CN117690273B - 烟雾报警器的复位方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及烟雾报警器复位技术领域，公开了一种烟雾报警器的复位方法、装置、设备及存储介质。所述方法包括：采集传感器进气参数数据和初始烟雾区域图像数据；进行光电信号转换和特征分类，得到高频融合光电特征以及低频融合光电特征；通过初始烟雾报警器复位判定模型进行烟雾报警器复位判定分析，得到第一烟雾报警器复位判定结果；进行图像预处理和多尺度特征提取，得到多尺度特征图像数据；进行烟雾报警器复位判定分析，得到第二烟雾报警器复位判定结果；进行综合分析，得到综合分析结果并对初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型，本申请提高了烟雾报警器的复位准确率。

Description

烟雾报警器的复位方法、装置、设备及存储介质

技术领域

本申请涉及烟雾报警器复位技术领域，尤其涉及一种烟雾报警器的复位方法、装置、设备及存储介质。

背景技术

烟雾报警器在现代建筑和工业环境中扮演着至关重要的角色，用于检测潜在的火灾风险，保障人员和财产的安全。然而，现有的烟雾报警器在面对复杂的烟雾条件时，往往存在误报或漏报的问题，严重影响了其可靠性和准确性。因此，研究如何提高烟雾报警器的复位方法，以降低误报率和提高报警准确性，成为当前研究的焦点之一。

现有的烟雾报警器复位方法通常基于单一的检测参数或图像处理技术，这在复杂的烟雾环境中表现出局限性。此外，对于不同类型的烟雾和火灾条件，现有方法的适用性也存在瓶颈。因此，需要一种综合性的烟雾报警器复位方法，能够同时考虑多个参数和图像特征，提高报警器对不同火灾情景的适应性。

发明内容

本申请提供了一种烟雾报警器的复位方法、装置、设备及存储介质，用于提高了烟雾报警器的复位准确率。

第一方面，本申请提供了一种烟雾报警器的复位方法，所述烟雾报警器的复位方法包括：

通过预置的烟雾报警器对目标烟雾区域进行进气参数检测和烟雾区域图像采集，得到传感器进气参数数据和初始烟雾区域图像数据；

对所述传感器进气参数数据进行光电信号转换，得到目标光电信号集合，并对所述目标光电信号集合进行特征提取和特征分类，得到高频融合光电特征以及低频融合光电特征；

将所述高频融合光电特征以及所述低频融合光电特征输入预置的初始烟雾报警器复位判定模型进行烟雾报警器复位判定分析，得到第一烟雾报警器复位判定结果；

对所述初始烟雾区域图像数据进行图像预处理，得到目标烟雾区域图像数据，并对所述目标烟雾区域图像数据进行多尺度特征提取，得到多尺度特征图像数据；

根据所述多尺度特征图像数据对所述烟雾报警器进行烟雾报警器复位判定分析，得到第二烟雾报警器复位判定结果；

对所述第一烟雾报警器复位判定结果和所述第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果，并根据所述综合分析结果对所述初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型。

第二方面，本申请提供了一种烟雾报警器的复位装置，所述烟雾报警器的复位装置包括：

检测模块，用于通过预置的烟雾报警器对目标烟雾区域进行进气参数检测和烟雾区域图像采集，得到传感器进气参数数据和初始烟雾区域图像数据；

转换模块，用于对所述传感器进气参数数据进行光电信号转换，得到目标光电信号集合，并对所述目标光电信号集合进行特征提取和特征分类，得到高频融合光电特征以及低频融合光电特征；

分析模块，用于将所述高频融合光电特征以及所述低频融合光电特征输入预置的初始烟雾报警器复位判定模型进行烟雾报警器复位判定分析，得到第一烟雾报警器复位判定结果；

处理模块，用于对所述初始烟雾区域图像数据进行图像预处理，得到目标烟雾区域图像数据，并对所述目标烟雾区域图像数据进行多尺度特征提取，得到多尺度特征图像数据；

判定模块，用于根据所述多尺度特征图像数据对所述烟雾报警器进行烟雾报警器复位判定分析，得到第二烟雾报警器复位判定结果；

优化模块，用于对所述第一烟雾报警器复位判定结果和所述第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果，并根据所述综合分析结果对所述初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型。

本申请第三方面提供了一种烟雾报警器的复位设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述烟雾报警器的复位设备执行上述的烟雾报警器的复位方法。

本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的烟雾报警器的复位方法。

本申请提供的技术方案中，利用了烟雾区域的进气参数数据和图像数据，包括传感器数据和多尺度特征图像数据。这种多源数据的综合分析可以提高烟雾报警器的复位判定的准确性和可靠性。通过对传感器进气参数数据进行特征提取和特征分类，以及对图像数据进行多尺度特征提取，能够更全面地捕捉到烟雾区域的信息，从而更准确地判定烟雾报警器是否需要复位。在综合分析的基础上对初始烟雾报警器复位判定模型进行模型优化。根据实际情况和数据进行自适应调整，提高了系统的性能和鲁棒性。通过使用多尺度特征和模型优化，可以实时监测烟雾情况，并在早期阶段识别烟雾，提前采取措施，从而提高了报警系统的实时性和预测性。由于可以更准确地分析烟雾情况，可以减少误报率，避免了不必要的干扰和恶化情况的误报，进而提高了烟雾报警器的复位准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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，还可以基于这些附图获得其他的附图。

图1为本申请实施例中烟雾报警器的复位方法的一个实施例示意图；

图2为本申请实施例中烟雾报警器的复位装置的一个实施例示意图。

具体实施方式

本申请实施例提供了一种烟雾报警器的复位方法、装置、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中烟雾报警器的复位方法的一个实施例包括：

步骤S101、通过预置的烟雾报警器对目标烟雾区域进行进气参数检测和烟雾区域图像采集，得到传感器进气参数数据和初始烟雾区域图像数据；

可以理解的是，本申请的执行主体可以为烟雾报警器的复位装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，通过预置的烟雾报警器对目标烟雾区域进行颗粒浓度计算，通过内置的颗粒物传感器来测量空气中的颗粒物浓度，从而得到颗粒浓度参数数据。对烟雾颗粒的尺寸进行计算，通过激光散射或其他光学方法，测量和记录烟雾颗粒的平均大小，从而得到烟雾颗粒尺寸参数数据。这些数据有助于分辨烟雾的类型和来源，比如是由于燃烧产生的粗颗粒烟雾还是由于蒸发产生的细颗粒烟雾。对烟雾区域内的光散射强度进行计算，通过测量烟雾对光线的散射能力，得到光散射强度参数数据。光散射强度的高低可以揭示烟雾密度和颗粒物质的不透明度，这有助于评估烟雾的浓度和潜在危害。将颗粒浓度参数数据、烟雾颗粒尺寸参数数据以及光散射强度参数数据进行关联处理，形成一个综合的传感器进气参数数据集。这一关联处理不仅包括各个参数数据的汇总，还涉及对这些数据间关系的分析，以提高数据的准确性和可靠性。通过内置的高分辨率摄像头，对目标烟雾区域进行图像采集，这些图像数据提供了烟雾分布、运动和变化的直观视觉信息，从而得到初始烟雾区域图像数据。

步骤S102、对传感器进气参数数据进行光电信号转换，得到目标光电信号集合，并对目标光电信号集合进行特征提取和特征分类，得到高频融合光电特征以及低频融合光电特征；

具体的，将传感器进气参数数据转换为光电信号，得到初始光电信号集合。这一转换依赖于光电传感器的工作原理，即利用光电效应将物理测量信息转化为可量化的电信号。对初始光电信号集合进行预处理，包括滤波、去噪等，以优化信号质量并准备进一步分析。对初始光电信号集合进行离散小波变换（DWT）。在离散小波变换中，信号被分解为不同频率的波形，产生多个光电变换系数。这些系数代表了原始信号的不同频段特征，它们被用于特征统计分析，以提取出表示高频变化的光电特征。通过特定的加权融合算法，将多个高频特征合并成一个高频融合光电特征集，这个集合捕获了原始信号中的快速变化部分，如烟雾浓度的急剧变化等。为了提取低频特征，通过预置的双向长短时记忆网络（Bi-LSTM）处理目标光电信号集合。Bi-LSTM网络适合于处理时间序列数据，能够从中提取出表示慢速变化趋势的特征。Bi-LSTM网络通过分析信号在时间序列上的前后关联，提取出一系列低频光电特征，这些特征反映了烟雾发展的长期趋势，如烟雾浓度的逐渐积累等。对低频特征进行加权融合处理，形成包含了信号中慢速变化信息的低频融合光电特征集。通过以上步骤，烟雾报警器不仅能够准确捕捉到烟雾的瞬时变化，也能够有效地识别出烟雾发展的整体趋势，为烟雾报警器的复位决策提供了全面而深入的数据支持。

步骤S103、将高频融合光电特征以及低频融合光电特征输入预置的初始烟雾报警器复位判定模型进行烟雾报警器复位判定分析，得到第一烟雾报警器复位判定结果；

具体的，将高频融合光电特征和低频融合光电特征输入预置的初始烟雾报警器复位判定模型进行分析，该模型由多个层次组成，包括输入层、两层门限循环单元（GRU）、两层全连接层以及输出层。通过输入层对高频和低频光电特征进行编码，转化为更适合机器学习模型处理的格式。将原始特征值转换为更抽象的编码值，比如将模拟信号转换为数字信号。这些编码值不仅保留了原始特征的重要信息，还增加了特征处理的灵活性和效率。对高频光电特征编码值和低频光电特征编码值进行加权求和，进而生成一个包含这两类特征综合信息的加权光电特征编码值。加权过程是为了平衡不同特征在模型判定过程中的影响力，确保模型能够综合考虑各种因素。根据高频光电特征编码值、低频光电特征编码值以及加权光电特征编码值生成三维输入向量。通过两层门限循环单元（GRU）对三维输入向量进行处理。GRU是一种高效的循环神经网络结构，适合处理时间序列数据。每一层GRU都包含128个单元，这些单元能够捕捉输入数据中的时间依赖性和复杂的非线性关系。通过这两层GRU的处理，模型能够从输入向量中提取出关键的隐藏特征，这些特征是判定烟雾报警器是否需要复位的重要依据。通过两层全连接层对隐藏特征向量进行烟雾报警器复位概率计算。第一层全连接层采用ReLU（Rectified Linear Unit）激活函数，该函数有助于增加模型的非线性处理能力和减少梯度消失问题。第二层全连接层则采用Sigmoid函数，这是一种常用于二分类问题的激活函数，能够将模型的输出值限制在0到1之间，方便进行概率预测。通过这两层全连接层的处理，模型计算出烟雾报警器复位的概率预测值，这个值反映了烟雾报警器复位的概率。通过输出层对复位概率预测值进行分析，与预设的目标值进行比较，以确定是否需要复位烟雾报警器。输出层的功能是综合模型内部的所有计算结果，做出最终的判定。这个过程不仅涉及数值比较，还包括一定的逻辑判断，以确保复位判定结果的准确性和可靠性。

步骤S104、对初始烟雾区域图像数据进行图像预处理，得到目标烟雾区域图像数据，并对目标烟雾区域图像数据进行多尺度特征提取，得到多尺度特征图像数据；

具体的，对初始烟雾区域图像数据进行图像去噪，去除图像中的随机噪声。图像去噪可以采用多种算法，例如中值滤波、高斯滤波等，这些算法能有效降低或消除图像中的噪声成分，从而得到去噪后的第一烟雾区域图像数据。对第一烟雾区域图像数据进行对比度增强处理，提高图像的视觉效果，使烟雾区域与背景的区分更为明显。对比度增强可以通过调整图像的亮度和对比度参数来实现，或者使用更高级的技术如直方图均衡化。增强对比度后，烟雾的轮廓和纹理特征会更加突出，有利于后续的特征提取，从而得到第二烟雾区域图像数据。对第二烟雾区域图像数据进行灰度化处理，将彩色图像转换为灰度图像。灰度化处理的目的是简化图像数据，减少处理复杂性，同时保留足够的信息以用于特征提取。灰度化后，图像中只包含亮度信息而不包含颜色信息，这有助于提取烟雾的纹理和形状特征，从而得到目标烟雾区域图像数据。对目标烟雾区域图像数据进行特征提取，包括烟雾边缘特征、烟雾纹理特征和烟雾形状特征的提取。使用各种图像处理和计算机视觉技术来分析烟雾的视觉特性。例如，边缘检测算法可以识别烟雾的轮廓，纹理分析可以揭示烟雾的结构特征，形状分析则有助于理解烟雾的整体分布。通过这些特征提取步骤，得到描述烟雾区域特性的多维数据，即目标多尺度特征。根据提取的目标多尺度特征，对目标烟雾区域图像数据进行多尺度特征图编码。将特征数据转换为一种格式化的表示，方便后续的分析和处理。多尺度特征图编码通常涉及将特征数据转换为一种数值或符号的形式，这些编码不仅包含了原始特征的重要信息，还能够被后续的机器学习或深度学习模型有效处理。通过编码，得到综合了多种视觉特征的多尺度特征图像数据。

步骤S105、根据多尺度特征图像数据对烟雾报警器进行烟雾报警器复位判定分析，得到第二烟雾报警器复位判定结果；

具体的，根据多尺度特征图像数据生成目标烟雾区域的多个目标检测指标值。这些指标值是根据图像数据中的多尺度特征，如烟雾的大小、形状、密度、颜色和运动等特性，通过算法生成的。这些目标检测指标值旨在量化烟雾的特定属性，使其能够被进一步的分析和处理程序所利用。例如，烟雾密度的高低对应一个指标值，烟雾的运动速度和方向对应另一个指标值。基于多个目标检测指标值，进行烟雾报警器的复位判定分析。每个目标检测值都被单独分析，以判断其是否符合复位的标准。这一分析涉及复杂的算法，包括阈值判断、模式识别和机器学习分类。例如，如果烟雾的密度超过预定的阈值，这表明存在实际的火灾风险，需要报警器保持激活状态；相反，如果烟雾密度低于阈值，表明火灾风险已经消除，可以进行复位。每个目标检测值的复位判定结果都为烟雾报警器提供了独立的评估维度，确保了判定过程的全面性和精确性。例如，烟雾的大小和形状指示了烟雾源的性质，而烟雾的运动速度和方向揭示了风向和空气流动的情况，这些因素都是评估火灾状况和做出是否复位决策的重要依据。对每个目标检测值的复位判定结果进行融合，确定最终复位判定结果。结果融合不仅仅是简单的结果累加，而是一个综合考虑各个指标相互作用和重要性的过程。通过加权方法、决策逻辑或者机器学习算法来综合评估所有单独指标的复位判定结果。例如，某些指标因其在火灾检测中的重要性而被赋予更高的权重，而其他指标因其较低的可靠性而被赋予较低的权重。这种方法确保了烟雾报警器的复位判定不仅基于单一指标，而是基于对烟雾区域的全面和多角度评估。

步骤S106、对第一烟雾报警器复位判定结果和第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果，并根据综合分析结果对初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型。

具体的，对第一烟雾报警器复位判定结果和第二烟雾报警器复位判定结果进行综合分析。考虑两个结果之间的相互关系和影响，从而生成一个更全面、更准确的综合分析结果。例如，如果第一结果显示烟雾浓度低但第二结果显示烟雾运动速度快，则综合分析指出存在偶发烟雾但不需要复位的情况。根据综合分析结果，定义初始烟雾报警器复位判定模型的模型参数优化范围，确定哪些模型参数需要调整以及调整的程度，确保优化过程针对性强并能有效提升模型性能。例如，如果综合分析显示当前模型对某些烟雾特征的敏感度不足，则需要调整那些与这些特征相关的参数。通过所定义的模型参数优化范围进行参数粒子种群生成。使用粒子群优化算法，其中每个粒子代表一组的模型参数设置。目标参数粒子种群包含多个子粒子种群，每个子粒子种群都代表了一组潜在的模型参数解决方案。粒子群优化是一种智能优化算法，通过模拟鸟群或鱼群的社会行为来找到最优解。对每个子粒子种群进行适应度计算，评估每个粒子（即模型参数设置）对于模型性能的贡献大小。将每个粒子所代表的参数设置应用于模型，并评估模型在这些参数下的表现。适应度计算结果形成了粒子适应度集合，为接下来的迭代计算提供了基础。对粒子适应度集合进行迭代计算，直至满足预设条件，如达到最大迭代次数或找到满足特定性能标准的解。在迭代计算过程中，粒子群算法通过模拟社会行为不断调整每个粒子的位置，以寻找最优解。这个过程中，粒子之间会相互“交流”信息，根据自身和群体的经验调整搜索方向。当找到满足预设条件的最优解时，利用这个最优解对初始烟雾报警器复位判定模型进行优化，从而得到目标烟雾报警器复位判定模型。这个最优解代表了模型参数中最能提高模型性能的配置，优化后的模型预期能更准确、更有效地进行烟雾报警器复位判定。通过这种方法，烟雾报警器的复位判定模型不断进化，适应不断变化的环境和烟雾特性，从而提高其在实际应用中的可靠性和有效性。

本申请实施例中，利用了烟雾区域的进气参数数据和图像数据，包括传感器数据和多尺度特征图像数据。这种多源数据的综合分析可以提高烟雾报警器的复位判定的准确性和可靠性。通过对传感器进气参数数据进行特征提取和特征分类，以及对图像数据进行多尺度特征提取，能够更全面地捕捉到烟雾区域的信息，从而更准确地判定烟雾报警器是否需要复位。在综合分析的基础上对初始烟雾报警器复位判定模型进行模型优化。根据实际情况和数据进行自适应调整，提高了系统的性能和鲁棒性。通过使用多尺度特征和模型优化，可以实时监测烟雾情况，并在早期阶段识别烟雾，提前采取措施，从而提高了报警系统的实时性和预测性。由于可以更准确地分析烟雾情况，可以减少误报率，避免了不必要的干扰和恶化情况的误报，进而提高了烟雾报警器的复位准确率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）通过预置的烟雾报警器对目标烟雾区域进行颗粒浓度计算，得到颗粒浓度参数数据；

（2）对目标烟雾区域进行烟雾颗粒尺寸计算，得到烟雾颗粒尺寸参数数据；

（3）对目标烟雾区域进行光散射强度计算，得到光散射强度参数数据；

（4）对颗粒浓度参数数据、烟雾颗粒尺寸参数数据以及光散射强度参数数据进行关联处理，得到传感器进气参数数据；

（5）对目标烟雾区域进行烟雾区域图像采集，得到初始烟雾区域图像数据。

具体的，通过预置的烟雾报警器对目标烟雾区域的颗粒浓度进行计算。颗粒浓度计算是基于空气中悬浮颗粒物的数量和密度，通常由烟雾报警器内的粒子传感器完成。这些传感器能够检测空气中的微小颗粒，如烟雾、灰尘等，并将这些颗粒的数量转换为颗粒浓度参数数据。例如，激光散射传感器可以发射激光束，当激光穿过烟雾时，颗粒会散射光线，散射的光线被传感器接收并转换为颗粒浓度数据。报警器对目标烟雾区域的烟雾颗粒尺寸进行计算。颗粒尺寸的测量通常通过光学方法实现，例如，利用相同的激光散射原理，通过分析散射光线的模式，可以估算出颗粒的大小。不同大小的颗粒会以不同的方式散射光线，从而产生不同的散射模式。通过这种方式，烟雾报警器能够计算出烟雾颗粒的平均尺寸，得到烟雾颗粒尺寸参数数据。例如，烟雾中较大的颗粒意味着较重的烟雾，这是某些类型的火灾的特征。进行目标烟雾区域的光散射强度计算。光散射强度计算是基于烟雾中颗粒对光线散射的能力，这通常通过测量散射光的强度来完成。强度越高，表明散射作用越强，这通常与颗粒浓度和颗粒大小有关。例如，浓密的烟雾会产生更强的光散射，这可以被用来评估烟雾的密度和的危险性。通过这种方式，报警器能够得到光散射强度参数数据，这些数据帮助评估烟雾的物理特性。将颗粒浓度参数数据、烟雾颗粒尺寸参数数据以及光散射强度参数数据进行关联处理，将这三种不同的数据集成在一起，以获得关于烟雾条件的更全面的理解。例如，通过比较颗粒浓度和光散射强度，可以判断烟雾的厚度；同时，通过结合颗粒尺寸数据，可以进一步了解烟雾的性质。这种关联处理不仅提供了单个数据点的信息，还揭示了数据间的相互关系，为烟雾报警器提供了更准确的监测结果。报警器对目标烟雾区域进行图像采集，以获得初始烟雾区域图像数据。通过报警器内置的摄像头，捕捉烟雾区域的实时图像。这些图像提供了烟雾的直观视觉信息，比如烟雾的分布、颜色和移动。例如，图像数据可以用来观察烟雾的流动模式，判断烟雾是否正在扩散或集中在特定区域。通过结合传感器数据和图像数据，烟雾报警器能够更全面地评估烟雾状况。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）对传感器进气参数数据进行光电信号转换，得到初始光电信号集合，并对初始光电信号集合进行预处理，得到目标光电信号集合；

（2）对初始光电信号集合进行离散小波变换，得到多个光电变换系数，并对多个光电变换系数进行特征统计，得到多个高频光电特征；

（3）对多个高频光电特征进行高频特征加权融合，得到高频融合光电特征；

（4）通过预置的双向长短时记忆网络对目标光电信号集合进行低频特征提取，得到多个低频光电特征；

（5）对多个低频光电特征进行低频特征加权融合，得到低频融合光电特征。

具体的，对传感器进气参数数据进行光电信号转换，得到初始光电信号集合，它们包含了关于空气质量和烟雾情况的原始信息。对初始光电信号进行预处理，以提高信号的质量和可用性。预处理步骤包括滤波、去噪和归一化处理，目的是去除信号中的干扰和噪声，同时保留关键的特征信息，从而得到更清晰、更准确的目标光电信号集合。对预处理后的光电信号进行离散小波变换（DWT）。离散小波变换是一种有效的信号处理技术，它可以将信号分解为不同频率的子信号，使得信号的时频特性更加明显。在此过程中，每个子信号对应一个光电变换系数，这些系数代表了信号在不同频率下的特征。通过离散小波变换，获得多个光电变换系数，这些系数反映了原始信号的不同频率成分。例如，高频成分对应于烟雾的突然变化，而低频成分对应于烟雾的持续状态。对光电变换系数进行特征统计，以提取多个高频光电特征。在特征统计过程中，分析这些系数的统计属性，如均值、方差或频谱密度，从而识别出信号中的关键高频特征。这些高频特征提供了关于烟雾变化快速性的重要信息。对高频光电特征进行加权融合，得到一个综合的高频融合光电特征。高频特征加权融合是一个优化过程，通过赋予不同特征不同的权重，更好地反映不同特征在烟雾检测中的重要性。例如，若某一高频特征与烟雾急剧增加相关，则给予更高的权重。在提取高频特征的同时，利用预置的双向长短时记忆网络（Bi-LSTM）对目标光电信号集合进行低频特征提取。Bi-LSTM是一种先进的循环神经网络，能够有效地处理时间序列数据，捕捉其中的长期依赖关系。通过Bi-LSTM网络，可以从信号中提取出代表烟雾长期趋势的多个低频光电特征。例如，Bi-LSTM网络识别出烟雾浓度逐渐增加的趋势，这是一个重要的低频特征。对低频光电特征进行加权融合，以得到一个综合的低频融合光电特征。与高频特征融合类似，低频特征融合同样涉及权重优化，确保不同特征根据其对烟雾检测的贡献程度被合理加权。

在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：

（1）将高频融合光电特征以及低频融合光电特征输入预置的初始烟雾报警器复位判定模型，初始烟雾报警器复位判定模型包括：输入层、两层门限循环单元、两层全连接层以及输出层；

（2）通过输入层对高频融合光电特征以及低频融合光电特征进行特征编码，得到高频光电特征编码值和低频光电特征编码值，并对高频光电特征编码值和低频光电特征编码值进行加权求和，得到加权光电特征编码值，以及根据高频光电特征编码值、低频光电特征编码值以及加权光电特征编码值生成三维输入向量；

（3）通过两层门限循环单元对三维输入向量进行隐藏特征提取，得到隐藏特征向量，两层门限循环单元中的每层门限循环单元包括128个GRU单元；

（4）通过两层全连接层对隐藏特征向量进行烟雾报警器复位概率计算，得到烟雾报警器复位概率预测值，两层全连接层的第一层全连接层为ReLU函数，两层全连接层的第二层全连接层为Sigmoid函数；

（5）通过输出层对烟雾报警器复位概率预测值与预设目标值进行比较和复位判定结果分析，输出第一烟雾报警器复位判定结果。

具体的，将高频和低频融合光电特征输入预置的烟雾报警器复位判定模型的输入层。该模型包括输入层、两层门限循环单元（GRU）、两层全连接层以及输出层。在输入层，高频和低频光电特征经过特征编码过程，将它们转换成适合神经网络处理的格式。特征编码是将原始的光电信号转换为一种更抽象的数字表示形式。例如，将信号的强度或频率转换为数值，使得不同特征之间可以进行比较和组合。对高频光电特征编码值和低频光电特征编码值进行加权求和，生成加权光电特征编码值。加权过程考虑到不同特征在烟雾检测中的重要性，确保模型能够综合各种特征进行有效的判定。例如，如果某一特征与烟雾的紧急性更为相关，则赋予更高的权重。同时，根据这些编码值生成三维输入向量，为接下来的数据处理提供输入数据。通过两层门限循环单元（GRU）对三维输入向量进行处理。GRU是一种高效的循环神经网络结构，适合处理时间序列数据。每层GRU包含128个单元，这些单元能够捕捉输入数据中的时间依赖性和复杂的非线性关系。通过这两层GRU的处理，模型能够从输入向量中提取出关键的隐藏特征。例如，GRU层识别出烟雾浓度随时间的变化模式，这有助于判断烟雾的性质和复位需要。通过两层全连接层对隐藏特征向量进行进一步处理。第一层全连接层采用ReLU（Rectified Linear Unit）激活函数，这有助于增强模型的非线性处理能力，并减少梯度消失的问题。第二层全连接层则采用Sigmoid函数，这是一种常用于二分类问题的激活函数，能够将模型的输出值限制在0到1之间，方便进行概率预测。通过这两层全连接层的处理，模型计算出烟雾报警器复位的概率预测值。输出层将烟雾报警器复位概率预测值与预设的目标值进行比较，从而得出复位判定结果。这个过程不仅涉及数值比较，还包括一定的逻辑判断，以确保复位判定结果的准确性和可靠性。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）对初始烟雾区域图像数据进行图像去噪，得到第一烟雾区域图像数据；

（2）对第一烟雾区域图像数据进行对比度增强，得到第二烟雾区域图像数据；

（3）对第二烟雾区域图像数据进行灰度化处理，得到目标烟雾区域图像数据；

（4）对目标烟雾区域图像数据进行烟雾边缘特征、烟雾纹理特征和烟雾形状特征提取，得到目标多尺度特征；

（5）根据目标多尺度特征对目标烟雾区域图像数据进行多尺度特征图编码，得到多尺度特征图像数据。

具体的，对初始捕获的烟雾区域图像数据进行图像去噪处理，消除图像中的随机噪声，提高图像质量。例如，使用高斯滤波或中值滤波等技术去除图像中的噪点和不必要的细节，保留关键的视觉信息，去噪后，得到第一烟雾区域图像数据。对第一烟雾区域图像数据进行对比度增强处理，提高图像的视觉效果，使烟雾与其周围环境的对比更加明显。对比度增强可以通过调整图像的亮度和对比度参数来实现，或者使用更复杂的技术，如直方图均衡化。增强对比度后，烟雾的轮廓和纹理特征会更加突出，为后续特征提取提供了更好的基础。经过对比度增强的第二烟雾区域图像数据，展现了烟雾的形态和结构特点。对第二烟雾区域图像数据进行灰度化处理，转换为灰度图像。灰度化处理减少了处理的复杂性，去除了颜色信息，只保留了亮度信息。这有助于突出烟雾的纹理和形状特征，在灰度图像中，这些特征更容易被识别和分析。对灰度化后的目标烟雾区域图像数据进行特征提取，包括烟雾的边缘特征、纹理特征和形状特征。例如，边缘检测算法可以识别出烟雾的轮廓，纹理分析算法可以揭示烟雾的结构特征，而形状分析则有助于理解烟雾的整体分布。这些多尺度特征提供了烟雾状态的详细视觉描述，为判断烟雾的性质和危险程度提供了重要依据。根据提取的目标多尺度特征，对目标烟雾区域图像数据进行多尺度特征图编码。将特征数据转换为一种格式化的表示，以便于后续的分析和处理。例如，可以将边缘特征、纹理特征和形状特征转换为数字代码或符号，形成一种综合特征图像数据。这种编码不仅包含了原始特征的重要信息，还能够被后续的机器学习或深度学习模型有效处理。通过这种编码，得到一个综合了多种视觉特征的多尺度特征图像数据。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）根据多尺度特征图像数据生成目标烟雾区域的多个目标检测指标值；

（2）根据多个目标检测指标值对烟雾报警器进行烟雾报警器复位判定分析，得到每个目标检测值的复位判定结果；

（3）对每个目标检测值的复位判定结果进行结果融合，得到第二烟雾报警器复位判定结果。

具体的，根据多尺度特征图像数据生成目标烟雾区域的多个检测指标值。对图像数据中的关键特征进行量化，以便于进行更精确的分析。例如，从图像中提取出烟雾的密度、颜色、运动速度和分布模式等特征，并将这些特征转换为数值指标。这些指标值为烟雾的特性提供了量化的描述，使得后续的分析更加系统和可靠。例如，烟雾密度的高低可以通过分析图像中烟雾区域的灰度值来量化，而烟雾的运动速度和方向可以通过跟踪烟雾在连续图像帧中的位置变化来确定。根据目标检测指标值对烟雾报警器进行复位判定分析。综合考虑所有检测指标，并根据预设的判定标准来评估烟雾的状态。这个分析过程采用各种算法，包括阈值判断、模式识别和机器学习分类等。每个检测指标都会被单独分析，以判断其是否符合复位的条件。例如，如果烟雾密度指标显示烟雾浓度低于某一阈值，并且烟雾运动速度较慢，这表明火灾风险较低，烟雾报警器可以考虑复位。对每个目标检测值的复位判定结果进行结果融合。结果融合是一个关键的决策过程，它考虑了所有单独指标的复位判定结果，并将它们综合起来形成一个全面的判定。这个过程涉及使用加权方法、决策逻辑或者机器学习算法来优化综合评估。在这个过程中，不同指标的重要性会有所不同，因此它们在融合时会被赋予不同的权重。例如，如果某个指标与烟雾的危险性高度相关，则在融合过程中会给予更高的权重。最终，通过综合所有指标的复位判定结果，得到第二烟雾报警器复位判定结果，这个结果反映了综合考虑所有相关因素后的判定。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）对第一烟雾报警器复位判定结果和第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果；

（2）根据综合分析结果定义初始烟雾报警器复位判定模型的模型参数优化范围；

（3）通过模型参数优化范围进行参数粒子种群生成，得到目标参数粒子种群，目标参数粒子种群包括多个子粒子种群；

（4）分别对每个子粒子种群进行适应度计算，得到粒子适应度集合；

（5）对粒子适应度集合进行迭代计算，直至满足预设条件时，生成目标参数粒子种群对应的最优解；

（6）通过最优解对初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型。

具体的，对第一烟雾报警器复位判定结果和第二烟雾报警器复位判定结果进行综合分析。将两套复位判定结果结合起来，形成一个更全面的综合分析结果。例如，第一烟雾报警器的复位判定基于光电信号的分析，而第二烟雾报警器的复位判定基于图像数据的分析。通过将这两种不同来源的数据进行综合分析，可以更准确地判断烟雾的状态。这种综合分析考虑了不同数据源的互补性，确保了复位判定的准确性和可靠性。根据综合分析结果定义初始烟雾报警器复位判定模型的模型参数优化范围，确定哪些模型参数需要调整，以及调整的程度，确保优化过程针对性强，能有效提升模型的性能。例如，如果综合分析显示当前模型对某些特征的敏感度不足，那么需要调整与这些特征相关的参数。通过定义的模型参数优化范围进行参数粒子种群的生成。使用粒子群优化（PSO）算法，其中每个粒子代表一组的模型参数设置。目标参数粒子种群包含多个子粒子种群，每个子粒子种群都代表了一组潜在的模型参数解决方案。PSO是一种基于群体智能的优化算法，它模拟鸟群或鱼群的社会行为来寻找最优解。例如，每个粒子可以被视为在参数空间中搜索的一个点，粒子群作为整体通过共享信息来探索最佳的参数设置。对每个子粒子种群进行适应度计算。适应度计算是评估每个粒子（即模型参数设置）对于模型性能的贡献程度。将每个粒子所代表的参数设置应用于模型，并评估模型在这些参数下的表现，适应度计算的结果形成了粒子适应度集合。例如，一个粒子的适应度可以基于模型在特定参数设置下对烟雾情况判定的准确性来计算。对粒子适应度集合进行迭代计算，直至满足预设条件。在迭代计算过程中，粒子群算法通过模拟社会行为不断调整每个粒子的位置，以寻找最优解。这个过程中，粒子之间会相互“交流”信息，根据自身和群体的经验调整搜索方向。迭代计算会持续进行，直到达到最大迭代次数或找到满足特定性能标准的解。例如，当某个粒子的参数设置使模型达到最高的准确率时，这个参数设置被认为是最优解。当找到满足预设条件的最优解时，利用这个最优解对初始烟雾报警器复位判定模型进行优化，从而得到目标烟雾报警器复位判定模型。这个最优解代表了模型参数中最能提高模型性能的配置。优化后的模型预期能更准确、更有效地进行烟雾报警器复位判定。通过这种方法，烟雾报警器的复位判定模型不断进化，适应不断变化的环境和烟雾特性，从而提高其在实际应用中的可靠性和有效性。

上面对本申请实施例中烟雾报警器的复位方法进行了描述，下面对本申请实施例中烟雾报警器的复位装置进行描述，请参阅图2，本申请实施例中烟雾报警器的复位装置一个实施例包括：

检测模块201，用于通过预置的烟雾报警器对目标烟雾区域进行进气参数检测和烟雾区域图像采集，得到传感器进气参数数据和初始烟雾区域图像数据；

转换模块202，用于对所述传感器进气参数数据进行光电信号转换，得到目标光电信号集合，并对所述目标光电信号集合进行特征提取和特征分类，得到高频融合光电特征以及低频融合光电特征；

分析模块203，用于将所述高频融合光电特征以及所述低频融合光电特征输入预置的初始烟雾报警器复位判定模型进行烟雾报警器复位判定分析，得到第一烟雾报警器复位判定结果；

处理模块204，用于对所述初始烟雾区域图像数据进行图像预处理，得到目标烟雾区域图像数据，并对所述目标烟雾区域图像数据进行多尺度特征提取，得到多尺度特征图像数据；

判定模块205，用于根据所述多尺度特征图像数据对所述烟雾报警器进行烟雾报警器复位判定分析，得到第二烟雾报警器复位判定结果；

优化模块206，用于对所述第一烟雾报警器复位判定结果和所述第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果，并根据所述综合分析结果对所述初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型。

通过上述各个组成部分的协同合作，利用了烟雾区域的进气参数数据和图像数据，包括传感器数据和多尺度特征图像数据。这种多源数据的综合分析可以提高烟雾报警器的复位判定的准确性和可靠性。通过对传感器进气参数数据进行特征提取和特征分类，以及对图像数据进行多尺度特征提取，能够更全面地捕捉到烟雾区域的信息，从而更准确地判定烟雾报警器是否需要复位。在综合分析的基础上对初始烟雾报警器复位判定模型进行模型优化。根据实际情况和数据进行自适应调整，提高了系统的性能和鲁棒性。通过使用多尺度特征和模型优化，可以实时监测烟雾情况，并在早期阶段识别烟雾，提前采取措施，从而提高了报警系统的实时性和预测性。由于可以更准确地分析烟雾情况，可以减少误报率，避免了不必要的干扰和恶化情况的误报，进而提高了烟雾报警器的复位准确率。

本申请还提供一种烟雾报警器的复位设备，所述烟雾报警器的复位设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述烟雾报警器的复位方法的步骤。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述烟雾报警器的复位方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述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介质中。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做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介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.一种烟雾报警器的复位方法，其特征在于，所述烟雾报警器的复位方法包括：

通过预置的烟雾报警器对目标烟雾区域进行进气参数检测和烟雾区域图像采集，得到传感器进气参数数据和初始烟雾区域图像数据；

对所述传感器进气参数数据进行光电信号转换，得到目标光电信号集合，并对所述目标光电信号集合进行特征提取和特征分类，得到高频融合光电特征以及低频融合光电特征；

将所述高频融合光电特征以及所述低频融合光电特征输入预置的初始烟雾报警器复位判定模型进行烟雾报警器复位判定分析，得到第一烟雾报警器复位判定结果；

对所述初始烟雾区域图像数据进行图像预处理，得到目标烟雾区域图像数据，并对所述目标烟雾区域图像数据进行多尺度特征提取，得到多尺度特征图像数据；

根据所述多尺度特征图像数据对所述烟雾报警器进行烟雾报警器复位判定分析，得到第二烟雾报警器复位判定结果；

对所述第一烟雾报警器复位判定结果和所述第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果，并根据所述综合分析结果对所述初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型；具体包括：对所述第一烟雾报警器复位判定结果和所述第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果；根据所述综合分析结果定义所述初始烟雾报警器复位判定模型的模型参数优化范围；通过所述模型参数优化范围进行参数粒子种群生成，得到目标参数粒子种群，所述目标参数粒子种群包括多个子粒子种群；分别对每个子粒子种群进行适应度计算，得到粒子适应度集合；对所述粒子适应度集合进行迭代计算，直至满足预设条件时，生成所述目标参数粒子种群对应的最优解；通过所述最优解对所述初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型。

2.根据权利要求1所述的烟雾报警器的复位方法，其特征在于，所述通过预置的烟雾报警器对目标烟雾区域进行进气参数检测和烟雾区域图像采集，得到传感器进气参数数据和初始烟雾区域图像数据，包括：

通过预置的烟雾报警器对目标烟雾区域进行颗粒浓度计算，得到颗粒浓度参数数据；

对所述目标烟雾区域进行烟雾颗粒尺寸计算，得到烟雾颗粒尺寸参数数据；

对所述目标烟雾区域进行光散射强度计算，得到光散射强度参数数据；

对所述颗粒浓度参数数据、所述烟雾颗粒尺寸参数数据以及所述光散射强度参数数据进行关联处理，得到传感器进气参数数据；

对所述目标烟雾区域进行烟雾区域图像采集，得到初始烟雾区域图像数据。

3.根据权利要求1所述的烟雾报警器的复位方法，其特征在于，所述对所述传感器进气参数数据进行光电信号转换，得到目标光电信号集合，并对所述目标光电信号集合进行特征提取和特征分类，得到高频融合光电特征以及低频融合光电特征，包括：

对所述传感器进气参数数据进行光电信号转换，得到初始光电信号集合，并对所述初始光电信号集合进行预处理，得到目标光电信号集合；

对所述初始光电信号集合进行离散小波变换，得到多个光电变换系数，并对所述多个光电变换系数进行特征统计，得到多个高频光电特征；

对所述多个高频光电特征进行高频特征加权融合，得到高频融合光电特征；

通过预置的双向长短时记忆网络对所述目标光电信号集合进行低频特征提取，得到多个低频光电特征；

对所述多个低频光电特征进行低频特征加权融合，得到低频融合光电特征。

4.根据权利要求1所述的烟雾报警器的复位方法，其特征在于，所述将所述高频融合光电特征以及所述低频融合光电特征输入预置的初始烟雾报警器复位判定模型进行烟雾报警器复位判定分析，得到第一烟雾报警器复位判定结果，包括：

将所述高频融合光电特征以及所述低频融合光电特征输入预置的初始烟雾报警器复位判定模型，所述初始烟雾报警器复位判定模型包括：输入层、两层门限循环单元、两层全连接层以及输出层；

通过所述输入层对所述高频融合光电特征以及所述低频融合光电特征进行特征编码，得到高频光电特征编码值和低频光电特征编码值，并对所述高频光电特征编码值和所述低频光电特征编码值进行加权求和，得到加权光电特征编码值，以及根据所述高频光电特征编码值、所述低频光电特征编码值以及所述加权光电特征编码值生成三维输入向量；

通过所述两层门限循环单元对所述三维输入向量进行隐藏特征提取，得到隐藏特征向量，所述两层门限循环单元中的每层门限循环单元包括128个GRU单元；

通过所述两层全连接层对所述隐藏特征向量进行烟雾报警器复位概率计算，得到烟雾报警器复位概率预测值，所述两层全连接层的第一层全连接层为ReLU函数，所述两层全连接层的第二层全连接层为Sigmoid函数；

通过所述输出层对所述烟雾报警器复位概率预测值与预设目标值进行比较和复位判定结果分析，输出第一烟雾报警器复位判定结果。

5.根据权利要求1所述的烟雾报警器的复位方法，其特征在于，所述对所述初始烟雾区域图像数据进行图像预处理，得到目标烟雾区域图像数据，并对所述目标烟雾区域图像数据进行多尺度特征提取，得到多尺度特征图像数据，包括：

对所述初始烟雾区域图像数据进行图像去噪，得到第一烟雾区域图像数据；

对所述第一烟雾区域图像数据进行对比度增强，得到第二烟雾区域图像数据；

对所述第二烟雾区域图像数据进行灰度化处理，得到目标烟雾区域图像数据；

对所述目标烟雾区域图像数据进行烟雾边缘特征、烟雾纹理特征和烟雾形状特征提取，得到目标多尺度特征；

根据所述目标多尺度特征对所述目标烟雾区域图像数据进行多尺度特征图编码，得到多尺度特征图像数据。

6.根据权利要求1所述的烟雾报警器的复位方法，其特征在于，所述根据所述多尺度特征图像数据对所述烟雾报警器进行烟雾报警器复位判定分析，得到第二烟雾报警器复位判定结果，包括：

根据所述多尺度特征图像数据生成所述目标烟雾区域的多个目标检测指标值；

根据所述多个目标检测指标值对所述烟雾报警器进行烟雾报警器复位判定分析，得到每个目标检测值的复位判定结果；

对每个目标检测值的复位判定结果进行结果融合，得到第二烟雾报警器复位判定结果。

7.一种烟雾报警器的复位装置，其特征在于，所述烟雾报警器的复位装置包括：

检测模块，用于通过预置的烟雾报警器对目标烟雾区域进行进气参数检测和烟雾区域图像采集，得到传感器进气参数数据和初始烟雾区域图像数据；

转换模块，用于对所述传感器进气参数数据进行光电信号转换，得到目标光电信号集合，并对所述目标光电信号集合进行特征提取和特征分类，得到高频融合光电特征以及低频融合光电特征；

分析模块，用于将所述高频融合光电特征以及所述低频融合光电特征输入预置的初始烟雾报警器复位判定模型进行烟雾报警器复位判定分析，得到第一烟雾报警器复位判定结果；

处理模块，用于对所述初始烟雾区域图像数据进行图像预处理，得到目标烟雾区域图像数据，并对所述目标烟雾区域图像数据进行多尺度特征提取，得到多尺度特征图像数据；

判定模块，用于根据所述多尺度特征图像数据对所述烟雾报警器进行烟雾报警器复位判定分析，得到第二烟雾报警器复位判定结果；

优化模块，用于对所述第一烟雾报警器复位判定结果和所述第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果，并根据所述综合分析结果对所述初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型；具体包括：对所述第一烟雾报警器复位判定结果和所述第二烟雾报警器复位判定结果进行综合分析，得到综合分析结果；根据所述综合分析结果定义所述初始烟雾报警器复位判定模型的模型参数优化范围；通过所述模型参数优化范围进行参数粒子种群生成，得到目标参数粒子种群，所述目标参数粒子种群包括多个子粒子种群；分别对每个子粒子种群进行适应度计算，得到粒子适应度集合；对所述粒子适应度集合进行迭代计算，直至满足预设条件时，生成所述目标参数粒子种群对应的最优解；通过所述最优解对所述初始烟雾报警器复位判定模型进行模型优化，得到目标烟雾报警器复位判定模型。

8.一种烟雾报警器的复位设备，其特征在于，所述烟雾报警器的复位设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述烟雾报警器的复位设备执行如权利要求1-6中任一项所述的烟雾报警器的复位方法。

9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述的烟雾报警器的复位方法。