【技术实现步骤摘要】
本专利技术涉及数据处理，特别是指基于ai的三光图像型火灾探测器。
技术介绍
1、现有的火灾探测技术中，图像型火灾探测器通常通过分析摄像头捕捉到的火焰、烟雾和温度等图像特征进行火灾的识别。这种探测器主要依赖于图像处理算法和简单的阈值判断模型，针对不同类型的火灾特征建立预设标准，当监控画面中出现与火焰或烟雾形态匹配的图像特征时，即触发警报。这类探测方法广泛应用于室内和一些室外防火场所，但在处理多种环境下的复杂场景时，往往因对动态环境变化的适应性不足而产生误报。例如，在工厂车间中，因设备发热或工人操作时产生的烟雾和火焰形态相似，可能会导致误报。
2、此外，传统的火灾探测技术在复杂场景下识别不同火灾类型的能力较弱。大部分传统图像型探测器缺少多光谱图像的融合处理功能，只能在单一光谱下捕捉火焰或烟雾的表观特征，这可能导致在烟雾较淡或被遮挡时，火焰的特征不明显，检测效果受到限制。
技术实现思路
1、本专利技术的目的在于提供基于ai的三光图像型火灾探测器，旨在解决
技术介绍
中所提到的问题。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、基于ai的三光图像型火灾探测器，包括：
4、火焰光谱采集模块，用于获取监控区域的多光谱图像数据，所述多光谱图像数据包括红外光谱、紫外光谱及可见光谱数据；
5、图像预处理模块，用于对多光谱图像数据进行去噪、边缘增强及光强度平滑处理，生成多光谱数据；
6、特征提取模块，用于接收多光谱数据，将
7、环境条件采集模块，用于采集监控区域的环境条件数据，包括温度、湿度、气流速度和空气成分；
8、ai分类模块，用于使用预训练的多层神经网络模型对多维特征数据进行逐层分析和分类处理，识别火焰或烟雾的多种特征组合，生成火灾初步识别结果；
9、背景适应模块，用于接收火灾初步识别结果和环境条件数据，对火灾初步识别结果进行背景噪声剔除和特征优化处理，得到火灾识别数据；所述环境条件数据包括实时获取监控区域内的温度、湿度、气流和空气成分变化数据；
10、警报触发模块，用于接收火灾识别数据，并判断是否满足预设火灾报警条件；当火灾识别数据满足预设火灾报警条件时，输出报警信号。
11、优选地，所述火焰光谱采集模块还包括：
12、光谱图像获取单元，用于获取监控区域的红外光谱、紫外光谱及可见光谱数据；
13、光源识别单元，用于通过检测环境中光源的波长和光谱特征，对监控区域的光源类型进行识别，生成光源分类数据；
14、背景分析单元，用于在不同时间间隔内检测多光谱图像数据的背景光谱变化，生成光谱变化趋势数据，并根据光谱变化趋势数据，生成光谱调整信号；
15、光谱调整单元，用于根据光源分类数据、光谱变化趋势数据以及光谱调整信号，实时调节红外光谱、紫外光谱及可见光谱数据的采集参数，得到多光谱图像数据，所述多光谱图像数据的调整公式如下：
16、++，
17、其中，为调整后的多光谱图像数据，、、为分别表示红外、紫外和可见光图像数据，为红外光谱的波长偏移量，为权重参数，为紫外光谱的波长偏移量，为调节紫外光谱对波长偏移敏感性的常量，为可见光谱的波长偏移量，为可见光光谱的最大波长，为圆周率常数，为光源亮度，、、、、、为常数参数。
18、优选地，所述图像预处理模块还包括：
19、多维噪声过滤单元，用于利用时空滤波算法，结合图像的时间序列特征对多光谱图像数据的动态噪声进行抑制，生成时序图像数据；去噪公式如下：
20、，
21、其中，为去噪后的像素值，为时间序列中第帧的像素值，为高斯时空滤波权重函数，控制滤波的宽度，为总的滤波帧数；
22、边缘显著性增强单元，用于根据时序图像数据，识别并增强火焰和烟雾在不同光谱下的边缘显著性特征，生成显著性图像数据；边缘显著性特征增强公式如下：
23、，
24、其中，为边缘增强后的图像，为时序图像数据，为拉普拉斯算子；
25、自适应光强平滑单元，根据监控区域的背景光照强度和目标光谱数据的对比差异，对显著性图像的光强变化进行自适应平滑调整，生成多光谱数据；平滑公式如下：
26、，
27、其中，为光强度平滑后的像素值，为位置和位置的空间距离，为在位置处的边缘增强后的图像像素值，和分别为空间距离和像素差异的控制系数。
28、优选地，所述特征提取模块包括：
29、分区映射单元，用于对多光谱数据进行空间映射分区处理，将图像分割为多个空间分析区域，每一区域生成相应的分区映射数据；
30、形态分布提取单元，用于分析每个分析区域内的火焰和烟雾形态，计算其边缘曲率、形状轮廓及结构复杂度，生成区域形态特征数据，并对其整合，得到全局形态分布数据；边缘曲率、形状轮廓及结构复杂度分别通过以下公式计算：
31、，其中，为边缘曲率，用于衡量边缘的形态变化，为偏导数符号；
32、，其中，为分形维数，表示形状轮廓的复杂度，为覆盖边缘所需的最小尺度为的单位数，为边缘测量时的尺度；
33、，其中，为结构复杂度，表示形状内部的复杂度，为第个结构特征的出现概率，为结构特征的总数；
34、特征对比分析单元，用于根据分区映射数据，对比分析火焰和烟雾在各分析区域的颜色差异、边缘清晰度及纹理特征，生成区域特征矩阵；
35、特征集成单元，用于根据全局形态分布数据和区域特征矩阵，整合火焰和烟雾的形态分布、颜色差异、边缘清晰度及纹理特征，生成多维特征数据。
36、优选地，所述ai分类模块还包括：
37、特征数据分层处理单元，用于接收多维特征数据，并将多维特征数据逐层输入至预训练的多层神经网络模型中进行特征分析；
38、自适应特征增强单元，用于根据环境条件数据，对特征数据分层处理单元生成的中间分类数据进行动态权重调整，得到增强特征数据；
39、模型迭代调优单元，用于根据增强特征数据，调整神经网络各层的学习率和偏置值。
40、优选地，所述自适应特征增强单元包括：
41、多层特征输入单元，用于接收多维特征数据，并将其逐层输入至多层神经网络模型的第一层；多层特征输入单元对输入数据进行初步的归一化处理；
42、逐层特征提取单元，用于在多层神经网络模型的每一层中提取火焰和烟雾的形态分布、颜色差异、边缘清晰度及纹理特征；逐层特征提取单元根据当前层的输入特征生成中间特征数据，并在每层中识别出与火焰和烟雾相关的关键特征组合，生成层间关联数据；
43、层间特征关联单元，用于在多层神经网络的各层之间传递并整合层间关联数据本文档来自技高网...
【技术保护点】
1.基于AI的三光图像型火灾探测器，其特征在于，包括：
2.根据权利要求1所述的基于AI的三光图像型火灾探测器，其特征在于，所述火焰光谱采集模块还包括：
3.根据权利要求2所述的基于AI的三光图像型火灾探测器，其特征在于，所述图像预处理模块还包括：
4.根据权利要求3所述的基于AI的三光图像型火灾探测器，其特征在于，所述特征提取模块包括：
5.根据权利要求4所述的基于AI的三光图像型火灾探测器，其特征在于，所述AI分类模块还包括：
6.根据权利要求5所述的基于AI的三光图像型火灾探测器，其特征在于，所述自适应特征增强单元包括：
7.根据权利要求6所述的基于AI的三光图像型火灾探测器，其特征在于，所述自适应特征增强单元包括：
8.根据权利要求7所述的基于AI的三光图像型火灾探测器，其特征在于，所述背景适应模块包括：
9.根据权利要求8所述的基于AI的三光图像型火灾探测器，其特征在于，所述警报触发模块包括：
10.根据权利要求9所述的基于AI的三光图像型火灾探测器，其特征在于，
...【技术特征摘要】
1.基于ai的三光图像型火灾探测器，其特征在于，包括：
2.根据权利要求1所述的基于ai的三光图像型火灾探测器，其特征在于，所述火焰光谱采集模块还包括：
3.根据权利要求2所述的基于ai的三光图像型火灾探测器，其特征在于，所述图像预处理模块还包括：
4.根据权利要求3所述的基于ai的三光图像型火灾探测器，其特征在于，所述特征提取模块包括：
5.根据权利要求4所述的基于ai的三光图像型火灾探测器，其特征在于，所述ai分类模块还包括：
6.根据权利要求5...
【专利技术属性】
技术研发人员：刘丽媗，庄坤森，林议安，高伟超，
申请(专利权)人：福建省宇安机电设备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。