用方法
CN114792194B (zh) * 2022-03-16 2023-04-18 深圳森磊弘泰消防科技有限公司 一种建筑整体消防安全智能系统
CN114792194A (zh) * 2022-03-16 2022-07-26 广东永耀消防机电工程有限公司 一种建筑整体消防安全智能系统
CN114935358A (zh) * 2022-04-12 2022-08-23 合肥工业大学智能制造技术研究院 一种储油场所的自动化火情监测与控制方法
CN114699699B (zh) * 2022-04-12 2022-11-22 合肥工业大学智能制造技术研究院 一种储油场所用火情监测与控制系统
CN114935358B (zh) * 2022-04-12 2023-06-16 合肥工业大学智能制造技术研究院 一种储油场所的自动化火情监测与控制方法
CN114699699A (zh) * 2022-04-12 2022-07-05 合肥工业大学智能制造技术研究院 一种储油场所用火情监测与控制系统
CN115601910A (zh) * 2022-10-12 2023-01-13 浙江中威安全科技有限公司（Cn） 一种应用于电气火灾的早期预警电子鼻系统
CN115601910B (zh) * 2022-10-12 2023-12-12 浙江中威安全科技有限公司 一种应用于电气火灾的早期预警电子鼻系统
CN116597633A (zh) * 2023-05-30 2023-08-15 山东龙盾智能技术有限公司 一种智慧消防管理系统
CN116597633B (zh) * 2023-05-30 2024-05-28 山东龙盾智能技术有限公司 一种智慧消防管理系统
CN116822964A (zh) * 2023-08-25 2023-09-29 石家庄长川电气科技有限公司 一种基于物联网的消防设备管理系统及方法
CN117180677A (zh) * 2023-10-17 2023-12-08 河南大立科技有限责任公司 一种基于物联网大数据的智慧消防管理系统
CN117180677B (zh) * 2023-10-17 2024-06-21 河南大立科技有限责任公司 一种基于物联网大数据的智慧消防管理系统

Similar Documents

Publication Publication Date Title
CN113936239A (zh) 一种基于神经网络算法的智慧消防火情识别方法和系统
CN206058455U (zh) 一种具备三种等级烟雾识别的火灾图像识别系统
CN105976116B (zh) 基于物联网的消防安全动态评价方法及系统
CN112927461B (zh) 一种新能源汽车充电桩预警决策方法及装置
CN207993197U (zh) 一种化工烟火智能视频分析系统
CN112801457B (zh) 一种基于区域火灾风险评估的消防联动方法及系统
CN112885028A (zh) 综合管廊应急联动处置方法
CN116645775A (zh) 一种云平台火灾报警信息响应系统
CN115035674A (zh) 一种智慧楼宇消防智能监测预警管理系统
CN112863105A (zh) 一种基于消防关联性的消防预警系统
CN118155367A (zh) 基于云平台的消防预警系统
CN207895646U (zh) 智能建筑火灾自动报警系统
CN111047815A (zh) 基于自学习模型识别消防探测器误报的方法及系统
CN118097875A (zh) 一种基于互联网的区域消防安全预警系统及方法
CN115394036A (zh) 一种用于建筑火灾的监测和预警方法及系统
KR20220071880A (ko) 지하공동구 맞춤형 디지털트윈 재난 관리 시스템
CN116342999A (zh) 超高压变电站开放空间火灾烟雾检测与识别方法
CN117854221A (zh) 一种邮轮用火灾智能自动报警系统
CN117392591A (zh) 一种现场安防ai检测方法及装置
CN117292311B (zh) 一种基于ai图像识别的消防火灾复燃预测系统
CN111359132B (zh) 一种基于人工智能的智慧消防警报方法及系统
CN114882666B (zh) 一种智能家居火灾预警方法、系统、终端设备及存储介质
CN115376268B (zh) 一种基于图像识别的监控报警消防联动系统
CN104395942A (zh) 传统木结构建筑物灾难情况早期警报系统
CN108961661B (zh) 立体化安防智能报警联动系统

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