CN114663415B - 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 - Google Patents
一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 Download PDFInfo
- Publication number
- CN114663415B CN114663415B CN202210346811.1A CN202210346811A CN114663415B CN 114663415 B CN114663415 B CN 114663415B CN 202210346811 A CN202210346811 A CN 202210346811A CN 114663415 B CN114663415 B CN 114663415B
- Authority
- CN
- China
- Prior art keywords
- fire
- flame
- image
- prediction
- computer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000002474 experimental method Methods 0.000 claims abstract description 41
- 239000003595 mist Substances 0.000 claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 238000011161 development Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 230000001105 regulatory effect Effects 0.000 claims abstract description 7
- 230000001276 controlling effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000001931 thermography Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 7
- 239000003915 liquefied petroleum gas Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000011521 glass Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 4
- 230000018109 developmental process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 230000007480 spreading Effects 0.000 description 10
- 238000003892 spreading Methods 0.000 description 10
- 239000000779 smoke Substances 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- ORTYMGHCFWKXHO-UHFFFAOYSA-N diethadione Chemical compound CCC1(CC)COC(=O)NC1=O ORTYMGHCFWKXHO-UHFFFAOYSA-N 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000003949 liquefied natural gas Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/02—Dosimeters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
- G01T1/17—Circuit arrangements not adapted to a particular type of detector
- G01T1/178—Circuit arrangements not adapted to a particular type of detector for measuring specific activity in the presence of other radioactive substances, e.g. natural, in the air or in liquids such as rain water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置，涉及火灾安全技术领域。包括：实验台主体，是与实际单向双车道城市公路隧道尺寸成比例的隧道构造；火源，位于隧道构造内部，并通过流量控制系统调节火源功率；全景红外热成像仪监测系统，对输入的红外热成像仪获取的火灾视频进行处理；火灾预测系统，根据处理后的火灾视频结果构建时间序列火焰预测模型；智能控制系统，控制火灾发展规模；本发明能够在实验室模拟不同火源功率及风机开启组数和细水雾灭火装置下的隧道内火灾发展规模情况，研究不同火源功率下火灾火焰特性的演化规律并根据预测结果智能开启射流风机合理控制火灾发展规模。
Description
技术领域
本发明属于火灾安全技术领域，具体涉及一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置。
背景技术
隧道火灾是最严重的一种灾害。交通隧道内空间封闭，属于狭长空间。一旦发生火灾，车辆之间容易造成火灾蔓延、烟气蓄积等情况，往往会造成严重的经济损失和人员伤亡。隧道除了狭长的空间特点外，在高度方面往往也较低，火焰极易直接撞击到顶棚，并在顶棚下方扩散燃烧，形成强羽流驱动下的顶棚射流。而顶棚射流火焰又会对隧道顶棚的衬砌结构产生巨大的破坏作用，使隧道顶棚发生坍塌，对隧道内人员的安全疏散以及消防救援人员的灭火救援行动产生巨大的威胁。为了预防隧道火灾的发生和减少隧道火灾事故的损失，需要对隧道火灾发生和发展的基本原理进行研究，预测隧道火灾发展过程以及合理控制火灾发展规模，对于隧道的安全运营具有重要的现实意义。
在当前，国内外隧道实体中机械排烟方式主要纵向通风排烟。该方式利用隧道内预先布置的风机(如射流风机)输送轴向气流形成气压促使空气沿纵向方向流通，将烟气控制在下游位置，便于人员从上游进行疏散。下游侧通过人员和车辆隧道之间联络横通道(人行、车行)逃到平行的安全隧道。
当探测到隧道火灾发生后，应在较快的时间内启动灭火装置。在安全疏散阶段，纵向排烟风速不应大于0.5m/s,灭火救援阶段纵向排烟风速不应小于火灾临界风速。若射流风机在火灾初期开启后难以达到火灾临界风速，则会对后续人员疏散造成危害。若射流风机在火灾初期开启组数过多导致风速过大，容易造成火焰水平蔓延长度增加从而引燃周围可燃物，火势会进一步的扩大。可以看出，当火灾发生后，各组射流风机的联动控制以及细水雾灭火装置的启停时间对于控制火灾规模的发展具有很大的影响。
据大量的火灾事故现场调查以及现场热烟实验发现，隧道火灾控制方案存在许多问题，主要包括以下几点：(1)尚未能对隧道火灾快速自动响应；(2)对隧道火灾火焰特性的分析及传播机理研究较少；(3)难以对火灾短时间内的火情进行分析及发展预测并缺乏智能控制系统来对火灾规模进行控制。
在现有的关于隧道火灾的专利中，多以隧道通风方式及排烟效果为研究基础，很少有对隧道火灾预测及智能控制策略方面进行深入研究。在中国专利(专利号：202010166268.8)中提出了一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质，对获取的隧道视频流数据进行分割处理，提取火焰形状特征、火焰纹理特征和火焰面积特征、火焰颜色特征等火焰信息，后融合通过预训练好的神经网络进行火焰预测，输出火灾预警信息。然而对具体用以火灾预测神经网络的类型方法并没有进行详细的阐述。在中国专利(专利号：202110435704.1)中公开了一种基于深度学习及火灾监控视频的火灾趋势预测方法，利用历史监控视频信息，结合迁移学习和公开的ResNet网络预训练模型，训练构建火灾图像检测模型，从而获得实时火灾灰度图像趋势预测结果。然而并没有对火灾预测结果进行灭火设施的控制反馈。
发明内容
本发明所要解决的技术问题是提供一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置，能够在实验室模拟不同火源功率及风机开启组数和细水雾灭火装置下，隧道内火灾发展规模情况，研究不同火源功率下火灾火焰特性的演化规律并根据预测结果智能开启射流风机合理控制火灾发展规模。。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置，其特征在于，包括：
实验台主体，是与实际单向双车道城市公路隧道尺寸成比例的隧道构造；
火源，位于隧道构造内部，并通过流量控制系统调节火源功率；
全景红外热成像仪监测系统，在隧道构造内进行不同火源功率的火灾实验时，对输入的红外热成像仪获取的火灾视频进行处理；
火灾预测系统，根据处理后的火灾视频结果构建时间序列火焰预测模型；
智能控制系统，控制火灾发展规模；
优选地，所述实验台主体整体框架采用角钢搭建，所述实验台主体的外侧墙壁镶嵌10mm厚的防火玻璃；所述实验台主体的内侧墙壁、顶棚和底板均由20mm厚的防火板构成。
优选地，所述火源是由液化石油气灌通过输气管与止回阀、转子流量计和火源装置相串连实现火灾实验场景，调节转子流量计可控制输气管中液化石油气的流量进而得到不同火源功率下的火灾场景。
优选地，所述全景红外热成像仪监测系统包括二维舵机、红外热成像传感器和图像转换器，在所述火源装置的正面和侧面各安装一组所述全景红外热成像仪监测系统从而捕捉火灾场景正面和侧面两个角度的火焰特性获取火焰的长、宽、高。
优选地，所述二维舵机安装在所述红外热成像传感器的底部，并通过所述红外热成像传感器的内部的OPENMV图像处理与物体检测网络完成火焰识别；所述红外热成像传感器通过RS232协议与计算机通信，默认状态下每分钟进行一次火焰扫描；当发现火焰时，进入火灾紧急状态，此时红外热成像传感器将扫描间隔时间缩短至3秒，所述图像转换器可将所述红外热成像传感器所识别的火灾图像转存供计算机读取。
优选地，所述火灾预测系统包括信号转换器、计算机和高清显示屏；所述信号转换器是将图像转换器所转存的图像导入计算机中，计算机可以用Matlab软件处理火灾图像获取火灾火焰特性并运用基于卡尔曼滤波算法的神经网络模型进行火灾预测模型训练，可以预测最短时间3s的火情，所述高清显示屏能显示火灾发展预测不同阶段的火灾发展。
优选地，计算机用Matlab软件处理火灾图像的具体方法为：
S1：将所有火灾图像灰度化，在进行火焰图像的灰度处理时可以采用线性函数进行变换而得到特征更加明显的灰度图像，除了线性变换以外，还有对数变换、伽玛变换以及阈值变换，所述阈值变换为：通过设置一灰度阈值T，然后将原始图像中的每个像素与该灰度该阈值T相比，比较结果为小于则将输出像素设为0，为大于则设为255；
S2：按照一定帧数计算相邻两张灰度图像的像素点差值，获得一个像素点差值矩阵，公式如下：pointidif＝abs(An×m-Bn×m)，其中，An×m，Bn×m分别代表前面一张灰度图像的灰度值矩阵和后面一张灰度图像的灰度值矩阵，abs(·)代表取绝对值；
S3：求pointdif中元素的最大值Max；寻找多组发生火灾前后的火灾监控视频的两帧图像，计算得到多组最大像素差值，r为其均值；通过相邻两帧的火焰像素变化计算出火焰长、宽、高的变化率作为火焰特性；
S4：若该Max大于设定阈值r，且该段图片数量大于预设值N1，则切断视频流，将该段视频流中的图像作为一个图像数据集；若该Max小于设定阈值r，且该段图片数量大于预设值N2，则切断视频流，将该段视频流中的图像作为一个图像数据集；
S5：为了进一步挖掘图像的信息,可以将上述获取到的火焰长宽高特性进行融合，各个特征分别记为L、W、H，对这三个特征进行加权拼接,拼接后的特征称为融合特征，用X来表示,则图像的融合特征可以表示为:X＝[L,W,H]；
优选地，计算机通过基于卡尔曼滤波算法的神经网络模型进行模型训练的具体步骤如下：
S6：给定系统状态的初始值X0(L0、W0、H0)和协方差矩阵初始值P0；
S7：通过状态更新方程将系统状态向量由k-1时刻更新至k时刻，k＝1,2,3,…,n，n为图像集个数，即计算时间状态向量和协方差矩阵的校正前估计xkⅠk-1和PkⅠk-1；其中xkⅠk-1＝Axk-1，PkⅠk-1＝APk-1AT，xk是k时刻的系统状态，A为状态转移矩阵；
S8：计算卡尔曼增益Kk，Kk＝PkⅠk-1HT(H PkⅠk-1HT+R)-1，H为观测矩阵；
S9：利用观测k时刻卡尔曼增益Kk来校正状态向量和协方差矩阵的校正前估计，得到状态向量和协方差矩阵的校正后估计xk和Pk；
S10：重复S6至S9步骤。
优选地，所述智能控制系统包括DDC控制盘、射流风机开关控制器、细水雾装置开关控制器、射流风机、细水雾装置；所述DDC控制盘通过信号转换器与计算机相连接，可以通过自动模式或者手动模式对射流风机以及细水雾装置进行智能开启控制，所述射流风机开关控制器与射流风机相连接，可根据计算机的预测结果智能开启射流风机18组数，所述射流风机细水雾装置开关控制器与细水雾装置相连接，可根据计算机的预测结果智能开启细水雾装置。
优选地，所述DDC控制盘的智能开启控制方法为：当红外热成像传感器捕捉到火灾发生即刻开启细水雾灭火装置；当计算机火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的30％时，开启一组射流风机；当计算机火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的60％时，开启两组射流风机；当计算机火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的90％时，开启三组射流风机。
采用上述技术方案所产生的有益效果在于：
1、本发明结构简单，费用低，能够模拟多种火源功率的隧道火灾，获取大量的火灾火焰特性数据，包括火焰蔓延的长、宽、高。数据量充足，为神经网络分析处理提供有力的数据源。专门针对火灾火焰行为进行系统研究的实验装置，保证了实验的可重复性与易操作性，有效提高实验台的利用效率。
2、采用全景红外摄像头火焰识别技术，灵敏度高且范围广，捕捉的火灾景象效果好，增加了对火焰的识别效率。
3、本发明能够对隧道内火焰发展进行准确预测，采用服务器端Matlab对隧道火灾视频数据进行提取和处理，通过对基于卡尔曼滤波算法的神经网络模型进行大量训练，组建火灾火焰特征预测数据库，构建时间序列火焰预测模型。可实现预测时间最短为3s，大大降低系统误报率，提高系统可靠性。
4、本发明能够将发生的火灾迅速导入预测模型检测，在显示屏上实时展现短时间内的火情发展，同时显示多个阶段的火灾预测图像，具有清晰明了特点。
5、能实现智能调整射流风机开启台数和细水雾装置。本发明通过DDC控制盘与计算机相连，可根据对火灾发展预测结果实现自动或手动控制射流风机开启组数，为消防部门能够在保证保障消防人员的人身安全的前提下科学有效地部署消防灭火方案提供有力支持。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例一种基于火焰图像灰度处理技术的公路隧道火灾预测及智能控制装置的整体结构示意图；
图3为本发明实施例射流风机结构示意图；
图4为本发明实施例基于卡尔曼滤波算法的神经网络模型模型训练方法；
图5为本发明实施例1未开启风机时火焰分布示意图；
图6为本发明实施例2开启细水雾装置时火焰分布示意图；
图7为本发明实施例3开启一组风机时火焰分布示意图；
图8为本发明实施例4开启两组风机时火焰分布示意图；
图9为本发明实施例5开启三组风机时火焰分布示意图；
图中：1、隧道模型实验台拱顶；2、隧道模型实验台；3、液化石油气灌；4、止回阀；5、转子流量计；6、输气管；7、火源装置；8、二维舵机；9、红外热成像传感器；10、图像转换器；11、信号转换器；12、计算机；13、高清显示屏；14、DDC控制盘；15、射流风机开关控制器；16、细水雾装置开关控制器；17、射流风机固定装置；18、射流风机；19、细水雾固定装置；20、细水雾装置；21、信号传输线。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-9所示，本发明中的火灾预测及智能控制方法如下：
一、在隧道火灾实验装置内进行不同火源功率的火灾实验，利用红外热成像仪获取火灾视频，对输入的视频流进行处理：首先把彩色图像转化为灰度图像，然后使用伽马变换的方法来剔除多余光照；
二、利用Matlab软件对视频流进行运动检测，获得火焰运动像素特征数据集:对步骤1中所获得的图像，使用带有固定阈值的时域差分方法进行运动检测，然后利用帧与帧之间的时间差来获取火焰运动图像的长、宽、高；
三、对火焰特征数据集采用基于卡尔曼滤波算法的神经网络模型进行训练，组建火灾火焰特征预测数据库，构建时间序列火焰预测模型；
四、对于实时发生的火灾采集图像通过灰度化处理后导入火焰预测模型检测，并根据模型预测结果实时智能开启风机组数与细水雾装置，合理控制火灾发展规模。
公路隧道火灾预测及智能控制装置包括有1：5缩尺度隧道实验台、全景红外热成像仪监测系统、火灾预测系统、智能控制系统及其附属配套系统；
缩尺度隧道模型实验台2如图2所示，隧道模型实验台2长16m，高2m，宽1.2m(隧道截面为马蹄形，其中下半部矩形高1.5m，上半部弧形圆心角为180°，半径为0.5m；其两端口敞开)；隧道模型实验台外侧的一侧墙壁镶嵌10mm厚防火玻璃，以便观察实验过程中隧道内的火灾发展；隧道模型实验台拱顶1及另一侧采用20mm厚耐高温防火板；隧道模型实验台拱顶1通过射流风机固定装置17、细水雾固定装置19固定3组射流风机18和一组细水雾装置20。
具体地，实验台火源是由液化石油气灌3通过输气管6与止回阀4、转子流量计5和火源装置7相串连实现火灾实验场景，调节转子流量计5可控制输气管6中液化石油气的流量进而得到不同火源功率下的火灾场景。实验燃料采用液化天然气。流量控制系统包括转子流量计5、电子流量调节阀。射流风机为轴流风机，细水雾装置为固定式高压细水雾装置。
全景红外热成像仪监测系统由二维舵机8、红外热成像传感器9和图像转换器10组成，在火源装置7的正面和侧面各安装一组从而捕捉火灾场景正面和侧面两个角度的火焰特性获取火焰的长宽高。二维舵机8安装在红外热成像传感器9的底部，二维舵机包括方向舵机安装结构、方向舵机、俯仰舵机安装结构、俯仰舵机和电路安装支架等，能够实现水平180°旋转，可实现180°旋转全景监测，并通过红外热成像传感器9内部OPENMV图像处理与物体检测网络完成火焰识别，红外热成像传感器9通过RS232协议与计算机通信，默认状态下每分钟进行一次火焰扫描，当发现火焰时，进入火灾紧急状态，此时红外热成像传感器将扫描间隔时间缩短至3秒，图像转换器10可将红外热成像传感器9所识别的火灾图像转存供计算机读取。红外热成像传感器为FLIR LEPTON 2.5传感器。
火灾预测系统包括信号转换器11、计算机12和高清显示屏13。高清显示屏13为65寸OLED显示器，能同时显示多组画面。
信号转换器11是将图像转换器10所转存的图像导入计算机12中，计算机12可以用Matlab软件处理火灾图像获取火灾火焰特性并运用基于卡尔曼滤波算法的神经网络模型进行火灾预测模型训练，可以预测最短时间3s的火情，高清显示屏13能显示火灾发展预测不同阶段的火灾发展，共10个画面(3s，10s，20s，30s，60s，120s，180s，240s，300s，500s)。
计算机12用Matlab软件处理火灾图像具体方法为：
S1,将所有火灾图像灰度化，在进行火焰图像的灰度处理时可以采用线性函数进行变换而得到特征更加明显的灰度图像，除了线性变换以外，还有对数变换、伽玛变换以及阈值变换等方法，其中的阈值变换为：通过设置一灰度阈值T，然后将原始图像中的每个像素与该灰度该阈值T相比，比较结果为小于则将输出像素设为0，为大于则设为255，处理过程比较简单实用。
S2,按照一定帧数计算相邻两张灰度图像的像素点差值，获得一个像素点差值矩阵，公式如下：pointidif＝abs(An×m-Bn×m)，其中，An×m，Bn×m分别代表前面一张灰度图像的灰度值矩阵和后面一张灰度图像的灰度值矩阵，abs(·)代表取绝对值。
S3,求pointdif中元素的最大值Max；寻找多组发生火灾前后的火灾监控视频的两帧图像，计算得到多组最大像素差值，r为其均值；通过相邻两帧的火焰像素变化计算出火焰长、宽、高的变化率作为火焰特性。火焰发生时其形状和大小在不断变化，且在初期呈现连续增长趋势，而一般物体的面积并不会频繁发生变化，即使有干扰源其面积也能保持相对稳定，因此火焰特性变化率可以作为判别火焰膨胀变化的重要标准。
S4,若该Max大于设定阈值r，且该段图片数量大于预设值N1，则切断视频流，将该段视频流中的图像作为一个图像数据集；若该Max小于设定阈值r，且该段图片数量大于预设值N2，则切断视频流，将该段视频流中的图像作为一个图像数据集。
S5,为了进一步挖掘图像的信息,可以将上述获取到的火焰长宽高特性进行融合，各个特征分别记为L、W、H对这三个特征进行加权拼接,拼接后的特征称为融合特征，用X来表示,则图像的融合特征可以表示为:X＝[L,W,H]。
进一步地，计算机12通过基于卡尔曼滤波算法的神经网络模型进行模型训练的具体方法如图4所示，详细步骤如下：
S6,给定系统状态的初始值X0(L0、W0、H0)和协方差矩阵初始值P0；
S7,通过状态更新方程将系统状态向量由k-1时刻更新至k时刻，k＝1,2,3,…,n，n为图像集个数，即计算时间状态向量和协方差矩阵的校正前估计xkⅠk-1和PkⅠk-1；其中xkⅠk-1＝Axk-1，PkⅠk-1＝APk-1AT，xk是k时刻的系统状态，A为状态转移矩阵。
S8,计算卡尔曼增益Kk，Kk＝PkⅠk-1HT(H PkⅠk-1HT+R)-1，H为观测矩阵。
S9,利用观测k时刻卡尔曼增益Kk来校正状态向量和协方差矩阵的校正前估计，得到状态向量和协方差矩阵的校正后估计xk和Pk；
S10,重复S6至S9步骤。
智能控制系统包括DDC控制盘14为霍尼韦尔DDC控制器，射流风机开关控制器15，细水雾装置开关控制器16，射流风机18，细水雾装置20。DDC控制盘14通过信号转换器11与计算机12相连接，可以通过自动模式或者手动模式对射流风机18以及细水雾装置20进行智能开启控制，射流风机开关控制器15与射流风机18相连接，可根据计算机12的预测结果智能开启射流风机18组数，射流风机细水雾装置开关控制器16与细水雾装置20相连接，可根据计算机12的预测结果智能开启细水雾装置20。
进一步地，DDC控制盘14智能开启控制方法为：(1)当红外热成像传感器9捕捉到火灾发生即刻开启细水雾灭火装置。(2)当计算机12火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的30％时，开启一组射流风机。(3)当计算机12火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的60％时，开启两组射流风机。(4)当计算机12火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的90％时，开启三组射流风机。
实验1：
根据隧道模型实验台尺寸进行实施案例；射流风机沿隧道纵向中心面对称布置，风机压力为500Pa，各组风机之间的纵向距离均为4m，火源功率采用5MW；图5为实验1情况下未开启风机火焰分布示意图。由图5可以看出，火灾发生后，若不采取机械通风的措施，火焰主要在竖直方向蔓延。此时火焰高度可达到顶棚。
实验2：
建立与实验1相同的实验模型，在火灾初期开启细水雾灭火装置未开启射流风机。与实验1相比，细水雾喷入火场后,迅速蒸发形成蒸汽,体积急剧膨胀,降低了周围氧体积分数,在燃烧物周围形成一道屏障阻挡新鲜空气的吸入。火焰竖直蔓延高度与蔓延长度都相应减小。对比结果见图6，开启一组风机时火焰分布示意图；
实验3：
建立与实验1相同的实验模型，在火灾初期开启一组射流风机但未开启细水雾灭火装置。与实验1相比，当开启一组射流分风机时，火焰在受到纵向通风的作用后，竖直蔓延高度减小并向火源下游倾斜，蔓延长度增加。对比结果见图7，开启一组风机时火焰分布示意图；
实验4：
建立与实验1相同的实验模型，在火灾初期开启两组射流风机未开启细水雾灭火装置。与实验1相比，当开启两组射流分风机时，火焰竖直蔓延高度明显减小，火焰向下游蔓延距离明显增加。对比结果见图8，开启两组风机时火焰分布示意图；
实验5：
建立与实验1相同的实验模型，在火灾初期开启三组射流风机未开启细水雾灭火装置。与实验1相比，当开启三组射流分风机时，火焰受到三组射流风机的纵向通风作用后，竖直蔓延高度减小为最初的50％，但火焰向下游长度也随之增加。对比结果见图9，开启三组风机时火焰分布示意图；
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于火焰图像灰度处理技术的公路隧道火灾智能控制装置，其特征在于，包括：
实验台主体，是与实际单向双车道城市公路隧道尺寸成比例的隧道构造；
火源，位于隧道构造内部，并通过流量控制系统调节火源功率；
全景红外热成像仪监测系统，在隧道构造内进行不同火源功率的火灾实验时，对输入的红外热成像仪获取的火灾视频进行处理；
火灾预测系统，根据处理后的火灾视频结果构建时间序列火焰预测模型；
智能控制系统，控制火灾发展规模；
所述火灾预测系统包括信号转换器、计算机和高清显示屏；所述信号转换器是将图像转换器所转存的图像导入计算机中，计算机用Matlab软件处理火灾图像获取火灾火焰特性并运用基于卡尔曼滤波算法的神经网络模型进行火灾预测模型训练，预测最短时间3s的火情，所述高清显示屏能显示火灾发展预测不同阶段的火灾发展；
计算机用Matlab软件处理火灾图像的具体方法为：
S1：将所有火灾图像灰度化，在进行火焰图像的灰度处理时采用线性函数进行变换而得到特征更加明显的灰度图像，除了线性变换以外，还有对数变换、伽玛变换以及阈值变换，所述阈值变换为：通过设置一灰度阈值T，然后将原始图像中的每个像素与该灰度该阈值T相比，比较结果为小于则将输出像素设为0，为大于则设为255；
S2：按照一定帧数计算相邻两张灰度图像的像素点差值，获得一个像素点差值矩阵，公式如下：pointidif＝abs(An×m-Bn×m)，其中，An×m，Bn×m分别代表前面一张灰度图像的灰度值矩阵和后面一张灰度图像的灰度值矩阵，abs(·)代表取绝对值；
S3：求pointdif中元素的最大值Max；寻找多组发生火灾前后的火灾监控视频的两帧图像，计算得到多组最大像素差值，r为其均值；通过相邻两帧的火焰像素变化计算出火焰长、宽、高的变化率作为火焰特性；
S4：若该Max大于设定阈值r，且该火灾监控视频的图片数量大于预设值N1，则切断视频流，将该火灾监控视频的视频流中的图像作为一个图像数据集；若该Max小于设定阈值r，且该段图片数量大于预设值N2，则切断视频流，将该段视频流中的图像作为一个图像数据集；
S5：为了进一步挖掘图像的信息，将上述获取到的火焰长宽高特性进行融合，各个特征分别记为L、W、H，对这三个特征进行加权拼接,拼接后的特征称为融合特征，用X来表示，则图像的融合特征表示为:X＝[L,W,H]；
计算机通过基于卡尔曼滤波算法的神经网络模型进行模型训练的具体步骤如下：
S6,给定系统状态的初始值X0(L0、W0、H0)和协方差矩阵初始值P0；
S7,通过状态更新方程将系统状态向量由k-1时刻更新至k时刻，k＝1,2,3,…,n，n为图像集个数，即计算时间状态向量和协方差矩阵的校正前估计xkⅠk-1和PkⅠk-1；其中xkⅠk-1＝Axk-1，PkⅠk-1＝APk-1AT，xk是k时刻的系统状态，A为状态转移矩阵；
S8,计算卡尔曼增益Kk，Kk＝PkⅠk-1HT(H PkⅠk-1HT+R)-1，H为观测矩阵；
S9,利用观测k时刻卡尔曼增益Kk来校正状态向量和协方差矩阵的校正前估计，得到状态向量和协方差矩阵的校正后估计xk和Pk；
S10,重复S6至S9步骤。
2.根据权利要求1所述的一种基于火焰图像灰度处理技术的公路隧道火灾智能控制装置，其特征在于，所述实验台主体整体框架采用角钢搭建，所述实验台主体的外侧墙壁镶嵌10mm厚的防火玻璃；所述实验台主体的内侧墙壁、顶棚和底板均由20mm厚的防火板构成。
3.根据权利要求1所述的一种基于火焰图像灰度处理技术的公路隧道火灾智能控制装置，其特征在于，所述火源是由液化石油气灌通过输气管与止回阀、转子流量计和火源装置相串连实现火灾实验场景，调节转子流量计可控制输气管中液化石油气的流量进而得到不同火源功率下的火灾场景。
4.根据权利要求3所述的一种基于火焰图像灰度处理技术的公路隧道火灾智能控制装置，其特征在于，所述全景红外热成像仪监测系统包括二维舵机、红外热成像传感器和图像转换器，在所述火源装置的正面和侧面各安装一组所述全景红外热成像仪监测系统从而捕捉火灾场景正面和侧面两个角度的火焰特性获取火焰的长、宽、高。
5.根据权利要求4所述的一种基于火焰图像灰度处理技术的公路隧道火灾智能控制装置，其特征在于，所述二维舵机安装在所述红外热成像传感器的底部，并通过所述红外热成像传感器的内部的OPENMV图像处理与物体检测网络完成火焰识别；所述红外热成像传感器通过RS232协议与计算机通信，默认状态下每分钟进行一次火焰扫描；当发现火焰时，进入火灾紧急状态，此时红外热成像传感器将扫描间隔时间缩短至3秒，所述图像转换器可将所述红外热成像传感器所识别的火灾图像转存供计算机读取。
6.根据权利要求1所述的一种基于火焰图像灰度处理技术的公路隧道火灾智能控制装置，其特征在于，所述智能控制系统包括DDC控制盘、射流风机开关控制器、细水雾装置开关控制器、射流风机、细水雾装置；所述DDC控制盘通过信号转换器与计算机相连接，通过自动模式或者手动模式对射流风机以及细水雾装置进行智能开启控制，所述射流风机开关控制器与射流风机相连接，根据计算机的预测结果智能开启射流风机18组数，所述射流风机开关控制器、细水雾装置开关控制器与细水雾装置相连接，根据计算机的预测结果智能开启细水雾装置。
7.根据权利要求6所述的一种基于火焰图像灰度处理技术的公路隧道火灾智能控制装置，其特征在于，所述DDC控制盘的智能开启控制方法为：当红外热成像传感器捕捉到火灾发生即刻开启细水雾灭火装置；当计算机火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的30％时，开启一组射流风机；当计算机火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的60％时，开启两组射流风机；当计算机火灾预测火焰特性(L/W/H)在30s内的发展超出最大火焰预测的90％时，开启三组射流风机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346811.1A CN114663415B (zh) | 2022-03-31 | 2022-03-31 | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346811.1A CN114663415B (zh) | 2022-03-31 | 2022-03-31 | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114663415A CN114663415A (zh) | 2022-06-24 |
| CN114663415B true CN114663415B (zh) | 2024-06-04 |
Family
ID=82033576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210346811.1A Active CN114663415B (zh) | 2022-03-31 | 2022-03-31 | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114663415B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115499317B (zh) * | 2022-11-15 | 2023-04-07 | 阿里云计算有限公司 | 灰度验证方法、电子设备和可读存储介质 |
| CN116459603B (zh) * | 2023-03-28 | 2024-03-22 | 云南省交通规划设计研究院股份有限公司 | 一种隧道无人值守烟气洗消系统及监测方法 |
| CN117291293B (zh) * | 2023-08-29 | 2024-06-18 | 西南交通大学 | 隧道火场灾情感知和态势发展预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368771A (zh) * | 2020-03-11 | 2020-07-03 | 四川路桥建设集团交通工程有限公司 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
| CN113128412A (zh) * | 2021-04-22 | 2021-07-16 | 重庆大学 | 一种基于深度学习及火灾监控视频的火灾趋势预测方法 |
| CN113653535A (zh) * | 2021-09-16 | 2021-11-16 | 招商局重庆交通科研设计院有限公司 | 一种防火板保护下沉管隧道壁厚方向火灾温度场估计方法 |
| CN113850774A (zh) * | 2021-09-22 | 2021-12-28 | 清华珠三角研究院 | 一种隧道火灾预警方法、系统、装置及存储介质 |
-
2022
- 2022-03-31 CN CN202210346811.1A patent/CN114663415B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368771A (zh) * | 2020-03-11 | 2020-07-03 | 四川路桥建设集团交通工程有限公司 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
| CN113128412A (zh) * | 2021-04-22 | 2021-07-16 | 重庆大学 | 一种基于深度学习及火灾监控视频的火灾趋势预测方法 |
| CN113653535A (zh) * | 2021-09-16 | 2021-11-16 | 招商局重庆交通科研设计院有限公司 | 一种防火板保护下沉管隧道壁厚方向火灾温度场估计方法 |
| CN113850774A (zh) * | 2021-09-22 | 2021-12-28 | 清华珠三角研究院 | 一种隧道火灾预警方法、系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114663415A (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114663415B (zh) | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 | |
| CN110705071A (zh) | 一种融合火势预测模型的消防三维数字化预案的方法 | |
| CN107240216A (zh) | 基于3dgis+bim技术和人工智能运维应急报警与快速响应方法 | |
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| CN109637068A (zh) | 智能烟火识别系统 | |
| KR102216961B1 (ko) | 화재 감시 모니터링 장치 및 방법 | |
| JP4266535B2 (ja) | 黒煙検知システム | |
| CN111488802B (zh) | 一种利用热成像的温度曲线合成算法及火灾预警系统 | |
| CN105741477B (zh) | 带有智能消防语音助手的飞行器 | |
| CN112785809B (zh) | 一种基于ai图像识别火情复燃预测方法及系统 | |
| CN111899452A (zh) | 基于边缘计算的森林防火预警系统 | |
| CN112309068B (zh) | 一种基于深度学习的森林火灾预警方法 | |
| Huang et al. | A combined real-time intelligent fire detection and forecasting approach through cameras based on computer vision method | |
| CN114913663A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
| CN116416576A (zh) | 基于v3-yolox的烟雾/火焰双光视觉检测方法 | |
| CN116704694A (zh) | 高速公路隧道火灾自动防控方法及应急处置管理系统 | |
| CN108960131A (zh) | 机械式车库防人误入检测方法 | |
| CN116189372A (zh) | 一种应用大数据技术的森林防火多层预警监测系统及方法 | |
| Huang et al. | Smart tunnel fire safety management by sensor network and artificial intelligence | |
| CN111144465A (zh) | 一种面向多场景的烟雾检测算法及应用该算法的电子设备 | |
| CN105046869B (zh) | 一种基于双波段融合理论的森林防火监控系统 | |
| CN112735083A (zh) | 一种利用YOLOv5和OpenVINO进行火焰检测的嵌入式网关及其部署方法 | |
| CN111908288A (zh) | 一种基于TensorFlow的电梯安全系统及方法 | |
| CN112460737A (zh) | 一种保暖披肩生产用监测预警处理系统 | |
| CN114506221B (zh) | 基于高温超导磁浮的隧道火场环境侦测系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |