TWI807354B - 基於人工智能及影像辨識的火災偵測系統及火災偵測方法 - Google Patents
基於人工智能及影像辨識的火災偵測系統及火災偵測方法 Download PDFInfo
- Publication number
- TWI807354B TWI807354B TW110123482A TW110123482A TWI807354B TW I807354 B TWI807354 B TW I807354B TW 110123482 A TW110123482 A TW 110123482A TW 110123482 A TW110123482 A TW 110123482A TW I807354 B TWI807354 B TW I807354B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- monitoring
- module
- recognition
- fire
- Prior art date
Links
Images
Landscapes
- Alarm Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Fire Alarms (AREA)
Abstract
本發明公開一種基於人工智能及影像辨識的火災偵測系統以及火災偵測方法。火災偵測系統包含一影像監控模組、一影像辨識模組、及一火災警報模組。影像監控模組用以執行一監控作業,以對一監控區域進行影像拍攝,並且初步判斷是否存在一異常影像。影像辨識模組建立一人工智能物件偵測模型,用以對異常影像進行影像辨識,以輸出一辨識結果。當辨識結果符合一預定條件時,影像辨識模組將辨識結果傳送至火災警報模組,以觸發火災警報。
Description
本發明涉及一種火災偵測系統及火災偵測方法,特別是涉及一種基於人工智能及影像辨識的火災偵測系統及火災偵測方法。
現有技術的火災偵測系統及火災偵測方法可以對一監控區域進行監控,以利於當有諸如冒煙或起火等異常狀況發生時,火災偵測系統可以觸發火災警報,從而避免人員傷亡及財務損失。然而,對於一般工廠而言,重要設備及挑高場所的冒煙或起火等異常狀況不易監控,常因觸發火災警報的時間延遲,而錯失了人員可以救難的時間。或者,常因火災警報的誤報,從而導致現場作業人員的困擾。
綜上所述,本發明人有感上述缺失可改善,乃特潛心研究並配合學理之應用,終於提出一種設計合理且有效改善上述缺失之本發明。
本發明所要解決的技術問題在於,針對現有技術的不足提供一種基於人工智能及影像辨識的火災偵測系統及火災偵測方法,以期能即早偵測異常狀況、爭取應變時效、提升安全防護、及降低火災損害。
為了解決上述的技術問題,本發明所採用的其中一技術方案是,提供一種基於人工智能及影像辨識的火災偵測系統,其包括:一影像監控模組,其用以執行一監控作業,以對一監控區域進行影像拍攝,並且初步判斷是否存在一異常影像;一影像辨識模組,其建立有一人工智能物件偵測模型,用以對所述異常影像進行影像辨識,以輸出一辨識結果;其中,當所述辨識結果符合一預定條件時,所述影像辨識模組將所述辨識結果傳送至所述火災警報模組;以及一火災警報模組,其用以在接收所述辨識結果後,觸發一火災警報。
優選地,所述影像監控模組對所述監控區域連續拍攝多張監控影像,並且所述影像監控模組經配置偵測多張所述監控影像之間是否具有一狀態變化;若所述影像監控模組偵測到多張所述監控影像之間具有所述狀態變化,則所述影像監控模組將進一步判斷多張所述監控影像中是否存在有所述異常影像;其中,所述異常影像為一疑似具有火焰的影像、一疑似具有煙霧的影像、或者一疑似同時具有火焰及煙霧的影像。
優選地,若所述影像監控模組判斷多張所述監控影像中存在所述異常影像,則所述影像監控模組經配置將所述異常影像以一圖片檔案的格式傳送至所述影像辨識模組進行辨識;並且若所述影像監控模組判斷多張所述監控影像中不存在有任何的異常影像,則所述影像監控模組將繼續執行所述監控作業。
優選地,所述影像監控模組是通過一判斷規則來判斷連續拍攝的多張所述監控影像中是否存在有所述異常影像;所述判斷規則包含一亮度差異的判斷、一對比差異的判斷、及/或一持續時間的判斷。
優選地,所述影像辨識模組所輸出的所述辨識結果包含一類別資訊及一信心指數,所述類別資訊區分為一火災類別及一正常類別,並且所述信心指數是介於0至1間的數值;其中,所述預定條件為:當所述辨識結果包含所述火災類別且所述信心指數大於一預定閥值時,所述影像辨識模組將所述辨識結果、以一文字檔案的格式傳送至所述火災警報模組,從而觸發所述火災警報。
優選地,所述影像辨識模組所輸出的所述辨識結果進一步包含有一位置資訊,所述位置資訊為所述影像擷取單元於所述監控區域週邊設置的位置、所述影像擷取單元的網際網路協定位址(IP Address)、或所述監控區域中火焰及/或煙霧實際發生的位置。
優選地,所述人工智能物件偵測模型執行時包含下列步驟:(a)訓練階段步驟,係建立包含一影像特徵資料庫的至少一深度學習模型,並且於所述影像特徵資料庫輸入多張樣本影像,並且標記每張所述樣本影像中的火焰特徵及/或煙霧特徵;接著由所述深度學習模型測試影像辨識的正確率,再判斷所述影像辨識的正確率是否足夠,當判斷結果為是時,則將所述辨識結果輸出及儲存;當判斷結果為否時,則使所述深度學習模型自我修正學習;(b)運行預測階段步驟,係於所述深度學習模型輸入從所述影像監控模組傳送的所述異常影像,並由所述深度學習模型進行預測及辨識分析後、輸出所述辨識結果、進而判斷是否將所述辨識結傳送至所述火災警報模組。
優選地,用於所述人工智能物件偵測模型的演算法包含:R-CNN、Fast R-CNN、Faster R-CNN、YOLO、YOLOV2、YOLOV3、及YOLOV4的至少其中之一。
為了解決上述的技術問題,本發明所採用的另外一技術方案是,提供一種基於人工智能及影像辨識的火災偵測方法,其包括:以一影像監控模組執行一監控作業以對一監控區域進行影像拍攝,並且初步判斷是否存在一異常影像;以及以建立有一人工智能物件偵測模型的一影像辨識模組對所述異常影像進行影像辨識,以輸出一辨識結果;當所述辨識結果符合一預定條件時,所述影像辨識模組能將所述辨識結果傳送至一火災警報模組,以觸發一火災警報。
本發明的有益效果在於,本發明所提供的基於人工智能及影像辨識的火災偵測系統及火災偵測方法,其能通過“一影像監控模組,其用以執行一監控作業,以對一監控區域進行影像拍攝,並且判斷是否存在一異常影像;一影像辨識模組,其建立有一人工智能物件偵測模型,用以對所述異常影像進行影像辨識,以輸出一辨識結果;其中,當所述辨識結果符合一預定條件時,所述影像辨識模組將所述辨識結果傳送至所述火災警報模組;以及一火災警報模組,其用以在接收所述辨識結果後,觸發一火災警報”的技術方案,以有效縮短火焰及煙霧偵測的時間,其能於火災發生初期,即時發現異常,從而避免造成人員與設備的龐大損失。再者,所述火災偵測系統及火災偵測方法能有效降低誤警報的比率。
為使能更進一步瞭解本發明的特徵及技術內容,請參閱以下有關本發明的詳細說明與圖式,然而所提供的圖式僅用於提供參考與說明,並非用來對本發明加以限制。
以下是通過特定的具體實施例來說明本發明所公開的實施方式,本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不悖離本發明的構思下進行各種修改與變更。另外,本發明的附圖僅為簡單示意說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容,但所公開的內容並非用以限制本發明的保護範圍。
應當可以理解的是,雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號,但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件,或者一信號與另一信號。另外,本文中所使用的術語“或”,應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
[火災偵測系統]
請參閱圖1至圖4所示,本發明實施例提供一種火災偵測系統100,特別是提供一種基於人工智能(artificial intelligence,AI)及影像辨識的火災偵測系統100。所述火災偵測系統100包含:一影像監控模組1、一影像辨識模組2、及一火災警報模組3。
所述影像監控模組1用以執行一監控作業,以對一監控區域R進行影像拍攝,並且初步判斷是否存在一異常影像P2。
更具體地說,所述影像監控模組1用以執行所述監控作業,以對所述監控區域R連續拍攝多張監控影像P1(如圖2),並且所述影像監控模組1經配置偵測多張監控影像P1之間是否具有一狀態變化(如圖3)。若所述影像監控模組1偵測到多張監控影像P1之間具有所述狀態變化,則所述影像監控模組1進一步判斷多張所述監控影像P1中是否存在所述異常影像P2(如圖4)。
其中,所述異常影像P2可以例如是一疑似具有火焰的影像(image suspected with flame)、一疑似具有煙霧的影像(image suspected with smoke)、或一疑似同時具有火焰及煙霧的影像,但本發明不受限於此。
若所述影像監控模組1判斷多張監控影像P1中存在異常影像P2,則所述影像監控模組1經配置將所述異常影像P2以一圖片檔案的格式、傳送至影像辨識模組1進行辨識。若所述影像監控模組1判斷多張監控影像P1中不存在有異常影像P2,則所述影像監控模組1繼續執行所述監控作業。
在本發明的一些實施方式中,所述圖片檔案的格式可以例如是電腦文件中副檔名為JPG、PNG、BMP、GIF、SVG、或者TIFF的檔案。所述圖片檔案可以例如是具有640*480以上的解析度、或者具有30萬以上的畫素。再者,所述圖片檔案可以例如是通過彩色數位相機拍攝,並且每一個畫素佔有一個位元組的記憶體儲存空間,但本發明不受限於此。
更詳細地說,如圖1所示,所述影像監控模組1包含:一影像擷取單元11、一影像判斷單元12、及一訊號傳送單元13。所述影像擷取單元11訊號連接至影像判斷單元12,並且所述影像判斷單元12訊號連接至訊號傳送單元13。
所述影像監控模組1通過影像擷取單元11對監控區域R實時且連續拍攝多張監控影像P1。再者,所述影像監控模組1通過影像判斷單元12來判斷多張監控影像P1中是否存在異常影像P2。當所述影像判斷單元12判斷出多張監控影像P1中存在異常影像P2時,所述影像監控模組1通過訊號傳送單元13將所述異常影像P2以圖片檔案的格式傳送至影像辨識模組2以進行辨識。
在本發明的一些實施方式中,所述影像擷取單元11可以例如是一數位相機(digital still camera)、一數位攝影機(digital video camera)、一網路攝影機(web camera)、或是整合有數位影像擷取功能的一電子產品,如:智慧型手機(smart phone)或個人數位助理(personal digital assistant,PDA),但本發明不受限於此。常見的影像擷取單元11可以例如是採用電荷耦合元件(charge-coupled device,CCD)進行影像擷取。
在本發明的一些實施方式中,所述訊號傳送單元13可以例如是通過一無線訊號傳送的方式或者一有線訊號傳送的方式將異常影像P2傳送至影像辨識模組2。所述無線訊號可以例如是無線網路、紅外線、或藍芽…等無線傳輸協定。所述有線訊號可以例如是乙太網路,但本發明不受限於此。
在本發明的一些實施方式中,所述監控區域R可以例如是一工廠的設備設置區域、一工廠的原料置放區域、及/或一工廠的產品囤放區域…等在工廠中容易發生火災的區域,但本發明不受限於此。
舉例而言,所述監控區域R也可以例如是除了工廠外其它種類的容易發生火災的區域,如:房屋的廚房或瓦斯管線設置的區域。
在本發明的一實際應用中,所述影像擷取單元11對監控區域R持續地進行監控作業,以連續拍攝多張監控影像P1。所述影像判斷單元12能偵測連續拍攝的多張監控影像P1之間是否具有狀態變化,所述影像判斷單元12能進一步通過一判斷規則來判斷連續拍攝的多張監控影像P1中是否存在有異常影像P2,並且所述影像判斷單元12能輸出一判斷結果。所述判斷規則可以例如是一亮度差異的判斷、一對比差異的判斷、及/或一持續時間的判斷。
若連續拍攝的多張所述監控影像P1之間的狀態變化符合特定的判斷規則,則所述影像判斷單元12判斷連續拍攝的多張監控影像P1中存在有異常影像P2。舉例而言,在連續拍攝的多張所述監控影像P1中,若所述亮度差異不小於0.5、所述對比度差異不小於0.8、並且所述持續時間不小於3秒,則所述影像判斷單元12判斷連續拍攝的多張監控影像P1中存在有異常影像P2(如:疑似具有火焰及/或煙霧的影像),但本發明不受限於此。
值得一提的是,所述亮度差異的判斷可以例如是在一預定時間以內(如一秒內),前後拍攝的兩張監控影像在亮度上的差異。再者,所述對比差異的判斷可以例如是在該預定時間以內,前後拍攝的兩張監控影像在對比度上的差異,但本發明不受限於此。
進一步地說,所述影像判斷單元12所輸出的判斷結果依據異常資訊類型及等級的不同,可以區分為火焰第一級至火焰第五級、煙霧第一級至煙霧第五級、及正常狀態。
在本發明的一些實施方式中,所述影像判斷單元12輸出的判斷結果需要滿足一預定條件,如:火焰第三級或煙霧第三級以上,所述影像監控模組1才會通過訊號傳送單元13將該異常影像P2傳送至影像辨識模組2。
如圖1所示,所述影像辨識模組2包含:一訊號接收單元21、一人工智能演算單元22(artificial intelligence calculation unit)、及一訊號傳送單元23。所述訊號接收單元21訊號連結至人工智能演算單元22,並且所述人工智能演算單元22訊號連結至訊號傳送單元23。
所述訊號接收單元21經配置接收自影像監控模組1傳送的異常影像P2,並且將所述異常影像P2進一步傳送至人工智能演算單元22(artificial intelligence calculation unit)。所述訊號接收單元21可以例如通過一無線訊號或一有線訊號接收自所述影像監控模組1傳送的異常影像P2。
所述人工智能演算單元22建立有一人工智能物件偵測模型M(artificial intelligence object detection model)。所述影像辨識模組2可以利用所述人工智能物件偵測模型M對所述異常影像P2進行影像辨識,從而輸出一辨識結果。其中,所述辨識結果包含一類別資訊、一信心指數、及一位置資訊,但本發明不受限於此。
其中,所述類別資訊可以區分為一火災類別以及一正常類別,並且所述火災類別又可以進一步區分為一火焰類別及/或一煙霧類別。再者,所述信心指數可以例如是介於0至1之間的數值。所述信心指數代表異常影像被判定為所屬類別的信心程度。舉例而言之,若所述異常影像被判定為火焰類別或是煙霧類別、且信心指數大於一預定閥值,則所述監控區域R確實發生火災的機率相當高,此時應觸發火災警報。
進一步的說,當所述影像辨識模組2輸出的辨識結果包含有火災類別並且信心指數大於一預定閥值(如:大於0或大於0.5)時,所述影像辨識模組2經配置將輸出的辨識結果(包含:類別資訊、信心指數、及位置資訊)以一文字檔案的格式、通過所述訊號傳送單元23傳送至火災警報模組3,以使得所述火災警報模組3觸發一火災警報A。
在本發明的一些實施方式中,所述文字檔案的格式可以例如是電腦文件中副檔名為TXT的檔案;或,所述文字檔案的格式可以例如是符合ASCII標準或MIME標準的格式。再者,所述文字檔案可以例如是具有不大於5,000位元組的檔案大小,但本發明不受限於此。
所述位置資訊可以例如是影像擷取單元11於監控區域R週邊設置的位置、影像擷取單元11的網際網路協定位址(IP Address)、或者是火焰或煙霧於監控區域R中實際發生的位置。
進一步地說,所述人工智能演算單元22具備深度學習訓練功能(deep learning training function),用以建立所述人工智能物件偵測模型M、且用以執行所述影像辨識功能。所述人工智能演算單元22內建有一影像特徵資料庫D(image feature database),並且所述影像特徵資料庫D包含有多張樣本影像(或稱,訓練影像),例如:在場景中具有火焰的樣本影像、在場景中具有煙霧的樣本影像、及/或在場景中同時具有火焰及煙霧的樣本影像。所述樣本影像的數量可以例如是數千張至數萬張,本發明並不予以限制。另,所述樣本影像可以例如是實際具有火焰及煙霧的火災場景影像。
再者,所述人工智能演算單元22通過人工智能物件偵測模型M、將從所述影像監控模組1傳送的異常影像P2進行框選,從而框選出在所述異常影像P2中至少一具有火焰特徵及/或煙霧特徵的物件影像P3(如圖4)。接者,所述人工智能演算單元22進一步通過人工智能物件偵測模型M將所述具有火焰特徵及/或煙霧特徵的物件影像P3與上述影像特徵資料庫D中的多張樣本影像進行影像的比對分析,並且依據所述影像的比對分析的結果輸出所述辨識結果(包含:類別資訊、信心指數、及位置資訊)。
另外,所述人工智能物件偵測模型執行時則包含下列的步驟:(a)訓練階段步驟,係建立至少一包含所述影像特徵資料庫的深度學習模型,並於所述影像特徵資料庫輸入巨量的樣本影像,並且標記所述樣本影像中的火焰特徵及/或煙霧特徵;接著,由所述深度學習模型測試影像辨識的正確率,再判斷所述影像辨識的正確率是否足夠,當判斷結果為是時,則將所述辨識結果輸出及儲存;當判斷結果為否時,則使深度學習模型自我修正學習;及(b)運行預測階段步驟,係於所述深度學習模型輸入從影像監控模組傳送的所述異常影像,並由所述深度學習模型進行預測及辨識分析後、輸出上述辨識結果(包含:類別資訊、信心指數、及位置資訊)。
在本發明的一些實施方式中,適用於所述人工智能物件偵測模型M的演算法可以例如是:R-CNN、Fast R-CNN、Faster R-CNN、YOLO、YOLOV2、YOLOV3、YOLOV4,但本發明不受限於此。
再者,所述人工智能物件偵測模型M(深度學習模型)可以例如是由Python進行撰寫,但本發明不受限於此。
如圖1所示,所述火災警報模組3包含一訊號接收單元31以及一火災警報單元32。所述火災警報模組3通過訊號接收單元31接收自影像辨識模組2傳送的辨識結果,並且讓所述火災警報單元32進一步觸發火災警報A。
在本發明的一些實施方式中,所述火災警報A可以例如是通過手機的簡訊或推播功能來實施;或者,所述火災警報A也可以例如是通過鳴笛警報器來實施,本發明並不予以限制。
根據上述配置,當所述火災偵測系統100觸發火災警報A時,現場人員可以通過所述位置資訊更快速地找到火焰及/或煙霧發生的位置,以利於異常狀況的排除。
另外值得一提的是,本發明的火災偵測系統100也可以例如設置有多個影像監控模組1,以對所述監控區域R中的不同視角進行監控作業。
再者,所述人工智能演算單元22能通過人工智能物件偵測模型M、對所述異常影像P2中的多個物件進行框選,從而框選出在所述異常影像P2中的多個物件影像P3(如圖4),並對應輸出多個辨識結果。
[火災偵測方法]
請參閱圖5所示,本發明實施例也提供一種火災偵測方法,特別是一種基於人工智能及影像辨識的火災偵測方法。所述火災偵測方法包括步驟S110及步驟S120。
所述步驟S110包含:以一影像監控模組執行一監控作業以對一監控區域進行影像拍攝,並且判斷是否存在有一異常影像。
所述步驟S120包含:以建立有一人工智能物件偵測模型的一影像辨識模組對所述異常影像進行影像辨識,以輸出一辨識結果;當所述辨識結果符合一預定條件時,所述影像辨識模組能將所述辨識結果傳送至一火災警報模組,並觸發一火災警報。
[實施例的有益效果]
本發明的有益效果在於,本發明所提供的基於人工智能及影像辨識的火災偵測系統及火災偵測方法,其能通過“一影像監控模組,其用以執行一監控作業,以對一監控區域進行影像拍攝,並且判斷是否存在一異常影像;一影像辨識模組,其建立有一人工智能物件偵測模型,用以對所述異常影像進行影像辨識,以輸出一辨識結果;其中,當所述辨識結果符合一預定條件時,所述影像辨識模組將所述辨識結果傳送至所述火災警報模組;以及一火災警報模組,其用以在接收所述辨識結果後,觸發一火災警報”的技術方案,以有效縮短火焰及煙霧偵測的時間,其能於火災發生初期,即時發現異常,從而避免造成人員與設備的龐大損失。再者,所述火災偵測系統及火災偵測方法能有效降低誤警報的比率。
以上所公開的內容僅為本發明的優選可行實施例,並非因此侷限本發明的申請專利範圍,所以凡是運用本發明說明書及圖式內容所做的等效技術變化,均包含於本發明的申請專利範圍內。
100:火災偵測系統
1:影像監控模組
11:影像擷取單元
12:影像判斷單元
13:訊號傳送單元
2:影像辨識模組
21:訊號接收單元
22:人工智能演算單元
23:訊號傳送單元
3:火災警報模組
31:訊號接收單元
32:火災警報單元
R:監控區域
P1:監控影像
P2:異常影像
P3:物件影像
M:人工智能物件偵測模型
D:影像特徵資料庫
A:火災警報
圖1為本發明實施例火災偵測系統的功能方塊示意圖。
圖2為本發明實施例火災偵測系統的監控狀態示意圖。
圖3為本發明實施例連續拍攝的多張監控影像示意圖。
圖4為本發明實施例異常影像中框選物件影像示意圖。
圖5為本發明實施例火災偵測方法的流程示意圖。
100:火災偵測系統
1:影像監控模組
11:影像擷取單元
12:影像判斷單元
13:訊號傳送單元
2:影像辨識模組
21:訊號接收單元
22:人工智能演算單元
23:訊號傳送單元
3:火災警報模組
31:訊號接收單元
32:火災警報單元
P1:監控影像
P2:異常影像
M:人工智能物件偵測模型
D:影像特徵資料庫
A:火災警報
Claims (8)
- 一種基於人工智能及影像辨識的火災偵測系統,其包括:一影像監控模組,其用以執行一監控作業,以對一監控區域進行影像拍攝,並且初步判斷是否存在一異常影像;一影像辨識模組,其建立有一人工智能物件偵測模型,用以對所述異常影像進行影像辨識,以輸出一辨識結果;以及一火災警報模組;其中,當所述辨識結果符合一預定條件時,所述影像辨識模組將所述辨識結果傳送至所述火災警報模組,並且所述火災警報模組用以在接收所述辨識結果後,觸發一火災警報;其中,所述影像監控模組對所述監控區域連續拍攝多張監控影像,並且所述影像監控模組經配置偵測多張所述監控影像之間是否具有一狀態變化;若所述影像監控模組偵測到多張所述監控影像之間具有所述狀態變化,則所述影像監控模組將進一步判斷多張所述監控影像中是否存在有所述異常影像;其中,所述異常影像為一疑似具有火焰的影像、一疑似具有煙霧的影像、或者一疑似同時具有火焰及煙霧的影像;其中,所述影像監控模組是通過一判斷規則來判斷連續拍攝的多張所述監控影像中是否存在有所述異常影像。
- 如請求項1所述的火災偵測系統,其中,若所述影像監控模組判斷多張所述監控影像中存在所述異常影像,則所述影像監控模組經配置將所述異常影像以一圖片檔案的格式傳送至所述影像辨識模組進行辨識;並且若所述影像監控模組判斷多張所述監控影像中不存在有任何的異常影像,則所述影像監控模組將繼續執行所述監控作業。
- 如請求項1所述的火災偵測系統,其中,所述判斷規則包含 一亮度差異的判斷、一對比差異的判斷、及/或一持續時間的判斷。
- 如請求項1所述的火災偵測系統,其中,所述影像辨識模組所輸出的所述辨識結果包含一類別資訊及一信心指數,所述類別資訊區分為一火災類別及一正常類別,並且所述信心指數是介於0至1間的數值;其中,所述預定條件為:當所述辨識結果包含所述火災類別且所述信心指數大於一預定閥值時,所述影像辨識模組將所述辨識結果、以一文字檔案的格式傳送至所述火災警報模組,從而觸發所述火災警報。
- 如請求項4所述的火災偵測系統,其中,所述影像辨識模組所輸出的所述辨識結果進一步包含有一位置資訊,所述位置資訊為所述影像監控模組的一影像擷取單元於所述監控區域週邊設置的位置、所述影像擷取單元的網際網路協定位址(IP Address)、或所述監控區域中火焰及/或煙霧實際發生的位置。
- 如請求項1所述的火災偵測系統,其中,所述人工智能物件偵測模型執行時包含下列步驟:(a)訓練階段步驟,係建立包含一影像特徵資料庫的至少一深度學習模型,並且於所述影像特徵資料庫輸入多張樣本影像,並且標記每張所述樣本影像中的火焰特徵及/或煙霧特徵;接著由所述深度學習模型測試影像辨識的正確率,再判斷所述影像辨識的正確率是否足夠,當判斷結果為是時,則將所述辨識結果輸出及儲存;當判斷結果為否時,則使所述深度學習模型自我修正學習;(b)運行預測階段步驟,係於所述深度學習模型輸入從所述影像監控模組傳送的所述異常影像,並由所述深度學習模型進行預測及辨識分析後、輸出所述辨識結果、進而判斷是否將所述辨識結傳送至所述火災警報模組。
- 如請求項6所述的火災偵測系統,其中,用於所述人工智能物 件偵測模型的演算法包含:R-CNN、Fast R-CNN、Faster R-CNN、YOLO、YOLOV2、YOLOV3、及YOLOV4的至少其中之一。
- 一種基於人工智能及影像辨識的火災偵測方法,其包括:以一影像監控模組執行一監控作業以對一監控區域進行影像拍攝,並且初步判斷是否存在一異常影像;以及以建立有一人工智能物件偵測模型的一影像辨識模組對所述異常影像進行影像辨識,以輸出一辨識結果;當所述辨識結果符合一預定條件時,所述影像辨識模組能將所述辨識結果傳送至一火災警報模組,以觸發一火災警報;其中,所述影像監控模組對所述監控區域連續拍攝多張監控影像,並且所述影像監控模組經配置偵測多張所述監控影像之間是否具有一狀態變化;若所述影像監控模組偵測到多張所述監控影像之間具有所述狀態變化,則所述影像監控模組將進一步判斷多張所述監控影像中是否存在有所述異常影像;其中,所述異常影像為一疑似具有火焰的影像、一疑似具有煙霧的影像、或者一疑似同時具有火焰及煙霧的影像;其中,所述影像監控模組是通過一判斷規則來判斷連續拍攝的多張所述監控影像中是否存在有所述異常影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110123482A TWI807354B (zh) | 2021-06-28 | 2021-06-28 | 基於人工智能及影像辨識的火災偵測系統及火災偵測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110123482A TWI807354B (zh) | 2021-06-28 | 2021-06-28 | 基於人工智能及影像辨識的火災偵測系統及火災偵測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202301189A TW202301189A (zh) | 2023-01-01 |
TWI807354B true TWI807354B (zh) | 2023-07-01 |
Family
ID=86658128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110123482A TWI807354B (zh) | 2021-06-28 | 2021-06-28 | 基於人工智能及影像辨識的火災偵測系統及火災偵測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI807354B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542585B2 (en) * | 2004-11-16 | 2009-06-02 | Huper Laboratories Co., Ltd. | Fire detection and smoke detection method and system based on image processing |
US9470626B2 (en) * | 2012-04-29 | 2016-10-18 | Valor Fire Safety, Llc | Method of smoke detection with direct detection of light and detection of light reflected from an external sampling volume |
TW202026944A (zh) * | 2019-01-04 | 2020-07-16 | 財團法人金屬工業研究發展中心 | 具深度視覺之煙霧偵測方法 |
CN112132090A (zh) * | 2020-09-28 | 2020-12-25 | 天地伟业技术有限公司 | 一种基于yolov3的烟火自动检测预警方法 |
-
2021
- 2021-06-28 TW TW110123482A patent/TWI807354B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542585B2 (en) * | 2004-11-16 | 2009-06-02 | Huper Laboratories Co., Ltd. | Fire detection and smoke detection method and system based on image processing |
US9470626B2 (en) * | 2012-04-29 | 2016-10-18 | Valor Fire Safety, Llc | Method of smoke detection with direct detection of light and detection of light reflected from an external sampling volume |
TW202026944A (zh) * | 2019-01-04 | 2020-07-16 | 財團法人金屬工業研究發展中心 | 具深度視覺之煙霧偵測方法 |
CN112132090A (zh) * | 2020-09-28 | 2020-12-25 | 天地伟业技术有限公司 | 一种基于yolov3的烟火自动检测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202301189A (zh) | 2023-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462451B (zh) | 基于视频信息的秸秆焚烧检测报警系统 | |
CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
US20080136934A1 (en) | Flame Detecting Method And Device | |
CN106898110B (zh) | 利用cctv的火灾监视方法及装置 | |
KR102149832B1 (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN205068666U (zh) | 主动防范式视频联动催泪安防系统 | |
KR102407327B1 (ko) | 화재감지장치 및 이를 포함하는 화재감지시스템 | |
CN108932814A (zh) | 一种嵌入式图像型厨房火灾报警装置 | |
CN112785809B (zh) | 一种基于ai图像识别火情复燃预测方法及系统 | |
JP6631618B2 (ja) | 画像監視装置及び画像監視方法 | |
CN109410497B (zh) | 一种基于深度学习的桥洞空间安全监测与报警系统 | |
CN110648489B (zh) | 基于红外热成像燃点识别的库房预警系统 | |
CN111476964A (zh) | 一种远程森林防火监控系统与方法 | |
KR20230004421A (ko) | 인공지능 기반의 이상행동 감지 시스템 | |
CN110853287A (zh) | 一种基于物联网分布式架构的火焰实时监控系统及方法 | |
WO2022242253A1 (zh) | 空调器的防火监测方法、装置、电子设备以及存储介质 | |
KR102233679B1 (ko) | Ess 침입자 및 화재 감지 장치 및 방법 | |
KR20110079939A (ko) | 이미지 센싱 에이전트 및 usn 복합형 보안 시스템 | |
CN101461239B (zh) | 用于进行中心站警报监控的视频验证系统和方法 | |
TWI807354B (zh) | 基於人工智能及影像辨識的火災偵測系統及火災偵測方法 | |
CN108898781A (zh) | 一种基于公有云的智能消防物联网系统 | |
CN205507492U (zh) | 一种建筑智能监控系统 | |
CN206058456U (zh) | 一种用于火灾识别可实时监控的图像处理系统 | |
CN114446002B (zh) | 火灾在线监测方法、装置、介质及系统 | |
CN115346170A (zh) | 一种燃气设施区域的智能监控方法及装置 |