基于神经网络的火灾探测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种基于神经网络的火灾探测方法、装置、设备及存储介质，该方法包括以下步骤：获取多个训练光源的入射光信号；对每个训练光源的入射光信号进行信号处理和解析，获取每个训练光源的光谱信号参数、时间信号参数和空间信号参数；根据训练光源的光谱信号参数、时间信号参数和空间信号参数建立训练数据集，并根据训练数据集构建用于火灾探测的神经网络模型；根据神经网络模型确定待测场地的光源的输出参数，并根据输出参数确定待测场地是否发生火灾。本发明专利技术实施例的火灾探测方法，通过训练光源的特征参数优化神经网络模型，并利用神经网络模型进行火灾识别，识别算法简单，数据处理量小，火灾探测的响应速度快，准确率高。

Fire detection method, device, equipment and storage medium based on Neural Network

【技术实现步骤摘要】
基于神经网络的火灾探测方法、装置、设备及存储介质
本专利技术实施例涉及火灾探测
，尤其涉及一种基于神经网络的火灾探测方法、装置、设备及存储介质。
技术介绍
火灾是指在时间或空间上失去控制的燃烧所造成的灾害。在新的标准中，将火灾定义为在时间或空间上失去控制的燃烧。识别火灾的技术有很多，为了确保火灾探测技术的响应速度，将神经网络应用于火灾探测领域成为一个重要的研究方向。目前，基于神经网络模型的火灾探测方法一般是基于图像特征进行火灾识别，其存在以下问题：现有的基于神经网络的火灾探测方法，只是基于图像特征进行火焰识别，由于环境中有大量的“类火焰”干扰源存在，比如飘动的红旗、晃动的红色丝巾、人造壁炉的假火焰、甚至阳光透过树林后洒在地上的斑点等等，容易误报；现有的基于神经网络的火灾探测方法对软硬件要求很高，需要安装摄像头和视频图像分析软件，使用成本较高，且摄像头的探测区域较小，算法复杂度高、识别耗时较长；为了提高识别精度和响应速度，需要大量的测试数据建立火灾识别模型，而现有的火灾数据库、尤其是能够清楚描述“火灾及火焰特性”的数据库，几乎无法满足对该模型进行长期训练而达到较佳的探测性能的要求。
技术实现思路
本专利技术提供一种火灾探测方法，以解决火灾识别算法复杂、测试数据庞杂、对软硬件的要求高的问题，减少了建立火灾识别模型所需要的数据，提高了火灾探测的响应速度。第一方面，本专利技术实施例提供了一种基于神经网络的火灾探测方法，具体包括以下步骤：获取多个训练光源；获取每个所述训练光源的入射光信号，对每个所述训练光源的入射光信号进行信号处理和解析，获取每个所述训练光源的光谱信号参数、时间信号参数和空间信号参数，其中，所述光谱信号参数表示多种预设波长的光信号对应的光谱强度，所述时间信号参数表示同一波长的光信号对应的所述光谱信号参数随时间变化的趋势，所述空间信号参数表示不同波长的光信号对应的所述光谱信号参数相对变化的趋势；根据所述训练光源设置预设输出参数，根据所述训练光源的光谱信号参数、时间信号参数、空间信号参数和对应的所述预设输出参数建立训练数据集；建立神经网络模型，根据所述训练数据集对所述神经网络模型进行特征训练，确定用于火灾探测的神经网络模型；根据所述用于火灾探测的神经网络模型确定待测场地是否发生火灾。第二方面，本专利技术实施例还提供了一种基于神经网络的火灾探测装置包括：信号处理单元和控制单元，其中，所述信号处理单元包括滤波单元、光传感器和模数转换器，所述滤波单元用于接收入射光信号，并对所述入射光信号进行滤波处理，获取至少两种预设波长的光信号，所述光传感器用于将所述光信号转换为模拟电信号，所述模数转换器用于将所述模拟电信号转换为数字信号；所述控制单元用于对所述训练光源的入射光信号进行解析，获取训练光源的光谱信号参数、时间信号参数和空间信号参数，其中，所述光谱信号参数表示多种波长的光信号对应的光谱强度，所述时间信号参数表示同一波长的光信号对应的所述光谱信号参数随时间变化的趋势，所述空间信号参数表示不同波长的光信号对应的所述光谱信号参数发生相对变化的趋势，根据所述训练光源的光谱信号参数、时间信号参数、空间信号参数和对应的预设输出参数建立训练数据集，并根据所述训练数据集构建用于火灾探测的神经网络模型；所述控制单元还用于根据所述神经网络模型确定待测场地的计算输出参数，并根据所述计算输出参数确定所述待测场地是否发生火灾。第三方面，本专利技术实施例还提供了一种设备，包括：一个或多个处理器；系统存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述基于神经网络的火灾探测方法。第四方面，本专利技术实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述基于神经网络的火灾探测方法。本专利技术实施例的基于神经网络的火灾探测方法，通过训练光源的光谱信号参数、时间信号参数和空间信号参数等特征参数构建训练数据集，并利用该训练数据集对神经网络模型进行训练，利用该神经网络模型对待测场地的光源的特征参数的输出响应进行火灾识别，光谱信号参数、时间信号参数和空间信号参数等特征参数相互结合，可以快速区分火焰形态和非火焰形态，利用少量的训练数据即可建立用于火灾探测的神经网络模型，识别算法简单，数据处理量小，火灾探测的响应速度快，准确率高，降低了对硬件性能的要求，能够利用较小的微处理器实现神经网络模型的数据分析，实用性强。附图说明图1是本专利技术实施例一提供的基于神经网络的火灾探测方法的流程图；图2是本专利技术实施例一提供的一种基于神经网络的火灾探测方法的流程图；图3是本专利技术实施例一提供的另一种基于神经网络的火灾探测方法的流程图；图4是本专利技术实施例一提供的用于火灾探测的神经网络模型的结构示意图；图5是本专利技术实施例一提供的又一种基于神经网络的火灾探测方法的流程图；图6是本专利技术实施例二提供的基于神经网络的火灾探测装置的结构示意图；图7是本专利技术实施例三提供的一种设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。由于所有的燃料在燃烧时，燃烧的火焰均会发生形态变化和颜色变化，同时对外散发热量，可以结合火焰的跳动、火焰的颜色和火焰的热量对火焰进行准确地识别，在此，定义火焰的光谱信号、时间信号和空间信号，火焰的光谱信号参数、时间信号参数和空间信号参数构成火焰的特征参数，其具体含义如下：（1）火焰的光谱信号光谱是指复色光经过色散系统（如棱镜、光栅）分光后，被色散开的单色光按波长（或频率）大小而依次排列的图案，全称为光学频谱。火焰的光谱范围涉及近红外线、中红外线、长红外线、紫外线及可见光，由此，可对火焰发出的光进行滤波处理，获取特定波长（或频率）的光信号，并将滤波处理后的光信号对应的光谱强度作为火焰的光谱信号参数。（2）火焰的时间信号燃料在空气中燃烧，产生火焰，火焰的闪烁频率为3Hz至8Hz，在发生火灾时，空气中的氧气浓度随着燃烧时间而发生变化，火灾发生的时间越长空气中的氧气浓度越低。火焰的颜色受空气中氧气浓度的影响而发生变化，在富氧的状态下，火焰的颜色接近蓝色；随着时间推移，火焰发出的波长发生变化，在缺氧的状态下，火焰的颜色接近红色；由此，可将火焰中任一预设波长的光信号对应的光谱强度随时间变化的趋势获取火焰的时间信号参数。（3）火焰的空间信号在火势增长时，火焰的热量强度会增加，相应的光谱信号的强度也会增加，而灯光等干扰源产生的光源的热量强度和光谱信号的强度不会发生变化或者只发送微小的变化，由此，可将火焰中不同预设波长的光信号对应的光谱信号参数发生相对变化的趋势作为火焰的空间信号参数。火焰与非火焰形态的光源对应的光谱信号参数本文档来自技高网...

【技术保护点】
1.一种基于神经网络的火灾探测方法，其特征在于，包括以下步骤：/n获取多个训练光源，其中，所述训练光源包括火焰、干扰光源及设于干扰光源下的火焰；/n调整所述训练光源中火焰与火焰探测装置的距离，获取多个所述训练光源的入射光信号，对每个所述训练光源的入射光信号进行信号处理和解析，获取每个所述训练光源的光谱信号参数、时间信号参数和空间信号参数，其中，所述光谱信号参数表示多种波长的光信号对应的光谱强度，所述时间信号参数表示同一波长的光信号对应的所述光谱信号参数随时间变化的趋势，所述空间信号参数表示不同波长的光信号对应的所述光谱信号参数发生相对变化的趋势；/n根据所述训练光源的光谱信号参数、时间信号参数、空间信号参数和对应的预设输出参数建立训练数据集；/n根据所述训练数据集构建用于火灾探测的神经网络模型；/n根据所述神经网络模型确定待测场地的光源的计算输出参数，并根据所述计算输出参数确定所述待测场地是否发生火灾。/n

【技术特征摘要】
1.一种基于神经网络的火灾探测方法，其特征在于，包括以下步骤：
获取多个训练光源，其中，所述训练光源包括火焰、干扰光源及设于干扰光源下的火焰；
调整所述训练光源中火焰与火焰探测装置的距离，获取多个所述训练光源的入射光信号，对每个所述训练光源的入射光信号进行信号处理和解析，获取每个所述训练光源的光谱信号参数、时间信号参数和空间信号参数，其中，所述光谱信号参数表示多种波长的光信号对应的光谱强度，所述时间信号参数表示同一波长的光信号对应的所述光谱信号参数随时间变化的趋势，所述空间信号参数表示不同波长的光信号对应的所述光谱信号参数发生相对变化的趋势；
根据所述训练光源的光谱信号参数、时间信号参数、空间信号参数和对应的预设输出参数建立训练数据集；
根据所述训练数据集构建用于火灾探测的神经网络模型；
根据所述神经网络模型确定待测场地的光源的计算输出参数，并根据所述计算输出参数确定所述待测场地是否发生火灾。


2.根据权利要求1所述的基于神经网络的火灾探测方法，其特征在于，所述获取每个所述训练光源的入射光信号，对每个所述光信号进行信号处理和解析，获取每个所述训练光源的光谱信号参数、时间信号参数和空间信号参数，包括以下步骤：
获取每个所述训练光源发出的至少一个预设频率的光信号；
对每个所述预设频率的入射光信号进行滤波处理，获取至少两种预设波长的光信号；
对每个所述预设波长的光信号进行光电转换和模数转换处理，获取所述训练光源的光谱信号参数；
获取多个所述光谱信号参数，分别对每个所述光谱信号参数进行求导运算，获取所述训练光源的时间信号参数；
获取多个不同预设波长的光信号对应的所述光谱信号参数，计算每个所述光谱信号参数之间的比值，获取所述训练光源的空间信号参数。


3.根据权利要求2所述的基于神经网络的火灾探测方法，其特征在于，所述获取多个所述光谱信号参数，分别对每个所述光谱信号参数进行求导运算，获取所述训练光源的时间信号参数，包括以下步骤：
分别获取第一预设频率、第一预设波长的光信号对应的第一光谱信号参数，第一预设频率、第二预设波长的光信号对应的第二光谱信号参数，及第一预设频率、第三预设波长的光信号对应的第三光谱信号参数，其中，所述第一预设波长、所述第二预设波长和所述第三预设波长可根据待测场地的燃料类型进行调整；
分别计算所述第一光谱信号参数、所述第二光谱信号参数和所述第三光谱信号参数的时间导数，获取第一时间参数、第二时间参数和第三时间参数。


4.根据权利要求2所述的基于神经网络的火灾探测方法，其特征在于，所述获取多个不同预设波长的光信号对应的所述光谱信号参数，计算每个所述光谱信号参数之间的比值，获取所述训练光源的空间信号参数，包括以下步骤：
分别获取第一预设频率、第一预设波长的光信号对应的第一光谱信号参数，第一预设频率、第二预设波长的光信号对应的第二光谱信号参数，及第一预设频率、第三预设波长的光信号对应的第三光谱信号参数，其中，所述第一预设波长、所述第二预设波长和所述第三预设波长可根据待测场地的燃料类型进行调整；
计算所述第一光谱信号参数与所述第二光谱信号参数的比值，获取第一空间信号参数；
计算所述第一光谱信号参数与所述第三光谱信号参数的比值，获取第二空间信号参数；
计算所述第一光谱信号参数、所述第三光谱信号参数与所述第二光谱信号参数的比值的平均值，获取第三空间信号参数。


5.根据权利要求1所述的基于神经网络的火灾探测方法，其特征在...

【专利技术属性】
技术研发人员：林永贤，王昕，张杰，马启龙，
申请(专利权)人：上海翼捷工业安全设备股份有限公司，
类型：发明
国别省市：上海;31