CN117152896A - 一种电气火灾监控方法及系统 - Google Patents
一种电气火灾监控方法及系统 Download PDFInfo
- Publication number
- CN117152896A CN117152896A CN202311167883.0A CN202311167883A CN117152896A CN 117152896 A CN117152896 A CN 117152896A CN 202311167883 A CN202311167883 A CN 202311167883A CN 117152896 A CN117152896 A CN 117152896A
- Authority
- CN
- China
- Prior art keywords
- fire
- monitoring data
- data
- image
- electrical
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 23
- 239000000779 smoke Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010191 image analysis Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009021 linear effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000002070 Raman circular dichroism spectroscopy Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 244000249914 Hemigraphis reptans Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提供了一种电气火灾监控方法和系统，基于多源数据综合监控，可以实现综合性决策。方法综合考虑了电气监控数据、环境监控数据和图像监控数据，通过数据分析和对比，以及概率模型的应用，进行火灾的综合判断。这种综合性决策可以减少误报和漏报，提高了火灾检测的可靠性。
Description
技术领域
本发明属于火灾监控领域，具体涉及一种电气火灾监控方法及系统。
背景技术
随着用电场合内各种电器的增多，电气火灾越来越成为火灾防范的焦点。根据公安部消防局的全国火灾统计数字，有电气故障和违规使用引发的火灾占比超过30％，是各类火灾原因之首。电气安全问题已成为各行业重点关注的大事，特别是高层公寓、石油化工、机场、电信等领域。
电气火灾监控是一种用于检测、预防和管理电气火灾的系统和技术。电气火灾是由电气设备、电线、插座或电气系统中的故障或不当使用引起的火灾。这种类型的火灾可能导致严重的财产损失、人员伤害甚至生命危险，因此需要有效的监控和预防措施。
目前广泛运用于火灾检测的是电气参数监测方法和火灾感应器。电气参数监测方法例如剩余电流保护器(RCD)和断路器，这些设备用于监测电路中的电流变化。当电流超过设定的阈值时，RCD会切断电源以防止电气火灾。然而，这些设备主要用于防止触电，对于其他潜在的火灾原因，如电路过载或短路，可能不够敏感。而火灾感应器通过内置的热量、烟雾感应器等来判断火情的发生，从而进行报警。然而，火灾检测器在实际运用中具有一定的局限性。由于火灾检测器是接触性检测的性质，检测器必须要等火灾发生了一定时间后，产生了大量火光烟雾后才能识别为发生了火灾，且无法清楚地感知到火灾的大小、详细位置及火灾发生过程，对后续的火灾发生情况调查没有任何帮助。随着视频监控的增多，街道、楼道、屋内、仓库等地都已经覆盖在监控中，我们可以通过视频图像检测火灾的发生及发展情况并以最快、最佳的方式告警及协助消防人员处理火灾危机，并最大限度的降低误报和漏报现象。
近年来，已有不少学者研究数字图像处理的方法来检测监控视频中的火情，他们通过火焰的红色以及其不规则的运动形状来检测，但是这种方案极易受到环境风及光线的影响，对环境的适应性较差；也有通过改进通用目标检测网络YOLOv3来进行火灾检测的学者，他们利用深度学习优秀的目标检测性能，通过数据训练来提升算法对环境的适应性，但通用目标检测网络对火焰这种不规则的目标检测效果一般，其改进方法中，只是针对网络模型本身进行改进，并没有结合火灾图像的特性，且YOLO框架以速度著称，其精度也很难满足实际应用需求。
可知，尽管电气火灾监控系统在提高电气安全性方面发挥了重要作用，但仍存在缺陷和挑战，还包括以下方面：
漏检和虚假警报。火灾监控系统有时可能漏检火灾迹象或误报火警。例如，烟雾探测器可能会误报，因为它们对烟尘或蒸气敏感，这可能导致虚警。另一方面，某些类型的火灾可能在火警触发前迅速发展，系统可能来不及发出警报。而假警报可能导致不必要的疏散和生产中断，这对企业可能产生重大经济损失。此外，频繁的虚假警报可能导致人们忽视真正的警报，从而降低了系统的效用。
技术局限性。灾监控系统的技术局限性也存在。例如，一些传感器可能对环境条件敏感，如温度、湿度和化学物质的浓度变化，这可能导致误报或漏检。此外，一些传感器可能需要更频繁的校准和维护。
尽管存在这些缺陷，但电气火灾监控系统仍然是一种非常重要的工具，可以在早期检测和减少电气火灾风险方面发挥作用。随着技术的不断发展，这些系统可能会变得更加精确和可靠，同时降低成本，以更好地满足各种应用的需求。
基于此，发展可集成的低成本传感器，并设计一种适用于多种类型的电子传感器的微型测试系统以及小型化设备，是目前亟待解决的问题。
发明内容
鉴于现有技术中的上述问题，本发明目的在于克服现有技术的不足而提供一种电气火灾监控方法及系统，该火灾检测的模型融合了多种检测手段，弥补了各项检测的不足，通过环境感测、电气参数检测，尤其是经过训练后对待检测的图像进行处理分析后能够快速、准确的为判断出是否出现火灾提供依据。
本发明的目的主要是通过以下技术方案实现的：
一种电气火灾监控方法，包括以下步骤：
S1.采集电气设备周边的环境监控数据；
S2.采集电气设备的电气监控数据；
S3.采集电气设备的图像监控数据；
S4.接收采集到的所述环境监控数据和电气监控数据，进行数据预处理；
S5.接收采集到的所述图像监控数据，进行图像处理；
S6.基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾；
S7.确认火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，将火灾预警讯号传送至管理端，将环境监控数据、电气监控数据和图像监控数据可视化显示于显示设备中。
其中，S1.采集电气设备周边的环境监控数据，所述环境监控数据包括：温度数据、湿度数据和烟雾数据。
其中，S2.采集电气设备的电气监控数据，所述电气监控数据包括：电压数据、运行电流数据、剩余电流数据。
其中，S4.接收采集到的所述环境监控数据和电气监控数据，进行数据预处理，包括对数据进行过滤、放大、和A/D转换。
其中，S5.接收采集到的所述图像监控数据，进行图像处理，具体包括：
S5-1.图像增强，进行图像的对比度增强和亮度调整；
S5-2.图像降噪，使用滤波器去除图像中的噪声，以提高图像质量；
S5-3.图像分割，将图像中的潜在火源与背景分割。
其中，S6.基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾，具体包括：
S6-1.基于环境监控数据和电气监控数据，进行数据分析，得到电气设备火灾发生的第一概率指标；
S6-2.判断所述第一概率指标是否超出第一阈值；如果是，则执行S6-3；否则，继续进行电气火灾监控；
S6-3.基于图像监控数据，进行图像分析，得到电气设备火灾发生的第二概率指标；
S6-4.判断所述第二概率指标是否超出第二阈值；如果是，则执行S6-5；否则，继续进行电气火灾监控；
S6-5.确认出现火灾，发布火灾预警讯号。
其中，S6-1.基于环境监控数据和电气监控数据，进行数据分析，得到电气设备火灾发生的第一概率指标，具体包括：
S6-1-1.建立电气火灾概率模型如下，
其中，P1代表电气设备火灾发生的概率，T代表温度，H代表湿度，S代表烟雾，I代表电流，V代表电压，RCD代表剩余电流；α1，α2，α3，β1，β2，β3，β4，β5，β6是模型参数，用于确定每个数据特征对火灾概率的影响程度；
S6-1-2.根据所述电气火灾概率模型，以及所述环境监控数据和电气监控数据，实时计算电气设备火灾发生的第一概率指标。
其中，S6-3.基于图像监控数据，进行图像分析，得到电气设备火灾发生的第二概率指标，具体包括：
S6-3-1.基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，包括颜色特征、纹理特征和亮度特征；
S6-3-2.对各特征向量进行归一化，确保不同特征处于相同的尺度上；
S6-3-3.根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型；
S6-3-4.训练所述高斯火灾混合模型，使用训练数据集，将提取的特征向量输入到火灾混合模型中进行模型训练；
S6-3-5.火灾检测，针对每一帧图像，计算其特征向量，基于训练后的高斯火灾混合模型得到电气设备火灾发生的第二概率指标。
其中，S6-3-3.根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型，所述高斯火灾混合模型构建为：
其中，P2(x)代表高斯概率密度，πc，πt，πb分别代表颜色特征、纹理特征和亮度特征的高斯分布权重，满足πc+πt+πb＝1；μi,i＝c,t,b，分别代表颜色特征、纹理特征和亮度特征的高斯分布的均值；Σi,i＝c,t,b，是3×3的协方差矩阵，分别代表颜色特征、纹理特征和亮度特征的高斯分布的协方差矩阵。
本发明还提供一种电气火灾监控系统，所述系统包括：
环境数据采集单元，用于采集电气设备周边的环境监控数据；
电气数据采集单元，用于采集电气设备的电气监控数据；
图像数据采集单元，用于采集电气设备的图像监控数据；
数据处理单元，用于接收采集到的所述环境监控数据和电气监控数据，进行数据预处理；
图像处理单元，用于接收采集到的所述图像监控数据，进行图像处理；
分析单元，用于基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾；
报警单元，用于确认火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，将火灾预警讯号传送至管理端，将环境监控数据、电气监控数据和图像监控数据可视化显示于显示设备中。
与现有技术相比，本发明在电气火灾监控领域具有多项重要的优点和创新点：
首先，实现了多源数据综合监控：该方法采用了多源数据，包括环境监控数据、电气监控数据和图像监控数据，综合监控电气设备的状态。本发明的综合性监控有助于提高火灾检测的准确性，考虑了多个参数之间以及参数于火灾发生概率之间的关联。
并且，基于多源数据综合监控，可以实现综合性决策。方法综合考虑了电气监控数据、环境监控数据和图像监控数据，通过数据分析和对比，以及概率模型的应用，进行火灾的综合判断。这种综合性决策可以减少误报和漏报，提高了火灾检测的可靠性。
其次，本发明综合考虑了多个环境和电气参数，建立的电气火灾概率模型。该模型通过综合分析多个参数，更全面地评估了火灾风险。引入了概率模型，将各参数对火灾概率的影响量化。这种概率建模方法能够更精确地捕捉不同参数之间的关系，提高了火灾预测的准确性。模型中采用了逻辑函数来计算概率。这种函数具有平滑的曲线特性，能够更好地适应不同参数值的情况，避免了硬判定。这种方式更符合实际火灾发生的连续性特征。进一步，模型中的参数是可以根据实际情况进行调整的。这允许了模型的灵活性，可以根据不同电气设备的特性进行定制，从而提高了模型的适用性和实用性。
最后，本发明根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型。该模型考虑了颜色特征、纹理特征和亮度特征，这些特征在火灾检测中是关键的。通过结合多种特征，模型可以更全面地捕捉火灾图像的多样性，提高了火灾检测的准确性。
模型引入了权重参数，用于控制不同特征的影响程度。这允许模型根据特定情境和需求进行定制，提高了适用性。例如，如果颜色特征对于某些电气设备的火灾更为敏感，可以增加π_c的权重。并且，模型不仅考虑了特征的均值，还考虑了协方差矩阵。这意味着模型可以处理特征之间的相关性，以及不同特征的分布形状。这是一个非常重要的创新，因为不同图像特征之间存在复杂的关联。模型采用高斯分布来建模每个特征。高斯分布是处理连续型数据的常用方法，它具有良好的数学性质，而且在实际应用中表现良好。发明根据电气设备火灾图像特性，特别考虑了不同图像特征之间的关联性，构建了改进的高斯火灾混合模型。
在图像处理阶段，方法考虑并提取了火灾相关的图像特征，包括颜色、纹理和亮度特征，并构建了改进的高斯火灾混合模型。通过构建改进的模型，能够更准确地捕获电气设备火灾的图像特性，从而提高了火灾检测系统的可靠性和精度。这种改进可以帮助减少误报，提高对电气火灾的早期识别，减轻火灾带来的损害。
总之，与传统的电气火灾监控方法相比，该方法综合了多源数据和先进的模型，提供了更可靠的火灾检测和预警功能。它具有更高的准确性和实用性，能够更好地保护电气设备和人员的安全，降低火灾带来的损失。因此，本发明在电气火灾监控领域具有显著的创新性和实用价值。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的内容中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过文字以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明的方法流程图；
图2为本发明的系统框架图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。需要说明的是，在本发明中，使用的如“上、下、左、右、前、后、内、外、竖直、垂直、水平、顶部、底部、中间”等指示方位或位置关系的描述仅是为了便于描述和理解本发明，而不是指示或暗示所述装置或元件必须具有特定方位、以特定方位构造或操作，特别是当描述某部件或装置“固定于”或“连接于”另一个装置或元件时，该装置或元件可以是直接固定或连接在另一个元件上，也可以是间接固定或连接在另一个元件上，因此，不能理解为对本发明的限制。同样，“第一、第二”等术语仅用于区分具有同样设置和功能的相似元件，不能理解为指示或暗示相对的重要性。
如附图1所示，本发明提供了一种电气火灾监控方法，包括以下步骤：
S1.采集电气设备周边的环境监控数据；在这一步骤中，各种环境监测传感器部署在电气设备周边，以收集与火灾相关的环境数据。这些数据和传感器可以包括：
温度数据：温度传感器测量设备周围的温度，因为火灾通常伴随着温度升高。湿度数据：湿度传感器测量周围空气的湿度水平。湿度数据可以在火灾早期发现中很有用，因为火源通常会导致湿度下降。烟雾数据：烟雾探测器监测是否有可燃物产生的烟雾，这是火灾的另一个明显指标。
S2.采集电气设备的电气监控数据；这一步骤涉及采集电气设备本身的电气参数。电气监控数据包括：电压数据：测量电气设备的电压水平，以确保电压在正常范围内。运行电流数据：监测电气设备的运行电流，以检测异常的电流波动。剩余电流数据：监测电气设备中的剩余电流，以检测是否有漏电现象。
S3.采集电气设备的图像监控数据；在这一步骤中，摄像头或其他图像传感器用于捕捉电气设备的实时图像。这些图像将用于火灾检测。
S4.接收采集到的环境监控数据和电气监控数据，进行数据预处理；在接收到环境监控数据和电气监控数据后，进行数据预处理以确保数据的质量和一致性。这包括数据过滤、放大、和A/D转换等处理步骤，以准备数据供后续分析使用。
S5.接收采集到的所述图像监控数据，进行图像处理；图像监控数据需要经过图像处理以提取有用的信息。这包括对图像进行增强、降噪和分割，以便更好地检测火源。
S6.基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾；这是整个系统的核心步骤。基于环境监控数据、电气监控数据和图像监控数据，进行数据分析和对比，以判断是否存在火灾迹象。
S7.确认火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，将火灾预警讯号传送至管理端，将环境监控数据、电气监控数据和图像监控数据可视化显示于显示设备中。
如果经过数据分析和对比确认存在火灾风险，系统将执行以下操作：电气设备断电：为了防止火势蔓延，系统可能会自动切断电气设备的电源。点亮报警指示灯：以提醒人员和消防部门火灾的发生。传送火灾预警讯号至管理端：通过网络或其他通信手段，将火灾的预警信息发送给管理端。可视化显示：将环境监控数据、电气监控数据和图像监控数据以可视化的方式显示在监控设备上，以供操作员和应急人员查看。
其中，优选地，S5.接收采集到的所述图像监控数据，进行图像处理，这一步是电气火灾监控系统中非常关键的一步，因为它涉及到图像数据的分析，以便更好地识别潜在的火源。以下是对S5中每个子步骤的详细扩展：具体包括：
S5-1.图像增强：在电气火灾监控中，图像增强可以改善图像的质量，使潜在的火源更容易被检测到。以下是可以采用的一些图像增强技术：
直方图均衡化：这是一种常用的方法，通过重新分布图像的像素值来增强图像的对比度。它可以将图像中的亮度水平均匀分布，使细节更加清晰。
对比度拉伸：这种方法通过拉伸图像的像素值范围，将较亮的像素变得更亮，较暗的像素变得更暗，从而增强对比度。
直方图规定化：这是一种根据期望的亮度分布来调整图像的方法。它可以用于特定场景下的图像增强，以突出特定亮度范围内的细节。
S5-2.图像降噪，降低图像中的噪声可以提高火源检测的准确性。以下是本发明可以采用的一些降噪技术：
高斯滤波器：高斯滤波器可以平滑图像，减少噪声。它通过计算每个像素周围像素的加权平均值来实现。
中值滤波器：中值滤波器是一种非线性滤波器，用于去除图像中的椒盐噪声等离群值。
小波变换：小波变换是一种多尺度分析方法，可以将图像分解成不同尺度的频带，然后对每个频带进行滤波。
图像恢复算法：高级的图像处理算法，如非局部均值去噪(NL-Means Denoising)等，可以在保留图像细节的同时有效降低噪声。
S5-3.图像分割，图像分割是将图像分成不同区域或对象的过程。在火源检测中，这有助于识别潜在的火源。以下是本发明可以采用的一些图像分割技术：
阈值分割：通过设定一个阈值，将像素分为火源和背景两个类别。这个阈值可以基于像素的灰度值或颜色来确定。
区域生长：区域生长算法从一些种子像素开始，将具有相似属性(如颜色或亮度)的相邻像素合并成一个区域。
边缘检测：边缘检测技术可以检测出图像中物体的边缘，从而实现分割。
深度学习方法：卷积神经网络(CNN)等深度学习技术可以用于图像分割，这些方法在复杂场景中通常能够获得更准确的分割结果。
优选地，S6.基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾，这一步骤使用环境监控数据(温度、湿度、烟雾等)和电气监控数据(电流、电压、剩余电流等)和图像监控数据来估计电气设备火灾发生的概率。以下是该步骤的详细过程：
S6-1.基于环境监控数据和电气监控数据，进行数据分析，得到电气设备火灾发生的第一概率指标；结合环境监控数据和电气监控数据来估计电气设备火灾的发生概率。这个指标可以用来初步判断是否存在火灾风险。
S6-2.判断所述第一概率指标是否超出第一阈值；如果是，则执行S6-3；否则，继续进行电气火灾监控；在这一步骤中，将计算得到的第一概率指标与预先设定的第一阈值进行比较。第一阈值可以设置为0.5或其他合适的值。如果第一概率指标超过第一阈值，表示存在电气设备火灾的风险，将继续进行后续检测步骤。
S6-3.基于图像监控数据，进行图像分析，得到电气设备火灾发生的第二概率指标；。
S6-4.判断所述第二概率指标是否超出第二阈值；如果是，则执行S6-5；否则，继续进行电气火灾监控；将计算得到的第二概率指标与预先设定的第二阈值进行比较。如果第二概率指标超过第二阈值，表示确认出现火灾。
S6-5.确认出现火灾，发布火灾预警讯号。如果第一和第二概率指标都超过了各自的阈值，那么可以确认出现电气设备火灾。此时，应采取以下行动：切断电气设备电源，防止火势蔓延；点亮火灾报警指示灯，以提醒工作人员或相关人员；将火灾预警讯号传送至管理端，以便及时应急响应；将环境监控数据、电气监控数据和图像监控数据可视化显示于显示设备中，以便实时监测火灾情况和采取进一步行动。
其中，优选地，S6-1.基于环境监控数据和电气监控数据，进行数据分析，得到电气设备火灾发生的第一概率指标，在这一步骤中，将利用环境监控数据和电气监控数据来建立一个概率模型，该模型将评估电气设备火灾发生的可能性。具体包括：
S6-1-1.建立电气火灾概率模型如下，
其中，P1代表电气设备火灾发生的概率，T代表温度，H代表湿度，S代表烟雾，I代表电流，V代表电压，RCD代表剩余电流；α1，α2，α3，β1，β2，β3，β4，β5，β6是模型参数，用于确定每个数据特征对火灾概率的影响程度；这些参数的确定需要通过训练数据集和机器学习方法来获得，以便更准确地评估火灾风险。
构建的这个模型中，参数交互的设计体现为包括线性项、交互项和二次项：
线性项：线性项是模型中的基本特征，每个输入特征(例如电流、电压、剩余电流)都具有一个对应的线性参数。在模型中，线性项例如T，H，S，当特征的值增加(或减少)时，对火灾概率产生线性影响。
交互项：交互项表示两个或多个特征之间的相互作用或关联。在模型中，交互项包括I·V，V·RCD。这些项考虑了特征之间的组合效应，表示特定特征组合对火灾概率的影响。例如，I·V表示电流和电压之间的相互作用对火灾概率的影响。
二次项：二次项表示特征的平方或次方。在模型中，二次项包括I2。用于捕捉特征与火灾概率之间的非线性关系。例如，I2表示电流的平方对火灾概率的影响。
总之，线性项、交互项和二次项是模型中的参数，它们用于考虑特征之间的线性和非线性关系，从而更准确地预测火灾概率。每个参数对应于一个特征或特征组合，并表示其对火灾概率的影响。
S6-1-2.根据所述电气火灾概率模型，以及所述环境监控数据和电气监控数据，实时计算电气设备火灾发生的第一概率指标。
对于每个时间点，根据环境监控数据以及电气监控数据的测量值，将这些值代入概率模型中，使用模型参数计算P1。如果P1超过了事先设定的第一阈值(通常设定为0.5，但也可以根据实际情况进行调整)，则表示火灾的可能性较高，需要进行下一步的火灾检测和确认。
这个设计的优点在于，通过综合考虑多个数据特征，可以更全面地评估火灾风险。电气火灾的发生通常受到多种因素的影响，包括环境条件和电气参数。通过建立概率模型，系统可以在实时监控中根据数据的变化来动态评估火灾风险，提高了检测的准确性和及时性。此外，该方法的可调参数使其适用于不同类型的电气设备和环境条件。
优选地，S6-3.基于图像监控数据，进行图像分析，得到电气设备火灾发生的第二概率指标，这一步骤中，我们将使用图像监控数据来进行火灾检测，通过图像分析得到电气设备火灾发生的第二概率指标。这个步骤的详细过程如下：
S6-3-1.基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，包括颜色特征、纹理特征和亮度特征；对于每一帧图像，可以计算每个像素的颜色分布。这包括火焰的颜色特征，如红色或橙色的像素在图像中的分布情况。亮度特征：可以计算每个像素的灰度值，以识别火源的明亮区域。纹理特征：可以使用纹理描述符(例如，局部二值模式(LBP)或方向梯度直方图(HOG)等)来提取图像中的纹理信息。这有助于识别火焰的纹理特征，如火苗的波动和形状。
S6-3-2.对各特征向量进行归一化，确保不同特征处于相同的尺度上；这有助于保持特征之间的权重平衡，并提高模型的稳定性和准确性。
S6-3-3.根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型；
S6-3-4.训练所述高斯火灾混合模型，使用训练数据集，将提取的特征向量输入到火灾混合模型中进行模型训练；
首先需要构建一个包含多个图像样本的训练数据集。这些样本应该包括具有和没有火灾的图像。对于有火灾的图像，需要标注火源的位置或区域，以便后续的模型训练。对于每个训练图像，执行特征提取，包括颜色特征、纹理特征和亮度特征，这将生成每个图像的特征向量。
使用准备好的训练数据集和特征向量，将选定的高斯混合模型进行训练。训练的目标是调整模型的参数，使其能够最好地拟合训练数据集中的图像特征。通常使用最大似然估计等统计方法来估计模型参数。
完成模型训练后，需要对其性能进行评估。可以使用交叉验证、ROC曲线、精确度和召回率等指标来评估模型的准确性和泛化能力。根据评估结果，可以对模型进行进一步的调整和优化。这可能包括调整模型的复杂度、增加训练数据量、或者改进特征提取方法。一旦满足性能要求，可以保存训练好的高斯火灾混合模型，以便在实际监控中使用。
这样训练好的高斯火灾混合模型将能够识别图像中的电气设备火灾特征，以生成第二概率指标，用于火灾检测。模型的性能和准确性将取决于训练数据的质量和数量，以及模型参数的选择和调整。通过不断改进和优化，可以提高火灾检测系统的效能。
S6-3-5.火灾检测，针对每一帧图像，计算其特征向量，基于训练后的高斯火灾混合模型得到电气设备火灾发生的第二概率指标。
优选地，S6-3-3.根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型，在构建改进的高斯火灾混合模型之前，首先需要深入理解电气设备火灾的图像特性。这包括火源的颜色、形状、大小、纹理，以及火源与背景的对比度等方面的信息。通过对真实火灾图像的分析和研究，可以获取这些特性。
并且需要确定对模型的选择和参数，选择适当的基础模型，并确定模型的参数，包括高斯分布的数量、均值、协方差矩阵以及各个特征的权重。与电气设备火灾相关的颜色特征、纹理特征和亮度特征应该被考虑在内，改进的高斯火灾混合模型特别考虑到了各个图像特征之间的关联性。使用选定的模型和参数，构建改进的高斯火灾混合模型，改进的模型将不同特征的高斯分布组合在一起，以描述电气设备火灾的图像特性。
所述改进的高斯火灾混合模型构建为：
其中，P2(x)代表高斯概率密度，πc，πt，πb分别代表颜色特征、纹理特征和亮度特征的高斯分布权重，满足πc+πt+πb＝1；μi,i＝c,t,b，分别代表颜色特征、纹理特征和亮度特征的高斯分布的均值；Σi,i＝c,t,b，是3×3的协方差矩阵，分别代表颜色特征、纹理特征和亮度特征的高斯分布的协方差矩阵。
通过构建改进的模型，能够更准确地捕获电气设备火灾的图像特性，从而提高了火灾检测系统的可靠性和精度。这种改进可以帮助减少误报，提高对电气火灾的早期识别，减轻火灾带来的损害。
如图2所示，本发明还提供一种电气火灾监控系统，所述系统包括：
环境数据采集单元，用于采集电气设备周边的环境监控数据；
电气数据采集单元，用于采集电气设备的电气监控数据；
图像数据采集单元，用于采集电气设备的图像监控数据；
数据处理单元，用于接收采集到的所述环境监控数据和电气监控数据，进行数据预处理；
图像处理单元，用于接收采集到的所述图像监控数据，进行图像处理；
分析单元，用于基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾；
报警单元，用于确认火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，将火灾预警讯号传送至管理端，将环境监控数据、电气监控数据和图像监控数据可视化显示于显示设备中。
其中，优选地，所述环境监控数据包括：温度数据、湿度数据和烟雾数据。
其中，优选地，所述电气监控数据包括：电压数据、运行电流数据、剩余电流数据。
其中，优选地，对环境监控数据和电气监控数据，进行数据预处理，包括对数据进行过滤、放大、和A/D转换。
其中，优选地，图像处理单元，用于接收采集到的所述图像监控数据，进行图像处理，具体包括：
图像增强单元，用于进行图像的对比度增强和亮度调整；
图像降噪单元，用于使用滤波器去除图像中的噪声，以提高图像质量；
图像分割单元，用于将图像中的潜在火源与背景分割。
其中，优选地，分析单元，用于基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾，具体包括：
第一分析单元，用于基于环境监控数据和电气监控数据，进行数据分析，得到电气设备火灾发生的第一概率指标；
第一判断单元，用于判断所述第一概率指标是否超出第一阈值；如果是，则执行第二分析单元；否则，继续进行电气火灾监控；
第二分析单元，用于基于图像监控数据，进行图像分析，得到电气设备火灾发生的第二概率指标；
第二判断单元，用于判断所述第二概率指标是否超出第二阈值；如果是，则执行预警单元；否则，继续进行电气火灾监控；
预警单元，用于确认出现火灾，发布火灾预警讯号。
其中，优选地，第一分析单元，用于基于环境监控数据和电气监控数据，进行数据分析，得到电气设备火灾发生的第一概率指标，具体包括：
第一模型构建单元，用于建立电气火灾概率模型，具体如下，
其中，P1代表电气设备火灾发生的概率，T代表温度，H代表湿度，S代表烟雾，I代表电流，V代表电压，RCD代表剩余电流；α1，α2，α3，β1，β2，β3，β4，β5，β6是模型参数，用于确定每个数据特征对火灾概率的影响程度；
第一概率计算单元，用于根据所述电气火灾概率模型，以及所述环境监控数据和电气监控数据，实时计算电气设备火灾发生的第一概率指标。
其中，优选地，第二分析单元，用于基于图像监控数据，进行图像分析，得到电气设备火灾发生的第二概率指标，具体包括：
特征提取单元，用于基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，包括颜色特征、纹理特征和亮度特征；
归一化单元，用于对各特征向量进行归一化，确保不同特征处于相同的尺度上；
第二模型构建单元，用于根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型；
模型训练单元，用于训练所述高斯火灾混合模型，使用训练数据集，将提取的特征向量输入到火灾混合模型中进行模型训练；
第二概率计算单元，用于火灾检测，针对每一帧图像，计算其特征向量，基于训练后的高斯火灾混合模型得到电气设备火灾发生的第二概率指标。
其中，优选地，第二模型构建单元，用于根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型，所述高斯火灾混合模型构建为：
其中，P2(x)代表高斯概率密度，πc，πt，πb分别代表颜色特征、纹理特征和亮度特征的高斯分布权重，满足πc+πt+πb＝1；μi,i＝c,t,b，分别代表颜色特征、纹理特征和亮度特征的高斯分布的均值；Σi,i＝c,t,b，是3×3的协方差矩阵，分别代表颜色特征、纹理特征和亮度特征的高斯分布的协方差矩阵。
可见，本发明的有益效果至少包括：
首先，实现了多源数据综合监控：该方法采用了多源数据，包括环境监控数据、电气监控数据和图像监控数据，综合监控电气设备的状态。本发明的综合性监控有助于提高火灾检测的准确性，考虑了多个参数之间以及参数于火灾发生概率之间的关联。
并且，基于多源数据综合监控，可以实现综合性决策。方法综合考虑了电气监控数据、环境监控数据和图像监控数据，通过数据分析和对比，以及概率模型的应用，进行火灾的综合判断。这种综合性决策可以减少误报和漏报，提高了火灾检测的可靠性。
其次，本发明综合考虑了多个环境和电气参数，建立的电气火灾概率模型。该模型通过综合分析多个参数，更全面地评估了火灾风险。引入了概率模型，将各参数对火灾概率的影响量化。这种概率建模方法能够更精确地捕捉不同参数之间的关系，提高了火灾预测的准确性。模型中采用了逻辑函数来计算概率。这种函数具有平滑的曲线特性，能够更好地适应不同参数值的情况，避免了硬判定。这种方式更符合实际火灾发生的连续性特征。进一步，模型中的参数是可以根据实际情况进行调整的。这允许了模型的灵活性，可以根据不同电气设备的特性进行定制，从而提高了模型的适用性和实用性。
最后，本发明根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型。该模型考虑了颜色特征、纹理特征和亮度特征，这些特征在火灾检测中是关键的。通过结合多种特征，模型可以更全面地捕捉火灾图像的多样性，提高了火灾检测的准确性。
模型引入了权重参数，用于控制不同特征的影响程度。这允许模型根据特定情境和需求进行定制，提高了适用性。例如，如果颜色特征对于某些电气设备的火灾更为敏感，可以增加π_c的权重。并且，模型不仅考虑了特征的均值，还考虑了协方差矩阵。这意味着模型可以处理特征之间的相关性，以及不同特征的分布形状。这是一个非常重要的创新，因为不同图像特征之间存在复杂的关联。模型采用高斯分布来建模每个特征。高斯分布是处理连续型数据的常用方法，它具有良好的数学性质，而且在实际应用中表现良好。发明根据电气设备火灾图像特性，特别考虑了不同图像特征之间的关联性，构建了改进的高斯火灾混合模型。
在图像处理阶段，方法考虑并提取了火灾相关的图像特征，包括颜色、纹理和亮度特征，并构建了改进的高斯火灾混合模型。这些改进的模型能够更好地适应电气设备火灾的特性，提高了火灾检测的精度。
总之，与传统的电气火灾监控方法相比，该方法综合了多源数据和先进的模型，提供了更可靠的火灾检测和预警功能。它具有更高的准确性和实用性，能够更好地保护电气设备和人员的安全，降低火灾带来的损失。因此，本发明在电气火灾监控领域具有显著的创新性和实用价值。
以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。
Claims (10)
1.一种电气火灾监控方法，其特征在于，包括以下步骤：
S1.采集电气设备周边的环境监控数据；
S2.采集电气设备的电气监控数据；
S3.采集电气设备的图像监控数据；
S4.接收采集到的所述环境监控数据和电气监控数据，进行数据预处理；
S5.接收采集到的所述图像监控数据，进行图像处理；
S6.基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾；
S7.确认火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，将火灾预警讯号传送至管理端，将环境监控数据、电气监控数据和图像监控数据可视化显示于显示设备中。
2.如权利要求1所述的方法，其中，S1.采集电气设备周边的环境监控数据，所述环境监控数据包括：温度数据、湿度数据和烟雾数据。
3.如权利要求1所述的方法，其中，S2.采集电气设备的电气监控数据，所述电气监控数据包括：电压数据、运行电流数据、剩余电流数据。
4.如权利要求1所述的方法，其中，S4.接收采集到的所述环境监控数据和电气监控数据，进行数据预处理，包括对数据进行过滤、放大、和A/D转换。
5.如权利要求1所述的方法，其中，S5.接收采集到的所述图像监控数据，进行图像处理，具体包括：
S5-1.图像增强，进行图像的对比度增强和亮度调整；
S5-2.图像降噪，使用滤波器去除图像中的噪声，以提高图像质量；
S5-3.图像分割，将图像中的潜在火源与背景分割。
6.如权利要求1所述的方法，其中，S6.基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾，具体包括：
S6-1.基于环境监控数据和电气监控数据，进行数据分析，得到电气设备火灾发生的第一概率指标；
S6-2.判断所述第一概率指标是否超出第一阈值；如果是，则执行S6-3；否则，继续进行电气火灾监控；
S6-3.基于图像监控数据，进行图像分析，得到电气设备火灾发生的第二概率指标；
S6-4.判断所述第二概率指标是否超出第二阈值；如果是，则执行S6-5；否则，继续进行电气火灾监控；
S6-5.确认出现火灾，发布火灾预警讯号。
7.如权利要求6所述的方法，其中，S6-1.基于环境监控数据和电气监控数据，进行数据分析，得到电气设备火灾发生的第一概率指标，具体包括：
S6-1-1.建立电气火灾概率模型如下，
其中，P1代表电气设备火灾发生的概率，T代表温度，H代表湿度，S代表烟雾，I代表电流，V代表电压，RCD代表剩余电流；α1，α2，α3，β1，β2，β3，β4，β5，β6是模型参数，用于确定每个数据特征对火灾概率的影响程度；
S6-1-2.根据所述电气火灾概率模型，以及所述环境监控数据和电气监控数据，实时计算电气设备火灾发生的第一概率指标。
8.如权利要求6所述的方法，其中，S6-3.基于图像监控数据，进行图像分析，得到电气设备火灾发生的第二概率指标，具体包括：
S6-3-1.基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，包括颜色特征、纹理特征和亮度特征；
S6-3-2.对各特征向量进行归一化，确保不同特征处于相同的尺度上；
S6-3-3.根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型；
S6-3-4.训练所述高斯火灾混合模型，使用训练数据集，将提取的特征向量输入到火灾混合模型中进行模型训练；
S6-3-5.火灾检测，针对每一帧图像，计算其特征向量，基于训练后的高斯火灾混合模型得到电气设备火灾发生的第二概率指标。
9.如权利要求8所述的方法，其中，S6-3-3.根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型，所述高斯火灾混合模型构建为：
其中，P2(x)代表高斯概率密度，πc，πt，πb分别代表颜色特征、纹理特征和亮度特征的高斯分布权重，满足πc+πt+πb＝1；μi,i＝c,t,b，分别代表颜色特征、纹理特征和亮度特征的高斯分布的均值；Σi,i＝c,t,b，是3×3的协方差矩阵，分别代表颜色特征、纹理特征和亮度特征的高斯分布的协方差矩阵。
10.一种电气火灾监控系统，其特征在于，所述系统包括：
环境数据采集单元，用于采集电气设备周边的环境监控数据；
电气数据采集单元，用于采集电气设备的电气监控数据；
图像数据采集单元，用于采集电气设备的图像监控数据；
数据处理单元，用于接收采集到的所述环境监控数据和电气监控数据，进行数据预处理；
图像处理单元，用于接收采集到的所述图像监控数据，进行图像处理；
分析单元，用于基于环境监控数据、电气监控数据、和图像监控数据，进行数据分析、对比，判断数据指标是否超出阈值，确认是否出现火灾；
报警单元，用于确认火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，将火灾预警讯号传送至管理端，将环境监控数据、电气监控数据和图像监控数据可视化显示于显示设备中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311167883.0A CN117152896A (zh) | 2023-09-11 | 2023-09-11 | 一种电气火灾监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311167883.0A CN117152896A (zh) | 2023-09-11 | 2023-09-11 | 一种电气火灾监控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117152896A true CN117152896A (zh) | 2023-12-01 |
Family
ID=88909812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311167883.0A Pending CN117152896A (zh) | 2023-09-11 | 2023-09-11 | 一种电气火灾监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152896A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117975702A (zh) * | 2024-04-01 | 2024-05-03 | 国网山东省电力公司菏泽供电公司 | 一种变电站防火监控识别方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109920191A (zh) * | 2019-01-16 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 火灾报警方法、装置、计算机设备和存储介质 |
| CN112242036A (zh) * | 2019-07-01 | 2021-01-19 | 国电南瑞科技股份有限公司 | 一种变电站火灾报警方法及系统 |
| CN116013049A (zh) * | 2023-01-06 | 2023-04-25 | 广东电网有限责任公司 | 一种电化学储能系统火灾防护方法、装置和设备 |
-
2023
- 2023-09-11 CN CN202311167883.0A patent/CN117152896A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109920191A (zh) * | 2019-01-16 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 火灾报警方法、装置、计算机设备和存储介质 |
| CN112242036A (zh) * | 2019-07-01 | 2021-01-19 | 国电南瑞科技股份有限公司 | 一种变电站火灾报警方法及系统 |
| CN116013049A (zh) * | 2023-01-06 | 2023-04-25 | 广东电网有限责任公司 | 一种电化学储能系统火灾防护方法、装置和设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117975702A (zh) * | 2024-04-01 | 2024-05-03 | 国网山东省电力公司菏泽供电公司 | 一种变电站防火监控识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144291B (zh) | 基于目标检测的视频监控区域人员入侵判别方法及装置 | |
| TWI661390B (zh) | 風險預警管控系統及方法 | |
| CN112069975B (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
| JP4729610B2 (ja) | 煙検出装置 | |
| CN111523397B (zh) | 一种智慧灯杆视觉识别装置、方法及其系统和电子设备 | |
| CN117152896A (zh) | 一种电气火灾监控方法及系统 | |
| CN117373196B (zh) | 一种电气火灾报警方法及系统 | |
| CN113536440B (zh) | 一种基于bim运维管理系统的数据处理方法 | |
| CA2677788A1 (en) | System and method for video-processing algorithm improvement | |
| CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
| CN109409243A (zh) | 一种移动目标中人体视觉检测方法 | |
| CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
| CN115100813B (zh) | 基于数字孪生的智慧社区系统 | |
| CN116826958A (zh) | 一种数字化输电通道智能安全巡检方法 | |
| CN107330884A (zh) | 着火点检测方法及装置 | |
| CN115346170B (zh) | 一种燃气设施区域的智能监控方法及装置 | |
| CN112364884A (zh) | 一种移动物体侦测的方法 | |
| CN115909212A (zh) | 一种电力作业典型违章行为实时预警方法 | |
| CN104240432A (zh) | 基于信息融合的富锰渣生产安全监控系统及方法 | |
| CN115049988A (zh) | 一种用于配电网监测及预判的边缘计算方法及装置 | |
| CN113435371A (zh) | 一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 | |
| TW200919381A (en) | Smoke detection method based on video processing | |
| CN110309838A (zh) | 基于指数变换的视频检测区物体轮廓检测预处理方法 |
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 |