CN114255562A - 基于物联网的智慧消防预警系统 - Google Patents

基于物联网的智慧消防预警系统 Download PDF

Info

Publication number
CN114255562A
CN114255562A CN202210094584.8A CN202210094584A CN114255562A CN 114255562 A CN114255562 A CN 114255562A CN 202210094584 A CN202210094584 A CN 202210094584A CN 114255562 A CN114255562 A CN 114255562A
Authority
CN
China
Prior art keywords
fire
early warning
concentration
probability
sensor
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
CN202210094584.8A
Other languages
English (en)
Inventor
刘广智
刘伟
李祖琦
宋洪粮
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 Aoshen Intelligent Engineering Co ltd
Original Assignee
Shandong Aoshen Intelligent Engineering 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 Shandong Aoshen Intelligent Engineering Co ltd filed Critical Shandong Aoshen Intelligent Engineering Co ltd
Priority to CN202210094584.8A priority Critical patent/CN114255562A/zh
Publication of CN114255562A publication Critical patent/CN114255562A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means

Abstract

本发明涉及智慧消防预警的技术领域，公开了一种基于物联网的智慧消防预警系统，包括传感器，无线路由器，火灾识别装置，并公开了一种基于物联网的智慧消防预警方法，所述方法包括：构建火灾判别指标体系，并利用传感器装置采集火灾判别指标数据；对采集到火灾判别指标数据进行预处理，得到火灾判别指标向量；基于概率图模型构建火灾识别预警模型；将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率，若输出概率大于指定概率阈值，则说明有火灾发生。本发明所述方法通过基于物联网设备采集火灾判别指标数据，并构建火灾识别预警模型实现实时地火灾预警。

Description

基于物联网的智慧消防预警系统
技术领域
本发明涉及智慧消防预警的技术领域，尤其涉及一种基于物联网的智慧消防预警系统。
背景技术
现有的火灾检测大多基于阈值判别方法，通过检测烟雾浓度判断是否有火灾发生，该种方法在宾馆等场所可行，但是通常住客会到厕所等公用场所抽烟，一般公共厕所不会安装烟雾报警器，若在公用厕所安装传统的烟雾报警器会误判抽烟为火灾，造成极大的不便，因此需要提供一种能够在厕所等公用场所准确检测火灾发生的装置系统，本专利针对该问题提出一种基于物联网的消防预警系统。
发明内容
本发明提供一种基于物联网的智慧消防预警系统，目的在于(1)基于物联网采集火灾判别指标数据；(2)构建火灾识别预警模型实现实时地火灾预警。
实现上述目的，本发明提供的一种基于物联网的智慧消防预警系统，包括以下步骤：
S1：构建火灾判别指标体系，并利用传感器装置采集火灾判别指标数据；
S2：对采集到火灾判别指标数据进行预处理，得到火灾判别指标向量；
S3：基于概率图模型构建火灾识别预警模型；
S4：将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率，若输出概率大于指定概率阈值，则说明有火灾发生。
作为本发明的进一步改进方法：
所述S1步骤中构建火灾判别指标体系，包括：
所述构建的火灾判别指标体系为：
{T1，T2，T3，T4，T5，T6}
其中：
T1表示温度指标；
T2表示湿度指标；
T3表示火焰照度指标；
T4表示烟雾浓度指标；
T5表示CO浓度指标；
T6表示CO2浓度指标；
在本发明一个具体实施例中，所述火灾判别指标为发生火灾时产生的火灾参量，包括火灾发展过程中生成的热量、光以及烟雾，易燃物燃烧过程中产生的有害气体浓度，通过获取火灾参量的数值数据，对是否发生火灾进行识别检测，若检测到发生火灾，则执行消防预警措施。
所述S1步骤中利用传感器装置采集火灾判别指标数据，包括：
在本发明一个具体实施例中，为采集火灾判别指标数据，本发明在场地的不同区域内安装若干传感器以及无线路由器，所述场地为容易发生火灾的场地，包括施工工地、公用场所等，所安装的传感器种类包括温湿度传感器、烟雾传感器、CO传感器、CO2传感器以及照度检测传感器；
所述温湿度传感器的结构包括监测元件以及单片机，利用温度监测元件以及电阻式湿度监测元件对场地的温湿度信息进行监测，并将监测到的温湿度数字信号以40Bit/ms的速度发送到单片机，单片机将接收到的环境数字信号转换为模拟信号；在本发明一个具体实施例中，所述温湿度传感器的供电电压为3.5V，湿度的采集范围为80％，温度的采集精度为±2摄氏度；
所述烟雾传感器的构成材料为二氧化锡气敏材料，当所述烟雾传感器接触到烟雾时，则会引起导电性的改变，其中烟雾浓度越大，导电性越大；
所述CO传感器的构成材料为二氧化锡，CO传感器执行高低温循环加热操作，首先在1.5V电压下进行低温加热，此时气敏材料的导电性随着CO浓度值的上升而上升，在低温加热t1时间后，在5V电压下进行高温加热，消除气敏材料吸附的杂质，此时的气敏材料导电性对应环境中CO浓度值；
所述CO2传感器的构成材料为二氧化锡，CO2传感器执行高低温循环加热操作，首先在1V电压下进行低温加热，此时气敏材料的导电性随着CO2浓度值的上升而上升，在低温加热t1时间后，在3v电压下进行高温加热，消除气敏材料吸附的杂质，此时的气敏材料导电性对应环境中CO2浓度值；
所述照度检测传感器的结构包括摄像头以及内置算法芯片，所述摄像头实时拍摄场地图像，将拍摄的图像传输到内置算法芯片中，内置算法芯片提取图像的亮度值作为场地环境的环境照度值，所述图像亮度值IV的提取公式为：
IV＝max{IR，IG，IB}
其中：
IR表示拍摄图像I在R颜色通道上的平均像素颜色值；
IG表示拍摄图像I在G颜色通道上的平均像素颜色值；
IB表示拍摄图像I在B颜色通道上的平均像素颜色值；
利用传感器装置采集火灾判别指标数据，在本发明一个具体实施例中，火灾判别指标数据的采集间隔为5分钟，即传感器装置每隔5分钟采集一次火灾判别指标数据，并基于无线路由器将采集数据上传到火灾识别装置，所采集的数据为：
X＝{x1，x2，x3，x4，x5，x6}
其中：
x1表示温湿度传感器监测到的环境温度模拟信号；
x2表示温湿度传感器监测到的环境湿度模拟信号；
x3表示烟雾传感器在环境烟雾浓度下气敏材料的导电性；
x4表示CO传感器在环境CO浓度下气敏材料的导电性；
x5表示CO2传感器在环境CO2浓度下气敏材料的导电性；
x6表示照度检测传感器检测到的环境照度值。
所述S2步骤中对采集到火灾判别指标数据进行预处理，包括：
火灾识别装置接收采集数据，并对采集到的火灾判别指标数据进行特征提取的预处理，得到火灾判别指标向量，所述预处理的流程为：
1)计算相邻区域内传感器采集数据的差值：
Figure BDA0003490317440000021
其中：
Figure BDA0003490317440000022
表示在区域area1的环境温度模拟信号，
Figure BDA0003490317440000023
表示在区域area2的环境温度模拟信号，其中area1以及area2为相邻区域；
Figure BDA0003490317440000024
表示在区域area1的环境湿度模拟信号，
Figure BDA0003490317440000025
表示在区域area2的环境湿度模拟信号；
Figure BDA0003490317440000026
表示在区域area1的环境照度值，
Figure BDA0003490317440000027
表示在区域area2的环境照度值；
diff1，2表示区域area1以及区域area2的采集数据差值；
2)计算区域内的热量特征值：
Figure BDA0003490317440000028
其中：
F1为区域area1或区域area2的热量特征值；
Figure BDA0003490317440000031
表示设置的热量阈值，将其设置为4.2；
3)计算得到区域内的烟雾特征、CO浓度特征以及CO2浓度特征：
F2＝dec_to_bin(x3)
F3＝dec_to_bin(x4)
F4＝dec_to_bin(x5)
其中：
x3表示烟雾传感器在环境烟雾浓度下气敏材料的导电性；
x4表示CO传感器在环境CO浓度下气敏材料的导电性；
x5表示CO2传感器在环境CO2浓度下气敏材料的导电性；
F2表示区域内的烟雾特征；
F3表示区域内的CO浓度特征；
F4表示区域内的CO2浓度特征；
dec_to_bin(·)表示将十进制的导电性转换为二进制的数字信号的公式，在本发明一个具体实施例中，所转换为二进制数字信号位数为8位；
4)所得到的火灾判别指标向量F为：
F＝{F1，F2，F3，F4}
其中：
F1表示区域内的热量特征值；
F2表示区域内的烟雾特征；
F3表示区域内的CO浓度特征；
F4表示区域内的CO2浓度特征。
所述S3步骤中构建火灾识别预警模型，包括：
在火灾识别装置内基于概率图模型构建火灾识别模型，所构建的火灾识别模型为：
将热量特征值、CO浓度特征、烟雾特征以及CO2浓度特征作为火灾识别模型的原因节点，将火灾识别结果概率作为火灾识别模型的结果节点P(F)，所构建的火灾识别模型为H＝{D，V，P}，其中D表示模型中的节点，V表示各原因节点间的依赖关系集合，P＝{P(Di|D1，D2，D3，D4)，i＝1，2，3，4}，D1，D2，D3，D4表示火灾识别模型中的四个原因节点，在本发明一个具体实施例中，本发明通过将所获取的火灾判别指标向量输入到火灾识别模型中，将火灾判别指标向量中的特征输入到原因节点，基于原因节点与结果节点的概率分布P(G)，输出当前输入的火灾判别指标向量发生火灾的概率值P(F|G′)；
搜集真实火灾数据，所搜集的真实火灾数据为{(F1，G1)，(F2，G2)，...，(Fn，Gn)}，其中Fn表示搜集的第n组火灾判别指标向量，(Fj，Gj)表示第j组真实火灾样本数据，Gn表示第n组火灾判别指标向量对应的火灾发生情况，G＝{0，1}，G＝0表示没有发生火灾，G＝1表示发生火灾；并构成火灾判别指标向量集合C＝{F1，F2，...，Fn}；
计算真实火灾数据中不同特征发生火灾的概率
Figure BDA0003490317440000032
其中i＝1，2，3，4，其中
Figure BDA0003490317440000033
表示发生火灾时，同时发生特征
Figure BDA0003490317440000034
的概率，
Figure BDA0003490317440000035
表示第j组真实火灾数据的第i个特征，则不同特征发生火灾的先验概率分布为P(Fi|G)；
计算火灾发生的先验概率分布P(G)，所述火灾发生的先验概率为搜集的真实火灾数据中火灾发生的概率分布，即火灾发生情况G的概率分布为P(G)，G表示火灾识别模型的参数；
火灾识别模型的参数估计结果G′为：
G′＝argmaxGP(C|G)P(G)
其中：
C表示真实火灾数据中的火灾判别指标向量集合；
所构建的火灾识别模型为：
Figure BDA0003490317440000041
其中：
F为输入模型火灾判别指标向量，F＝{F1，F2，F3，F4}，Fi表示火灾判别向量中的第i个特征；
P(G′)表示参数估计结果G′的概率分布；
P(F|G′)为当前输入的火灾判别指标向量F发生火灾的概率值；
P(Gj)表示第j组真实火灾样本数据中发生火灾的概率，P(Gj)＝{0，1}，其中0表示没有发生火灾，1表示发生火灾；
Figure BDA00034903174400000411
表示第j组真实火灾样本数据的第i个特征。
所述S4步骤中将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率，包括：
将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率P(F|G′)。
所述S4步骤中若模型输出的概率值大于指定概率阈值，则说明有火灾发生，包括：
若模型输出的概率值P(F|G′)大于指定概率阈值δ，则说明有火灾发生，并执行消防预警措施，即自动拨打火警电话，告知发生火灾的地点位置。
相对于现有技术，本发明提出一种基于物联网的智慧消防预警系统，该技术具有以下优势：
首先，本方案提出一种火灾判别指标体系，所述构建的火灾判别指标体系为：
{T1，T2，T3，T4，T5，T6}
其中：T1表示温度指标；T2表示湿度指标；T3表示火焰照度指标；T4表示烟雾浓度指标；T5表示CO浓度指标；T6表示CO2浓度指标；所述火灾判别指标为发生火灾时产生的火灾参量，包括火灾发展过程中生成的热量、光以及烟雾，易燃物燃烧过程中产生的有害气体浓度，通过获取火灾参量的数值数据，对是否发生火灾进行识别检测，若检测到发生火灾，则执行消防预警措施。通过在进行火灾监测的场地内布置若干传感器以及用于通信的无线路由器，采集到不同火灾判别指标下的火灾判别指标数据，并对采集到的火灾判别指标数据进行特征提取的预处理，得到火灾判别指标向量，从而利用包含火灾判别指标特征的火灾判别指标向量进行火灾预测，所述预处理的流程为：计算相邻区域内传感器采集数据的差值：
Figure BDA0003490317440000042
其中：
Figure BDA0003490317440000043
表示在区域area1的环境温度模拟信号，
Figure BDA0003490317440000044
表示在区域area2的环境温度模拟信号，其中area1以及area2为相邻区域；
Figure BDA0003490317440000045
表示在区域area1的环境湿度模拟信号，
Figure BDA0003490317440000046
表示在区域area2的环境湿度模拟信号；
Figure BDA0003490317440000047
表示在区域area1的环境照度值，
Figure BDA0003490317440000048
表示在区域area2的环境照度值；diff1，2表示区域area1以及区域area2的采集数据差值；并计算区域内的热量特征值：
Figure BDA0003490317440000049
其中：F1为区域area1或区域area2的热量特征值；
Figure BDA00034903174400000410
表示设置的热量阈值，将其设置为4.2；计算得到区域内的烟雾特征、CO浓度特征以及CO2浓度特征：
F2＝dec_to_bin(x3)
F3＝dec_to_bin(x4)
F4＝dec_to_bin(x5)
其中：F2表示区域内的烟雾特征；F3表示区域内的CO浓度特征；F4表示区域内的CO2浓度特征；dec_to_bin(·)表示将十进制的导电性转换为二进制的数字信号的公式；所得到的火灾判别指标向量F为：
F＝{F1，F2，F3，F4}
其中：F1表示区域内的热量特征值；F2表示区域内的烟雾特征；F3表示区域内的CO浓度特征；F4表示区域内的CO2浓度特征。相较于传统方案，本方案构建了不局限于烟雾浓度的火灾判别指标体系，能够从多种指标角度进行火灾识别。
同时，本方案提出一种基于概率图模型的火灾识别模型构建方法，通过搜集真实火灾数据计算不同特征下火灾发生的先验概率，从而基于先验概率构建概率图模型，对于所构建的基于概率图模型的火灾识别模型，通过将热量特征值、CO浓度特征、烟雾特征以及CO2浓度特征作为火灾识别模型的原因节点，将火灾识别结果概率作为火灾识别模型的结果节点P(F)，所构建的火灾识别模型为H＝{D，V，P}，其中D表示模型中的节点，V表示各原因节点间的依赖关系集合，P＝{P(Di|D1，D2，D3，D4)，i＝1，2，3，4}，D1，D2，D3，D4表示火灾识别模型中的四个原因节点；并搜集真实火灾数据，所搜集的真实火灾数据为{(F1，G1)，(F2，G2)，...，(Fn，Gn)}，其中Fn表示搜集的第n组火灾判别指标向量，(Fj，Gj)表示第j组真实火灾样本数据，Gn表示第n组火灾判别指标向量对应的火灾发生情况，G＝{0，1}，G＝0表示没有发生火灾，G＝1表示发生火灾；并构成集合C＝{F1，F2，...，Fn}；计算真实火灾数据中不同特征发生火灾的概率
Figure BDA0003490317440000051
其中i＝1，2，3，4，其中
Figure BDA0003490317440000052
表示发生火灾时，同时发生特征
Figure BDA0003490317440000053
的概率，
Figure BDA0003490317440000054
表示第j组真实火灾数据的第i个特征，则不同特征发生火灾的先验概率分布为P(Fi|G)；计算火灾发生的先验概率分布P(G)，所述火灾发生的先验概率为搜集的真实火灾数据中火灾发生的概率分布，即火灾发生情况G的概率分布为P(G)，G表示火灾识别模型的参数；同时火灾识别模型的参数估计结果G′为：
G′＝argmaxGP(C|G)P(G)
其中：C表示真实火灾数据中的火灾判别指标向量集合；最终所构建的火灾识别模型为：
Figure BDA0003490317440000055
其中：F为输入模型火灾判别指标向量，F＝{T1，F2，F3，F4}，Fi表示火灾判别向量中的第i个特征；P(G′)表示参数估计结果G′的概率分布；P(F|G′)为当前输入的火灾判别指标向量F发生火灾的概率值；P(Gj)表示第j组真实火灾样本数据中发生火灾的概率，P(Gj)＝{0，1}，其中0表示没有发生火灾，1表示发生火灾；
Figure BDA0003490317440000056
表示第j组真实火灾样本数据的第i个特征。将火灾判别指标向量F输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率P(F|G′)；若模型输出的概率值P(F|G′)大于指定概率阈值δ，则说明有火灾发生，并执行消防预警措施，即自动拨打火警电话，告知发生火灾的地点位置，相较于传统方案，本方案所述模型的输出结果融合了多种传感器的感知信息以及先验概率，提高了输出结果的准确性，能够实现更为精准的火灾发生概率预测，且本方案模型无需训练，节约了大量计算资源。
附图说明
图1为本发明一实施例提供的一种基于物联网的智慧消防预警方法的流程示意图；
图2为本发明一实施例提供的一种基于物联网的智慧消防预警系统的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
S1：构建火灾判别指标体系，并利用传感器装置采集火灾判别指标数据。
所述S1步骤中构建火灾判别指标体系，包括：
所述构建的火灾判别指标体系为：
{T1，T2，T3，T4，T5，T6}
其中：
T1表示温度指标；
T2表示湿度指标；
T3表示火焰照度指标；
T4表示烟雾浓度指标；
T5表示CO浓度指标；
T6表示CO2浓度指标；
在本发明一个具体实施例中，所述火灾判别指标为发生火灾时产生的火灾参量，包括火灾发展过程中生成的热量、光以及烟雾，易燃物燃烧过程中产生的有害气体浓度，通过获取火灾参量的数值数据，对是否发生火灾进行识别检测，若检测到发生火灾，则执行消防预警措施。
所述S1步骤中利用传感器装置采集火灾判别指标数据，包括：
在本发明一个具体实施例中，为采集火灾判别指标数据，本发明在场地的不同区域内安装若干传感器以及无线路由器，所述场地为容易发生火灾的场地，包括施工工地、公用场所等，所安装的传感器种类包括温湿度传感器、烟雾传感器、CO传感器、CO2传感器以及照度检测传感器；
所述温湿度传感器的结构包括监测元件以及单片机，利用温度监测元件以及电阻式湿度监测元件对场地的温湿度信息进行监测，并将监测到的温湿度数字信号以40Bit/ms的速度发送到单片机，单片机将接收到的环境数字信号转换为模拟信号；在本发明一个具体实施例中，所述温湿度传感器的供电电压为3.5V，湿度的采集范围为80％，温度的采集精度为±2摄氏度；
所述烟雾传感器的构成材料为二氧化锡气敏材料，当所述烟雾传感器接触到烟雾时，则会引起导电性的改变，其中烟雾浓度越大，导电性越大；
所述CO传感器的构成材料为二氧化锡，CO传感器执行高低温循环加热操作，首先在1.5V电压下进行低温加热，此时气敏材料的导电性随着CO浓度值的上升而上升，在低温加热t1时间后，在5V电压下进行高温加热，消除气敏材料吸附的杂质，此时的气敏材料导电性对应环境中CO浓度值；
所述CO2传感器的构成材料为二氧化锡，CO2传感器执行高低温循环加热操作，首先在1V电压下进行低温加热，此时气敏材料的导电性随着CO2浓度值的上升而上升，在低温加热t1时间后，在3V电压下进行高温加热，消除气敏材料吸附的杂质，此时的气敏材料导电性对应环境中CO2浓度值；
所述照度检测传感器的结构包括摄像头以及内置算法芯片，所述摄像头实时拍摄场地图像，将拍摄的图像传输到内置算法芯片中，内置算法芯片提取图像的亮度值作为场地环境的环境照度值，所述图像亮度值IV的提取公式为：
IV＝max{IR，IG，IB}
其中：
IR表示拍摄图像I在R颜色通道上的平均像素颜色值；
IG表示拍摄图像I在G颜色通道上的平均像素颜色值；
IB表示拍摄图像I在B颜色通道上的平均像素颜色值；
利用传感器装置采集火灾判别指标数据，在本发明一个具体实施例中，火灾判别指标数据的采集间隔为5分钟，即传感器装置每隔5分钟采集一次火灾判别指标数据，并基于无线路由器将采集数据上传到火灾识别装置，所采集的数据为：
X＝{x1，x2，x3，x4，x5，x6}
其中：
x1表示温湿度传感器监测到的环境温度模拟信号；
x2表示温湿度传感器监测到的环境湿度模拟信号；
x3表示烟雾传感器在环境烟雾浓度下气敏材料的导电性；
x4表示CO传感器在环境CO浓度下气敏材料的导电性；
x5表示CO2传感器在环境CO2浓度下气敏材料的导电性；
x6表示照度检测传感器检测到的环境照度值。
S2：对采集到火灾判别指标数据进行预处理，得到火灾判别指标向量。
所述S2步骤中对采集到火灾判别指标数据进行预处理，包括：
火灾识别装置接收采集数据，并对采集到的火灾判别指标数据进行特征提取的预处理，得到火灾判别指标向量，所述预处理的流程为：
1)计算相邻区域内传感器采集数据的差值：
Figure BDA0003490317440000071
其中：
Figure BDA0003490317440000072
表示在区域area1的环境温度模拟信号，
Figure BDA0003490317440000073
表示在区域area2的环境温度模拟信号，其中area1以及area2为相邻区域；
Figure BDA0003490317440000074
表示在区域area1的环境湿度模拟信号，
Figure BDA0003490317440000075
表示在区域area2的环境湿度模拟信号；
Figure BDA0003490317440000076
表示在区域area1的环境照度值，
Figure BDA0003490317440000077
表示在区域area2的环境照度值；
diff1，2表示区域area1以及区域area2的采集数据差值；
2)计算区域内的热量特征值：
Figure BDA0003490317440000078
其中：
F1为区域area1或区域area2的热量特征值；
Figure BDA0003490317440000079
表示设置的热量阈值，将其设置为4.2；
3)计算得到区域内的烟雾特征、CO浓度特征以及CO2浓度特征：
F2＝dec_to_bin(x3)
F3＝dec_to_bin(x4)
F4＝dec_to_bin(x5)
其中：
x3表示烟雾传感器在环境烟雾浓度下气敏材料的导电性；
x4表示CO传感器在环境CO浓度下气敏材料的导电性；
x5表示CO2传感器在环境CO2浓度下气敏材料的导电性；
F2表示区域内的烟雾特征；
F3表示区域内的CO浓度特征；
F4表示区域内的CO2浓度特征；
dec_to_bin(·)表示将十进制的导电性转换为二进制的数字信号的公式，在本发明一个具体实施例中，所转换为二进制数字信号位数为8位；
4)所得到的火灾判别指标向量F为：
F＝{F1，F2，F3，F4}
其中：
F1表示区域内的热量特征值；
F2表示区域内的烟雾特征；
F3表示区域内的CO浓度特征；
F4表示区域内的CO2浓度特征。
S3：基于概率图模型构建火灾识别预警模型。
在火灾识别装置内基于概率图模型构建火灾识别模型，所构建的火灾识别模型为：
将热量特征值、CO浓度特征、烟雾特征以及CO2浓度特征作为火灾识别模型的原因节点，将火灾识别结果概率作为火灾识别模型的结果节点P(F)，所构建的火灾识别模型为H＝{D，V，P}，其中D表示模型中的节点，V表示各原因节点间的依赖关系集合，P＝{P(Di|D1，D2，D3，D4)，i＝1，2，3，4}，D1，D2，D3，D4表示火灾识别模型中的四个原因节点，在本发明一个具体实施例中，本发明通过将所获取的火灾判别指标向量输入到火灾识别模型中，将火灾判别指标向量中的特征输入到原因节点，基于原因节点与结果节点的概率分布P(G)，输出当前输入的火灾判别指标向量发生火灾的概率值P(F|G′)；
搜集真实火灾数据，所搜集的真实火灾数据为{(F1，G1)，(F2，G2)，...，(Fn，Gn)}，其中Fn表示搜集的第n组火灾判别指标向量，(Fj，Gj)表示第j组真实火灾样本数据，Gn表示第n组火灾判别指标向量对应的火灾发生情况，G＝{0，1}，G＝0表示没有发生火灾，G＝1表示发生火灾；并构成火灾判别指标向量集合C＝{F1，F2，...，Fn}；
计算真实火灾数据中不同特征发生火灾的概率
Figure BDA0003490317440000081
其中i＝1，2，3，4，其中
Figure BDA0003490317440000082
表示发生火灾时，同时发生特征
Figure BDA0003490317440000083
的概率，
Figure BDA0003490317440000084
表示第j组真实火灾样本数据的第i个特征，则不同特征发生火灾的先验概率分布为P(Fi|G)；
计算火灾发生的先验概率分布P(G)，所述火灾发生的先验概率为搜集的真实火灾数据中火灾发生的概率分布，即火灾发生情况G的概率分布为P(G)，G表示火灾识别模型的参数；
火灾识别模型的参数估计结果G′为：
G′＝argmaxGP(C|G)P(G)
其中：
C表示真实火灾数据中的火灾判别指标向量集合；
所构建的火灾识别模型为：
Figure BDA0003490317440000085
其中：
F为输入模型火灾判别指标向量，F＝{F1，F2，F3，F4}，Fi表示火灾判别向量中的第i个特征；
P(G′)表示参数估计结果G′的概率分布；
P(F|G′)为当前输入的火灾判别指标向量F发生火灾的概率值；
P(Gj)表示第j组真实火灾样本数据中发生火灾的概率，P(Gj)＝{0，1}，其中0表示没有发生火灾，1表示发生火灾；
Figure BDA0003490317440000086
表示第j组真实火灾样本数据的第i个特征。
所述S4步骤中将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率，包括：
将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率P(F|G′)。
所述S4步骤中若模型输出的概率值大于指定概率阈值，则说明有火灾发生，包括：
若模型输出的概率值P(F|G′)大于指定概率阈值δ，则说明有火灾发生，并执行消防预警措施，即自动拨打火警电话，告知发生火灾的地点位置。
发明还提供一种基于物联网的智慧消防预警系统。参照图2所示，为本发明一实施例提供的基于物联网的智慧消防预警系统1的内部结构示意图。
在本实施例中，所述基于物联网的智慧消防预警系统1至少包括传感器装置11、数据处理器12、火灾识别装置13，无线路由器14。
其中，传感器装置11包含温湿度传感器、烟雾传感器、CO传感器、CO2传感器以及照度检测传感器；
数据处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是基于物联网的智慧消防预警系统1的内部存储单元，例如该基于物联网的智慧消防预警系统1的硬盘。数据处理器12在另一些实施例中也可以是基于物联网的智慧消防预警系统1的外部存储设备，例如基于物联网的智慧消防预警系统1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，数据处理器12还可以既包括基于物联网的智慧消防预警系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于基于物联网的智慧消防预警系统1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据；在本实施例中，用于存储传感器装置采集的火灾判别指标数据；
火灾识别装置13在一些实施例中可以是一中央处理器(Central ProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于处理数据处理器12中存储的数据；
无线路由器14用于实现这些组件之间的连接通信。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于物联网的智慧消防预警系统，包括传感器，无线路由器，火灾识别装置，并公开了一种基于物联网的智慧消防预警方法，其特征在于，所述方法包括：
S1：构建火灾判别指标体系，并利用传感器装置采集火灾判别指标数据；
S2：对采集到火灾判别指标数据进行预处理，得到火灾判别指标向量；
S3：基于概率图模型构建火灾识别预警模型；
S4：将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率，若输出概率大于指定概率阈值，则说明有火灾发生。
2.如权利要求1所述的一种基于物联网的智慧消防预警系统，其特征在于，所述S1步骤中构建火灾判别指标体系，包括：
所述构建的火灾判别指标体系为：
{T1,T2,T3,T4,T5,T6}
其中：
T1表示温度指标；
T2表示湿度指标；
T3表示火焰照度指标；
T4表示烟雾浓度指标；
T5表示CO浓度指标；
T6表示CO2浓度指标。
3.如权利要求2所述的一种基于物联网的智慧消防预警系统，其特征在于，所述S1步骤中利用传感器装置采集火灾判别指标数据，包括：
所述温湿度传感器的结构包括监测元件以及单片机，利用温度监测元件以及电阻式湿度监测元件对场地的温湿度信息进行监测，并将监测到的温湿度数字信号以40Bit/ms的速度发送到单片机，单片机将接收到的环境数字信号转换为模拟信号；
所述烟雾传感器的构成材料为二氧化锡气敏材料，当所述烟雾传感器接触到烟雾时，则会引起导电性的改变，其中烟雾浓度越大，导电性越大；
所述CO传感器的构成材料为二氧化锡，CO传感器执行高低温循环加热操作，首先在1.5V电压下进行低温加热，此时气敏材料的导电性随着CO浓度值的上升而上升，在低温加热t1时间后，在5V电压下进行高温加热，消除气敏材料吸附的杂质，此时的气敏材料导电性对应环境中CO浓度值；
所述CO2传感器的构成材料为二氧化锡，CO2传感器执行高低温循环加热操作，首先在1V电压下进行低温加热，此时气敏材料的导电性随着CO2浓度值的上升而上升，在低温加热t1时间后，在3V电压下进行高温加热，消除气敏材料吸附的杂质，此时的气敏材料导电性对应环境中CO2浓度值；
所述照度检测传感器的结构包括摄像头以及内置算法芯片，所述摄像头实时拍摄场地图像，将拍摄的图像传输到内置算法芯片中，内置算法芯片提取图像的亮度值作为场地环境的环境照度值，所述图像亮度值IV的提取公式为：
IV＝max{IR,IG,IB}
其中：
IR表示拍摄图像I在R颜色通道上的平均像素颜色值；
IG表示拍摄图像I在G颜色通道上的平均像素颜色值；
IB表示拍摄图像I在B颜色通道上的平均像素颜色值；
利用传感器装置采集火灾判别指标数据，所采集的数据为：
X＝{x1,x2,x3,x4,x5,x6}
其中：
x1表示温湿度传感器监测到的环境温度模拟信号；
x2表示温湿度传感器监测到的环境湿度模拟信号；
x3表示烟雾传感器在环境烟雾浓度下气敏材料的导电性；
x4表示CO传感器在环境CO浓度下气敏材料的导电性；
x5表示CO2传感器在环境CO2浓度下气敏材料的导电性；
x6表示照度检测传感器检测到的环境照度值。
4.如权利要求1所述的一种基于物联网的智慧消防预警系统，其特征在于，所述S2步骤中对采集到火灾判别指标数据进行预处理，包括：
火灾识别装置接收采集数据，并对采集到的火灾判别指标数据进行特征提取的预处理，得到火灾判别指标向量，所述预处理的流程为：
1)计算相邻区域内传感器采集数据的差值：
Figure FDA0003490317430000021
其中：
Figure FDA0003490317430000022
表示在区域area1的环境温度模拟信号，
Figure FDA0003490317430000023
表示在区域area2的环境温度模拟信号，其中area1以及area2为相邻区域；
Figure FDA0003490317430000024
表示在区域area1的环境湿度模拟信号，
Figure FDA0003490317430000025
表示在区域area2的环境湿度模拟信号；
Figure FDA0003490317430000026
表示在区域area1的环境照度值，
Figure FDA0003490317430000027
表示在区域area2的环境照度值；
diff1,2表示区域area1以及区域area2的采集数据差值；
2)计算区域内的热量特征值：
Figure FDA0003490317430000028
其中：
F1为区域area1或区域area2的热量特征值；
Figure FDA0003490317430000029
表示设置的热量阈值，将其设置为4.2；
3)计算得到区域内的烟雾特征、CO浓度特征以及CO2浓度特征：
F2＝dec_to_bin(x3)
F3＝dec_to_bin(x4)
F4＝dec_to_bin(x5)
其中：
x3表示烟雾传感器在环境烟雾浓度下气敏材料的导电性；
x4表示CO传感器在环境CO浓度下气敏材料的导电性；
x5表示CO2传感器在环境CO2浓度下气敏材料的导电性；
F2表示区域内的烟雾特征；
F3表示区域内的CO浓度特征；
F4表示区域内的CO2浓度特征；
dec_to_bin(·)表示将十进制的导电性转换为二进制的数字信号的公式；
4)所得到的火灾判别指标向量F为：
F＝{F1,F2,F3,F4}
其中：
F1表示区域内的热量特征值；
F2表示区域内的烟雾特征；
F3表示区域内的CO浓度特征；
F4表示区域内的CO2浓度特征。
5.如权利要求1所述的一种基于物联网的智慧消防预警系统，其特征在于，所述S3步骤中构建火灾识别预警模型，包括：
在火灾识别装置内基于概率图模型构建火灾识别模型，所构建的火灾识别模型为：
将热量特征值、CO浓度特征、烟雾特征以及CO2浓度特征作为火灾识别模型的原因节点，将火灾识别结果概率作为火灾识别模型的结果节点P(F)，所构建的火灾识别模型为H＝{D,V,P}，其中D表示模型中的节点，V表示各原因节点间的依赖关系集合，P＝{P(Di|D1,D2,D3,D4),i＝1,2,3,4}，D1,D2,D3,D4表示火灾识别模型中的四个原因节点；
搜集真实火灾数据，所搜集的真实火灾数据为{(F1,G1),(F2,G2),…,(Fn,Gn)}，其中Fn表示搜集的第n组火灾判别指标向量，(Fj,Gj)表示第j组真实火灾样本数据，Gn表示第n组火灾判别指标向量对应的火灾发生情况，G＝{0,1}，G＝0表示没有发生火灾，G＝1表示发生火灾；并构成火灾判别指标向量集合C＝{F1,F2,…,Fn}；
计算真实火灾数据中不同特征发生火灾的概率
Figure FDA0003490317430000031
其中i＝1,2,3,4，其中
Figure FDA0003490317430000032
表示发生火灾时，同时发生特征
Figure FDA0003490317430000033
的概率，
Figure FDA0003490317430000034
表示第j组真实火灾数据的第i个特征，则不同特征发生火灾的先验概率分布为P(Fi|G)；
计算火灾发生的先验概率分布P(G)，所述火灾发生的先验概率为搜集的真实火灾数据中火灾发生的概率分布，即火灾发生情况G的概率分布为P(G)，G表示火灾识别模型的参数；
火灾识别模型的参数估计结果G′为：
G′＝argmaxGP(C|G)P(G)
其中：
C表示真实火灾数据中的火灾判别指标向量集合；
所构建的火灾识别模型为：
Figure FDA0003490317430000035
其中：
F为输入模型火灾判别指标向量，F＝{F1,F2,F3,F4}，Fi表示火灾判别向量中的第i个特征；
P(G′)表示参数估计结果G′的概率分布；
P(F|G′)为当前输入的火灾判别指标向量F发生火灾的概率值；
P(Gj)表示第j组真实火灾样本数据中发生火灾的概率，P(Gj)＝{0,1}，其中0表示没有发生火灾，1表示发生火灾；
Figure FDA0003490317430000036
表示第j组真实火灾样本数据的第i个特征。
6.如权利要求5所述的一种基于物联网的智慧消防预警系统，其特征在于，所述S4步骤中将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率，包括：
将火灾判别指标向量输入到火灾识别预警模型中，火灾识别预警模型输出发生火灾的概率P(F|G′)。
7.如权利要求6所述的一种基于物联网的智慧消防预警系统，其特征在于，所述S4步骤中若模型输出的概率值大于指定概率阈值，则说明有火灾发生，包括：
若模型输出的概率值P(F|G′)大于指定概率阈值δ，则说明有火灾发生，并执行消防预警措施，即自动拨打火警电话，告知发生火灾的地点位置。
CN202210094584.8A 2022-01-26 2022-01-26 基于物联网的智慧消防预警系统 Pending CN114255562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210094584.8A CN114255562A (zh) 2022-01-26 2022-01-26 基于物联网的智慧消防预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210094584.8A CN114255562A (zh) 2022-01-26 2022-01-26 基于物联网的智慧消防预警系统

Publications (1)

Publication Number Publication Date
CN114255562A true CN114255562A (zh) 2022-03-29

Family

ID=80799835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210094584.8A Pending CN114255562A (zh) 2022-01-26 2022-01-26 基于物联网的智慧消防预警系统

Country Status (1)

Country Link
CN (1) CN114255562A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934555A (zh) * 2023-09-04 2023-10-24 福建恒智信息技术有限公司 一种基于物联网的安消一体化的管理方法及装置
CN117058855A (zh) * 2023-08-24 2023-11-14 中通服网盈科技有限公司 一种物联网云边通信方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060006997A1 (en) * 2000-06-16 2006-01-12 U.S. Government In The Name Of The Secretary Of Navy Probabilistic neural network for multi-criteria fire detector
CN208706013U (zh) * 2018-06-28 2019-04-05 山东奥深智能工程有限公司 用于火灾报警的远距离传输装置
CN110987062A (zh) * 2019-11-13 2020-04-10 中国电力科学研究院有限公司 一种基于数据融合的智能计量箱预警方法及系统
CN113435848A (zh) * 2021-06-30 2021-09-24 山东强力消防工程有限公司 基于大数据模拟的火灾预警系统及方法
CN113936239A (zh) * 2021-10-19 2022-01-14 山东华尔泰建筑工程有限公司 一种基于神经网络算法的智慧消防火情识别方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060006997A1 (en) * 2000-06-16 2006-01-12 U.S. Government In The Name Of The Secretary Of Navy Probabilistic neural network for multi-criteria fire detector
CN208706013U (zh) * 2018-06-28 2019-04-05 山东奥深智能工程有限公司 用于火灾报警的远距离传输装置
CN110987062A (zh) * 2019-11-13 2020-04-10 中国电力科学研究院有限公司 一种基于数据融合的智能计量箱预警方法及系统
CN113435848A (zh) * 2021-06-30 2021-09-24 山东强力消防工程有限公司 基于大数据模拟的火灾预警系统及方法
CN113936239A (zh) * 2021-10-19 2022-01-14 山东华尔泰建筑工程有限公司 一种基于神经网络算法的智慧消防火情识别方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李涛等: "基于多传感器信息融合的自然灾害预警模型研究", 《电子科技大学学报(社科版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058855A (zh) * 2023-08-24 2023-11-14 中通服网盈科技有限公司 一种物联网云边通信方法
CN117058855B (zh) * 2023-08-24 2024-02-13 中通服网盈科技有限公司 一种物联网云边通信方法
CN116934555A (zh) * 2023-09-04 2023-10-24 福建恒智信息技术有限公司 一种基于物联网的安消一体化的管理方法及装置
CN116934555B (zh) * 2023-09-04 2023-11-24 福建恒智信息技术有限公司 一种基于物联网的安消一体化的管理方法及装置

Similar Documents

Publication Publication Date Title
Lestari et al. Fire hotspots detection system on CCTV videos using you only look once (YOLO) method and tiny YOLO model for high buildings evacuation
CN114255562A (zh) 基于物联网的智慧消防预警系统
CN111091072A (zh) 一种基于YOLOv3的火焰及浓烟检测方法
CN112163469B (zh) 一种吸烟行为识别方法、系统、设备及可读存储介质
JP2019079446A (ja) 火災監視システム
CN111123048A (zh) 一种基于卷积神经网络的串联故障电弧检测装置及方法
EP3361459B1 (en) Method, apparatus and system for passive infrared sensor framework
CN111754714A (zh) 一种安防监控系统及其监控方法
CN110147762A (zh) 一种嵌入式消防误报消除系统
CN112364696A (zh) 一种利用家庭监控视频提高家庭安全的方法及系统
KR20190130801A (ko) 단독형 화재 경보기와 가시광선 카메라를 이용하는 융합형 화재 경보 시스템
CN108564751A (zh) 电缆隧道防入侵的监测方法、装置及系统
CN108629310B (zh) 一种工程管理监督方法及装置
Mwedzi et al. Machine learning applications for fire detection in a residential building
CN113554364A (zh) 灾害应急管理方法、装置、设备及计算机存储介质
CN111814617B (zh) 基于视频的火灾判定方法、装置、计算机设备及存储介质
US10140548B2 (en) Statistical noise analysis for motion detection
CN112347874A (zh) 一种火灾检测方法、装置、设备及存储介质
CN112613483A (zh) 一种基于语义分割和识别的户外火灾预警方法
CN109982051B (zh) 具有动物识别功能的监控摄像方法、监控相机和存储介质
CN206058456U (zh) 一种用于火灾识别可实时监控的图像处理系统
CN114882666A (zh) 一种智能家居火灾预警方法、系统、终端设备及存储介质
CN113704690A (zh) 一种危化品智能存储柜实时监测方法及系统
CN114446002A (zh) 火灾在线监测方法、装置、介质及系统
CN213424156U (zh) 一种火灾预测装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220329