CN116844092A - 基于ai视频分析的大空间火灾探测分析系统和分析方法 - Google Patents
基于ai视频分析的大空间火灾探测分析系统和分析方法 Download PDFInfo
- Publication number
- CN116844092A CN116844092A CN202310913726.3A CN202310913726A CN116844092A CN 116844092 A CN116844092 A CN 116844092A CN 202310913726 A CN202310913726 A CN 202310913726A CN 116844092 A CN116844092 A CN 116844092A
- Authority
- CN
- China
- Prior art keywords
- fire
- space
- smoke
- video
- liquid
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 239000007788 liquid Substances 0.000 claims abstract description 115
- 239000000779 smoke Substances 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000007480 spreading Effects 0.000 claims abstract description 30
- 238000003892 spreading Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 230000003287 optical effect Effects 0.000 claims description 26
- 230000000007 visual effect Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000009835 boiling Methods 0.000 claims description 13
- 238000001704 evaporation Methods 0.000 claims description 10
- 230000008020 evaporation Effects 0.000 claims description 10
- 238000004880 explosion Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000007789 sealing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000006260 foam Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 238000009529 body temperature measurement Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based 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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了基于AI视频分析的大空间火灾探测分析方法，涉及火灾监测技术领域，该分析方法包括以下步骤：步骤一、采集大空间仓库中易燃液体火灾系数；步骤二、采集大空间内多组火灾发生地的火光视频图像和烟雾视频图像，截取火灾连续多帧图像；步骤三、使用AI识别连续多帧图像中的静态环境特征的运动变化参数，并分析获取火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征；步骤四、通过火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行拟合，训练并生成算法模型；步骤五、优化算法模型，设定风险阈值；步骤六、实时采集数据和所述风险阈值进行对比分析。
Description
技术领域
本发明涉及火灾监测技术领域，具体为基于AI视频分析的大空间火灾探测分析系统和分析方法。
背景技术
随着工业行业的飞速发展，作为工业重要环节的工业仓库用来存放生产所需的各种材料，或工厂日常生活所需的各种消耗品等，以及在生产后期中，用来存放产品、保护产品及调节供需等的工业建筑物。
其中，而工业仓库中的存放产品具备密度大、数量多、品种复杂，货架高，多个分区之间物品的流动非常频繁的特点，虽然该仓库在各个分区之间设置防火卷帘，但平时都处于敞开状态，整座仓库呈现连续开放的形势，发生火灾后，如防火卷帘不能正常工作，或者货品堆放影响防火卷帘，会使得防火分隔措施不能起到应有的作用，发生火灾后，将极易形成大面积火灾。
在CN115601909A公开号的中国发明专利中，提出了提出一种大跨空间仓库货架火灾定位控制方法及系统，对货架仓库设置测温点，进行定点温度监测，通过温度传感器探测感知温度异常区域；探测到异常温度时，进行热质心水平投影位置计算，确定火灾发生位置；根据热质心水平投影位置，按照前期预设的保护场所有效超早期控火所需洒水喷头启动数量确定自动喷水灭火系统洒水喷头启动位置。此公开发明将光纤光栅测温应用于大跨空间仓库的温度测量，可实现仓库顶部位置温度的实时测量，将获取的温度数据进行处理分析，为自动喷水灭火系统的启动提供算法支持。
在该专利中，公开了通过对仓库进行温度实时监测，而感知仓库通过温度异常变化的方式来分析火灾，并将火灾消灭在萌芽状态，但是对于一些仓库中存放的工业易燃液体，温度变化通常在密闭筒里，只有膨胀到一定程度才会爆裂造成挥发，此时要等烟雾浓度、温度、火花达到阈值，后续可能会发生挥发爆炸，容易造成重大损失。
为此，本发明提供了一种基于AI视频分析的大空间火灾探测分析系统和分析方法。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提出基于AI视频分析的大空间火灾探测分析系统和分析方法，用以通过具体AI视频分析技术，建立视频分析模型和算法，结合工业仓库大空间内工业存放物的特性获取易燃液体火灾系数，综合拟合后对视频数据的深度分析和研判，通过AI视频分析图像中的密闭罐筒的变形程度、膨胀值、火光和烟雾等信息，在火灾发生早期发现火灾并及预警，可以极大程度上减少人身财产安全损失。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于AI视频分析的大空间火灾探测分析方法，包括以下步骤：
步骤一、采集大空间仓库中易燃液体火灾系数；步骤二、采集大空间内多组火灾发生地的火光视频图像和烟雾视频图像，截取火灾连续多帧图像；步骤三、使用AI识别连续多帧图像中的静态环境特征的运动变化参数，并分析获取火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征；
步骤四、通过火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行拟合，训练并生成算法模型；步骤五、优化算法模型，设定风险阈值；步骤六、实时采集数据和所述风险阈值进行对比分析。
优选的，采集大空间仓库中易燃液体火灾系数包括：
采集并获取易燃液体的闪点值、沸点值、粘度值、挥发浓度值、挥发速度和膨胀系数；
采集大空间仓库中温度值，获取易燃液体的闪点值；将不同闪点值的易燃液体进行分类，采纳最低闪点值作为预设阈值标准；采集密闭容器中的空气范围体积值、空气密度，并计算密闭容器中空气中挥发浓度；将密封容器中所述易燃气体的闪点值、沸点值、粘度值、挥发浓度值及关联温度值，获取膨胀系数。
优选的，所述膨胀系数通过以下公式计算获得：/>其中/>表示为膨胀系数，/>表示为物质沸点、/>表示为物质温度、/>表示为密闭空间中空气面积，表示空气密度；/>表示易燃液体的挥发速度，/>表示为密闭空间的蒸气压；/>表示液体挥发系数值；
其中，am为可变更常数参数，，可通过用泡沫或阻隔材料进行密闭空间体积封堵，减少空气密度参数值。
优选的，对于未密闭容器的液体暴露在空气情况下进行以下数据采集：采集大空间的面积、体积和获取仓库中存放材料的阴燃数据；采集未密闭容器中的易燃液体挥发浓度，计算获取液体暴露挥发浓度和扩散速度；采用以下公式计算易燃液体的挥发量：式中，/>表示质量蒸发速度；M表示摩尔质量；a表示大气总运量；表示大气n表示大气稳定度系数；p表示液体表面蒸气压；R表示气体常数，T0表示环境温度，u表示风速，r表示液筒或液池半径；
通过采集数据计算获得密闭容器的膨胀系数及未密闭的液桶蒸发系数，拟合获得易燃液体火灾系数。
优选的，采集大空间内多组火灾发生地的火光视频图像和烟雾视频图像，并识别火光视频图像和烟雾视频图像中像素灰度值的变化图，采集连续多帧图像，将闪光发生或烟雾发生时刻的视频画面保存为图片，设置具体的时间，进行逐帧截图。
优选的，识别连续多帧图像，通过以下步骤进行分析；
S1、对采集到的视频数据进行预处理，包括去燥、增强处理；
S2、使用AI深度处理多帧图像，提高相对清晰度，利用Sobel算子对图像中像素点上下及左右相邻点的灰度加权算法，提高图像清晰度；
S3、对图像目标进行去除摩尔纹出后，再次进行光流对齐；
S4、预测计算稠密光流，根据光流场，计算每个像素位置的光流强度并缩放到可视化范围，统计光流强度，通过阈值判断运动场景；
S5、获取光流强度大的中心位置点，进行中心位置范围的截取，统计液体光流的逐渐闪亮强度、火光每秒频率值、火光蔓延趋势范围特征，获取图片中烟雾纹理特征，分析烟雾运动轨迹特征。
优选的，所述步骤四包括：通过CAD图纸或者三维图纸将大空间仓库嵌入计算机服务器内，获取可视化三维的空间模型，通过目标火灾信息作为训练特征信息代入神经网络模型训练得到至少一个具备易燃液体存放的特征层。
优选的，所述步骤四中包括算法模型训练，包括：
获取训练样本，训练样本中至少标注到第一训练特征信息、第二训练特征信息、第三训练特征信息和第四训练特征信息；
所述第一训练特征信息包括火光特征，用于从火光表征图像中获取；所述第二训练特征信息包括烟雾蔓延特征，用于从烟雾表征图像中获取；所述第三训练特征信息包括易燃液体火灾系数特征，用于预测蔓延形式，预测可能火灾爆炸范围；所述第四训练特征信息，通过视觉采集到的图像中，装有易燃液体密闭桶的外壁膨胀体积变化获取；将第一训练特征信息、第二训练特征信息、第三训练特征信息和第四训练特征信息输入模型中，获取预测模型。
优选的，根据处理之后的动态图像，判断分析动态图像中的烟雾特征是否符合烟雾特征相对静态环境特征的扩散运动特征；根据处理之后的动态图像，判断分析动态图像中的密闭桶膨胀特征是否符合膨胀系数特征；根据处理之后的动态图像，判断分析动态图像中的火光特征是否符合火光特征相对静态环境特征的火光运动特征；
对预测模型进行调试，分别对获取到的火光特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行测试评估，并将目标检测评估指标在预测模型的类别上进行优劣衡量，得到优化算法模型。
一种基于AI视频分析的大空间火灾探测分析系统，服务器、采集模块、AI识别模块、算法模型模块及可视化模型预警模块；
所述服务器与采集模块、AI识别模块、算法模型模块、可视化模型预警模块均为通信连接；所述服务器用于存储历史分析结果、采集数据及分析数据进行存储；
采集模块用于采集大空间仓库中易燃液体火灾系数、大空间内多组火灾发生地的火光视频图像和烟雾视频图像、实时温度值；
AI识别模块用于使用AI识别连续多帧图像中的静态环境特征的运动变化参数；
算法模型模块用于深度计算分析获得火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征；
可视化模型预警模块用于对算法模型模块分析后的数据进行可视化显示分析结果和火灾风险预警。
（三）有益效果
本发明提供了基于AI视频分析的大空间火灾探测分析方法。具备以下有益效果：
（1）该基于AI视频分析的大空间火灾探测分析方法，通过在采集大空间仓库中易燃液体火灾系数，结合AI火光视频图像和烟雾视频图像，并分析获得火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征，与易燃液体火灾系数进行拟合，训练并生成算法模型后进行优化，设置风险阈值，减少火灾风险。
（2）该基于AI视频分析的大空间火灾探测分析方法，在采集大空间仓库中易燃液体火灾系数包括采集并获取易燃液体的闪点值、沸点值、粘度值、挥发浓度值、挥发速度和膨胀系数，对密闭容器和未封闭容器空气进行数据采集，配合AI采集图像，来监测密闭容器的膨胀面积与膨胀系数进行计算，以及液筒或液池蒸发系数来探测火灾隐患进行分析，通过AI视频分析图像中的密闭罐筒的变形程度、膨胀值，来针对仓库中存放的工业易燃液体进行火灾探测和监控；
（3）该基于AI视频分析的大空间火灾探测分析方法，本实施例中通过AI智能视频识别系统对其不同的帧图像进行去燥、增强、光流对齐等预处理后，并对光流变化进行预测计算，获取光流强度大的中心位置点，进行中心位置范围的截取，统计液体光流的逐渐闪亮强度、火光每秒频率值、火光蔓延趋势范围特征、烟雾纹理特征，进而分析获得火光和烟雾运动轨迹参数，便于在后期预设模型中获取精准的数据进行风险阈值地提供精准的轨迹判断。
（4）该基于AI视频分析的大空间火灾探测分析方法，通过将所述火光特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行拟合，训练并生成算法模型；并基于三维模型进行训练和优化，便于在探测到火灾发生隐患及时在三维模型中进行显现，且优化训练过程中，通过采用视频分析技术，建立视频分析模型和算法，结合工业仓库大空间内工业存放物的特性，对视频数据的深度分析和研判，在火灾发生早期发现火灾并及预警，可以极大程度上减少人身财产安全损失，同时，也可以弥补目前广泛使用的感温型、感烟型和感光型探测器技术缺陷。
附图说明
图1为本发明分析方法的步骤示意图；
图2为本发明分析基于AI视频分析的大空间火灾探测分析系统示意图；
实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
实施例
在CN115601909A公开号的中国发明专利中，提出了提出一种大跨空间仓库货架火灾定位控制方法及系统，对货架仓库设置测温点，进行定点温度监测，通过温度传感器探测感知温度异常区域；探测到异常温度时，进行热质心水平投影位置计算，确定火灾发生位置；根据热质心水平投影位置，按照前期预设的保护场所有效超早期控火所需洒水喷头启动数量确定自动喷水灭火系统洒水喷头启动位置。此公开发明将光纤光栅测温应用于大跨空间仓库的温度测量，可实现仓库顶部位置温度的实时测量，将获取的温度数据进行处理分析，为自动喷水灭火系统的启动提供算法支持。
在该专利中，公开了通过对仓库进行温度实时监测，而感知仓库通过温度异常变化的方式来分析火灾，并将火灾消灭在萌芽状态，但是对于一些仓库中存放的工业易燃液体，温度变化通常在密闭筒里，只有膨胀到一定程度才会爆裂造成挥发，此时要等烟雾浓度、温度、火花达到阈值，后续可能会发生挥发爆炸，容易造成重大损失；
本发明在针对性地对工业易燃液体通过具体易燃液体火灾参数进行采集，配合AI视频训练模型进行模拟，用于在预测工业大空间仓库的火灾风险进行及时的预测和分析，减少达到火灾阈值而造成挥发，甚至爆炸的危险情况。
本发明提供基于AI视频分析的大空间火灾探测分析方法，请参照图1，包括以下步骤：
步骤一、采集大空间仓库中易燃液体火灾系数；
步骤二、采集大空间内多组火灾发生地的火光视频图像和烟雾视频图像，截取火灾连续多帧图像；
步骤三、使用AI识别连续多帧图像中的静态环境特征的运动变化参数，并分析获取火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征；
步骤四、通过火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行拟合，训练并生成算法模型；
步骤五、优化算法模型，设定风险阈值；
S6、实时采集数据和所述风险阈值进行对比分析。
本实施例中，通过在采集大空间仓库中易燃液体火灾系数，结合AI火光视频图像和烟雾视频图像，并分析获得火光特征、罐体膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征，与易燃液体火灾系数进行拟合，训练并生成算法模型后进行优化，设置风险阈值，减少火灾风险。
实施例
本实施例是在实施例1中进行详细解释，具体的，步骤一中，采集大空间仓库中易燃液体火灾系数包括采集并获取易燃液体的闪点值、沸点值、粘度值、挥发浓度值、挥发速度和膨胀系数；
闪点是评定液体火灾危险性的主要指标，评定可燃液体火灾危险性最直接的指标是蒸气压，蒸气压越高，越易挥发，闪点也越低，由于蒸气压很难测量。闪点越低的液体，越易挥发而形成爆炸性气体混合物，引燃也越容易。对于可燃液体，通常还用自燃点作为评定火灾危险性的标志，自燃点越低的液体，越易发生自燃。
此外，液体的爆炸温度极限、受热蒸发性、流动扩散性和带电性也是衡量液体火灾危险性的标志。爆炸温度极限范围越大，危险性越大；受热膨胀系数越大的液体，受热后蒸气压力升高快（气化量增大），容易造成设备升压发生爆炸；沸点越低的液体，蒸发性越强，且蒸气压随温度的升高显著增大；液体流动扩散快，泄漏后边流淌蒸发，会加快其蒸发速度，易于起火并蔓延；有些液体（如酮、醚、石油及其产品）有很强的带电能力，其在生产、储运过程中，极易造成静电荷积聚而产生静电放电火花，酿成火灾，增加了液体的危险性
分为以下两种情况：
对于高易燃的液体势必是放在密闭容器中进行存放，而一些低燃点的液体会进行不密闭存放，例如放置在未密封的液池内或者筒里，此时对于密闭容器的可燃液体进行以下数据采集：
采集大空间仓库中温度值，获取易燃液体的闪点值；
例如汽油，闪点值低于28.1℃，煤油闪点值在28.1~45°C；
将不同闪点值的易燃液体进行分类，采纳最低闪点值作为预设阈值标准；
采集密闭容器中的空气范围体积值、空气密度值，并计算密闭容器中空气中挥发浓度；
将所述密封容器中易燃气体的闪点值、沸点值、粘度值、挥发浓度值及关联温度值，获取膨胀系数，膨胀系数的原理是：存放密闭的易燃液体的桶，在温度升高时，同时内部的蒸气压随之升高，从而使密封容易中内部压力增大，造成鼓桶现象，当膨胀系数达到一定数值后，会导致存放易燃液体的桶甚至爆裂，在容器爆裂时会产生火花而引起燃烧爆炸；
所述膨胀系数通过以下公式计算获得：/>其中/>表示为膨胀系数，/>表示为物质沸点、/>表示为物质温度、沸点单位为k，物质温度单位为°C；表示为密闭空间中空气面积，/>表示空气密度；/>表示易燃液体的挥发速度，/>表示为密闭空间的蒸气压；/>表示液体挥发系数值；
其中，am为可变更常数参数，，用户可以按照实际情况进行调整，可通过用泡沫或阻隔材料进行密闭空间体积封堵，减少空气密度参数值。
对于未密闭容器的液体暴露在空气情况下进行以下数据采集：
采集大空间的面积、体积和获取仓库中存放材料的阴燃数据；
采集未密闭容器中的易燃液体挥发浓度，计算获取液体暴露挥发浓度和扩散速度；
采用以下公式计算易燃液体的挥发量：
式中，表示质量蒸发速度，单位kg/s；M表示摩尔质量，0.0365kg/mol；a，n表示大气稳定度系数；p表示液体表面蒸气压；R表示气体常数；T0表示环境温度；u表示风速；r表示液筒或液池半径；
通过采集计算获得密闭容器的膨胀系数、未密闭的液筒或液池蒸发系数，拟合获得易燃液体火灾系数。
采集设备包括视频监控器、多波段现场探查灯、烟雾感应器、感温探测器、特殊气体探测器、红外线光束探测器。
在采集图像过程中可以识别密封容器的变形程度，关联膨胀系数，进而可以分析火灾风险；
本实施例中，在采集大空间仓库中易燃液体火灾系数包括采集并获取易燃液体的闪点值、沸点值、粘度值、挥发浓度值、挥发速度和膨胀系数，对密闭容器和未封闭容器空气进行数据采集，配合AI采集图像，来监测密闭容器的膨胀面积与膨胀系数进行计算，以及液筒或液池蒸发系数来探测火灾隐患进行分析，针对仓库中存放的工业易燃液体进行火灾探测和监控。
实施例
本实施例是在实施例1中进行详细解释，具体的：
其中，步骤二中，采集大空间内多组火灾发生地的火光视频图像和烟雾视频图像，采集视频图像中，并识别火光视频图像和烟雾视频图像中像素灰度值的变化图，采集连续多帧图像，在视频的“截图设置”界面，视频画面下方的进度条暂停在何处，就可以点击“截取到列表”，就可以将该时刻的视频画面保存为图片，在页面下方可以设置具体的时间，进行逐帧截图。
本实施例中，通过针对性对并识别火光视频图像和烟雾视频图像中像素灰度值的变化图，并截取其中逐帧截图，便于后期识别静态环境特征的火花、烟雾的运动变化参数。
实施例
本实施例是在实施例1中进行详细解释，具体的：
步骤三、使用AI识别连续多帧图像中的静态环境特征的运动变化参数，并分析获取火光特征、区域特征、频率特征、位置特征、蔓延特征；
识别连续多帧图像，通过以下步骤进行分析：
本方案适用于监控视频拍摄，使用连续多帧拍摄，使用光流监测场景运动信息，由于设备可能在仓库的高处进行旋转转换视角进行监控拍摄，在转换视角的过程中可能产生抖动，因此会产生画面的整体偏移，需要对其不同的帧图像，进行原始输入图后进行分析，获得运动变化参数；
S1、对采集到的视频数据进行预处理，包括去燥、增强处理；
S2、通过AI智能视频识别系统进行处理识别视频图像数据，使用AI深度处理多帧图像的相对清晰度；通过sobel，计算不同帧的图像平均梯度值sobelValue，代表相对清晰度，sobelValue最大的作为Reference，并根据sobelValue利用统计分析，标出不可用的BlurImg；Sobel算子是作为一阶微分算子，其利用像素点上下、左右相邻点的灰度加权算法，促进提高清晰度；
S3、光流对齐Reference下采样到目标Size(OPT_W，OPT_H)，遍历其他帧（除了Refimg和Blurimg)，同样下采样到Size(OPT_W，OPT_H)，进行光流对齐；例如，输入图4K原图，连续4帧，去除摩尔纹，进行对齐；
S4、预测计算稠密光流，具体方式为：对图像的平移，边缘进行舍弃，对光流图截掉边缘，根据光流场，计算每个像素位置的光流强度并缩放到可视化范围，统计光流强度，通过阈值判断运动场景；
S5、获取光流强度大的中心位置点，进行中心位置范围的截取，统计液体光流的逐渐闪亮强度、火光每秒频率值、火光蔓延趋势范围特征；
获取图片中烟雾纹理特征，分析烟雾运动轨迹特征。
本实施例中通过AI智能视频识别系统对其不同的帧图像进行去燥、增强、光流对齐等预处理后，并对光流变化进行预测计算，获取光流强度大的中心位置点，进行中心位置范围的截取，统计液体光流的逐渐闪亮强度、火光每秒频率值、火光蔓延趋势范围特征、烟雾纹理特征，进而分析获得火光和烟雾运动轨迹参数，便于在后期预设模型中获取精准的数据进行风险阈值地提供精准的轨迹判断。
实施例
本实施例是在实施例1中进行详细解释，具体的，步骤四：通过将所述火光特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行拟合，训练并生成算法模型；
具体方式包括：
通过CAD图纸或者三维图纸将大空间仓库嵌入计算机内，获取可视化三维的空间视觉图，将空间货物、以真实缩小比例存入空间模型中，通过目标火灾信息作为训练特征信息代入神经网络模型训练得到至少一个具备易燃液体存放的特征层；
在算法模型训练过程中，包括以下步骤：
获取训练样本，训练样本中至少标注到第一训练特征信息、第二训练特征信息和第三训练特征信息；
所述第一训练特征信息包括火光特征，用于从火光表征图像中获取；
所述第二训练特征信息包括烟雾蔓延特征，用于从烟雾表征图像中获取；
所述第三训练特征信息包括易燃液体火灾系数特征，用于预测蔓延形式，预测可能火灾爆炸范围；
所述第四训练特征信息，通过视觉采集到的图像中，装有易燃液体密闭桶的外壁膨胀体积变化获取；
将第一训练特征信息、第二训练特征信息、第三训练特征信息和第四训练特征信息输入模型中，获取预测模型；
根据处理之后的动态图像，判断分析动态图像中的烟雾特征是否符合烟雾特征相对静态环境特征的扩散运动特征；
根据处理之后的动态图像，判断分析动态图像中的密闭罐体膨胀特征是否符合膨胀系数特征，如金属罐体，可检测罐体变形特征；
根据处理之后的动态图像，判断分析动态图像中的火光特征是否符合火光特征相对静态环境特征的火光运动特征；
对预测模型进行调试，分别对获取到的火光特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行测试评估，并将目标检测评估指标在预测模型的类别上进行优劣衡量，得到优化算法模型；
以下举例：第一训练特征信息为轻微火光，第二训练特征信息得到有烟雾、第三训练特征信息是易燃特体火灾系数为高风险.60%以上，第四训练特征信息是罐体膨胀特征在10分钟达到爆裂溢流的界限，进而分析获得20分钟—30分钟预测有爆炸范围的风险信息，并将预测训练以报警闪光的位置，预测模型中进行可视化视觉呈现；
将获取到的火光特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行拟合，获取风险阈值；
将实时采集的数据和所述风险阈值进行对比分析得到风险强度、中度、低度风险，并对风险级别进行预警。
本实施例中，通过将所述火光特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行拟合，训练并生成算法模型；并基于三维模型进行训练和优化，便于在探测到火灾发生隐患及时在三维模型中进行显现，且优化训练过程中，通过采用视频分析技术，建立视频分析模型和算法，结合工业仓库大空间内工业存放物的特性，对视频数据的深度分析和研判，在火灾发生早期发现火灾并及预警，可以极大程度上减少人身财产安全损失，同时，也可以弥补目前广泛使用的感温型、感烟型和感光型探测器技术缺陷。
实施例
本发明提供一种基于AI视频分析的大空间火灾探测分析系统，请参阅图2，包括服务器、采集模块、AI识别模块、算法模型模块、可视化模型预警模块；
所述服务器与采集模块、AI识别模块、算法模型模块、可视化模型预警模块通信连接；
所述服务器用于存储历史分析结果、采集数据、分析数据进行存储；
采集模块用于采集大空间仓库中易燃液体火灾系数、大空间内多组火灾发生地的火光视频图像和烟雾视频图像，实时温度值；
AI识别模块用于使用AI识别连续多帧图像中的静态环境特征的运动变化参数；
算法模型模块用于深度计算分析获得火光特征、罐体膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征；
可视化模型预警模块用于对算法模型模块分析后的数据进行可视化显示分析结果和火灾风险预警。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于AI视频分析的大空间火灾探测分析方法，其特征在于：包括以下步骤：
步骤一、采集大空间仓库中易燃液体火灾系数；步骤二、采集大空间内多组火灾发生地的火光视频图像和烟雾视频图像，截取火灾连续多帧图像；步骤三、使用AI识别连续多帧图像中的静态环境特征的运动变化参数，并分析获取火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征；
步骤四、通过火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行拟合，训练并生成算法模型；步骤五、优化算法模型，设定风险阈值；步骤六、实时采集数据和所述风险阈值进行对比分析。
2.根据权利要求1所述的基于AI视频分析的大空间火灾探测分析方法，其特征在于：采集大空间仓库中易燃液体火灾系数包括：
采集并获取易燃液体的闪点值、沸点值、粘度值、挥发浓度值、挥发速度和膨胀系数；
采集大空间仓库中温度值，获取易燃液体的闪点值；将不同闪点值的易燃液体进行分类，采纳最低闪点值作为预设阈值标准；采集密闭容器中的空气范围体积值、空气密度，并计算密闭容器中空气中挥发浓度；将密封容器中所述易燃气体的闪点值、沸点值、粘度值、挥发浓度值及关联温度值，获取膨胀系数。
3.根据权利要求2所述的基于AI视频分析的大空间火灾探测分析方法，其特征在于：所述膨胀系数通过以下公式计算获得：/>其中/>表示为膨胀系数，/>表示为物质沸点、/>表示为物质温度、/>表示为密闭空间中空气面积，/>表示空气密度；表示易燃液体的挥发速度，/>表示为密闭空间的蒸气压；/>表示液体挥发系数值；其中，am为可变更常数参数，/>，可通过用泡沫或阻隔材料进行密闭空间体积封堵，减少空气密度参数值。
4.根据权利要求3所述的基于AI视频分析的大空间火灾探测分析方法，其特征在于：对于未密闭容器的液体暴露在空气情况下进行以下数据采集：采集大空间的面积、体积和获取仓库中存放材料的阴燃数据；采集未密闭容器中的易燃液体挥发浓度，计算获取液体暴露挥发浓度和扩散速度；采用以下公式计算易燃液体的挥发量：
式中，/>表示质量蒸发速度；M表示摩尔质量；a表示大气总运量；表示大气n表示大气稳定度系数；p表示液体表面蒸气压；R表示气体常数，T0表示环境温度，u表示风速，r表示液筒或液池半径；
通过采集数据计算获得密闭容器的膨胀系数及未密闭的液桶蒸发系数，拟合获得易燃液体火灾系数。
5.根据权利要求4所述的基于AI视频分析的大空间火灾探测分析方法，其特征在于：采集大空间内多组火灾发生地的火光视频图像和烟雾视频图像，并识别火光视频图像和烟雾视频图像中像素灰度值的变化图，采集连续多帧图像，将闪光发生或烟雾发生时刻的视频画面保存为图片，设置具体的时间，进行逐帧截图。
6.根据权利要求5所述的基于AI视频分析的大空间火灾探测分析方法，其特征在于：识别连续多帧图像，通过以下步骤进行分析；
S1、对采集到的视频数据进行预处理，包括去燥、增强处理；
S2、使用AI深度处理多帧图像，提高相对清晰度，利用Sobel算子对图像中像素点上下及左右相邻点的灰度加权算法，提高图像清晰度；
S3、对图像目标进行去除摩尔纹出后，再次进行光流对齐；
S4、预测计算稠密光流，根据光流场，计算每个像素位置的光流强度并缩放到可视化范围，统计光流强度，通过阈值判断运动场景；
S5、获取光流强度大的中心位置点，进行中心位置范围的截取，统计液体光流的逐渐闪亮强度、火光每秒频率值、火光蔓延趋势范围特征，获取图片中烟雾纹理特征，分析烟雾运动轨迹特征。
7.根据权利要求6所述的基于AI视频分析的大空间火灾探测分析方法，其特征在于：所述步骤四包括：通过CAD图纸或者三维图纸将大空间仓库嵌入计算机服务器内，获取可视化三维的空间模型，通过目标火灾信息作为训练特征信息代入神经网络模型训练得到至少一个具备易燃液体存放的特征层。
8.根据权利要求7所述的基于AI视频分析的大空间火灾探测分析方法，其特征在于：所述步骤四中包括算法模型训练，包括：
获取训练样本，训练样本中至少标注到第一训练特征信息、第二训练特征信息、第三训练特征信息和第四训练特征信息；
所述第一训练特征信息包括火光特征，用于从火光表征图像中获取；所述第二训练特征信息包括烟雾蔓延特征，用于从烟雾表征图像中获取；所述第三训练特征信息包括易燃液体火灾系数特征，用于预测蔓延形式，预测可能火灾爆炸范围；所述第四训练特征信息，通过视觉采集到的图像中，装有易燃液体密闭桶的外壁膨胀体积变化获取；将第一训练特征信息、第二训练特征信息、第三训练特征信息和第四训练特征信息输入模型中，获取预测模型。
9.根据权利要求8所述的基于AI视频分析的大空间火灾探测分析方法，其特征在于：根据处理之后的动态图像，判断分析动态图像中的烟雾特征是否符合烟雾特征相对静态环境特征的扩散运动特征；根据处理之后的动态图像，判断分析动态图像中的密闭桶膨胀特征是否符合膨胀系数特征；根据处理之后的动态图像，判断分析动态图像中的火光特征是否符合火光特征相对静态环境特征的火光运动特征；
对预测模型进行调试，分别对获取到的火光特征、区域特征、频率特征、位置特征及烟雾蔓延特征与易燃液体火灾系数进行测试评估，并将目标检测评估指标在预测模型的类别上进行优劣衡量，得到优化算法模型。
10.一种基于AI视频分析的大空间火灾探测分析系统，其特征在于：包括：服务器、采集模块、AI识别模块、算法模型模块及可视化模型预警模块；
所述服务器与采集模块、AI识别模块、算法模型模块、可视化模型预警模块均为通信连接；所述服务器用于存储历史分析结果、采集数据及分析数据进行存储；
采集模块用于采集大空间仓库中易燃液体火灾系数、大空间内多组火灾发生地的火光视频图像和烟雾视频图像、实时温度值；
AI识别模块用于使用AI识别连续多帧图像中的静态环境特征的运动变化参数；
算法模型模块用于深度计算分析获得火光特征、膨胀特征、区域特征、频率特征、位置特征及烟雾蔓延特征；
可视化模型预警模块用于对算法模型模块分析后的数据进行可视化显示分析结果和火灾风险预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913726.3A CN116844092A (zh) | 2023-07-25 | 2023-07-25 | 基于ai视频分析的大空间火灾探测分析系统和分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913726.3A CN116844092A (zh) | 2023-07-25 | 2023-07-25 | 基于ai视频分析的大空间火灾探测分析系统和分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116844092A true CN116844092A (zh) | 2023-10-03 |
Family
ID=88167054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310913726.3A Pending CN116844092A (zh) | 2023-07-25 | 2023-07-25 | 基于ai视频分析的大空间火灾探测分析系统和分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116844092A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273618A (zh) * | 2023-11-21 | 2023-12-22 | 欧派家居集团股份有限公司 | 基于rfid的家居产品物流仓储配送信息智能管理系统 |
-
2023
- 2023-07-25 CN CN202310913726.3A patent/CN116844092A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273618A (zh) * | 2023-11-21 | 2023-12-22 | 欧派家居集团股份有限公司 | 基于rfid的家居产品物流仓储配送信息智能管理系统 |
| CN117273618B (zh) * | 2023-11-21 | 2024-03-08 | 欧派家居集团股份有限公司 | 基于rfid的家居产品物流仓储配送信息智能管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2759815C1 (ru) | Система обнаружения утечки текучей среды, устройство для обнаружения утечки текучей среды и обучающее устройство | |
| Thomas et al. | Convective dissolution of CO2 in water and salt solutions | |
| CN116844092A (zh) | 基于ai视频分析的大空间火灾探测分析系统和分析方法 | |
| JP4705090B2 (ja) | 煙感知装置及びその方法 | |
| TWI420423B (zh) | Machine vision flame identification system and method | |
| US20160097714A1 (en) | Apparatus for imaging hydrogen sulfide plume and method of the same | |
| CN105336085A (zh) | 一种基于图像处理技术的远程大空间火灾监测报警方法 | |
| EP3786839A1 (en) | Method and system for prediction and mitigation of spontaneous combustion in coal stock piles | |
| CN116205498B (zh) | 基于物联网的火灾潜在发生评估与预警方法、系统及介质 | |
| JP2024009876A (ja) | 漏れの遠隔定量的検出方法 | |
| KR20200065281A (ko) | 영상 감시 시스템 | |
| CN116152662A (zh) | 一种森林火灾烟雾探测方法和系统 | |
| CN114754934A (zh) | 气体泄漏检测方法 | |
| Miao et al. | Research on multi feature fusion perception technology of mine fire based on inspection robot | |
| Rinne et al. | Experimental validation of the FDS simulations of smoke and toxic gas concentrations | |
| CN112802129B (zh) | 一种基于单目视觉的焊接安全距离测量方法 | |
| KR102493652B1 (ko) | 불꽃 및 연기 자동 감지 방법 및 이를 이용하는 확장 cnn 기반의 감시 시스템 | |
| CN102928083A (zh) | 森林防火用红外测温仪及其测温方法 | |
| CN108920838B (zh) | 一种储罐泄漏下风侧探测快速报警响应判断优化安装计算模型的构建方法 | |
| CN114519304A (zh) | 一种基于分布式光纤测温的多目标火场温度预测方法 | |
| KR100268771B1 (ko) | 화상에 확률 분포함수를 이용한 화재 감시 방법 | |
| CN114842380B (zh) | 一种火灾监测方法、装置、系统、存储器和处理器 | |
| CN117037065A (zh) | 火焰烟雾浓度检测方法、装置、计算机设备和存储介质 | |
| Valente de Almeida et al. | Forest Fire Finder–DOAS application to long-range forest fire detection | |
| CN116229660A (zh) | 一种大型油库的分布式消防报警系统 |
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 |