CN114842380A - 一种火灾监测方法、装置、系统、存储器和处理器 - Google Patents
一种火灾监测方法、装置、系统、存储器和处理器 Download PDFInfo
- Publication number
- CN114842380A CN114842380A CN202210457014.0A CN202210457014A CN114842380A CN 114842380 A CN114842380 A CN 114842380A CN 202210457014 A CN202210457014 A CN 202210457014A CN 114842380 A CN114842380 A CN 114842380A
- Authority
- CN
- China
- Prior art keywords
- video
- area
- suspected
- target area
- visibility
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 239000000779 smoke Substances 0.000 claims abstract description 68
- 230000005484 gravity Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 2
- 239000002994 raw material Substances 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
-
- 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
-
- 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
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Alarm Systems (AREA)
Abstract
本本申请公开了一种火灾监测方法、装置、系统、存储器和处理器，该火灾监测方法通过获取目标区域的能见度参数；获取目标区域的植被类型；获取目标区域的视频，所述视频通过设置于目标区域上方的摄像机实时拍摄获得；判断所述能见度参数是否大于预定的能见度参数阈值；当能见度参数大于预定的能见度参数阈值且所述植被类型为阔叶林时，识别所述视频中的疑似烟雾区域，否则识别所述视频中的疑似火焰区域；判断所述疑似烟雾区域或所述疑似火焰区域的面积是否有变大趋势，若是，判断出现火灾。本发明方法针对山林火灾定制，考虑了山林的特殊环境，能够解决山林中火灾监测容易出现误检、漏检的问题。
Description
技术领域
本申请涉及火灾监测，特别涉及位于山林中的火灾监测。
背景技术
为了促进社会经济发展，我国大力扩建输电线路规模，部分输电线路建设在远离城区的崇山峻岭。由于雷击、人为以及自燃等因素，输电线路附近会不可避免的出现火灾，从而对输电线路的运行产生重大影响。
因此，山林中的火灾有其自身的特点，例如，山林中易燃植被的种类不同，会导致火灾烟雾和明火出现的时间和是否易被察觉不同；火焰在白天和夜晚成像差异大，另外山林中由于海拔较高、空气能见度较好，在白天烟雾的外形与云朵容易混淆，但到晚上烟雾通常无法视觉检测。现有技术中，尚未有相关的技术考虑上述特点从而导致针对山林火灾的监测容易出现误检、漏检的情况。
发明内容
本申请实施例提供了一种火灾监测方法、装置、系统、存储器和处理器，以至少解决山林中火灾监测容易出现误检、漏检的问题。
根据本申请的一个方面，提供一种火灾监测方法，包括：
获取目标区域的能见度参数；
获取目标区域的植被类型；
获取目标区域的视频，所述视频通过设置于目标区域上方的摄像机实时拍摄获得；
判断所述能见度参数是否大于预定的能见度参数阈值；
当能见度参数大于预定的能见度参数阈值且所述植被类型为阔叶林时，识别所述视频中的疑似烟雾区域，否则识别所述视频中的疑似火焰区域；
判断所述疑似烟雾区域或所述疑似火焰区域的面积是否有变大趋势，若是，判断出现火灾。
进一步的，在本发明中，所述获取目标区域的能见度参数的方法，包括以下至少之一：
从气象部门获得能见度参数；
或，
获得所述目标区域的视频，所述视频中拍摄有预先设定的目标，利用预先训练好的机器学习模型识别所述视频对应的能见度参数；
或，
获取目标区域的地理位置，根据北京时间获得所述目标区域的当地时间，根据所述当地时间获得能见度参数。
进一步的，在本发明中，所述识别所述视频中的疑似烟雾区域，包括：
获取连续的多个视频帧组成的第一视频帧集合；
采用帧差法将所述第一视频帧集合中的位于时间序列上后续的视频帧减去时间序列上的第一帧，获得疑似烟雾区域的图片集合。
进一步的，在本发明中，判断所述疑似烟雾区域的面积是否有变大趋势之前，还包括：
识别所述疑似烟雾区域的图片集合中每张图片中的所述疑似烟雾区域重心位置；
判断所述每张图片中的重心位置是否位于山的脊线像素上方且每张图片中的重心位置位于预定的范围内；
将满足上述条件的疑似烟雾区域从所有的疑似烟雾区域中删除。
进一步的，在本发明中，识别所述视频中的疑似火焰区域，包括：
获取间隔的多个视频帧组成的第二视频帧集合；
采用预先训练好的语义分割模型分割每个视频帧中的疑似火焰区域。
进一步的，在本发明中，所述疑似火焰区域的面积是否有变大趋势，包括：
获取每个视频帧中的疑似火焰的像素的连通域；
将属于同一个所述视频帧的连通域的面积累加获得每个所述视频帧中的疑似火焰区域。
本申请的第二个方面，提供一种火灾监测装置，包括，
获取模块，用于获取目标区域的能见度参数；以及
用于获取目标区域的植被类型；以及
用于获取目标区域的视频，所述视频通过设置于目标区域上方的摄像机实时拍摄获得；
第一判断模块，用于判断所述能见度参数是否大于预定的能见度参数阈值；
识别模块，用于当能见度参数大于预定的能见度参数阈值且所述植被类型为阔叶林时，识别所述视频中的疑似烟雾区域，否则识别所述视频中的疑似火焰区域；
第二判断模块，用于判断所述疑似烟雾区域或所述疑似火焰区域的面积是否有变大趋势，若是，判断出现火灾。
本申请的第二个方面，提供一种火灾监测系统，包括，
摄像机，设置于目标区域上方且实时拍摄目以得到目标区域的视频；
软件，用于执行所述第一方面提供的方法；
以及，
报警装置，用于当判断出现火灾发出报警。
本申请的第三个方面，提供一种存储器，用于存储软件，所述软件用于执行上述第一方面提供的方法。
本申请的第四个方面，提供一种处理器，用于执行软件，所述软件用于执行上述第一方面提供的方法。
本申请公开了一种火灾监测方法、装置、系统、存储器和处理器，该火灾监测方法通过获取目标区域的能见度参数；获取目标区域的植被类型；获取目标区域的视频，所述视频通过设置于目标区域上方的摄像机实时拍摄获得；判断所述能见度参数是否大于预定的能见度参数阈值；当能见度参数大于预定的能见度参数阈值且所述植被类型为阔叶林时，识别所述视频中的疑似烟雾区域，否则识别所述视频中的疑似火焰区域；判断所述疑似烟雾区域或所述疑似火焰区域的面积是否有变大趋势，若是，判断出现火灾。本发明方法针对山林火灾定制，考虑了山林的特殊环境，能够解决山林中火灾监测容易出现误检、漏检的问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的火灾监测的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
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。
如图1所示，为本发明实施例提供的一种火灾监测方法，由图可知，该方法包括以下步骤：
步骤S102、获取目标区域的能见度参数；
获取目标区域的植被类型；
获取目标区域的视频，所述视频通过设置于目标区域上方的摄像机实时拍摄获得；
步骤S104、判断所述能见度参数是否大于预定的能见度参数阈值；
步骤S106、当能见度参数大于预定的能见度参数阈值且所述植被类型为阔叶林时，识别所述视频中的疑似烟雾区域，否则识别所述视频中的疑似火焰区域；
步骤S108、判断所述疑似烟雾区域或所述疑似火焰区域的面积是否有变大趋势，若是，判断出现火灾。
本实施例提供的火灾监测方法，通过考虑目标区域的植被类型和能见度，选择不同的火灾判断模型，针对能见度好的阔叶林区域，用烟雾模型来判断，针对其他情况，用火焰模型来判断。主要现场数据来源于摄像机拍摄的实时视频，在实时视频的基础上进行识别火灾。具体的，输电线路附近的易燃植被大致可分为三种：(1)阔叶林、(2)针叶林以及(3)地表草本层植被。当阔叶林发生火灾时，早期常以浓烟为主，明火并不明显，直至中后期明火才较为明显。当针叶林和地表草本层植被发生火灾时，明火通常一直较为明显。其次，火焰在白天和夜晚两种情况下的成像状态差异较大，且可能存在干扰物体。白天状态下，火焰通常以红黄色为主；而在夜晚，火焰通常以亮黄色为主。烟雾在白天的成像状态较为明显，但与天空中的云朵相似度较高。夜晚状态下，烟雾的成像特征并不明显，无法开展视觉检测。因此，本实施例提供的上述方法特别适用于山林的火灾监测，充分考虑了山林植被情况以及能见度、可能的干扰等因素，火灾监测准确度高。
在某些优选的实施例中，将上述方法应用于建立在山林间的输电线路时，当判断有火灾的情况下，本方法向消防单位发出报警的同时，进一步将当前烟雾的图像尺寸、植被种类、风向、水气浓度、烟雾区域重心与输电线路距离等信息事先训练好的神经网络模型判断是否需要向电力单位报警。
在本实施例中，能见度是决定是选用烟雾模型还是火焰模型的一种重要指标，因为本申请的现场数据来源为视频，该类数据受能见度的影响大，从视频中提到到烟雾还是火焰更合适，与能见度有很大的关系。能见度的大小，主要由两个因素决定：①目标物与衬托它的背景之间的亮度差异。差异愈大(小)，能见距离愈大(小)。但这种亮度差异通常变化不大。②大气透明度。观测者与目标物间的气层能减弱前述的亮度差异。大气透明度愈差(好)，能见距离愈小(大)。所以能见度的变化主要取决于大气透明度的好坏。而雾、烟、沙尘、大雪、毛毛雨等天气现象可使大气浑浊，透明度变小。所述获取目标区域的能见度参数的方法，包括以下至少之一：
方法一、从气象部门获得能见度参数。一般气象台、站所报告的是能见度参数为的代表值是“有效能见度”(测站视野一半以上范围都能达到的能见距离)。测量大气能见度一般可用目测的方法，也可以使用大气透射仪、激光能见度自动测量仪等测量仪器测量。一般能见度按如下划分标准：
1.能见度20-30公里能见度极好、视野清晰
2.能见度15-25公里能见度好、视野较清晰
3.能见度10-20公里能见度一般
4.能见度5-15公里能见度较差、视野不清晰
5.能见度1-10公里轻雾、能见度差、视野不清晰
6.能见度0.3-1公里大雾、能见度很差
7.能见度小于0.3公里重雾、能见度极差
8.能见度小于0.1公里浓雾、能见度极差
9能见度不足100米通常被认为为零。
在本实施例中，参照从气象部门获得的能见度为1-3级的，从视频帧中较容易分离处烟雾，认为适合于采用烟雾模型，否则，烟雾不易从视频帧中分离，不推荐采用烟雾模型。
方法二、获得所述目标区域的视频，所述视频中拍摄有预先设定的目标，利用预先训练好的机器学习模型识别所述视频对应的能见度参数。
利用若干训练数据，每个训练数据包括视频帧和标记的能见度参数，例如采用如方法一所示的有效能见度的标准等级作为能见度参数对每个视频帧进行标记，机器学习模型进行训练，获得的机器学习模型能够识别能见度，根据机器学习模型输出的能见度标准等级，如方法一种所述，能见度为1-3级的采用烟雾模型，否则不推荐采用烟雾模型。
方法三、获取目标区域的地理位置，根据北京时间获得所述目标区域的当地时间，根据所述当地时间获得能见度参数。
该方法主要是通过时间来粗略的估计能见度，认为白天更适合实用烟雾模型，晚上不适合使用烟雾模型，具体白天和晚上的区分需要按照当地时间来测算，因此，该方法具体包括：
首先，计算日出时间
其中，T1代表时区，l1代表经度，f代表日期的序列数，l2代表纬度。
其次，计算日落时间
本实施例中，将目标区域具体可以是某电力杆塔所在经纬度信息、所在时区等信息带入上面两式计算，可得到该杆塔所在区域的日出时间和日落时间。将当前北京时间与计算出来的日出和日落时间对比，可获知该电力杆塔所处环境是白天还是黑夜。
在上述实施例中，对符合采用烟雾模型的需要识别疑似烟雾区域，因此所述识别所述视频中的疑似烟雾区域，包括：
获取连续的多个视频帧组成的第一视频帧集合；具体的，在本实施例中，记录第一个原始视频帧，记为I0。随后每间隔5秒记录后续帧，总共统计25秒内的5幅后续帧，记为I1～I5。
采用帧差法将所述第一视频帧集合中的位于时间序列上后续的视频帧减去时间序列上的第一帧，获得疑似烟雾区域的图片集合。
由于白天烟雾容易与白云混淆，因此判断所述疑似烟雾区域的面积是否有变大趋势之前，还包括：
识别所述疑似烟雾区域的图片集合中每张图片中的所述疑似烟雾区域重心位置；
判断所述每张图片中的重心位置是否位于山的脊线像素上方且每张图片中的重心位置位于预定的范围内；
将满足上述条件的疑似烟雾区域从所有的疑似烟雾区域中删除。
具体的，在本实施例中，采用下式计算各疑似烟雾区域重心(x,y)：
其中，M00为疑似烟雾区域的零阶矩，M10和M01为疑似烟雾区域的一阶矩。在此基础上，遍历各疑似烟雾区域重心坐标，并由各重心向下画垂线，记录垂线与山脊线的交点坐标位置。若某一疑似烟雾区域重心坐标位于交点上方，且在后续帧中该区域重心无上升趋势，则滤除该疑似烟雾区域；反之，保留该疑似烟雾区域。
在上述实施例中，当选择火焰模型时，具体识别所述视频中的疑似火焰区域，包括：
获取间隔的多个视频帧组成的第二视频帧集合；
采用预先训练好的语义分割模型分割每个视频帧中的疑似火焰区域。
更细节的，在上述实施例汇总，所述疑似火焰区域的面积是否有变大趋势，包括：
获取每个视频帧中的疑似火焰的像素的连通域；
将属于同一个所述视频帧的连通域的面积累加获得每个所述视频帧中的疑似火焰区域。
例如，本实施例中，用语义分割网络，间隔5秒分割视频帧中的疑似火焰像素。分别统计各视频帧连通域的数量，对各连通域标号，将各连通域视为疑似火焰区域；按该步骤所述方法持续统计5幅视频帧中的疑似火焰区域，若视频帧中疑似火焰区域面积呈上升趋势，则认为火势持续蔓延，向消防单位报警。
本发明的实施例还提供一种火灾监测装置，包括，
第一获取模块，用于获取目标区域的能见度参数；
第二获取模块，用于获取目标区域的植被类型；
第三获取模块，用于获取目标区域的视频，所述视频通过设置于目标区域上方的摄像机实时拍摄获得；
第一判断模块，用于判断所述能见度参数是否大于预定的能见度参数阈值；
识别模块，用于当能见度参数大于预定的能见度参数阈值且所述植被类型为阔叶林时，识别所述视频中的疑似烟雾区域，否则识别所述视频中的疑似火焰区域；
第二判断模块，用于判断所述疑似烟雾区域或所述疑似火焰区域的面积是否有变大趋势，若是，判断出现火灾。
本发明的实施例还提供一种火灾监测系统，包括，
摄像机，设置于目标区域上方且实时拍摄目以得到目标区域的视频，一般设置于较高的电力杆塔上或者铁塔上；
软件，用于执行上述火灾监测方法；
以及，
报警装置，用于当判断出现火灾发出报警，包括向消防部门和电力部门按照不同的报警机制进行报警。
山林中电力杆塔或铁塔在建设之初，均是严格按照设计好的坐标点位进行布置的，因此，作为可选的实施例，对所述摄像机中的视频打上所在电力杆塔或铁塔的坐标点位，所述软件在执行上述火灾监测方法的过程中，特别是需要报警时，能够将对应的坐标点位数据进行报告，方便相关部门即使定位到有火灾风险的具体位置。
根据本申请的再一个方面，提供一种处理器，用于执行软件，所述软件用于执行所述的火灾监控一种方法。
根据本申请的又一个方面，提供一种存储器，用于存储软件，所述软件用于执行所述的火灾监控方法。
需要说明的是，上述软件执行的火灾监控与前面的介绍的火灾监控相同，在此不再赘述。
在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种火灾监测方法，其特征在于：
获取目标区域的能见度参数；
获取目标区域的植被类型；
获取目标区域的视频，所述视频通过设置于目标区域上方的摄像机实时拍摄获得；
判断所述能见度参数是否大于预定的能见度参数阈值；
当能见度参数大于预定的能见度参数阈值且所述植被类型为阔叶林时，识别所述视频中的疑似烟雾区域，否则识别所述视频中的疑似火焰区域；
判断所述疑似烟雾区域或所述疑似火焰区域的面积是否有变大趋势，若是，判断出现火灾。
2.根据权利要求1所述的方法，其特征在于：所述获取目标区域的能见度参数的方法，包括以下至少之一：
从气象部门获得能见度参数；
或，
获得所述目标区域的视频，所述视频中拍摄有预先设定的目标，利用预先训练好的机器学习模型识别所述视频对应的能见度参数；
或，
获取目标区域的地理位置，根据北京时间获得所述目标区域的当地时间，根据所述当地时间获得能见度参数。
3.根据权利要求1所述的方法，其特征在于：所述识别所述视频中的疑似烟雾区域，包括：
获取连续的多个视频帧组成的第一视频帧集合；
采用帧差法将所述第一视频帧集合中的位于时间序列上后续的视频帧减去时间序列上的第一帧，获得疑似烟雾区域的图片集合。
4.根据权利要求3所述的方法，其特征在于：判断所述疑似烟雾区域的面积是否有变大趋势之前，还包括：
识别所述疑似烟雾区域的图片集合中每张图片中的所述疑似烟雾区域重心位置；
判断所述每张图片中的重心位置是否位于山的脊线像素上方且每张图片中的重心位置位于预定的范围内；
将满足上述条件的疑似烟雾区域从所有的疑似烟雾区域中删除。
5.根据权利要求1所述的方法，其特征在于：识别所述视频中的疑似火焰区域，包括：
获取间隔的多个视频帧组成的第二视频帧集合；
采用预先训练好的语义分割模型分割每个视频帧中的疑似火焰区域。
6.根据权利要求5所述的方法，其特征在于：所述疑似火焰区域的面积是否有变大趋势，包括：
获取每个视频帧中的疑似火焰的像素的连通域；
将属于同一个所述视频帧的连通域的面积累加获得每个所述视频帧中的疑似火焰区域。
7.一种火灾监测装置，其特征在于：包括，
获取模块，用于获取目标区域的能见度参数；以及
用于获取目标区域的植被类型；以及
用于获取目标区域的视频，所述视频通过设置于目标区域上方的摄像机实时拍摄获得；
第一判断模块，用于判断所述能见度参数是否大于预定的能见度参数阈值；
识别模块，用于当能见度参数大于预定的能见度参数阈值且所述植被类型为阔叶林时，识别所述视频中的疑似烟雾区域，否则识别所述视频中的疑似火焰区域；
第二判断模块，用于判断所述疑似烟雾区域或所述疑似火焰区域的面积是否有变大趋势，若是，判断出现火灾。
8.一种火灾监测系统，其特征在于：包括，
摄像机，设置于目标区域上方且实时拍摄目以得到目标区域的视频；
软件，用于执行所述权利要求1-7中任意一项所述的方法；
以及，
报警装置，用于当判断出现火灾发出报警。
9.一种存储器，其特征在于：用于存储软件，所述软件用于执行所述权利要求1-7中任意一项所述的方法。
10.一种处理器，其特征在于：用于执行软件，所述软件用于执行所述权利要求1-7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210457014.0A CN114842380B (zh) | 2022-04-27 | 2022-04-27 | 一种火灾监测方法、装置、系统、存储器和处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210457014.0A CN114842380B (zh) | 2022-04-27 | 2022-04-27 | 一种火灾监测方法、装置、系统、存储器和处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114842380A true CN114842380A (zh) | 2022-08-02 |
| CN114842380B CN114842380B (zh) | 2024-05-14 |
Family
ID=82567829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210457014.0A Active CN114842380B (zh) | 2022-04-27 | 2022-04-27 | 一种火灾监测方法、装置、系统、存储器和处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114842380B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311000A (zh) * | 2023-05-16 | 2023-06-23 | 合肥中科类脑智能技术有限公司 | 烟火检测方法、检测装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050271247A1 (en) * | 2004-05-18 | 2005-12-08 | Axonx, Llc | Fire detection method and apparatus |
| US20090315722A1 (en) * | 2008-06-20 | 2009-12-24 | Billy Hou | Multi-wavelength video image fire detecting system |
| US20160313120A1 (en) * | 2013-12-16 | 2016-10-27 | Obshestvo S Ogranichennoj Otvetstvennostyu "Disikon" | Method for determination of optimal forest video monitoring system configuration |
| CN108597172A (zh) * | 2018-04-16 | 2018-09-28 | 河南理工大学 | 一种森林火灾识别方法、装置、电子设备及存储介质 |
| CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
| CN111626188A (zh) * | 2020-05-26 | 2020-09-04 | 西南大学 | 一种室内不可控明火监测方法及系统 |
| WO2021212443A1 (zh) * | 2020-04-20 | 2021-10-28 | 南京邮电大学 | 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及系统 |
| CN114120171A (zh) * | 2021-10-28 | 2022-03-01 | 华能盐城大丰新能源发电有限责任公司 | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 |
-
2022
- 2022-04-27 CN CN202210457014.0A patent/CN114842380B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050271247A1 (en) * | 2004-05-18 | 2005-12-08 | Axonx, Llc | Fire detection method and apparatus |
| US20090315722A1 (en) * | 2008-06-20 | 2009-12-24 | Billy Hou | Multi-wavelength video image fire detecting system |
| US20160313120A1 (en) * | 2013-12-16 | 2016-10-27 | Obshestvo S Ogranichennoj Otvetstvennostyu "Disikon" | Method for determination of optimal forest video monitoring system configuration |
| CN108597172A (zh) * | 2018-04-16 | 2018-09-28 | 河南理工大学 | 一种森林火灾识别方法、装置、电子设备及存储介质 |
| CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
| WO2021212443A1 (zh) * | 2020-04-20 | 2021-10-28 | 南京邮电大学 | 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及系统 |
| CN111626188A (zh) * | 2020-05-26 | 2020-09-04 | 西南大学 | 一种室内不可控明火监测方法及系统 |
| CN114120171A (zh) * | 2021-10-28 | 2022-03-01 | 华能盐城大丰新能源发电有限责任公司 | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| ""Detection_of_Forest_Fires_Based_on_Aerial_Survey_Data_Using_Neural_Network_Technologies"", 《2019 INTERNATIONAL MULTI-CONFERENCE ON INDUSTRIAL ENGINEERING AND MODERN TECHNOLOGIES》, 19 December 2019 (2019-12-19) * |
| JONG-HWAN KIM: ""Feature Selection for Intelligent Firefighting Robot Classification of Fire, Smoke, and Thermal Reflections Using Thermal Infrared Images"", 《JOURNAL OF SENSORS》, 2 November 2016 (2016-11-02) * |
| 刘凯;魏艳秀;许京港;赵永政;蔡志勇;: "基于计算机视觉的森林火灾识别算法设计", 森林工程, no. 04, 11 July 2018 (2018-07-11) * |
| 徐爱俊;方陆明;楼雄伟;: "基于可见光视频的森林火灾识别算法", 北京林业大学学报, no. 02, 15 March 2010 (2010-03-15) * |
| 赵春雷: ""引入Himawari-8卫星数据协变量的能见度样条插值方法"", 《气象科技》, 15 February 2020 (2020-02-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311000A (zh) * | 2023-05-16 | 2023-06-23 | 合肥中科类脑智能技术有限公司 | 烟火检测方法、检测装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114842380B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100538757C (zh) | 基于全方位视觉传感器的火灾监控装置 | |
| US9390604B2 (en) | Fire detection system | |
| CN104766086B (zh) | 一种公路标识的监管方法和系统 | |
| Hess et al. | Geocoded digital videography for validation of land cover mapping in the Amazon basin | |
| CN111091072A (zh) | 一种基于YOLOv3的火焰及浓烟检测方法 | |
| CN115348247A (zh) | 基于天空地一体化技术的森林火灾检测预警及决策系统 | |
| CN103106766A (zh) | 林火识别方法与系统 | |
| CN103778418A (zh) | 一种输电线路杆塔图像监测系统的山火图像识别方法 | |
| CN102646311A (zh) | 实时动态巡航图像智能烟雾火情检测系统 | |
| CN107481268A (zh) | 基于modis遥感数据的森林防火监控方法 | |
| CN105021528A (zh) | 一种基于视频的道路气象检测装置 | |
| CN114419231B (zh) | 基于点云数据和ai技术的交通设施矢量识别提取分析系统 | |
| CN105608417A (zh) | 交通信号灯检测方法及装置 | |
| CN114419835A (zh) | 一种基于数字孪生技术的历史建筑火灾监测方法及系统 | |
| CN114842380B (zh) | 一种火灾监测方法、装置、系统、存储器和处理器 | |
| CN105528581B (zh) | 基于仿生颜色感应模型的视频烟雾事件智能检测方法 | |
| Couto-Santos et al. | The influence of the conservation status and changes in the rainfall regime on forest-savanna mosaic dynamics in Northern Brazilian Amazonia | |
| CN116189371A (zh) | 一种基于物联网的森林防火消防设施联动管理系统及方法 | |
| CN113326783A (zh) | 一种水利行业的边缘预警方法 | |
| CN114998737A (zh) | 一种远距离烟雾检测方法、系统、电子设备及介质 | |
| CN109902666B (zh) | 一种基于二维otsu的电网山火潜在火点识别方法 | |
| CN114418932A (zh) | 一种基于数字孪生技术的历史建筑修复方法及系统 | |
| CN113128422A (zh) | 一种深度神经网络的图像烟火检测方法及系统 | |
| CN112528715B (zh) | 一种船只监控方法、装置及设备、存储介质 | |
| JP7255583B2 (ja) | プラント監視システムのシミュレーション装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |