CN114282611A - 基于深度学习模型的多传感器数据融合火源定位算法 - Google Patents
基于深度学习模型的多传感器数据融合火源定位算法 Download PDFInfo
- Publication number
- CN114282611A CN114282611A CN202111595020.4A CN202111595020A CN114282611A CN 114282611 A CN114282611 A CN 114282611A CN 202111595020 A CN202111595020 A CN 202111595020A CN 114282611 A CN114282611 A CN 114282611A
- Authority
- CN
- China
- Prior art keywords
- fire
- model
- deep learning
- fire source
- data
- 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
Links
Images
Abstract
本发明公开了一种基于深度学习模型的多传感器数据融合火源定位算法,包括如下步骤:无线传感器网络采集到不同火灾场景的温度、烟雾浓度数据作为深度学习模型的输入,将采集到的数据进行预处理,包括数据归一化、数据分帧处理;由卷积层和池化层对数据集进行特征提取,学习火源与火场中各个火灾参数分布的关系;最后推算出火源的位置信息并输出。本发明可以用于定位火源,及时发现火灾,避免传统视频监控带来视线遮挡的问题,且具有高准确性、低成本、适用范围广等优点。
Description
技术领域
本发明涉及火灾定位报警技术领域,具体是一种基于深度学习模型的多传感器数据融合火源定位算法。
背景技术
由于大空间仓库的特殊结构和功能,其中可能存放着一些易燃或可燃材料,任何火灾事故都有可能造成灾难性的后果。如果事故不能被及时发现和救援,它将迅速蔓延,造成严重的损失。火源点定位技术研究能为火灾发生时及时高效的灭火救援工作提供有利的决策依据。随着传感器、信息技术的发展,以及对火灾燃烧机理的深入研究,针对不同火灾场景的火源定位技术,包括光纤测温、烟雾传感器、温度传感器和视频监控技术,在过去几年中取得了很大的进展。但是,传统的视频监控最大的缺点是容易被遮挡,所以基于图像识别的火源定位方法不适合货架较多的仓库,另外,红外信号被障碍物遮挡也会大大影响定位的准确性和火灾检测的效果。因此,有必要提出一种方法,能够在火灾初期及时发现火源的位置,从而控制火灾的蔓延,减少火灾造成的损失。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习模型的多传感器数据融合火源定位算法。
为实现上述目的,本发明提供如下技术方案:
本发明提供一种基于深度学习模型的多传感器数据融合火源定位算法,所述定位算法基于无线传感器网络,利用温度传感器和烟雾传感器采集到的温度和烟雾浓度,使用深度学习算法,对火源点进行定位。
具体包括以下步骤:
步骤1、建立多种火灾场景,并通过温度和烟雾传感器采集不同场景的温度和烟雾浓度数据;
步骤2、建立深度学习算法模型,所述深度学习算法模型即深度卷积神经网络(CNN),包括卷积层、池化层和全连接层,且所述CNN网络模型为三组串联式CNN网络,每一组网络都由三层卷积层和一层池化层构成,将池化层处理的结果输入到全连接层进行降维处理,得到模型输出。
步骤3、将火灾场景采集的温度、烟雾浓度数据以及每种火灾场景所对应的火源的位置信息按比例划分到训练集、测试集和验证集中;以训练集中火灾场景采集到的温度、烟雾浓度数据为算法的输入项,以每种火灾场景所对应的火源的位置信息为算法的输出项,得到初步的深度学习算法模型。
步骤4、将测试集中的火灾场景中采集到的温度、烟雾浓度数据带入到初步的CNN模型中,将其输出结果与测试集中所对应火灾场景的火源位置信息进行对比,得到对比结果;
步骤5、根据对比结果对初步CNN模型进行修正,得到最终的深度学习算法模型;修正的参数包括每层神经元个数、权重系数、超参数等;
步骤6、通过验证集数据来验证模型的性能优劣,选取交叉熵最小的模型作为最后的模型。
步骤7、通过性能最好的CNN模型推算出最准的火源位置信息。
进一步的,所述火灾场景是由火灾仿真软件FDS(Fire Dynamics Simulator)建立24个不同火源位置的CFD(Computational Fluid Dynamics)模型并对每个模型进行计算,得到不同火场的温度、烟雾浓度数据作为深度学习模型的训练集、测试集和验证集。
可选的,所述步骤2中将多组火灾场景中无线传感器网络采集到的温度、烟雾浓度数据按比例划分时,将60%划分为训练集,20%划分为测试集,20%划分为验证集。
更进一步的,上述对CNN模型的修正是通过损失函数和模型准确度来调节的,损失函数选取的交叉熵损失函数。
本发明的有益效果:
(1)本发明提供了一种基于深度学习模型的多传感器数据融合火源定位算法,弥补了基于图像的火灾检测技术的不足,我们使用传感器数据进行分析,避免了视线会被遮挡的问题且具有更高的性价比。利用深度卷积网络方法以数据驱动的方式对数学模型和实际地质模型进行拟合,避免陷入局部最优解。利用深度学习算法可以适用于不同的火灾场景,不需要重新建模,适用性强。使用多传感器数据融合技术,比单一传感器定位准确性更高,减少误报率。
(2)本发明可以用于定位火源,及时发现火灾,避免传统视频监控带来视线遮挡的问题,且具有高准确性、低成本、适用范围广等优点。
附图说明
图1为本发明实施例提供的一种基于深度学习模型的多传感器数据融合火源定位算法的步骤流程图。
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。
请参阅图1,本发明实施例提供一种技术方案:
本发明提供了一种基于深度学习模型的多传感器数据融合火源定位算法,包括一下步骤:
步骤1、建立多种火灾场景,并通过无线传感器网络采集不同场景的温度和烟雾浓度数据;利用FDS建立24种不同火源位置的火灾场景,将76个温度传感器和28个烟雾传感器按照建筑火灾的消防规范布置在场景中,模型运行300s,每个传感器设置成每一秒输出一次温度或烟雾浓度数据,即每一个传感器有300个数据,共同构成了模型训练的数据集。
步骤2、建立深度学习算法模型,所述深度学习算法模型即深度卷积神经网络(CNN),包括卷积层、池化层和全连接层,且所述CNN网络模型为三组串联式CNN网络,每一组网络都由三层卷积层和一层池化层构成,将池化层处理的结果输入到全连接层进行降维处理,得到模型输出。
步骤3、将火灾场景采集的温度、烟雾浓度数据以及每种火灾场景所对应的火源的位置信息按比例划分到训练集、测试集和验证集中;以训练集中火灾场景采集到的温度、烟雾浓度数据为算法的输入项,以每种火灾场景所对应的火源的位置信息为算法的输出项,得到初步的深度学习算法模型。传感器数据输入之前需要预处理,即对数据进行分帧,分帧处理是将每一个传感器数据划分成三帧,一帧有100个数据。
步骤4、将测试集中的火灾场景中采集到的温度、烟雾浓度数据带入到初步的CNN模型中,将其输出结果与测试集中所对应火灾场景的火源位置信息进行对比,得到对比结果;通过反向传播,调整卷积神经网络各层的神经元个数、超参数等;
步骤5、根据对比结果对初步CNN模型进行修正,得到最终的深度学习算法模型;修正的参数包括每层神经元个数、权重系数、超参数等;
步骤6、通过验证集数据来验证模型的性能优劣,选取交叉熵最小的模型作为最后的模型。CNN模型各层参数如下表1:
表1 CNN模型各层参数
步骤7、通过性能最好的CNN模型推算出最准的火源位置信息。
需要说明的是,在本文中,诸如术语“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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于深度学习模型的多传感器数据融合火源定位算法,其特征在于,包括以下步骤:
步骤1、建立多种火灾场景,并通过温度和烟雾传感器采集不同场景的温度和烟雾浓度数据;
步骤2、建立深度学习算法模型;
所述深度学习算法模型即深度卷积神经网络(CNN),包括卷积层、池化层和全连接层,且所述CNN网络模型为三组串联式CNN网络,每一组网络都由三层卷积层和一层池化层构成,将池化层处理的结果输入到全连接层进行降维处理,得到模型输出;
步骤3、将火灾场景采集的温度、烟雾浓度数据以及每种火灾场景所对应的火源的位置信息按比例划分到训练集、测试集和验证集中;以训练集中火灾场景采集到的温度、烟雾浓度数据为算法的输入项,以每种火灾场景所对应的火源的位置信息为算法的输出项,得到初步的深度学习算法模型;
步骤4、将测试集中的火灾场景中采集到的温度、烟雾浓度数据带入到初步的CNN模型中,将其输出结果与测试集中所对应火灾场景的火源位置信息进行对比,得到对比结果;
步骤5、根据对比结果对初步CNN模型进行修正,得到最终的深度学习算法模型;修正的参数包括每层神经元个数、权重系数、超参数;
步骤6、通过验证集数据来验证模型的性能优劣,选取交叉熵最小的模型作为最后的模型;
步骤7、通过性能最好的CNN模型推算出最准的火源位置信息。
2.根据权利要求1所述的一种基于深度学习模型的多传感器数据融合火源定位算法,其特征在于,所述火灾场景是由火灾仿真软件FDS(Fire Dynamics Simulator)建立24个不同火源位置的CFD(Computational Fluid Dynamics)模型并对每个模型进行计算,得到不同火场的温度、烟雾浓度数据作为深度学习模型的训练集、测试集和验证集。
3.根据权利要求1所述的一种基于深度学习模型的多传感器数据融合火源定位算法,其特征在于,所述步骤2中将多组火灾场景中无线传感器网络采集到的温度、烟雾浓度数据按比例划分时,将60%划分为训练集,20%划分为测试集,20%划分为验证集。
4.根据权利要求1所述的一种基于深度学习模型的多传感器数据融合火源定位算法,其特征在于,对CNN模型的修正是通过损失函数和模型准确度来调节的,损失函数选取的交叉熵损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595020.4A CN114282611A (zh) | 2021-12-24 | 2021-12-24 | 基于深度学习模型的多传感器数据融合火源定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595020.4A CN114282611A (zh) | 2021-12-24 | 2021-12-24 | 基于深度学习模型的多传感器数据融合火源定位算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114282611A true CN114282611A (zh) | 2022-04-05 |
Family
ID=80875616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111595020.4A Pending CN114282611A (zh) | 2021-12-24 | 2021-12-24 | 基于深度学习模型的多传感器数据融合火源定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282611A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116367109A (zh) * | 2023-06-01 | 2023-06-30 | 北京航天常兴科技发展股份有限公司 | 一种基于无线通信网络的火灾防控信息交互方法及系统 |
-
2021
- 2021-12-24 CN CN202111595020.4A patent/CN114282611A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116367109A (zh) * | 2023-06-01 | 2023-06-30 | 北京航天常兴科技发展股份有限公司 | 一种基于无线通信网络的火灾防控信息交互方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717481B (zh) | 一种利用级联卷积神经网络实现人脸检测的方法 | |
CN107992904B (zh) | 基于多源信息融合的林业生态环境人机交互方法 | |
JP6942029B2 (ja) | 火災監視システム | |
CN107104978A (zh) | 一种基于深度学习的网络风险预警方法 | |
CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN109818798A (zh) | 一种融合kpca和elm的无线传感器网络入侵检测系统及方法 | |
CN110827505A (zh) | 一种基于深度学习的烟雾分割方法 | |
CN114842208A (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
CN115294520A (zh) | 一种基于卷积神经网络的烟火检测方法 | |
CN114282611A (zh) | 基于深度学习模型的多传感器数据融合火源定位算法 | |
US20220230519A1 (en) | Method and device for detecting smoke | |
CN111062350B (zh) | 基于人工智能烟火识别算法 | |
CN110298170B (zh) | 一种考虑盲目攻击因子的电力scada系统安全性评估方法 | |
CN114612755A (zh) | 一种火灾检测方法、系统、电子设备和可读存储介质 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN116188442A (zh) | 一种适用于任意场景下的高精度森林烟火检测方法 | |
CN115962428A (zh) | 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 | |
CN115713095A (zh) | 基于混合深度神经网络的天然气管道异常检测方法和系统 | |
Iqbal et al. | Deep learning algorithm for fire detection | |
CN114662605A (zh) | 基于改进的YOLOv5模型的火焰检测方法 | |
CN115394034A (zh) | 火灾风险的确定方法、装置、系统和机器人 | |
CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 | |
Praneash et al. | Forest fire detection using computer vision | |
CN111127433A (zh) | 一种检测火焰的方法及装置 |
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 |