CN117523773B - 一种智能木屋异常检测方法和系统 - Google Patents
一种智能木屋异常检测方法和系统 Download PDFInfo
- Publication number
- CN117523773B CN117523773B CN202311571259.7A CN202311571259A CN117523773B CN 117523773 B CN117523773 B CN 117523773B CN 202311571259 A CN202311571259 A CN 202311571259A CN 117523773 B CN117523773 B CN 117523773B
- Authority
- CN
- China
- Prior art keywords
- fire
- value
- area image
- target
- probability
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000006073 displacement reaction Methods 0.000 claims description 22
- 239000003795 chemical substances by application Substances 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010304 firing Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000009423 ventilation Methods 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
- 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
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种智能木屋异常检测方法和系统，属于数据处理技术领域，方法包括：采集多个传感器在预设时长内的多个温度数据；将温度数据传输至边缘终端；对温度数据进行基于信任理论的推理，计算火灾发生概率；在火灾发生概率大于预设概率的情况下，打开第一摄像头，采集第一区域图像；获取客户的第二摄像头开启指令，采集第二区域图像；将采集的第一区域图像和第二区域图像上传至云端；对第一区域图像进行基于时间序列模型的火情检测；对第二区域图像进行基于轨迹特征的异常行为人识别；在检测到火情或者识别到异常行为人的情况下，发出警报。在保护客户隐私的同时，完成及时准确的风险预警。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种智能木屋异常检测方法和系统。
背景技术
智能木屋是指一种传统的木质建筑，经过现代科技和智能化技术的集成，使其具备更高的智能化水平和便利性，智能木屋配备各种传感器和自动化系统，用于监测和控制室内环境，如温度、湿度、照明、通风、安全等，这些系统可以自动调整各种参数，以提供更舒适的居住体验。居住者可以通过智能手机或电脑应用程序，随时随地远程监控和控制智能木屋的各种功能，这使他们能够灵活地管理房屋，例如在外出时调整温度或查看安全摄像头的画面。智能木屋通常设计成更节能和环保，采用可再生能源、高效隔热材料和智能能源管理系统，以降低能源消耗，减少对环境的影响。
目前，由于人们生活水平的不断提升，越来越多的客户趋向于户外的木屋建筑，享受安静舒适的度假生活，但是，由于木屋材质易燃，现有木屋配备的传统火灾报警器往往准确率不足，存在不能提前预测和预测准确性较低的问题，另外，现有的防盗设备对于户外的木屋防护远远不足，不能发现潜在的安全问题，有些甚至安装有全时段的监控设备，客户隐私泄露风险大，对于智能木屋的薄弱环节需要进行改进，避免自然因素和人为因素导致木屋客户发生危险的情况。
发明内容
为了解决现有技术存在的木屋火情预警能力差，准确性低，且木屋安装的防盗设备不能发现潜在的安全问题，有些甚至安装有全时段的监控设备，客户隐私泄露风险大的技术问题，本发明提供一种智能木屋异常检测方法和系统。
第一方面
本发明提供了一种智能木屋异常检测方法，包括：
S101：采集多个传感器在预设时长内的多个温度数据；
S102：将温度数据传输至边缘终端；
S103：对温度数据进行基于信任理论的推理，计算火灾发生概率；
S104：在火灾发生概率大于预设概率的情况下，打开第一摄像头，采集第一区域图像，其中，第一区域图像包括智能木屋；
S105：获取客户的第二摄像头开启指令，采集第二区域图像，其中，第二区域图像包括以智能木屋为圆心的四周图像；
S106：将采集的第一区域图像和第二区域图像上传至云端；
S107：对第一区域图像进行基于时间序列模型的火情检测；
S108：对第二区域图像进行基于轨迹特征的异常行为人识别；
S109：在检测到火情或者识别到异常行为人的情况下，发出警报；
其中，所述S103具体包括：
S1031：计算第i个传感器采集到的温度数据的相对波动值ki：
其中，T表示所述温度数据的总个数，C1、C2表示相邻温度数据点；
S1032：根据所述相对波动值计算修正系数λ：
其中，M表示传感器总数量；
S1033：建立包括失火A、未失火B和不确定C三种情况的状态集Θ＝{A,B,C}，对每种情况的初始概率值进行基于模糊隶属度且和值为1的分配；
S1034：基于所述修正系数对所述初始概率值进行修正，修正后的失火概率值A`、未失火概率值B`和不确定概率值C`：
B'＝1-A'-C'；
S1035：对修正后的概率值进行合成，计算所述火灾发生概率p(A`)，并基于修正后的未失火概率值B`和不确定概率值C`以相同的方式计算相应的概率：
其中，K表示辅助参数，Ai表示A的焦元，符号“Φ”表示空集；
所述S107具体包括：
S1071：建立关于所述第一区域图像每一个像素的时间序列模型C＝{c1,c2,…，cl}，所述时间序列中有l个元素，每个元素的颜色向量信息为每个元素表示为/>其中，/>表示当前像素为空时的最小亮度值和最大亮度值，也表示当前像素不为空时元素的最小亮度值和最大亮度值，此时，每个元素的亮度变化范围为[Ilow,Ihigh]，f表示当前元素的匹配次数，λi表示当前元素出现的最大时间间隔，pi,qi表示遍历过程中当前元素第一次出现的次数和最后一次出现的次数；
S1072：计算所述亮度变化范围中的最低亮度Ilow和最高亮度Ihigh：
Ilow＝(1-ε)Ii
其中，0<ε<1表示颜色变化阈值；
S1073：利用所述亮度变化范围筛选待验证像素的亮度值I：
其中，νt表示同意像素不同时刻的亮度采样值，t表示所述第一区域图像的采样点数量，Brightness(I,＜Ilow,Ihigh＞)表示筛选判据；
S1074：若所述第一区域图像中当前像素不符合所述筛选判据，则在所述时间序列中新增一个元素，否则，对当前像素的颜色向量和元素进行更新：
其中，角标m表示更新后相应的参数；
S1075：利用更新后的λm对前一时刻采集的第一区域图像进行火情过滤；
S1076：遍历当前时刻采集的第一区域图像，计算所述第一区域图像中每个待检测像素的亮度值；
S1077：根据所述筛选判据对所述待检测像素进行匹配，若匹配成功则判断所述待检测像素正常，否则，确定所述待检测像素存在火情；
S1078：重复S1077，直至遍历完所述第一区域图像中所有的像素点；
S1079：将正常的待检测像素置为0，将存在火情的待检测像素置为1，将得到的二值化图像输出，基于所述二值化图像判断是否存在火情；
所述S108具体为：
S1081：划定所述智能木屋的安全红线，结合YOLO算法和深度排序算法对越过所述安全红线的异常行为人进行识别，其中，所述安全红线位于所述第二区域图像范围内。
第二方面
本发明提供了一种智能木屋异常检测系统，用于执行第一方面中的智能木屋异常检测方法。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，在室内布置传感器进行温度采集，室内不安装任何形式的摄像头和音频采集设备，保证客户隐私安全，将计算资源下沉至边缘终端进行基于信任理论的计算推理，对多个传感器采集的温度数据进行融合处理，对于推理出火灾发生概率大于预设概率的情况，设置紧急状况自动打开的可以采集智能木屋图像的第一摄像头进行基于时间序列模型的火情进一步检测，利用具有强大计算能力的云端对预测的火情图像进行基于图像的大数据处理，进一步确认火情是否发生，不仅保护了患者隐私，而且提升火情检测准确性，降低误报率，进而及时准确的发现和预测智能木屋最易出现的火情，保护客户人身安全。对于户外木屋设置第二视频摄像头，只有获取客户的第二摄像头开启指令后才会进行以智能木屋为圆心的四周图像的室外数据采集，对采集的图像进行基于轨迹特征的异常行为人识别，提前预测可能存在的风险，保护客户的人身安全，为客户提供良好的住房体验。对于户外木屋最薄弱且最重要的方面进行改进，提高木屋智能化程度，减少人工介入巡检，在保护患者隐私的同时，确保客户的人身安全，有助于智能木屋的推广普及。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种智能木屋异常检测方法的流程示意图；
图2是本发明提供的一种云边协同架构的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中，参考说明书附图1，示出了本发明提供的智能木屋异常检测方法的流程示意图。参考说明书附图2，示出了本发明提供的一种云边协同架构的结构示意图。
图2中，示出了云边协同架构的结构示意图，云边协同架构的搭建，可以利用边缘终端快速的进行火情分析，缩短火情发现时长，对易燃木屋进行及时有效的火情预警，保护客户安全。云边协同架构的目标是在最大程度保护客户隐私的同时，提升木屋异常检测的准确性，对于可能涉及或者隐私的摄像头，第一摄像头设置于木屋后侧，只要能够采集到整个木屋的图像就能够完成进一步的木屋火情预测。对于第二摄像头必须要采集木屋周围的异常行为人，对于这一设备采取了需要经过客户授权才能够打开的触发机制，达到既能尊重和保护患者隐私，又能确保客户人身安全的效果。另外，云端是具有强大计算能力的云服务器，边缘终端是具有一定计算能力的计算机，云服务器直接近距离布置成本太高，本申请搭建的云边协同架构能够有效发挥边缘终端和云端的计算能力，完成木屋数据的及时准确分析，提升木屋的智能化程度和异常检测能力。
本发明提供的一种智能木屋异常检测方法，应用于云边协同架构，所述云边协同架构包括布置于木屋内部多个位置的传感器、位于所述智能木屋周围的摄像头、边缘终端和云端，其中，所述摄像头包括第一摄像头和第二摄像头，所述传感器通过所述边缘终端与所述云端连接，所述摄像头与所述云端连接。
需要说明的是，木屋内部为了保护患者隐私的安全，仅布置有传感器进行温度采集，为了应对火情的紧急情况，将计算资源下沉至距离木屋较近的边缘终端对火情数据进行及时处理、反馈和报警，提升安全监控能力和及时性。第一摄像头与传感器联动，在边缘终端基于传感器的温度数据检测到可能发生火情时，可以不经过客户允许调用第一摄像头对房屋进行图像采集和分析，进一步确认火情是否发生，提升火情预警准确率，
方法包括：
S101：采集多个传感器在预设时长内的多个温度数据。
其中，常见的温度传感器包括热敏电阻、硅基温度传感器、红外线温度传感器、热电偶、数字温度传感器和无线温度传感器等，具体选择哪种传感器类型取决于系统的性能需求、精确度、测量范围、应用场景以及成本因素。根据不同的要求，可以采用不同的传感器来满足智能木屋异常检测系统的需求。
可以理解的是，不同位置的室内环境可能存在温度差异，多个传感器能够提供更全面的室内温度数据，确保在整个木屋内部都能够准确地监测温度变化，这有助于提高温度数据的覆盖范围和可靠性，对于火灾检测来说，火源可能位于不同的位置，通过布置多个传感器，可以更好地覆盖整个木屋，提高检测火源的准确性和及时性。如果只使用单一传感器，可能会错过某些火源或导致漏检，通过使用多个传感器，可以提供数据冗余，以增加系统的容错性。如果一个传感器发生故障或出现问题，其他传感器仍然可以提供数据，确保系统的可靠性。
需要说明的是，本领域技术人员可以根据实际需要设置预设时长的大小，本发明在此不做限定。
在一种可能的实施方式中，在S101A之后，还包括：
S101A：剔除温度数据中的异常数据点。
具体地，剔除温度数据中的异常数据点通常需要进行数据处理和分析，以确定哪些数据点被视为异常，并将其从数据集中排除，可以采用阈值法：设置一个温度数据的阈值范围，数据点超出这个范围的将被视为异常，这个阈值可以基于历史数据或常规温度范围来确定，数据点不在这个范围内的将被剔除。也可采用统计方法：使用统计方法，如标准差或均值来检测异常值，数据点与均值的偏差大于某个阈值或几倍标准差的数据点可能被视为异常，然后剔除。或者使用学习模型：使用机器学习或深度学习模型来学习正常温度数据的模式，然后将与学习模型预测不符的数据点标记为异常并剔除。确保准确地剔除异常数据点，从而保持数据的质量和可靠性。
S102：将温度数据传输至边缘终端。
S103：对温度数据进行基于信任理论的推理，计算火灾发生概率。
其中，信任理论是一种用于处理不确定性和信息融合的数学理论。它用于处理来自不同来源或不同类型的信息，以便能够进行合理的推断和决策。信任理论是对概率论的一种补充，特别适用于处理非精确、不完备、模糊或不确定性信息。
利用信任理论计算火灾发生概率的情境中，可以处理不确定性，火灾发生概率通常受到各种不确定性因素的影响，如温度测量误差、传感器可靠性、环境条件变化等，信任理论能够有效处理这些不确定性，将不同信息源的可信度考虑在内。在智能木屋中，温度数据可能来自不同传感器，具有不同可靠性和误差，信任理论可以将这些不同来源的信息融合在一起，以获得更准确和可信的火灾发生概率。有时温度数据可能不是精确的数值，而是模糊的描述，信任理论能够处理这种模糊信息，并产生相应的信任分布。信任理论可以根据不同场景和应用情境来调整信任分配和合成规则，使其更加灵活和适应多样化的需求。进而综合多源信息，考虑不确定性因素，并提供更可靠的概率估计，从而有助于提高火灾监测和预警的准确性。
在一种可能的实施方式中，S103具体包括：
S1031：计算第i个传感器采集到的温度数据的相对波动值ki：
其中，T表示温度数据的总个数，C1、C2表示相邻温度数据点；
S1032：根据相对波动值计算修正系数λ：
其中，M表示传感器总数量；
S1033：建立包括失火A、未失火B和不确定C三种情况的状态集Θ＝{A,B,C}，对每种情况的初始概率值进行基于模糊隶属度且和值为1的分配；
S1034：基于修正系数对初始概率值进行修正，修正后的失火概率值A`、未失火概率值B`和不确定概率值C`：
B'＝1-A'-C'；
S1035：对修正后的概率值进行合成，计算火灾发生概率p(A`)，并基于修正后的未失火概率值B`和不确定概率值C`以相同的方式计算相应的概率：
其中，K表示辅助参数，Ai表示A的焦元，符号“Φ”表示空集。
具体地，首先，对每个传感器采集到的温度数据进行处理，相对波动值ki表示第i个传感器的温度数据的相对波动程度，这个值是通过计算相邻温度数据点之间的差异来获得，其中T表示温度数据的总个数，C1和C2表示相邻的温度数据点，这个步骤有助于衡量温度数据的波动性。接下来，根据相对波动值来计算修正系数λ，修正系数λ用于校正初始概率值，以考虑每个传感器的可靠性和数据的波动性，其中，M表示传感器的总数量，修正系数可以用来增加可信传感器的权重，降低不可信传感器的权重。状态集包括三种状态：失火A、未失火B和不确定C，初始概率值将基于这三种状态进行分配，不同状态的概率之和等于1。通过使用修正系数λ对初始概率值进行修正，得到了修正后的失火概率值A'、未失火概率值B'和不确定概率值C'，这一步骤将考虑每个传感器的贡献以及数据的波动性，从而提高了概率的准确性。最后，修正后的失火概率值A'、未失火概率值B'和不确定概率值C'将用于计算火灾发生概率，概率合成考虑了修正后的概率值和其他辅助参数K，以获得综合的火灾概率值，同样，未失火概率值B'和不确定概率值C'也会根据相同的方法计算。利用信任理论的概念来综合不同传感器提供的信息，考虑了传感器之间的差异和数据的不确定性，这有助于更准确地估计火灾的发生概率，提高了系统的可靠性和准确，通过使用模糊隶属度和修正系数，这个方法能够更好地处理不确定性，使系统更适合处理复杂的木屋监测场景。
S104：在火灾发生概率大于预设概率的情况下，打开第一摄像头，采集第一区域图像，其中，第一区域图像包括智能木屋。
可以理解的是，为了全面的评估和检测木屋是否发生火情，采集包括智能木屋的第一区域图像可以充分的分析木屋是否发生了火情，另外，第一区域图像的采集并不需要经过客户的授权，相应地，也只有在火灾发生概率大于预设概率的情况下才会打开第一摄像头进行图像采集，而且，第一摄像头的布置位置位于木屋后侧，仅采集木屋的整体图像，不采集任何的客户信息，既保护了客户隐私，又能够及时准确的分析火情。
需要说明的是，本领域技术人员可以根据实际需要设置预设概率的大小，本发明在此不做限定。
S105：获取客户的第二摄像头开启指令，采集第二区域图像。
其中，第二区域图像包括以智能木屋为圆心的四周图像。
需要说明的是，对于可能涉及到客户隐私的第二摄像头设置为仅有客户才能够打开的触发机制，而第二区域图像能够采集到木屋周围的情况，对进入第二区域图像的行为人进行跟踪分析，发现潜在的危险，解决现有防盗系统和监控系统不能解决的行为分析和危险预测，而且还可以保护客户隐私。
S106：将采集的第一区域图像和第二区域图像上传至云端。
需要说明的是，将采集的第一区域图像和第二区域图像上传至云端，用户可以从任何具有互联网连接的地方远程访问和监控智能木屋。，提供了更大的灵活性和便利性，让用户可以实时查看木屋内部和周围的情况。另外，云端存储提供了数据备份和长期存储的能力，可以防止数据丢失或损坏，有助于后续的分析和调查。多个授权用户可以同时访问云端的图像数据，以共享信息或协同处理紧急情况，这对于木屋酒店的管理者、安全公司或紧急救援人员的协作提供便利。云端存储允许应用复杂的数据分析和模式识别算法，以检测异常行为、火源、烟雾等，这些算法可以运行在云端的高性能服务器上，提供更精确和快速的结果，云端服务可以实时监控图像数据，识别潜在的危险或异常情况，并触发警报通知用户，这使用户可以迅速采取行动以应对紧急情况。云端存储允许将图像数据共享给第三方，如执法部门、保险公司或其他相关利益相关方，这些图像可以用于记录和证据，用于事件调查或保险索赔。总的来说，将图像上传至云端为智能木屋异常检测系统提供了更广泛的功能和灵活性，使用户能够更好地访问、管理、分析和应对紧急情况，这有助于提高木屋监测的效力和可靠性，同时确保数据的安全和可持续性。
S107：对第一区域图像进行基于时间序列模型的火情检测。
在一种可能的实施方式中，S107具体包括：
S1071：建立关于第一区域图像每一个像素的时间序列模型C＝{c1,c2,…，cl}，时间序列中有l个元素，每个元素的颜色向量信息为每个元素表示为其中，/>表示当前像素为空时的最小亮度值和最大亮度值，也表示当前像素不为空时元素的最小亮度值和最大亮度值，此时，每个元素的亮度变化范围为[Ilow,Ihigh]，f表示当前元素的匹配次数，λi表示当前元素出现的最大时间间隔，pi,qi表示遍历过程中当前元素第一次出现的次数和最后一次出现的次数；
S1072：计算亮度变化范围中的最低亮度Ilow和最高亮度Ihigh：
Ilow＝(1-ε)Ii
其中，0<ε<1表示颜色变化阈值；
S1073：利用亮度变化范围筛选待验证像素的亮度值I：
其中，νt表示同意像素不同时刻的亮度采样值，t表示第一区域图像的采样点数量，Brightness(I,＜Ilow,Ihigh＞)表示筛选判据；
S1074：若第一区域图像中当前像素不符合筛选判据，则在时间序列中新增一个元素，否则，对当前像素的颜色向量和元素进行更新：
其中，角标m表示更新后相应的参数；
S1075：利用更新后的λm对前一时刻采集的第一区域图像进行火情过滤；
S1076：遍历当前时刻采集的第一区域图像，计算第一区域图像中每个待检测像素的亮度值；
S1077：根据筛选判据对待检测像素进行匹配，若匹配成功则判断待检测像素正常，否则，确定待检测像素存在火情；
S1078：重复S1077，直至遍历完第一区域图像中所有的像素点；
S1079：将正常的待检测像素置为0，将存在火情的待检测像素置为1，将得到的二值化图像输出，基于二值化图像判断是否存在火情。
具体地，通过建立时间序列模型，可以追踪每个像素点的亮度值随时间的变化，这样的模型能够检测微小的亮度变化，使火情的检测更加敏感和准确，因此，可以更早地检测到火源，降低火灾蔓延的风险，时间序列模型允许系统对亮度值的变化进行筛选和分析，以区分正常的光照变化和可能的火情迹象，这减少了误报的可能性，确保只有真正的火情才会触发警报。时间序列模型可以提供实时的火情检测，因为它不断分析新采集的图像数据，这对于及时采取紧急措施和通知相关方很重要，以减少火灾对人员和财产的损害，时间序列模型的应用是自动的，无需人工干预，减轻了人工监测的负担，使系统能够在没有人员介入的情况下进行监测，时间序列模型可以处理大量的图像数据，对每个像素点进行分析，这种高效率的数据处理使系统能够覆盖大面积，并快速识别潜在的火情，进而进行综合分析，以识别火情的发展趋势和火势，这种方法适用于各种光照条件和环境，因为它关注亮度值的变化，而不仅仅依赖于特定的颜色或纹理特征。
基于时间序列模型的火情检测方法提供了一种高度灵敏和准确的火情检测机制，有助于提高智能木屋异常检测系统的性能，减少误报，增加实时性，并提供更多的数据以支持决策制定和火灾管理。
S108：对第二区域图像进行基于轨迹特征的异常行为人识别。
在一种可能的实施方式中，S108具体为：
S1081：划定智能木屋的安全红线，结合YOLO算法和深度排序算法对越过安全红线的异常行为人进行识别，其中，安全红线位于第二区域图像范围内。
其中，安全红线标志着智能木屋的安全边界，当任何人越过这个红线时，可能构成潜在的风险。然后，采用YOLO算法进行目标检测，以识别第二区域图像中的人物目标，YOLO(You Only Look Once)是一种实时目标检测算法，它可以识别图像中的目标并返回目标的边界框。
在一种可能的实施方式中，S1081具体包括：
S1081A：利用YOLO算法对第二区域图像进行目标检测，输出目标边框，即行人边框。
在一种可能的实施方式中，在S1081A之后还包括：
S1081A1：通过非极大值抑制算法去除目标边框信息的冗余边框。
其中，非极大值抑制是一种用于去除目标检测结果中冗余边框的技术。它确保在同一目标周围只保留一个最相关的边框，以减少多次检测相同目标的问题。
S1081B：结合目标边框信息，计算目标移动匹配值和目标外观匹配值，并对目标移动匹配值和目标外观匹配值进行融合，计算跟踪目标和检测目标的关联度：
目标移动匹配值d(1)(i,j)的计算方式为：
其中，d(1)(i,j)表示跟踪目标第j个检测结果和第i条轨迹之间的马氏空间距离即目标移动匹配值，yi表示跟踪目标的预测位置，dj表示第j个目标边框的位置，Si表示跟踪目标的最终检测位置和平均预测位置的协方差矩阵；
目标外观匹配值d(2)(i,j)的计算方式为：
其中，表示k个关联的特征集，rj表示第二区域图像中第j个检测结果的特征向量；
关联度Ci,j的计算方式为：
Ci,j＝θd(1)(i,j)+(1-θ)d(2)(i,j)
其中，θ表示平衡参数。
通过考虑目标的移动和外观信息，目标移动匹配值是通过比较目标的实际移动轨迹和预测轨迹之间的相似度来计算的，目标外观匹配值是通过比较目标的外观特征(如特征向量)来计算的，然后，这两个匹配值被融合成一个关联度值，用于判断检测到的目标是否与跟踪目标相关联。
S1081C：在关联度位于目标移动匹配值和和目标外观匹配值的交集情况下，确认跟踪目标匹配成功，获取跟踪目标的滞留时长和位移轨迹。
确认目标匹配成功，说明检测到的目标与跟踪目标相关联，然后，获取目标的滞留时长(进入安全红线后停留的时间)和位移轨迹(目标在安全红线内的移动轨迹)。
S1081D：将安全红线拆分为多个线段，计算位移轨迹与线段是否存在交点，预设LT为线段的两个端点，P＝{P1,P2,…,PN}为位移轨迹，其中，P1和PN为位移轨迹的两个端点，其中，L(xL,yL)，T(xT,yT)，P1(x1,y1)，PN(xN,yN)。
S1081E：确定点L到P1PN两点的向量计算两个向量之间的叉乘SL，相应地，计算点T到线段P1PN的叉乘ST，点P1到线段LT的叉乘SP1，点PN到线段LT的叉乘SPN：
SL＝(x1-xL)(yN-yL)-(y1-yL)(xN-xL)
ST＝(x1-xT)(yN-yT)-(y1-yT)(xN-xT)
S1081F：在叉乘之间满足判断条件时，确定跟踪目标越过安全红线，判断条件为：
S1081G：对越过安全红线的跟踪目标进行基于停留时长和位移轨迹的异常检测。
在一种可能的实施方式中，S1081G具体包括：
S1081G1：统计越过安全红线的跟踪目标的停留时长Tin：
Tin＝TN-T1
其中，T1表示跟踪目标进入安全红线内的时刻，TN表示当前时刻；
S1081G2：计算端点P1与端点PN的像素距离X：
S1081G3：计算跟踪目标在安全红线内的行程距离S，其中，行程距离为位移轨迹中任意两个端点之间的位移之和Xi：
S1081G4：计算行程距离与位移之和的差值，若差值大于预设差值；
S1081G5：在差值大于预设差值的情况下，判定跟踪目标的位移轨迹存在徘徊轨迹。
S1081H：在跟踪目标的停留时长大于预设停留时长或者位移轨迹存在徘徊轨迹的情况下，确定跟踪目标为异常行为人。
需要说明的是，这种基于停留时长和位移轨迹的异常监测方法，弥补了传统监控系统不能进行有效分析，频繁触发预警的情况，有效提升木屋周围的安全监测准确性。
具体地，对于安全红线内的跟踪目标利用停留时长和徘徊轨迹进行异常检测，当检测到停留时长过长或者存在徘徊轨迹时，该跟踪目标可能存在异常行为，这符合实际的客观判断，对于检测到该行为的跟踪目标判定为异常行为人，此时，联动云端酒店管理客服进行统一调度，安排安保人员进行实地巡检采取保守的安保措施，及时排除危险情况，保护客户的安全，提升住房体验。
需要说明的是，本领域技术人员可以根据实际需要设置预设停留时长的大小，本发明在此不做限定。
S109：在检测到火情或者识别到异常行为人的情况下，发出警报。
需要说明的是，在检测到火情时，将通过客户的手机终端进行火情预警，并通过云端通知酒店管理人员。而在检测到异常行为人时，会通过云端向酒店管理人员发出警报进行风险排查。保护客户安全，提升住房体验。
在一种可能的实施方式中，所述智能木屋异常检测方法还包括：
S110：设置更新周期对所述时间序列模型进行更新。
可以理解的是，通过定期更新时间序列模型，系统可以更好地适应变化的环境，减少误报或漏报的风险，从而提高火情检测的可靠性，这也有助于系统在不断变化的情况下保持其准确性，确保智能木屋的安全性和性能。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，在室内布置传感器进行温度采集，室内不安装任何形式的摄像头和音频采集设备，保证客户隐私安全，将计算资源下沉至边缘终端进行基于信任理论的计算推理，对多个传感器采集的温度数据进行融合处理，对于推理出火灾发生概率大于预设概率的情况，设置紧急状况自动打开的可以采集智能木屋图像的第一摄像头进行基于时间序列模型的火情进一步检测，利用具有强大计算能力的云端对预测的火情图像进行基于图像的大数据处理，进一步确认火情是否发生，不仅保护了患者隐私，而且提升火情检测准确性，降低误报率，进而及时准确的发现和预测智能木屋最易出现的火情，保护客户人身安全。对于户外木屋设置第二视频摄像头，只有获取客户的第二摄像头开启指令后才会进行以智能木屋为圆心的四周图像的室外数据采集，对采集的图像进行基于轨迹特征的异常行为人识别，提前预测可能存在的风险，保护客户的人身安全，为客户提供良好的住房体验。对于户外木屋最薄弱且最重要的方面进行改进，提高木屋智能化程度，减少人工介入巡检，在保护患者隐私的同时，确保客户的人身安全，有助于智能木屋的推广普及。
实施例2
在一个实施例中，本发明提供的一种智能木屋异常检测系统，用于执行实施例1中的智能木屋异常检测方法。
本发明提供的一种智能木屋异常检测系统可以实现上述实施例1中的智能木屋异常检测方法的步骤和效果，为避免重复，本发明不再赘述。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，在室内布置传感器进行温度采集，室内不安装任何形式的摄像头和音频采集设备，保证客户隐私安全，将计算资源下沉至边缘终端进行基于信任理论的计算推理，对多个传感器采集的温度数据进行融合处理，对于推理出火灾发生概率大于预设概率的情况，设置紧急状况自动打开的可以采集智能木屋图像的第一摄像头进行基于时间序列模型的火情进一步检测，利用具有强大计算能力的云端对预测的火情图像进行基于图像的大数据处理，进一步确认火情是否发生，不仅保护了患者隐私，而且提升火情检测准确性，降低误报率，进而及时准确的发现和预测智能木屋最易出现的火情，保护客户人身安全。对于户外木屋设置第二视频摄像头，只有获取客户的第二摄像头开启指令后才会进行以智能木屋为圆心的四周图像的室外数据采集，对采集的图像进行基于轨迹特征的异常行为人识别，提前预测可能存在的风险，保护客户的人身安全，为客户提供良好的住房体验。对于户外木屋最薄弱且最重要的方面进行改进，提高木屋智能化程度，减少人工介入巡检，在保护患者隐私的同时，确保客户的人身安全，有助于智能木屋的推广普及。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种智能木屋异常检测方法，其特征在于，应用于云边协同架构，所述云边协同架构包括布置于木屋内部多个位置的传感器、位于所述智能木屋周围的摄像头、边缘终端和云端，其中，所述摄像头包括第一摄像头和第二摄像头，所述传感器通过所述边缘终端与所述云端连接，所述摄像头与所述云端连接；方法包括：
S101：采集多个传感器在预设时长内的多个温度数据；
S102：将所述温度数据传输至所述边缘终端；
S103：对所述温度数据进行基于信任理论的推理，计算火灾发生概率；
S104：在所述火灾发生概率大于预设概率的情况下，打开所述第一摄像头，采集第一区域图像，其中，所述第一区域图像包括所述智能木屋；
S105：获取客户的第二摄像头开启指令，采集第二区域图像，其中，所述第二区域图像包括以所述智能木屋为圆心的四周图像；
S106：将采集的所述第一区域图像和所述第二区域图像上传至所述云端；
S107：对所述第一区域图像进行基于时间序列模型的火情检测；
S108：对所述第二区域图像进行基于轨迹特征的异常行为人识别；
S109：在检测到火情或者识别到所述异常行为人的情况下，发出警报；
其中，所述S103具体包括：
S1031：计算第i个传感器采集到的温度数据的相对波动值ki：
其中，T表示所述温度数据的总个数，C1、C2表示相邻温度数据点；
S1032：根据所述相对波动值计算修正系数λ：
其中，M表示传感器总数量；
S1033：建立包括失火A、未失火B和不确定C三种情况的状态集Θ＝{A,B,C}，对每种情况的初始概率值进行基于模糊隶属度且和值为1的分配；
S1034：基于所述修正系数对所述初始概率值进行修正，修正后的失火概率值A`、未失火概率值B`和不确定概率值C`：
B'＝1-A'-C'；
S1035：对修正后的概率值进行合成，计算所述火灾发生概率p(A`)，并基于修正后的未失火概率值B`和不确定概率值C`以相同的方式计算相应的概率：
其中，K表示辅助参数，Ai表示A的焦元，符号“Φ”表示空集；
所述S107具体包括：
S1071：建立关于所述第一区域图像每一个像素的时间序列模型C＝{c1,c2,…，cl}，所述时间序列中有l个元素，每个元素的颜色向量信息为每个元素表示为其中，/>表示当前像素为空时的最小亮度值和最大亮度值，也表示当前像素不为空时元素的最小亮度值和最大亮度值，此时，每个元素的亮度变化范围为[Ilow,Ihigh]，f表示当前元素的匹配次数，λi表示当前元素出现的最大时间间隔，pi,qi表示遍历过程中当前元素第一次出现的次数和最后一次出现的次数；
S1072：计算所述亮度变化范围中的最低亮度Ilow和最高亮度Ihigh：
Ilow＝(1-ε)Ii
其中，0<ε<1表示颜色变化阈值；
S1073：利用所述亮度变化范围筛选待验证像素的亮度值I：
其中，νt表示同意像素不同时刻的亮度采样值，t表示所述第一区域图像的采样点数量，Brightness(I,＜Ilow,Ihigh＞)表示筛选判据；
S1074：若所述第一区域图像中当前像素不符合所述筛选判据，则在所述时间序列中新增一个元素，否则，对当前像素的颜色向量和元素进行更新：
其中，角标m表示更新后相应的参数；
S1075：利用更新后的λm对前一时刻采集的第一区域图像进行火情过滤；
S1076：遍历当前时刻采集的第一区域图像，计算所述第一区域图像中每个待检测像素的亮度值；
S1077：根据所述筛选判据对所述待检测像素进行匹配，若匹配成功则判断所述待检测像素正常，否则，确定所述待检测像素存在火情；
S1078：重复S1077，直至遍历完所述第一区域图像中所有的像素点；
S1079：将正常的待检测像素置为0，将存在火情的待检测像素置为1，将得到的二值化图像输出，基于所述二值化图像判断是否存在火情；
所述S108具体为：
S1081：划定所述智能木屋的安全红线，结合YOLO算法和深度排序算法对越过所述安全红线的异常行为人进行识别，其中，所述安全红线位于所述第二区域图像范围内。
2.根据权利要求1所述的智能木屋异常检测方法，其特征在于，在所述S101之后还包括：
S101A：剔除所述温度数据中的异常数据点。
3.根据权利要求1所述的智能木屋异常检测方法，其特征在于，所述S1081具体包括：
S1081A：利用所述YOLO算法对第二区域图像进行目标检测，输出目标边框，即行人边框；
S1081B：结合所述目标边框信息，计算目标移动匹配值和目标外观匹配值，并对所述目标移动匹配值和所述目标外观匹配值进行融合，计算跟踪目标和检测目标的关联度：
所述目标移动匹配值d(1)(i,j)的计算方式为：
其中，d(1)(i,j)表示所述跟踪目标第j个检测结果和第i条轨迹之间的马氏空间距离即所述目标移动匹配值，yi表示所述跟踪目标的预测位置，dj表示第j个目标边框的位置，Si表示所述跟踪目标的最终检测位置和平均预测位置的协方差矩阵；
所述目标外观匹配值d(2)(i,j)的计算方式为：
其中，表示k个关联的特征集，rj表示所述第二区域图像中第j个检测结果的特征向量；
所述关联度Ci,j的计算方式为：
Ci,j＝θd(1)(i,j)+(1-θ)d(2)(i,j)
其中，θ表示平衡参数；
S1081C：在所述关联度位于所述目标移动匹配值和和所述目标外观匹配值的交集情况下，确认所述跟踪目标匹配成功，获取所述跟踪目标的滞留时长和位移轨迹：
S1081D：将所述安全红线拆分为多个线段，计算所述位移轨迹与所述线段是否存在交点，预设LT为所述线段的两个端点，P＝{P1,P2,…,PN}为所述位移轨迹，其中，P1和PN为所述位移轨迹的两个端点，其中，L(xL,yL)，T(xT,yT)，P1(x1,y1)，PN(xN,yN)；
S1081E：确定点L到P1PN两点的向量计算两个向量之间的叉乘SL，相应地，计算点T到线段P1PN的叉乘ST，点P1到线段LT的叉乘SP1，点PN到线段LT的叉乘SPN：
SL＝(x1-xL)(yN-yL)-(y1-yL)(xN-xL)
ST＝(x1-xT)(yN-yT)-(y1-yT)(xN-xT)
S1081F：在叉乘之间满足判断条件时，确定所述跟踪目标越过所述安全红线，所述判断条件为：
S1081G：对越过所述安全红线的跟踪目标进行基于停留时长和位移轨迹的异常检测；
S1081H：在所述跟踪目标的停留时长大于预设停留时长或者所述位移轨迹存在徘徊轨迹的情况下，确定所述跟踪目标为异常行为人。
4.根据权利要求3所述的智能木屋异常检测方法，其特征在于，在所述S1081A之后还包括：
S1081A1：通过非极大值抑制算法去除所述目标边框信息的冗余边框。
5.根据权利要求3所述的智能木屋异常检测方法，其特征在于，所述S1081G具体包括：
S1081G1：统计越过所述安全红线的跟踪目标的停留时长Tin：
Tin＝TN-T1
其中，T1表示所述跟踪目标进入安全红线内的时刻，TN表示当前时刻；
S1081G2：计算端点P1与端点PN的像素距离X：
S1081G3：计算所述跟踪目标在所述安全红线内的行程距离S，其中，所述行程距离为位移轨迹中任意两个端点之间的位移之和Xi：
S1081G4：计算所述行程距离与所述位移之和的差值，若所述差值大于预设差值；
S1081G5：在所述差值大于预设差值的情况下，判定所述跟踪目标的位移轨迹存在徘徊轨迹。
6.根据权利要求1所述的智能木屋异常检测方法，其特征在于，所述智能木屋异常检测方法还包括：
S110：设置更新周期对所述时间序列模型进行更新。
7.一种智能木屋异常检测系统，其特征在于，包括处理器和用于存储处理器可执行指令的存储器；所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任一项所述的智能木屋异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311571259.7A CN117523773B (zh) | 2023-11-23 | 2023-11-23 | 一种智能木屋异常检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311571259.7A CN117523773B (zh) | 2023-11-23 | 2023-11-23 | 一种智能木屋异常检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117523773A CN117523773A (zh) | 2024-02-06 |
| CN117523773B true CN117523773B (zh) | 2024-05-10 |
Family
ID=89745250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311571259.7A Active CN117523773B (zh) | 2023-11-23 | 2023-11-23 | 一种智能木屋异常检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117523773B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180001356A (ko) * | 2016-06-27 | 2018-01-04 | (주)티디엘 | 지능형 영상 보안 시스템 |
| GB202117938D0 (en) * | 2021-08-07 | 2022-01-26 | Kelly Andrew Leslie | An intelligent, policy-based computational modelling method & system for building fires |
| CN115170059A (zh) * | 2022-06-14 | 2022-10-11 | 山东大学 | 户外工地智能安全监测系统及工作方法 |
| CN115240353A (zh) * | 2022-09-21 | 2022-10-25 | 江苏海舟安防科技有限公司 | 一种基于物联传感的消防险情处理方法 |
| CN116524674A (zh) * | 2023-03-23 | 2023-08-01 | 贵州电网有限责任公司 | 基于多源数据融合的智能配电房火灾早期监测方法与系统 |
| CN116704693A (zh) * | 2023-06-16 | 2023-09-05 | 上海伟梦物联网科技有限公司 | 基于物联网的多摄像头联动确认起火点的方法及系统 |
| CN117037406A (zh) * | 2023-07-28 | 2023-11-10 | 安徽龙讯信息科技有限公司 | 一种森林火灾智能化监控和预警系统 |
-
2023
- 2023-11-23 CN CN202311571259.7A patent/CN117523773B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180001356A (ko) * | 2016-06-27 | 2018-01-04 | (주)티디엘 | 지능형 영상 보안 시스템 |
| GB202117938D0 (en) * | 2021-08-07 | 2022-01-26 | Kelly Andrew Leslie | An intelligent, policy-based computational modelling method & system for building fires |
| CN115170059A (zh) * | 2022-06-14 | 2022-10-11 | 山东大学 | 户外工地智能安全监测系统及工作方法 |
| CN115240353A (zh) * | 2022-09-21 | 2022-10-25 | 江苏海舟安防科技有限公司 | 一种基于物联传感的消防险情处理方法 |
| CN116524674A (zh) * | 2023-03-23 | 2023-08-01 | 贵州电网有限责任公司 | 基于多源数据融合的智能配电房火灾早期监测方法与系统 |
| CN116704693A (zh) * | 2023-06-16 | 2023-09-05 | 上海伟梦物联网科技有限公司 | 基于物联网的多摄像头联动确认起火点的方法及系统 |
| CN117037406A (zh) * | 2023-07-28 | 2023-11-10 | 安徽龙讯信息科技有限公司 | 一种森林火灾智能化监控和预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117523773A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11632292B2 (en) | Cooperative monitoring networks | |
| US10051349B2 (en) | Sensor based system and method for premises safety and operational profiling based on drift analysis | |
| JP2018101317A (ja) | 異常監視システム | |
| JP2003296855A (ja) | 監視装置 | |
| JP2018073024A (ja) | 監視システム | |
| CA3105060A1 (en) | Object tracking using disparate monitoring systems | |
| CN115248873B (zh) | 一种基于数据融合的电缆隧道安全监测方法及系统 | |
| KR20200017594A (ko) | 딥 러닝과 멀티 에이전트를 활용한 대규모 개체 식별 및 추적 방법 | |
| CN112383615A (zh) | 一种基于边缘计算的住宅楼门禁安防系统及方法 | |
| US20240273950A1 (en) | Anti-spoofing visual authentication | |
| CN115550609A (zh) | 一种可实现自动适配的楼宇物联网监控系统 | |
| CN111885349A (zh) | 一种管廊异常检测系统及方法 | |
| CN117173847B (zh) | 一种智能门窗防盗警报系统及其工作方法 | |
| CN117523773B (zh) | 一种智能木屋异常检测方法和系统 | |
| JP2020129215A (ja) | 危険度判別プログラム及びシステム | |
| US20170330060A1 (en) | Arming and/or altering a home alarm system by specified positioning of everyday objects within view of a security camera | |
| KR102081577B1 (ko) | Cctv를 활용한 지능형 화재 감지 시스템 | |
| Xie et al. | On‐line physical security monitoring of power substations | |
| CN113225525B (zh) | 一种室内监控方法及系统 | |
| JP7372446B2 (ja) | 画像解析システム、画像解析方法及び画像解析プログラム | |
| Kale et al. | A review of securing home using video surveillance | |
| 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 | |
| KR20230000704A (ko) | 인공 지능 기반의 무인국사용 종합 감시 시스템 | |
| Sedova et al. | Smart System for Detecting Unauthorized Entry into a Smart Home | |
| CN112837471A (zh) | 网约房安全监控方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |