CN117253333A - 一种火灾摄像检测装置、火灾检测报警方法及系统 - Google Patents
一种火灾摄像检测装置、火灾检测报警方法及系统 Download PDFInfo
- Publication number
- CN117253333A CN117253333A CN202311544194.7A CN202311544194A CN117253333A CN 117253333 A CN117253333 A CN 117253333A CN 202311544194 A CN202311544194 A CN 202311544194A CN 117253333 A CN117253333 A CN 117253333A
- Authority
- CN
- China
- Prior art keywords
- fire
- preset
- detection
- real
- monitoring area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 83
- 239000000779 smoke Substances 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 49
- 238000010295 mobile communication Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000003702 image correction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G08B17/10—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
- 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
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
本申请提供了一种火灾摄像检测装置、火灾检测报警方法及系统,涉及火灾报警技术领域,方法包括:采集预设监控区域内的实时图像和烟雾浓度数据,对实时图像进行预处理得到目标实时图像,基于训练完备的火焰检测集成模型对目标实时图像识别得到火灾识别结果,根据火灾识别结果和烟雾浓度数据判断预设监控区域是否处于预设的火灾状态,在预设监控区域处于预设的火灾状态时,向预设的服务器端发送火灾报警信息,同时将实时图像发送至服务器端。这些步骤的组合使用可以提高火灾检测的准确性和可靠性,并且能够及时地向服务器端发送火灾报警信息和实时图像,以解决现有技术火灾监控系统,识别不准确解决发生火灾时没有具体火灾情况的问题。
Description
技术领域
本申请提出了一种火灾摄像检测装置、火灾检测报警方法及系统,属于火灾报警技术领域。
背景技术
火灾是危害人们生命财产最为常见的一种灾害,如何有效地监控家庭火灾并杜绝灾害发生已成为家庭生活必须考虑的安全问题。
目前,常见的火灾预警设备包括烟雾检测器,烟雾检测器作为火灾预警的其中一个设备,常常被人们安装用于火灾预警,通过检测烟雾浓度确定是否发生火灾,但是烟雾检测器作为独立探测器又不能实时查看现场火灾情况,对于一些正常用火过程中出现的烟雾,无法进行分辨,无法对消防救援不能提供准确的火灾信息。
因此,急需一种火灾摄像检测装置、火灾检测报警系统及方法为解决现有技术火灾监控系统,识别不准确,且发生火灾时没有具体火灾情况的问题。
发明内容
本申请提供一种火灾摄像检测装置、火灾检测报警系统及方法,以提高现有技术下火灾监控系统识别不准确,且没有具体火灾情况的问题。
第一方面,本申请提供了火灾摄像检测装置包括控制芯片,以及分别与控制芯片连接的摄像装置、烟雾检测器和通信模块;
烟雾检测器用于检测监控区域的烟雾浓度数据;
摄像装置用于对监控区域进行拍摄,获取监控区域的实时图像;
控制芯片用于根据接收的实时图像和烟雾浓度数据,判断火灾摄像检测装置的监控区域是否处于预设火灾风险状态,并当监控区域处于预设火灾风险状态时,控制通信模块向服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
通过采用上述技术方案,通过烟雾检测器实时检测监控区域的烟雾浓度数据,能够及时检测到烟雾的存在,从而提前发现火灾风险,这有助于在火灾爆发前尽早采取措施,减少火灾造成的损失,同时通过摄像装置对监控区域进行实时拍摄,获取到监控区域的实时图像,为火灾情况的准确判断和灭火行动的指导。
进一步的,控制芯片基于接收的实时图像和烟雾浓度数据,能够进行智能判断,判定监控区域是否处于预设的火灾风险状态。一旦监控区域被判定为火灾风险状态,控制芯片会控制通信模块向服务器端发送火灾报警信息。这样可以实现快速报警,通知相关人员采取紧急措施,最小化火灾造成的损失,保护人员和财产的安全。
可选的,火灾摄像检测装置还包括定位模块,控制芯片用于在判定监控区域处于预设火灾状态时,控制定位模块进行定位,并接收定位模块定位得到的位置信息;
控制芯片还用于控制通信模块将接收的监控区域的位置信息发送至服务器。
通过采用上述技术方案,火灾摄像检测装置中包括定位模块并将监控区域的位置信息发送至服务器,可以带来确定火灾位置、实时报警和响应、效率提升以及数据记录和分析等好处,进一步增强火灾预警的功能和效果。
可选的,通信模块包括互联网通信单元及/或移动通信单元,控制芯片用于在判定监控区域处于预设火灾状态时,控制互联网通信单元和互联网连通,及/或移动通信单元和移动通信网连通,并且通信模块将火灾报警信息发送至预设的火警呼叫中心或移动终端。
通过采用上述技术方案,通信模块中包括互联网通信单元和移动通信单元,能够将火灾报警信息发送至预设的火警呼叫中心或移动终端,带来了多种通信方式、灵活接入火警呼叫中心、移动终端通知以及实时性和可靠性等好处,提高了火灾预警的响应能力和信息传递效果。
在本申请的第二方面还提供了一种火灾检测报警方法,基于上述的一种火灾摄像检测装置,火灾检测报警方法包括:
采集预设监控区域内的实时图像和烟雾浓度数据;
对实时图像进行预处理得到目标实时图像;
基于训练完备的火焰检测集成模型对目标实时图像识别得到火灾识别结果;
根据火灾识别结果和烟雾浓度数据判断预设监控区域是否处于预设的火灾状态;
在预设监控区域处于预设的火灾状态时,向预设的服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
通过上述技术方案,火灾检测报警方法采用了多种检测手段和技术,包括实时图像采集、火焰检测集成模型识别、火灾状态判断和实时报警等步骤。这些步骤的组合使用可以提高火灾检测的准确性和可靠性,并且能够及时地向服务器端发送火灾报警信息和实时图像,以解决现有技术火灾监控系统,识别不准确解决发生火灾时没有具体火灾情况的问题。
可选的,火焰检测集成模型包括模型结构不相同的第一火焰检测模型和第二火焰检测模型,第一火焰检测模型包括联合注意力机制模块。
通过采用上述技术方案,设置两个模型,同时,第一火焰检测模型包括联合注意力机制模块可以提高火焰检测的准确性、鲁棒性和计算效率,同时降低误报率。这种设计有助于提升火灾检测系统的性能,并提供更可靠的火焰检测结果。
可选的,第一火焰检测模型为YOLOv5s模型,第二火焰检测模型为EfficientDet模型。
通过采用上述技术方案,采用YOLOv5s模型作为第一火焰检测模型和EfficientDet模型作为第二火焰检测模型可以充分发挥它们的优势,提高火焰检测的准确性、鲁棒性和适应性。这种结合使用的方法可以有效地应对不同场景和目标的火焰检测需求,并提供更可靠和准确的火灾检测结果。
可选的,火焰检测集成模型还包括预测格式统一化模块以及预测模块,预测格式统一化模块和预测模块设置于第一火焰检测模型和第二火焰检测模型之后,用于分别对第一火焰检测模型的第一预测结果和第二火焰检测模型的第二预测结果进行编码,对应获得第一目标预测结果和第二目标预测结果;
第一目标检测结果包括第一目标检测置信度,第二目标检测结果包括第二目标检测置信度,预测格式统一化模块还用于基于预设的权重对第一目标检测置信度和第二目标检测置信度进行加权,对应获得第一加权检测置信度和第二加权检测置信度;
预测模块用于根据第一加权检测置信度和第二加权检测置信度获得目标实时图像的火灾识别结果。
通过采用上述技术方案,预测格式统一化模块和预测模块的设置可以提高火焰检测的准确性、鲁棒性和实时性,从而增强系统的性能和可靠性。
可选的,根据火灾识别结果和烟雾浓度数据判断预设监控区域内是否处于预设的火灾状态,包括:
当火灾识别结果为存在火灾时,则确定监控区域处于预设的火灾状态;
当烟雾浓度数据大于预设阈值时,则确定监控区域处于预设的火灾状态。
通过采用上述技术方案,根据火灾识别结果和烟雾浓度数据来确定监控区域是否处于预设的火灾状态,通过两个指标来确定是检测结果更为准确。
可选的,对实时图像进行预处理得到目标实时图像,包括:
对实时图像进行图像校正、降噪处理和图像增强处理得到目标实时图像。
通过采用上述技术方案,对实时图像进行图像校正、降噪处理和图像增强处理可以改善图像质量、提高目标检测性能、减少误报率,并提高系统的实时性。这些预处理步骤为火灾检测系统提供更可靠和准确的目标实时图像,为后续的火焰检测和报警过程奠定良好的基础。
在本申请的第三方面还提供了一种火灾检测报警系统,包括:
数据采集模块,采集预设监控区域内的实时图像和烟雾浓度数据;
预处理模块,对实时图像进行预处理得到目标实时图像;
图像识别模块,基于训练完备的火焰检测集成模型对目标实时图像识别得到火灾识别结果;
火灾判断模块,根据火灾识别结果和烟雾浓度数据判断预设监控区域是否处于预设的火灾状态;
火灾处理模块,在预设监控区域处于预设的火灾状态时,向预设的服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
综上,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、本申请中通过烟雾检测器实时检测监控区域的烟雾浓度数据,能够及时检测到烟雾的存在,从而提前发现火灾风险,这有助于在火灾爆发前尽早采取措施,减少火灾造成的损失,同时通过摄像装置对监控区域进行实时拍摄,获取到监控区域的实时图像,为火灾情况的准确判断和灭火行动的指导。
进一步的,控制芯片基于接收的实时图像和烟雾浓度数据,能够进行智能判断,判定监控区域是否处于预设的火灾风险状态。一旦监控区域被判定为火灾风险状态,控制芯片会控制通信模块向服务器端发送火灾报警信息。这样可以实现快速报警,通知相关人员采取紧急措施,最小化火灾造成的损失,保护人员和财产的安全。
2、本申请通过发送短信提示和实时图像,可以实现快速通知、提供视觉信息、远程指导和决策支持,以及提供证据和记录等好处。这些功能可以增强火灾预警的响应能力和信息传递效果,帮助相关人员更好地应对火灾紧急情况。
3、本申请火灾检测报警方法采用了多种检测手段和技术,包括实时图像采集、火焰检测集成模型识别、火灾状态判断和实时报警等步骤。这些步骤的组合使用可以提高火灾检测的准确性和可靠性,并且能够及时地向服务器端发送火灾报警信息和实时图像,以支持紧急响应和灾害管理。
附图说明
图1为本申请实施例提供的一种火灾检测报警装置的结构示意图;
图2为本申请实施例提供的火灾检测报警方法流程图;
图3为本申请实施例提供的一种火灾检测报警系统架构图。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
为了便于理解本申请实施例提供的方法及系统,在介绍本申请实施例之前,先对本申请实施例的背景进行介绍。
火灾是危害人们生命财产最为常见的一种灾害,如何有效地监控家庭火灾并杜绝灾害发生已成为家庭生活必须考虑的安全问题。
目前,大多火灾监控系统数传感单元和工作站采用有线方式连接,布线成本高、结构不灵活,局限大,容易受环境影响,识别不准确且无现场具体火灾信息。
经过上述内容的背景介绍,本领域技术人员可以了解现有技术中存在的问题,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清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
在上述背景技术的基础上,进一步地,请参阅图1,图1为本申请实施例中一种火灾摄像检测装置的结构示意图,火灾摄像检测装置1包括控制芯片11、以及分别与控制芯片连接的摄像装置10、烟雾检测器12和通信模块13;
烟雾检测器12用于检测监控区域的烟雾浓度数据;
摄像装置10用于对监控区域进行拍摄,获取监控区域的实时图像;
控制芯片11用于根据接收的实时图像和烟雾浓度数据,判断火灾摄像检测装置的监控区域是否处于预设火灾风险状态,并当监控区域处于预设火灾风险状态时,控制通信模块13向服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
其中,烟雾检测器是外挂于火灾摄像检测装置的,通过SocUart与控制芯片11连接。
需要说明的是,SoCUART(System-on-a-ChipUART)是一种串行通信接口,用于在嵌入式系统中实现串行通信。SoCUART通常是在SoC(System-on-a-Chip)芯片中集成的硬件模块,用于通过串行通信协议(如UART协议)与外部设备进行数据传输。
具体的,火灾摄像检测装置1中设有用于摄像并采集图像的摄像装置10,在控制芯片11接收到拍摄指令时级开机时,控制芯片控制摄像装置10采集监控范围内的实时图像并将采集到的可见光图像发送至控制芯片11,控制芯片11对接收实时图像进行识别判断,判断火灾摄像检测装置1的监控区域是否处于预设火灾风险状态,当火灾摄像检测装置1的监控区域处于预设火灾风险状态时,控制芯片11控制通信模块向服务器端发送火灾报警信息,同时将实时图像发送至服务器端2。
进一步的,当烟雾检测器检测到烟雾度数据发送给控制芯片,当控制芯片接收到的烟雾浓度数据的度值大于预设的浓度阈值时,控制芯片控制通信模块向外设的服务器端发送火灾报警信息,同时将获取的实时图像发送至服务器端。
在上述实施例的基础上,作为一种可选的实施例,火灾摄像检测装置还包括定位模块,控制芯片用于在判定监控区域处于预设火灾状态时,控制定位模块进行定位,并接收定位模块定位得到的位置信息;
控制芯片还用于控制通信模块将接收的监控区域的位置信息发送至服务器。
具体的,当控制芯片判定监控区域处于火灾状态时,它会控制定位模块进行定位操作。定位模块可以是GPS模块、无线定位模块或其他定位模块,用于获取监控区域的准确位置信息。控制芯片通过通信模块,将接收到的监控区域的位置信息发送至服务器。通信模块可以是无线通信模块(如Wi-Fi、蜂窝网络等),用于与服务器端进行数据交互和传输。
通过将定位模块与控制芯片和通信模块结合起来,系统可以在检测到火灾状态时获取监控区域的位置信息,并将其传输到服务器。这样,服务器可以及时获得火灾发生位置的信息,以便进行相应的处理、报警或其他操作。
在上述实施例的基础上,作为一种可选的实施例,通信模块包括互联网通信单元及/或移动通信单元,控制芯片用于在判定监控区域处于预设火灾状态时,控制互联网通信单元和互联网连通,及/或移动通信单元和移动通信网连通,并且通信模块将火灾报警信息发送至预设的火警呼叫中心或移动终端。
具体的,通信模块包括互联网通信单元和/或移动通信单元。当控制芯片判定监控区域处于预设火灾状态时,控制芯片会控制互联网通信单元与互联网建立连接,或者控制移动通信单元与移动通信网络建立连接。随后,通信模块将火灾报警信息发送至预设的火警呼叫中心或移动终端。
这样可以实现以下功能:
互联网通信功能:当控制芯片判定监控区域处于火灾状态时,它会控制互联网通信单元与互联网建立连接。互联网通信单元可以是以太网接口、Wi-Fi模块或其他支持互联网通信的模块。通过互联网通信单元,火灾报警信息可以被发送到预设的火警呼叫中心。
移动通信功能:除了互联网通信单元,系统还可以包括移动通信单元。当控制芯片判定监控区域处于火灾状态时,它会控制移动通信单元与移动通信网络建立连接。移动通信单元可以是支持移动通信网络(如GSM、LTE等)的模块,用于通过移动通信网络发送火灾报警信息。
火灾报警信息传输:通过互联网通信单元和/或移动通信单元,火灾报警信息可以被发送至预设的火警呼叫中心或移动终端。火警呼叫中心可以是专门的监控中心或应急服务机构,用于接收和处理火灾报警信息。移动终端可以是相关人员的手机或其他移动设备,以实时接收火灾报警信息。使用互联网通信单元和移动通信单元,系统可以迅速将火灾报警信息传输到指定的接收方,以便及时采取相应的应急措施。
另一方面,本申请提供了一种火灾检测报警方法流,应用于火灾检测报警装置上,具体请参阅图2,图2为本申请实施例提供的火灾检测报警方法流程图,该方法包括:
步骤101,采集预设监控区域内的实时图像和烟雾浓度数据;
步骤102,对实时图像进行预处理得到目标实时图像;
对实时图像进行预处理得到目标实时图像,包括:
在上述实施例的基础上,作为一种可选的实施例,对实时图像进行图像校正、降噪处理和图像增强处理得到目标实时图像。
具体的,对实时图像进行图像校正具体通过白平衡校正、黑电平校正色彩校正等,降噪处理包括时域降噪和空域降噪,图像增强包括色度增强等。
具体的,对实时图像预处理通过预处理提高图像的质量和可用性,为接下来的火灾识别算法提供更好的输入。
步骤103,基于训练完备的火焰检测集成模型对目标实时图像识别得到火灾识别结果;
具体的,通过大量的样本数据对火焰检测集成模型进行训练,直到火焰检测集成模型的识别准确度达到阈值得到训练完备的火焰检测集成模型,通过训练完备的火焰检测集成模型对目标实时图像进行识别得到火焰识别结果,其中火焰识别结果包括实时图像中是否有火焰以及火焰的位置信息。
在上述实施例的基础上,作为一种可选的实施例,火焰检测集成模型包括模型结构不相同的第一火焰检测模型和第二火焰检测模型,第一火焰检测模型包括联合注意力机制模块。
具体的,通过设置火焰检测集成模型包括模型结构不相同的第一火焰检测模型和第二火焰检测模型,可增强特征的表达能力,同时通过两种检测模型提高识别的能力。
进一步的,本申请实施例通过设置第一火焰检测模型包括联合注意力机制模块,在不显著增加计算量和参数量的前提下能提升第一火焰检测模型的特征提取能力,从而可提高第一火焰检测模型网络性能,进而可进一步提高火焰检测集成模型的检测准确性。
在上述实施例的基础上,作为一种可选的实施例,第一火焰检测模型为YOLOv5s模型,第二火焰检测模型为EfficientDet模型。
具体的,第一火焰检测模型和第二火焰检测模型可为(R-CNN(Region-CNN,区域卷积神经网络)、SPP-NET(SpatialPyramidPoolinginDeepConvolutionalNetworks,深度卷积网络中的空间金字塔池化)、FastR-CNN(快速区域卷积神经网络)、FasterR-CNN(更快的区域卷积神经网络)、R-FCN(Region-basedfullyconvolutionalnetwork,基于区域的全卷积神经网络)、SSD(SingleShotMultiBoxDetector,单次多框检测器)、EfficientDet(高效检测器)等神经网络模型中的任意一种。
需要说明的是:训练完备的火焰检测集成模型指的是对火焰图像测试集的检测结果的平均均匀精度(meanAveragePrecision,mAP)大于或等于预设阈值的火焰检测集成模型。通过mAP这一目标检测评价指标,可确保火焰检测集成模型的检测效果。
在上述实施例的基础上,作为一种可选的实施例,火焰检测集成模型还包括预测格式统一化模块以及预测模块,预测格式统一化模块和预测模块设置于第一火焰检测模型和第二火焰检测模型之后,用于分别对第一火焰检测模型的第一预测结果和第二火焰检测模型的第二预测结果进行编码,对应获得第一目标预测结果和第二目标预测结果;
第一目标检测结果包括第一目标检测置信度,第二目标检测结果包括第二目标检测置信度,预测格式统一化模块还用于基于预设的权重对第一目标检测置信度和第二目标检测置信度进行加权,对应获得第一加权检测置信度和第二加权检测置信度;
预测模块用于根据第一加权检测置信度和第二加权检测置信度获得目标实时图像的火灾识别结果。
具体的,本申请实施例通过设置火焰检测集成模型还包括预测格式统一化模块,对第一预测结果和第二预测结果进行编码,获得格式统一的第一目标预测结果和第二目标预测结果,可快速根据预设的权重获得第一加权检测置信度和第二加权检测置信度,进而可快速对目标实时图像中是否有火灾火焰进行检测得到火灾识别结果。
步骤104,根据火灾识别结果和烟雾浓度数据判断预设监控区域是否处于预设的火灾状态;
具体的,根据火焰检测集成模型的输出结果,判断图像中是否存在火焰目标。如果火焰识别结果为存在火焰,则可以认定为火灾的可能性较高。获取烟雾浓度数据,烟雾浓度数据可以用来衡量烟雾的密度或浓度水平,当烟雾浓度较高时达到预设的浓度阈值时,则可以认定为火灾的可能性较高。
在上述实施例的基础上,作为一种可选的实施例,根据火灾识别结果和烟雾浓度数据判断预设监控区域是否处于预设的火灾状态,包括:
当火灾识别结果为存在火灾时,则确定监控区域处于预设的火灾状态;
当烟雾浓度数据大于预设阈值时,则确定监控区域处于预设的火灾状态。
具体的,当火焰识别结果为存在火焰时,将监控区域判断为处于预设的火灾状态。当烟雾浓度数据大于预设的阈值时,将监控区域判断为处于预设的火灾状态。在这种情况下,只要满足其中一个条件,即火焰识别结果为存在火焰或烟雾浓度数据大于预设阈值,即可将监控区域判断为处于预设的火灾状态。这样可以更加综合地考虑火焰和烟雾两项指标,提高火灾识别的准确性和可靠性。
步骤105,在预设监控区域处于预设的火灾状态时,向预设的服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
具体的,根据火灾识别结果和烟雾浓度数据的综合判断,确定监控区域是否处于火灾状态。如果监控区域处于火灾状态,生成相应的火灾报警信息。火灾报警信息可以包括位置信息、时间戳和其他相关的描述信息,用于告知服务器端发生了火灾事件。在火灾报警发生时,获取当前的实时图像,也可以是火焰检测时所使用的目标实时图像。将生成的火灾报警信息和实时图像通过网络传输至预设的服务器端。
请参阅图3,图3为本申请实施例提供的一种火灾检测报警系统架构图,该火灾检测报警系统可以包括:
数据采集模块201,采集预设监控区域内的实时图像和烟雾浓度数据;
预处理模块202,对实时图像进行预处理得到目标实时图像;
图像识别模块203,基于训练完备的火焰检测模型对目标实时图像识别得到火灾识别结果;
火灾判断模块204,根据火灾识别结果和烟雾浓度数据判断预设监控区域是否处于预设的火灾状态;
火灾处理模块205,在预设监控区域处于预设的火灾状态时,向预设的服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的系统,可通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,系统或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种火灾摄像检测装置,其特征在于,所述火灾摄像检测装置包括控制芯片,以及分别与所述控制芯片连接的摄像装置、烟雾检测器和通信模块;
所述烟雾检测器用于检测监控区域的烟雾浓度数据;
所述摄像装置用于对监控区域进行拍摄,获取监控区域的实时图像;
所述控制芯片用于根据接收的实时图像和烟雾浓度数据,判断所述火灾摄像检测装置的监控区域是否处于预设火灾风险状态,并当所述监控区域处于预设火灾风险状态时,控制所述通信模块向服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
2.根据权利要求1所述的一种火灾摄像检测装置,其特征在于,所述火灾摄像检测装置还包括定位模块,所述控制芯片用于在判定所述监控区域处于预设火灾状态时,控制所述定位模块进行定位,并接收所述定位模块定位得到的位置信息;
所述控制芯片还用于控制所述通信模块将接收的监控区域的位置信息发送至所述服务器。
3.根据权利要求1所述的一种火灾摄像检测装置,其特征在于,所述通信模块包括互联网通信单元及/或移动通信单元,所述控制芯片用于在判定所述监控区域处于预设火灾状态时,控制所述互联网通信单元和互联网连通,及/或所述移动通信单元和移动通信网连通,并且所述通信模块将所述火灾报警信息发送至预设的火警呼叫中心或移动终端。
4.一种火灾检测报警方法,应用于权利要求1至3中任意一项所述的火灾摄像检测装置,其特征在于,所述火灾检测报警方法包括:
采集预设监控区域内的实时图像和烟雾浓度数据;
对所述实时图像进行预处理得到目标实时图像;
基于训练完备的火焰检测集成模型对所述目标实时图像识别得到火灾识别结果;
根据所述火灾识别结果和所述烟雾浓度数据判断所述预设监控区域是否处于预设的火灾状态;
在所述预设监控区域处于预设的火灾状态时,向预设的服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
5.根据权利要求4所述的一种火灾检测报警方法,其特征在于,所述火焰检测集成模型包括模型结构不相同的第一火焰检测模型和第二火焰检测模型,所述第一火焰检测模型包括联合注意力机制模块。
6.根据权利要求5所述的一种火灾检测报警方法,其特征在于,所述第一火焰检测模型为YOLOv5s模型,所述第二火焰检测模型为EfficientDet模型。
7.根据权利要求5所述的一种火灾检测报警方法,其特征在于,所述火焰检测集成模型还包括预测格式统一化模块以及预测模块,所述预测格式统一化模块和所述预测模块设置于所述第一火焰检测模型和所述第二火焰检测模型之后,用于分别对所述第一火焰检测模型的第一预测结果和所述第二火焰检测模型的第二预测结果进行编码,对应获得第一目标预测结果和第二目标预测结果;
所述第一目标检测结果包括第一目标检测置信度,所述第二目标检测结果包括第二目标检测置信度,所述预测格式统一化模块还用于基于预设的权重对所述第一目标检测置信度和所述第二目标检测置信度进行加权,对应获得第一加权检测置信度和第二加权检测置信度;
所述预测模块用于根据第一加权检测置信度和第二加权检测置信度获得所述目标实时图像的火灾识别结果。
8.根据权利要求4所述的一种火灾检测报警方法,其特征在于,所述根据所述火灾识别结果和所述烟雾浓度数据判断所述预设监控区域是否处于预设的火灾状态,包括:
当火灾识别结果为存在火灾时,则确定所述监控区域处于预设的火灾状态;
当所述烟雾浓度数据大于预设阈值时,则确定所述监控区域处于预设的火灾状态。
9.根据权利要求4所述的一种火灾检测报警方法,其特征在于,所述对所述实时图像进行预处理得到目标实时图像,包括:
对所述实时图像进行图像校正、降噪处理和图像增强处理得到目标实时图像。
10.一种火灾检测报警系统,其特征在于,包括:
数据采集模块,采集预设监控区域内的实时图像和烟雾浓度数据;
预处理模块,对所述实时图像进行预处理得到目标实时图像;
图像识别模块,基于训练完备的火焰检测集成模型对所述目标实时图像识别得到火灾识别结果;
火灾判断模块,根据所述火灾识别结果和所述烟雾浓度数据判断所述预设监控区域内是否处于预设的火灾状态;
火灾处理模块,在所述预设监控区域处于预设的火灾状态时,向预设的服务器端发送火灾报警信息,同时将实时图像发送至服务器端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544194.7A CN117253333A (zh) | 2023-11-20 | 2023-11-20 | 一种火灾摄像检测装置、火灾检测报警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311544194.7A CN117253333A (zh) | 2023-11-20 | 2023-11-20 | 一种火灾摄像检测装置、火灾检测报警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117253333A true CN117253333A (zh) | 2023-12-19 |
Family
ID=89131795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311544194.7A Pending CN117253333A (zh) | 2023-11-20 | 2023-11-20 | 一种火灾摄像检测装置、火灾检测报警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253333A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003132458A (ja) * | 2001-10-25 | 2003-05-09 | Koito Ind Ltd | 煙又は霧等の検出装置 |
CN104867265A (zh) * | 2015-04-22 | 2015-08-26 | 深圳市佳信捷技术股份有限公司 | 摄像装置、火灾检测报警系统及方法 |
CN207503401U (zh) * | 2017-10-24 | 2018-06-15 | 深圳市美安科技有限公司 | 一种火灾报警装置和系统 |
CN110147762A (zh) * | 2019-05-20 | 2019-08-20 | 北京唐芯物联网科技有限公司 | 一种嵌入式消防误报消除系统 |
CN111126153A (zh) * | 2019-11-25 | 2020-05-08 | 北京锐安科技有限公司 | 基于深度学习的安全监测方法、系统、服务器及存储介质 |
CN113706815A (zh) * | 2021-08-31 | 2021-11-26 | 沈阳二一三电子科技有限公司 | 一种结合YOLOv3和光流法的车辆火灾识别方法 |
CN116343077A (zh) * | 2023-01-03 | 2023-06-27 | 西安电子科技大学 | 一种基于注意力机制与多尺度特征的火灾检测预警方法 |
CN116681967A (zh) * | 2023-05-23 | 2023-09-01 | 新奥新智科技有限公司 | 一种目标检测方法、装置、设备及介质 |
CN116824335A (zh) * | 2023-06-26 | 2023-09-29 | 中国科学院上海微系统与信息技术研究所 | 一种基于YOLOv5改进算法的火灾预警方法及系统 |
-
2023
- 2023-11-20 CN CN202311544194.7A patent/CN117253333A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003132458A (ja) * | 2001-10-25 | 2003-05-09 | Koito Ind Ltd | 煙又は霧等の検出装置 |
CN104867265A (zh) * | 2015-04-22 | 2015-08-26 | 深圳市佳信捷技术股份有限公司 | 摄像装置、火灾检测报警系统及方法 |
CN207503401U (zh) * | 2017-10-24 | 2018-06-15 | 深圳市美安科技有限公司 | 一种火灾报警装置和系统 |
CN110147762A (zh) * | 2019-05-20 | 2019-08-20 | 北京唐芯物联网科技有限公司 | 一种嵌入式消防误报消除系统 |
CN111126153A (zh) * | 2019-11-25 | 2020-05-08 | 北京锐安科技有限公司 | 基于深度学习的安全监测方法、系统、服务器及存储介质 |
CN113706815A (zh) * | 2021-08-31 | 2021-11-26 | 沈阳二一三电子科技有限公司 | 一种结合YOLOv3和光流法的车辆火灾识别方法 |
CN116343077A (zh) * | 2023-01-03 | 2023-06-27 | 西安电子科技大学 | 一种基于注意力机制与多尺度特征的火灾检测预警方法 |
CN116681967A (zh) * | 2023-05-23 | 2023-09-01 | 新奥新智科技有限公司 | 一种目标检测方法、装置、设备及介质 |
CN116824335A (zh) * | 2023-06-26 | 2023-09-29 | 中国科学院上海微系统与信息技术研究所 | 一种基于YOLOv5改进算法的火灾预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6727811B1 (en) | Monitoring system | |
JP4912606B2 (ja) | 監視装置、監視センタ、監視システムおよび監視方法 | |
CN106251568A (zh) | 一种基于紫外与图像检测技术的火灾报警安防系统及方法 | |
CN109831742B (zh) | 基于终端检测的监控方法及系统 | |
CN111935319B (zh) | 一种基于车辆终端系统的监控处理方法、系统及相关设备 | |
KR101987241B1 (ko) | 복합 이벤트 처리 및 상황 인지 기반 지능형 관제 플랫폼 및 지능형 관제 방법 | |
KR101543561B1 (ko) | 복합형 화재 감시 장치 및 방법 | |
KR20210097500A (ko) | 화재감지장치 및 이를 포함하는 화재감지시스템 | |
CN105872466A (zh) | 基于智能电视的报警方法及装置 | |
CN112489351A (zh) | 基于图片识别的学校火灾预警方法 | |
CN113781736B (zh) | 一种楼宇消防预警方法、系统、设备及存储介质 | |
KR102055275B1 (ko) | IoT를 이용한 통합 재난 관리 시스템 및 제어 방법 | |
KR102299704B1 (ko) | 재난환경 메타데이터 연계를 통한 스마트 딥러닝 영상감시 시스템 | |
KR101929539B1 (ko) | 유전자 알고리즘을 이용한 화재 감지 방법 및 시스템 | |
CN117253333A (zh) | 一种火灾摄像检测装置、火灾检测报警方法及系统 | |
CN115188169A (zh) | 一种基于物联网的宿管安全预警系统及应用方法 | |
JP2017111496A (ja) | 行動監視予測システム、行動監視予測方法 | |
CN109544850A (zh) | 一种基于物联网的消防隐患判别方法 | |
KR102333955B1 (ko) | 사회적 약자를 위한 안전 지역 안내 및 경로 안내를 위한 방법, 시스템 및 애플리케이션 | |
CN110796397A (zh) | 一种报警系统及方法 | |
CN116597603B (zh) | 一种智能消防火灾报警系统及其控制方法 | |
CN117729314B (zh) | 基于ai视觉的多区域监测系统及方法 | |
JP2020161070A (ja) | 広域警報システム | |
CN114202880B (zh) | 一种火灾检测方法、系统、智能终端及存储介质 | |
CN210721751U (zh) | 安全监控装置 |
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 |