【技术实现步骤摘要】
本专利技术属于火灾预警，具体涉及一种基于烟雾图像联合特征分析的火灾预警方法和系统。
技术介绍
1、现有的火灾预警技术主要依赖于单一或有限的传感器数据来进行判断，最常见的方法包括使用烟雾探测器、温度传感器或者火焰探测器；然而，这些单一数据源的预警方法存在明显的缺陷。
2、烟雾探测器虽然被广泛使用，但在厨房或工业环境中，正常的烹饪活动或生产过程可能产生无害烟雾，导致频繁的误报；在火灾初期，如果烟雾不足以触发报警阈值，可能会造成漏报，延误最佳救援时机；温度传感器仅依赖温度变化来判断火情存在滞后性，在大型开放空间或高顶建筑中，火灾发生时热量可能需要较长时间才能达到传感器位置，导致预警延迟，此外，某些类型的火灾（如电气火灾）在初期可能不会产生显著的温度变化，使得单纯依赖温度传感器的系统难以及时发现潜在危险；火焰探测器虽然可以快速检测到明火，但在有遮挡物的情况下效果大打折扣，在复杂的室内环境中，如有隔断的办公室或多层书架的图书馆，火焰探测器的视线可能被阻挡，导致火情无法被及时发现；一氧化碳探测器虽然对于检测无烟火灾有效，但无法应对所有类型的火灾，如，在电气火灾或某些化学品燃烧的情况下，可能不会产生足够的一氧化碳来触发警报。
3、此外，现有技术缺乏数据融合能力，大多数系统无法有效整合多源数据，导致对火情的判断片面或不准确；传统系统多基于简单的阈值判断，缺乏对复杂环境因素的综合分析能力，固定的报警阈值难以适应不同场景和环境条件的变化，容易造成过度敏感或反应迟钝；现有系统主要集中在已发生的火情检测上，缺乏对潜在火险的预测能
4、鉴于以上问题，需要一种能够综合分析多源数据、具备智能特征提取和融合能力、可适应复杂环境的新型火灾预警方法。
技术实现思路
1、本专利技术提供一种基于烟雾图像联合特征分析的火灾预警方法和系统，目的在于克服现有技术的局限性，提高预警的准确性、及时性和全面性，以更好地应对各种复杂场景下的火灾风险。
2、第一方面，本专利技术提供一种基于烟雾图像联合特征分析的火灾预警方法，应用于室内场景下的火灾预警，所述方法包括以下步骤：
3、步骤s1，设置各个传感器阵列和摄像头的数据采集频率相同，基于烟雾传感器阵列和红外传感器阵列采集室内环境的烟雾浓度分布数据和红外热图，基于摄像头采室内环境的可见光图像。
4、步骤s2，采用3d卷积神经网络提取烟雾浓度分布的时空特征，使用2d卷积神经网络提取可见光图像的纹理和形状特征，以及红外热图的温度分布特征；对三种特征进行加权融合，生成联合特征表示。
5、步骤s3，将融合后的联合特征表示为基于时间顺序的特征序列，基于训练好的多层感知机分类模型，得到当前时间窗口的火灾风险等级。
6、进一步的，步骤s2中，采用3d卷积神经网络提取烟雾浓度分布的时空特征，所述3d卷积神经网络的结构包括:3个3d卷积层，每层后接batchnormalization批标准化函数和relu激活函数，2个3d最大池化层和1个全连接层；输入为t帧烟雾浓度分布数据,输出为256维特征向量。
7、3d卷积操作的数学表达式为：
8、；
9、其中，表示输出特征图在位置处第个输出通道的值；表示输入数据在位置处第个输入通道的值；表示3d卷积核的权重，表示卷积核的空间位置，表示第个输出通道的偏置项，分别表示卷积核空间维中的高度、宽度和深度，表示输入数据的通道总数。
10、进一步的，所述步骤s2中，3d卷积神经网络的输入为连续p帧烟雾浓度分布数据，p的取值范围为10到30，2d卷积神经网络的输入为单帧可见光图像或红外热图。
11、进一步的，步骤s2中，2d卷积神经网络采用resnet-50结构,包括：1个7x7卷积层，16个残差块,每个残差块包含3个卷积层、1个全局平均池化层和1个全连接层；输入为可见光图像或红外热图,输出为512维特征向量。
12、所述残差块的数学表达式为:，其中表示残差映射,由3个卷积层组成，表示残差块的输出，表示残差块的输入，表示残差映射中的权重参数集合。
13、进一步的，所述步骤s2中,特征融合采用注意力机制，特征融合的方法包括：对三种特征进行线性变换，计算注意力权重，加权求和得到融合特征。
14、所述线性变换的数学表达式为：
15、；
16、所述注意力权重的数学表达式为：
17、；
18、则加权求和得到的融合特征表示为：
19、；
20、其中，表示第种特征，分别对应烟雾浓度、可见光图像和红外热图特征；表示用于生成查询、键和值的权重矩阵；表示第种特征的查询、键和值；表示从特征到特征的注意力权重；表示键向量的转置，用于与查询向量进行点积运算，表示特征维度；表示最终融合的特征。
21、进一步的，所述步骤s3中，多层感知机分类模型包括：输入层、2个隐藏层和输出层；输入层包含1024个神经元，第一隐藏层包含512个神经元，第二隐藏层包含256个神经元，2个隐藏层均采用relu激活函数，输出层包含4个神经元，分别对应4个风险等级，采用softmax激活；火灾风险等级分为四级：无风险、低风险、中风险和高风险。
22、；
23、输入特征向量；隐藏层的输出；最终输出的风险等级概率分布；各层的权重矩阵；各层的偏置向量。
24、进一步的，所述步骤s1中，烟雾传感器阵列、红外传感器阵列和摄像头的数据采集频率设置为1hz；烟雾传感器阵列采集的烟雾浓度分布数据的分辨率为8x8像素，红外传感器阵列采集的红外热图的分辨率为32x24像素，摄像头采集的可见光图像的分辨率为640x480像素。
25、进一步的，所述步骤s3中，基于时间顺序的特征序列长度为l，l的取值范围为5到15。
26、第二方面，本专利技术提供一种基于烟雾图像联合特征分析的火灾预警系统，用于执行第一方面所述的火灾预警方法，所述系统包括依次连接的：数据采集模块、特征提取模块、特征融合模块和风险评估模块。
27、所述数据采集模块，用于采集室内环境的烟雾浓度分布数据、红外热图和可见光图像，所述数据采集模块包括烟雾传感器阵列、红外传感器阵列和可见光摄像头。
28、所述特征提取模块，用于从采集的数据中提取时空特征、纹理和形状特征以及温度分布特征，所述特征提取模块包括3d卷积神经网络和2d卷积神经网络。
29、所述特征融合模块，用于对提取的特征进行加权融合，生成联合特征表示，所述特征融合模块采用基于注意力机制的特征融合算法。
30、所述风险评估模块，用于基于融合后的特征序列，利用多层感知机分类模型得出当前时间窗口的火灾风险等级，包括一个训练好的多层感知机分类模型。
31、进一步的，所述系统还包括报警模块，用于在检测到中风险或高风险时发出警报。...
【技术保护点】
1.一种基于烟雾图像联合特征分析的火灾预警方法，应用于室内场景下的火灾预警，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，步骤S2中，采用3D卷积神经网络提取烟雾浓度分布的时空特征，所述3D卷积神经网络的结构包括:3个3D卷积层，每层后接BatchNormalization批标准化函数和ReLU激活函数，2个3D最大池化层和1个全连接层；输入为T帧烟雾浓度分布数据,输出为256维特征向量；
3.根据权利要求2所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，步骤S2中，2D卷积神经网络采用ResNet-50结构,包括：1个7x7卷积层，16个残差块,每个残差块包含3个卷积层、1个全局平均池化层和1个全连接层；输入为可见光图像或红外热图,输出为512维特征向量；
4.根据权利要求3所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，所述步骤S2中,特征融合采用注意力机制，特征融合的方法包括：对三种特征进行线性变换，计算注意力权重，加权求和得到融合特征；p>
5.根据权利要求4所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，所述步骤S3中，多层感知机分类模型包括：输入层、2个隐藏层和输出层；输入层包含1024个神经元，第一隐藏层包含512个神经元，第二隐藏层包含256个神经元，2个隐藏层均采用ReLU激活函数，输出层包含4个神经元，分别对应4个风险等级，采用Softmax激活；火灾风险等级分为四级：无风险、低风险、中风险和高风险；
6.根据权利要求5所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，所述步骤S1中，烟雾传感器阵列、红外传感器阵列和摄像头的数据采集频率设置为1Hz；烟雾传感器阵列采集的烟雾浓度分布数据的分辨率为8x8像素，红外传感器阵列采集的红外热图的分辨率为32x24像素，摄像头采集的可见光图像的分辨率为640x480像素。
7.根据权利要求6所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，所述步骤S2中，3D卷积神经网络的输入为连续p帧烟雾浓度分布数据，p的取值范围为10到30，2D卷积神经网络的输入为单帧可见光图像或红外热图。
8.根据权利要求1所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，所述步骤S3中，基于时间顺序的特征序列长度为L，L的取值范围为5到15。
9.一种基于烟雾图像联合特征分析的火灾预警系统，用于执行如权利要求1-8任一项所述的火灾预警方法，其特征在于，所述系统包括：
10.根据权利要求9所述的一种基于烟雾图像联合特征分析的火灾预警系统，其特征在于：所述系统还包括报警模块，用于在检测到中风险或高风险时发出警报。
...【技术特征摘要】
1.一种基于烟雾图像联合特征分析的火灾预警方法，应用于室内场景下的火灾预警，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，步骤s2中，采用3d卷积神经网络提取烟雾浓度分布的时空特征，所述3d卷积神经网络的结构包括:3个3d卷积层，每层后接batchnormalization批标准化函数和relu激活函数，2个3d最大池化层和1个全连接层；输入为t帧烟雾浓度分布数据,输出为256维特征向量；
3.根据权利要求2所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，步骤s2中，2d卷积神经网络采用resnet-50结构,包括：1个7x7卷积层，16个残差块,每个残差块包含3个卷积层、1个全局平均池化层和1个全连接层；输入为可见光图像或红外热图,输出为512维特征向量；
4.根据权利要求3所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，所述步骤s2中,特征融合采用注意力机制，特征融合的方法包括：对三种特征进行线性变换，计算注意力权重，加权求和得到融合特征；
5.根据权利要求4所述的一种基于烟雾图像联合特征分析的火灾预警方法，其特征在于，所述步骤s3中，多层感知机分类模型包括：输入层、2个隐藏层和输出层；输入层包含1024个神经元，第一隐藏层包含512个神经元，第二隐藏...
【专利技术属性】
技术研发人员：张广程，
申请(专利权)人：深圳市源流科技有限公司，
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。