CN116930401A - 建筑工程保温材料燃烧性能检测设备及方法 - Google Patents

建筑工程保温材料燃烧性能检测设备及方法 Download PDF

Info

Publication number
CN116930401A
CN116930401A CN202311207430.6A CN202311207430A CN116930401A CN 116930401 A CN116930401 A CN 116930401A CN 202311207430 A CN202311207430 A CN 202311207430A CN 116930401 A CN116930401 A CN 116930401A
Authority
CN
China
Prior art keywords
combustion state
combustion
full
feature vector
insulation material
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
Application number
CN202311207430.6A
Other languages
English (en)
Inventor
张邦化
张燕香
辛可诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Jianhao Building Appraisal And Testing Co ltd
Original Assignee
Changzhou Jianhao Building Appraisal And Testing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Jianhao Building Appraisal And Testing Co ltd filed Critical Changzhou Jianhao Building Appraisal And Testing Co ltd
Priority to CN202311207430.6A priority Critical patent/CN116930401A/zh
Publication of CN116930401A publication Critical patent/CN116930401A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/12—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using combustion
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06V10/70—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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/70—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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Combustion & Propulsion (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明涉及智能化检测技术领域，公开了一种建筑工程保温材料燃烧性能检测设备及方法，其将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。这样，可以减少人工干预，提高检测效率。

Description

建筑工程保温材料燃烧性能检测设备及方法
技术领域
本申请涉及智能化检测技术领域，并且更具体地，涉及一种建筑工程保温材料燃烧性能检测设备及方法。
背景技术
建筑工程保温材料在建筑物中起到重要的隔热和保温作用。然而，这些材料可能存在一定的火灾风险，对人身安全和建筑物的完整性构成威胁。因此，对建筑工程保温材料的燃烧性能进行检测和评价，是保障建筑物消防安全和防止火灾扩散的重要措施。
目前，常用的建筑工程保温材料燃烧性能检测方法是通过观察其在燃烧试验下的燃烧时间、质量损失等指标，并基于这些指标依靠人工进行判断。但这种方法依赖于技术人员的经验和专业技能，可能会存在误判等情况。因此，期待一种优化的建筑工程保温材料燃烧性能检测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种建筑工程保温材料燃烧性能检测设备及方法，其将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。这样，可以减少人工干预，提高检测效率。
第一方面，提供了一种建筑工程保温材料燃烧性能检测方法，其包括：
将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；
将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，
基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。
进一步的，基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级，包括：
对所述燃烧状态监控视频进行预处理与特征提取以得到全时域燃烧状态上下文特征向量；以及，
基于所述全时域燃烧状态上下文特征向量，确定所述保温材料试件的燃烧性能等级。
进一步地，对所述燃烧状态监控视频进行预处理与特征提取以得到全时域燃烧状态上下文特征向量，包括：
对所述燃烧状态监控视频进行视频切分以得到多个燃烧状态监控视频片段；
对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量；以及，
提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量。
进一步地，对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量，包括：
将所述多个燃烧状态监控视频片段分别通过基于三维卷积神经网络模型的燃烧状态时序特征提取器以得到多个燃烧状态时序特征图；以及，
将所述多个燃烧状态时序特征图通过基于全连接层的特征全感知器以得到所述多个燃烧状态时序全连接特征向量。
进一步地，提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量，包括：
将所述多个燃烧状态时序全连接特征向量通过基于转换器的燃烧状态全时序上下文编码器以得到所述全时域燃烧状态上下文特征向量。
进一步地，基于所述全时域燃烧状态上下文特征向量，确定所述保温材料试件的燃烧性能等级，包括：
对所述全时域燃烧状态上下文特征向量进行特征分布优化以得到优化全时域燃烧状态上下文特征向量；以及，
将所述优化全时域燃烧状态上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测建筑工程保温材料的燃烧性能等级。
进一步地，对所述全时域燃烧状态上下文特征向量进行特征分布优化以得到优化全时域燃烧状态上下文特征向量，包括：
对所述多个燃烧状态时序全连接特征向量进行级联以得到燃烧状态时序级联特征向量；以及，
对所述燃烧状态时序级联特征向量以及所述全时域燃烧状态上下文特征向量进行希尔伯特空间启发式序列跟踪均衡化融合以得到所述优化全时域燃烧状态上下文特征向量。
进一步地，对所述燃烧状态时序级联特征向量以及所述全时域燃烧状态上下文特征向量进行希尔伯特空间启发式序列跟踪均衡化融合以得到所述优化全时域燃烧状态上下文特征向量，包括：以如下优化公式对所述燃烧状态时序级联特征向量以及所述全时域燃烧状态上下文特征向量进行希尔伯特空间启发式序列跟踪均衡化融合以得到所述优化全时域燃烧状态上下文特征向量；
其中，所述优化公式为：
；
；
其中，为所述燃烧状态时序级联特征向量，/>为所述全时域燃烧状态上下文特征向量，/>为所述全时域燃烧状态上下文特征向量的转置向量，/>表示特征向量和/>的级联向量的二范数，/>表示所述燃烧状态时序级联特征向量/>和所述全时域燃烧状态上下文特征向量/>的所有特征值构成的并集集合的均值，且所述燃烧状态时序级联特征向量/>和所述全时域燃烧状态上下文特征向量均为行向量，/>表示按位置乘法，/>表示按位置加法，/>是所述燃烧状态时序级联特征向量中所有位置的特征值的集合，/>是所述全时域燃烧状态上下文特征向量中所有位置的特征值的集合，/>是中第/>个位置的特征值，/>是所有位置的特征值的数量，/>是所述优化全时域燃烧状态上下文特征向量。
第二方面，提供了一种建筑工程保温材料燃烧性能检测设备，所述建筑工程保温材料燃烧性能检测设备由如所述的建筑工程保温材料燃烧性能检测方法运行。
第三方面，提供一种建筑工程保温材料燃烧性能检测系统，包括：
切割模块，用于将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；
燃烧模块，用于将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，
燃烧性能等级确定模块，用于基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。
进一步地，燃烧性能等级确定模块，进一步用于：
对所述燃烧状态监控视频进行预处理与特征提取以得到全时域燃烧状态上下文特征向量；以及，
基于所述全时域燃烧状态上下文特征向量，确定所述保温材料试件的燃烧性能等级。
进一步地，燃烧性能等级确定模块，进一步用于：
对所述燃烧状态监控视频进行视频切分以得到多个燃烧状态监控视频片段；
对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量；以及，
提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量。
与现有技术相比，本申请的有益效果为：将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。这样，可以减少人工干预，提高检测效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的建筑工程保温材料燃烧性能检测方法的流程图。
图2为根据本申请实施例的建筑工程保温材料燃烧性能检测方法的架构示意图。
图3为根据本申请实施例的建筑工程保温材料燃烧性能检测方法中步骤130的子步骤的流程图。
图4为根据本申请实施例的建筑工程保温材料燃烧性能检测系统的框图。
图5为根据本申请实施例的建筑工程保温材料燃烧性能检测方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
建筑工程保温材料是用于提高建筑物隔热性能和保温效果的材料，被广泛应用于墙体、屋顶、地板和其他建筑部位，以减少热量传递和能源损失。
常见的建筑工程保温材料包括：
1.聚苯乙烯（EPS）：EPS是一种泡沫塑料，具有良好的隔热性能和轻质特性。通常以板状或颗粒状形式存在，可用于墙体、屋顶和地板的保温。
2.聚氨酯（PUR）和聚异氰酸酯（PIR）：这些材料具有优异的隔热性能和耐火性能。它们常用于制造硬质泡沫板。
3.矿物棉：矿物棉是由矿物原料制成的蓬松状短细纤维。具有良好的隔热性能、吸音性能和耐火性能。矿物棉常用于墙体、屋顶和管道的保温。
4.聚酯纤维：聚酯纤维是一种柔软的保温材料，通常以卷材或毡状形式存在。具有较好的隔热性能和吸音性能，适用于墙体、屋顶和地板的保温。
5.蓄热保温材料：蓄热保温材料能够吸收和释放热量，帮助调节室内温度。常见的蓄热保温材料包括蓄热砖、蓄热混凝土等。
选择适当的建筑工程保温材料需要考虑多个因素，包括隔热性能、耐火性能、吸音性能、环保性能、施工方便性等。此外，建筑工程保温材料也需要符合当地的建筑法规和安全标准，以确保建筑物的安全性和可持续性。
常用的建筑工程保温材料燃烧性能检测方法主要通过观察材料在燃烧试验下的燃烧时间、质量损失等指标，并基于这些指标进行评价。以下是一些常见的燃烧性能检测方法：
燃烧试验：将保温材料制备成标准尺寸的试样，放置在燃烧设备中，点燃试样并记录燃烧时间、燃烧速率等参数。根据试样的燃烧性能指标，如燃烧时间、火焰蔓延速度等，评估材料的燃烧性能。
热释放速率测试：通过测量材料在燃烧过程中释放的热量来评估其燃烧性能。这通常使用热释放速率测试设备，通过监测燃烧试样释放的热量变化来确定材料的燃烧性能。
烟密度测试：烟密度测试用于评估材料在燃烧时产生的烟雾量。通过将燃烧试样放置在烟密度测试设备中，测量烟雾的光密度变化来评估材料的燃烧性能。
火焰传播测试：火焰传播测试用于评估材料表面的火焰传播性能。将试样暴露在火焰下，观察火焰在材料表面的传播情况，评估材料的火焰传播性能。
燃烧产物分析：通过对燃烧试样产生的燃烧产物进行分析，如有毒气体、烟雾成分等，来评估材料的燃烧性能和对人体健康的影响。
这些方法通常结合使用，综合评估建筑工程保温材料的燃烧性能。但这种方法依赖于技术人员的经验和专业技能，可能会存在误判等情况。因此，在本申请中，提供一种优化的建筑工程保温材料燃烧性能检测方案。
图1为根据本申请实施例的建筑工程保温材料燃烧性能检测方法的流程图。如图1所示，所述建筑工程保温材料燃烧性能检测方法，包括：110，将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；120，将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，130，基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。
在所述步骤110中，将待测的建筑工程保温材料按照预定的尺寸进行切割，以得到符合要求的保温材料试件，这个步骤的目的是确保试验的标准化和可重复性。切割保温材料时，应确保切割的精度和准确性，以避免对试件的尺寸和形状产生影响。切割过程中，应注意安全措施，避免对操作人员造成伤害。
通过将保温材料切割为统一的尺寸，可以保证后续的燃烧试验的可比性和一致性。标准化的试件尺寸可以使燃烧性能的评估更加准确和可靠。
在所述步骤120中，将切割好的保温材料试件放置在燃烧室内的水平支架上，并点燃火焰进行燃烧试验。通过观察和记录试件的燃烧过程，可以评估其燃烧性能。确保燃烧试验的环境和条件符合相关的标准和规范，以保证结果的准确性和可比性。在进行燃烧试验时，应注意安全措施，避免火灾和人身伤害的发生。
燃烧试验可以直接观察和记录保温材料试件的燃烧过程，提供直观的信息用于性能评估。通过燃烧试验，可以评估保温材料的燃烧速率、烟气产生量、火焰传播性等指标，从而判断其燃烧性能的好坏。
在所述步骤130中，利用摄像头采集保温材料试件的燃烧状态监控视频，并通过分析视频来确定保温材料试件的燃烧性能等级。确保摄像头的位置和角度能够全面记录保温材料试件的燃烧过程，以获得准确的监控视频。对于视频的采集和存储，应使用合适的设备和格式，以保证视频质量和后续分析的可行性。
通过分析燃烧状态监控视频，可以获取更多细节和数据，以辅助燃烧性能的评估。利用计算机视觉和深度学习算法对燃烧状态监控视频进行处理和分析，可以实现智能化的评估方法，减少人工干预并提高检测效率。基于燃烧状态监控视频的分析结果，可以确定保温材料试件的燃烧性能等级，为工程实际应用提供参考和指导。
其中，为了能够实现对建筑工程保温材料燃烧性能的高效、准确评估，对于步骤130，本申请的技术构思为：利用计算机视觉和深度学习算法，对采集到的燃烧状态监控视频进行处理与分析，以智能化地实现燃烧性能的划分与评估。这样，减少人工干预，提高检测效率。
图2为根据本申请实施例的建筑工程保温材料燃烧性能检测方法的架构示意图。图3为根据本申请实施例的建筑工程保温材料燃烧性能检测方法中步骤130的子步骤的流程图。如图2和图3所示，基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级，包括：131，对所述燃烧状态监控视频进行预处理与特征提取以得到全时域燃烧状态上下文特征向量；以及，132，基于所述全时域燃烧状态上下文特征向量，确定所述保温材料试件的燃烧性能等级。
在所述步骤131中，对燃烧状态监控视频进行预处理和特征提取，以获取全时域燃烧状态上下文特征向量。预处理可以包括去除噪声、图像增强、图像稳定等操作，以确保提取到的特征具有较好的质量。特征提取可以使用计算机视觉和图像处理技术，如光流、纹理特征、颜色直方图等，以捕捉燃烧过程中的关键信息。
其中，预处理过程应该能够有效地去除图像中的噪声和干扰，以提高后续特征提取的准确性。特征提取的选择应该充分考虑燃烧状态的特点和关键信息，以确保提取到的特征能够有效地表征燃烧性能。
进一步地，预处理和特征提取能够从燃烧状态监控视频中提取出有用的特征信息，为后续的燃烧性能评估提供基础。全时域燃烧状态上下文特征向量能够综合反映燃烧过程中的动态变化，提供更全面的信息来评估燃烧性能。
在所述步骤132中，利用全时域燃烧状态上下文特征向量来确定保温材料试件的燃烧性能等级。可以使用机器学习算法，如分类算法或回归算法，来建立特征向量与燃烧性能等级之间的关系模型。通过训练模型并对特征向量进行分类或回归预测，可以确定保温材料试件的燃烧性能等级。
其中，在建立关系模型时，需要充分考虑特征向量与燃烧性能等级之间的非线性关系，选择适合的机器学习算法和模型结构。训练数据的质量和数量对模型的准确性和泛化能力有重要影响，应确保训练数据集具有代表性和多样性。
进一步地，基于全时域燃烧状态上下文特征向量的燃烧性能评估方法可以自动化地对保温材料试件进行分类或回归预测，减少了人工干预和主观判断的需求。通过建立关系模型，可以快速准确地确定保温材料试件的燃烧性能等级，为火灾风险评估和消防安全提供科学依据。具体地，对于所述步骤131，对所述燃烧状态监控视频进行预处理与特征提取以得到全时域燃烧状态上下文特征向量，包括：对所述燃烧状态监控视频进行视频切分以得到多个燃烧状态监控视频片段；对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量；以及，提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量。
基于此，在本申请的技术方案中，首先，对所述燃烧状态监控视频进行视频切分以得到多个燃烧状态监控视频片段。这里，考虑到燃烧过程是一个动态且包含多阶段的过程，即包含燃烧的起始、燃烧的发展和燃烧的结束等。并且，每个燃烧的阶段可能具有不同的特征和动态变化规律。通过这样的方式，可以在一定程度上凸显每个阶段更精细的信息。
视频切分是将一个较长的视频分割成多个较短的视频片段的过程，对于燃烧状态监控视频，视频切分可以将整个燃烧过程分解为多个阶段或时间段的片段，以便更好地进行分析和评估。
视频切分的过程可以通过以下步骤进行：首先需要确定切分视频的策略，即将视频分割成多长的片段，这可以根据具体需求和研究目的来确定。例如，可以按照时间间隔切分，或者根据燃烧过程中的关键事件或阶段进行切分。在进行视频切分之前，可能需要进行一些预处理操作，例如去除噪声、图像稳定或增强等，以提高视频质量和分析的准确性。然后，根据确定的切分策略，将视频按照指定的时间间隔或关键事件进行切分，可以使用视频编辑软件或编程语言中的相关库和工具来实现视频切分操作。接着，将切分得到的视频片段保存为独立的视频文件，可以按照时间顺序或其他逻辑顺序对视频片段进行命名和排序，以方便后续处理和分析。
视频切分时需要确保切分视频的策略合理，能够充分捕捉燃烧过程中的关键信息和阶段变化。在切分视频之前，进行必要的预处理操作，可以提高视频质量和后续分析的准确性。
通过视频切分，可以将整个燃烧过程分解为多个独立的视频片段，便于对不同阶段或时间段的燃烧状态进行分析和评估。切分后的视频片段可以提供更精细的燃烧状态信息，有助于更准确地评估保温材料的燃烧性能。分析和比较不同片段的燃烧状态，可以揭示燃烧过程中的动态变化和特征，为燃烧性能的研究和改进提供参考。
接着，对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量。也就是，每个视频片段在时间维度上都呈现一定的变化规律和动态特征，对各个燃烧状态监控视频片段进行时序分析可以捕捉其所蕴含的燃烧状态特征分布信息。
在本申请的一个实施例中，对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量，包括：将所述多个燃烧状态监控视频片段分别通过基于三维卷积神经网络模型的燃烧状态时序特征提取器以得到多个燃烧状态时序特征图；以及，将所述多个燃烧状态时序特征图通过基于全连接层的特征全感知器以得到所述多个燃烧状态时序全连接特征向量。
三维卷积神经网络模型可以有效地从燃烧状态监控视频片段中提取关键的时序特征，这些特征可以捕捉到燃烧过程中的动态变化和关键信息，从而更好地描述燃烧状态的演变。通过燃烧状态时序特征提取器，将每个视频片段转化为相应的时序特征图，这些时序特征图可以提供更直观和可视化的表示，展示燃烧过程中的时序变化和空间分布特征。通过特征全感知器，将多个燃烧状态时序特征图转化为时序全连接特征向量。全连接层可以对时序特征进行综合和整合，捕捉特征之间的关联和上下文信息，从而更全面和综合的表示燃烧状态特征。
得到燃烧状态时序全连接特征向量后，可以将其用于燃烧性能的评估和分类，这些特征向量可以作为输入，通过机器学习算法或分类器进行燃烧性能等级的判断和分类，实现快速、准确的评估。基于深度学习模型的特征提取和全连接层的特征全感知，可以实现自动化和智能化的燃烧性能评估。该方法可以减少人工干预和主观判断，提高评估的客观性和一致性。
通过基于三维卷积神经网络模型和全连接层的特征提取和综合，可以从燃烧状态监控视频中提取关键的时序特征，进而得到全连接特征向量，为燃烧性能的评估提供更全面、准确和智能化的方法。
在本申请的一个具体示例中，对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量的编码过程，包括：先将所述多个燃烧状态监控视频片段分别通过基于三维卷积神经网络模型的燃烧状态时序特征提取器以得到多个燃烧状态时序特征图；随后，将所述多个燃烧状态时序特征图通过基于全连接层的特征全感知器以得到多个燃烧状态时序全连接特征向量。也就是，先利用三维卷积神经网络模型的具有时空特性的三维卷积核，以捕捉燃烧过程中的时序特征和空间特征，再利用全连接层来构建特征全感知器，以将各个燃烧状态时序特征图中的元素进一步地联系起来，同时还起到了降维的作用。
然后，提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量。应可以理解，各个燃烧状态时序全连接特征向量是由各个燃烧状态监控视频片段经独立的特征提取操作和降维操作得到的，彼此之间缺乏充分的交互和交流。为此，在本申请的技术方案中，期待提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以增强各个视频片段之间的上下文关联关系，丰富特征表达。
在本申请的一个实施例中，提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量，包括：将所述多个燃烧状态时序全连接特征向量通过基于转换器的燃烧状态全时序上下文编码器以得到所述全时域燃烧状态上下文特征向量。
应可以理解，燃烧状态全时序上下文编码器是基于转换器（Transformer）模型的一种结构，用于将多个燃烧状态时序全连接特征向量转化为全时域燃烧状态上下文特征向量。转换器模型是一种强大的序列建模工具，广泛应用于自然语言处理和时序数据处理领域。
燃烧状态全时序上下文编码器由多个编码器层组成，每个编码器层包含自注意力机制和前馈神经网络。其主要步骤包括：首先，提供输入特征向量，将多个燃烧状态时序全连接特征向量作为输入，每个特征向量表示一个时间步的燃烧状态特征。然后，进行位置编码，为了引入序列的位置信息，对输入的特征向量进行位置编码，位置编码可以是固定的正弦和余弦函数，用于表示特征向量在序列中的位置关系。接着，通过自注意力机制，在每个编码器层中，通过自注意力机制对输入特征向量进行建模。自注意力机制能够学习特征向量之间的关联和依赖关系，捕捉全局上下文信息。通过计算注意力权重来对特征向量进行加权求和，得到每个特征向量的上下文表示。然后，通过前馈神经网络，在自注意力机制之后，通过前馈神经网络对每个特征向量的上下文表示进行非线性变换和特征提取。前馈神经网络通常包含多个全连接层和激活函数，用于增强特征的表达能力。接着，进行编码器层堆叠，将多个编码器层堆叠在一起，通过多次自注意力和前馈神经网络的迭代，逐渐提取和整合全时序的燃烧状态上下文特征。最后，输出特征向量，最后一个编码器层的输出即为全时域燃烧状态上下文特征向量，是对多个燃烧状态时序全连接特征向量的综合表示。该特征向量可以用于后续的燃烧性能评估、分类或其他任务。
燃烧状态全时序上下文编码器利用转换器模型的强大建模能力，能够有效地捕捉燃烧状态时序特征的全局上下文和长时依赖关系，更全面和准确的表示燃烧状态特征。在燃烧性能评估和其他相关领域中具有广泛的应用前景。转换器模型可以对多个燃烧状态时序全连接特征向量进行上下文建模，能够捕捉到时序特征之间的关联和依赖关系，从而更好地理解和表示燃烧状态的全局上下文。燃烧过程中的状态变化可能存在长时间的依赖关系，转换器模型可以有效地捕捉这种长时依赖，能够通过自注意力机制和多层编码器来建模和整合全时序的上下文信息，提供更全面和准确的燃烧状态特征表示。
通过燃烧状态全时序上下文编码器，可以将之前的燃烧状态特征向量与当前的特征向量进行融合和更新，这样可以在保留历史信息的同时，对当前的燃烧状态进行更精确的建模和表示。全时域燃烧状态上下文特征向量能够提供更全局和综合的燃烧状态特征，包含了多个时序全连接特征向量的整合信息，能够反映出整个燃烧过程的动态变化和特征。通过得到全时域燃烧状态上下文特征向量，可以将其用于更准确和全面的燃烧性能评估，这些特征向量可以作为输入，通过机器学习算法或分类器进行性能等级的判断和分类，提高评估的准确性和可靠性。
通过基于转换器的燃烧状态全时序上下文编码器，可以将多个燃烧状态时序全连接特征向量转化为全时域燃烧状态上下文特征向量，从而更全局、准确和综合的表示燃烧状态特征，进一步改进燃烧性能的评估和分析。
在本申请的一个具体示例中，提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量的编码过程，包括：将所述多个燃烧状态时序全连接特征向量通过基于转换器的燃烧状态全时序上下文编码器以得到全时域燃烧状态上下文特征向量。
在本申请的一个实施例中，对于所述步骤132中，基于所述全时域燃烧状态上下文特征向量，确定所述保温材料试件的燃烧性能等级，包括：对所述全时域燃烧状态上下文特征向量进行特征分布优化以得到优化全时域燃烧状态上下文特征向量；以及，将所述优化全时域燃烧状态上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测建筑工程保温材料的燃烧性能等级。
通过对全时域燃烧状态上下文特征向量进行特征分布优化，可以进一步提取和增强其中的有用信息，特征优化可以通过降维、特征选择、特征变换等方法来实现，以减少冗余信息、增加分类相关性，从而提高分类性能。
通过使用优化后的全时域燃烧状态上下文特征向量作为输入，结合分类器进行分类，可以提高燃烧性能等级的分类准确性，优化后的特征向量能够更好地表达燃烧状态的关键特征，使分类器能够更准确地区分不同的燃烧性能等级。
通过将多个燃烧状态时序全连接特征向量转化为全时域燃烧状态上下文特征向量，并经过特征分布优化和分类器的处理，可以对建筑工程保温材料的燃烧性能进行综合评估。分类结果可以对保温材料燃烧性能等级提供判断依据，帮助用户了解和选择合适的保温材料。
通过利用计算机视觉和深度学习算法，结合燃烧状态监控视频的处理和分析，以及基于燃烧状态特征向量的燃烧性能等级确定方法，可以实现对建筑工程保温材料燃烧性能的自动化和智能化评估。这将提高评估的效率和准确性，减少人工操作和主观判断的影响。
在本申请的一个实施例中，对所述全时域燃烧状态上下文特征向量进行特征分布优化以得到优化全时域燃烧状态上下文特征向量，包括：对所述多个燃烧状态时序全连接特征向量进行级联以得到燃烧状态时序级联特征向量；以及，对所述燃烧状态时序级联特征向量以及所述全时域燃烧状态上下文特征向量进行希尔伯特空间启发式序列跟踪均衡化融合以得到所述优化全时域燃烧状态上下文特征向量。
在本申请的技术方案中，在将所述多个燃烧状态时序全连接特征向量通过基于转换器的燃烧状态全时序上下文编码器得到所述全时域燃烧状态上下文特征向量的情况下，所述全时域燃烧状态上下文特征向量可以表达各个燃烧状态时序全连接特征向量的时序图像语义上下文关联特征，但是，在进行时序上下文关联特征提取的同时，所述全时域燃烧状态上下文特征向量的整体分布也会相对于基于三维卷积神经网络模型的燃烧状态时序特征提取器提取出的燃烧状态时序图像语义特征存在分布不均衡，从而影响对局部时域下的燃烧状态图像语义特征的表达。
这里，考虑到所述全时域燃烧状态上下文特征向量实质上是所述多个燃烧状态时序全连接特征向量通过基于转换器的燃烧状态全时序上下文编码器得到的多个上下文燃烧状态时序全连接特征向量级联得到的，因此所述全时域燃烧状态上下文特征向量也符合与所述多个燃烧状态时序全连接特征向量对应的局部时序关联图像语义表示的序列化排列，因此，本申请的申请人对所述多个燃烧状态时序全连接特征向量级联得到的燃烧状态时序级联特征向量，例如记为，以及所述全时域燃烧状态上下文特征向量，例如记为/>，进行希尔伯特空间启发式序列跟踪均衡化融合，以优化所述全时域燃烧状态上下文特征向量，例如记为/>，具体表示为：以如下优化公式对所述燃烧状态时序级联特征向量以及所述全时域燃烧状态上下文特征向量进行希尔伯特空间启发式序列跟踪均衡化融合以得到所述优化全时域燃烧状态上下文特征向量；其中，所述优化公式为：
；
；
其中，为所述燃烧状态时序级联特征向量，/>为所述全时域燃烧状态上下文特征向量，/>为所述全时域燃烧状态上下文特征向量的转置向量，/>表示特征向量和/>的级联向量的二范数，/>表示所述燃烧状态时序级联特征向量/>和所述全时域燃烧状态上下文特征向量/>的所有特征值构成的并集集合的均值，且所述燃烧状态时序级联特征向量/>和所述全时域燃烧状态上下文特征向量均为行向量，/>表示按位置乘法，/>表示按位置加法，/>是所述燃烧状态时序级联特征向量中所有位置的特征值的集合，/>是所述全时域燃烧状态上下文特征向量中所有位置的特征值的集合，/>是中第/>个位置的特征值，/>是所有位置的特征值的数量，/>是所述优化全时域燃烧状态上下文特征向量。
这里，利用具有内积的希尔伯特空间的完备内积空间特性，来通过所述燃烧状态时序级联特征向量和所述全时域燃烧状态上下文特征向量/>的序列聚合的集合性均值（collective average），探索所述燃烧状态时序级联特征向量/>和所述全时域燃烧状态上下文特征向量/>经由上下文关联编码的特征融合空间内的基于序列的空间分布启发式（heuristics），从而将所述全时域燃烧状态上下文特征向量/>的各个局部特征分布转化为融合空间内的序列跟踪实例（tracked instance），以实现序列的特征空间分布的跟踪小片段认知的（tracklet-aware）分布均衡化，这样，就改善了所述全时域燃烧状态上下文特征向量对局部时域下的燃烧状态图像语义特征的表达。
进而，将所述全时域燃烧状态上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示所述保温材料试件的燃烧性能等级。其中，所述保温材料试件的燃烧性能等级包括A级（不燃）、B1级（难燃）、B2级（可燃）、B3级（易燃）。
综上，基于本申请实施例的建筑工程保温材料燃烧性能检测方法100被阐明，其利用计算机视觉和深度学习算法，对采集到的燃烧状态监控视频进行处理与分析，以智能化地实现燃烧性能的划分与评估。这样，减少人工干预，提高检测效率。
在本申请的一个实施例中，提供一种建筑工程保温材料燃烧性能检测设备，所述建筑工程保温材料燃烧性能检测设备由如所述的建筑工程保温材料燃烧性能检测方法运行。
在本申请的一个实施例中，图4为根据本申请实施例的建筑工程保温材料燃烧性能检测系统的框图。如图4所示，根据本申请实施例的建筑工程保温材料燃烧性能检测系统200，包括：切割模块210，用于将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；燃烧模块220，用于将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，燃烧性能等级确定模块230，用于基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。
这里，本领域技术人员可以理解，上述建筑工程保温材料燃烧性能检测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的建筑工程保温材料燃烧性能检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的建筑工程保温材料燃烧性能检测系统200可以实现在各种终端设备中，例如用于建筑工程保温材料燃烧性能检测的服务器等。在一个示例中，根据本申请实施例的建筑工程保温材料燃烧性能检测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该建筑工程保温材料燃烧性能检测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该建筑工程保温材料燃烧性能检测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该建筑工程保温材料燃烧性能检测系统200与该终端设备也可以是分立的设备，并且建筑工程保温材料燃烧性能检测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的建筑工程保温材料燃烧性能检测方法的场景示意图。如图5所示，在该应用场景中，首先，由摄像头采集的所述保温材料试件的燃烧状态监控视频（例如，如图5中所示意的C）；然后，将获取的燃烧状态监控视频输入至部署有建筑工程保温材料燃烧性能检测算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于建筑工程保温材料燃烧性能检测算法对所述燃烧状态监控视频进行处理，以确定所述保温材料试件的燃烧性能等级。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (12)

1.一种建筑工程保温材料燃烧性能检测方法，其特征在于，包括：
将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；
将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，
基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。
2.根据权利要求1所述的建筑工程保温材料燃烧性能检测方法，其特征在于，基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级，包括：
对所述燃烧状态监控视频进行预处理与特征提取以得到全时域燃烧状态上下文特征向量；以及，
基于所述全时域燃烧状态上下文特征向量，确定所述保温材料试件的燃烧性能等级。
3.根据权利要求2所述的建筑工程保温材料燃烧性能检测方法，其特征在于，对所述燃烧状态监控视频进行预处理与特征提取以得到全时域燃烧状态上下文特征向量，包括：
对所述燃烧状态监控视频进行视频切分以得到多个燃烧状态监控视频片段；
对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量；以及，
提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量。
4.根据权利要求3所述的建筑工程保温材料燃烧性能检测方法，其特征在于，对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量，包括：
将所述多个燃烧状态监控视频片段分别通过基于三维卷积神经网络模型的燃烧状态时序特征提取器以得到多个燃烧状态时序特征图；以及，
将所述多个燃烧状态时序特征图通过基于全连接层的特征全感知器以得到所述多个燃烧状态时序全连接特征向量。
5.根据权利要求4所述的建筑工程保温材料燃烧性能检测方法，其特征在于，提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量，包括：
将所述多个燃烧状态时序全连接特征向量通过基于转换器的燃烧状态全时序上下文编码器以得到所述全时域燃烧状态上下文特征向量。
6.根据权利要求5所述的建筑工程保温材料燃烧性能检测方法，其特征在于，基于所述全时域燃烧状态上下文特征向量，确定所述保温材料试件的燃烧性能等级，包括：
对所述全时域燃烧状态上下文特征向量进行特征分布优化以得到优化全时域燃烧状态上下文特征向量；以及，
将所述优化全时域燃烧状态上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测建筑工程保温材料的燃烧性能等级。
7.根据权利要求6所述的建筑工程保温材料燃烧性能检测方法，其特征在于，对所述全时域燃烧状态上下文特征向量进行特征分布优化以得到优化全时域燃烧状态上下文特征向量，包括：
对所述多个燃烧状态时序全连接特征向量进行级联以得到燃烧状态时序级联特征向量；以及，
对所述燃烧状态时序级联特征向量以及所述全时域燃烧状态上下文特征向量进行希尔伯特空间启发式序列跟踪均衡化融合以得到所述优化全时域燃烧状态上下文特征向量。
8.根据权利要求7所述的建筑工程保温材料燃烧性能检测方法，其特征在于，对所述燃烧状态时序级联特征向量以及所述全时域燃烧状态上下文特征向量进行希尔伯特空间启发式序列跟踪均衡化融合以得到所述优化全时域燃烧状态上下文特征向量，包括：以如下优化公式对所述燃烧状态时序级联特征向量以及所述全时域燃烧状态上下文特征向量进行希尔伯特空间启发式序列跟踪均衡化融合以得到所述优化全时域燃烧状态上下文特征向量；
其中，所述优化公式为：
；
；
其中，为所述燃烧状态时序级联特征向量，/>为所述全时域燃烧状态上下文特征向量，/>为所述全时域燃烧状态上下文特征向量的转置向量，/>表示特征向量/>和/>的级联向量的二范数，/>表示所述燃烧状态时序级联特征向量/>和所述全时域燃烧状态上下文特征向量/>的所有特征值构成的并集集合的均值，且所述燃烧状态时序级联特征向量/>和所述全时域燃烧状态上下文特征向量均为行向量，/>表示按位置乘法，表示按位置加法，/>是所述燃烧状态时序级联特征向量中所有位置的特征值的集合，是所述全时域燃烧状态上下文特征向量中所有位置的特征值的集合，/>是/>中第/>个位置的特征值，/>是所有位置的特征值的数量，/>是所述优化全时域燃烧状态上下文特征向量。
9.一种建筑工程保温材料燃烧性能检测设备，按照如权利要求1至8任一项所述的建筑工程保温材料燃烧性能检测方法运行。
10.一种建筑工程保温材料燃烧性能检测系统，其基于如权利要求1至8任一项所述的建筑工程保温材料燃烧性能检测方法实现，其特征在于，包括：
切割模块，用于将待测建筑工程保温材料切割至符合预定尺寸以得到保温材料试件；
燃烧模块，用于将所述保温材料试件放置在燃烧室内的水平支架上，点燃火焰，对所述保温材料试件进行燃烧试验；以及，
燃烧性能等级确定模块，用于基于由摄像头采集的所述保温材料试件的燃烧状态监控视频，确定所述保温材料试件的燃烧性能等级。
11.根据权利要求10所述的建筑工程保温材料燃烧性能检测系统，其特征在于，燃烧性能等级确定模块，进一步用于：
对所述燃烧状态监控视频进行预处理与特征提取以得到全时域燃烧状态上下文特征向量；以及，
基于所述全时域燃烧状态上下文特征向量，确定所述保温材料试件的燃烧性能等级。
12.根据权利要求11所述的建筑工程保温材料燃烧性能检测系统，其特征在于，燃烧性能等级确定模块，进一步用于：
对所述燃烧状态监控视频进行视频切分以得到多个燃烧状态监控视频片段；
对所述多个燃烧状态监控视频片段进行时序分析以得到多个燃烧状态时序全连接特征向量；以及，
提取所述多个燃烧状态时序全连接特征向量之间的上下文关联以得到所述全时域燃烧状态上下文特征向量。
CN202311207430.6A 2023-09-19 2023-09-19 建筑工程保温材料燃烧性能检测设备及方法 Pending CN116930401A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311207430.6A CN116930401A (zh) 2023-09-19 2023-09-19 建筑工程保温材料燃烧性能检测设备及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311207430.6A CN116930401A (zh) 2023-09-19 2023-09-19 建筑工程保温材料燃烧性能检测设备及方法

Publications (1)

Publication Number Publication Date
CN116930401A true CN116930401A (zh) 2023-10-24

Family

ID=88388320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311207430.6A Pending CN116930401A (zh) 2023-09-19 2023-09-19 建筑工程保温材料燃烧性能检测设备及方法

Country Status (1)

Country Link
CN (1) CN116930401A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493980A (zh) * 2009-03-05 2009-07-29 中国科学技术大学 一种基于多特征融合的快速视频火焰探测方法
CN102982553A (zh) * 2012-12-21 2013-03-20 天津工业大学 一种镜头边界检测方法
CN103116746A (zh) * 2013-03-08 2013-05-22 中国科学技术大学 一种基于多特征融合技术的视频火焰探测方法
CN108985376A (zh) * 2018-07-17 2018-12-11 东北大学 一种基于卷积-循环神经网络的回转窑序列工况识别方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN113723178A (zh) * 2021-07-19 2021-11-30 清华大学 视频监控火灾的检测方法及装置
WO2022256460A1 (en) * 2021-06-01 2022-12-08 Buildingestimates.Com Limited Systems for rapid accurate complete detailing and cost estimation for building construction from 2d plans
CN115494193A (zh) * 2022-11-16 2022-12-20 常州市建筑科学研究院集团股份有限公司 基于机器视觉单体燃烧试验火焰横向传播检测方法及系统
CN116127385A (zh) * 2023-03-06 2023-05-16 高州市石生源生物科技发展有限公司 一种香蕉粉及其制备方法
CN116274931A (zh) * 2023-02-22 2023-06-23 山西水发振鑫镁业有限公司 镁牺牲阳极合金的铸造方法及其系统
CN116351278A (zh) * 2023-04-06 2023-06-30 浙江久石工研建材科技有限公司 一种非水泥基贴片石粘结胶泥及其制备方法
CN116726788A (zh) * 2023-08-10 2023-09-12 克拉玛依市紫光技术有限公司 一种压裂用交联剂的制备方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493980A (zh) * 2009-03-05 2009-07-29 中国科学技术大学 一种基于多特征融合的快速视频火焰探测方法
CN102982553A (zh) * 2012-12-21 2013-03-20 天津工业大学 一种镜头边界检测方法
CN103116746A (zh) * 2013-03-08 2013-05-22 中国科学技术大学 一种基于多特征融合技术的视频火焰探测方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN108985376A (zh) * 2018-07-17 2018-12-11 东北大学 一种基于卷积-循环神经网络的回转窑序列工况识别方法
WO2022256460A1 (en) * 2021-06-01 2022-12-08 Buildingestimates.Com Limited Systems for rapid accurate complete detailing and cost estimation for building construction from 2d plans
CN113723178A (zh) * 2021-07-19 2021-11-30 清华大学 视频监控火灾的检测方法及装置
CN115494193A (zh) * 2022-11-16 2022-12-20 常州市建筑科学研究院集团股份有限公司 基于机器视觉单体燃烧试验火焰横向传播检测方法及系统
CN116274931A (zh) * 2023-02-22 2023-06-23 山西水发振鑫镁业有限公司 镁牺牲阳极合金的铸造方法及其系统
CN116127385A (zh) * 2023-03-06 2023-05-16 高州市石生源生物科技发展有限公司 一种香蕉粉及其制备方法
CN116351278A (zh) * 2023-04-06 2023-06-30 浙江久石工研建材科技有限公司 一种非水泥基贴片石粘结胶泥及其制备方法
CN116726788A (zh) * 2023-08-10 2023-09-12 克拉玛依市紫光技术有限公司 一种压裂用交联剂的制备方法

Similar Documents

Publication Publication Date Title
CN101251942B (zh) 地下空间火灾智能检测预警预报方法及装置
Wu et al. An intelligent tunnel firefighting system and small-scale demonstration
Bounagui et al. Optimizing the grid size used in CFD simulations to evaluate fire safety in houses
CN112002095A (zh) 一种矿山洞内的火灾预警方法
Matala Methods and applications of pyrolysis modelling for polymeric materials
CN113936413B (zh) 一种早期火灾监测预警方法和装置
Tung et al. Experimental and numerical investigation of a room fire in a wooden-frame historical building
Zhong et al. Predictive ability of four statistical models for determining the influence of coal thermophysical properties during the initial phase of coal spontaneous combustion
Lannon et al. A methodology for predicting and comparing the full‐scale fire performance of similar materials based on small‐scale testing
Liu et al. A systematic approach to formulate numerical kinetics for furnishing materials fire simulation with validation procedure using cone/FT-IR data
Reneke et al. CFAST–Consolidated Fire and Smoke Transport (Version 7) Volume 5: CFAST Fire Data Generator (CData)
CN116930401A (zh) 建筑工程保温材料燃烧性能检测设备及方法
Johansson Fire Dynamics in Multi-Room Compartment Fires
JP3247334B2 (ja) 熱映像による構造物変状診断システム及び診断方法
Nilsson et al. Validating FDS against a large-scale fire test for facade systems
Lai et al. Experimental investigations of fire spread and flashover time in office fires
Hedayati Generation and characterization of firebrands from selected structural fuels
Hadjisophocleous et al. Development of design fires for performance-based fire safety designs
Anderson et al. Investigating machine learning for fire sciences: literature review and examples
Chen et al. Development of a fire detection system using FT-IR spectroscopy and artificial neural networks
Ugo-Okeke Experimental and Numerical Investigation of Fire Behaviour in Polyurethane Foams
May Fire Pattern Analysis, Junk Science, Old Wives Tales, and Ipse Dixit: Emerging Forensic 3D Imaging Technologies to the Rescue?
Koo et al. Sensor-linked fire simulation using a Monte-Carlo approach
Hakkarainen VTT PUBLICATIONS 459
Fliszkiewicz et al. Evaluation of a Heat Release Rate based on Massively Generated Simulations and Machine Learning Approach.

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20231024