CN117456679A - 基于卷积神经网络的红外烟雾探测方法及预警系统 - Google Patents
基于卷积神经网络的红外烟雾探测方法及预警系统 Download PDFInfo
- Publication number
- CN117456679A CN117456679A CN202311401395.1A CN202311401395A CN117456679A CN 117456679 A CN117456679 A CN 117456679A CN 202311401395 A CN202311401395 A CN 202311401395A CN 117456679 A CN117456679 A CN 117456679A
- Authority
- CN
- China
- Prior art keywords
- signal
- smoke
- early warning
- infrared
- accumulated
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 116
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000009825 accumulation Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
-
- 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
- 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
- G08B17/103—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means using a light emitting and receiving device
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了基于卷积神经网络的红外烟雾探测方法及预警系统,两个红外光发射单元设置于烟感器迷宫中不同的位置,接收控制单元的发射指令发射红外光两个前后向的红外发射单元收到命令后依次发射红外光;红外光信号后信号后,根据红外光信号的强度将其转换转成可用的电信号;接收上述所述电信号放大至能直接被用来分析的放大电信号;接收所述放大电信号并进行信号长度累计计算,判断出信号长度累计是否达到L;获取信号长度累计达到L的信号并进行烟雾信号的判断,结果是烟雾信号进行累计预警次数并与预警阈值进行比对;报警单元接收报警信号触发报警器判断。本发明能区分烟雾及水蒸气,提供了更加可靠、准确和有效的火灾检测和预警系统。
Description
技术领域
本发明涉及数字信号处理人工智能领域,具体而言,特别是涉及一种基于卷积神经网络的红外烟雾探测方法及预警系统。
背景技术
光学反射是烟感最常用的手段。光学烟感器使用光束穿过空气,当烟雾颗粒进入光束时,光会散射并被预警系统检测到。该散射信号的变化被用来判断是否存在烟雾。光学烟感器通常分为离子化和光散射两种类型。
虽然传统烟感技术在火灾检测领域起着重要作用,但也存在一些缺点:1、误报率高:烟感器有时会因为烹饪、蒸汽、尘埃等非火灾原因触发误报,导致不必要的麻烦和干扰。2、漏报问题:某些类型的火灾,特别是烟雾较轻或无烟雾的火灾,可能导致烟感器未能及时检测到,从而延误火灾的发现和响应。3、不适用某些环境:烟感器在一些特殊环境下,如极端温度、湿度或化学气体环境下,可能不太适用,导致性能下降。例如,在常见的冷库里,光学信号常常产生不稳定变化,进而影响正常报警。
为了提升烟感识别烟的能力,目前的主流做法是从硬件上采用红蓝双光,当有烟雾进入检测区域时,烟雾会导致光的散射,从而使接收光束受到干扰,信号变弱。当接收光信号弱到一定程度时,结合红蓝光变化区别,烟感设备就会判定可能发生了火灾,触发警报。这种设计可以有效地提高烟雾检测的准确性和稳定性,减少误报和漏报的风险。
但是,这种设备也存在一定缺点:1、复杂性:这种烟感预警系统的设计和安装通常比较复杂,需要精确的安装和校准,以确保光束的准确传输和检测。这可能需要更多的时间和技术专业知识。2、误报:尽管红蓝双光烟感在减少误报方面相对较好,但依旧无法高精度滤除水蒸气。这可能会给用户带来不必要的困扰。3、灵敏度调节困难:这种类型的烟感可能需要在不同的环境下进行灵敏度调节,以适应不同的烟雾浓度。调节灵敏度可能需要一些专业知识和经验,否则可能导致误报或漏报。
发明内容
本发明要解决的技术问题是提供一种区分烟雾及水蒸气的基于卷积神经网络的红外烟雾探测方法及预警系统。
为了解决上述技术问题,一种基于卷积神经网络的红外烟雾探测方法,包括有以下步骤:
S1:两个红外光发射单元设置于烟感器迷宫中两个方向不同的位置,接收控制单元的发射指令发射红外光;
S2:红外转光电换单元收到红外光信号后,根据红外光信号的强度转换成可用的电信号;
S3:红外信号放大单元接收所述电信号放大至能直接被用来分析的放大电信号;
S4:信号长度累计单元接收所述放大电信号并进行信号长度累计计算,判断出信号长度累计是否达到L;
S5:烟雾概率分析单元获取信号长度累计达到L的信号并进行烟雾信号的判断,结果是烟雾信号进行累计预警次数并与预警阈值进行比对,预警次数大于阈值发出报警信号;
S6:报警单元接收报警信号触发报警器。
进一步优化方案,所述烟雾概率分析单元为训练至收敛的烟雾卷积神经网络。
进一步优化方案,所述步骤S5具体包括:
S51:获取累计达到L的信号长度;
S52:比对所述信号长度达到L的信号是否为烟雾信号;
S53:若对比结果为烟雾信号,则预警次数n+1,计算此时预警次数是否达到阈值t,如果达到,则触发报警,否则删除已累计的信号数据,继续执行步骤S51进行累计对比;如果结果为非烟雾信号,则预警次数n+0,删除已累计的信号数据,继续执行步骤S51进行累计对比。
进一步优化方案,烟雾卷积神经网络的基础模块主要由两个block组成,用于计算烟雾的概率计算方法,包括:
S531:获取的信号由1×L×2的大小输入网络;
S532:网络主干部分进行信号处理;
S533:网络最后输出为1×3的向量。
进一步优化方案,所述步骤S532中网络主干部分由重复了m次的block组成,每个block分别由basic block和shrinkage unit组合而成。
进一步优化方案,所述basic block包括Conv、Batch Normalization及leakyrelu模块,用来获得信号数据特征图。
进一步优化方案,所述shrinkage由卷积层组合而成,包括GAP模块、CSP模块以及残差模块。
进一步优化方案,所述shrinkage unit中soft threading相应的公式如下:
此处,x代表输入向量,f(x)代表映射后的特征。t为一个正数,我们可以将其表述为:
t=α·average|xh,w,c|
其中h、w、c分别代表高、宽、通道数量,z是全连接层后的输出特征向量。
本发明还公开了一种基于卷积神经网络的红外烟雾探测的预警系统,其还包括:
红外线发射单元,设置于烟感器迷宫中前后向不同的位置;
控制单元,用于向红外线发射单元发送的发射红外光的指令;
红外光电转换单元,用于接收所述电信号放大至能直接被用来分析的放大电信号;
信号发大单元,用于接收放大电信号进行信号长度累计并进行判断;
信号长度累计单元,用于接收放大电信号进行信号长度累计,传送出信号长度累计达到L的信号;
烟雾概率分析单元,获取信号长度累计达到L的信号并进行烟雾信号的对比,计算烟雾信号累计的预警次数并与预警阈值进行比对,预警次数大于阈值发出报警信号;
报警单元:用于接收达到阈值的报警信号触发报警器。
进一步,所述烟雾概率分析单元包括:
获取信号模块:获取累计信号长度;
烟雾信号识别模块:用于比对所述信号长度达到L的信号是否为烟雾信号;
报警分析模块:若对比结果为烟雾信号,则预警次数n+1,计算此时预警次数是否达到阈值t,如果达到,则触发报警,否则删除已累计的信号数据,继续回执长度累计对比;如果结果为非烟雾信号,则预警次数n+0,删除已累计的信号数据,继续回执长度累计对比。
本发明的技术效果在于:
1、本发明基于卷积神经网络的红外烟雾探测方法及预警系统,通过预警系统的探测电路收发红外信号,并将收到的红外信号传至信号长度累计单元,当信号长度累计单元接收到红外信号时会对信号进行判断,实现了区分烟雾及水蒸气的有益效果,提供了更加可靠、准确和有效的火灾检测和预警预警系统,帮助减少误报,提高预警速度,并在紧急情况下更好地保护人们的生命和财产安全。
2、本发明基于卷积神经网络的红外烟雾探测方法及预警系统,将卷积神经网络方法引入烟感烟雾识别,利用神经网络可以自动提取复杂的特征的能力,通过大量的数据学习烟雾的特征和模式,提高烟感的火灾检测准确性,特别是针对目前烟感普遍遇到的水蒸气误报问题,此方法可以在很好的适应不同环境和条件的同时,高精度区别不同类型的干扰因素,从而减少误报的风险,还可以捕捉微弱的烟雾信号,减少漏报的可能性。
附图说明
图1是本发明基于卷积神经网络的红外烟雾探测方法的信号流程图;
图2是本发明基于卷积神经网络的红外烟雾探测方法的概率分析流程图;
图3是本发明基于卷积神经网络的红外烟雾探测预警系统的结构图;
图4是本发明基于卷积神经网络的红外烟雾探测方法的网络模块结构示意图;
图5是本发明基于卷积神经网络的红外烟雾探测方法的神经网络basic block结构示意图;
图6是本发明基于卷积神经网络的红外烟雾探测方法的神经网络shrinkage unit结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对发明的限定。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1至图6所示,为本发明一种基于卷积神经网络的红外烟雾探测方法,包括有以下步骤:
S1:两个红外光发射单元设置于烟感器迷宫中方向不同的两个位置通过预警系统的控制单元发出命令;接收控制单元的发射指令发射红外光两个前后向的红外发射单元收到命令后依次发射红外光;
S2:红外转光电换单元收到红外光信号后信号后,根据红外光信号的强度将其转换转成可用的电信号;
S3:红外信号放大单元将接收上述所述电信号放大至能直接被用来分析的放大电信号;
S4:信号长度累计单元接收所述放大电信号并进行信号长度累计计算,传送出信号长度累计达到L的信号;
S5:烟雾概率分析单元获取信号长度累计达到L的信号并进行烟雾信号的对比,计算烟雾信号累计的预警次数并与预警阈值进行比对,预警次数大于阈值发出报警信号;
S6:报警单元接收报警信号触发报警器判断。
如图2所示,在所述步骤S5,包括:
S51:获取累计达到L的信号长度;
S52:比对所述信号长度达到L的信号是否为烟雾信号;
S53:若对比结果为烟雾信号,则预警次数n+1,计算此时预警次数是否达到阈值t,如果达到,则触发报警,否则删除已累计的信号数据,继续执行步骤S51进行累计对比;如果结果为非烟雾信号,则预警次数n+0,删除已累计的信号数据,继续执行步骤S51进行累计对比。
本发明AI烟感计算模块包括烟雾概率分析单元和信号长度累计单元,AI烟感计算模块为基于训练至收敛的烟雾卷积神经网络。卷积神经网络在视觉模型上有很好的泛化能力,权重共享极大地减少了自由参数的数量,从而减少了内存的需要,便于训练更复杂、强大的网络。因此本发明实施例的AI烟感计算模块主要依赖卷积神经网络来建立。
如图4所示,本发明烟雾卷积神经网络主要指使用基于CSP和shrinkage构造的卷积神经网络。基础模块主要由两个block组成,用于计算烟雾的概率计算,包括如下:
S531:输入端(S301),获取的信号由1×L×2的大小输入网络;
S532:网络主干部分(S302),网络主干部分进行信号处理;
S533:输出端(S303),网络最后输出为1×3的向量。
网络主干部分由重复了m次的block组成,每个block分别由basic block和shrinkage unit组合而成。
如图6所示,shrinkage由卷积层组合而成,包括GAP模块、CSP模块以及残差模块。shrinkage unit为针对Deep Residual Shrinkage Networks for Fault Diagnosis(IEEETRANSACTIONS ON INDUSTRIAL INFORMATICS,VOL.16,NO.7,JULY 2020)的改进版,主要改进为将原本的GAP输入的部分进行Cross Stage Partial Network(CVPR 2020 CSPNet:ANew Backbone that can Enhance Learning Capability of CNN)处理,此处理可在不改变精度的基础上节约20%计算量。此结构最终输出为1*3的向量,用来判定是否为水蒸气。
shrinkage unit结构对水蒸气等噪声由较强的抑制作用,特别是其中的softthreading,相应的公式如下:
此处,x代表输入向量,f(x)代表映射后的特征。t为一个正数,我们可以将其表述为:
t=α·average|xh,w,c|
其中h、w、c分别代表高、宽、通道数量,z是全连接层后的输出特征向量。
如图5所示,为basic block结构图S401,包括Conv、Batch Normalization及leakyrelu模块,用来获得信号数据特征图。
如图3所示,本发明的基于卷积神经网络的红外烟雾探测预警系统,其还包括:
红外线发射单元,设置于烟感器迷宫中前后向不同的位置;
控制单元,用于向红外线发射单元发送的发射红外光的指令;
红外光电转换单元,用于接收上述所述电信号放大至能直接被用来分析的放大电信号;
信号发大单元,用于接收放大电信号进行信号长度累计并进行判断;
信号长度累计单元,用于接收放大电信号进行信号长度累计,传送出信号长度累计达到L的信号;
烟雾概率分析单元,获取信号长度累计达到L的信号并进行烟雾信号的对比,计算烟雾信号累计的预警次数并与预警阈值进行比对,预警次数大于阈值发出报警信号;其包括:
获取信号模块:获取累计信号长度;
烟雾信号识别模块:用于比对所述信号长度达到L的信号是否为烟雾信号;
报警分析模块:若对比结果为烟雾信号,则预警次数n+1,计算此时预警次数是否达到阈值t,如果达到,则触发报警,否则删除已累计的信号数据,继续执行步骤进行长度累计对比;如果结果为非烟雾信号,则预警次数n+0,删除已累计的信号数据,继续执行进行长度累计对比。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于卷积神经网络的红外烟雾探测方法,其特征在于,包括有以下步骤:
S1:两个红外光发射单元设置于烟感器迷宫中两个方向不同的位置,接收控制单元的发射指令发射红外光;
S2:红外转光电换单元收到红外光信号后,根据红外光信号的强度转换成可用的电信号;
S3:红外信号放大单元接收所述电信号放大至能直接被用来分析的放大电信号;
S4:信号长度累计单元接收所述放大电信号并进行信号长度累计计算,判断出信号长度累计是否达到L;
S5:烟雾概率分析单元获取信号长度累计达到L的信号并进行烟雾信号的判断,结果是烟雾信号进行累计预警次数并与预警阈值进行比对,预警次数大于阈值发出报警信号;
S6:报警单元接收报警信号触发报警器。
2.根据权利要求1所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述烟雾概率分析单元为训练至收敛的烟雾卷积神经网络。
3.根据权利要求2所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述步骤S5具体包括:
S51:获取累计达到L的信号长度;
S52:比对所述信号长度达到L的信号是否为烟雾信号;
S53:若对比结果为烟雾信号,则预警次数n+1,计算此时预警次数是否达到阈值t,如果达到,则触发报警,否则删除已累计的信号数据,继续执行步骤S51进行累计对比;如果结果为非烟雾信号,则预警次数n+0,删除已累计的信号数据,继续执行步骤S51进行累计对比。
4.根据权利要求2所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,烟雾卷积神经网络的基础模块主要由两个block组成,用于计算烟雾的概率计算方法,包括:
S531:获取的信号由1×L×2的大小输入网络;
S532:网络主干部分进行信号处理;
S533:网络最后输出为1×3的向量。
5.根据权利要求4所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述步骤S532中网络主干部分由重复了m次的block组成,每个block分别由basic block和shrinkage unit组合而成。
6.根据权利要求5所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述basic block包括Conv、Batch Normalization及leaky relu模块,用来获得信号数据特征图。
7.根据权利要求5所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述shrinkage由卷积层组合而成,包括GAP模块、CSP模块以及残差模块。
8.根据权利要求7所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述shrinkage unit中soft threading相应的公式如下:
此处,x代表输入向量,f(x)代表映射后的特征。t为一个正数,我们可以将其表述为:
t=α·average|xh,w,c|
其中h、w、c分别代表高、宽、通道数量,z是全连接层后的输出特征向量。
9.一种基于卷积神经网络的红外烟雾探测预警系统,其特征在于,其还包括:
红外线发射单元,设置于烟感器迷宫中前后向不同的位置;
控制单元,用于向红外线发射单元发送的发射红外光的指令;
红外光电转换单元,用于接收所述电信号放大至能直接被用来分析的放大电信号;
信号发大单元,用于接收放大电信号进行信号长度累计并进行判断;
信号长度累计单元,用于接收放大电信号进行信号长度累计,传送出信号长度累计达到L的信号;
烟雾概率分析单元,获取信号长度累计达到L的信号并进行烟雾信号的对比,计算烟雾信号累计的预警次数并与预警阈值进行比对,预警次数大于阈值发出报警信号;
报警单元:用于接收达到阈值的报警信号触发报警器。
10.根据权利要求9所述的基于卷积神经网络的红外烟雾探测预警系统,其特征在于,所述烟雾概率分析单元包括:
获取信号模块:获取累计信号长度;
烟雾信号识别模块:用于比对所述信号长度达到L的信号是否为烟雾信号;
报警分析模块:若对比结果为烟雾信号,则预警次数n+1,计算此时预警次数是否达到阈值t,如果达到,则触发报警,否则删除已累计的信号数据,继续回执长度累计对比;如果结果为非烟雾信号,则预警次数n+0,删除已累计的信号数据,继续回执长度累计对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401395.1A CN117456679A (zh) | 2023-10-26 | 2023-10-26 | 基于卷积神经网络的红外烟雾探测方法及预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401395.1A CN117456679A (zh) | 2023-10-26 | 2023-10-26 | 基于卷积神经网络的红外烟雾探测方法及预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117456679A true CN117456679A (zh) | 2024-01-26 |
Family
ID=89588601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311401395.1A Pending CN117456679A (zh) | 2023-10-26 | 2023-10-26 | 基于卷积神经网络的红外烟雾探测方法及预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456679A (zh) |
-
2023
- 2023-10-26 CN CN202311401395.1A patent/CN117456679A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1871623B (zh) | 一种环境状态检测器 | |
US5659292A (en) | Apparatus including a fire sensor and a non-fire sensor | |
CN111986436B (zh) | 一种基于紫外、深度神经网络的综合火焰检测方法 | |
KR102235875B1 (ko) | 선박의 화재 감지 시스템 | |
CN113223264B (zh) | 基于qpso-bp神经网络的火灾智能预警系统及方法 | |
CN111488802B (zh) | 一种利用热成像的温度曲线合成算法及火灾预警系统 | |
US5896082A (en) | Fire detection system | |
US6150659A (en) | Digital multi-frequency infrared flame detector | |
CN108010254A (zh) | 一种基于四波段红外火焰探测器及其火焰识别算法 | |
JPWO2018198504A1 (ja) | 異常検知器 | |
CN111047815A (zh) | 基于自学习模型识别消防探测器误报的方法及系统 | |
WO2018161433A1 (zh) | 基于无线信号传输的室内火情探测和报警的方法及其系统 | |
KR102064418B1 (ko) | 빅데이터에 기반해 작동되는 자동소화시스템 | |
KR20190014936A (ko) | 화재 감시 시스템 및 화재 감시 방법 | |
CN117456679A (zh) | 基于卷积神经网络的红外烟雾探测方法及预警系统 | |
FI111666B (fi) | Palohälytysjärjestelmä tulipalojen varhaiseksi toteamiseksi | |
CN111798638A (zh) | 基于信息融合的辅助系统火情信息处理方法 | |
EP3543976B1 (en) | A method for increasing specificity of jamming detection in a home alarm system | |
KR101363276B1 (ko) | 광전식 화재 감지기 | |
KR20230134091A (ko) | GCN 기반 상황분류 IoT 엣지 게이트웨이 | |
KR20050026257A (ko) | 다종의 화재감지기를 이용한 화재판별 추론 시스템 및 그방법 | |
Park et al. | A study on fire detection technology through spectrum analysis of smoke particles | |
CN112907883A (zh) | 基于烟雾与二氧化碳浓度复合算法的点型感烟火灾探测器 | |
CN115359641B (zh) | 一种面向光电传感设备的规律型误报判断方法 | |
Aleksic | Minimization of the optical smoke detector false alarm probability by optimizing its frequency characteristic |
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 |