CN201259717Y - 一种火灾探测系统 - Google Patents
一种火灾探测系统 Download PDFInfo
- Publication number
- CN201259717Y CN201259717Y CNU2008200804879U CN200820080487U CN201259717Y CN 201259717 Y CN201259717 Y CN 201259717Y CN U2008200804879 U CNU2008200804879 U CN U2008200804879U CN 200820080487 U CN200820080487 U CN 200820080487U CN 201259717 Y CN201259717 Y CN 201259717Y
- Authority
- CN
- China
- Prior art keywords
- fire
- module
- image
- flame
- camera
- 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.)
- Expired - Lifetime
Links
Images
Landscapes
- Fire Alarms (AREA)
- Closed-Circuit Television Systems (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本实用新型公开一种火灾探测系统,包括:用于获取探测区域的视频图像的双可变摄像机,所述双可变摄像机至少包括工作在彩色或近红外模式的第一摄像头或工作在彩色或黑白模式的第二摄像头;用于将从所述双可变摄像机采集到的视频图像转换为数字图像,并进行滤波处理,得到时间序列图像的图像采集模块,与所述双可变摄像机连接;用于对所述时间序列图像进行分析处理,得到火焰、烟雾和火灾发生概率的火灾识别模块,与所述图像采集模块连接;用于比较所述火焰、烟雾和火灾发生概率与预设阈值,并根据比较结果发出相应报警信息的报警模块,与所述火灾识别模块连接。本实用新型可有效获取各种背景光线条件下的火灾视频图像,实现早期、可靠的火灾报警。
Description
技术领域
本实用新型涉及消防安全监测技术,尤其涉及一种火灾探测系统。
背景技术
随着全球工业、商业、民用建筑设施的不断发展,火灾也在同比增长。近些年来全球化气候变迁,火灾更易产生,一起又一起的特大火灾频发,给人类带来了巨大的损失和困扰,尤其是对全球的森林,更是带来了难以挽救的巨大灾难。
虽然目前的火灾探测系统可以用于对火灾的探测和报警,但是传统火灾探测器存在响应延迟的问题,例如,探测器可以探测到的热和烟雾从火灾位置到达探测器的位置需要较大的延迟,尤其是对森林等大型场地的火灾探测更是一个难题。对于森林等大型场地,甚至采用卫星监测或空气采样烟雾探测器等进行探测,响应延迟的问题也难以避免。
基于图像的火灾探测系统则可以从火焰和烟雾两方面同时探测以消除响应延迟,实现快速早期报警。基于图像的火灾探测系统不依赖于某一个物理参数,例如温度或温度变化率、减光率、UV(Ultraviolet Ray,紫外线)或IR(infraredRay,红外线)等,而是通过识别图像中一种或多种火灾的可见特征,例如颜色、闪烁、纹理、减光性等,并将每一种特征参数结合到一起,通过一个决策机制,确定是否发生火灾。总体而言,基于图像的火灾探测系统在大空间火灾早期探测、火灾物理特征不按通常的规律发展的场所或区域(例如隧道、森林)的火灾探测、可视化、可与CCTV(Closed-Circuit Television,闭路电视监控系统)监控系统兼容等方面具有相当的优势。
但是,由于基于图像的火灾探测系统必须依赖于火灾的可见特征,例如尺寸、运动、透明度、持续性等,需要建立在可见环境条件下,对背景环境的要求较高,因此存在一定的局限性,即:
(1)可能无法探测到背景颜色、强度与火灾相似的场景火灾,产生漏报警。
例如,不能探测纯酒精透视的火焰、被气流吹动后的零碎片状火焰、蓝色背景下的蓝色火焰或运动车辆上的火焰等。
(2)可能在自然发生的状况非常类似于火灾时产生误报警。
例如太阳光或月光被水波反射、穿橙色运动服正在运动的人、风中飘动的树叶、水蒸气、受控的火、貌似烟雾的云等均可能造成系统误报警。
另外,对于探测系统中的摄像装置而言,通常是采用固定光谱特性的摄像头。而在探测火焰时,通常情况下希望光圈小一些,补偿小一些,这样可以获取到较为清晰的火焰轮廓;但是对烟雾的探测则不同,由于烟一般呈灰色、黑色或其它较暗的色调,通常情况下希望光圈大一些,光补偿多一些,尤其是在夜晚拍摄烟雾时。因此采用一种固定光谱特性的摄像头将很难满足火焰和烟雾同时进行探测的要求。但是,如果系统增加对摄像头参数控制功能的话,将会极大的增加系统实现的复杂程度。
也可以采用热成像系统进行火灾探测,热成像系统可以较好地探测火焰、过热部位,但却无法探测烟雾以及被遮挡的火焰,另外热成像系统往往采用长波或中波红外线,传感器成本较高。
实用新型内容
有鉴于此,本实用新型实施例提供一种火灾探测系统,可以有效获取各种背景光线条件下的火灾视频图像,从而实现早期、可靠的火灾报警。
为达到上述的目的,本实用新型实施例提供一种火灾探测系统,包括:
用于获取探测区域的视频图像的双可变摄像机,所述双可变摄像机至少包括工作在彩色或近红外模式的第一摄像头或工作在彩色或黑白模式的第二摄像头;
用于将从所述双可变摄像机采集到的视频图像转换为数字图像,并进行滤波处理,得到时间序列图像的图像采集模块,与所述双可变摄像机连接;
用于对所述时间序列图像进行分析处理,得到火焰、烟雾和火灾发生概率的火灾识别模块,与所述图像采集模块连接;
用于比较所述火焰、烟雾和火灾发生概率与预设阈值,并根据比较结果发出相应报警信息的报警模块,与所述火灾识别模块连接。
所述双可变摄像机包括所述工作在彩色或近红外模式的第一摄像头和所述工作在彩色或黑白模式的第二摄像头;
所述时间序列图像包括:
从所述第一摄像头采集到的第一视频图像处理得到的第一时间序列图像;
从所述第二摄像头采集到的第二视频图像处理得到的第二时间序列图像。
所述第一摄像头采用频谱响应范围在400nm至1200nm的CCD或CMOS图像传感器和截止频率在850nm以上波段的高通红外滤光片;
所述第二摄像头采用频谱响应范围在400nm至1200nm的CCD或CMOS图像传感器。
还包括:
用于将从所述图像采集模块获取到的时间序列图像进行背景光照强度和光分布计算,根据计算结果或所述火灾识别模块的处理要求控制所述第二摄像头进行工作模式的切换,还用于根据所述火灾识别模块的处理要求控制所述第一摄像头进行工作模式的切换的切换控制模块,与所述双可变摄像机、所述图像采集模块以及所述火灾识别模块连接。
所述火灾识别模块进一步包括:
用于对获取到的所述第一时间序列图像和所述第二时间序列图像进行分析和自学习,得到对应的长周期背景图像和短周期背景图像的背景建模与更新模块,与所述图像采集模块连接;
用于根据所述长周期背景图像和短周期背景图像,分别计算所述第一时间序列图像和所述第二时间序列图像的火焰特征参数,并对所述火焰特征参数进行数据融合,得到火焰发生概率的火焰识别模块,与所述背景建模与更新模块连接;
用于根据所述长周期背景图像和短周期背景图像,分别计算所述第一时间序列图像和所述第二时间序列图像的烟雾特征参数,并对所述烟雾特征参数进行数据融合,得到烟雾发生概率的烟雾识别模块,与所述背景建模与更新模块连接;
用于对所述火焰和烟雾发生概率进行数据融合,确定火灾发生概率的火灾概率融合模块,与所述火焰识别模块和所述烟雾识别模块连接。
还包括:
用于在探测区域的亮度分布和光照强度等级低于探测标准时,为所述双可变摄像机提供背景光源的背景光源模块。
还包括:
用于根据从所述图像采集模块获取到的时间序列图像,分析计算探测区域的亮度分布和光照强度等级,并在探测区域的亮度分布和光照强度等级低于探测标准时,控制所述背景光源模块的启动的光源控制模块,与所述图像采集模块和所述背景光源模块连接。
还包括:
用于系统的参数设定,并在发生误报警或漏报警时,利用自学习机制更新系统的参数的设定调试与自学习模块,与所述火灾识别模块连接。
还包括:
用于显示、保存采集到的探测区域内的视频图像和各种报警信息,并与所述设定调试与自学习模块连接,在发生误报警或漏报警时向所述设定调试与自学习模块提供事故视频录像的信息记录显示模块,与所述火灾识别模块连接。
还包括:
云台以及用于根据所述火灾识别模块设置的云台定周期或变周期转动条件计算云台的预置位或每一个位置的转动角度,或根据所述双可变摄像机的视场角计算云台转动角度,控制所述云台转的云台控制模块,所述云台控制模块与所述云台、所述火灾识别装置和所述双可变摄像机连接。
还包括:
用于根据所述火灾识别模块的识别结果,将所述双可变摄像机的探测区域设置为多个不同性质的监视区域,所述监视区域包括:高灵敏烟雾和火焰监视区、不灵敏烟雾和火焰监视区、故障监视区和非监视区,或火灾报警分区的监测区域设置模块,与所述火灾识别模块和所述双可变摄像连接。
本实用新型实施例具有以下有益效果:
系统同时对获取到的多种光谱特性的图像进行分析,可以探测到各种背景光线条件下的火灾,并能有效避免误报警和漏报警;
系统对获取到的图像同时进行火焰和烟雾识别,使得火灾识别的结果更准确;
系统具有自学习功能,可以不断适应所处的环境,大大提高系统防误报警和漏报警的能力;
系统可以实现可变视场的火灾探测。
附图说明
图1为本实用新型实施例一的火灾探测系统结构示意图;
图2为本实用新型实施例一的火灾探测方法流程示意图;
图3为本实用新型实施例一的火灾识别流程示意图;
图4为本实用新型实施例一的基于DSP的分布式智能火灾探测系统框架图;
图5为本实用新型实施例一的基于外部计算机的火灾探测系统框架图;
图6为本实用新型实施例二的火灾探测系统结构示意图;
图7为本实用新型实施例三的火灾探测系统结构示意图。
具体实施方式
如图1所示为本实用新型实施例一的火灾探测系统结构示意图,该火灾探测系统包括:
双可变摄像机10,用于获取探测区域的视频图像。
双可变摄像机10包括工作在彩色或近红外模式的第一摄像头101和工作在彩色或黑白模式的第二摄像头102。
图像采集模块11,与双可变摄像机10连接,用于将从第一摄像头101和第二摄像头102采集到的第一视频图像和第二视频转换为数字图像,并进行滤波处理,分别得到第一时间序列图像和第二时间序列图像。
火灾识别模块12,与图像采集模块11连接,用于对从图像采集模块11获取到的第一时间序列图像和第二时间序列图像进行分析处理,得到探测区域的火焰、烟雾和火灾发生概率。
报警模块13,与火灾识别模块12连接,用于获取火灾识别模块12发送的火焰、烟雾和火灾发生概率,比较所述火焰、烟雾和火灾发生概率与预设阈值,并根据比较结果发出相应报警信息。
切换控制模块14,与双可变摄像机10和图像采集模块11连接,用于对从图像采集模块11获取到的时间序列图像进行背景光照强度和光分布计算,根据计算结果控制第二摄像头102进行工作模式的切换,以获取最佳的视频图像。
具体的,当探测区域处于有光照条件下时,切换控制模块14控制第二摄像头102切换到彩色模式;当探测区域处于无光照或光照较弱的条件下时,控制第二摄像头102切换到黑白模式。
通常情况下,系统将第一摄像头101的工作模式设定在彩色模式,当上述火灾识别模块12在进行火焰识别时,还需要将第一摄像头101切换到近红外模式以获取近红外图像,进行火焰特征的二次验证;另外,当针对遮挡火或火焰闪烁进行探测时,还需要控制第二摄像头102切换到黑白模式。
因此,切换控制模块14还与火灾识别模块12连接,用于根据火灾识别模块12的处理要求控制第一摄像头101和第二摄像头102进行工作模式的切换。
当然,上述的各模块都需要进行供电,因此系统必然还包括供电模块,用于对各模块供电,保证系统的正常运行。
其中,上述的双可变摄像机10的制式可以根据需要选择PAL(PhaseAlternating Line,逐行倒相)或NTSC(National Television System Committee,国家电视系统委员会)。
双可变摄像机10中的第一摄像头101和第二摄像头102可以采用相同焦距的镜头,也可以采用不同焦距的镜头。
优选的,第一摄像头101采用小光圈和低补偿,以保证可以适应高背景光条件,第二摄像头102采用大光圈和高补偿,以最大限度捕捉各种光照条件下的烟雾运动和烟雾弥散特征。
本实用新型实施例中,第一摄像头101采用频谱响应范围在400nm(纳米)~1200nm(纳米)的CCD(Charge Coupled Device,电荷藕合器件)或CMOS(Complementary Metal Oxide Semiconducto,互补金属氧化物)图像传感器以及截止频率在850nm(或950nm及以上)波段的高通红外滤光片。
第一摄像头101可以清晰地获取各种光照条件下的火焰图像,将可见光的影响消除,并可以拍摄到类似于酒精等物质燃烧时的清晰图像,酒精等物质燃烧时火焰往往呈蓝色或透明状,烟雾很少,普通CCTV摄像头很难获取这一类火焰的完整图像;另外,有些物质燃烧后由于风的作用,火焰呈片状,普通CCTV摄像头捕捉的图像很难用于图像分析,而第一摄像头101则可以获得上述情况下的完整的火焰图像。
第二摄像头102同样采用频谱响应范围在400nm~1200nm的CCD或CMOS图像传感器。
第二摄像头102可以在各种光照条件下清晰地获取火灾烟雾的图像,在光照过强时,可以启动第一摄像头101的彩色模式获取清晰的烟雾图像。
第二摄像头102的黑白模式和第一摄像头101的近红外模式还可以有效捕捉火焰闪烁特征,即当火焰被遮挡时,通过周边背景的反射或折射,获取火焰燃烧时发出的可见光和红外光,进而探测到火焰被遮挡的火灾。
上述的火灾识别模块12在进行火焰和烟雾识别时,可以首先通过自学习对背景进行建模,得到特定周期的背景图像,然后将获取到的时间序列图像与特定周期背景图像对比,可以快速识别出火焰或烟雾特征。
因此,火灾识别模块12进一步包括:
背景建模与更新模块121,与图像采集模块11连接,用于对从图像采集模块11获取到的第一时间序列图像和第二时间序列图像进行分析和自学习,得到对应的长周期背景图像和短周期背景图像。
与传统方式中只采用一个参考背景图像不同,背景建模与更新模块121针对获取到的每一种光谱图像(彩色、近红外和黑白)均自学习得到一个长周期背景和一个短周期背景,长周期背景的时间长度为若干分钟到若干小时,短周期背景的时间长度为若干秒钟到若干分钟。
火焰识别模块122,与背景建模与更新模块121连接,用于根据得到的长周期背景图像和短周期背景图像,分别计算第一时间序列图像和第二时间序列图像的火焰特征参数,并对所述火焰特征参数进行数据融合,得到探测区域的火焰发生概率。
烟雾识别模块123,与背景建模与更新模块121连接,用于根据得到的长周期背景图像和短周期背景图像,分别计算第一时间序列图像和第二时间序列图像的烟雾特征参数,并对所述烟雾特征参数进行数据融合,得到探测区域的烟雾发生概率。
火灾概率融合模块124,与火焰识别模块122和烟雾识别模块123连接,用于对所述火焰发生概率和烟雾发生概率进行数据融合,得到探测区域的火灾发生概率。
上述背景建模与更新模块124通过对获取到的时间序列图像进行分析和自学习,得到的周期背景图像具体包括:
从第一摄像头101获取到的图像经过分析和自学习可以得到:第一彩色长周期背景图像和第一彩色短周期背景图像;以及近红外长周期背景图像和近红外短周期背景图像。
从第二摄像头102获取到的图像经过分析和自学习可以得到:第二彩色长周期背景图像和第二彩色短周期背景图像;以及黑白长周期背景图像和黑白短周期背景图像。
另外,上述用于火焰和烟雾识别的时间序列图像中,并非每一帧图像对火焰和烟雾识别都有价值。
因此,优选的,系统可以首先对获取到的第一时间序列图像和第二时间序列图像进行分析和自学习,分别从第一时间序列图像和第二时间序列图像中选择出适用于火焰和烟雾特征分析的特定系列帧图像,然后再对该选择出的特定系列帧图像进行火焰和烟雾识别,将会大大提高火焰和烟雾识别的效率。
根据上述得到的长周期背景图像和短周期背景图像,火焰识别模块122进行火焰识别的具体步骤如下:
首先,需要说明的是,用于进行火焰分析的第一时间序列图像包括彩色图像和近红外图像,第二时间序列图像为彩色图像或黑白图像。
通常情况下,系统将第一摄像头101的工作模式设定在彩色模式,根据火焰识别的要求,还需要将第一摄像头101切换到近红外模式以获取近红外图像,进行火焰特征的二次验证。
(1)首先对第一时间序列图像中的彩色图像进行分析,得到第一火焰特征参数IChara1=f3{Fqi,Ai,PRi,...},其中Fqi为闪动频率、Ai为火焰面积变化率、PRi为长周期和短周期扩展率;
(2)如果第二摄像头102当前工作在彩色模式,此时,第二时间序列图像为彩色图像,对第二时间序列图像进行分析,得到第二火焰特征参数IChara2=f3{Fqi,Ai,PRi,...},其中Fqi为闪动频率、Ai为火焰面积变化率、PRi为长周期和短周期扩展率;
(3)对上述分析出的火焰特征进行二次验证:
对第一时间序列图像中的近红外图像进行分析,得到第三火焰特征参数IChara3=f3{Fqi,Ai,PRi,...},其中Fqi为闪动频率、Ai为火焰面积变化率、PRi为长周期和短周期扩展率,其中闪动频率Fqi为火灾主频率2~12Hz;
(4)对第一时间序列图像或第二时间序列图像进行分析,得到反应火焰闪烁特征的参数IFreq,其中计算闪烁频率为2~6Hz;
(5)对上述计算得到的火焰特征参数进行数据融合,得到探测区域的火焰发生概率,即:
PFlame(t)=F2{IChara1,IChara2,IChara3,IFreq}
上述火焰发生概率可通过神经网络、模糊算法等进行学习计算而得到。
根据上述得到的长周期背景图像和短周期背景图像,烟雾识别模块123进行烟雾识别过程的具体如下:
通常情况下,用于进行烟雾识别的第一时间序列图像为彩色图像,第二时间序列图像为彩色图像或黑白图像。
(1)分别将第一时间序列图像和第二时间序列图像中的当前帧图像与前一帧或前若干帧图像对比分析,并将当前帧图像与上述得到的长周期背景图像或短周期背景图像对比分析,确定反应烟雾运动快慢特性的烟雾特征参数Ispeed,Ispeed的计算公式为:
Ispeed=(当前帧图像与前一帧或前若干帧图像变化面积)/(当前帧图像与短周期或长周期背景图像变化面积);
(2)分别将第一时间序列图像和第二时间序列图像等分或非等分为多个监测区域,针对每一个监测区域计算相关系数Ri、梯度变化Gi、饱和度变化Si、纹理变化Ti和光流场Fi等特征参数,得到反应烟雾弥散特性的特征参数IDisp=f1{Ri,Gi,Si,Ti,Fi,...};
(3)计算得到反应烟雾运动扩散特性的特征参数IMove=f2{Ri,Gi,Si,Ti,Fi,ISpeed...};
(4)对上述得到的烟雾特征参数进行数据融合,得到探测区域的烟雾发生概率,即:
PSmoke(t)=F1{IDisp1,IMove1,IDisp2,IMove2}
其中,IDisp1,IMove1表示第一时间序列图像的烟雾特征参数,IDisp2,IMove2表示第二时间序列图像的烟雾特征参数。
上述烟雾发生概率可通过神经网络或模糊算法等进行学习计算而得到。
上述火灾概率融合模块124根据从火焰识别模块122和烟雾识别模块123获取到的火焰发生概率和烟雾发生概率,确定火灾发生概率,火灾发生概率融合方法为:
Pf1(t)=PSmoke(t)[1+(PFlame(t)-K)]
Pf2(t)=PFlame(t)[1+(PSmoke(t)-K)]
PFire(t)=max{Pf1(t),Pf2(t)}
其中,PFlame(t)和PSmoke(t)分别为t时刻的火焰发生概率和烟雾发生概率,PFire(t)为t时刻的火灾发生概率,K为死区值,一般可取25%或其它数值,死区值K越大,对单一火灾表征,如火灾发生概率抑制作用越大,减少误报的能力越强,但灵敏度也就会降低。
将火焰发生概率和烟雾发生概率融合的目的在于,针对同时具有火焰和烟雾特征的图像,更容易确认为火灾,以提高系统对这一类火灾的反应能力和可靠性。当火焰或烟雾发生概率小于死区值K时,火灾发生概率受到抑制,当火焰或烟雾发生概率都大于K时,火灾发生概率即会加速增长。
上述的报警模块13根据火灾识别模块12发送的火焰、烟雾和火灾发生概率,按照以下规则进行警告、预警和报警:
如果PSmoke(t)≥Atten1 or PFlame(t)≥Atten2 or PFire(t)≥Atten3则进行警告;
如果PSmoke(t)≥Warn1 or PFlame(t)≥Warn2 or PFire(t)≥Warn3则进行预警;
如果PSmoke(t)≥Alarm1 or PFlame(t)≥Alarm2 or PFire(t)≥Alarm3则进行报警;
其中,Atten1,Atten2,Atten3,Warn1,Warn2,Warn3,Alarm1,Alarm2,Alarm3为判断阈值。
报警模块13可以通过输出通信口数据、启动LED灯或发出相应报警声音提示上述火警信息。
同时,考虑到探测区域内的亮度分布和光线强度可能会随着自然光线和人工光源的变化而变化,进而不能满足火灾探测的要求(如晚上这种特定时间),因此,本实用新型实施例火灾探测系统还包括:
光源控制模块,与图像采集模块11连接,用于根据从图像采集模块11获取到的时间序列图像,判断探测区域的亮度分布和背景光照强度,对于低于探测标准的情况,向背景光源模块输出启动控制命令,并监测光源启动后的视场变化情况。
背景光源模块,与光源控制模块连接,用于接收光源控制模块发出的启动控制命令,为探测区域提供背景光源。
该背景光源可以为红外背景光源,也可以为其他类型的背景光源。
在背景光源启动时,即使现场自然条件导致光线较暗,双可变摄像机10也可以利用背景光源模块提供的背景光源采集到符合条件的视频图像。
同时,由于上述部分模块需要组装后作为探测器安装在探测区域现场,因此考虑到对安装在现场的各模块的保护,还可设置一外壳,用于容纳双可变摄像机10等模块,在所述外壳上设置有窗口镜片,位于双可变摄像机10的前方,主要配合双可变摄像机10获取清晰的图像,该窗口镜片可以由有机或无机材料切割制作而成,保证探测区域的可见光和红外线可以被双可变摄像机10所接收。
本实用新型实施例的火灾探测系统可以采用基于DSP(Digital SignalProcessing,数字信号处理器)的分布式架构,也可以采用基于外部计算机的架构。当系统采用基于DSP的分布式架构时,安装在现场的探测器可以包括:双可变摄像机10、图像采集模块11、火灾识别模块12、输入输出模块以及背景光源模块;当系统采用基于外部计算机的架构时,安装在现场的探测器也可以仅仅包括:双可变摄像机10、输入输出模块和背景光源模块。
不论是基于DSP或外部计算机的火灾探测系统,安装在现场的探测器都需要包括一个输入输出模块,提供与外部模块连接的硬件和软件接口,并对相应信息进行输入和输出操作。
输入输出模块包括输入输出信号调理电路、近程和远程(RS232/485,TCP/IP等)通信电路接口等。
如图2所示为本实用新型实施例一的火灾探测系统的火灾探测方法的流程示意图,包括以下步骤:
步骤21,将分别从双可变摄像机的第一摄像头和第二摄像头采集到的第一视频图像和第二视频图像转换为数字图像,并进行滤波处理,得到第一时间序列图像和第二时间序列图像。
步骤22,对第一时间序列图像和第二时间序列图像进行分析处理,得到火焰、烟雾和火灾发生概率。
步骤23,比较所述火焰、烟雾和火灾发生概率与预设阈值,并根据比较结果发出相应报警信息。
同时,上述方法还包括:
对获取到时间序列图像进行背景光照强度和光分布计算,根据计算结果或火灾识别的处理要求控制第二摄像头进行工作模式的切换的步骤;
根据火灾识别的处理要求控制第一摄像头进行工作模式的切换的步骤;以及
在探测区域的亮度分布和光照强度等级低于探测标准时,使用背景光源的步骤。
以下对步骤23中火灾识别过程进行详细描述,如图3所示,步骤23具体包括:
步骤31,将获取到的第一时间序列图像和第二时间序列图像进行分析和自学习,得到对应的长周期背景图像和短周期背景图像。
步骤32,根据得到的长周期背景图像和短周期背景图像,分别获取第一时间序列图像和第二时间序列图像的火焰特征参数,并对所述火焰特征参数进行数据融合,得到探测区域的火焰发生概率。
步骤33,根据得到的长周期背景图像和短周期背景图像,分别获取第一时间序列图像和第二时间序列图像的烟雾特征参数,并对所述烟雾特征参数进行数据融合,得到探测区域的烟雾发生概率。
步骤34,对所述火焰发生概率和烟雾发生概率进行数据融合,确定火灾发生概率。
同时,本实用新型实施例的火灾探测系统进一步还包括:
火灾定位模块,与双可变摄像机10和火灾识别模块12连接,当火灾识别模块12确认火灾发生时,对图像中出现的火焰、烟雾特征参数进行聚类分析,将不同部位或区域同时出现的火灾进行分别标示,并通知双可变摄像机10获取对应火灾的准确坐标位置。
模拟操作模块,与火灾识别模块12连接,用于模拟故障或模拟火警,以便于进行系统安装、调试和维护。
考虑到系统使用方便和在某些特殊场所可能会发生误报警和漏报警的情况,本实用新型实施例的火灾探测系统还包括:
设定调试与自学习模块,与火灾识别模块12连接,用于进行探测系统的参数设定,并在发生误报警或漏报警时,利用自学习机制更新探测系统的参数。
信息记录显示模块,与火灾识别模块12连接,用于显示、保存采集到的探测区域内的视频图像和各种报警信息,并与设定调试与自学习模块连接,在发生误报警或漏报警时向设定调试与自学习模块提供事故视频录像。
设定调试与自学习模块进行自学习的过程具体包括:
(1)首先对误报警或漏报警的视频图像进行自学习,计算出火焰、烟雾和火灾数据融合过程的权重参数;
(2)针对新获得的权重参数,使用标准火灾视频图像库中的样本,检验系统响应的能力是否达到预期规定,如果偏离预期,则利用标准火灾视频图像库中的样本进行自学习,调校数据融合的权重;
(3)利用重新学习到的数据融合权重进行特定周期的试运行,无误后即可作为该特定场所的参考参数,提供今后使用。
本实用新型实施例的火灾探测系统还包括:
通信模块,与火灾识别模块12连接,用于与区域或远程的报警监控系统连接,将获取到的图像、火灾发生概率、火灾位置和报警信息上传或接受远程的控制信息。
通信模块可以将数字图像按照H.264等国际标准进行压缩传输。
区域报警监控模块,与通信模块连接,用于对分布各区域的探测器进行远程监视和控制。
区域报警监控模块也可用作中央报警监控系统,主要完成以下功能:
(1)针对多路探测器进行监视,并在监视视频图像中迭加火灾位置、火灾发生概率信息,采用地理信息系统GIS进行大区域的监视,对探测器地址编码、探测器安装区域、火灾概率、图像疑似区域位置、报警级别等信息进行显示;
(2)建立数据库对各种信息和火警区域火灾图像进行管理、存储;
(3)对探测区域的探测器、云台等进行控制;
(4)对灵敏度、监视区域和类型等探测器参数进行远程设定;
因为实际使用中环境的复杂性,可以将双可变摄像机10的探测区域设置为多个不同性质的监测区域,因此,系统还包括监测区域设置模块,监测区域设置模块将探测区域设置为高灵敏烟雾和火焰监测区、不灵敏烟雾和火焰监测区、故障监测区和非监测区,或火灾报警分区等。图像中三个以上故障监测区域可以保证快速判断视场偏移等故障状态;对于已经明确有受控火的区域,可以置为非监测区;对于明显干扰较大区域,可以降低一些系统灵敏度,以提高可靠性;对于干扰很少又很重要的区域可以设为高灵敏监测区。
(5)可以根据需要增加火灾二次识别模块,对火灾发生概率异常的视频图像进行二次识别和确认,提升系统的可靠性。
另外,传统的火灾探测系统中的摄像装置基本是固定视场,因为可变视场会带来系统实现的复杂化和探测报警的延迟,然而在森林等大型场所的火灾探测中,可变视场成为一种必需。
因此,考虑到可变视场的需求,本实用新型实施例的火灾探测系统还包括可以垂直水平转动的云台以及控制云台转动的云台控制模块。
云台控制模块,与火灾识别模块12和双可变摄像机10连接,根据火灾识别模块10设置的云台定周期或变周期转动条件,或双可变摄像机10的视场角计算云台的预置位或每一个位置的转动角度,以控制云台转动。
云台每一个位置的转换周期为固定周期或可变周期,固定周期长度要保证采集足够长度帧的图像用于火灾的判断,而可变周期控制则取决于每一个角度或预置位实时分析的状况,当发现疑似火灾时,或确认火灾报警时,控制云台保持视场稳定,直至排除疑似或系统复位为止;对于视场中没有任何疑似火灾或趋势时,输出新获得的转动周期值,控制云台转动,转动周期最低不小于一个特定阈值。
云台控制模块可以按照双可变摄像机10的视场角划分固定的多个预置位,仅需按预置位控制云台转动即可。也可以采用可角度反馈的云台,实现连续、复杂的控制要求。
考虑到上述火灾探测系统也可能嵌入到UAV无人驾驶直升机中,此时,本实用新型实施例的火灾探测系统还包括:
飞机控制模块,用于对飞机悬停和姿态调整进行控制。
对于UAV图像火灾探测系统,最困难的是飞机在运动并且抖动较大,因此所获得的图像必须能够快速反应火灾基本特征。飞机控制模块则可以对飞机悬停、倒退等飞行姿态进行控制,进而使可以获取更多火灾的相关图像。
图4为本实用新型实施例的基于DSP的分布式火灾探测系统框架图。
图4中的处理器和控制器即完成本实用新型实施例的火灾探测系统中的火灾识别模块和切换控制模块的功能。
基于DSP的分布式火灾探测系统中,采用DSP并行处理器形成完整独立的分布智能火灾探测器,分布智能火灾探测器既可以与常规火灾探测报警系统兼容,也可以与常规CCTV图像监控系统兼容,具有广阔的应用前景。
图5为本实用新型实施例的基于外部计算机的火灾探测系统框架图。
同样的,图5中的处理器和控制器即完成本实用新型实施例的火灾探测系统中的火灾识别模块和切换控制模块的功能。
与基于DSP的分布式火灾探测系统不同,基于外部计算机的火灾探测系统可以连接多套双可变摄像机。
上述火灾探测系统中的双可变摄像机也可以只包括工作在彩色或近红外模式的第一摄像头,或只包括工作在彩色或黑白模式的第二摄像头。只包括工作在彩色或近红外模式的第一摄像头的双可变摄像机主要用于针对火焰识别的探测系统,只包括工作在彩色或黑白模式的第二摄像头的双可变摄像机主要用于针对烟雾识别的探测系统。
如图6所示为本实用新型实施例二的火灾探测系统结构示意图,该火灾探测系统包括:
包括工作在彩色或近红外模式的第一摄像头101的可变摄像机20,用于获取探测区域的视频图像。
图像采集模块11,与双可变摄像机20连接,用于将从双可变摄像机20采集到的视频图像转换为数字图像,并进行滤波处理,得到时间序列图像。
火灾识别模块12,与图像采集模块11连接,用于对从图像采集模块11获取到的时间序列图像进行分析处理,得到探测区域的火焰发生概率。
报警模块13,与火灾识别模块12连接,用于获取火灾识别模块12发送的火焰发生概率,比较所述火焰发生概率与预设阈值,并根据比较结果发出相应报警信息。
通常情况下,系统将第一摄像头101的工作模式设定在彩色模式,当上述火灾识别模块12在进行火焰识别时,还需要将第一摄像头101切换到近红外模式以获取近红外图像,进行火焰特征的二次验证。
因此,系统还包括:
切换控制模块14,与火灾识别模块12连接,用于根据火灾识别模块12的处理要求控制第一摄像头101进行工作模式的切换。
当然,上述的各模块都需要进行供电,因此系统必然还包括供电模块,用于对各模块供电,保证系统的正常运行。
上述的火灾识别模块12在进行火焰识别时,可以首先通过自学习对背景进行建模,得到特定周期的背景图像,然后将获取到的时间序列图像与特定周期背景图像对比,可以快速识别出火焰特征。
因此,火灾识别模块12进一步包括:
背景建模与更新模块121,与图像采集模块11连接,用于对从图像采集模块11获取到的时间序列图像进行分析和自学习,得到对应的长周期背景图像和短周期背景图像。
与传统方式中只采用一个参考背景图像不同,背景建模与更新模块121针对获取到的每一种光谱图像(彩色和近红外)均自学习得到一个长周期背景和一个短周期背景,长周期背景的时间长度为若干分钟到若干小时,短周期背景的时间长度为若干秒钟到若干分钟。
火焰识别模块122,与背景建模与更新模块121连接,用于根据得到的长周期背景图像和短周期背景图像,计算获取到的时间序列图像的火焰特征参数,并对所述火焰特征参数进行数据融合,得到探测区域的火焰发生概率。
上述背景建模与更新模块124通过对获取到的时间序列图像进行分析和自学习,得到的周期背景图像具体包括:
彩色长周期背景图像和彩色短周期背景图像;以及
近红外长周期背景图像和近红外短周期背景图像。
另外,上述用于火焰识别的时间序列图像中,并非每一帧图像对火焰识别都有价值。
因此,优选的,系统可以首先对获取到的时间序列图像进行分析和自学习,从所述时间序列图像中选择出适用于火焰特征分析的特定系列帧图像,然后再对该选择出的特定系列帧图像进行火焰识别,将会大大提高火焰识别的效率。
根据上述得到的长周期背景图像和短周期背景图像,火焰识别模块122进行火焰识别的具体步骤如下:
首先,需要说明的是,用于进行火焰分析的时间序列图像包括彩色图像和近红外图像。
通常情况下,系统将第一摄像头101的工作模式设定在彩色模式,根据火焰识别的要求,还需要将第一摄像头101切换到近红外模式以获取近红外图像,进行火焰特征的二次验证。
(1)首先对时间序列图像中的彩色图像进行分析,得到第一火焰特征参数IChara1=f3{Fqi,Ai,PRi,...},其中Fqi为闪动频率、Ai为火焰面积变化率、PRi为长周期和短周期扩展率;
(2)对上述分析出的火焰特征进行二次验证:
对时间序列图像中的近红外图像进行分析,得到第三火焰特征参数IChara3=f3{Fqi,Ai,PRi,...},其中Fqi为闪动频率、Ai为火焰面积变化率、PRi为长周期和短周期扩展率,其中闪动频率Fqi为火灾主频率2~12Hz;
(3)对时间序列图像进行分析,得到反应火焰闪烁特征的参数IFreq,其中计算闪烁频率为2~6Hz;
(4)对上述计算得到的火焰特征参数进行数据融合,得到探测区域的火焰发生概率,即:
PFlame(t)=F2{IChara1,IChara2,IChara3,IFreq}
上述火焰发生概率可通过神经网络、模糊算法等进行学习计算而得到。
上述的报警模块13根据火灾识别模块12发送的火焰发生概率,按照以下规则进行警告、预警和报警:
如果PFlame(t)≥Atten2则进行警告;
如果PFlame(t)≥Warn2则进行预警;
如果PFlame(t)≥Alarm2则进行报警;
其中,Atten2,Warn2,Alarm2为判断阈值。
报警模块13可以通过输出通信口数据、启动LED灯或发出相应报警声音提示上述火警信息。
当然,本实用新型实施例二的火灾探测系统还包括背景光源模块、背景光源控制模块、输入输出模块等,与上述实施例一中的其他模块类似,在此不再详述。
上述描述的只包括工作在彩色或近红外模式的第一摄像头的双可变摄像机的火灾探测系统仅用于火焰识别,得到火焰发生概率,当然,其也可以用于烟雾识别,得到烟雾发生概率,并可以将火焰和烟雾发生概率融合,得到火灾发生概率,只是其烟雾识别的效果较差。
如图7所示为本实用新型实施例三的火灾探测系统结构示意图,该火灾探测系统包括:
包括工作在彩色或黑白模式的第二摄像头102的双可变摄像机30,用于获取探测区域的视频图像。
图像采集模块11,与双可变摄像机30连接,用于将从双可变摄像机30采集到的视频图像转换为数字图像,并进行滤波处理,得到时间序列图像。
火灾识别模块12,与图像采集模块11连接,用于对从图像采集模块11获取到的时间序列图像进行分析处理,得到探测区域的烟雾发生概率。
报警模块13,与火灾识别模块12连接,用于获取火灾识别模块12发送的烟雾发生概率,比较所述烟雾发生概率与预设阈值,并根据比较结果发出相应报警信息。
切换控制模块14,与双可变摄像机30和图像采集模块11连接,用于对从图像采集模块11获取到的时间序列图像进行背景光照强度和光分布计算,根据计算结果控制第二摄像头102进行工作模式的切换,以获取最佳的视频图像。
具体的,当探测区域处于有光照条件下时,切换控制模块14控制第二摄像头102切换到彩色模式;当探测区域处于无光照或光照较弱的条件下时,控制第二摄像头102切换到黑白模式。
当然,上述的各模块都需要进行供电,因此系统必然还包括供电模块,用于对各模块供电,保证系统的正常运行。
上述的火灾识别模块12在进行烟雾识别时,可以首先通过自学习对背景进行建模,得到特定周期的背景图像,然后将获取到的时间序列图像与特定周期背景图像对比,可以快速识别出烟雾特征。
因此,火灾识别模块12进一步包括:
背景建模与更新模块121,与图像采集模块11连接,用于对从图像采集模块11获取到的时间序列图像进行分析和自学习,得到对应的长周期背景图像和短周期背景图像。
与传统方式中只采用一个参考背景图像不同,背景建模与更新模块121针对获取到的每一种光谱图像(彩色和黑白)均自学习得到一个长周期背景和一个短周期背景,长周期背景的时间长度为若干分钟到若干小时,短周期背景的时间长度为若干秒钟到若干分钟。
烟雾识别模块123,与背景建模与更新模块121连接,用于根据得到的长周期背景图像和短周期背景图像,计算时间序列图像的烟雾特征参数,并对所述烟雾特征参数进行数据融合,得到探测区域的烟雾发生概率。
上述背景建模与更新模块124通过对获取到的时间序列图像进行分析和自学习,得到的周期背景图像具体包括:
彩色长周期背景图像和彩色短周期背景图像;以及
黑白长周期背景图像和黑白短周期背景图像。
另外,上述用于烟雾识别的时间序列图像中,并非每一帧图像对烟雾识别都有价值。
因此,优选的,系统可以首先对获取到的时间序列图像进行分析和自学习,从所述时间序列图像中选择出适用于烟雾特征分析的特定系列帧图像,然后再对该选择出的特定系列帧图像进行烟雾识别,将会大大提高烟雾识别的效率。
根据上述得到的长周期背景图像和短周期背景图像,烟雾识别模块123进行烟雾识别过程的具体如下:
(1)将时间序列图像中的当前帧图像与前一帧或前若干帧图像对比分析,并将当前帧图像与上述得到的长周期背景图像或短周期背景图像对比分析,得到反应烟雾运动快慢特性的烟雾特征参数Ispeed,Ispeed的计算公式为:Ispeed=(当前帧图像与前一帧或前若干帧图像变化面积)/(当前帧图像与短周期或长周期背景图像变化面积);
(2)将时间序列图像等分或非等分为多个监测区域,针对每一个监测区域计算相关系数Ri、梯度变化Gi、饱和度变化Si、纹理变化Ti和光流场Fi等特征参数,得到反应烟雾弥散特性的特征参数IDisp=f1{Ri,Gi,Si,Ti,Fi,...};
(3)计算得到反应烟雾运动扩散特性的特征参数IMove=f2{Ri,Gi,Si,Ti,Fi,ISpeed...};
(4)对上述得到的烟雾特征参数进行数据融合,得到探测区域的烟雾发生概率,即:
PSmoke(t)=F1{IDisp,IMove}
上述烟雾发生概率可通过神经网络或模糊算法等进行学习计算而得到。
上述的报警模块13根据火灾识别模块12发送的烟雾发生概率,按照以下规则进行警告、预警和报警:
如果PSmoke(t)≥Atten1则进行警告;
如果PSmoke(t)≥Warn1则进行预警;
如果PSmoke(t)≥Alarm1则进行报警;
其中,Atten1,Warn1,Alarm1为判断阈值。
报警模块13可以通过输出通信口数据、启动LED灯或发出相应报警声音提示上述火警信息。
当然,本实用新型实施例三的火灾探测系统还包括背景光源模块、背景光源控制模块、输入输出模块等,与上述实施例一中的其他模块类似,在此不再详述。
上述描述的只包括工作在彩色或黑白模式的第二摄像头的双可变摄像机的火灾探测系统仅用于烟雾识别,得到烟雾发生概率,当然,其也可以用于火焰识别,得到火焰发生概率,并可以将火焰和烟雾发生概率融合,得到火灾发生概率,只是其火焰识别的效果较差。
当然,利用本实用新型实施例二和实施例三的火灾探测系统(只包括工作在彩色或近红外模式的第一摄像头的双可变摄像机或只包括工作在彩色或黑白模式的第二摄像头的双可变摄像机)进行火灾探测时,也可以解决大部分火灾误报警和漏报警的问题,但是与本实用新型实施例一的火灾探测系统(包括工作在彩色或近红外的第一摄像头和工作在彩色或黑白模式的第二摄像头的双可变摄像机)相比,其对火灾探测的准确度相对要低。
以上所述仅是本实用新型的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本实用新型原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本实用新型的保护范围。
Claims (11)
1.一种火灾探测系统,其特征在于,包括:
用于获取探测区域的视频图像的双可变摄像机,所述双可变摄像机至少包括工作在彩色或近红外模式的第一摄像头或工作在彩色或黑白模式的第二摄像头;
用于将从所述双可变摄像机采集到的视频图像转换为数字图像,并进行滤波处理,得到时间序列图像的图像采集模块,与所述双可变摄像机连接;
用于对所述时间序列图像进行分析处理,得到火焰、烟雾和火灾发生概率的火灾识别模块,与所述图像采集模块连接;
用于比较所述火焰、烟雾和火灾发生概率与预设阈值,并根据比较结果发出相应报警信息的报警模块,与所述火灾识别模块连接。
2.根据权利要求1所述的火灾探测系统,其特征在于:
所述双可变摄像机包括所述工作在彩色或近红外模式的第一摄像头和所述工作在彩色或黑白模式的第二摄像头;
所述时间序列图像包括:
从所述第一摄像头采集到的第一视频图像处理得到的第一时间序列图像;
从所述第二摄像头采集到的第二视频图像处理得到的第二时间序列图像。
3.根据权利要求2所述的火灾探测系统,其特征在于:
所述第一摄像头采用频谱响应范围在400nm至1200nm的CCD或CMOS图像传感器和截止频率在850nm以上波段的高通红外滤光片;
所述第二摄像头采用频谱响应范围在400nm至1200nm的CCD或CMOS图像传感器。
4.根据权利要求2所述的火灾探测系统,其特征在于,还包括:
用于将从所述图像采集模块获取到的时间序列图像进行背景光照强度和光分布计算,根据计算结果或所述火灾识别模块的处理要求控制所述第二摄像头进行工作模式的切换,还用于根据所述火灾识别模块的处理要求控制所述第一摄像头进行工作模式的切换的切换控制模块,与所述双可变摄像机、所述图像采集模块以及所述火灾识别模块连接。
5.根据权利要求2所述的火灾探测系统,其特征在于,所述火灾识别模块进一步包括:
用于对获取到的所述第一时间序列图像和所述第二时间序列图像进行分析和自学习,得到对应的长周期背景图像和短周期背景图像的背景建模与更新模块,与所述图像采集模块连接;
用于根据所述长周期背景图像和短周期背景图像,分别计算所述第一时间序列图像和所述第二时间序列图像的火焰特征参数,并对所述火焰特征参数进行数据融合,得到火焰发生概率的火焰识别模块,与所述背景建模与更新模块连接;
用于根据所述长周期背景图像和短周期背景图像,分别计算所述第一时间序列图像和所述第二时间序列图像的烟雾特征参数,并对所述烟雾特征参数进行数据融合,得到烟雾发生概率的烟雾识别模块,与所述背景建模与更新模块连接;
用于对所述火焰和烟雾发生概率进行数据融合,确定火灾发生概率的火灾概率融合模块,与所述火焰识别模块和所述烟雾识别模块连接。
6.根据权利要求2所述的火灾探测系统,其特征在于,还包括:
用于在探测区域的亮度分布和光照强度等级低于探测标准时,为所述双可变摄像机提供背景光源的背景光源模块。
7.根据权利要求6所述的火灾探测系统,其特征在于,还包括:
用于根据从所述图像采集模块获取到的时间序列图像,分析计算探测区域的亮度分布和光照强度等级,并在探测区域的亮度分布和光照强度等级低于探测标准时,控制所述背景光源模块的启动的光源控制模块,与所述图像采集模块和所述背景光源模块连接。
8.根据权利要求2所述的火灾探测系统,其特征在于,还包括:
用于系统的参数设定,并在发生误报警或漏报警时,利用自学习机制更新系统的参数的设定调试与自学习模块,与所述火灾识别模块连接。
9.根据权利要求8所述的火灾探测系统,其特征在于,还包括:
用于显示、保存采集到的探测区域内的视频图像和各种报警信息,并与所述设定调试与自学习模块连接,在发生误报警或漏报警时向所述设定调试与自学习模块提供事故视频录像的信息记录显示模块,与所述火灾识别模块连接。
10.根据权利要求2所述的火灾探测系统,其特征在于,还包括:
云台以及用于根据所述火灾识别模块设置的云台定周期或变周期转动条件计算云台的预置位或每一个位置的转动角度,或根据所述双可变摄像机的视场角计算云台转动角度,控制所述云台转动的云台控制模块,所述云台控制模块与所述云台、所述火灾识别装置和所述双可变摄像机连接。
11.根据权利要求2所述的火灾探测系统,其特征在于,还包括:
用于根据所述火灾识别模块的识别结果,将所述双可变摄像机的探测区域设置为多个不同性质的监视区域,所述监视区域包括:高灵敏烟雾和火焰监视区、不灵敏烟雾和火焰监视区、故障监视区和非监视区,或火灾报警分区的监测区域设置模块,与所述火灾识别模块和所述双可变摄像连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNU2008200804879U CN201259717Y (zh) | 2008-05-09 | 2008-05-09 | 一种火灾探测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNU2008200804879U CN201259717Y (zh) | 2008-05-09 | 2008-05-09 | 一种火灾探测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN201259717Y true CN201259717Y (zh) | 2009-06-17 |
Family
ID=40773954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNU2008200804879U Expired - Lifetime CN201259717Y (zh) | 2008-05-09 | 2008-05-09 | 一种火灾探测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN201259717Y (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458865B (zh) * | 2008-05-09 | 2012-06-27 | 丁国锋 | 一种火灾探测系统及方法 |
CN103136893A (zh) * | 2013-01-24 | 2013-06-05 | 浙江工业大学 | 基于多传感器数据融合技术的隧道火灾预警控制方法及其系统 |
CN106327776A (zh) * | 2015-06-17 | 2017-01-11 | 深圳市海和电子有限公司 | 一种wifi视频烟雾警报监控系统 |
CN106384102A (zh) * | 2016-09-30 | 2017-02-08 | 深圳火星人智慧科技有限公司 | 一种带ir卡日夜两用数字网络摄像机火焰检测系统及方法 |
CN106448023A (zh) * | 2016-12-01 | 2017-02-22 | 上海腾盛智能安全科技股份有限公司 | 一种具有存储功能的火灾烟雾报警器 |
CN107025428A (zh) * | 2015-11-25 | 2017-08-08 | A.M.总建筑股份公司 | 用于有限空间的具有复合功能的红外辐射火灾检测器 |
CN108629940A (zh) * | 2018-05-02 | 2018-10-09 | 北京准视科技有限公司 | 一种图像型火灾探测报警系统 |
CN110598655A (zh) * | 2019-09-18 | 2019-12-20 | 东莞德福得精密五金制品有限公司 | 人工智能云计算多光谱烟雾高温火花火灾监控方法 |
CN112201000A (zh) * | 2020-10-10 | 2021-01-08 | 广东省构建工程建设有限公司 | 一种应用于施工阶段的火灾动态监测系统及方法 |
CN112927459A (zh) * | 2021-03-09 | 2021-06-08 | 湖南农业大学 | 一种基于无人机视觉的九宫格火势预测方法及应用 |
-
2008
- 2008-05-09 CN CNU2008200804879U patent/CN201259717Y/zh not_active Expired - Lifetime
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458865B (zh) * | 2008-05-09 | 2012-06-27 | 丁国锋 | 一种火灾探测系统及方法 |
CN103136893A (zh) * | 2013-01-24 | 2013-06-05 | 浙江工业大学 | 基于多传感器数据融合技术的隧道火灾预警控制方法及其系统 |
CN103136893B (zh) * | 2013-01-24 | 2015-03-04 | 浙江工业大学 | 基于多传感器数据融合技术的隧道火灾预警控制方法及其系统 |
CN106327776A (zh) * | 2015-06-17 | 2017-01-11 | 深圳市海和电子有限公司 | 一种wifi视频烟雾警报监控系统 |
CN107025428A (zh) * | 2015-11-25 | 2017-08-08 | A.M.总建筑股份公司 | 用于有限空间的具有复合功能的红外辐射火灾检测器 |
CN107025428B (zh) * | 2015-11-25 | 2022-01-25 | A.M.总建筑股份公司 | 用于有限空间的具有复合功能的红外辐射火灾检测器 |
CN106384102A (zh) * | 2016-09-30 | 2017-02-08 | 深圳火星人智慧科技有限公司 | 一种带ir卡日夜两用数字网络摄像机火焰检测系统及方法 |
CN106448023A (zh) * | 2016-12-01 | 2017-02-22 | 上海腾盛智能安全科技股份有限公司 | 一种具有存储功能的火灾烟雾报警器 |
CN108629940A (zh) * | 2018-05-02 | 2018-10-09 | 北京准视科技有限公司 | 一种图像型火灾探测报警系统 |
CN110598655A (zh) * | 2019-09-18 | 2019-12-20 | 东莞德福得精密五金制品有限公司 | 人工智能云计算多光谱烟雾高温火花火灾监控方法 |
CN110598655B (zh) * | 2019-09-18 | 2023-12-19 | 东莞德福得精密五金制品有限公司 | 人工智能云计算多光谱烟雾高温火花火灾监控方法 |
CN112201000A (zh) * | 2020-10-10 | 2021-01-08 | 广东省构建工程建设有限公司 | 一种应用于施工阶段的火灾动态监测系统及方法 |
CN112927459A (zh) * | 2021-03-09 | 2021-06-08 | 湖南农业大学 | 一种基于无人机视觉的九宫格火势预测方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101458865B (zh) | 一种火灾探测系统及方法 | |
CN201259717Y (zh) | 一种火灾探测系统 | |
CN101609589A (zh) | 多频图像火灾探测系统 | |
US7786877B2 (en) | Multi-wavelength video image fire detecting system | |
CN101334924B (zh) | 一种火灾探测系统及其火灾探测方法 | |
US7991187B2 (en) | Intelligent image smoke/flame sensor and detection system | |
CN100511305C (zh) | 双波段图象识别火灾探测报警系统及其监控方法 | |
WO2021253961A1 (zh) | 一种智能视觉感知系统 | |
CN101527073B (zh) | 火灾探测系统及方法 | |
CN100504942C (zh) | 智能视频监控设备模组和系统及其监控方法 | |
CN201936415U (zh) | 森林火情自动识别报警系统 | |
CN102176270A (zh) | 安全监控及火灾预警一体化系统及方法 | |
KR20140127574A (ko) | 화재 오보 감소를 위한 무인 비행체를 이용한 화재 감시 시스템 | |
CN201091014Y (zh) | 一种火灾探测装置 | |
CN201897856U (zh) | 安全监控及火灾预警一体化系统 | |
CN101656012A (zh) | 一种智能图像烟雾、火焰探测器及探测方法 | |
CN202523169U (zh) | 一种红外热像型火灾探测报警系统 | |
CN203630902U (zh) | 一种改进型图像火灾探测器 | |
CN108389359A (zh) | 一种基于深度学习的城市火灾报警方法 | |
CN111899452A (zh) | 基于边缘计算的森林防火预警系统 | |
CN109040711A (zh) | 一种图像采集方法、监控方法和图像传感器 | |
KR20210097500A (ko) | 화재감지장치 및 이를 포함하는 화재감지시스템 | |
KR101196678B1 (ko) | 실시간 화재 감시 장치 및 방법 | |
CN111476964A (zh) | 一种远程森林防火监控系统与方法 | |
CN113269034A (zh) | 一种基于内容识别的配电站所场景联动系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CX01 | Expiry of patent term | ||
CX01 | Expiry of patent term |
Granted publication date: 20090617 |