CN114550046A - 火灾隐患识别方法、装置、处理器、存储介质和电子设备 - Google Patents

Abstract

本发明公开了一种火灾隐患识别方法、装置、处理器、存储介质和电子设备。其中，该方法包括：获取拍摄变电站得到的当前工业视频画面；采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域；对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域；根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患。本发明解决了现有技术中的火灾探测感知系统在识别变电站的火灾隐患时，存在滞后、误报率高的技术问题。

Description

火灾隐患识别方法、装置、处理器、存储介质和电子设备

技术领域

本发明涉及变电站的火灾识别技术领域，具体而言，涉及一种火灾隐患识别方法、装置、处理器、存储介质和电子设备。

背景技术

变电站是电力系统中电压转换、电能分配的重要枢纽，包含变压器、高压开关、电容器和电力电缆在内的众多电力设备，一旦发生故障设备绝缘受损时极易产生消防隐患，是电力火灾的高危场所。

变电站的火灾隐患是影响电网运行风险的重要因素，一旦发生火灾将严重影响电网的安全运行和供电可靠性。因此，火灾及火灾隐患识别分析告警对变电站的安全运行具有重要意义，但目前广泛应用的烟雾报警等探测感知系统存在滞后、误报率高等问题，并且不能及时发现弧光、电火花、少量烟雾等火灾隐患。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种火灾隐患识别方法、装置、处理器、存储介质和电子设备，以至少解决现有技术中的火灾探测感知系统在识别变电站的火灾隐患时，存在滞后、误报率高的技术问题。

根据本发明实施例的一个方面，提供了一种火灾隐患识别方法，包括：获取拍摄变电站得到的当前工业视频画面；采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域；对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域；根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患。

可选地，采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域，包括：将上述当前工业视频画面输入至高斯混合模型GMM；通过上述高斯混合模型GMM采用高斯混合聚类算法检测上述当前工业视频画面中的上述前景区域。

可选地，对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域，包括：采用图像简单平滑处理算法对上述前景区域进行平滑滤波处理，得到处理后前景区域；对上述处理后前景区域进行非显著性过滤处理，得到上述显著区域。

可选地，根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患，包括：将提取到的上述显著区域中的区域性特征进行特征量化处理，得到特征序列；采用隐马尔可夫模型根据上述特征序列计算得到上述火灾隐患概率，其中，上述隐马尔可夫模型采用样本视频画面训练得到，上述样本视频画面中上述变电站存在上述火灾隐患；根据上述火灾隐患概率，识别上述变电站是否存在上述火灾隐患。

可选地，根据上述火灾隐患概率，识别上述变电站是否存在上述火灾隐患，包括：将上述火灾隐患概率与上述隐马尔可夫模型预先确定的样本概率进行比对，得到比对结果，其中，上述隐马尔可夫模型用于基于样本视频画面中显著区域的特征序列计算得到上述样本概率；如果上述比对结果为上述火灾隐患概率与上述样本概率相符，则确定上述变电站存在上述火灾隐患。

可选地，在识别上述变电站是否存在上述火灾隐患之后，上述方法还包括：如果确定上述变电站存在上述火灾隐患，则输出火灾告警信息，其中，上述火灾告警信息用于提示工作人员及时处理上述火灾隐患。

根据本发明实施例的另一方面，还提供了一种火灾隐患识别装置，包括：获取模块，用于获取拍摄变电站得到的当前工业视频画面；确定模块，用于采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域；处理模块，用于对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域；识别模块，用于根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，上述计算机可读存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的火灾隐患识别方法。

根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的火灾隐患识别方法。

根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现根据任意一项上述的火灾隐患识别方法。

在本发明实施例中，通过获取拍摄变电站得到的当前工业视频画面；采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域；对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域；根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患，达到了提升电网的安全运行和供电可靠性的目的，从而实现了实时高效的识别变电站的火灾隐患的技术效果，进而解决了现有技术中的火灾探测感知系统在识别变电站的火灾隐患时，存在滞后、误报率高的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种火灾隐患识别方法的流程图；

图2是根据本发明实施例的一种可选的火灾隐患识别方法的流程图；

图3是根据本发明实施例的一种火灾隐患识别装置的结构示意图。

具体实施方式

为了使本技术领域的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能够以除了在这里图示或描述的那些以外的顺序实施。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含，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。

实施例1

根据本发明实施例，提供了一种火灾隐患识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种火灾隐患识别方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取拍摄变电站得到的当前工业视频画面；

步骤S104，采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域；

步骤S106，对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域；

步骤S108，根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患。

在本发明实施例中，通过获取拍摄变电站得到的当前工业视频画面；采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域；对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域；根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患，达到了提升电网的安全运行和供电可靠性的目的，从而实现了实时高效的识别变电站的火灾隐患的技术效果，进而解决了现有技术中的火灾探测感知系统在识别变电站的火灾隐患时，存在滞后、误报率高的技术问题。

可选的，每个变电站均应按要求布置相应数量的监控摄像头，用于监控变电站内的运行状况，主干输电线路实现视频监控全覆盖；多个监控摄像头接入变电站工业视频平台，该变电站工业视频平台与调控中心布置统一的视频画面分析服务系统连接，调控中心接入的多个摄像头上传的监控画面，即变电站内的当前工业视频画面。

作为一种可选的实施例，工作人员需要对电网故障及时执行调度或者解决措施，但是，采用传统的预警系统，对变电站放电或着火等原因造成的电网故障反应有一定的滞后，本申请实施例通过对实时视频数据进行模块化检测分析，识别监控画面中的异常现象，为工作人员争取反应时间，起到控制火灾隐患，降低变电站火灾事故影响的作用减少故障排查的资源浪费。

在本申请实施例中，采用隐马尔可夫模型(HMM)的图像处理技术进行火灾隐患识别，通过高斯混合模型(GMM)检测当前工业视频画面中的前景点，实现区域聚合得到前景区域，再对前景区域(ROI)进行平滑滤波，以及再对前景区域进行非显著性过滤得到显著区域。再对显著区域提取特征并进行特征量化处理得到符号序列，经过上述特征提取过程后，采用预训练的隐马尔可夫模型(HMM)，计算其在正常模型下出现的火灾隐患概率作为风险度量指标，如果该火灾隐患概率与样本概率高度不兼容，则识别上述变电站存在上述火灾隐患，进而可以采用告警仪进行提示风险。

通过本申请实施例，可以采用智能感知和边缘计算技术，将变电站异常现象识别告警仪与调控中心综合处理平台相结合，打造一个全新、智能、实时的电网运行故障实时感知与调控员辅助决策系统，对及时发现、有效控制变电站火灾和火灾隐患显得尤为必要。

作为一种可选的实施例，如图2所示，采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域，包括：

步骤S202，将上述当前工业视频画面输入至高斯混合模型GMM；

步骤S204，通过上述高斯混合模型GMM采用高斯混合聚类算法检测上述当前工业视频画面中的上述前景区域。

在本申请实施例中，将上述当前工业视频画面输入至高斯混合模型GMM；通过上述高斯混合模型GMM采用高斯混合聚类算法检测上述当前工业视频画面中的前景点，，得到前景区域。

作为一种可选的实施例，仍如图2所示，对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域，包括：

步骤S302，采用图像简单平滑处理算法对上述前景区域进行平滑滤波处理，得到处理后前景区域；

步骤S304，对上述处理后前景区域进行非显著性过滤处理，得到上述显著区域。

例如，采用高斯混合聚类算法将该当前工业视频画面分为三簇(设定k＝3)且每类符合高斯分布，通过EM算法得到聚类概率得到原型聚类，即前景区域。再采用图像简单平滑处理(领域平均法)对前景区域进行平滑滤波处理，以消除图像中的噪声降低原始图像对比度的作用，例如采用平滑算法模板H₁对前景区域进行平滑滤波处理；再对上述处理后前景区域进行非显著性过滤处理，得到上述显著区域。

作为一种可选的实施例，仍如图2所示，根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患，包括：

步骤S402，将提取到的上述显著区域中的区域性特征进行特征量化处理，得到特征序列；

步骤S404，采用隐马尔可夫模型根据上述特征序列计算得到上述火灾隐患概率，其中，上述隐马尔可夫模型采用样本视频画面训练得到，上述样本视频画面中上述变电站存在上述火灾隐患；

步骤S406，根据上述火灾隐患概率，识别上述变电站是否存在上述火灾隐患。

在上述实施例中，通过将提取到的上述显著区域中的区域性特征进行特征量化处理，得到特征序列；根据HMM隐马尔可夫模型设置画面异常状态为5(隐含状态数量)，则每种模型聚类异常状态的概率为p，通过高斯混合模型(GMM)对当前视频画面进行检测得到聚类概率，例如，着火p1，冒烟p2，电火花p3，异物入侵p4，黑屏p5，根据变电站内已有的异常状态画面结果作为观测序列，推测得到样本概率。

本申请实施例，可以进行使用证明可行，已完成系统测试，经测试，系统功能完备、可满足实际应用需要。在安装实施过程中，可以根据变电站使用摄像头型号和DVR及NVR型号，避免边缘计算终端获取视频协议和标识DVR、NVR摄像头画面路数不准确，造成运算监测对应关系不准确或无法获取视频源错过警示机会。当站内图像模型正常时，算法学习检测曲线趋于平坦。当异常出现时，检测曲线也随之发生变化，将视频流中可疑画面截取，获取着火、电火花及冒烟等异常状态画面。

作为一种可选的实施例，根据上述火灾隐患概率，识别上述变电站是否存在上述火灾隐患，包括：

步骤S502，将上述火灾隐患概率与上述隐马尔可夫模型预先确定的样本概率进行比对，得到比对结果，其中，上述隐马尔可夫模型用于基于样本视频画面中显著区域的特征序列计算得到上述样本概率；

步骤S504，如果上述比对结果为上述火灾隐患概率与上述样本概率相符，则确定上述变电站存在上述火灾隐患。

在本申请实施例中，预先采用隐马尔可夫模型基于样本视频画面中显著区域的特征序列计算得到上述样本概率，在识别上述变电站是否存在上述火灾隐患时，具体可以将上述火灾隐患概率与上述隐马尔可夫模型预先确定的样本概率进行比对，得到比对结果。

作为一种可选的实施例，在识别上述变电站是否存在上述火灾隐患之后，上述方法还包括：如果确定上述变电站存在上述火灾隐患，则输出火灾告警信息，其中，上述火灾告警信息用于提示工作人员及时处理上述火灾隐患。

通过本申请上述实施例，可以感知发现变电站火灾及站内弧光、少量烟雾等火灾隐患，有效解决目前广泛应用的烟雾报警等探测感知系统中存在滞后、误报率高等问题。

实施例2

根据本发明实施例，还提供了一种用于实施上述火灾隐患识别方法的装置实施例，图3是根据本发明实施例的一种火灾隐患识别装置的结构示意图，如图3所示，上述火灾隐患识别装置，包括：获取模块300、确定模块302、处理模块304、识别模块306，其中：

获取模块300，用于获取拍摄变电站得到的当前工业视频画面；确定模块302，用于采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域；处理模块304，用于对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域；识别模块306，用于根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。

此处需要说明的是，上述获取模块300、确定模块302、处理模块304、识别模块306对应于实施例1中的步骤S102至步骤S108，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。

需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

上述的火灾隐患识别装置还可以包括处理器和存储器，上述获取模块300、确定模块302、处理模块304、识别模块306等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

根据本申请实施例，还提供了一种计算机可读存储介质的实施例。可选地，在本实施例中，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述任意一种火灾隐患识别方法。

可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。

可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：获取拍摄变电站得到的当前工业视频画面；采用高斯混合聚类算法确定上述当前工业视频画面中的前景区域；对上述前景区域进行平滑滤波处理和过滤处理，得到显著区域；根据提取到的上述显著区域中的区域性特征计算到的火灾隐患概率，识别上述变电站是否存在上述火灾隐患。

可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：将上述当前工业视频画面输入至高斯混合模型GMM；通过上述高斯混合模型GMM采用高斯混合聚类算法检测上述当前工业视频画面中的上述前景区域。

可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：采用图像简单平滑处理算法对上述前景区域进行平滑滤波处理，得到处理后前景区域；对上述处理后前景区域进行非显著性过滤处理，得到上述显著区域。

可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：将提取到的上述显著区域中的区域性特征进行特征量化处理，得到特征序列；采用隐马尔可夫模型根据上述特征序列计算得到上述火灾隐患概率，其中，上述隐马尔可夫模型采用样本视频画面训练得到，上述样本视频画面中上述变电站存在上述火灾隐患；根据上述火灾隐患概率，识别上述变电站是否存在上述火灾隐患。

可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：将上述火灾隐患概率与上述隐马尔可夫模型预先确定的样本概率进行比对，得到比对结果，其中，上述隐马尔可夫模型用于基于样本视频画面中显著区域的特征序列计算得到上述样本概率；如果上述比对结果为上述火灾隐患概率与上述样本概率相符，则确定上述变电站存在上述火灾隐患。

可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：如果确定上述变电站存在上述火灾隐患，则输出火灾告警信息，其中，上述火灾告警信息用于提示工作人员及时处理上述火灾隐患。

根据本发明实施例，还提供了一种电子设备的实施例，包括存储器和处理器，可选地，在本实施例中，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的火灾隐患识别方法。

根据本发明实施例的，还提供了一种计算机程序产品的实施例，可选地，在本实施例中，计算机程序产品包括计算机程序，上述计算机程序在被处理器执行时实现根据任意一项上述的火灾隐患识别方法。

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。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取计算机可读存储介质中。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或者该技术方案的全部或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一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种火灾隐患识别方法，其特征在于，包括：

获取拍摄变电站得到的当前工业视频画面；

采用高斯混合聚类算法确定所述当前工业视频画面中的前景区域；

对所述前景区域进行平滑滤波处理和过滤处理，得到显著区域；

根据提取到的所述显著区域中的区域性特征计算到的火灾隐患概率，识别所述变电站是否存在所述火灾隐患。

2.根据权利要求1所述的方法，其特征在于，采用高斯混合聚类算法确定所述当前工业视频画面中的前景区域，包括：

将所述当前工业视频画面输入至高斯混合模型GMM；

通过所述高斯混合模型GMM采用高斯混合聚类算法检测所述当前工业视频画面中的所述前景区域。

3.根据权利要求1所述的方法，其特征在于，对所述前景区域进行平滑滤波处理和过滤处理，得到显著区域，包括：

采用图像简单平滑处理算法对所述前景区域进行平滑滤波处理，得到处理后前景区域；

对所述处理后前景区域进行非显著性过滤处理，得到所述显著区域。

4.根据权利要求1所述的方法，其特征在于，根据提取到的所述显著区域中的区域性特征计算到的火灾隐患概率，识别所述变电站是否存在所述火灾隐患，包括：

将提取到的所述显著区域中的区域性特征进行特征量化处理，得到特征序列；

采用隐马尔可夫模型根据所述特征序列计算得到所述火灾隐患概率，其中，所述隐马尔可夫模型采用样本视频画面训练得到，所述样本视频画面中所述变电站存在所述火灾隐患；

根据所述火灾隐患概率，识别所述变电站是否存在所述火灾隐患。

5.根据权利要求4所述的方法，其特征在于，根据所述火灾隐患概率，识别所述变电站是否存在所述火灾隐患，包括：

将所述火灾隐患概率与所述隐马尔可夫模型预先确定的样本概率进行比对，得到比对结果，其中，所述隐马尔可夫模型用于基于样本视频画面中显著区域的特征序列计算得到所述样本概率；

如果所述比对结果为所述火灾隐患概率与所述样本概率相符，则确定所述变电站存在所述火灾隐患。

6.根据权利要求1所述的方法，其特征在于，在识别所述变电站是否存在所述火灾隐患之后，所述方法还包括：

如果确定所述变电站存在所述火灾隐患，则输出火灾告警信息，其中，所述火灾告警信息用于提示工作人员及时处理所述火灾隐患。

7.一种火灾隐患识别装置，其特征在于，包括：

获取模块，用于获取拍摄变电站得到的当前工业视频画面；

确定模块，用于采用高斯混合聚类算法确定所述当前工业视频画面中的前景区域；

处理模块，用于对所述前景区域进行平滑滤波处理和过滤处理，得到显著区域；

识别模块，用于根据提取到的所述显著区域中的区域性特征计算到的火灾隐患概率，识别所述变电站是否存在所述火灾隐患。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至6中任意一项所述的火灾隐患识别方法。

9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任意一项所述的火灾隐患识别方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现根据权利要求1至6中任意一项所述的火灾隐患识别方法。

Images