CN116452984A - 基于氧含量数据的火势识别预测方法和系统 - Google Patents

基于氧含量数据的火势识别预测方法和系统 Download PDF

Info

Publication number
CN116452984A
CN116452984A CN202310699121.9A CN202310699121A CN116452984A CN 116452984 A CN116452984 A CN 116452984A CN 202310699121 A CN202310699121 A CN 202310699121A CN 116452984 A CN116452984 A CN 116452984A
Authority
CN
China
Prior art keywords
fire
oxygen content
trend
data
path
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
Application number
CN202310699121.9A
Other languages
English (en)
Other versions
CN116452984B (zh
Inventor
蒋先勇
薛方俊
李志刚
魏长江
李财
胡晓晨
税强
曹尔成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Sanside Technology Co ltd
Original Assignee
Sichuan Sanside Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Sanside Technology Co ltd filed Critical Sichuan Sanside Technology Co ltd
Priority to CN202310699121.9A priority Critical patent/CN116452984B/zh
Publication of CN116452984A publication Critical patent/CN116452984A/zh
Application granted granted Critical
Publication of CN116452984B publication Critical patent/CN116452984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本申请公开了一种基于氧含量数据的火势识别预测方法和系统，涉及火势趋势预测领域，本申请包括获取关于烟雾的采集图像数据；获取全局坐标下的氧含量采集数据；计算所述采集图像数据的全局坐标；图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；分析处理结果，获取到火势趋势随时间变化的移动路径。本申请提出结合氧含量变化情况、分布、火势图像识别，分析火势趋势，能提高对火灾趋势的分析，合理规避，实时引导，预测火势蔓延方向、速度和趋势，可以协助救援工作更快速有效完成。

Description

基于氧含量数据的火势识别预测方法和系统
技术领域
本申请涉及火势趋势预测领域，具体涉及一种基于氧含量数据的火势识别预测方法和系统。
背景技术
现有的森林防火摄像机发现火情后，可以结合事发地点的地表植被情况、海拔、温度、湿度、风向等要素，预测火势蔓延方向和趋势；
有研究表明，当氧含量达到19%时即可维持火势正常燃烧，在燃烧过程中会不断消耗氧气，导致氧含量急剧降低，当氧含量降至12%后，火势将变小直至灭掉，火势向氧含量更高的区域蔓延；另一方面，高浓度的氧含量会增加燃烧的速度和热量，加速火势的蔓延；
对现有未考虑火场区的氧含量的预测方法，可能因氧含量的直接导致火势趋势预测不准，即预测方向不准，预测火势到达速度不准。
发明内容
本申请提供一种基于氧含量数据的火势识别预测方法和系统，解决现有技术中提及的问题。
第一方面，本申请提供一种基于氧含量数据的火势识别预测方法，包括：
获取关于烟雾的采集图像数据；
获取全局坐标下的氧含量采集数据；
计算所述采集图像数据的全局坐标；
图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；
依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；
分析处理结果，获取到火势趋势随时间变化的移动路径。
进一步的，所述获取关于烟雾的采集图像数据，包括：
获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；
获取每两个摄像机的观测角度数据、间距数据，计算摄像机全局坐标，计算摄像机采集图像数据的全局坐标。
进一步的，所述图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径，包括：
选定火势初始位置的烟雾选框，通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量。
进一步的，所述图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径，包括：
对至少两个摄像机的识别结果中所述带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，再向地面投影为烟雾在二维平面的带选框阴影图形，计算所述带选框阴影图形的中心线合成路径，作为火势趋向路径。
进一步的，所述获取全局坐标下的氧含量采集数据，包括：
获取多个氧含量测试模块的位置数据和采集数据，计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，并生成局域氧含量变化热图；
将参照物切换为以摄影机的全局坐标为基础，获取所述局域氧含量变化热图的全局坐标。
进一步的，所述依据所述氧含量采集数据，计算火势趋势路径上的各个点速度，包括：
对所述局域氧含量变化热图、所述在二维平面的带选框阴影图形的处理步骤如下：
适应所述阴影图形的选框大小调整所述局域氧含量变化热图的区间块大小；
将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，基于全局坐标进行归一化拟合；
拟合后对离散的选框间填充氧含量数据，生成带有氧含量连续变化数值的火势趋势路径；
对火势趋势路径在各个连续路径点的切线作为火势在所述路径点的实时速度向量，依据所述切线穿过的两个相邻的所述局域氧含量变化热图区间块上氧含量变化量，计算对应火势至所述区间块燃烧速度变化，计算两个相邻的所述区间块的燃烧速度期望，作为所述切线的实时速度向量的模 。
优选的，所述分析处理结果，获取到火势趋势随时间变化的移动路径，包括：
依据计算到的火势趋势路径上的各个点速度，依据计算到的火势初速度；
采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；
获取火势趋势随时间变化的移动路径。
第二方面，本申请提供一种基于氧含量数据的火势识别预测系统，包括：
第一获取模块，用于获取关于烟雾的采集图像数据；
第二获取模块，用于获取全局坐标下的氧含量采集数据；
第一计算模块，用于计算所述采集图像数据的全局坐标；
处理模块，包括神经网络识别模型，神经网络识别模型图像识别输出带选框的烟雾图形数据，处理模块用于处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；
第二计算模块，用于依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；
分析模块，用于分析处理结果，获取到火势趋势随时间变化的移动路径。
进一步的，所述第二获取模块包括第二采集模块和第二预处理模块；
所述第二采集模块为间隔设置的氧含量测试模块；
所述第二采集模块基于设置位置的海拔高度设置有权重系数，每个第二采集模块采集到的氧含量数据乘以所述第二采集模块对应的权重系数，适用于以第二采集模块为中心的区间块；
其中，权重系数与所处海拔高度呈线性相关，即d=ah+b，其中，a小于0，b大于0，h为高度，d为权重系数。
进一步的，所述第一获取模块，具体用于获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；
获取每两个摄像机的观测角度数据、间距数据，计算摄像机全局坐标，计算摄像机采集图像数据的全局坐标。
进一步的，所述处理模块，具体用于选定火势初始位置的烟雾选框，通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量。
进一步的，所述处理模块，还具体用于对至少两个摄像机的识别结果中所述带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，再向地面投影为烟雾在二维平面的带选框阴影图形，计算所述带选框阴影图形的中心线合成路径，作为火势趋向路径。
进一步的，所述第二采集模块中的第二预处理模块，具体用于获取多个氧含量测试模块的位置数据和采集数据，计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，并生成局域氧含量变化热图；将参照物切换为以摄影机的全局坐标为基础，获取所述局域氧含量变化热图的全局坐标。
进一步的，所述第二计算模块，具体用于对所述局域氧含量变化热图、所述在二维平面的带选框阴影图形的处理步骤如下：
适应所述阴影图形的选框大小调整所述局域氧含量变化热图的区间块大小；
将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，基于全局坐标进行归一化拟合；
拟合后对离散的选框间填充氧含量数据，生成带有氧含量连续变化数值的火势趋势路径；
对火势趋势路径在各个连续路径点的切线作为火势在所述路径点的实时速度向量，依据所述切线穿过的两个相邻的所述局域氧含量变化热图区间块上氧含量变化量，计算对应火势至所述区间块燃烧速度变化，计算两个相邻的所述区间块的燃烧速度期望，作为所述切线的实时速度向量的模。
进一步的，所述分析模块，具体用于依据计算到的火势趋势路径上的各个点速度，依据计算到的火势初速度；
采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；
获取火势趋势随时间变化的移动路径。
本申请提出结合氧含量变化情况、分布、火势图像识别，分析火势趋势，能提高对火灾趋势的分析，合理规避，实时引导，预测火势蔓延方向、速度和趋势，可以协助救援工作更快速有效完成。
附图说明
此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请的一部分，并不构成对本申请实施例的限定。在附图中：
图1为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中关于烟雾的采集图像数据示意图。
图2为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中区间块的局域氧含量变化热图。
图3为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中火势趋势随时间变化的移动路径图。
图4为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中热图和带选框阴影图形的合成处理示意图。
图5为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S1流程图。
图6为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S2流程图。
图7为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S3流程图。
图8为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S4流程图。
图9为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S5流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的系统和方法的例子。
现有的森林防火摄像机发现火情后，可以结合事发地点的地表植被情况、海拔、温度、湿度、风向等要素，预测火势蔓延方向和趋势；
从多方研究表明，氧含量影响到达的火势的蔓延速度；而由于蔓延速度的关系导致，可能的预防措施失效，预防位置失效，对火灾灾情的辅助作用变弱；
因此本申请考虑将该技术结合至摄像机、对图像识别过程中，采集数据结合氧含量数据预测整体火势趋势，可以协助救援工作更快速有效完成。
本申请的技术应用场景针对摄像机在二维平面的平视，对平原、森林或盆地区域的火势进行预测开展，适用于摄像机可观测视距范围和观测视野好的场景。
本申请将摄像机采集的图像数据，输入神经网络算法模型进行识别，对多个摄像机采集的图像数据，配合距离传感器，生成至少两个二维平面采集图像的传感器采集数据，即摄像机，综合而成关于烟雾的三维立体场景模型；
而烟雾的趋向表征了风力影响，火势受风力影响大，自然对火势的预测路径进行计算，由于可燃物均为基于地面向上延展的可燃物，因而计算火势在俯视平面的路径走向，即，火势的路径规划方案，又因氧气含量导致火势在该路径下不同路径点的位移变化梯度不同，即因氧气含量在各处产生的火势燃烧速度不同，计算预测以摄像机采集图像和氧含量复合的火势趋向。
其中，本申请中提及的神经网络算法，可采用多种能够实现本申请中效果的神经网络算法识别模型，可以是采用包括但不限于基于深度学习的回归方法，基于深度学习的回归方法包括但不限于YOLO系列算法，本申请的发明点不在该模型和识别操作，因此此处不做赘述。
本申请提供的一种基于氧含量数据的火势识别预测方法和系统，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请提供一张可能的实现方式，图5为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S1流程图。
如图5所示，本申请提供一种基于氧含量数据的火势识别预测方法，包括：
S1、获取关于烟雾的采集图像数据；
S11、图1为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中关于烟雾的采集图像数据示意图，如图1所示，目视摄像机A、目视摄像机B、目视摄像机C，为至少两个摄像机的对烟雾采集的不同布局方式，从图中可以看出，布局不同导致观测角度和间距距离不同，获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；
S12、计算摄像机全局坐标，
S13、获取每两个摄像机的观测角度数据、间距数据，
S14、计算摄像机采集图像数据的全局坐标，
图6为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S2流程图。如图6所示，S2、获取全局坐标下的氧含量采集数据；
S21、获取多个氧含量测试模块的位置数据和采集数据，
S22、计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，
S23、图2为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中区间块的局域氧含量变化热图，如图2所示，该图为局部的热图，有研究表明，当氧含量达到19%时即可维持火势正常燃烧，在燃烧过程中会不断消耗氧气，导致氧含量急剧降低，当氧含量降至12%后，火势将变小直至灭掉，火势向氧含量更高的区域蔓延；另一方面，高浓度的氧含量会增加燃烧的速度和热量，加速火势的蔓延，图中数字26、数字17表示，栅格处的氧含量的比例，生成局域氧含量变化热图；
S24、将参照物切换为以摄影机的全局坐标为基础，获取该局域氧含量变化热图的全局坐标；
图7为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S3流程图。如图 7所示，S3、图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；
S31、选定火势初始位置的烟雾选框，
S32、通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量；
S33、对至少两个摄像机的识别结果中该带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，
S34、从图4中，为向地面俯视的坐标系搭建，并确定各个位置的全局坐标，向地面投影为烟雾在二维平面的带选框阴影图形，
S35、计算该带选框阴影图形的中心线合成路径，作为火势趋向路径；
图8为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S4流程图。
如图8所示，S4、依据该氧含量采集数据，计算火势趋势路径上的各个点速度；
图4为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中热图和带选框阴影图形的合成处理示意图，如图4和图4所示，图中速度v1、速度v2、速度v3、速度v4分别为切线方向，依据步骤S24、S35的计算结果，对该局域氧含量变化热图、该在二维平面的带选框阴影图形的处理步骤如下：
S41、适应该阴影图形的选框大小调整该局域氧含量变化热图的区间块大小；
S42、将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，
S43、基于全局坐标进行归一化拟合；
S44、拟合后对离散的选框间填充氧含量数据，
S45、生成带有氧含量连续变化数值的火势趋势路径；
S46、在图4中，合成图中，速度v3穿过两个栅格的氧气含量分贝是19和17，对火势趋势路径在各个连续路径点的切线作为火势在该路径点的实时速度向量，依据该切线穿过的两个相邻的该局域氧含量变化热图区间块上氧含量变化量，计算对应火势至该区间块燃烧速度变化，计算两个相邻的该区间块的燃烧速度期望，在图4中，示例性为18，同时氧含量18%时候，燃烧速率作为该切线的实时速度向量的模。
S5、分析处理结果，获取到火势趋势随时间变化的移动路径；
图9为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法S5流程图。如图9所示，S51、图3为本申请一示例性实施例提供的一种基于氧含量数据的火势识别预测方法中火势趋势随时间变化的移动路径图，如图3所示，依据S46计算到的火势趋势路径上的各个点速度，依据S32计算到的火势初速度，图3中的曲线为火势趋势路径，火势趋势路径为三维烟雾向二维地面投影得到的烟雾主规划路线，其中，横竖坐标均为距离坐标轴，且在每处路径切线均计算火势趋势的实时扩散速度，如S52所述；
S52、采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；
S53、获取火势趋势随时间变化的移动路径。
本申请提出结合氧含量变化情况、分布、火势图像识别，分析火势趋势，能提高对火灾趋势的分析，合理规避，实时引导，预测火势蔓延方向、速度和趋势，可以协助救援工作更快速有效完成。
第二方面，本申请提供一种基于氧含量数据的火势识别预测系统，包括：
第一获取模块，用于获取关于烟雾的采集图像数据；
第二获取模块，用于获取全局坐标下的氧含量采集数据；
第一计算模块，用于计算该采集图像数据的全局坐标；
处理模块，包括神经网络识别模型，神经网络识别模型图像识别输出带选框的烟雾图形数据，处理模块用于处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；
第二计算模块，用于依据该氧含量采集数据，计算火势趋势路径上的各个点速度；
分析模块，用于分析处理结果，获取到火势趋势随时间变化的移动路径。
进一步的，该第二获取模块包括第二采集模块和第二预处理模块；该第二采集模块为间隔设置的氧含量测试模块；该第二采集模块基于设置位置的海拔高度设置有权重系数，每个第二采集模块采集到的氧含量数据乘以该第二采集模块对应的权重系数，适用于以第二采集模块为中心的区间块；其中，权重系数与所处海拔高度呈线性相关，即d=ah+b，其中，a小于0，b大于0，h为高度，d为权重系数。
本申请提供一种可能的实现方式，该第一获取模块，具体用于获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；获取每两个摄像机的观测角度数据、间距数据，计算摄像机全局坐标，计算摄像机采集图像数据的全局坐标。
本申请提供一种可能的实现方式，该处理模块，具体用于选定火势初始位置的烟雾选框，通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量。
本申请提供一种可能的实现方式，该处理模块，还具体用于对至少两个摄像机的识别结果中该带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，再向地面投影为烟雾在二维平面的带选框阴影图形，计算该带选框阴影图形的中心线合成路径，作为火势趋向路径。
本申请提供一种可能的实现方式，该第二采集模块中的第二预处理模块，具体用于获取多个氧含量测试模块的位置数据和采集数据，计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，并生成局域氧含量变化热图；将参照物切换为以摄影机的全局坐标为基础，获取该局域氧含量变化热图的全局坐标。
本申请提供一种可能的实现方式，该第二计算模块，具体用于对该局域氧含量变化热图、该在二维平面的带选框阴影图形的处理步骤如下：适应该阴影图形的选框大小调整该局域氧含量变化热图的区间块大小；将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，基于全局坐标进行归一化拟合；拟合后对离散的选框间填充氧含量数据，生成带有氧含量连续变化数值的火势趋势路径；对火势趋势路径在各个连续路径点的切线作为火势在该路径点的实时速度向量，依据该切线穿过的两个相邻的该局域氧含量变化热图区间块上氧含量变化量，计算对应火势至该区间块燃烧速度变化，计算两个相邻的该区间块的燃烧速度期望，作为该切线的实时速度向量的模。
本申请提供一种可能的实现方式，该分析模块，具体用于依据计算到的火势趋势路径上的各个点速度，依据计算到的火势初速度；采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；获取火势趋势随时间变化的移动路径。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，该模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块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。
该作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法或系统。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
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。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由上面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (9)

1.一种基于氧含量数据的火势识别预测方法，其特征在于，包括：
获取关于烟雾的采集图像数据；
获取全局坐标下的氧含量采集数据；
计算所述采集图像数据的全局坐标；
图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；
依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；
分析处理结果，获取到火势趋势随时间变化的移动路径。
2.根据权利要求1所述的方法，其特征在于，所述获取关于烟雾的采集图像数据，包括：
获取至少两个摄像机的关于烟雾的采集图像数据，包括每个摄像机多帧采集图像数据；
获取每两个摄像机的观测角度数据、间距数据，计算摄像机全局坐标，计算摄像机采集图像数据的全局坐标。
3.根据权利要求2所述的方法，其特征在于，所述图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径，包括：
选定火势初始位置的烟雾选框，通过每个摄像机采集的选框在时差的偏移量和全局坐标，合成多个摄像机采集到的同一选框的空间偏移量与时差比值作为火势初速度向量。
4.根据权利要求2所述的方法，其特征在于，所述图像识别输出带选框的烟雾图形数据，处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径，包括：
对至少两个摄像机的识别结果中所述带选框的烟雾图形数据，处理为三维空间下的烟雾扩散图形，再向地面投影为烟雾在二维平面的带选框阴影图形，计算所述带选框阴影图形的中心线合成路径，作为火势趋向路径。
5.根据权利要求4所述的方法，其特征在于，所述获取全局坐标下的氧含量采集数据，包括：
获取多个氧含量测试模块的位置数据和采集数据，计算以单个氧含量测试模块为参照物的所有氧含量测试模块的局部坐标位置数据，并生成局域氧含量变化热图；
将参照物切换为以摄影机的全局坐标为基础，获取所述局域氧含量变化热图的全局坐标。
6.根据权利要求5所述的方法，其特征在于，所述依据所述氧含量采集数据，计算火势趋势路径上的各个点速度，包括：
对所述局域氧含量变化热图、所述在二维平面的带选框阴影图形的处理步骤如下：
适应所述阴影图形的选框大小调整所述局域氧含量变化热图的区间块大小；
将火势趋势路径上各个路径点相应的选框与调整后的局域氧含量变化热图，基于全局坐标进行归一化拟合；
拟合后对离散的选框间填充氧含量数据，生成带有氧含量连续变化数值的火势趋势路径；
对火势趋势路径在各个连续路径点的切线作为火势在所述路径点的实时速度向量，依据所述切线穿过的两个相邻的所述局域氧含量变化热图区间块上氧含量变化量，计算对应火势至所述区间块燃烧速度变化，计算两个相邻的所述区间块的燃烧速度期望，作为所述切线的实时速度向量的模。
7.根据权利要求1-6任一所述的方法，其特征在于，所述分析处理结果，获取到火势趋势随时间变化的移动路径，包括：
依据计算到的火势趋势路径上的各个点速度，依据计算到的火势初速度；
采用逐次逼近法，求得连续火势趋势路径上的连续速度的方向和大小；
获取火势趋势随时间变化的移动路径。
8.一种基于氧含量数据的火势识别预测系统，其特征在于，包括：
第一获取模块，用于获取关于烟雾的采集图像数据；
第二获取模块，用于获取全局坐标下的氧含量采集数据；
第一计算模块，用于计算所述采集图像数据的全局坐标；
处理模块，包括神经网络识别模型，神经网络识别模型图像识别输出带选框的烟雾图形数据，处理模块用于处理选框在时差的偏移量，计算火势初速度，计算火势趋势路径；
第二计算模块，用于依据所述氧含量采集数据，计算火势趋势路径上的各个点速度；
分析模块，用于分析处理结果，获取到火势趋势随时间变化的移动路径。
9.根据权利要求8所述的系统，其特征在于，所述第二获取模块包括第二采集模块和第二预处理模块；
所述第二采集模块为间隔设置的氧含量测试模块；
所述第二预处理模块，用于基于所述第二采集模块设置位置的海拔高度设置有权重系数，每个第二采集模块采集到的氧含量数据乘以所述第二采集模块对应的权重系数，适用于以第二采集模块为中心的区间块；
其中，权重系数与所处海拔高度呈线性相关，即d=ah+b，其中，a小于0，b大于0，h为高度，d为权重系数，a、b为预设函数系数。
CN202310699121.9A 2023-06-14 2023-06-14 基于氧含量数据的火势识别预测方法和系统 Active CN116452984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310699121.9A CN116452984B (zh) 2023-06-14 2023-06-14 基于氧含量数据的火势识别预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310699121.9A CN116452984B (zh) 2023-06-14 2023-06-14 基于氧含量数据的火势识别预测方法和系统

Publications (2)

Publication Number Publication Date
CN116452984A true CN116452984A (zh) 2023-07-18
CN116452984B CN116452984B (zh) 2023-09-08

Family

ID=87120560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310699121.9A Active CN116452984B (zh) 2023-06-14 2023-06-14 基于氧含量数据的火势识别预测方法和系统

Country Status (1)

Country Link
CN (1) CN116452984B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170249534A1 (en) * 2016-02-29 2017-08-31 Fujitsu Limited Method and apparatus for generating time series data sets for predictive analysis
US20190308049A1 (en) * 2018-04-10 2019-10-10 Flashpoint Fire Equipment, Inc. Systems and methods for training firefighters
CN110705071A (zh) * 2019-09-24 2020-01-17 浙江树人学院（浙江树人大学） 一种融合火势预测模型的消防三维数字化预案的方法
CN111739252A (zh) * 2020-07-03 2020-10-02 徐州鑫科机器人有限公司 一种火灾监测及自动灭火系统及其工作方法
CN112382043A (zh) * 2020-10-23 2021-02-19 杭州翔毅科技有限公司 基于卫星监测的灾害预警方法、设备、存储介质及装置
CN112435207A (zh) * 2020-12-07 2021-03-02 深圳航天智慧城市系统技术研究院有限公司 一种基于天空地一体化的森林火灾监测预警方法
CN112687071A (zh) * 2019-10-18 2021-04-20 南昌欧菲生物识别技术有限公司 烟雾报警系统及其报警方法、装置
CN112862150A (zh) * 2020-12-30 2021-05-28 广州智能科技发展有限公司 一种基于图像与视频多模型的森林火情预警方法
CN112927460A (zh) * 2021-02-03 2021-06-08 阳江市第四建筑工程有限公司 基于bim的火灾定位报警方法及系统
CN113436332A (zh) * 2021-07-23 2021-09-24 中德（珠海）人工智能研究院有限公司 消防预案数字化显示方法、装置、服务器及可读存储介质
US11295131B1 (en) * 2021-06-15 2022-04-05 Knoetik Solutions, Inc. Smoke and fire recognition, fire forecasting, and monitoring
CN114781889A (zh) * 2022-04-27 2022-07-22 中煤科工集团重庆智慧城市科技研究院有限公司 隧道管廊火灾风险监测及评估方法
CN114849126A (zh) * 2022-05-17 2022-08-05 江苏格罗那消防器材有限公司 一种仓库灭火器远程监控系统及方法
CN114993388A (zh) * 2022-07-22 2022-09-02 华能(福建漳州)能源有限责任公司 一种基于作业全流程监测的吸收塔安全作业监测系统
CN115577830A (zh) * 2022-09-16 2023-01-06 浙江大华技术股份有限公司 火势蔓延范围预测方法、装置、计算机设备及存储介质
CN115903776A (zh) * 2022-10-10 2023-04-04 北京信息科技大学 井场安全自动巡检方法和机器人

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170249534A1 (en) * 2016-02-29 2017-08-31 Fujitsu Limited Method and apparatus for generating time series data sets for predictive analysis
US20190308049A1 (en) * 2018-04-10 2019-10-10 Flashpoint Fire Equipment, Inc. Systems and methods for training firefighters
CN110705071A (zh) * 2019-09-24 2020-01-17 浙江树人学院（浙江树人大学） 一种融合火势预测模型的消防三维数字化预案的方法
CN112687071A (zh) * 2019-10-18 2021-04-20 南昌欧菲生物识别技术有限公司 烟雾报警系统及其报警方法、装置
CN111739252A (zh) * 2020-07-03 2020-10-02 徐州鑫科机器人有限公司 一种火灾监测及自动灭火系统及其工作方法
CN112382043A (zh) * 2020-10-23 2021-02-19 杭州翔毅科技有限公司 基于卫星监测的灾害预警方法、设备、存储介质及装置
CN112435207A (zh) * 2020-12-07 2021-03-02 深圳航天智慧城市系统技术研究院有限公司 一种基于天空地一体化的森林火灾监测预警方法
CN112862150A (zh) * 2020-12-30 2021-05-28 广州智能科技发展有限公司 一种基于图像与视频多模型的森林火情预警方法
CN112927460A (zh) * 2021-02-03 2021-06-08 阳江市第四建筑工程有限公司 基于bim的火灾定位报警方法及系统
US11295131B1 (en) * 2021-06-15 2022-04-05 Knoetik Solutions, Inc. Smoke and fire recognition, fire forecasting, and monitoring
CN113436332A (zh) * 2021-07-23 2021-09-24 中德（珠海）人工智能研究院有限公司 消防预案数字化显示方法、装置、服务器及可读存储介质
CN114781889A (zh) * 2022-04-27 2022-07-22 中煤科工集团重庆智慧城市科技研究院有限公司 隧道管廊火灾风险监测及评估方法
CN114849126A (zh) * 2022-05-17 2022-08-05 江苏格罗那消防器材有限公司 一种仓库灭火器远程监控系统及方法
CN114993388A (zh) * 2022-07-22 2022-09-02 华能(福建漳州)能源有限责任公司 一种基于作业全流程监测的吸收塔安全作业监测系统
CN115577830A (zh) * 2022-09-16 2023-01-06 浙江大华技术股份有限公司 火势蔓延范围预测方法、装置、计算机设备及存储介质
CN115903776A (zh) * 2022-10-10 2023-04-04 北京信息科技大学 井场安全自动巡检方法和机器人

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EMMANUEL K. ADDAI等: "Trend of Fire Outbreaks in Ghana and Ways to Prevent These Incidents", 《SAFETY AND HEALTH AT WORK》, vol. 7, no. 4, pages 284 - 292 *
杨天卓: "基于VR的空陆协作林火扑救培训系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, pages 138 - 5878 *
汪腾蛟等: "煤矿火灾诱发瓦斯爆炸危险性预测", 《煤炭学报》, vol. 45, no. 12, pages 4104 - 4110 *
黄悦莹: "面向火灾的室内三维应急疏散寻径研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 12, pages 038 - 297 *

Also Published As

Publication number Publication date
CN116452984B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
US7433493B1 (en) Abnormal behavior detector
JP2020184795A (ja) 映像監視システム、映像監視方法、及びプログラム
WO2019073704A1 (ja) 飛行体利用劣化診断システム
CN106469249A (zh) 一种卫星对地覆盖分析方法及系统
KR102193108B1 (ko) 무인항공체로부터 취득된 rgb영상을 이용한 2차원 하천혼합거동 계측 방법
CN112432641B (zh) 基于点云数字孪生技术的变电站操作票执行方法
CN104215795A (zh) 基于昊控表面流场计算算法的大尺度粒子图像测速方法
CN111639825B (zh) 基于A-Star算法的森林火灾指示逃生路径方法及系统
CN112216052A (zh) 森林防火监测预警方法和装置及设备、存储介质
WO2020046171A1 (ru) Способ построения системы видеонаблюдения для поиска и отслеживания объектов
CN109681786A (zh) 一种危化品泄漏源定位方法
JP2007018347A (ja) 画像処理装置及び環境情報観測装置
CN116110081B (zh) 基于深度学习的安全帽佩戴的检测方法及系统
CN114184175A (zh) 一种基于无人机视频流航线的复杂地形三维模型构建方法
JP2007248355A (ja) 気象データ推定装置及び方法
CN116452984B (zh) 基于氧含量数据的火势识别预测方法和系统
CN109752698A (zh) 一种机载合成孔径雷达的惯性导航误差估算方法
US20210356492A1 (en) Wind determination method, wind determination system, and wind determination computer program product for determining wind speed and direction based on image analysis
KR102326602B1 (ko) 자료동화 및 하이브리드 모델을 적용한 상세 공간 해상도 오염지도 산출 방법 및 정보 제공 방법
KR101198776B1 (ko) 지형자료 기반의 감시효과 통합 분석장치 및 방법
CN116563719B (zh) 基于风量数据的火势识别预测方法、系统和介质
JP6768400B2 (ja) 情報処理装置、情報処理方法及びプログラム
US20230136883A1 (en) Joint surface safety evaluation apparatus
JP7166225B2 (ja) 異常点検システム、異常点検装置、異常点検方法および異常点検プログラム
JP7176429B2 (ja) ガス漏れ位置特定システム及びガス漏れ位置特定プログラム

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