CN116761049B - 一种家用智能安防监控方法及系统 - Google Patents
一种家用智能安防监控方法及系统 Download PDFInfo
- Publication number
- CN116761049B CN116761049B CN202311004584.5A CN202311004584A CN116761049B CN 116761049 B CN116761049 B CN 116761049B CN 202311004584 A CN202311004584 A CN 202311004584A CN 116761049 B CN116761049 B CN 116761049B
- Authority
- CN
- China
- Prior art keywords
- image
- environment
- smoke
- processing
- smoke concentration
- 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 119
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000000779 smoke Substances 0.000 claims abstract description 408
- 238000012545 processing Methods 0.000 claims abstract description 206
- 230000005540 biological transmission Effects 0.000 claims abstract description 81
- 238000005520 cutting process Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000002245 particle Substances 0.000 claims description 57
- 238000009826 distribution Methods 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 50
- 238000010586 diagram Methods 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000007499 fusion processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000013138 pruning Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000031700 light absorption Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 10
- 238000012790 confirmation Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/10—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths
- H04N23/11—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths for generating image signals from visible and infrared light wavelengths
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- 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
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
- H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
- H04N23/85—Camera processing pipelines; Components thereof for processing colour signals for matrixing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及智能安全监控技术领域,尤其涉及一种家用智能安防监控方法及系统。所述方法包括以下步骤:利用预设的远程监控摄像机按照预设的时间间隔进行家庭环境拍摄,从而获取第一传输图像;对第一传输图像进行关键帧提取处理,获得第一关键帧集;基于所述的远程监控摄像机中的处理模块对第一关键帧集进行帧图像重合处理,生成环境模糊图像;对环境模糊图像进行图像切割处理,生成环境切割图像;对环境切割图像进行图像预处理,生成标准环境切割图像;对标准环境切割图像进行色深检测处理,生成环境色深图像;本发明通过对环境拍摄图像进行分析处理,构建智能烟雾浓度预测模型,以实现一种家用智能安防监控方法。
Description
技术领域
本发明涉及智能安全监控技术领域,尤其涉及一种家用智能安防监控方法及系统。
背景技术
随着互联网的普及,家用安防监控系统逐渐与网络技术结合,这样的系统通过网络将摄像头的视频信号传输到远程设备上,用户可以通过手机、平板电脑或计算机实时监控家庭,实现远程监控。其中,家用智能安防监控系统的核心是视频监控技术。通过高清摄像头、红外感应器以及图像处理算法,系统可以实时监测家庭的各个区域,并将视频数据传输到用户的手机或电脑上进行查看和录像,同时,智能分析算法可以识别异常行为,如入侵、火灾和盗窃,及时触发警报。同时智能安防监控系统还可以结合其他智能化设备,如门窗传感器、烟雾报警器和智能门锁等,这些设备可以通过无线连接与监控系统进行互动,实现对家庭安全的全面监测和管理,然而,目前的家用智能安防监控仍然存在着可能受到光线条件、物体遮挡或快速移动等因素的影响,导致安防系统对烟雾浓度的判断精准度不足以及家用智能安防监控系统需要持续运行以提供全天候保护产生的高强度电力依赖导致系统的负荷过重。
发明内容
基于此,有必要提供一种家用智能安防监控方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种家用智能安防监控方法,所述方法包括以下步骤:
步骤S1:利用预设的远程监控摄像机按照预设的时间间隔进行家庭环境拍摄,从而获取第一传输图像;对第一传输图像进行关键帧提取处理,获得第一关键帧集;基于所述的远程监控摄像机中的处理模块对第一关键帧集进行帧图像重合处理,生成环境模糊图像;
步骤S2:对环境模糊图像进行图像切割处理,生成环境切割图像;对环境切割图像进行图像预处理,生成标准环境切割图像;对标准环境切割图像进行色深检测处理,生成环境色深图像;
步骤S3:基于环境色深图像调整远程监控摄像机位置,通过红外辐射技术进行多环境拍摄处理,获得第二传输图像;利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值;对像素温度值进行色彩映射处理,生成全景温度分布热力图;
步骤S4:根据环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像;基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式对环境精确图像进行环境图像烟雾特征分析,生成烟雾特征权重;将烟雾特征权重与预设的标准烟雾特征权重进行对比,生成高风险烟雾浓度数值和低风险烟雾浓度数值;
步骤S5:利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型;
步骤S6:将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,当检测到高风险烟雾浓度数值时,进行自主报警并基于远程监控摄像机移动终端对用户进行通知处理;当检测到低风险烟雾浓度数值时,进行低能耗运行处理。
本发明通过按照预设的时间间隔利用家中预设的远程监控摄像机进行拍摄,可以获得全面的图像覆盖,从第一传输图像中进行关键帧提取处理,即从一系列连续的图像中选取具有代表性和关键信息的图像帧,可以作为后续处理的输入,用于进一步的分析和处理,使用远程监控摄像机中的处理模块,对第一关键帧集进行帧图像重合处理,可以减少图像中的噪声和运动模糊,并增强图像的清晰度和细节,使图像更加清晰和可识别;对环境模糊图像进行图像切割处理,可以将家庭环境分割成不同的部分,使得后续的处理和分析更加方便和准确,对环境切割图像进行图像预处理,可以对环境切割图像进行增强,去除噪声和不必要的细节,从而提高图像的质量和清晰度,对标准环境切割图像进行色深检测处理,可以反映了图像的色彩变化和细节,更好地观察和分析家庭环境的颜色特征和变化;利用已生成的环境色深图像对远程监控摄像机的位置进行调整,可以调整摄像机的角度和位置,以便更好地捕捉和记录环境中的温度数据,利用模糊像素温度计算公式,可以将拍摄到的红外图像转换为实际的温度值,对像素温度值进行色彩映射处理,生成全景温度分布热力图,可以直观地显示家庭环境中不同区域的温度变化和分布情况,有助于环境监测和调控;根据环境模糊图像和环境色深图像,进行图像融合处理,以生成环境精确图像,可以将不同图像的信息融合在一起,提高图像的质量和清晰度,基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式,可以评估环境中烟雾的程度和风险,通过将烟雾特征权重与预设的标准进行对比,可以生成高风险烟雾浓度数值和低风险烟雾浓度数值,有助于对环境中烟雾风险进行定量评估和警示;利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型,可以进行烟雾风险的评估和分类,进而制定相应的控制策略和响应措施,有助于提高决策的准确性和及时性,增强对烟雾事件的应对能力;将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,可以快速响应烟雾事件、提高决策的准确性和及时性,并有效利用资源和能源,从而保障人员安全和系统的高效运行。因此,本发明的一种家用智能安防监控方法及系统利用远程监控摄像机进行环境确认并通过智能模型进行烟雾浓度预测,精确化识别由火灾引起的烟雾浓度以及日常电力负载过重的问题。
本发明还提供一种家用智能安防监控系统,包括,
图像拍摄模块,用于利用预设的远程监控摄像机按照预设的时间间隔进行家庭环境拍摄,从而获取第一传输图像;对第一传输图像进行关键帧提取处理,获得第一关键帧集;基于所述的远程监控摄像机中的处理模块对第一关键帧集进行帧图像重合处理,生成环境模糊图像;
图像处理模块,用于对环境模糊图像进行图像切割处理,生成环境切割图像;对环境切割图像进行图像预处理,生成标准环境切割图像;对标准环境切割图像进行色深检测处理,生成环境色深图像;
像素温度处理模块,用于基于环境色深图像调整远程监控摄像机位置,通过红外辐射技术进行多环境拍摄处理,获得第二传输图像;利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值;对像素温度值进行色彩映射处理,生成全景温度分布热力图;
烟雾特征分析模块,用于根据环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像;基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式对环境精确图像进行环境图像烟雾特征分析,生成烟雾特征权重;将烟雾特征权重与预设的标准烟雾特征权重进行对比,生成高风险烟雾浓度数值和低风险烟雾浓度数值;
模型构建模块,用于利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型;
烟雾浓度分析模块,用于将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,当检测到高风险烟雾浓度数值时,进行自主报警并基于远程监控摄像机移动终端对用户进行通知处理;当检测到低风险烟雾浓度数值时,进行低能耗运行处理。
本发明通过远程监控摄像机进行家庭环境拍摄,可以获取第一传输图像,并通过关键帧提取和帧图像重合处理生成环境模糊图像,可以获取最新的家庭环境图像,并进行后续处理,对环境模糊图像进行图像切割和预处理,生成标准环境切割图像,并进行色深检测处理,生成环境色深图像,可以提取环境图像中的关键信息,减少干扰和噪声,为后续处理提供清晰的环境切割和色深图像,通过调整摄像机位置和使用红外辐射技术进行多环境拍摄处理,获取第二传输图像,然后利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值,并进行色彩映射处理,生成全景温度分布热力图,可以获取环境中的温度分布信息,并可视化为热力图,结合环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像,然后基于全景温度分布热力图和预设的烟雾粒子传感器烟雾浓度权重生成公式,对环境精确图像进行烟雾特征分析,生成烟雾特征权重,并与预设的标准烟雾特征权重进行对比,从而得到高风险烟雾浓度数值和低风险烟雾浓度数值,可以确定环境中的烟雾浓度水平,并进行风险判断,利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建,生成烟雾浓度预测模型,可以通过建立模型并根据烟雾浓度数值预测环境中的烟雾风险水平,将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理。当检测到高风险烟雾浓度数值时,触发自主报警,并通过远程监控摄像机移动终端对用户进行通知处理。当检测到低风险烟雾浓度数值时,进行低能耗运行处理。这些步骤有益于实现对烟雾浓度的实时监测和预警,并能够及时通知用户或采取适当的措施来保障家庭安全。因此,本发明的一种家用智能安防监控方法及系统利用远程监控摄像机进行环境确认并通过智能模型进行烟雾浓度预测,精确化识别由火灾引起的烟雾浓度以及日常电力负载过重的问题。
附图说明
图1为一种家用智能安防监控方法的步骤流程示意图;
图2为图1中步骤S3的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
图4为图1中步骤S5的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,本发明提供一种家用智能安防监控方法,所述方法包括以下步骤:
步骤S1:利用预设的远程监控摄像机按照预设的时间间隔进行家庭环境拍摄,从而获取第一传输图像;对第一传输图像进行关键帧提取处理,获得第一关键帧集;基于所述的远程监控摄像机中的处理模块对第一关键帧集进行帧图像重合处理,生成环境模糊图像;
步骤S2:对环境模糊图像进行图像切割处理,生成环境切割图像;对环境切割图像进行图像预处理,生成标准环境切割图像;对标准环境切割图像进行色深检测处理,生成环境色深图像;
步骤S3:基于环境色深图像调整远程监控摄像机位置,通过红外辐射技术进行多环境拍摄处理,获得第二传输图像;利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值;对像素温度值进行色彩映射处理,生成全景温度分布热力图;
步骤S4:根据环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像;基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式对环境精确图像进行环境图像烟雾特征分析,生成烟雾特征权重;将烟雾特征权重与预设的标准烟雾特征权重进行对比,生成高风险烟雾浓度数值和低风险烟雾浓度数值;
步骤S5:利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型;
步骤S6:将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,当检测到高风险烟雾浓度数值时,进行自主报警并基于远程监控摄像机移动终端对用户进行通知处理;当检测到低风险烟雾浓度数值时,进行低能耗运行处理。
本发明通过按照预设的时间间隔利用家中预设的远程监控摄像机进行拍摄,可以获得全面的图像覆盖,从第一传输图像中进行关键帧提取处理,即从一系列连续的图像中选取具有代表性和关键信息的图像帧,可以作为后续处理的输入,用于进一步的分析和处理,使用远程监控摄像机中的处理模块,对第一关键帧集进行帧图像重合处理,可以减少图像中的噪声和运动模糊,并增强图像的清晰度和细节,使图像更加清晰和可识别;对环境模糊图像进行图像切割处理,可以将家庭环境分割成不同的部分,使得后续的处理和分析更加方便和准确,对环境切割图像进行图像预处理,可以对环境切割图像进行增强,去除噪声和不必要的细节,从而提高图像的质量和清晰度,对标准环境切割图像进行色深检测处理,可以反映了图像的色彩变化和细节,更好地观察和分析家庭环境的颜色特征和变化;利用已生成的环境色深图像对远程监控摄像机的位置进行调整,可以调整摄像机的角度和位置,以便更好地捕捉和记录环境中的温度数据,利用模糊像素温度计算公式,可以将拍摄到的红外图像转换为实际的温度值,对像素温度值进行色彩映射处理,生成全景温度分布热力图,可以直观地显示家庭环境中不同区域的温度变化和分布情况,有助于环境监测和调控;根据环境模糊图像和环境色深图像,进行图像融合处理,以生成环境精确图像,可以将不同图像的信息融合在一起,提高图像的质量和清晰度,基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式,可以评估环境中烟雾的程度和风险,通过将烟雾特征权重与预设的标准进行对比,可以生成高风险烟雾浓度数值和低风险烟雾浓度数值,有助于对环境中烟雾风险进行定量评估和警示;利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型,可以进行烟雾风险的评估和分类,进而制定相应的控制策略和响应措施,有助于提高决策的准确性和及时性,增强对烟雾事件的应对能力;将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,可以快速响应烟雾事件、提高决策的准确性和及时性,并有效利用资源和能源,从而保障人员安全和系统的高效运行。因此,本发明的一种家用智能安防监控方法及系统利用远程监控摄像机进行环境确认并通过智能模型进行烟雾浓度预测,精确化识别由火灾引起的烟雾浓度以及日常电力负载过重的问题。
本发明实施例中,参考图1所述,为本发明一种家用智能安防监控方法的步骤流程示意图,在本实例中,所述一种家用智能安防监控方法包括以下步骤:
步骤S1:利用预设的远程监控摄像机按照预设的时间间隔进行家庭环境拍摄,从而获取第一传输图像;对第一传输图像进行关键帧提取处理,获得第一关键帧集;基于所述的远程监控摄像机中的处理模块对第一关键帧集进行帧图像重合处理,生成环境模糊图像;
本发明实施例中,通过在家中选择适当的位置安装远程监控摄像机,并确保其连接到家庭网络,根据预设的时间间隔,远程监控摄像机会自动进行拍摄,并传输图像到设备上,使用摄像机提供的手机应用程序或通过访问相应的网络界面来获取图像,对获取的第一传输图像进行关键帧提取的处理,例如使用图像处理软件或算法来检测图像中的运动或变化,并提取相关的关键帧,将提取的关键帧组成第一关键帧集,对第一关键帧集进行帧图像重合处理,例如使用加权平均、图像融合等方法,生成环境模糊图像。
步骤S2:对环境模糊图像进行图像切割处理,生成环境切割图像;对环境切割图像进行图像预处理,生成标准环境切割图像;对标准环境切割图像进行色深检测处理,生成环境色深图像;
本发明实施例中,通过对环境模糊图像进行图像切割处理,生成环境切割图像。使用计算机视觉中的分割算法来实现图像切割,例如基于阈值的分割、基于边缘检测的分割、基于区域生长的分割等,以将环境模糊图像中的不同区域进行切割,对环境切割图像进行图像预处理,生成标准环境切割图像,常见的图像预处理操作包括去噪、平滑滤波、直方图均衡化、对比度增强等,生成标准化的环境切割图像,使用图像处理算法来分析每个像素的颜色信息,例如计算像素的亮度、饱和度、色调等指标,从而生成环境色深图像,其中具体的色深检测方法可以基于颜色模型(如RGB、HSV等)、统计信息或机器学习等技术来完成。
步骤S3:基于环境色深图像调整远程监控摄像机位置,通过红外辐射技术进行多环境拍摄处理,获得第二传输图像;利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值;对像素温度值进行色彩映射处理,生成全景温度分布热力图;
本发明实施例中,通过利用环境色深图像来校准远程监控摄像机的位置,可以根据环境色深图像中的特征和目标物体的位置,通过计算机视觉算法进行定位和调整摄像机的角度和方向,以确保最佳的监控视野,使用红外辐射技术来进行多环境拍摄处理,以获取第二传输图像,红外辐射技术可以通过检测物体的热辐射来获取热图像,从而提供与可见光图像不同的信息,对第二传输图像应用模糊像素温度计算公式进行温度计算处理,得到像素温度值,模糊像素温度计算公式是基于图像中像素的热辐射强度和辐射转换关系来推算温度值的一种方法,对像素温度值进行色彩映射处理,生成全景温度分布热力图,色彩映射是将温度值映射到对应的色彩表示上的过程。可以使用不同的色彩映射算法或渐变表来将温度值映射为具有不同色彩的像素。
步骤S4:根据环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像;基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式对环境精确图像进行环境图像烟雾特征分析,生成烟雾特征权重;将烟雾特征权重与预设的标准烟雾特征权重进行对比,生成高风险烟雾浓度数值和低风险烟雾浓度数值;
本发明实施例中,通过根据环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像,利用图像融合算法,将环境模糊图像和环境色深图像进行适当的加权叠加或融合,得到更为准确的环境图像,通过烟雾浓度权重生成公式,结合全景温度分布热力图和烟雾粒子传感器的读数,对环境精确图像进行烟雾特征分析,根据预设的烟雾特征分析算法,提取环境图像中与烟雾相关的特征,如烟雾密度、烟雾聚集程度等,并计算对应的权重值,将从烟雾特征权重中计算得到的权重值与预设的标准烟雾特征权重进行比较,根据比较结果,可以判断出环境中的烟雾浓度属于高风险还是低风险,并生成相应的浓度数值作为评估结果。
步骤S5:利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型;
本发明实施例中,通过收集相关的高风险烟雾浓度数值和低风险烟雾浓度数值的训练数据集,确保数据集中包含有标记的样本,其中每个样本都有对应的高风险或低风险的烟雾浓度数值,根据数据集中的特征和标签,选择适当的特征作为决策树模型的输入,这些特征可以包括与烟雾相关的环境指标,如温度、湿度、光照等,以及前述步骤中提取的烟雾特征权重,将准备好的数据集划分为训练集和测试集,保留一部分数据作为模型的验证集,通过将特征空间划分为不同的区域,并在每个区域中给出预测结果,从而生成烟雾浓度预测预模型,利用训练集对决策树模型进行训练,并使用验证集对模型进行验证和调优,通过不断调整模型的参数和结构,以获取更好的性能和泛化能力,使用测试集评估已训练的决策树模型的性能。可以使用各种指标,如准确率、召回率、F1分数等,来评估模型的预测准确性和稳定性,生成烟雾浓度预测模型。
步骤S6:将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,当检测到高风险烟雾浓度数值时,进行自主报警并基于远程监控摄像机移动终端对用户进行通知处理;当检测到低风险烟雾浓度数值时,进行低能耗运行处理。
本发明实施例中,通过将第一传输图像输入到烟雾浓度预测模型中进行处理,首先,对输入图像进行预处理,例如图像去噪、调整大小等操作,以确保输入符合模型要求,利用构建的烟雾浓度预测模型,对经过预处理的图像进行烟雾浓度分析处理,模型会根据输入图像的特征来预测烟雾浓度,并输出相应的数值结果,如果预测结果表明烟雾浓度为高风险,即超过预设的阈值,则触发自主报警机制,可以通过系统内置的声音、闪光灯或警报器等方式来实现。同时,基于远程监控摄像机和移动终端通知,系统可以向预设的用户发送警报信息,提醒他们注意烟雾风险,如果预测结果表明烟雾浓度为低风险,即未超过预设的阈值,则系统可以进行低能耗运行处理,包括将监控设备进入低功耗模式,减少资源消耗,延长设备的使用寿命。
优选地,步骤S1包括以下步骤:
步骤S11:根据预设的远程监控摄像机按照预设的时间间隔进行多角度拍摄处理,其中多角度包括俯角和水平角度,从而获得俯角图像和水平图像;
步骤S12:对俯角图像和水平图像进行图像拼接处理,生成全景图像;将全景图像上传至远程监控摄像机内的记忆模块中,从而获得第一传输图像;
步骤S13:利用结构相似性算法对第一传输图像进行差异度计算,生成图像差异度数据;
步骤S14:通过图像差异度数据设置关键帧阈值;将第一传输图像与关键帧阈值进行筛选处理,得到第一关键帧集;
步骤S15:将第一关键帧集通过远程监控摄像机内的处理模块进行帧集图像重合处理,生成环境模糊图像。
本发明通过根据预设的远程监控摄像机按照预设的时间间隔进行多角度拍摄处理,可以获取多个视角的图像,有助于全方位地观察监控区域,并提供更丰富的信息;对俯角图像和水平图像进行图像拼接处理,生成全景图像,可以提高图像的显示范围,将不同角度的图像无缝地拼接在一起,形成一个更广阔的视野范围;利用结构相似性算法对第一传输图像进行差异度计算,可以评估传输图像的清晰度和质量;通过图像差异度数据设置关键帧阈值,将第一传输图像与关键帧阈值进行筛选处理,得到第一关键帧集,可以减少数据量并提取关键的监控画面;将第一关键帧集通过远程监控摄像机内的处理模块进行帧集图像重合处理,可以提升图像清晰度和质量,减少图像的模糊和噪声,从而更好地展现监控场景。
本发明实施例中,通过根据预设的远程监控摄像机和时间间隔进行多角度拍摄处理,可以设置远程监控摄像机的参数来控制拍摄角度和时间间隔,例如,使用可调节的云台和镜头,使用预设的角度和时间间隔来获取俯角图像和水平图像,将俯角图像和水平图像进行图像拼接处理,生成全景图像,可以使用图像处理算法,如图像拼接算法,将多个角度的图像进行拼接,拼接后的全景图像可以保存在远程监控摄像机内的记忆模块中,供后续使用,用结构相似性算法计算第一传输图像的差异度,结构相似性算法能够衡量两个图像之间的结构相似性,从而判断它们的差异度,通过对第一传输图像进行差异度计算,可以得到图像差异度数据,确定一个阈值,用于筛选关键帧,当图像差异度超过该阈值时,将该帧图像标记为关键帧,通过这个筛选过程,可以得到第一关键帧集,将第一关键帧集传入远程监控摄像机内的处理模块进行帧集图像重合处理,生成环境模糊图像,可以使用图像融合算法,将多个关键帧图像进行叠加和融合,以生成环境模糊图像。
优选地,步骤S2包括以下步骤:
步骤S21:基于阈值分割算法对环境模糊图像进行切割处理,剔除边缘图像影响,从而获得核心环境模糊图像;
步骤S22:对核心环境模糊图像进行图像平滑处理,生成核心环境平滑图像;将核心环境平滑图像进行去噪处理,生成核心环境去噪图像;对核心环境去噪图像进行标准化处理,生成标准环境切割图像;
步骤S23:利用HSV颜色空间对标准环境切割图像进行颜色空间转换,生成环境空间转换图像;
步骤S24:利用预设的色彩阈值对颜色空间转换图像进行色深提取,生成环境色深图像。
本发明通过使用阈值分割算法对环境模糊图像进行切割处理,剔除边缘图像的影响,从而获得核心环境模糊图像,通过切割处理,可以去除图像边缘的干扰,提取出主要的环境模糊部分;对核心环境模糊图像进行图像平滑处理,可以减少图像噪声、细节和不规则性,使得图像更加平滑和可处理;对核心环境平滑图像进行去噪处理,可以减少图像中的噪点和干扰,提高图像的清晰度和质量;对核心环境去噪图像进行标准化处理,可以使得图像具有统一的亮度、对比度和颜色分布;利用HSV颜色空间对标准环境切割图像进行颜色空间转换,生成环境空间转换图像,可以将图像从RGB颜色空间转换为HSV颜色空间,使得在处理过程中可以更好地对颜色进行分析和提取;利用预设的色彩阈值对颜色空间转换图像进行色深提取,可以提取出图像中特定颜色的部分,提高环境模糊图像的质量。
本发明实施例中,通过对环境模糊图像进行阈值分割处理,以剔除边缘图像的影响并获得核心环境模糊图像,其中阈值分割算法可以基于图像的灰度级别或其他特征进行像素分类,将图像分割为不同的区域,通过选择适当的阈值,可以将边缘图像剔除,只保留核心环境模糊部分的图像,对核心环境模糊图像进行图像平滑处理,生成核心环境平滑图像,图像平滑可以使用低通滤波器,如高斯滤波器或均值滤波器,对图像进行平滑化处理,从而减少噪声和细节,对平滑后的图像进行去噪处理,以进一步减少噪声,对去噪图像进行标准化处理,以使图像具有一致的亮度和对比度,生成标准环境切割图像,利用HSV(色相、饱和度、亮度)颜色空间对标准环境切割图像进行颜色空间转换,生成环境空间转换图像,在HSV颜色空间中,色相表示颜色的类型,饱和度表示颜色的纯度,亮度表示颜色的亮暗程度,色彩阈值是一组确定颜色范围的值,通过将颜色空间转换图像与色彩阈值进行比较,可以提取出位于指定色彩范围内的像素,得到环境色深图像。
优选地,步骤S3包括以下步骤:
步骤S31:通过对环境色深图像中最大色深区域进行定位,对远程监控摄像机视角进行目标视角转动并切换红外摄像模式进行多角度拍摄处理,其中多角度包括高角度俯视和侧面角度,从而获得高角度俯视图像和侧面图像;
步骤S32:对高角度俯视图像和侧面图像进行图像聚合处理,生成环境聚合图像;将环境聚合图像上传至远程监控摄像机内的记忆模块中,从而获得第二传输图像;
步骤S33:将第二传输图像进行核心像素点提取处理,得到图像核心像素点;利用模糊像素温度计算公式对图像核心像素点进行温度计算,得到像素点温度值;
步骤S34:根据温度颜色映射法对和第二传输图像像素点温度值进行温度区域分布映射处理,生成全景温度分布热力图。
本发明通过对环境色深图像中最大色深区域进行定位,远程监控摄像机可以自动调整视角并切换到红外摄像模式,从而获得多角度拍摄的图像,可以提供多个角度的视图,使得后续的分析可以从不同角度观察环境;对高角度俯视图像和侧面图像进行图像聚合处理,生成环境聚合图像,可以将多个角度的图像聚合在一起,可以获得更全面的环境信息,提高环境监测和分析的准确性和可靠性;利用模糊像素温度计算公式对图像核心像素点进行温度计算,可以将摄像图像中的像素点与实际的温度进行关联;根据温度颜色映射法,对第二传输图像中的像素点温度值进行区域分布映射处理,生成全景温度分布热力图,可以将不同温度范围的区域用特定的颜色表示,形成可视化的热力图,用于分析和识别温度分布的模式和异常情况。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S3包括:
步骤S31:通过对环境色深图像中最大色深区域进行定位,对远程监控摄像机视角进行目标视角转动并切换红外摄像模式进行多角度拍摄处理,其中多角度包括高角度俯视和侧面角度,从而获得高角度俯视图像和侧面图像;
本发明实施例中,通过使用图像处理算法,如阈值分割、区域生长或边缘检测等方法,对环境色深图像进行分析,确定色深最大的区域,通过计算机或遥控设备来实现远程监控摄像机的视角并进行目标视角转动,同时,切换到红外摄像模式,通过远程监控摄像机的转动和设置,从高角度俯视和侧面角度分别拍摄图像,从而获得高角度俯视图像和侧面图像。
步骤S32:对高角度俯视图像和侧面图像进行图像聚合处理,生成环境聚合图像;将环境聚合图像上传至远程监控摄像机内的记忆模块中,从而获得第二传输图像;
本发明实施例中,通过将高角度俯视图像和侧面图像进行图像聚合处理,以生成环境聚合图像将高角度俯视图像和侧面图像进行图像聚合处理,以生成环境聚合图像,与远程监控摄像机的通信接口进行交互,通常可以通过网络连接、存储卡或其他数据传输方式实现,将生成的环境聚合图像上传至远程监控摄像机内的记忆模块中,一旦环境聚合图像成功上传至远程监控摄像机内的记忆模块,可以通过指令或设置来激活记忆模块,使其将环境聚合图像作为第二传输图像进行传输,获得第二传输图像。
步骤S33:将第二传输图像进行核心像素点提取处理,得到图像核心像素点;利用模糊像素温度计算公式对图像核心像素点进行温度计算,得到像素点温度值;
本发明实施例中,通过对第二传输图像进行核心像素点提取处理,以得到图像中的核心像素点,核心像素点通常是指图像中感兴趣区域或目标的像素点,可以使用例如边缘检测、目标检测、阈值分割等方法进行提取,利用模糊像素温度计算公式对图像核心像素点进行温度计算,以得到像素点的温度值,根据图像中像素的亮度值和其他相关因素来估计像素的温度,计算出像素点的温度值。
步骤S34:根据温度颜色映射法对和第二传输图像像素点温度值进行温度区域分布映射处理,生成全景温度分布热力图。
本发明实施例中,通过选择适合的温度颜色映射方法,以将像素点的温度值映射到特定的颜色空间,例如灰度映射,彩虹映射,热力图映射等温度颜色映射方法,通过将不同温度范围的像素点映射到相应的颜色值,来呈现温度的空间分布情况。根据选择的温度颜色映射方法,可以通过阈值分割或插值等方式将像素点的温度值转换为相应的颜色值,经过温度区域分布映射处理后,将得到的像素点颜色值应用到原始图像上,生成全景温度分布热力图,热力图呈现了图像中不同区域的温度分布情况,通常使用伪彩色或真彩色来表示不同温度区域。
优选地,步骤S33中的模糊像素温度计算公式具体如下:
;
式中,T表示为模糊像素的温度权重,α表示为环境温度,β表示为单位面积光吸收系数,n表示为模糊像素数量,γ i 表示为第i个模糊像素所对应的吸收系数,f(x i,y i)表示为在(x i,y i)处的入射光强度的坐标,d i 表示为入射光线到第i个模糊像素中心的距离,h表示为模糊像素的高度,δ表示为传感器感应间隔时间,表示为相邻传感器感应间隔时间,σ表示为入射光在非模糊像素上反射的比例,q表示为传感器接收到的光线强度,τ表示为光线折射率,θ表示为入射光线与水平面的夹角,μ表示为模糊像素的温度权重修正量。
本发明构建了一种模糊像素温度计算公式,用于通过传感器接收到的光线强度以及模糊像素所对应的吸收系数以及光线折射率进行像素点可见光吸收强弱计算,该模糊像素温度计算公式可以根据对单位面积光吸收系数和模糊像素数量对模糊像素进行吸收系数计算,实现最佳的模糊像素温度测量准确率,根据传感器感应间隔时间和相邻传感器感应间隔时间来确定像素点温度动态变化值,从而精确确定像素所在区域温度变化。在实际应用中,该公式可以将模糊像素值映射到相应的温度值,实现在热像仪图像中准确地推断出物体表面的温度分布。该公式充分考虑了环境温度α,单位面积光吸收系数β,模糊像素数量n,第i个模糊像素所对应的吸收系数γ i ,在(x i,y i)处的入射光强度的坐标f(x i,y i),入射光线到第i个模糊像素中心的距离d i ,模糊像素的高度h,传感器感应间隔时间δ,相邻传感器感应间隔时间,入射光在非模糊像素上反射的比例σ,传感器接收到的光线强度q,光线折射率τ,入射光线与水平面的夹角θ,模糊像素的温度权重修正量μ,根据在(x i,y i)处的入射光强度的坐标f(x i,y i)与以上各参数之间的相互关系构成了一种函数关系:
;
通过入射光在非模糊像素上反射的比例与入射光线与水平面的夹角的相互作用关系,可以了解像素中吸收的可见光的反射光束大小,保证区域数据精确的情况下进行模糊像素温度测量,利用入射光线到第i个模糊像素中心的距离,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过模糊像素的温度权重修正量μ对模糊像素温度计算进行调整,更加准确的生成模糊像素的温度权重T,提高了模糊像素的温度权重生成的准确性和可靠性。同时该公式中的第i个模糊像素所对应的吸收系数、模糊像素的高度等参数可以根据实际情况进行调整,从而适应不同的模糊像素温度计算场景,提高了算法的适用性和灵活性。
优选地,步骤S5包括以下步骤:
步骤S41:根据加权平均公式对环境模糊图像和环境色深图像进行图像融合处理,生成环境融合图像;对环境融合图像进行边缘增强处理,从而生成环境精确图像;
步骤S42:利用预设的烟雾粒子传感器捕获空气中的粒子数量,从而获得空气粒子数据;
步骤S43:基于全景温度分布热力图对空气粒子数据进行密度分析处理,生成空气密度数据;
步骤S44:利用烟雾浓度权重生成公式对空气密度数据进行特征识别计算处理,从而生成烟雾特征权重;
步骤S45:将烟雾特征权重与预设的标准烟雾特征权重进行对比,当烟雾特征权重大于标准烟雾特征权重时,生成高风险烟雾浓度数值;当烟雾特征权重大于标准烟雾特征权重时,生成低风险烟雾浓度数值。
本发明通过据加权平均公式对环境模糊图像和环境色深图像进行图像融合处理,生成环境融合图像,对环境融合图像进行边缘增强处理,从而生成环境精确图像,可以提高图像的清晰度和细节,使环境图像更加准确和可视化;利用预设的烟雾粒子传感器捕获空气中的粒子数量,可以用于分析空气中的污染程度和烟雾浓度,为后续的烟雾特征识别提供基础;基于全景温度分布热力图对空气粒子数据进行密度分析处理,可以更准确地分析空气中的烟雾分布情况和浓度分布情况,进一步了解环境的污染程度;利用烟雾浓度权重生成公式对空气密度数据进行特征识别计算处理,可以量化烟雾的浓度特征,并将其表示为权重值,帮助后续的烟雾风险评估和决策制定;将烟雾特征权重与预设的标准烟雾特征权重进行对比,当烟雾特征权重大于标准烟雾特征权重时,生成高风险烟雾浓度数值;当烟雾特征权重大于标准烟雾特征权重时,生成低风险烟雾浓度数值,可以根据烟雾特征权重评估和判断当前环境中烟雾浓度的风险水平。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S4包括:
步骤S41:根据加权平均公式对环境模糊图像和环境色深图像进行图像融合处理,生成环境融合图像;对环境融合图像进行边缘增强处理,从而生成环境精确图像;
本发明实施例中,通过使用加权平均公式对环境模糊图像和环境色深图像进行图像融合处理,以生成环境融合图像,使用例如图像锐化、边缘检测和滤波等边缘增强方法对生成的环境融合图像进行边缘增强处理,以获得环境精确图像。
步骤S42:利用预设的烟雾粒子传感器捕获空气中的粒子数量,从而获得空气粒子数据;
本发明实施例中,通过选择适合的烟雾粒子传感器设备,其中烟雾粒子传感器是一种测量空气中悬浮微粒(如烟雾、尘埃、颗粒物等)数量的设备,将选择的烟雾粒子传感器安装在目标环境中,以便能够准确地捕获空气中的粒子数量,安装位置要考虑空气流动性、可能的污染源和目标测量区域等因素,以确保传感器能够提供准确和可靠的空气粒子数据,连接烟雾粒子传感器与数据采集系统或处理器,进行数据采集和处理,传感器将通过敏感元件(如光敏电阻、散射光接收器等)检测空气中的粒子,并转换为电信号,数据采集系统将获取传感器输出的电信号,并将其转化为实际的粒子数量,从而获得空气粒子数据。
步骤S43:基于全景温度分布热力图对空气粒子数据进行密度分析处理,生成空气密度数据;
本发明实施例中,通过使用图像处理算法、计算机视觉技术或图像分析技术来提取热力图中的粒子密度信息对全景温度分布热力图进行密度分析处理,以获得更具体的空气粒子密度数据,据密度分析处理的结果,将空气粒子的密度数据生成为可用的格式,可以将数据保存为数据文件、图表或其他形式。
步骤S44:利用烟雾浓度权重生成公式对空气密度数据进行特征识别计算处理,从而生成烟雾特征权重;
本发明实施例中,通过定义一个用于生成烟雾特征权重的公式,这个公式可以基于烟雾密度数据进行计算,以识别烟雾的特征并生成对应的权重,使用定义好的烟雾浓度权重生成公式,对空气密度数据进行特征提取,将空气密度数据输入到公式中,并计算得到相应的烟雾特征值或权重,从而生成烟雾特征权重。
步骤S45:将烟雾特征权重与预设的标准烟雾特征权重进行对比,当烟雾特征权重大于标准烟雾特征权重时,生成高风险烟雾浓度数值;当烟雾特征权重大于标准烟雾特征权重时,生成低风险烟雾浓度数值。
本发明实施例中,通过定义预设的标准烟雾特征权重,用于判断烟雾浓度的高风险和低风险状态,使用步骤S44中生成的烟雾特征权重,将其与预设的标准烟雾特征权重进行对比,如果生成的烟雾特征权重大于标准烟雾特征权重,则认为是高风险烟雾浓度;如果小于标准烟雾特征权重,则认为是低风险烟雾浓度。根据对比结果,生成相应的高风险烟雾浓度数值和低风险烟雾浓度数值,可以是一个数值或标志,用于表示相应的风险级别。例如,可以使用数值1表示高风险烟雾浓度,使用数值0表示低风险烟雾浓度。
优选地,步骤S44中的烟雾浓度权重生成公式具体如下:
;
式中,w表示为烟雾浓度权重,m表示为温度分布热力图中的采样点数,t k 表示为是第k个采样点的温度,D k 表示为第k个采样点的空气密度,u k 表示为第k个采样点的相对湿度,c表示为空气中的气压值,表示为烟雾粒子传感器斜率,l表示为烟雾粒子传感器在清洁空气中的输出电阻,v表示为烟雾粒子传感器的输出电阻,ε表示为烟雾浓度权重异常调整值。
本发明构建了一种烟雾浓度权重生成公式,用于通过温度分布热力图中的采样点数以及第k个采样点的空气密度以及第k个采样点的相对湿度进行空气烟雾含量计算,该烟雾浓度权重生成公式可以根据对烟雾粒子传感器在清洁空气中的输出电阻和烟雾粒子传感器的输出电阻对烟雾粒子传感器进行烟雾浓度判断,实现最佳的烟雾浓度判别准确率,根据空气中的气压值和烟雾粒子传感器斜率来确定空气成分含量动态变化值,从而精确确定空气中烟雾含量变化。在实际应用中,该公式可以将传感器测量到的烟雾浓度值转化为一个数值,反映出烟雾的程度,从而帮助用户判断火灾危险性、采取相应的措施或决策。该公式充分考虑了温度分布热力图中的采样点数m,第k个采样点的温度t k ,第k个采样点的空气密度D k ,第k个采样点的相对湿度u k ,空气中的气压值c,烟雾粒子传感器斜率,烟雾粒子传感器在清洁空气中的输出电阻l,烟雾粒子传感器的输出电阻v,烟雾浓度权重异常调整值ε,根据温度分布热力图中的采样点数与以上各参数之间的相互关系构成了一种函数关系:
;
通过第k个采样点的温度与第k个采样点的空气密度的相互作用关系,可以了解空气中温度变化大小,保证区域数据精确的情况下进行异常烟雾温度判断,利用第k个采样点的相对湿度,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过烟雾浓度权重异常调整值ε对烟雾浓度权重计算进行调整,更加准确的生成烟雾浓度权重w,提高了烟雾浓度权重生成的准确性和可靠性。同时该公式中的烟雾粒子传感器斜率、温度分布热力图中的采样点数等参数可以根据实际情况进行调整,从而适应不同的烟雾浓度权重计算场景,提高了算法的适用性和灵活性。
优选地,步骤S5包括以下步骤:
步骤S51:对高风险烟雾浓度数值和低风险烟雾浓度数值进行历史数据收集,获得训练样本数据集;
步骤S52:利用信息增益方法对训练样本数据寄进行烟雾浓度特征选择处理,生成烟雾浓度特征数据;
步骤S53:对烟雾浓度特征数据进行节点属性划分处理,生成划分节点属性数据;
步骤S54:通过递归算法对划分节点属性数据与训练样本集进行递归处理,从而生成烟雾浓度预测预模型;
步骤S55:通过交叉验证方法对烟雾浓度预测预模型进行后剪枝处理,去除过拟合影响,从而生成烟雾浓度预测模型;
本发明通过对高风险烟雾浓度数值和低风险烟雾浓度数值进行历史数据收集,可以建立烟雾浓度预测模型所需的基础数据,提取出有益的特征用于模型构建;利用信息增益方法对训练样本数据进行烟雾浓度特征选择处理,可以帮助确定哪些特征在烟雾浓度预测中起到关键作用,从而提高模型的精确性和效果;对烟雾浓度特征数据进行节点属性划分处理,将数据划分到不同的节点属性中,可以更好地区分不同类别的烟雾浓度情况,为模型构建提供更详细和准确的信息;通过递归算法对划分节点属性数据与训练样本集进行递归处理,从而生成烟雾浓度预测预模型,可以通过不断地划分数据集和生成子模型,逐步构建出预测模型,提高模型的预测能力和适应性;通过交叉验证方法对烟雾浓度预测预模型进行后剪枝处理,去除过拟合影响,从而生成烟雾浓度预测模型,可以防止模型在训练数据上过度拟合,提高模型在新数据上的泛化能力和准确性。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S5包括:
步骤S51:对高风险烟雾浓度数值和低风险烟雾浓度数值进行历史数据收集,获得训练样本数据集;
本发明实施例中,通过收集历史的高风险烟雾浓度数值和低风险烟雾浓度数值,确定数据收集的来源,例如收集与烟雾相关的气象数据,如温度、湿度、风速等,这些数据可能对烟雾浓度有影响,根据确定的数据来源,采取适当的方法进行数据收集,包括传感器读数、气象记录、调查问卷等,将收集到的数据存储在适当的数据存储介质中,如数据库或文件系统。
步骤S52:利用信息增益方法对训练样本数据寄进行烟雾浓度特征选择处理,生成烟雾浓度特征数据;
本发明实施例中,通过明确要进行特征选择的目标变量,即烟雾浓度,对于每个特征变量,计算其与目标变量之间的信息增益,其中,信息增益是衡量一个特征变量对于分类或预测目标的重要性的指标,计算每个特征变量的熵,用于度量该特征变量的不确定性,熵值越高,表示该特征变量包含的信息越混乱,对于每个特征变量,计算在该特征变量条件下的目标变量的熵,条件熵度量了在已知某个特征变量的取值情况下,目标变量的不确定性,例如使用以下公式计算特征变量的信息增益:
信息增益 = 特征熵 - 条件熵;
根据信息增益的值,选择具有高信息增益的特征变量作为重要特征,可以根据阈值进行筛选,高信息增益意味着该特征对于目标变量的分类或预测具有更大的贡献,根据选定的重要特征,从训练样本数据中提取相应的特征数据,形成烟雾浓度特征数据。
步骤S53:对烟雾浓度特征数据进行节点属性划分处理,生成划分节点属性数据;
本发明实施例中,通过确定用于节点属性划分的特征属性,例如先前步骤中选择的重要特征变量,据划分属性的类型,选择合适的划分策略,如果划分属性是连续值,可以采用二分法(Binary Split)或其他连续值划分方法,如果划分属性是离散值,可以采用按属性值划分的方式,对于每个划分点,可以使用合适的度量指标来评估节点属性的划分质量,例如信息增益、基尼指数等,用于衡量划分后的节点纯度或不确定性,根据选择的划分策略和度量指标,执行节点属性的划分操作,将烟雾浓度特征数据根据划分属性的取值划分为不同的子集,每个子集代表一个划分节点,具有相应的属性取值范围,根据节点属性的划分结果,将烟雾浓度特征数据分配到划分节点中,可以根据划分节点的标识或属性取值,给每个样本分配一个节点标签或属性,从而生成划分节点属性数据。
步骤S54:通过递归算法对划分节点属性数据与训练样本集进行递归处理,从而生成烟雾浓度预测预模型;
本发明实施例中,通过定义递归算法的终止条件,例如,当节点属性数据的样本数量小于某个阈值或节点属性的纯度达到一定程度时,停止递归处理,将划分的节点属性数据作为输入,根据预先定义的划分策略和度量指标,选择最优的划分属性,并将节点属性数据划分为不同的子集,对于每个子集,使用决策树等构建相应的子模型,子模型可以根据子集中的训练样本集进行训练,学习烟雾浓度的预测模式,对于每个子集,将子集中的训练样本作为输入,继续进行递归处理,重复上述步骤,直到达到终止条件,通过递归处理,可以生成多个子模型,每个子模型对应一个划分节点,将这些子模型组合起来构成一个预测模型,从而获得烟雾浓度预测预模型。
步骤S55:通过交叉验证方法对烟雾浓度预测预模型进行后剪枝处理,去除过拟合影响,从而生成烟雾浓度预测模型;
本发明实施例中,通过烟雾浓度预测预模型性能指标,判断是否进行后剪枝处理,后剪枝是指在训练完成后,对决策树模型进行修剪,去除过拟合的部分,其中后剪枝方法包括悲观剪枝(Pessimistic Error Pruning)、代价复杂度剪枝(Cost-Complexity Pruning)等,根据交叉验证过程中的性能指标,选择最优模型作为最终的烟雾浓度预测模型。
优选地,步骤S6包括以下步骤:
步骤S61:将第一传输图像导入至烟雾浓度预测模型中进行烟雾浓度预测处理,生成烟雾浓度数值;
步骤S62:根据预先设定的烟雾浓度阈值对烟雾浓度数值进行分类判断,当烟雾浓度数值在烟雾浓度预测模型中检测为高风险时,触发自主报警系统并通过远程监控摄像机的移动终端,将烟雾情况通知给用户;当烟雾浓度数值在烟雾浓度预测模型中检测为低风险时,系统执行低能耗运行。
本发明通过利用构建好的烟雾浓度预测模型,可以对当前图像中的烟雾进行预测,得到相应的烟雾浓度数值;根据预先设定的烟雾浓度阈值对烟雾浓度数值进行分类判断,当烟雾浓度数值超过设定的阈值时,被判断为高风险,当烟雾浓度数值低于阈值时,被判断为低风险,当烟雾浓度数值在烟雾浓度预测模型中检测为高风险时,系统将触发自主报警系统,通过远程监控摄像机的移动终端,将烟雾情况通知给用户,可以及时地警示用户,使其能够采取必要的措施应对高风险烟雾情况,当烟雾浓度数值在烟雾浓度预测模型中检测为低风险时,系统执行低能耗运行,系统可以在低风险情况下减少能源消耗,从而降低运行成本。通过上述步骤的执行,可以提高烟雾预警系统的效能和可靠性,及时发现和处理烟雾风险,保障用户安全,并优化系统的能源利用。
本发明实施例中,通过将第一传输图像输入到烟雾浓度预测模型中,模型会对输入的图像进行处理和分析,提取与烟雾相关的特征,基于提取的特征,模型会对烟雾浓度进行预测,并生成相应的烟雾浓度数值,根据预先设定的烟雾浓度阈值对烟雾浓度数值进行分类判断,当烟雾浓度数值在烟雾浓度预测模型中检测为高风险时,触发自主报警系统,例如发出声音警报、发送报警信息等,以引起用户的注意,同时,通过远程监控摄像机的移动终端,将烟雾情况通知给用户,远程监控摄像机可以通过网络连接将实时图像或烟雾情况推送到用户的移动终端,用户可以及时了解到烟雾情况,以便采取必要的行动,当烟雾浓度数值在烟雾浓度预测模型中检测为低风险时,系统可以执行低能耗运行,例如采用一定的控制策略,如降低设备功耗、关闭不必要的功能等,以减少能源消耗。
本发明还提供一种家用智能安防监控系统,包括,
图像拍摄模块,用于利用预设的远程监控摄像机按照预设的时间间隔进行家庭环境拍摄,从而获取第一传输图像;对第一传输图像进行关键帧提取处理,获得第一关键帧集;基于所述的远程监控摄像机中的处理模块对第一关键帧集进行帧图像重合处理,生成环境模糊图像;
图像处理模块,用于对环境模糊图像进行图像切割处理,生成环境切割图像;对环境切割图像进行图像预处理,生成标准环境切割图像;对标准环境切割图像进行色深检测处理,生成环境色深图像;
像素温度处理模块,用于基于环境色深图像调整远程监控摄像机位置,通过红外辐射技术进行多环境拍摄处理,获得第二传输图像;利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值;对像素温度值进行色彩映射处理,生成全景温度分布热力图;
烟雾特征分析模块,用于根据环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像;基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式对环境精确图像进行环境图像烟雾特征分析,生成烟雾特征权重;将烟雾特征权重与预设的标准烟雾特征权重进行对比,生成高风险烟雾浓度数值和低风险烟雾浓度数值;
模型构建模块,用于利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型;
烟雾浓度分析模块,用于将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,当检测到高风险烟雾浓度数值时,进行自主报警并基于远程监控摄像机移动终端对用户进行通知处理;当检测到低风险烟雾浓度数值时,进行低能耗运行处理。
本发明通过远程监控摄像机进行家庭环境拍摄,可以获取第一传输图像,并通过关键帧提取和帧图像重合处理生成环境模糊图像,可以获取最新的家庭环境图像,并进行后续处理,对环境模糊图像进行图像切割和预处理,生成标准环境切割图像,并进行色深检测处理,生成环境色深图像,可以提取环境图像中的关键信息,减少干扰和噪声,为后续处理提供清晰的环境切割和色深图像,通过调整摄像机位置和使用红外辐射技术进行多环境拍摄处理,获取第二传输图像,然后利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值,并进行色彩映射处理,生成全景温度分布热力图,可以获取环境中的温度分布信息,并可视化为热力图,结合环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像,然后基于全景温度分布热力图和预设的烟雾粒子传感器烟雾浓度权重生成公式,对环境精确图像进行烟雾特征分析,生成烟雾特征权重,并与预设的标准烟雾特征权重进行对比,从而得到高风险烟雾浓度数值和低风险烟雾浓度数值,可以确定环境中的烟雾浓度水平,并进行风险判断,利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建,生成烟雾浓度预测模型,可以通过建立模型并根据烟雾浓度数值预测环境中的烟雾风险水平,将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理。当检测到高风险烟雾浓度数值时,触发自主报警,并通过远程监控摄像机移动终端对用户进行通知处理。当检测到低风险烟雾浓度数值时,进行低能耗运行处理。这些步骤有益于实现对烟雾浓度的实时监测和预警,并能够及时通知用户或采取适当的措施来保障家庭安全。因此,本发明的一种家用智能安防监控方法及系统利用远程监控摄像机进行环境确认并通过智能模型进行烟雾浓度预测,精确化识别由火灾引起的烟雾浓度以及日常电力负载过重的问题。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种家用智能安防监控方法,其特征在于,包括以下步骤:
步骤S1:利用预设的远程监控摄像机按照预设的时间间隔进行家庭环境拍摄,从而获取第一传输图像;对第一传输图像进行关键帧提取处理,获得第一关键帧集;基于所述的远程监控摄像机中的处理模块对第一关键帧集进行帧图像重合处理,生成环境模糊图像;
步骤S2:对环境模糊图像进行图像切割处理,生成环境切割图像;对环境切割图像进行图像预处理,生成标准环境切割图像;对标准环境切割图像进行色深检测处理,生成环境色深图像;
步骤S3:基于环境色深图像调整远程监控摄像机位置,通过红外辐射技术进行多环境拍摄处理,获得第二传输图像;利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值;对像素温度值进行色彩映射处理,生成全景温度分布热力图;
其中,模糊像素温度计算公式如下所示:
;
式中,T表示为模糊像素的温度权重,α表示为环境温度,β表示为单位面积光吸收系数,n表示为模糊像素数量,γ i 表示为第i个模糊像素所对应的吸收系数,f(x i,y i)表示为在(x i,y i)处的入射光强度的坐标,d i 表示为入射光线到第i个模糊像素中心的距离,h表示为模糊像素的高度,δ表示为传感器感应间隔时间,表示为相邻传感器感应间隔时间,σ表示为入射光在非模糊像素上反射的比例,q表示为传感器接收到的光线强度,τ表示为光线折射率,θ表示为入射光线与水平面的夹角,μ表示为模糊像素的温度权重修正量;
步骤S4:根据环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像;基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式对环境精确图像进行环境图像烟雾特征分析,生成烟雾特征权重;将烟雾特征权重与预设的标准烟雾特征权重进行对比,生成高风险烟雾浓度数值和低风险烟雾浓度数值;
其中,烟雾浓度权重生成公式如下所示:
;
式中,w表示为烟雾浓度权重,m表示为温度分布热力图中的采样点数,t k 表示为是第k个采样点的温度,D k 表示为第k个采样点的空气密度,u k 表示为第k个采样点的相对湿度,c表示为空气中的气压值,表示为烟雾粒子传感器斜率,l表示为烟雾粒子传感器在清洁空气中的输出电阻,v表示为烟雾粒子传感器的输出电阻,ε表示为烟雾浓度权重异常调整值;
步骤S5:利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型;
步骤S6:将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,当检测到高风险烟雾浓度数值时,进行自主报警并基于远程监控摄像机移动终端对用户进行通知处理;当检测到低风险烟雾浓度数值时,进行低能耗运行处理。
2.根据权利要求1所述的一种家用智能安防监控方法,其特征在于,步骤S1包括以下步骤:
步骤S11:根据预设的远程监控摄像机按照预设的时间间隔进行多角度拍摄处理,其中多角度包括俯角和水平角度,从而获得俯角图像和水平图像;
步骤S12:对俯角图像和水平图像进行图像拼接处理,生成全景图像;将全景图像上传至远程监控摄像机内的记忆模块中,从而获得第一传输图像;
步骤S13:利用结构相似性算法对第一传输图像进行差异度计算,生成图像差异度数据;
步骤S14:通过图像差异度数据设置关键帧阈值;将第一传输图像与关键帧阈值进行筛选处理,得到第一关键帧集;
步骤S15:将第一关键帧集通过远程监控摄像机内的处理模块进行帧集图像重合处理,生成环境模糊图像。
3.根据权利要求2所述的一种家用智能安防监控方法,其特征在于,步骤S2包括以下步骤:
步骤S21:基于阈值分割算法对环境模糊图像进行切割处理,剔除边缘图像影响,从而获得核心环境模糊图像;
步骤S22:对核心环境模糊图像进行图像平滑处理,生成核心环境平滑图像;将核心环境平滑图像进行去噪处理,生成核心环境去噪图像;对核心环境去噪图像进行标准化处理,生成标准环境切割图像;
步骤S23:利用HSV颜色空间对标准环境切割图像进行颜色空间转换,生成环境空间转换图像;
步骤S24:利用预设的色彩阈值对颜色空间转换图像进行色深提取,生成环境色深图像。
4.根据权利要求3所述的一种家用智能安防监控方法,其特征在于,步骤S3包括以下步骤:
步骤S31:通过对环境色深图像中最大色深区域进行定位,对远程监控摄像机视角进行目标视角转动并切换红外摄像模式进行多角度拍摄处理,其中多角度包括高角度俯视和侧面角度,从而获得高角度俯视图像和侧面图像;
步骤S32:对高角度俯视图像和侧面图像进行图像聚合处理,生成环境聚合图像;将环境聚合图像上传至远程监控摄像机内的记忆模块中,从而获得第二传输图像;
步骤S33:将第二传输图像进行核心像素点提取处理,得到图像核心像素点;利用模糊像素温度计算公式对图像核心像素点进行温度计算,得到像素点温度值;
步骤S34:根据温度颜色映射法对和第二传输图像像素点温度值进行温度区域分布映射处理,生成全景温度分布热力图。
5.根据权利要求4所述的一种家用智能安防监控方法,其特征在于,步骤S4包括以下步骤:
步骤S41:根据加权平均公式对环境模糊图像和环境色深图像进行图像融合处理,生成环境融合图像;对环境融合图像进行边缘增强处理,从而生成环境精确图像;
步骤S42:利用预设的烟雾粒子传感器捕获空气中的粒子数量,从而获得空气粒子数据;
步骤S43:基于全景温度分布热力图对空气粒子数据进行密度分析处理,生成空气密度数据;
步骤S44:利用烟雾浓度权重生成公式对空气密度数据进行特征识别计算处理,从而生成烟雾特征权重;
步骤S45:将烟雾特征权重与预设的标准烟雾特征权重进行对比,当烟雾特征权重大于标准烟雾特征权重时,生成高风险烟雾浓度数值;当烟雾特征权重大于标准烟雾特征权重时,生成低风险烟雾浓度数值。
6.根据权利要求5所述的一种家用智能安防监控方法,其特征在于,步骤S5包括以下步骤:
步骤S51:对高风险烟雾浓度数值和低风险烟雾浓度数值进行历史数据收集,获得训练样本数据集;
步骤S52:利用信息增益方法对训练样本数据寄进行烟雾浓度特征选择处理,生成烟雾浓度特征数据;
步骤S53:对烟雾浓度特征数据进行节点属性划分处理,生成划分节点属性数据;
步骤S54:通过递归算法对划分节点属性数据与训练样本集进行递归处理,从而生成烟雾浓度预测预模型;
步骤S55:通过交叉验证方法对烟雾浓度预测预模型进行后剪枝处理,去除过拟合影响,从而生成烟雾浓度预测模型。
7.根据权利要求6所述的一种家用智能安防监控方法,其特征在于,步骤S6包括以下步骤:
步骤S61:将第一传输图像导入至烟雾浓度预测模型中进行烟雾浓度预测处理,生成烟雾浓度数值;
步骤S62:根据预先设定的烟雾浓度阈值对烟雾浓度数值进行分类判断,当烟雾浓度数值在烟雾浓度预测模型中检测为高风险时,触发自主报警系统并通过远程监控摄像机的移动终端,将烟雾情况通知给用户;当烟雾浓度数值在烟雾浓度预测模型中检测为低风险时,系统执行低能耗运行。
8.一种家用智能安防监控系统,其特征在于,包括:
图像拍摄模块,用于利用预设的远程监控摄像机按照预设的时间间隔进行家庭环境拍摄,从而获取第一传输图像;对第一传输图像进行关键帧提取处理,获得第一关键帧集;基于所述的远程监控摄像机中的处理模块对第一关键帧集进行帧图像重合处理,生成环境模糊图像;
图像处理模块,用于对环境模糊图像进行图像切割处理,生成环境切割图像;对环境切割图像进行图像预处理,生成标准环境切割图像;对标准环境切割图像进行色深检测处理,生成环境色深图像;
像素温度处理模块,用于基于环境色深图像调整远程监控摄像机位置,通过红外辐射技术进行多环境拍摄处理,获得第二传输图像;利用模糊像素温度计算公式对第二传输图像进行温度计算处理,得到像素温度值;对像素温度值进行色彩映射处理,生成全景温度分布热力图;
烟雾特征分析模块,用于根据环境模糊图像和环境色深图像进行图像融合处理,生成环境精确图像;基于全景温度分布热力图和预设的烟雾粒子传感器利用烟雾浓度权重生成公式对环境精确图像进行环境图像烟雾特征分析,生成烟雾特征权重;将烟雾特征权重与预设的标准烟雾特征权重进行对比,生成高风险烟雾浓度数值和低风险烟雾浓度数值;
模型构建模块,用于利用决策树模型对高风险烟雾浓度数值与低风险烟雾浓度数值进行模型构建处理,生成烟雾浓度预测模型;
烟雾浓度分析模块,用于将第一传输图像导入烟雾浓度预测模型进行烟雾浓度分析处理,当检测到高风险烟雾浓度数值时,进行自主报警并基于远程监控摄像机移动终端对用户进行通知处理;当检测到低风险烟雾浓度数值时,进行低能耗运行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004584.5A CN116761049B (zh) | 2023-08-10 | 2023-08-10 | 一种家用智能安防监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311004584.5A CN116761049B (zh) | 2023-08-10 | 2023-08-10 | 一种家用智能安防监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116761049A CN116761049A (zh) | 2023-09-15 |
CN116761049B true CN116761049B (zh) | 2023-11-03 |
Family
ID=87951707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311004584.5A Active CN116761049B (zh) | 2023-08-10 | 2023-08-10 | 一种家用智能安防监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116761049B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522758B (zh) * | 2024-01-04 | 2024-03-26 | 深圳对对科技有限公司 | 一种基于大数据的智慧社区资源管理方法及系统 |
CN117994737B (zh) * | 2024-04-07 | 2024-06-14 | 辽宁云通汇智能科技有限公司 | 一种智慧工地管控平台的监控报警系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101277396A (zh) * | 2007-03-27 | 2008-10-01 | 株式会社东芝 | 固体摄像装置及其驱动方法 |
JP2009278345A (ja) * | 2008-05-14 | 2009-11-26 | Mitsubishi Electric Corp | 赤外線撮像素子 |
CN115698656A (zh) * | 2020-06-02 | 2023-02-03 | 三菱电机株式会社 | 红外线拍摄装置 |
CN116294664A (zh) * | 2023-02-09 | 2023-06-23 | 中南大学 | 一种工业炉窑体数据监测装置 |
-
2023
- 2023-08-10 CN CN202311004584.5A patent/CN116761049B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101277396A (zh) * | 2007-03-27 | 2008-10-01 | 株式会社东芝 | 固体摄像装置及其驱动方法 |
JP2009278345A (ja) * | 2008-05-14 | 2009-11-26 | Mitsubishi Electric Corp | 赤外線撮像素子 |
CN115698656A (zh) * | 2020-06-02 | 2023-02-03 | 三菱电机株式会社 | 红外线拍摄装置 |
CN116294664A (zh) * | 2023-02-09 | 2023-06-23 | 中南大学 | 一种工业炉窑体数据监测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116761049A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116761049B (zh) | 一种家用智能安防监控方法及系统 | |
CN110516609B (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
US20160260306A1 (en) | Method and device for automated early detection of forest fires by means of optical detection of smoke clouds | |
CN102201146B (zh) | 基于主动红外视频的零照度环境火灾烟雾识别方法 | |
KR101953342B1 (ko) | 멀티 센서 화재감지 방법 및 시스템 | |
KR100612858B1 (ko) | 로봇을 이용하여 사람을 추적하는 방법 및 장치 | |
CN112069975A (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
CN105791774A (zh) | 一种基于视频内容分析的监控视频传输方法 | |
CN111476194B (zh) | 一种感知模组工作状态检测方法及冰箱 | |
CN108230607B (zh) | 一种基于区域特征分析的图像火灾探测方法 | |
CN111223263A (zh) | 一种全自动综合型火灾预警响应系统 | |
CN107330414A (zh) | 暴力行为监控方法 | |
CN111914634A (zh) | 一种抗复杂场景干扰的井盖类别自动检测方法和系统 | |
KR101933856B1 (ko) | 콘벌루션 신경망을 이용한 영상 처리 시스템 및 이를 이용한 영상 처리 방법 | |
CN113192038B (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN109961425A (zh) | 一种动态水的水质识别方法 | |
CN117354986B (zh) | 一种多功能led灯珠的智能控制方法及系统 | |
CN115691034A (zh) | 一种智能家居异常情况告警方法、系统及存储介质 | |
CN114663827A (zh) | 一种判断场景内涝积水深度的方法及系统 | |
CN117197726B (zh) | 一种重点人员精准化管控系统及方法 | |
CN112883755A (zh) | 一种基于深度学习与行为先验的吸烟和打电话检测方法 | |
CN108073873A (zh) | 基于高清智能摄像机的人脸检测与识别系统 | |
TWI427562B (zh) | 機器視覺火災偵測及自動滅火系統 | |
CN105095891A (zh) | 一种人脸捕捉的方法,装置及系统 |
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 |