CN117095506A - 一种基于报警区域模型的消防安全监控系统及其方法 - Google Patents
一种基于报警区域模型的消防安全监控系统及其方法 Download PDFInfo
- Publication number
- CN117095506A CN117095506A CN202311349399.XA CN202311349399A CN117095506A CN 117095506 A CN117095506 A CN 117095506A CN 202311349399 A CN202311349399 A CN 202311349399A CN 117095506 A CN117095506 A CN 117095506A
- Authority
- CN
- China
- Prior art keywords
- module
- sub
- fire
- early warning
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 239000000779 smoke Substances 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 230000004044 response Effects 0.000 claims abstract description 48
- 238000012502 risk assessment Methods 0.000 claims abstract description 44
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000005516 engineering process Methods 0.000 claims description 27
- 230000007480 spreading Effects 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010183 spectrum analysis Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000010485 coping Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001603 reducing effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/26—Special purpose or proprietary protocols or architectures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于消防安全监控系统技术领域，公开了一种基于报警区域模型的消防安全监控系统及其方法，其中基于报警区域模型的消防安全监控系统是由图像识别模块、声音检测模块、传感器分析模块、数据预处理模块、风险评估模块、预警生成模块、监控输出模块组成；本发明中，通过图像识别模块的子模块设计使得系统能够更精确地识别火焰、烟雾和火灾扩散，增加了对火灾场景的识别范围和深度，声音检测的多维度分析帮助系统捕获微小的异常声音，大幅度提前了预警时间，通过高效的数据预处理和风险评估模块，实现对火灾风险的精确分级，基于MQTT协议的实时监控输出模块保证了信息的迅速传输和准确反馈，使得响应时间大幅缩短。
Description
技术领域
本发明属于消防安全监控系统技术领域，具体的说，涉及一种基于报警区域模型的消防安全监控系统及其方法。
背景技术
消防安全监控系统是一种特定的安全系统，旨在监测和保护建筑物或场所内的消防安全；通过多种传感器和设备，如火焰传感器、烟雾探测器、温度监测器等，实时监测火灾和其他潜在的火灾危险；其主要目的是及早发现和报警火灾，为人员撤离和灭火提供及时的警示和指导，确保人员安全；为了达成这些目标，消防安全监控系统通过多种手段来实现，包括感知设备、警报系统、与安全设施集成以及智能技术的应用；通过整合这些手段，消防安全监控系统能够全面监控、实时传输数据、远程操作，并提高火灾的应对效率和准确性；它在保障人员安全和减少财产损失方面发挥重要作用。
在消防安全监控系统中，现有的消防安全监控系统在多个方面存在局限性；首先，大多数系统在图像和声音识别上仅依赖单一技术，导致对某些火灾场景的识别不够准确或存在盲区；其次，传统的传感器分析往往缺乏深度学习和大数据处理技术的支持，可能会忽视某些细微的火灾征兆；此外，许多现有系统的数据预处理模块并不完善，可能会在数据清洗、格式化和标准化环节出现疏漏，导致风险评估的偏差；另外，由于缺乏高效的通信协议和无线传输技术，现有系统在预警信息传输过程中可能会出现延迟，降低了预警的实时性。
发明内容
本发明要解决的技术问题在于提供一种基于报警区域模型的消防安全监控系统及其方法，能够提高火灾预警的精确度和实时性，大幅度提前预警时间，并且能够保证信息的迅速传输和准确反馈，使得响应时间大幅缩短。
为解决上述技术问题，本发明提供如下技术方案：
一种基于报警区域模型的消防安全监控系统，由图像识别模块、声音检测模块、传感器分析模块、数据预处理模块、风险评估模块、预警生成模块、监控输出模块组成；
所述图像识别模块采用卷积神经网络结合计算机视觉技术，对火灾场景进行实时图像识别和深度特征提取，获得图像特征数据；
所述声音检测模块应用傅里叶变换 和深度学习算法，捕获并分析火灾声音频率和振幅特征，生成声音特征数据；
所述传感器分析模块利用贝叶斯网络和融合算法，整合从传感器网络收集的多维度数据，作为综合传感器数据；
所述数据预处理模块采用k-均值聚类和标准化技术处理图像特征数据、声音特征数据和综合传感器数据，进行异常值检测和数据标准化，生成优化后数据集；
所述风险评估模块利用支持向量机和决策树算法分析优化后数据集，对火灾风险进行分级评估，生成风险评级结果；
所述预警生成模块基于风险评级结果，利用逻辑回归模型生成预警信息，并确定紧急响应策略，整合为实时预警信息；
所述监控输出模块采用MQTT协议和无线通信技术，将所述实时预警信息实时传输至消防安全监控终端，生成最终监控报告。
以下是本发明对上述技术方案的进一步优化：
所述图像识别模块包括火焰检测子模块、烟雾检测子模块、火灾扩散子模块；
所述声音检测模块包括声音频率分析子模块、声音频谱分析子模块、模式匹配子模块；
所述传感器分析模块包括温度分析子模块、烟雾分析子模块、气体浓度子模块；
所述数据预处理模块包括数据清洗子模块、数据格式化子模块、数据标准化子模块；
所述风险评估模块包括数据模型训练子模块、风险评估子模块、结果分类子模块；
所述预警生成模块包括预警策略制定子模块、实时预警推送子模块、响应策略确定子模块；
所述监控输出模块包括数据编码子模块、无线传输子模块、用户通知子模块。
进一步优化：所述火焰检测子模块采用VGG-16卷积神经网络框架进行火焰特征检测，生成火焰图像特征；
所述烟雾检测子模块利用Optical Flow算法追踪画面中烟雾的动态变化，生成烟雾图像特征；
所述火灾扩散子模块通过时间序列分析，与火焰图像特征和烟雾图像特征进行融合，分析火势是否在蔓延，得到火势蔓延特征。
进一步优化：所述声音频率分析子模块利用傅里叶变换的快速算法进行声音频率分析，得到火灾声音频率特征；
所述声音频谱分析子模块应用长短时记忆网络对声音频谱进行深度分析，生成声音频谱特征；
所述模式匹配子模块将火灾声音频率特征和声音频谱特征进行关联性分析，利用SVM分类器进行模式匹配，获得声音匹配结果。
进一步优化：所述温度分析子模块应用高斯过程回归比对温度阈值，产生温度异常特征；
所述烟雾分析子模块利用贝叶斯网络，与所述温度异常特征进行数据融合，分析烟雾密度，获得烟雾密度特征；
所述气体浓度子模块运用主成分分析，整合所述温度异常特征和烟雾密度特征，进行有害气体浓度分析，得到气体浓度特征。
进一步优化：所述数据清洗子模块应用Z-Score方法，整合火焰图像特征、烟雾图像特征、火势蔓延特征、火灾声音频率特征、声音频谱特征、声音匹配结果、温度异常特征、烟雾密度特征、气体浓度特征，清除异常和冗余数据，生成整合数据集；
所述数据格式化子模块通过JSON序列化，将所述整合数据集格式化，得到格式化数据集；
所述数据标准化子模块利用MinMaxScaler，对所述格式化数据集进行标准化处理，得到标准化数据集。
进一步优化：所述数据模型训练子模块应用随机森林集成学习方法，对标准化数据集进行模型训练，得到风险评估模型；
所述风险评估子模块结合风险评估模型，通过支持向量机和决策树进行风险等级划分，产生风险评级结果；
所述结果分类子模块利用k-NN算法，根据所述风险评级结果进行具体分类，得到风险分类标签。
进一步优化：所述预警策略制定子模块基于风险分类标签，利用逻辑回归分析生成预警策略结果；
所述实时预警推送子模块结合预警策略结果，通过WebSocket实时推送预警，产生实时预警信息；
所述响应策略确定子模块结合实时预警信息进行分析，采用决策矩阵确定最佳应对措施，获得紧急响应策略。
进一步优化：所述数据编码子模块应用Base64编码方法，将实时预警信息和紧急响应策略进行编码，生成编码后的预警信息；
所述无线传输子模块利用MQTT协议，实时传输所述编码后的预警信息，得到数据传输确认；
所述用户通知子模块通过推送通知，利用数据传输确认，确认预警信息已送达最终用户，并生成最终监控报告。
一种基于报警区域模型的消防安全监控方法，基于上述一种基于报警区域模型的消防安全监控系统，包括以下步骤：
S1：图像识别模块应用卷积神经网络和计算机视觉技术对火灾场景进行实时识别，得到火焰图像特征、烟雾图像特征和火势蔓延特征，声音检测模块通过傅里叶变换和深度学习捕获并分析火灾声音，获得声音匹配结果，传感器分析模块整合多维度数据，得到温度异常特征、烟雾密度特征和气体浓度特征，生成整合数据集；
S2：数据预处理模块利用Z-Score方法对所述整合数据集进行清洗，通过JSON序列化进行格式化，利用MinMaxScaler进行标准化，获得标准化数据集；
S3：基于所述标准化数据集，风险评估模块利用随机森林、支持向量机和决策树算法对火灾风险进行分析并分类，生成风险评级结果和风险分类标签；
S4：预警生成模块根据所述风险分类标签采用逻辑回归分析制定预警策略，结合WebSocket技术进行实时推送，并通过决策矩阵确定应对策略，得到实时预警信息和紧急响应策略；
S5：监控输出模块使用Base64编码对所述实时预警信息和紧急响应策略进行编码，利用MQTT协议实时传输，通过推送通知确保信息传达给最终用户，生成最终监控报告。
本发明采用上述技术方案，构思巧妙，通过结合图像识别、声音检测、传感器分析和数据处理技术，为火灾预警提供了更高的精确度和实时性；通过图像识别模块的子模块设计使得系统能够更精确地识别火焰、烟雾和火灾扩散，增加了对火灾场景的识别范围和深度；声音检测的多维度分析帮助系统捕获微小的异常声音，大幅度提前了预警时间；通过高效的数据预处理和风险评估模块，系统能够对大量复杂的数据进行快速处理和分析，从而实现对火灾风险的精确分级；最终，基于MQTT协议的实时监控输出模块保证了信息的迅速传输和准确反馈，使得响应时间大幅缩短。
附图说明
图1为本发明的系统流程图；
图2为本发明的系统框图；
图3为本发明的图像识别模块流程图；
图4为本发明的声音检测模块流程图；
图5为本发明的传感器分析模块流程图；
图6为本发明的数据预处理模块流程图；
图7为本发明的风险评估模块流程图；
图8为本发明的预警生成模块流程图；
图9为本发明的监控输出模块流程图；
图10为本发明的工作流程示意图。
具体实施方式
实施例一：请参阅图1，一种基于报警区域模型的消防安全监控系统，由图像识别模块、声音检测模块、传感器分析模块、数据预处理模块、风险评估模块、预警生成模块、监控输出模块组成；
图像识别模块采用卷积神经网络结合计算机视觉技术，对火灾场景进行实时图像识别和深度特征提取，获得图像特征数据；
声音检测模块应用傅里叶变换 和深度学习算法，捕获并分析火灾声音频率和振幅特征，生成声音特征数据；
传感器分析模块利用贝叶斯网络和融合算法，整合从传感器网络收集的多维度数据，作为综合传感器数据；
数据预处理模块采用k-均值聚类和标准化技术处理图像特征数据、声音特征数据和综合传感器数据，进行异常值检测和数据标准化，生成优化后数据集；
风险评估模块利用支持向量机和决策树算法分析优化后数据集，对火灾风险进行分级评估，生成风险评级结果；
预警生成模块基于风险评级结果，利用逻辑回归模型生成预警信息，并确定紧急响应策略，整合为实时预警信息；
监控输出模块采用MQTT协议和无线通信技术，将实时预警信息实时传输至消防安全监控终端，生成最终监控报告。
首先，通过图像识别模块和声音检测模块，系统能够实时识别火灾场景并提取相应的特征数据，提高火灾监测的准确性和可靠性；其次，传感器分析模块综合多维度的传感器数据，提供更全面的信息，有助于火灾风险的评估和及时的预警。
数据预处理模块优化数据集，提高了数据质量和预警的准确性；风险评估模块分析优化后的数据，对火灾风险进行分级评估，为制定应对策略提供决策支持；由预警生成模块生成的实时预警信息和紧急响应策略可及时传递给消防安全监控终端，加强对火灾的预警和应急管理。
请参阅图2，图像识别模块包括火焰检测子模块、烟雾检测子模块、火灾扩散子模块；
声音检测模块包括声音频率分析子模块、声音频谱分析子模块、模式匹配子模块；
传感器分析模块包括温度分析子模块、烟雾分析子模块、气体浓度子模块；
数据预处理模块包括数据清洗子模块、数据格式化子模块、数据标准化子模块；
风险评估模块包括数据模型训练子模块、风险评估子模块、结果分类子模块；
预警生成模块包括预警策略制定子模块、实时预警推送子模块、响应策略确定子模块；
监控输出模块包括数据编码子模块、无线传输子模块、用户通知子模块。
图像识别模块通过火焰检测子模块、烟雾检测子模块和火灾扩散子模块，能够实时识别火焰和烟雾等火灾场景，并监测火灾的扩散情况，提供关键的图像特征数据；声音检测模块通过声音频率分析子模块、声音频谱分析子模块和模式匹配子模块，能够捕获火灾的声音特征，识别与火灾相关的声音信号。
传感器分析模块通过温度分析子模块、烟雾分析子模块和气体浓度子模块，能够实时监测建筑物内的温度、烟雾和气体浓度等参数信息，提供关键的传感器数据。
数据预处理模块通过数据清洗子模块、数据格式化子模块和数据标准化子模块，能够对各类数据进行处理和优化，提高数据质量和一致性；风险评估模块通过数据模型训练子模块、风险评估子模块和结果分类子模块，能够分析优化后的数据集，评估火灾风险，并生成相应的风险评级结果。
预警生成模块通过预警策略制定子模块、实时预警推送子模块和响应策略确定子模块，能够根据风险评级结果生成有效的预警信息，并确定紧急响应策略；监控输出模块通过数据编码子模块、无线传输子模块和用户通知子模块，能够将实时预警信息传输给消防安全监控终端并通知相关用户，使其及时做出应对和决策。
综合而言，整个系统结合图像识别、声音检测、传感器分析、数据预处理、风险评估、预警生成和监控输出等模块，能够提升消防安全监控的效能和效果，实现火灾的快速检测、准确预警和及时响应，以保障人员和财产的安全。
请参阅图3，火焰检测子模块采用VGG-16卷积神经网络框架进行火焰特征检测，生成火焰图像特征；
烟雾检测子模块利用Optical Flow算法追踪画面中烟雾的动态变化，生成烟雾图像特征；
火灾扩散子模块通过时间序列分析，与火焰图像特征和烟雾图像特征进行融合，分析火势是否在蔓延，得到火势蔓延特征。
基于报警区域模型的消防安全监控系统中，火焰检测子模块采用VGG-16卷积神经网络框架，能够实现对火焰特征的检测和提取，生成火焰图像特征；这有助于系统准确地识别和定位火源，提高火灾检测的准确性。
烟雾检测子模块通过应用Optical Flow算法追踪画面中烟雾的动态变化，实现对烟雾特征的提取和分析，生成烟雾图像特征；这样的烟雾检测可以帮助系统及时发现火点周围的烟雾情况，提供早期的火灾预警和防控。
火灾扩散子模块通过时间序列分析，将火焰图像特征和烟雾图像特征融合在一起，分析火势是否在蔓延，得到火势蔓延特征；这有助于判断火灾的发展趋势和速度，提供火灾扩散信息，使系统能够更准确地评估火灾风险，并及时采取相应的应对措施。
请参阅图4，声音频率分析子模块利用傅里叶变换的快速算法进行声音频率分析，得到火灾声音频率特征；
声音频谱分析子模块应用长短时记忆网络对声音频谱进行深度分析，生成声音频谱特征；
模式匹配子模块将火灾声音频率特征和声音频谱特征进行关联性分析，利用SVM分类器进行模式匹配，获得声音匹配结果。
声音检测模块中的声音频率分析子模块利用傅里叶变换的快速算法对声音进行频率分析，从中提取火灾声音的频率特征；这有助于系统准确地识别火灾相关的声音信号，并提供关键的声音频率特征。
声音频谱分析子模块应用长短时记忆网络（LSTM）等深度学习算法对声音频谱进行深度分析，从中提取声音的频谱特征；通过深度分析，可以捕获声音的时域和频域信息，进一步增强对火灾声音的识别能力。
模式匹配子模块将火灾声音频率特征和声音频谱特征进行关联性分析，并利用支持向量机（SVM）分类器进行模式匹配，从而获得声音匹配结果；这样的匹配分析可以帮助系统判断是否存在火灾声音，并进一步验证和确认火灾事件。
请参阅图5，温度分析子模块应用高斯过程回归比对温度阈值，产生温度异常特征；
烟雾分析子模块利用贝叶斯网络，与温度异常特征进行数据融合，分析烟雾密度，获得烟雾密度特征；
气体浓度子模块运用主成分分析，整合温度异常特征和烟雾密度特征，进行有害气体浓度分析，得到气体浓度特征。
传感器分析模块中的温度分析子模块应用高斯过程回归来比对实时温度数据与预设的温度阈值，从而产生温度异常特征；通过检测温度异常，系统能够迅速识别出潜在的火灾源，并及时发出警报。
烟雾分析子模块利用贝叶斯网络将温度异常特征与烟雾数据进行数据融合；通过分析烟雾密度和温度异常的关联性，可以得到烟雾密度特征；这帮助系统更全面地评估火灾风险，通过烟雾密度的变化趋势，提供更可靠的预警信息。
气体浓度子模块通过主成分分析技术将温度异常特征和烟雾密度特征进行整合，对建筑物内的有害气体浓度进行分析；这有助于检测有害气体是否超过安全阈值，确定气体浓度特征，为火灾风险评估和防控提供重要依据。
请参阅图6，数据清洗子模块应用Z-Score方法，整合火焰图像特征、烟雾图像特征、火势蔓延特征、火灾声音频率特征、声音频谱特征、声音匹配结果、温度异常特征、烟雾密度特征、气体浓度特征，清除异常和冗余数据，生成整合数据集；
数据格式化子模块通过JSON序列化，将整合数据集格式化，得到格式化数据集；
数据标准化子模块利用MinMaxScaler，对格式化数据集进行标准化处理，得到标准化数据集。
数据预处理模块中的数据清洗子模块应用Z-Score方法对火焰图像特征、烟雾图像特征、火势蔓延特征、火灾声音频率特征、声音频谱特征、声音匹配结果、温度异常特征、烟雾密度特征和气体浓度特征进行清洗；通过去除异常和冗余数据，确保数据的准确性和一致性，生成整合数据集。
数据格式化子模块通过JSON序列化，将整合数据集格式化为一种统一的数据表示形式；这样做可以方便数据的存储、传输和处理，使数据集具备一致的结构和格式。
数据标准化子模块利用MinMaxScaler等标准化方法对格式化数据集进行标准化处理；标准化能够将数据映射到特定的范围内，消除各个特征之间的量纲差异，提高数据的可比性和模型的训练效果。
请参阅图7，数据模型训练子模块应用随机森林集成学习方法，对标准化数据集进行模型训练，得到风险评估模型；
风险评估子模块结合风险评估模型，通过支持向量机和决策树进行风险等级划分，产生风险评级结果；
结果分类子模块利用k-NN算法，根据风险评级结果进行具体分类，得到风险分类标签。
数据模型训练子模块应用随机森林集成学习方法对标准化数据集进行模型训练，从而得到一个风险评估模型；随机森林是一种集成学习方法，通过构建多个决策树进行预测，并综合各个决策树的结果，得到更准确的风险评估模型。
风险评估子模块结合风险评估模型，利用支持向量机和决策树等算法进行风险等级的划分；根据模型的输出结果，可以将风险分为不同的等级，以便更好地理解和通报风险程度；这样的风险评级结果可以帮助用户更全面地了解风险情况，并采取相应的措施。
结果分类子模块利用k-NN算法，根据风险评级结果进行具体的分类；k-NN算法通过计算样本之间的距离，将新的样本分类到与之最接近的已知类别中；通过将风险评级结果映射到特定的风险分类标签，能够进一步细化风险的具体分类。
请参阅图8，预警策略制定子模块基于风险分类标签，利用逻辑回归分析生成预警策略结果；
实时预警推送子模块结合预警策略结果，通过WebSocket实时推送预警，产生实时预警信息；
响应策略确定子模块结合实时预警信息进行分析，采用决策矩阵确定最佳应对措施，获得紧急响应策略。
预警系统中的预警策略制定子模块利用逻辑回归分析方法，基于风险分类标签对数据进行建模和分析，从而生成相应的预警策略结果；逻辑回归可以通过分析各个特征与预警结果之间的关系，得出预警策略的权重和概率，帮助系统制定适当的预警策略。
实时预警推送子模块结合预警策略结果，利用WebSocket等实时通信技术，将预警信息实时推送给相关人员或系统；通过实时推送预警，可以迅速传达风险的相关信息，提高响应的速度和效率。
响应策略确定子模块结合实时预警信息进行分析，采用决策矩阵等决策分析方法，确定最佳的应对措施；通过对不同预警情况进行综合评估和权衡，可以制定出符合实际情况和需要的紧急响应策略，帮助决策者做出更明智的应对决策。
请参阅图9，数据编码子模块应用Base64编码方法，将实时预警信息和紧急响应策略进行编码，生成编码后的预警信息；
无线传输子模块利用MQTT协议，实时传输编码后的预警信息，得到数据传输确认；
用户通知子模块通过推送通知，利用数据传输确认，确认预警信息已送达最终用户，并生成最终监控报告。
数据编码子模块应用Base64编码方法对实时预警信息和紧急响应策略进行编码，将其转换为一种可传输和存储的格式，生成编码后的预警信息；无线传输子模块利用MQTT（Message Queuing Telemetry Transport）协议，实时传输编码后的预警信息；MQTT协议是一种轻量级的、可靠的、广泛应用于物联网的通信协议；通过使用MQTT协议，可以确保预警信息的快速和可靠传输，并获得数据传输的确认，以验证信息的送达和接收情况。
用户通知子模块利用推送通知的方式将传输确认的消息通知给最终用户；通过推送通知，用户可以得知预警信息已被成功送达，同时生成最终的监控报告；这样的通知机制可以及时地将预警信息传达给用户，提醒他们采取相应的行动，并为后续的风险控制和管理提供详细的报告和记录。
请参阅图10，一种基于报警区域模型的消防安全监控方法，基于上述一种基于报警区域模型的消防安全监控系统，包括以下步骤：
S1：图像识别模块应用卷积神经网络和计算机视觉技术对火灾场景进行实时识别，得到火焰图像特征、烟雾图像特征和火势蔓延特征，声音检测模块通过傅里叶变换和深度学习捕获并分析火灾声音，获得声音匹配结果，传感器分析模块整合多维度数据，得到温度异常特征、烟雾密度特征和气体浓度特征，生成整合数据集；
S2：数据预处理模块利用Z-Score方法对整合数据集进行清洗，通过JSON序列化进行格式化，利用MinMaxScaler进行标准化，获得标准化数据集；
S3：基于标准化数据集，风险评估模块利用随机森林、支持向量机和决策树算法对火灾风险进行分析并分类，生成风险评级结果和风险分类标签；
S4：预警生成模块根据风险分类标签采用逻辑回归分析制定预警策略，结合WebSocket技术进行实时推送，并通过决策矩阵确定应对策略，得到实时预警信息和紧急响应策略；
S5：监控输出模块使用Base64编码对实时预警信息和紧急响应策略进行编码，利用MQTT协议实时传输，通过推送通知确保信息传达给最终用户，生成最终监控报告。
通过图像识别、声音检测以及传感器分析等模块，对火灾场景进行实时识别和数据收集；经过数据预处理和风险评估模块的处理，生成了准确的风险评级和分类结果；在预警生成模块中，根据风险分类标签制定了相应的预警策略，并利用实时通信技术实时推送预警信息和紧急响应策略；通过编码和无线传输技术，确保信息的快速传达，并通过推送通知确认用户接收；最终监控输出模块生成了详细的监控报告，提供给用户进行综合分析和决策。
上述方法的有益效果在于通过多种模块的协同作用，实现了对火灾风险的实时识别、评估和预警；这大大提高了消防安全监控的精确性和响应速度，帮助用户做出及时、有效的决策和应对措施，从而最大程度减少火灾风险和损失；同时，采用编码和无线传输技术，确保预警信息的准确传达和实时监控输出，提供了全面的监控报告供用户参考和分析。
工作原理：基于报警区域模型的消防安全监控系统综合运用了图像识别、声音检测、传感器分析、数据预处理、风险评估、预警生成和监控输出等模块；图像识别模块通过卷积神经网络和计算机视觉技术实时识别火灾场景，提取火焰图像特征、烟雾图像特征和火势蔓延特征；声音检测模块利用傅里叶变换和深度学习算法捕获并分析火灾声音的频率和振幅特征，生成声音特征数据；传感器分析模块利用贝叶斯网络和融合算法整合传感器网络收集的多维度数据，形成综合传感器数据；数据预处理模块对图像特征数据、声音特征数据和综合传感器数据进行处理，包括异常值检测和数据标准化，生成优化后的数据集；风险评估模块利用支持向量机和决策树算法分析优化后的数据集，对火灾风险进行分级评估，得到风险评级结果；预警生成模块根据风险评级结果，利用逻辑回归模型生成预警信息，并确定紧急响应策略，形成实时预警信息；监控输出模块利用MQTT协议和无线通信技术将实时预警信息传输至消防安全监控终端，生成最终的监控报告。
其中，图像识别模块包括火焰检测子模块、烟雾检测子模块和火灾扩散子模块，分别用于检测火焰特征、烟雾特征和火势蔓延情况；声音检测模块包括声音频率分析子模块、声音频谱分析子模块和模式匹配子模块，对火灾声音进行频率分析、频谱分析和模式匹配；传感器分析模块包括温度分析子模块、烟雾分析子模块和气体浓度子模块，分别分析温度异常情况、烟雾密度和有害气体浓度；数据预处理模块包括数据清洗子模块、数据格式化子模块和数据标准化子模块，用于清洗数据、格式化数据和标准化数据；风险评估模块包括数据模型训练子模块、风险评估子模块和结果分类子模块，用于训练模型、评估风险并分类；预警生成模块包括预警策略制定子模块、实时预警推送子模块和响应策略确定子模块，用于制定预警策略、实时推送预警信息和确定响应策略；监控输出模块包括数据编码子模块、无线传输子模块和用户通知子模块，用于编码数据、进行无线传输和通知用户。
整体而言，先通过图像识别、声音检测和传感器分析模块收集数据，然后经过数据预处理和风险评估模块处理，生成准确的风险评级和分类结果；在预警生成模块中，根据风险分类标签制定相应的预警策略，并利用实时通信技术实时推送预警信息和紧急响应策略；通过编码和无线传输技术，确保信息的快速传达，并通过推送通知确认用户接收；最终监控输出模块生成详细的监控报告，提供给用户进行综合分析和决策；这种综合的消防安全监控方法提高了预警精确度和响应速度，有助于用户快速、准确地识别火灾风险并采取相应的应对措施，从而最大限度地减少火灾造成的损失。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于报警区域模型的消防安全监控系统，其特征在于：由图像识别模块、声音检测模块、传感器分析模块、数据预处理模块、风险评估模块、预警生成模块、监控输出模块组成；
所述图像识别模块采用卷积神经网络结合计算机视觉技术，对火灾场景进行实时图像识别和深度特征提取，获得图像特征数据；
所述声音检测模块应用傅里叶变换和深度学习算法，捕获并分析火灾声音频率和振幅特征，生成声音特征数据；
所述传感器分析模块利用贝叶斯网络和融合算法，整合从传感器网络收集的多维度数据，作为综合传感器数据；
所述数据预处理模块采用k-均值聚类和标准化技术处理图像特征数据、声音特征数据和综合传感器数据，进行异常值检测和数据标准化，生成优化后数据集；
所述风险评估模块利用支持向量机和决策树算法分析优化后数据集，对火灾风险进行分级评估，生成风险评级结果；
所述预警生成模块基于风险评级结果，利用逻辑回归模型生成预警信息，并确定紧急响应策略，整合为实时预警信息；
所述监控输出模块采用MQTT协议和无线通信技术，将所述实时预警信息实时传输至消防安全监控终端，生成最终监控报告。
2.根据权利要求1所述的一种基于报警区域模型的消防安全监控系统，其特征在于：所述图像识别模块包括火焰检测子模块、烟雾检测子模块、火灾扩散子模块；
所述声音检测模块包括声音频率分析子模块、声音频谱分析子模块、模式匹配子模块；
所述传感器分析模块包括温度分析子模块、烟雾分析子模块、气体浓度子模块；
所述数据预处理模块包括数据清洗子模块、数据格式化子模块、数据标准化子模块；
所述风险评估模块包括数据模型训练子模块、风险评估子模块、结果分类子模块；
所述预警生成模块包括预警策略制定子模块、实时预警推送子模块、响应策略确定子模块；
所述监控输出模块包括数据编码子模块、无线传输子模块、用户通知子模块。
3.根据权利要求2所述的一种基于报警区域模型的消防安全监控系统，其特征在于：所述火焰检测子模块采用VGG-16卷积神经网络框架进行火焰特征检测，生成火焰图像特征；
所述烟雾检测子模块利用Optical Flow算法追踪画面中烟雾的动态变化，生成烟雾图像特征；
所述火灾扩散子模块通过时间序列分析，与火焰图像特征和烟雾图像特征进行融合，分析火势是否在蔓延，得到火势蔓延特征。
4.根据权利要求3所述的一种基于报警区域模型的消防安全监控系统，其特征在于：所述声音频率分析子模块利用傅里叶变换的快速算法进行声音频率分析，得到火灾声音频率特征；
所述声音频谱分析子模块应用长短时记忆网络对声音频谱进行深度分析，生成声音频谱特征；
所述模式匹配子模块将火灾声音频率特征和声音频谱特征进行关联性分析，利用SVM分类器进行模式匹配，获得声音匹配结果。
5.根据权利要求4所述的一种基于报警区域模型的消防安全监控系统，其特征在于：所述温度分析子模块应用高斯过程回归比对温度阈值，产生温度异常特征；
所述烟雾分析子模块利用贝叶斯网络，与所述温度异常特征进行数据融合，分析烟雾密度，获得烟雾密度特征；
所述气体浓度子模块运用主成分分析，整合所述温度异常特征和烟雾密度特征，进行有害气体浓度分析，得到气体浓度特征。
6.根据权利要求5所述的一种基于报警区域模型的消防安全监控系统，其特征在于：所述数据清洗子模块应用Z-Score方法，整合火焰图像特征、烟雾图像特征、火势蔓延特征、火灾声音频率特征、声音频谱特征、声音匹配结果、温度异常特征、烟雾密度特征、气体浓度特征，清除异常和冗余数据，生成整合数据集；
所述数据格式化子模块通过JSON序列化，将所述整合数据集格式化，得到格式化数据集；
所述数据标准化子模块利用MinMaxScaler，对所述格式化数据集进行标准化处理，得到标准化数据集。
7.根据权利要求6所述的一种基于报警区域模型的消防安全监控系统，其特征在于：所述数据模型训练子模块应用随机森林集成学习方法，对标准化数据集进行模型训练，得到风险评估模型；
所述风险评估子模块结合风险评估模型，通过支持向量机和决策树进行风险等级划分，产生风险评级结果；
所述结果分类子模块利用k-NN算法，根据所述风险评级结果进行具体分类，得到风险分类标签。
8.根据权利要求7所述的一种基于报警区域模型的消防安全监控系统，其特征在于：所述预警策略制定子模块基于风险分类标签，利用逻辑回归分析生成预警策略结果；
所述实时预警推送子模块结合预警策略结果，通过WebSocket实时推送预警，产生实时预警信息；
所述响应策略确定子模块结合实时预警信息进行分析，采用决策矩阵确定最佳应对措施，获得紧急响应策略。
9.根据权利要求8所述的一种基于报警区域模型的消防安全监控系统，其特征在于：所述数据编码子模块应用Base64编码方法，将实时预警信息和紧急响应策略进行编码，生成编码后的预警信息；
所述无线传输子模块利用MQTT协议，实时传输所述编码后的预警信息，得到数据传输确认；
所述用户通知子模块通过推送通知，利用数据传输确认，确认预警信息已送达最终用户，并生成最终监控报告。
10.一种基于报警区域模型的消防安全监控方法，基于上述权利要求9所述的一种基于报警区域模型的消防安全监控系统，其特征在于：包括以下步骤：
图像识别模块应用卷积神经网络和计算机视觉技术对火灾场景进行实时识别，得到火焰图像特征、烟雾图像特征和火势蔓延特征，声音检测模块通过傅里叶变换和深度学习捕获并分析火灾声音，获得声音匹配结果，传感器分析模块整合多维度数据，得到温度异常特征、烟雾密度特征和气体浓度特征，生成整合数据集；
数据预处理模块利用Z-Score方法对所述整合数据集进行清洗，通过JSON序列化进行格式化，利用MinMaxScaler进行标准化，获得标准化数据集；
基于所述标准化数据集，风险评估模块利用随机森林、支持向量机和决策树算法对火灾风险进行分析并分类，生成风险评级结果和风险分类标签；
预警生成模块根据所述风险分类标签采用逻辑回归分析制定预警策略，结合WebSocket技术进行实时推送，并通过决策矩阵确定应对策略，得到实时预警信息和紧急响应策略；
监控输出模块使用Base64编码对所述实时预警信息和紧急响应策略进行编码，利用MQTT协议实时传输，通过推送通知确保信息传达给最终用户，生成最终监控报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311349399.XA CN117095506B (zh) | 2023-10-18 | 2023-10-18 | 一种基于报警区域模型的消防安全监控系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311349399.XA CN117095506B (zh) | 2023-10-18 | 2023-10-18 | 一种基于报警区域模型的消防安全监控系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117095506A true CN117095506A (zh) | 2023-11-21 |
| CN117095506B CN117095506B (zh) | 2023-12-15 |
Family
ID=88772094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311349399.XA Active CN117095506B (zh) | 2023-10-18 | 2023-10-18 | 一种基于报警区域模型的消防安全监控系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095506B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391458A (zh) * | 2023-12-08 | 2024-01-12 | 四川省寰宇众恒科技有限公司 | 基于数据分析的安全生产风险检测预警方法及系统 |
| CN117544420A (zh) * | 2024-01-08 | 2024-02-09 | 山东省标准化研究院(Wto/Tbt山东咨询工作站) | 一种基于数据分析的融合系统安全管理方法及系统 |
| CN117576854A (zh) * | 2023-12-04 | 2024-02-20 | 维瑞数智科技控股有限公司 | 一种基于安防消防一体化的自动报警方法及系统 |
| CN117576632A (zh) * | 2024-01-16 | 2024-02-20 | 山东金桥保安器材有限公司 | 基于多模态ai大模型的电网监控火灾预警系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389359A (zh) * | 2018-04-10 | 2018-08-10 | 中国矿业大学 | 一种基于深度学习的城市火灾报警方法 |
| CN108961672A (zh) * | 2018-08-16 | 2018-12-07 | 奇酷互联网络科技（深圳）有限公司 | 自动报警的方法、移动终端和计算机可读存储介质 |
| CN109064702A (zh) * | 2018-07-27 | 2018-12-21 | 清华大学 | 电池火灾预警系统及方法 |
| CN111681385A (zh) * | 2020-05-12 | 2020-09-18 | 上海荷福人工智能科技（集团）有限公司 | 一种基于人工智能的消防分级预警算法及火灾探测系统 |
| US20200364583A1 (en) * | 2019-05-14 | 2020-11-19 | Robert D. Pedersen | Iot sensor network artificial intelligence warning, control and monitoring systems and methods |
| CN116884167A (zh) * | 2023-09-08 | 2023-10-13 | 山东舒尔智能工程有限公司 | 智能消防视频监测与报警联动控制系统 |
-
2023
- 2023-10-18 CN CN202311349399.XA patent/CN117095506B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389359A (zh) * | 2018-04-10 | 2018-08-10 | 中国矿业大学 | 一种基于深度学习的城市火灾报警方法 |
| CN109064702A (zh) * | 2018-07-27 | 2018-12-21 | 清华大学 | 电池火灾预警系统及方法 |
| CN108961672A (zh) * | 2018-08-16 | 2018-12-07 | 奇酷互联网络科技（深圳）有限公司 | 自动报警的方法、移动终端和计算机可读存储介质 |
| US20200364583A1 (en) * | 2019-05-14 | 2020-11-19 | Robert D. Pedersen | Iot sensor network artificial intelligence warning, control and monitoring systems and methods |
| CN111681385A (zh) * | 2020-05-12 | 2020-09-18 | 上海荷福人工智能科技（集团）有限公司 | 一种基于人工智能的消防分级预警算法及火灾探测系统 |
| CN116884167A (zh) * | 2023-09-08 | 2023-10-13 | 山东舒尔智能工程有限公司 | 智能消防视频监测与报警联动控制系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576854A (zh) * | 2023-12-04 | 2024-02-20 | 维瑞数智科技控股有限公司 | 一种基于安防消防一体化的自动报警方法及系统 |
| CN117576854B (zh) * | 2023-12-04 | 2024-05-17 | 维瑞数智科技控股有限公司 | 一种基于安防消防一体化的自动报警方法及系统 |
| CN117391458A (zh) * | 2023-12-08 | 2024-01-12 | 四川省寰宇众恒科技有限公司 | 基于数据分析的安全生产风险检测预警方法及系统 |
| CN117391458B (zh) * | 2023-12-08 | 2024-02-27 | 四川省寰宇众恒科技有限公司 | 基于数据分析的安全生产风险检测预警方法及系统 |
| CN117544420A (zh) * | 2024-01-08 | 2024-02-09 | 山东省标准化研究院(Wto/Tbt山东咨询工作站) | 一种基于数据分析的融合系统安全管理方法及系统 |
| CN117544420B (zh) * | 2024-01-08 | 2024-03-29 | 山东省标准化研究院(Wto/Tbt山东咨询工作站) | 一种基于数据分析的融合系统安全管理方法及系统 |
| CN117576632A (zh) * | 2024-01-16 | 2024-02-20 | 山东金桥保安器材有限公司 | 基于多模态ai大模型的电网监控火灾预警系统及方法 |
| CN117576632B (zh) * | 2024-01-16 | 2024-05-03 | 山东金桥保安器材有限公司 | 基于多模态ai大模型的电网监控火灾预警系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117095506B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117095506B (zh) | 一种基于报警区域模型的消防安全监控系统及其方法 | |
| CN210691345U (zh) | 一种基于深度学习的云智能安检辅助系统 | |
| KR102091076B1 (ko) | 지도학습기반의 경보분석과 비지도학습기반의 이상행위탐지 기법을 혼용한 지능형 보안관제 시스템 및 그 방법 | |
| CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
| KR102356666B1 (ko) | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 | |
| CN110135564A (zh) | 基于边缘计算的煤矿瓦斯传感器数据异常检测方法 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| CN115620471A (zh) | 一种基于大数据筛查的图像识别安防系统 | |
| CN114613101A (zh) | 一种基于大数据的智慧酒店智能安防系统 | |
| CN116302809A (zh) | 边缘端数据分析计算装置 | |
| CN112866278B (zh) | 一种基于大数据的计算机网络信息安全防护系统 | |
| CN111490976B (zh) | 一种面向工控网络的动态基线管理与监测方法 | |
| CN117332373A (zh) | 一种模式识别系统、模式识别方法以及存储介质 | |
| CN115565329A (zh) | 一种基于物联网的建筑工地消防安全管理系统 | |
| KR102367584B1 (ko) | 스켈레톤 영상 분석 기법을 이용한 자동 영상 감시 시스템 | |
| KR20200069506A (ko) | 청각장애인을 위한 딥러닝 기반의 스마트홈 경고 알림 서비스 제공방법, 이를 수행하기 위한 소리 분석 장치 및 이를 포함하는 스마트홈 경고 알림 시스템 | |
| CN116597501A (zh) | 视频分析算法及边缘设备 | |
| CN112954689A (zh) | 针对蓝牙无线传输的轻量化网络入侵检测系统和方法 | |
| CN112822202A (zh) | 一种区块链大数据存取方法 | |
| KR102613058B1 (ko) | 이기종 빅데이터 호환 게이트웨이를 포함하는 ai 딥러닝 기반 위험탐지 시스템 | |
| CN117523499B (zh) | 基于北斗定位与感知的森林防火监测方法及系统 | |
| CN114898516B (zh) | 基于物联网的运维监控服务管理系统 | |
| CN118072255A (zh) | 一种智慧园区多源数据动态监控和实时分析系统及方法 | |
| CN117809418A (zh) | 一种基于物联网技术的智能化危险源识别与预警系统 | |
| Kapoor et al. | Real-Time Casualty Detection System Using CCTV Surveillance: A Deep 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |