CN114169446A - 火焰探测器报警方法、装置及火焰探测器 - Google Patents

火焰探测器报警方法、装置及火焰探测器 Download PDF

Info

Publication number
CN114169446A
CN114169446A CN202111499379.1A CN202111499379A CN114169446A CN 114169446 A CN114169446 A CN 114169446A CN 202111499379 A CN202111499379 A CN 202111499379A CN 114169446 A CN114169446 A CN 114169446A
Authority
CN
China
Prior art keywords
infrared
ultraviolet
flame detector
flame
signal
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
CN202111499379.1A
Other languages
English (en)
Inventor
郭晶
章军
杨伟伟
曹志兵
俞莉佳
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.)
Wuxi Glt Safety Equipment Co ltd
Original Assignee
Wuxi Glt Safety 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 Wuxi Glt Safety Equipment Co ltd filed Critical Wuxi Glt Safety Equipment Co ltd
Priority to CN202111499379.1A priority Critical patent/CN114169446A/zh
Publication of CN114169446A publication Critical patent/CN114169446A/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明涉及火焰探测器技术领域，具体公开了一种火焰探测器报警方法，其中，应用于火焰探测器，所述火焰探测器包括红外传感器和紫外传感器，所述火焰探测器报警方法包括：获取所述红外传感器的红外检测信号以及所述紫外传感器的紫外检测信号；对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，以及对所述紫外检测信号进行频域特征提取得到紫外信号特征；将所述红外信号特征和所述紫外信号特征输入支持向量机模型中识别是否有火焰，并得到火焰探测结果；根据所述火焰探测结果确定是否发出报警信号。本发明还公开了一种火焰探测器报警装置及火焰探测器。本发明提供的火焰探测器报警方法能够有效提升识别效率及提高识别精度。

Description

火焰探测器报警方法、装置及火焰探测器
技术领域
本发明涉及火焰探测器技术领域，尤其涉及一种火焰探测器报警方法、火焰探测器报警装置及火焰探测器。
背景技术
随着科技的进步，安全生活和生产成为重中之重，为此火焰探测器在生活、生产中的应用已经变得普遍。如今随着氢能源的兴起，常规火焰探测器已经不能满足需求。
市面上的很多火焰探测器，采用阈值法判定火焰报警，红紫外传感器结合用与或关系，性能上强于单一传感器，但本质上是简单的线性分类，并不能发挥出红紫外传感器融合的优势，且容易发生误报警，效率低。
因此，如何提供一种识别精度高的火焰探测器报警方法成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种火焰探测器报警方法、火焰探测器报警装置及火焰探测器，解决相关技术中存在的识别精度低的问题。
作为本发明的第一个方面，提供一种火焰探测器报警方法，其中，应用于火焰探测器，所述火焰探测器包括红外传感器和紫外传感器，所述火焰探测器报警方法包括：
获取所述红外传感器的红外检测信号以及所述紫外传感器的紫外检测信号；
对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，以及对所述紫外检测信号进行频域特征提取得到紫外信号特征；
将所述红外信号特征和所述紫外信号特征输入支持向量机模型中识别是否有火焰，并得到火焰探测结果；
根据所述火焰探测结果确定是否发出报警信号。
进一步地，所述对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，包括：
对所述红外检测信号进行离散化处理，得到离散红外信号；
对所述离散红外信号进行FFT变换，得到变换后的红外信号；
对所述变换后的红外信号通过主元分析法进行降维处理，得到红外信号特征。
进一步地，所述对所述紫外检测信号进行频域特征提取得到紫外信号特征，包括：
设定时间窗；
提取时间窗内的脉冲总数、密度和最大值三个特征，作为紫外信号特征。
进一步地，所述支持向量机模型通过模型训练算法获得。
进一步地，所述模型训练算法包括：
获取样本集，其中所述样本集包括火焰样本和干扰样本；
分别提取所述火焰样本中的红外信号特征和紫外信号特征；
将提取到的所述红外信号特征通过主元分析法进行降维处理后与所述紫外信号特征合并，得到红紫外训练特征；
将所述红紫外训练特征和所述干扰样本分别输入至支持向量机模型中进行训练；
对所述训练后的支持向量机模型进行仿真测试。
进一步地，所述提取所述火焰样本中的红外信号特征，包括：
获取火焰样本的红外信号；
对所述红外信号依次进行离散化处理和FFT变换处理，得到红外信号特征。
进一步地，所述提取所述火焰样本中的紫外信号特征，包括：
设定时间窗为n秒，采样数据为[uvi,ir1i,ir2iir3i],1≤i≤n*fs，其中，fs表示采样频率，则[uvi,ir1i,ir2iir3i]分别对应紫外传感器通道脉冲信号数量和三红外传感器通道的信号值；
提取时间窗内的脉冲总数、密度和最大值三个特征，其中，脉冲总数的表达式为
Figure BDA0003400866170000021
密度的表达式为
Figure BDA0003400866170000022
最大值的表达式为featureuv3＝max([uv1,uv2,…,uvn*fs])。
进一步地，所述火焰样本包括通过氢火焰探测器获取到的氢火样本和通过常规火焰探测器获取的火焰样本。
作为本发明的另一个方面，提供一种火焰探测器报警装置，用于实现前文所述的火焰探测器报警方法，其中，应用于火焰探测器，所述火焰探测器包括红外传感器和紫外传感器，所述火焰探测器报警装置包括：
获取模块，用于获取所述红外传感器的红外检测信号以及所述紫外传感器的紫外检测信号；
特征提取模块，用于对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，以及对所述紫外检测信号进行频域特征提取得到紫外信号特征；
识别模块，用于将所述红外信号特征和所述紫外信号特征输入支持向量机模型中识别是否有火焰，并得到火焰探测结果；
输出模块，用于根据所述火焰探测结果确定是否发出报警信号。
作为本发明的另一个方面，提供一种火焰探测器，其中，包括：红外传感器、紫外传感器和控制器，所述控制器包括前文所述的火焰探测器报警装置，所述红外传感器和所述紫外传感器均与所述控制器通信连接。
本发明提供的火焰探测器报警方法，在对特征进行提取时采用降维处理，且通过支持向量机模型进行火焰的识别，能够有效提升识别精度以及提升识别效率，降低误报率。
附图说明
附图是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，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的火焰探测器报警方法的流程图。
图2为本发明提供的火焰探测器的具体结构框图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种火焰探测器报警方法，应用于火焰探测器，所述火焰探测器包括红外传感器和紫外传感器，图1是根据本发明实施例提供的火焰探测器报警方法的流程图，如图1所示，包括：
S110、获取所述红外传感器的红外检测信号以及所述紫外传感器的紫外检测信号；
应当理解的是，本发明实施例所述火焰探测器具体可以为氢火焰探测器，也可以为常规火焰探测器，此处不做限定。
火焰探测器在进行作业探测时，能够接收到的红外传感器的红外检测信号以及紫外传感器的紫外检测信号。
S120、对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，以及对所述紫外检测信号进行频域特征提取得到紫外信号特征；
在本发明实施例中，具体可以包括：
对所述红外检测信号进行离散化处理，得到离散红外信号；
对所述离散红外信号进行FFT变换，得到变换后的红外信号；
对所述变换后的红外信号通过主元分析法进行降维处理，得到红外信号特征。
应当理解的是，当火焰探测器在实现火焰探测时，获取到上述红外检测信号后，需要对红外检测信号进行放大处理，然后通过数字滤波电路对红外检测信号进行离散化滤波处理，得到离散红外信号。对离散红外信号进行FFT变换，然后通过主元分析法(PrincipalComponent Analysis，简称PCA)进行降维去噪处理，获得红外信号特征。
在发明实施例中，通过对红外检测信号进行PCA处理，可以去除噪声并降维，以便提升火焰探测器的探测精度及探测效率。
在本发明实施例中，所述对所述紫外检测信号进行频域特征提取得到紫外信号特征，包括：
设定时间窗；
提取时间窗内的脉冲总数、密度和最大值三个特征，作为紫外信号特征。
S130、将所述红外信号特征和所述紫外信号特征输入支持向量机模型中识别是否有火焰，并得到火焰探测结果；
应当理解的是，在本发明实施例中，通过支持向量机模型进行是否有火焰的识别，所述支持向量机模型是通过模型训练算法获得。
本发明实施例中，在上位机上进行模型训练算法的运行，获取到支持向量机模型，然后烧录至所述火焰探测器内的可编程控制器上。
具体地，所述模型训练算法包括：
获取样本集，其中所述样本集包括火焰样本和干扰样本；
分别提取所述火焰样本中的红外信号特征和紫外信号特征；
将提取到的所述红外信号特征通过主元分析法进行降维处理后与所述紫外信号特征合并，得到红紫外训练特征；
将所述红紫外训练特征和所述干扰样本分别输入至支持向量机模型中进行训练；
对所述训练后的支持向量机模型进行仿真测试。
需要说明的是，本发明实施例所述模型训练算法可以应用在氢火焰探测器中，也可以应用在常规火焰探测器中。火焰探测器的红外3通道选择滤光片包括3.8um(人工热源干扰通道)、5.0um(背景干扰通道)、2.95um(常规火焰选择4.4um)，其中，2.95um为检测H2O红外辐射的氢火焰通道，换成4.4um后为检测CO2红外辐射的常规火焰通道。
需要说明的是，所述火焰样本包括通过氢火焰探测器获取到的氢火样本和通过常规火焰探测器获取的火焰样本。
氢火焰探测器(2.95um滤光片)只需要录制氢火样本，常规焰探测器(4.4um滤光片)需要录制的火焰种类较多，不同样本集包含种类如表1所示。
表1样本集表
Figure BDA0003400866170000041
应当理解的是，每种样本均需要在离火焰探测器不同距离、角度下组合录制，以尽量使样本集完备，提高支持向量机模型的火焰报警精度和抗干扰能力。
每个样本均是通过红外传感器和紫外传感器采集数据后经过火焰探测器的控制器发送至上位机。
上位机内的软件采用Matlab编写UI界面，实时存储和显示当前的紫外检测信号和红外检测信号。
上位机在接收到紫外检测信号和红外检测信号后，要分别对紫外检测信号和红外检测信号进行特征提取。
设算法模型输入的时间窗为n秒，采样数据为[uvi,ir1i,ir2iir3i],1≤i≤n*fs，其中，fs为采样频率，则[uvi,ir1i,ir2iir3i]分别对应紫外传感器通道脉冲信号数量和三红外传感器通道的信号值。
具体地，对紫外检测信号进行特征提取，包括：
紫外主要提取时间窗内脉冲总数、密度、最大值三个特征，如式(1)、(2)、(3)，作为模型输入的紫外特征部分。
Figure BDA0003400866170000051
Figure BDA0003400866170000052
featureuv3＝max([uv1,uv2,…,uvn*fs]) (3)
具体地，对红外检测信号进行特征提取，包括：
在对红外检测信号进行离散化处理后，首先进行FFT变换。
FFT变换过程如式(4)。
Figure BDA0003400866170000053
其中，频域幅值特征中去除直流分量、对称数据，三通道红外总特征数量为
Figure BDA0003400866170000054
记为(|fir1|、|fir2|、……、|firm|)。
对FFT变换后的特征进行PCA降维处理。
具体PCA的处理过程包括：
(1)中心化处理，即X＝X-E(X)；
(2)计算协方差矩阵，即
Figure BDA0003400866170000055
(3)计算协方差矩阵的特征值和特征向量；
(4)根据贡献度要求，选择对应特征向量组成变换矩阵。
应当理解的是，PCA主要作用是去相关和降维，同时有去除部分噪声作用，提高模型精度，PCA变换后保留的主成分数目，根据多次测试平均精度决定。
最后，针对支持向量机(Support Vector Machines，简称SVM)模型进行训练，SVM的核函数选择径向基核函数。将前述提取到的紫外特征和红外特征合并成紫红外特征后训练所述SVM模型，具体训练过程为本领域技术人员所熟知，此处不再赘述。
对训练后的支持向量机模型进行仿真测试，具体包括：
本发明实施例中，三通道红外频域幅值总特征数量为378，经PCA变换后保留99％以上信息降维至30，可见大大降低了模型参数规模。取不同主成分时，多次仿真测试平均精度如表2，在红外取11个主元(主元贡献度为91.37％)时，交叉测试平均精度最高，说明主元变换后贡献度低的维度可能给模型拟合带来负面影响，降低模型泛化能力。
表2不同主成分时模型交叉验证精度
Figure BDA0003400866170000061
选择合适的主元数目后，仿真测试精度如表3，为降低火焰探测器的误报率，加入连续策略，为设定合适连续次数阈值，仿真测试如表4，阈值设定为3次，误报率降为0。
表3测试精度表
火焰报警精度 干扰误报率 总精度
99.3007％ 0.219439％ 99.5777％
表4连续测试结果表
Figure BDA0003400866170000062
在通过仿真测试后，进行实际测试，具体采用长度为1m的标准氢火焰测试，A0表示探测器正对火焰，AL、AR、AU、AD表示探测器左偏、右偏、仰角、俯角，测试火焰探测器响应时间。测试结果如表5所示。
表5实际测试结果
Figure BDA0003400866170000063
干扰源测试，均没有误报，如表6。
表6干扰源测试结果
Figure BDA0003400866170000064
Figure BDA0003400866170000071
应当理解的是，在仿真试验结束后，获取到支持向量机模型，并将该支持向量机模型固化后烧录至所述火焰探测器的控制器内。
S140、根据所述火焰探测结果确定是否发出报警信号。
综上，本发明实施例提供的火焰探测器报警方法，在对特征进行提取时采用降维处理，且通过支持向量机模型进行火焰的识别，能够有效提升识别精度以及提升识别效率，降低误报率。
作为本发明的另一实施例，提供一种火焰探测器报警装置，用于实现前文所述的火焰探测器报警方法，其中，应用于火焰探测器，所述火焰探测器包括红外传感器和紫外传感器，所述火焰探测器报警装置包括：
获取模块，用于获取所述红外传感器的红外检测信号以及所述紫外传感器的紫外检测信号；
特征提取模块，用于对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，以及对所述紫外检测信号进行频域特征提取得到紫外信号特征；
识别模块，用于将所述红外信号特征和所述紫外信号特征输入支持向量机模型中识别是否有火焰，并得到火焰探测结果；
输出模块，用于根据所述火焰探测结果确定是否发出报警信号。
关于本发明实施例提供的火焰探测器报警装置的具体工作原理可以参照前文的火焰探测器报警方法的描述，此处不再赘述。
作为本发明的另一实施例，提供一种火焰探测器，其中，包括：红外传感器、紫外传感器和控制器，所述控制器包括前文所述的火焰探测器报警装置，所述红外传感器和所述紫外传感器均与所述控制器通信连接。
具体地，所述控制器包括单片机。
关于所述火焰探测器的具体结构组成可以如图2所述，该结构组成的具体工作原理可以参照前文的火焰探测器报警方法的描述，此处不再赘述。
本发明实施例提供的火焰探测器，由于采用了前文的火焰探测器报警装置，能够有效提升识别效率和提高火焰探测精度，降低误报率。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种火焰探测器报警方法，其特征在于，应用于火焰探测器，所述火焰探测器包括红外传感器和紫外传感器，所述火焰探测器报警方法包括：
获取所述红外传感器的红外检测信号以及所述紫外传感器的紫外检测信号；
对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，以及对所述紫外检测信号进行频域特征提取得到紫外信号特征；
将所述红外信号特征和所述紫外信号特征输入支持向量机模型中识别是否有火焰，并得到火焰探测结果；
根据所述火焰探测结果确定是否发出报警信号。
2.根据权利要求1所述的火焰探测器报警方法，其特征在于，所述对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，包括：
对所述红外检测信号进行离散化处理，得到离散红外信号；
对所述离散红外信号进行FFT变换，得到变换后的红外信号；
对所述变换后的红外信号通过主元分析法进行降维处理，得到红外信号特征。
3.根据权利要求1所述的火焰探测器报警方法，其特征在于，所述对所述紫外检测信号进行频域特征提取得到紫外信号特征，包括：
设定时间窗；
提取时间窗内的脉冲总数、密度和最大值三个特征，作为紫外信号特征。
4.根据权利要求1至3中任意一项所述的火焰探测器报警方法，其特征在于，所述支持向量机模型通过模型训练算法获得。
5.根据权利要求4所述的火焰探测器报警方法，其特征在于，所述模型训练算法包括：
获取样本集，其中所述样本集包括火焰样本和干扰样本；
分别提取所述火焰样本中的红外信号特征和紫外信号特征；
将提取到的所述红外信号特征通过主元分析法进行降维处理后与所述紫外信号特征合并，得到红紫外训练特征；
将所述红紫外训练特征和所述干扰样本分别输入至支持向量机模型中进行训练；
对所述训练后的支持向量机模型进行仿真测试。
6.根据权利要求5所述的火焰探测器报警方法，其特征在于，所述提取所述火焰样本中的红外信号特征，包括：
获取火焰样本的红外信号；
对所述红外信号依次进行离散化处理和FFT变换处理，得到红外信号特征。
7.根据权利要求5所述的火焰探测器报警方法，其特征在于，所述提取所述火焰样本中的紫外信号特征，包括：
设定时间窗为n秒，采样数据为[uvi，ir1i，ir2iir3i]，1≤i≤n*fs，其中，fs表示采样频率，则[uvi，ir1i，ir2iir3i]分别对应紫外传感器通道脉冲信号数量和三红外传感器通道的信号值；
提取时间窗内的脉冲总数、密度和最大值三个特征，其中，脉冲总数的表达式为
Figure FDA0003400866160000021
密度的表达式为
Figure FDA0003400866160000022
最大值的表达式为featureuv3＝max([uv1，uv2，...，uvn*fs])。
8.根据权利要求5所述的火焰探测器报警方法，其特征在于，所述火焰样本包括通过氢火焰探测器获取到的氢火样本和通过常规火焰探测器获取的火焰样本。
9.一种火焰探测器报警装置，用于实现权利要求1至8中任意一项所述的火焰探测器报警方法，其特征在于，应用于火焰探测器，所述火焰探测器包括红外传感器和紫外传感器，所述火焰探测器报警装置包括：
获取模块，用于获取所述红外传感器的红外检测信号以及所述紫外传感器的紫外检测信号；
特征提取模块，用于对所述红外检测信号基于降维方法进行特征提取得到红外信号特征，以及对所述紫外检测信号进行频域特征提取得到紫外信号特征；
识别模块，用于将所述红外信号特征和所述紫外信号特征输入支持向量机模型中识别是否有火焰，并得到火焰探测结果；
输出模块，用于根据所述火焰探测结果确定是否发出报警信号。
10.一种火焰探测器，其特征在于，包括：红外传感器、紫外传感器和控制器，所述控制器包括权利要求9所述的火焰探测器报警装置，所述红外传感器和所述紫外传感器均与所述控制器通信连接。
CN202111499379.1A 2021-12-09 2021-12-09 火焰探测器报警方法、装置及火焰探测器 Pending CN114169446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111499379.1A CN114169446A (zh) 2021-12-09 2021-12-09 火焰探测器报警方法、装置及火焰探测器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111499379.1A CN114169446A (zh) 2021-12-09 2021-12-09 火焰探测器报警方法、装置及火焰探测器

Publications (1)

Publication Number Publication Date
CN114169446A true CN114169446A (zh) 2022-03-11

Family

ID=80484864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111499379.1A Pending CN114169446A (zh) 2021-12-09 2021-12-09 火焰探测器报警方法、装置及火焰探测器

Country Status (1)

Country Link
CN (1) CN114169446A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294722A (zh) * 2022-08-02 2022-11-04 汉熵通信有限公司 火焰检测装置及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115294722A (zh) * 2022-08-02 2022-11-04 汉熵通信有限公司 火焰检测装置及其方法
CN115294722B (zh) * 2022-08-02 2024-01-26 汉熵通信有限公司 火焰检测装置及其方法

Similar Documents

Publication Publication Date Title
Deng et al. Towards heart sound classification without segmentation via autocorrelation feature and diffusion maps
CN104173064B (zh) 基于心率变异分析的测谎方法及测谎装置
CN105044590A (zh) 一种单测量节点模拟电路故障诊断方法
CN107095669A (zh) 一种癫痫患者脑电信号的处理方法及系统
CN103389323B (zh) 一种快速无损评定名贵药材年限的方法
CN112580749B (zh) 基于机器嗅觉技术的智能火灾探测方法
CN111340132B (zh) 一种基于da-svm的机器嗅觉模式识别方法
CN112699793A (zh) 一种基于随机森林的疲劳驾驶检测优化识别方法
CN110749629A (zh) Mems气体检测系统及方法
CN103892830A (zh) 一种基于人体皮肤电阻变化的情绪检测方法及系统
CN114169446A (zh) 火焰探测器报警方法、装置及火焰探测器
CN106198749A (zh) 一种基于金属裂纹监测的多路传感器的数据融合方法
CN105726013A (zh) 一种具有心电信号质量判别功能的心电监测系统
CN103984964A (zh) 一种试纸条图像识别方法及系统
CN109567832A (zh) 一种基于智能手环的检测愤怒驾驶状态的方法及系统
CN103196954A (zh) 一种基于嗅觉和味觉传感器信息融合的镇江香醋贮藏时间鉴别方法
Zhang et al. Novel covid-19 screening using cough recordings of a mobile patient monitoring system
Heredia et al. Olfactory classification using electronic nose system via artificial neural network
CN106979998B (zh) 苹果新鲜度的仿生嗅觉快速无损检测装置及检测方法
CN115588439B (zh) 一种基于深度学习的声纹采集装置的故障检测方法及装置
CN103077318A (zh) 一种基于稀疏度量的分类方法
CN106770477A (zh) 一种优化传感数据及模式识别对蜜源鉴别及掺假快检方法
CN116610972A (zh) 一种快速射电暴实时探测装置、系统和方法
CN206710409U (zh) 苹果新鲜度的仿生嗅觉快速无损检测装置
CN106388813A (zh) 基于脑电信号的睡眠状态识别模型训练方法和系统

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