CN116597595B - 一种工厂火灾监测调度系统 - Google Patents
一种工厂火灾监测调度系统 Download PDFInfo
- Publication number
- CN116597595B CN116597595B CN202310799080.0A CN202310799080A CN116597595B CN 116597595 B CN116597595 B CN 116597595B CN 202310799080 A CN202310799080 A CN 202310799080A CN 116597595 B CN116597595 B CN 116597595B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- fire
- real
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 162
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000010223 real-time analysis Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims description 30
- 238000010304 firing Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 abstract description 18
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000003058 natural language processing Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种工厂火灾监测调度系统，该系统包括数据采集模块，用于采集火灾样本数据和火灾监测数据；模型训练模块，用于接收所述火灾样本数据，训练卷积神经网络模型；数据处理模块，用于对所述火灾监测数据进行实时分析处理以及执行数据加权融合操作，确定火灾监测结果；移动机器人调度模块，用于控制和调度移动机器人执行火灾监测任务，获得火灾监测反馈数据。本申请通过控制移动机器人执行火灾监测任务，达到二次确认火灾监测结果的技术效果，采集多种火灾监测数据进行实时分析、数据加权融合处理和联合判断，提高了火灾监测结果的准确性，有效地防止了由于环境干扰导致系统误报火灾的错误场景发生。本申请广泛应用于火灾监测技术领域。
Description
技术领域
本发明涉及火灾监测技术领域，特别涉及一种工厂火灾监测调度系统。
背景技术
工厂火灾监测系统的发展，目前大致分为两个方案，一种是采用多种传感器对环境进行检测的方案，该方案采用的均为湿度传感器，温度传感器，烟雾传感器等固定安装的传感器，实际使用时，始终存在着传感器有监测死角或者某个传感器受到干扰，容易引起误报警的问题，以及传感器数据无法有效融合处理，传感器数据无法二次确认的问题。
另一种是基于摄像头的火灾监测方案，现有的摄像头的火灾监测的方案多是对摄像头采集的颜色数据进行分析，判断是否发生火灾，但是该种方案数据来源单一，无法对数据本身的准确性进行校验，且在工厂实际使用中，由于摄像头位置固定，摄像头存在拍摄范围的死角，以及摄像头环境适应性差，容易被烟雾、粉尘、水滴等各种环境因素干扰。
发明内容
为了解决至少一个上述相关技术中的技术问题，本申请实施例的主要目的在于提出一种工厂火灾监测调度系统。
为实现上述目的，本申请实施例提出了一种工厂火灾监测调度系统，所述系统包括：
数据采集模块；所述数据采集模块用于采集火灾样本数据和火灾监测数据；
模型训练模块；所述模型训练模块用于接收所述火灾样本数据，训练卷积神经网络模型；
数据处理模块；所述数据处理模块用于对所述火灾监测数据进行实时分析处理以及执行数据加权融合操作，确定火灾监测结果；
移动机器人调度模块；所述移动机器人调度模块用于控制和调度移动机器人执行火灾监测任务，获得火灾监测反馈数据。
进一步地，所述移动机器人包括视觉模块；所述视觉模块用于拍摄图像以生成拍摄图像数据。
进一步地，所述数据采集模块包括第一数据集模块、第二数据集模块、第三数据集模块以及实时数据采集模块；
所述第一数据集模块用于采集第一图像数据；所述第一图像数据为工厂内摄像头的拍摄图像样本数据；
所述第二数据集模块用于采集第二图像数据；所述第二图像数据为移动机器人视觉模块的拍摄图像样本数据；
所述第三数据集模块用于采集传感器数据；所述传感器数据为工厂内所有传感器的样本数据。
进一步地，所述实时数据采集模块用于采集实时的火灾监测数据；所述火灾监测数据包括第一实时数据、第二实时数据以及传感器实时数据；所述第一实时数据为工厂内摄像头的实时拍摄图像数据；所述第二实时数据为移动机器人视觉模块的实时拍摄图像数据；所述传感器实时数据为工厂内传感器的实时数据。
进一步地，所述模型训练模块包括数据标注模块；
所述数据标注模块用于对所述第一图像数据、所述第二图像数据以及所述传感器数据进行标注，获得第一标注数据、第二标注数据以及第三标注数据；所述第一标注数据为所述第一图像数据经过标注后的数据；所述第二标注数据为所述第二图像数据经过标注后的数据；所述第三标注数据为所述传感器数据经过标注后的数据；
所述模型训练模块用于根据所述第一标注数据、所述第二标注数据以及所述第三标注数据，训练所述卷积神经网络模型。
进一步地，所述数据处理模块包括数据实时分析模块；
所述数据实时分析模块用于根据所述第一实时数据，确定第一监测结果；
所述数据实时分析模块用于根据所述第二实时数据，确定第二监测结果；
所述数据实时分析模块用于根据所述传感器实时数据，确定第三监测结果；
所述数据处理模块用于根据所述第一监测结果、所述第二监测结果以及所述第三监测结果，确定起火坐标；
所述移动机器人调度模块用于接收所述起火坐标，根据所述起火坐标以及预设的监测策略，控制移动机器人执行火灾勘探任务。
进一步地，当所述第一监测结果为发生火灾时，所述数据处理模块用于针对所述第一实时数据，通过所述卷积神经网络模型进行目标检测，根据预设参数确定第一起火坐标；
当所述第二监测结果为发生火灾时，所述数据处理模块用于针对所述第二实时数据，通过所述卷积神经网络模型进行目标检测，根据所述移动机器人的当前坐标确定第二起火坐标；
当所述第三监测结果为发生火灾时，所述数据处理模块用于针对所述传感器实时数据，通过所述卷积神经网络模型进行二分类任务检测，根据预设参数确定第三起火坐标。
进一步地，所述移动机器人调度模块用于控制所述移动机器人至所述起火坐标执行火灾勘探任务，返回第一监测数据至所述实时数据采集模块；所述第一监测数据为所述移动机器人到达起火坐标后的视觉模块的实时拍摄图像数据。
进一步地，所述实时数据采集模块用于采集所述第一监测数据、第二监测数据以及第三监测数据；所述第二监测数据为工厂内所述起火坐标周围的所有摄像头的实时拍摄图像数据；所述第三监测数据为工厂内所述起火坐标周围的所有传感器的实时数据；
所述数据处理模块用于根据所述第一监测数据，通过所述卷积神经网络模型生成第一数据置信度；
所述数据处理模块用于根据所述第二监测数据，通过所述卷积神经网络模型生成第二数据置信度；
所述数据处理模块用于根据所述第三监测数据，通过所述卷积神经网络模型生成第三数据置信度；
所述数据处理模块用于根据预设的加权规则，对所述第一数据置信度、所述第二数据置信度以及所述第三数据置信度执行加权融合操作，确定加权融合数据；
所述数据处理模块用于根据所述加权融合数据以及预设的置信度加权阈值，确定火灾监测结果。
进一步地，当所述火灾监测结果为发生火灾时，所述数据处理模块用于根据所述起火坐标，确定疏散地点；所述移动机器人调度模块用于根据所述疏散地点，控制所述移动机器人执行火灾疏散任务。
本申请的有益效果是：通过数据采集模块采集火灾样本数据和火灾监测数据，通过模型训练模块训练卷积神经网络模型，通过数据处理模块对火灾监测数据进行实时分析处理以及执行数据加权融合操作，确定火灾监测结果，通过移动机器人调度模块控制移动机器人执行火灾监测任务，获得火灾监测反馈数据，使火灾监测范围更大，更有效地捕捉到火灾现场的情况，从而达到二次确认火灾监测结果的技术效果，采集多种火灾监测数据进行实时分析、数据加权融合处理和联合判断，提高了火灾监测结果的准确性，提高了火灾监测调度系统的鲁棒性，有效地防止了由于环境干扰导致系统误报火灾的错误场景发生。
附图说明
图1是本申请实施例提供的工厂火灾监测调度系统的功能模块图；
图2是图1中数据处理模块确定火灾监测结果的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。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。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
图像描述(Image Caption)为图像生成自然语言描述，并利用所生成的描述帮助应用程序理解图像视觉场景中表达的语义。例如，图像描述可以将图像检索转换为文本检索，用于对图像进行分类并改善图像检索结果。人们通常只需快速浏览一下即可描述图像视觉场景的细节，而自动为图像添加描述则是一项全面而艰巨的计算机视觉任务，需要将图像中包含的复杂信息转换为自然语言描述。与普通的计算机视觉任务相比，图像字幕不仅需要从图像中识别对象，而且还需要将识别出的对象与自然语义相关联并以自然语言进行描述。因此，图像描述需要人们提取图像的深层特征，与语义特征关联并转换用于生成描述。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的工厂火灾监测调度系统，涉及人工智能技术领域。本申请实施例提供的工厂火灾监测调度系统可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现工厂火灾监测调度系统的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参阅图1，图1是本申请实施例提供的工厂火灾监测调度系统的一个可选的功能模块图，图1中的系统可以包括但不限于包括：
数据采集模块；数据采集模块用于采集火灾样本数据和火灾监测数据；
模型训练模块；模型训练模块用于接收火灾样本数据，训练卷积神经网络模型；
数据处理模块；数据处理模块用于对火灾监测数据进行实时分析处理以及执行数据加权融合操作，确定火灾监测结果；
移动机器人调度模块；移动机器人调度模块用于控制和调度移动机器人执行火灾监测任务，获得火灾监测反馈数据。
在一些实施例中，移动机器人包括视觉模块，视觉模块用于拍摄图像，生成拍摄图像数据并上传至数据采集模块中。
在一些实施例中，数据采集模块包括第一数据集模块、第二数据集模块、第三数据集模块以及实时数据采集模块。
具体地，第一数据集模块用于采集第一图像数据；第一图像数据为工厂内摄像头的拍摄图像样本数据，包括工厂内发生火灾时拍摄的图像正样本数据以及工厂正常生产时排摄的图像负样本数据；第一图像数据为二维图像数据。
第二数据集模块用于采集第二图像数据；第二图像数据为移动机器人视觉模块的拍摄图像样本数据，包括工厂内发生火灾时拍摄的图像正样本数据以及工厂正常生产时排摄的图像负样本数据；第二图像数据为三维图像数据。
第三数据集模块用于采集传感器数据；传感器可以包括但不限于包括烟雾传感器、温度传感器以及红外传感器；传感器数据为工厂内所有传感器的样本数据，包括工厂内发生火灾时传感器的正样本数据以及工厂正常生产时传感器的负样本数据。
实时数据采集模块用于采集实时的火灾监测数据；火灾监测数据包括第一实时数据、第二实时数据以及传感器实时数据；第一实时数据为工厂内摄像头的实时拍摄图像数据；第二实时数据为移动机器人视觉模块的实时拍摄图像数据；传感器实时数据为工厂内传感器的实时数据。
在一些实施例中，模型训练模块包括数据标注模块；模型训练模块接收数据采集模块中的火灾样本数据；数据标注模块用于对上述第一图像数据、第二图像数据以及传感器数据进行标注，获得第一标注数据、第二标注数据以及第三标注数据；第一标注数据为第一图像数据经过标注后的数据；第二标注数据为第二图像数据经过标注后的数据；第三标注数据为传感器数据经过标注后的数据。
在一些实施例中，模型训练模块用于根据上述第一标注数据、第二标注数据以及第三标注数据，对卷积神经网络模型进行训练至模型收敛；卷积神经网络模型包括但不限于常见的分类模型convnext、目标检测模型yolov6等。
在一些实施例中，数据处理模块包括数据实时分析模块；数据处理模块接收数据采集模块中的火灾监测数据；数据实时分析模块用于实时分析从数据采集模块中接收到的第一实时数据、第二实时数据以及传感器实时数据，确定是否发生起火。
具体地，数据实时分析模块用于根据第一实时数据，确定第一监测结果，第一监测结果为对工厂内摄像头的拍摄图像数据分析后，实时反馈的火灾监测结果；数据实时分析模块用于根据第二实时数据，确定第二监测结果，第二监测结果为对移动机器人数觉模块的拍摄图像数据分析后，实时反馈的火灾监测结果；数据实时分析模块用于根据第三实时数据，确定第三监测结果，第三监测结果为对传感器实时数据分析后，实时反馈的火灾监测结果。
在一些实施例中，数据处理模块用于根据上述第一监测结果、第二监测结果、第三监测结果，确定起火坐标。具体地，预先将所有传感器，工厂内所有的摄像头，移动机器人都接入到数据处理模块中，在数据处理模块中为所有设备设置唯一的id，手动输入除移动机器人外的所有设备的三维坐标，移动机器人上电启动会自行上传自身位置的当前坐标给数据处理模块，一旦有监测到火灾发生的情况，数据处理模块根据监测到火灾发生的情况的设备的id找到监测到火灾发生的情况的设备所对应的三维坐标，然后实时加载所有移动机器人的当前坐标，根据当前坐标找到距离起火坐标最近的多台移动机器人，再控制移动机器人执行下一步的火灾勘探任务。当第一监测结果为发生火灾时，数据处理模块用于针对第一实时数据，通过卷积神经网络模型进行目标检测，根据预设参数确定第一起火坐标；当第二监测结果为发生火灾时，所述数据处理模块用于针对第二实时数据，通过卷积神经网络模型进行目标检测，根据移动机器人的当前坐标确定第二起火坐标，该移动机器人的当前坐标为监测到火灾发生情况的移动机器人的当前坐标；当第三监测结果为发生火灾时，数据处理模块用于针对传感器实时数据，通过卷积神经网络模型进行二分类任务检测，根据预设参数确定第三起火坐标。
在一些实施例中，数据处理模块根据监测到火灾发生的情况的设备(传感器、工厂内摄像头等)的id找到监测到火灾发生的情况的设备所对应的三维坐标，然后实时加载所有移动机器人的当前坐标，根据当前坐标找到距离起火坐标最近的多台移动机器人这一过程，具体为在数据处理模块中初始化A*算法模块，将监测到火灾发生的情况的设备所对应的三维坐标加入open列表，循环以所有移动机器人中的一台作为目标坐标。从open列表中选择估计代价最小的节点，将其移动到close列表中。循环遍历该节点的每个相邻节点，计算从设备三维坐标到该相邻节点的实际代价，并计算从该相邻节点到目标坐标的估计代价。如果该相邻节点不在open列表中，将其加入，并更新其实际代价和估计代价。如果该相邻节点已经在open列表中，并且新的实际代价更小，更新其实际代价和估计代价。如果目标坐标在open列表中，或者open列表为空，则搜索结束。经过上述过程，所有移动机器人到监测到火灾发生的情况的设备的移动的代价均已获得。将所有代价置入小顶堆，即可获得移动到该监测到火灾发生的情况的设备最快的4台移动机器人。
在一些实施例中，数据处理模块把距离起火坐标最近的多台移动机器人的当前坐标，以及起火坐标输出至移动机器人调度模块中，移动机器人调度模块根据起火坐标和预设的监测策略，控制起火坐标附近的多台移动机器人前往起火坐标处执行火灾勘探任务。具体地，移动机器人调度模块控制移动机器人至起火坐标执行火灾勘探任务，每台移动机器人的位置和拍摄角度均不一样，每台移动机器人均返回第一监测数据(火灾监测反馈数据)至实时数据采集模块；第一监测数据为移动机器人到达起火坐标后的视觉模块的实时拍摄图像数据。
在一些实施例中，实时数据采集模块用于采集第一监测数据、第二监测数据以及第三监测数据；第二监测数据为工厂内所述起火坐标周围的所有摄像头的实时拍摄图像数据；第三监测数据为工厂内所述起火坐标周围的所有传感器的实时数据；具体地，第一监测数据包括到达起火坐标周围的多个移动机器人的视觉模块的实时拍摄图像数据，即包括多个上述第二实时数据；第二监测数据包括多个上述第一实时数据；第三监测数据包括所有的传感器实时数据。
在一些实施例中，请参阅图2，数据处理模块实时接收实时采集模块中的第一监测数据、第二监测数据以及第三监测数据，数据处理模块用于根据第一监测数据，通过卷积神经网络模型进行处理，生成第一数据置信度；数据处理模块用于根据第二监测数据，通过卷积神经网络模型进行处理，生成第二数据置信度；数据处理模块用于根据第三监测数据，通过卷积神经网络模型进行处理，生成第三数据置信度。
在一些实施例中，请参阅图2，数据处理模块用于根据预设的加权规则，对第一数据置信度、第二数据置信度以及第三数据置信度执行加权融合操作，确定加权融合数据；数据处理模块用于根据加权融合数据以及预设的置信度加权阈值，确定火灾监测结果。具体地，数据处理模块分别为第一数据置信度、第二数据置信度以及第三数据置信度设置权重比例，比如，第一数据置信度的权重比例为0.4，第二数据置信度的权重比例为0.4，第三数据置信度的权重比例为0.2，数据处理模块根据预设的各数据置信度的权重比例执行加权融合操作，确定加权融合数据的值，数据处理模块将该加权融合数据的值与预设的阈值进行对比，若加权融合数据的值超出预设的阈值，则最终火灾监测结果为确定发生火灾，否则火灾监测结果为不发生火灾。
在一些实施例中，当最终的火灾监测结果为发生火灾时，数据处理模块用于根据起火坐标，确定疏散地点，具体地，数据处理模块根据起火坐标，计算距离起火坐标最远的室外疏散地点，同时发出火灾报警信息至相关部门；移动机器人调度模块根据疏散地点，控制移动机器人执行火灾疏散任务，具体地，移动机器人调度模块暂停所有移动机器人的任务，控制移动机器人前往疏散地点。
本申请实施例提供的工厂火灾监测调度系统，其通过数据采集模块采集火灾样本数据和火灾监测数据，通过模型训练模块训练卷积神经网络模型，通过数据处理模块对火灾监测数据进行实时分析处理以及执行数据加权融合操作，确定火灾监测结果，通过移动机器人调度模块控制移动机器人执行火灾监测任务，获得火灾监测反馈数据，使火灾监测范围更大，更有效地捕捉到火灾现场的情况，从而达到二次确认火灾监测结果的技术效果，采集多种火灾监测数据进行实时分析、数据加权融合处理和联合判断，提高了火灾监测结果的准确性，提高了火灾监测调度系统的鲁棒性，有效地防止了由于环境干扰导致系统误报火灾的错误场景发生。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请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。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上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网络单元上。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，在本申请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。
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存储介质中。基于这样的理解，本申请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存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。
Claims (6)
1.一种工厂火灾监测调度系统，其特征在于，包括：
数据采集模块；所述数据采集模块用于采集火灾样本数据和火灾监测数据；所述数据采集模块包括第一数据集模块、第二数据集模块、第三数据集模块以及实时数据采集模块；
所述第一数据集模块用于采集第一图像数据；所述第一图像数据为工厂内摄像头的拍摄图像样本数据；
所述第二数据集模块用于采集第二图像数据；所述第二图像数据为移动机器人视觉模块的拍摄图像样本数据；
所述第三数据集模块用于采集传感器数据；所述传感器数据为工厂内所有传感器的样本数据；
所述实时数据采集模块用于采集实时的火灾监测数据；所述火灾监测数据包括第一实时数据、第二实时数据以及传感器实时数据；所述第一实时数据为工厂内摄像头的实时拍摄图像数据；所述第二实时数据为移动机器人视觉模块的实时拍摄图像数据；所述传感器实时数据为工厂内传感器的实时数据；
模型训练模块；所述模型训练模块用于接收所述火灾样本数据，训练卷积神经网络模型；
数据处理模块；所述数据处理模块用于对所述火灾监测数据进行实时分析处理以及执行数据加权融合操作，确定火灾监测结果；
移动机器人调度模块；所述移动机器人调度模块用于控制和调度移动机器人执行火灾监测任务，获得火灾监测反馈数据；
所述数据处理模块包括数据实时分析模块；
所述数据实时分析模块用于根据所述第一实时数据，确定第一监测结果；
所述数据实时分析模块用于根据所述第二实时数据，确定第二监测结果；
所述数据实时分析模块用于根据所述传感器实时数据，确定第三监测结果；
所述数据处理模块用于根据所述第一监测结果、所述第二监测结果以及所述第三监测结果，确定起火坐标；
所述移动机器人调度模块用于接收所述起火坐标，根据所述起火坐标以及预设的监测策略，控制移动机器人执行火灾勘探任务；
当所述第一监测结果为发生火灾时，所述数据处理模块用于针对所述第一实时数据，通过所述卷积神经网络模型进行目标检测，根据预设参数确定第一起火坐标；
当所述第二监测结果为发生火灾时，所述数据处理模块用于针对所述第二实时数据，通过所述卷积神经网络模型进行目标检测，根据所述移动机器人的当前坐标确定第二起火坐标；
当所述第三监测结果为发生火灾时，所述数据处理模块用于针对所述传感器实时数据，通过所述卷积神经网络模型进行二分类任务检测，根据预设参数确定第三起火坐标。
2.根据权利要求1所述的工厂火灾监测调度系统，其特征在于，所述移动机器人包括视觉模块；所述视觉模块用于拍摄图像以生成拍摄图像数据。
3.根据权利要求1所述的工厂火灾监测调度系统，其特征在于，所述模型训练模块包括数据标注模块；
所述数据标注模块用于对所述第一图像数据、所述第二图像数据以及所述传感器数据进行标注，获得第一标注数据、第二标注数据以及第三标注数据；所述第一标注数据为所述第一图像数据经过标注后的数据；所述第二标注数据为所述第二图像数据经过标注后的数据；所述第三标注数据为所述传感器数据经过标注后的数据；
所述模型训练模块用于根据所述第一标注数据、所述第二标注数据以及所述第三标注数据，训练所述卷积神经网络模型。
4.根据权利要求1所述的工厂火灾监测调度系统，其特征在于，所述移动机器人调度模块用于控制所述移动机器人至所述起火坐标执行火灾勘探任务，返回第一监测数据至所述实时数据采集模块；所述第一监测数据为所述移动机器人到达起火坐标后的视觉模块的实时拍摄图像数据。
5.根据权利要求4所述的工厂火灾监测调度系统，其特征在于，所述实时数据采集模块用于采集所述第一监测数据、第二监测数据以及第三监测数据；所述第二监测数据为工厂内所述起火坐标周围的所有摄像头的实时拍摄图像数据；所述第三监测数据为工厂内所述起火坐标周围的所有传感器的实时数据；
所述数据处理模块用于根据所述第一监测数据，通过所述卷积神经网络模型生成第一数据置信度；
所述数据处理模块用于根据所述第二监测数据，通过所述卷积神经网络模型生成第二数据置信度；
所述数据处理模块用于根据所述第三监测数据，通过所述卷积神经网络模型生成第三数据置信度；
所述数据处理模块用于根据预设的加权规则，对所述第一数据置信度、所述第二数据置信度以及所述第三数据置信度执行加权融合操作，确定加权融合数据；
所述数据处理模块用于根据所述加权融合数据以及预设的置信度加权阈值，确定火灾监测结果。
6.根据权利要求5所述的工厂火灾监测调度系统，其特征在于，当所述火灾监测结果为发生火灾时，所述数据处理模块用于根据所述起火坐标，确定疏散地点；所述移动机器人调度模块用于根据所述疏散地点，控制所述移动机器人执行火灾疏散任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310799080.0A CN116597595B (zh) | 2023-06-30 | 2023-06-30 | 一种工厂火灾监测调度系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310799080.0A CN116597595B (zh) | 2023-06-30 | 2023-06-30 | 一种工厂火灾监测调度系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597595A CN116597595A (zh) | 2023-08-15 |
| CN116597595B true CN116597595B (zh) | 2024-04-16 |
Family
ID=87601102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310799080.0A Active CN116597595B (zh) | 2023-06-30 | 2023-06-30 | 一种工厂火灾监测调度系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597595B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106843113A (zh) * | 2017-03-16 | 2017-06-13 | 中智科创机器人有限公司 | 机器人调度方法、装置和系统 |
| CN108564065A (zh) * | 2018-04-28 | 2018-09-21 | 广东电网有限责任公司 | 一种基于ssd的电缆隧道明火识别方法 |
| CN208003294U (zh) * | 2017-10-30 | 2018-10-26 | 北京自安科技发展有限公司 | 一种多传感器融合的机器人灭火系统及智能灭火机器人 |
| CN109331389A (zh) * | 2018-11-12 | 2019-02-15 | 重庆知遨科技有限公司 | 一种基于多传感器融合的消防机器人动作实时监测方法 |
| CN111111074A (zh) * | 2019-12-16 | 2020-05-08 | 山东康威通信技术股份有限公司 | 一种电力隧道消防机器人灭火调度方法及系统 |
| CN111860143A (zh) * | 2020-06-10 | 2020-10-30 | 北京航空航天大学 | 一种面向巡检机器人的火焰实时检测方法 |
| CN112071016A (zh) * | 2020-09-14 | 2020-12-11 | 广州市几米物联科技有限公司 | 火灾监控方法、装置、设备及存储介质 |
| AU2021103669A4 (en) * | 2021-06-28 | 2021-08-19 | Beijing Cosmos Safety Technology Co. Ltd | Intelligent electrical fire warning system and method for tobacco warehouse Technology Field |
| AU2021106836A4 (en) * | 2021-08-24 | 2021-11-18 | Bangaru, Balakrishna Mr | Identification of forest fire susceptibility using gis and neural network approaches |
| CN113947744A (zh) * | 2021-10-26 | 2022-01-18 | 华能盐城大丰新能源发电有限责任公司 | 基于视频的火灾图像检测方法、系统、设备及存储介质 |
| CN115311601A (zh) * | 2022-08-08 | 2022-11-08 | 江苏南工科技集团有限公司 | 一种基于视频分析技术的火灾探测分析方法 |
-
2023
- 2023-06-30 CN CN202310799080.0A patent/CN116597595B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106843113A (zh) * | 2017-03-16 | 2017-06-13 | 中智科创机器人有限公司 | 机器人调度方法、装置和系统 |
| CN208003294U (zh) * | 2017-10-30 | 2018-10-26 | 北京自安科技发展有限公司 | 一种多传感器融合的机器人灭火系统及智能灭火机器人 |
| CN108564065A (zh) * | 2018-04-28 | 2018-09-21 | 广东电网有限责任公司 | 一种基于ssd的电缆隧道明火识别方法 |
| CN109331389A (zh) * | 2018-11-12 | 2019-02-15 | 重庆知遨科技有限公司 | 一种基于多传感器融合的消防机器人动作实时监测方法 |
| CN111111074A (zh) * | 2019-12-16 | 2020-05-08 | 山东康威通信技术股份有限公司 | 一种电力隧道消防机器人灭火调度方法及系统 |
| CN111860143A (zh) * | 2020-06-10 | 2020-10-30 | 北京航空航天大学 | 一种面向巡检机器人的火焰实时检测方法 |
| CN112071016A (zh) * | 2020-09-14 | 2020-12-11 | 广州市几米物联科技有限公司 | 火灾监控方法、装置、设备及存储介质 |
| AU2021103669A4 (en) * | 2021-06-28 | 2021-08-19 | Beijing Cosmos Safety Technology Co. Ltd | Intelligent electrical fire warning system and method for tobacco warehouse Technology Field |
| AU2021106836A4 (en) * | 2021-08-24 | 2021-11-18 | Bangaru, Balakrishna Mr | Identification of forest fire susceptibility using gis and neural network approaches |
| CN113947744A (zh) * | 2021-10-26 | 2022-01-18 | 华能盐城大丰新能源发电有限责任公司 | 基于视频的火灾图像检测方法、系统、设备及存储介质 |
| CN115311601A (zh) * | 2022-08-08 | 2022-11-08 | 江苏南工科技集团有限公司 | 一种基于视频分析技术的火灾探测分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597595A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10614310B2 (en) | Behavior recognition | |
| Planinc et al. | Introducing the use of depth data for fall detection | |
| Lestari et al. | Fire hotspots detection system on CCTV videos using you only look once (YOLO) method and tiny YOLO model for high buildings evacuation | |
| CN112163469B (zh) | 一种吸烟行为识别方法、系统、设备及可读存储介质 | |
| US20210365343A1 (en) | Artificial Intelligence (AI)-Based Cloud Computing Safety Monitoring System | |
| CN107862300A (zh) | 一种基于卷积神经网络的监控场景下行人属性识别方法 | |
| KR102149832B1 (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
| CN107786848A (zh) | 运动目标检测与动作识别的方法、装置、终端及存储介质 | |
| Shi et al. | A fire monitoring and alarm system based on YOLOv3 with OHEM | |
| CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
| CN110147762A (zh) | 一种嵌入式消防误报消除系统 | |
| Sunil et al. | Usual and unusual human activity recognition in video using deep learning and artificial intelligence for security applications | |
| CN114218992A (zh) | 异常对象的检测方法及相关装置 | |
| CN116597595B (zh) | 一种工厂火灾监测调度系统 | |
| Kumar et al. | Detection and Content Retrieval of Object in an Image using YOLO | |
| KR20190074910A (ko) | 행동패턴 이상 징후 판별 시스템 및 이의 제공방법 | |
| Vandecasteele et al. | A semi-supervised learning framework based on spatio-temporal semantic events for maritime anomaly detection and behavior analysis | |
| CN110852296A (zh) | 基于语义模型的消防运维阶段人员异常检测装置和方法 | |
| CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 | |
| CN116721454A (zh) | 微表情识别方法和装置、电子设备及存储介质 | |
| CN115190277B (zh) | 施工区域的安全监控方法、装置、设备及存储介质 | |
| AU2021102961A4 (en) | AN IoT BASED SYSTEM FOR TRACING AND RECOGNIZING AN OBJECT | |
| CN114708429A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
| Gao et al. | Design and implementation of fire detection system using new model mixing | |
| Vasudevan et al. | Automatic Person Detection in Search and Rescue Operations Using Deep Based MultiModel CNN Detectors |
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 |