CN115240353A - 一种基于物联传感的消防险情处理方法 - Google Patents
一种基于物联传感的消防险情处理方法 Download PDFInfo
- Publication number
- CN115240353A CN115240353A CN202211146747.9A CN202211146747A CN115240353A CN 115240353 A CN115240353 A CN 115240353A CN 202211146747 A CN202211146747 A CN 202211146747A CN 115240353 A CN115240353 A CN 115240353A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- image
- sequence
- fire
- temperature
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 193
- 239000000779 smoke Substances 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及智慧消防预警技术领域，具体涉及一种基于物联传感的消防险情处理方法，该方法利用不同的传感器实时采集待检测环境的环境数据；将预设数量的红外图像作为一段环境图像序列，获取异常图像及其异常区域，计算相邻两帧异常图像的子集性，基于子集性筛选出异常序列；将异常序列上传至云端，获取异常序列的异常概率；获取首帧异常图像到异常序列末帧图像之间所有时刻烟雾浓度的主成分方向的增大趋势；基于异常概率和增大趋势获取火灾概率，当火灾概率大于预设的火灾概率阈值时，识别为发生火灾并预警。本发明首先初步识别异常环境，上传至云端结合不同环境数据得到更为准确的分析结果，大大减少了云端的运算负荷，能够及时检测到险情。
Description
技术领域
本发明涉及智慧消防预警技术领域，具体涉及一种基于物联传感的消防险情处理方法。
背景技术
火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。现有的火灾检测大多基于各种传感器的阈值判别方法判断是否有火灾发生，例如通过烟雾报警器检测烟雾浓度达到一定程度时，进行火灾预警。然而利用不同传感器检测火灾时，均存在不足之处，例如感烟探测器采用的是散射原理，根据烟雾对光的散射强度生成探测信号，当出现的是黑烟时，往往检测不到，会形成漏报。
随着网络的快速发展，逐渐出现了基于物联网的消防险情处理方法，大多是将传感器采集到的所有数据均传送到云端，大大加大了云端的计算量，容易将算力分配到一些根本不存在异常的数据的识别过程中，导致不能及时检测得到是否发生了险情，当检测到险情的存在时，已经较为严重，需要采取较大的人力物力进行消防处理。
发明内容
为了解决云端计算量过大，不能及时检测到火灾险情的问题，本发明提供一种基于物联传感的消防险情处理方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于物联传感的消防险情处理方法，该方法包括以下步骤：
利用不同的传感器实时采集待检测环境的环境数据，所述环境数据包括温度、烟雾浓度、红外图像以及RGB图像；
将预设数量的红外图像作为一段环境图像序列，通过相邻帧红外图像之间的温度变化得到首帧异常图像，以首帧异常图像之后的每帧红外图像作为异常图像，获取异常图像的异常区域，以相邻两帧异常图像的异常区域的交并比作为对应两帧异常图像的子集性，每段环境图像序列的所有子集性组成一个子集性序列；
以子集性序列中所有子集性的平均子集性与子集性分布差异的比值作为对应子集性序列的连续性，将连续性大于预设的连续阈值的子集性序列对应的环境图像序列作为异常序列；
将所述异常序列上传至云端，在所述异常序列对应的每帧RGB图像中识别出感温传感器的连通域，并以感温传感器的读数作为对应连通域的中心点温度值，基于连通域在对应红外图像中每个像素点与中心点的灰度差以及所述中心点温度值得到每帧RGB图像的感温热图；
根据异常区域在感温热图中对应的像素点的灰度值大于感温传感器阈值的数量获取所述异常序列的异常概率；统计首帧异常图像到所述异常序列末帧图像之间每个时刻下的烟雾浓度，并获取所有烟雾浓度的主成分方向，获取主成分方向的增大趋势；
以所述增大趋势加上预设数值的和作为系数，与所述异常概率相乘，得到的乘积为所述异常序列的火灾概率，当火灾概率大于预设的火灾概率阈值时，识别为发生火灾并预警。
优选的，所述首帧异常图像的获取方法为：
分别获取相邻两帧红外图像中像素点灰度值的最大值，将两个最大值作差，计算差值与相邻帧中的前面一帧的最大值的比值，比值初次大于预设的异常阈值时对应的红外图像为所述首帧异常图像。
优选的，所述异常区域的获取方法为：
将异常图像与异常图像的前一帧图像进行帧差，得到的帧差图像作为所述异常图像的异常区域。
优选的，所述感温传感器的连通域的识别方法为：
通过语义分割得到只含有感温传感器的掩膜图像，将所述掩膜图像与所述RGB图像相乘，识别出所述感温传感器的连通域。
优选的，所述感温热图的获取方法为：
将所述连通域映射在对应的红外图像上，计算在红外图像中连通域的每个像素点的灰度值减去连通域中心点的灰度值作为对应像素点的像素值，得到差温图像；将差温图像上每个像素点的灰度值与中心点温度值的和作为对应像素点的灰度值，得到所述感温热图。
优选的，所述异常概率的获取方法为：
获取异常区域在感温热图中对应的像素点的灰度值，计算大于感温传感器阈值的灰度值在所述异常区域中的数量占比，计算异常序列中的所有异常区域对应的数量占比的平均值，以及方差，以所述平均值和所述方差的比值作为所述异常概率。
优选的，所述增大趋势的获取方法为：
以时间作为横坐标，以烟雾浓度作为纵坐标，构建二维坐标系，利用PCA算法获得所有烟雾浓度的主成分方向，并获取该主成分方向与横坐标轴之间的夹角，以所述夹角与直角角度的比值作为所述增大趋势。
优选的，所述子集性分布差异为子集性序列中所有子集性的标准差。
本发明实施例至少具有如下有益效果：
火灾的发生都存在一个起火源头，利用连续多帧反映大范围温度的红外图像进行温度变化比较得到首帧异常图像，代表了出现火灾后火源温度突然升高而导致首先出现异常的图像，环境图像序列中首帧异常图像后的所有图像都为异常图像，获取首帧异常图像的异常区域，通过计算相邻两帧异常图像的异常区域的交并比作为子集性判断后一帧异常图像中的异常区域是否为前一帧异常图像的异常区域的子集，如果是子集的话，出现异常的概率较大，然后计算环境图像序列中所有子集性的连续性，如果是连续子集的话，很有可能出现了异常，将大于连续阈值的子集性序列对应的环境图像序列作为异常序列；在本地终端对消防数据进行筛选，筛选得到异常数据，即这些数据中有较大概率存在异常情况，然后将对应数据发送到云端，通过云端的强大算力进行精确识别，是否确实存在险情。云端计算时，获取异常序列的异常概率和烟雾浓度对应的主成分方向的增大趋势，两者相互结合得到异常序列的火灾概率，利用体现局部温度的温感传感器以及烟雾浓度对初步判定异常的数据进行精确识别，识别出发生火灾的环境并预警。本发明首先在本地进行简单的计算有较大概率出现异常的环境，上传至云端结合不同环境数据得到更为准确的分析结果，大大减少了云端的运算负荷，有助于及时检测到险情。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于物联传感的消防险情处理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于物联传感的消防险情处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于物联传感的消防险情处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于物联传感的消防险情处理方法的步骤流程图，该方法包括以下步骤：
步骤S001，利用不同的传感器实时采集待检测环境的环境数据，环境数据包括温度、烟雾浓度、红外图像以及RGB图像。
具体的，通过感温传感器采集温度，通过感烟探测器采集烟雾浓度，通过感光探测器采集红外图像。
其中，本发明实施例采用的感光传感器与只能获得热红外图像的单个波段的常规感光传感器相比，增加了RGB三个波段，采集RGB图像，用于对视野范围内的感温传感器进行识别。
步骤S002，将预设数量的红外图像作为一段环境图像序列，通过相邻帧红外图像之间的温度变化得到首帧异常图像，以首帧异常图像之后的每帧红外图像作为异常图像，获取异常图像的异常区域，以相邻两帧异常图像的异常区域的交并比作为对应两帧异常图像的子集性，每段环境图像序列的所有子集性组成一个子集性序列。
具体的步骤包括：
1、获取环境图像序列中的首帧异常图像。
将预设数量的红外图像作为一段环境图像序列，即对待检测环境分时段检测，在本发明实施例中每100帧红外图像作为一段环境图像序列。
对于一段环境图像序列，分别获取相邻两帧红外图像中像素点灰度值的最大值，将两个最大值作差，计算差值与相邻帧中的前面一帧的最大值的比值，比值初次大于预设的异常阈值时对应的红外图像为首帧异常图像。
火灾的发生必然有一个源头，无论是短路或化学药品泄漏导致的起火，必然存在一个起火源头，火势从该源头位置开始向周围蔓延，表现在热红外图像上即相邻帧图像中灰度值较大区域的不断扩大，红外图像上灰度值越大，对应像素点的温度值越高，当发生火灾时，表现为红外图像上某些区域的灰度值突然变大，感光探测器的温度检测范围往往较大，虽然原本环境中也存在温度值，但该温度值较小，当火灾发生时，温度值相对于环境中的温度值来说很高，例如：在没有发生火灾时，热红外图像上的温度最大值对应的像素点的灰度值为80，发生火灾时，热红外图像上的温度最大值对应的像素点的灰度值可能变为200。因此通过相邻帧红外图像之间的温度变化得到首帧异常图像。通过实时计算每帧红外图像和前一帧红外图像的像素点灰度最大值的差值，与相邻帧中的前面一帧的最大值的比值
，其中n表示当前帧图像上的灰度最大值，m表示前一帧图像上的灰度最大值，比值
反映了相邻两帧红外图像的最大值变化程度，比值越大，相邻两帧红外图像的差异越大，越有可能突然出现异常，因此将比值初次大于预设的异常阈值时对应的红外图像为首帧异常图像。
需要说明的是，异常阈值为根据实际情况预设的数值，作为一个示例，本发明实施例中异常阈值为0.3。
2、以首帧异常图像之后的每帧红外图像作为异常图像，将异常图像与异常图像的前一帧图像进行帧差，得到的帧差图像作为异常图像的异常区域。
3、以相邻两帧异常图像的异常区域的交并比作为对应两帧异常图像的子集性，每段环境图像序列的所有子集性组成一个子集性序列。
如果相邻两帧异常图像中后一帧异常图像上的异常区域是前一帧异常图像上异常区域的子集，则有可能出现了异常。
步骤S003，以子集性序列中所有子集性的平均子集性与子集性分布差异的比值作为对应子集性序列的连续性，将连续性大于预设的连续阈值的子集性序列对应的环境图像序列作为异常序列。
具体的步骤包括：
1、获取子集性序列的连续性。
以子集性序列中所有子集性的平均子集性与子集性分布差异的比值作为对应子集性序列的连续性，其中，平均子集性为所有子集性的平均值，子集性分布差异为子集性序列中所有子集性的标准差。
如果一个子集性序列的平均值较大，说明连续多帧异常图像中后一帧异常图像上的异常区域或者部分区域是前一帧异常图像上异常区域的子集，对应的环境图像序列出现异常的可能性就比较大；子集性分布差异越小，子集性分布越均匀，可能连续出现了后一帧异常区域或者部分区域是前一帧异常区域的子集的情况，对应的环境图像序列出现异常的可能性就比较大。所以连续性越大，对应的环境图像序列出现异常的可能性就越大。
在其他实施例中，子集性分布差异还可以是子集性序列中所有子集性的方差、极差等能够表示子集性序列分布情况的参数。
2、筛选出异常序列。
将连续性大于预设的连续阈值的子集性序列对应的环境图像序列作为异常序列。
连续性越大，对应的环境图像序列出现异常的可能性就越大，因此根据实际情况预设一个连续阈值，当连续性大于连续阈值时，初步判定有火灾风险，对应的环境图像序列列为异常序列。
上述步骤是在本地终端对消防数据先行进行筛选，得到有较大概率存在异常情况的异常数据，然后将异常数据发送到云端，通过云端的强大算力进行精确识别，是否确实存在险情。
步骤S004，将异常序列上传至云端，在异常序列对应的每帧RGB图像中识别出感温传感器的连通域，并以感温传感器的读数作为对应连通域的中心点温度值，基于连通域在对应红外图像中每个像素点与中心点的灰度差以及中心点温度值得到每帧RGB图像的感温热图。
具体的步骤包括：
1、将异常序列上传至云端，识别出感温传感器的连通域。
将异常数据保留上传至云端进行后续的精确计算，非异常数据认为未发生火灾，对应的环境图像数据不再进行下一步的计算。
通过语义分割得到只含有感温传感器的掩膜图像，将掩膜图像与RGB图像相乘，识别出感温传感器的连通域。
温度越高，红外图像中对应区域的亮度值越大。当火灾发生时，由于热量传递性，某个区域温度较高时，会导致周围较大区域的温度也较高，由于热红外图像中每个像素点的不同亮度值表示的温度值的范围较大，因此需要通过结合感温传感器对红外图像中不同亮度的像素点表示的温度值进行较为准确的评估。
通过语义分割得到只含有感温传感器的掩膜图像，掩膜图像中属于感温传感器的像素点的像素值为1，其他像素点为0，将掩膜图像与RGB图像相乘，得到只含有感温传感器的图像，去除了背景的干扰，即识别出了感温传感器的连通域。
2、获取每帧RGB图像的感温热图。
将连通域映射在对应的红外图像上，计算在红外图像中连通域的每个像素点的灰度值减去连通域中心点的灰度值作为对应像素点的像素值，得到差温图像；将差温图像上每个像素点的灰度值与中心点温度值的和作为对应像素点的灰度值，得到感温热图。
步骤S005，根据异常区域在感温热图中对应的像素点的灰度值大于感温传感器阈值的数量获取异常序列的异常概率；统计首帧异常图像到异常序列末帧图像之间每个时刻下的烟雾浓度，并获取所有烟雾浓度的主成分方向，获取主成分方向的增大趋势。
具体的步骤包括：
1、根据异常区域在感温热图中对应的像素点的灰度值大于感温传感器阈值的数量获取异常序列的异常概率。
获取异常区域在感温热图中对应的像素点的灰度值，计算大于感温传感器阈值的灰度值在异常区域中的数量占比，计算异常序列中的所有异常区域对应的数量占比的平均值，以及方差，以平均值和方差的比值作为异常概率。
具体的计算公式为：
其中，p1表示异常概率，q(i)表示第i帧感温热图中大于感温传感器阈值的灰度值在异常区域中的数量占比，
表示异常序列中的所有异常区域对应的数量占比的方差。
如果所有感温热图中的异常区域中温度值达到感温传感器阈值的像素点越多，则发生火灾的概率越大；方差越小，数量占比分布越均匀，当数量占比的平均值越大的同时方差越小，说明数量占比都很大，火灾概率越大。
2、获取增大趋势。
以时间作为横坐标，以烟雾浓度作为纵坐标，构建二维坐标系，利用PCA算法获得所有烟雾浓度的主成分方向，并获取该主成分方向与横坐标轴之间的夹角，以夹角与直角角度的比值作为增大趋势。
感烟探测器是通过烟雾浓度来对火灾情况进行检测的，火灾初期，烟雾较少可能没有达到报警阈值，但此时结合前两个步骤中得到的概率就可以对火灾初期的轻微异常情况进行检测。
首先获得首帧异常图像对应的时间记为t1，获取异常序列末帧图像即第100帧异常图像对应时间记为t2，获得t1到t2之间的所有烟雾浓度，以时间作为横坐标，以烟雾浓度作为纵坐标，构建二维坐标系，得到所有烟雾浓度在二维坐标系中的坐标值。利用PCA算法获得这些数据的K个预备主成分方向，每个预备主成分方向都是一个2维的单位向量，每个预备主成分方向对应一个特征值，取特征值最大的预备主成分方向，作为主成分方向，表示这些数据投影方差最大的方向，即这些数据的主要分布方向。
只要主成分方向与横坐标轴的夹角
大于0°，就说明烟雾浓度呈增大趋势，
越大，增大趋势越大，则增大趋势的计算公式为：
。
增大趋势代表了数据的可信度，增大趋势越大，对应的烟雾浓度上升速度越快，越有可能是发生了火灾。
步骤S006，以增大趋势加上预设数值的和作为系数，与异常概率相乘，得到的乘积为异常序列的火灾概率，当火灾概率大于预设的火灾概率阈值时，识别为发生火灾并预警。
具体的步骤包括：
1、获取异常序列的火灾概率。
以增大趋势加上预设数值的和作为系数，与异常概率相乘，得到的乘积为异常序列的火灾概率，即
，增大趋势
代表了数据的可信度，即确实发生了火灾的可能性，因此需要用一个大于1的数字来增强异常概率，故而将（1+p2）作为p1的系数。
2、当火灾概率大于预设的火灾概率阈值时，识别为发生火灾并预警。
火灾概率阈值为根据实际情况预先设定的数值，在本发明实施例中预设为0.8，当火灾概率p大于0.8时，认为发生了火灾，此时进行预警，还可以通过预设火灾处理措施使火灾概率大于0.8时采取相应措施。
综上所述，本发明实施例利用不同的传感器实时采集待检测环境的环境数据，环境数据包括温度、烟雾浓度、红外图像以及RGB图像；将预设数量的红外图像作为一段环境图像序列，通过相邻帧红外图像之间的温度变化得到首帧异常图像，以首帧异常图像之后的每帧红外图像作为异常图像，获取异常图像的异常区域，以相邻两帧异常图像的异常区域的交并比作为对应两帧异常图像的子集性，每段环境图像序列的所有子集性组成一个子集性序列；以子集性序列中所有子集性的平均子集性与子集性分布差异的比值作为对应子集性序列的连续性，将连续性大于预设的连续阈值的子集性序列对应的环境图像序列作为异常序列；将异常序列上传至云端，在异常序列对应的每帧RGB图像中识别出感温传感器的连通域，并以感温传感器的读数作为对应连通域的中心点温度值，基于连通域在对应红外图像中每个像素点与中心点的灰度差以及中心点温度值得到每帧RGB图像的感温热图；根据异常区域在感温热图中对应的像素点的灰度值大于感温传感器阈值的数量获取异常序列的异常概率；统计首帧异常图像到异常序列末帧图像之间每个时刻下的烟雾浓度，并获取所有烟雾浓度的主成分方向，获取主成分方向的增大趋势；以增大趋势加上预设数值的和作为系数，与异常概率相乘，得到的乘积为异常序列的火灾概率，当火灾概率大于预设的火灾概率阈值时，识别为发生火灾并预警。本发明首先在本地进行简单的计算有较大概率出现异常的环境，上传至云端结合不同环境数据得到更为准确的分析结果，大大减少了云端的运算负荷，有助于及时检测到险情。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于物联传感的消防险情处理方法，其特征在于，该方法包括以下步骤：
利用不同的传感器实时采集待检测环境的环境数据，所述环境数据包括温度、烟雾浓度、红外图像以及RGB图像；
将预设数量的红外图像作为一段环境图像序列，通过相邻帧红外图像之间的温度变化得到首帧异常图像，以首帧异常图像之后的每帧红外图像作为异常图像，获取异常图像的异常区域，以相邻两帧异常图像的异常区域的交并比作为对应两帧异常图像的子集性，每段环境图像序列的所有子集性组成一个子集性序列；
以子集性序列中所有子集性的平均子集性与子集性分布差异的比值作为对应子集性序列的连续性，将连续性大于预设的连续阈值的子集性序列对应的环境图像序列作为异常序列；
将所述异常序列上传至云端，在所述异常序列对应的每帧RGB图像中识别出感温传感器的连通域，并以感温传感器的读数作为对应连通域的中心点温度值，基于连通域在对应红外图像中每个像素点与中心点的灰度差以及所述中心点温度值得到每帧RGB图像的感温热图；
根据异常区域在感温热图中对应的像素点的灰度值大于感温传感器阈值的数量获取所述异常序列的异常概率；统计首帧异常图像到所述异常序列末帧图像之间每个时刻下的烟雾浓度，并获取所有烟雾浓度的主成分方向，获取主成分方向的增大趋势；
以所述增大趋势加上预设数值的和作为系数，与所述异常概率相乘，得到的乘积为所述异常序列的火灾概率，当火灾概率大于预设的火灾概率阈值时，识别为发生火灾并预警。
2.根据权利要求1所述的一种基于物联传感的消防险情处理方法，其特征在于，所述首帧异常图像的获取方法为：
分别获取相邻两帧红外图像中像素点灰度值的最大值，将两个最大值作差，计算差值与相邻帧中的前面一帧的最大值的比值，比值初次大于预设的异常阈值时对应的红外图像为所述首帧异常图像。
3.根据权利要求1所述的一种基于物联传感的消防险情处理方法，其特征在于，所述异常区域的获取方法为：
将异常图像与异常图像的前一帧图像进行帧差，得到的帧差图像作为所述异常图像的异常区域。
4.根据权利要求1所述的一种基于物联传感的消防险情处理方法，其特征在于，所述感温传感器的连通域的识别方法为：
通过语义分割得到只含有感温传感器的掩膜图像，将所述掩膜图像与所述RGB图像相乘，识别出所述感温传感器的连通域。
5.根据权利要求1所述的一种基于物联传感的消防险情处理方法，其特征在于，所述感温热图的获取方法为：
将所述连通域映射在对应的红外图像上，计算在红外图像中连通域的每个像素点的灰度值减去连通域中心点的灰度值作为对应像素点的像素值，得到差温图像；将差温图像上每个像素点的灰度值与中心点温度值的和作为对应像素点的灰度值，得到所述感温热图。
6.根据权利要求1所述的一种基于物联传感的消防险情处理方法，其特征在于，所述异常概率的获取方法为：
获取异常区域在感温热图中对应的像素点的灰度值，计算大于感温传感器阈值的灰度值在所述异常区域中的数量占比，计算异常序列中的所有异常区域对应的数量占比的平均值，以及方差，以所述平均值和所述方差的比值作为所述异常概率。
7.根据权利要求1所述的一种基于物联传感的消防险情处理方法，其特征在于，所述增大趋势的获取方法为：
以时间作为横坐标，以烟雾浓度作为纵坐标，构建二维坐标系，利用PCA算法获得所有烟雾浓度的主成分方向，并获取该主成分方向与横坐标轴之间的夹角，以所述夹角与直角角度的比值作为所述增大趋势。
8.根据权利要求1所述的一种基于物联传感的消防险情处理方法，其特征在于，所述子集性分布差异为子集性序列中所有子集性的标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211146747.9A CN115240353B (zh) | 2022-09-21 | 2022-09-21 | 一种基于物联传感的消防险情处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211146747.9A CN115240353B (zh) | 2022-09-21 | 2022-09-21 | 一种基于物联传感的消防险情处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115240353A true CN115240353A (zh) | 2022-10-25 |
| CN115240353B CN115240353B (zh) | 2022-12-09 |
Family
ID=83681490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211146747.9A Active CN115240353B (zh) | 2022-09-21 | 2022-09-21 | 一种基于物联传感的消防险情处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115240353B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416577A (zh) * | 2023-05-06 | 2023-07-11 | 苏州开普岩土工程有限公司 | 一种用于施工监控系统的异常识别方法 |
| CN117058625A (zh) * | 2023-10-11 | 2023-11-14 | 济宁港航梁山港有限公司 | 基于物联网的园区消防远程监测系统 |
| CN117523773A (zh) * | 2023-11-23 | 2024-02-06 | 江苏南北木屋文化科技有限公司 | 一种智能木屋异常检测方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01251198A (ja) * | 1988-03-31 | 1989-10-06 | Nohmi Bosai Ltd | 蓄積型火災警報装置 |
| JP2004355110A (ja) * | 2003-05-27 | 2004-12-16 | Matsushita Electric Works Ltd | 自動試験機能を備えたガス漏れ警報器、火災感知器及び複合警報器 |
| CN104408706A (zh) * | 2014-09-30 | 2015-03-11 | 天津艾思科尔科技有限公司 | 一种基于双波段图像的火灾检测及定位方法 |
| US20180053401A1 (en) * | 2016-08-22 | 2018-02-22 | Rapidsos, Inc. | Predictive analytics for emergency detection and response management |
| CN108062349A (zh) * | 2017-10-31 | 2018-05-22 | 深圳大学 | 基于视频结构化数据及深度学习的视频监控方法和系统 |
| CN109637068A (zh) * | 2018-11-23 | 2019-04-16 | 山东智洋电气股份有限公司 | 智能烟火识别系统 |
| CN110166741A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于人工智能的环境监控方法、装置、设备及存储介质 |
| CN115081957A (zh) * | 2022-08-18 | 2022-09-20 | 山东超华环保智能装备有限公司 | 一种危废暂存及监测的危废管理平台 |
-
2022
- 2022-09-21 CN CN202211146747.9A patent/CN115240353B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01251198A (ja) * | 1988-03-31 | 1989-10-06 | Nohmi Bosai Ltd | 蓄積型火災警報装置 |
| JP2004355110A (ja) * | 2003-05-27 | 2004-12-16 | Matsushita Electric Works Ltd | 自動試験機能を備えたガス漏れ警報器、火災感知器及び複合警報器 |
| CN104408706A (zh) * | 2014-09-30 | 2015-03-11 | 天津艾思科尔科技有限公司 | 一种基于双波段图像的火灾检测及定位方法 |
| US20180053401A1 (en) * | 2016-08-22 | 2018-02-22 | Rapidsos, Inc. | Predictive analytics for emergency detection and response management |
| CN108062349A (zh) * | 2017-10-31 | 2018-05-22 | 深圳大学 | 基于视频结构化数据及深度学习的视频监控方法和系统 |
| CN109637068A (zh) * | 2018-11-23 | 2019-04-16 | 山东智洋电气股份有限公司 | 智能烟火识别系统 |
| CN110166741A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于人工智能的环境监控方法、装置、设备及存储介质 |
| CN115081957A (zh) * | 2022-08-18 | 2022-09-20 | 山东超华环保智能装备有限公司 | 一种危废暂存及监测的危废管理平台 |
Non-Patent Citations (2)
| Title |
|---|
| 杜立召等: "一种双网融合的分阶段烟雾检测算法", 《西安电子科技大学学报》 * |
| 罗小权等: "改进YOLOV3的火灾检测方法", 《计算机工程与应用》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416577A (zh) * | 2023-05-06 | 2023-07-11 | 苏州开普岩土工程有限公司 | 一种用于施工监控系统的异常识别方法 |
| CN116416577B (zh) * | 2023-05-06 | 2023-12-26 | 苏州开普岩土工程有限公司 | 一种用于施工监控系统的异常识别方法 |
| CN117058625A (zh) * | 2023-10-11 | 2023-11-14 | 济宁港航梁山港有限公司 | 基于物联网的园区消防远程监测系统 |
| CN117058625B (zh) * | 2023-10-11 | 2024-01-16 | 济宁港航梁山港有限公司 | 基于物联网的园区消防远程监测系统 |
| CN117523773A (zh) * | 2023-11-23 | 2024-02-06 | 江苏南北木屋文化科技有限公司 | 一种智能木屋异常检测方法和系统 |
| CN117523773B (zh) * | 2023-11-23 | 2024-05-10 | 江苏南北木屋文化科技有限公司 | 一种智能木屋异常检测方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115240353B (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115240353B (zh) | 一种基于物联传感的消防险情处理方法 | |
| CN111739250B (zh) | 结合图像处理技术与红外传感器的火灾探测方法及系统 | |
| US20130094699A1 (en) | Forest fire smoke detection method using random forest classification | |
| JP6707920B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
| JP2019079446A (ja) | 火災監視システム | |
| JP2019079445A (ja) | 火災監視システム | |
| CN112418200B (zh) | 基于热成像的对象检测方法、装置及服务器 | |
| CN115862259B (zh) | 一种基于温度监测的火警预警系统 | |
| Chowdhury et al. | Computer vision and smoke sensor based fire detection system | |
| CN115966063A (zh) | 一种气体泄漏红外成像自动报警方法 | |
| CN114399882A (zh) | 一种用于消防机器人的火源探测识别并预警方法 | |
| CN111899210A (zh) | 一种基于图像识别的电弧检测方法 | |
| CN112733646B (zh) | 一种基于热成像的液态介质泄漏自动检测方法及系统 | |
| JP2002032872A (ja) | 火災検出装置 | |
| Buemi et al. | Efficient fire detection using fuzzy logic | |
| CN115865988B (zh) | 利用手机传感器网络的客船旅客踩踏事件监测系统及方法 | |
| CN117037065A (zh) | 火焰烟雾浓度检测方法、装置、计算机设备和存储介质 | |
| CN110120142B (zh) | 一种火灾烟雾视频智能监控预警系统及预警方法 | |
| KR20180131775A (ko) | 유전자 알고리즘을 이용한 화재 감지 방법 및 시스템 | |
| Munawar et al. | Fire detection through Image Processing; A brief overview | |
| CN115278683A (zh) | 面向wsn的异常节点检测方法 | |
| CN114445669A (zh) | 一种烟火告警方法、装置、电子设备及存储介质 | |
| JP6457728B2 (ja) | 層流煙検出装置および層流煙検出方法 | |
| Sankarasubramanian et al. | Real Tıme AI, Computer Vısıon Based Framework To Detect And Prevent Lıquıd Metal Fıre Hazards | |
| CN110309838A (zh) | 基于指数变换的视频检测区物体轮廓检测预处理方法 |
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 |