基于CAFS系统的电动消防车技术方案

公开了一种基于CAFS系统的电动消防车，其中，所述电动消防车包括消防车主体、部署于所述消防车主体的CAFS系统和部署于所述消防车主体的火情侦测系统。具体地，基于图像分析和处理来判断是否具有火情并通过监控图像来判断火情的类型，继而可基于图像分析结果来生成CAFS系统的控制指令，所述控制指令用于控制泡沫浓缩液的量。沫浓缩液的量。沫浓缩液的量。

【技术实现步骤摘要】
基于CAFS系统的电动消防车


[0001]本申请涉及电动巡逻消防车领域，且更为具体地，涉及一种基于CAFS系统的电动消防车。

技术介绍

[0002]常见的消防车种类包括水罐消防车、泡沫消防车、泵浦消防车、登高平台消防车、云梯消防车等。现在社区内往往不会直接配备消防车，而在火情发现初期，火势较小，此时是灭火最佳时机，社区内虽有较多的巡逻车，但却又不具备灭火功能。因此，期待一种具有消防功能的电动巡逻消防车。
[0003]同时，考虑到在小区的场景中，会发生各种各样的火情，针对不同类型的火情产生适配的消防液是另一个对于具有消防功能的电动巡逻车的功能配置需求。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于CAFS系统的电动消防车，其中，所述电动消防车包括消防车主体、部署于所述消防车主体的CAFS系统和部署于所述消防车主体的火情侦测系统。具体地，基于图像分析和处理来判断是否具有火情并通过监控图像来判断火情的类型，继而可基于图像分析结果来生成CAFS系统的控制指令，所述控制指令用于控制泡沫浓缩液的量。
[0005]相应地，根据本申请的一个方面，提供了一种基于CAFS系统的电动消防车，其包括：
[0006]消防车主体；
[0007]部署于所述消防车主体的CAFS系统；以及
[0008]部署于所述消防车主体的火情侦测系统。
[0009]在上述基于CAFS系统的电动消防车中，所述火情侦测系统，包括：火情数据采集模块，用于获取由热红外摄像头和常规摄像头采集的火情区域的RGB图像和热红外图像；源域聚合模块，用于将所述火情区域的所述RGB图像和所述热红外图像沿着通道维度进行聚合以得到多通道图像；第一特征提取模块，用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图；第二特征提取模块，用于将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图；特征融合模块，用于融合所述第一特征图和所述第二特征图以得到分类特征图；特征调制模块，用于对所述分类特征图进行特征分布调制以得到校正后分类特征图；侦测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否增大泡沫浓缩液的量；以及，控制指令生成模块，用于基于所述分类结果，生成CAFS系统控制指令，所述CAFS系统控制指令用于控制泡沫浓缩液的量。
[0010]在上述基于CAFS系统的电动消防车中，所述的CAFS系统，进一步用于从所述火情侦测系统接收所述CAFS系统控制指令，并基于所述CAFS系统控制指令来控制所述泡沫浓缩
液的量。
[0011]在上述基于CAFS系统的电动消防车中，所述第一特征提取模块，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述多通道图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述第一特征图。
[0012]在上述基于CAFS系统的电动消防车中，所述第二特征提取模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二特征图。
[0013]在上述基于CAFS系统的电动消防车中，所述特征融合模块，进一步用于将所述第一特征图和所述第二特征图沿着通道维度进行级联以得到所述分类特征图。
[0014]在上述基于CAFS系统的电动消防车中，所述特征调制模块，进一步用于：以如下公式对所述分类特征图进行特征分布调制以得到校正后分类特征图；其中，所述公式为：
[0015][0016]其中，f
i
是所述分类特征图的预定特征值，f
j
是所述分类特征图的所述预定特征值以外的其它特征值，且是所述分类特征图的所有特征值的均值，且N是所述分类特征图的尺度，即宽度乘以高度乘以通道数，f
i
′
是所述校正后分类特征图。
[0017]在上述基于CAFS系统的电动消防车中，所述侦测结果生成模块，包括：展开单元，用于将所述校正后分类特征图中各个校正后分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0018]根据本申请的另一方面，还提供了一种基于CAFS系统的电动消防车的火情侦测方法，其包括：
[0019]获取由热红外摄像头和常规摄像头采集的火情区域的RGB图像和热红外图像；
[0020]将所述火情区域的所述RGB图像和所述热红外图像沿着通道维度进行聚合以得到多通道图像；
[0021]将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图；
[0022]将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图；
[0023]融合所述第一特征图和所述第二特征图以得到分类特征图；
[0024]对所述分类特征图进行特征分布调制以得到校正后分类特征图；
[0025]将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否增大泡沫浓缩液的量；以及
[0026]基于所述分类结果，生成CAFS系统控制指令，所述CAFS系统控制指令用于控制泡沫浓缩液的量。
[0027]在上述基于CAFS系统的电动消防车的火情侦测方法中，所述将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述多通道图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述第一特征图。
[0028]在上述基于CAFS系统的电动消防车的火情侦测方法中，所述将所述多通道图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CAFS系统的电动消防车，其特征在于，包括：消防车主体；部署于所述消防车主体的CAFS系统；以及部署于所述消防车主体的火情侦测系统。2.根据权利要求1所述的基于CAFS系统的电动消防车，其特征在于，所述火情侦测系统，包括：火情数据采集模块，用于获取由热红外摄像头和常规摄像头采集的火情区域的RGB图像和热红外图像；源域聚合模块，用于将所述火情区域的所述RGB图像和所述热红外图像沿着通道维度进行聚合以得到多通道图像；第一特征提取模块，用于将所述多通道图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一特征图；第二特征提取模块，用于将所述多通道图像通过使用通道注意力机制的第二卷积神经网络模型以得到第二特征图；特征融合模块，用于融合所述第一特征图和所述第二特征图以得到分类特征图；特征调制模块，用于对所述分类特征图进行特征分布调制以得到校正后分类特征图；侦测结果生成模块，用于将所述校正后分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否增大泡沫浓缩液的量；以及控制指令生成模块，用于基于所述分类结果，生成CAFS系统控制指令，所述CAFS系统控制指令用于控制泡沫浓缩液的量。3.根据权利要求2所述的基于CAFS系统的电动消防车，其特征在于，所述的CAFS系统，进一步用于从所述火情侦测系统接收所述CAFS系统控制指令，并基于所述CAFS系统控制指令来控制所述泡沫浓缩液的量。4.根据权利要求3所述的基于CAFS系统的电动消防车，其特征在于，所述第一特征提取模块，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述多通道图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述第一特征图。5.根据权利要求4所述的基于CAFS系统的电动消防车，其特征在于，所述第二特征提取模块，进...

【专利技术属性】
技术研发人员：杨慧慧，杨又铭，闵家威，程钰涵，姚远，梁棚，
申请(专利权)人：湖北博利特种汽车装备股份有限公司，
类型：发明
国别省市：