System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数字信号处理人工智能领域,具体而言,特别是涉及一种基于卷积神经网络的红外烟雾探测方法及预警系统。
技术介绍
1、光学反射是烟感最常用的手段。光学烟感器使用光束穿过空气,当烟雾颗粒进入光束时,光会散射并被预警系统检测到。该散射信号的变化被用来判断是否存在烟雾。光学烟感器通常分为离子化和光散射两种类型。
2、虽然传统烟感技术在火灾检测领域起着重要作用,但也存在一些缺点:1、误报率高:烟感器有时会因为烹饪、蒸汽、尘埃等非火灾原因触发误报,导致不必要的麻烦和干扰。2、漏报问题:某些类型的火灾,特别是烟雾较轻或无烟雾的火灾,可能导致烟感器未能及时检测到,从而延误火灾的发现和响应。3、不适用某些环境:烟感器在一些特殊环境下,如极端温度、湿度或化学气体环境下,可能不太适用,导致性能下降。例如,在常见的冷库里,光学信号常常产生不稳定变化,进而影响正常报警。
3、为了提升烟感识别烟的能力,目前的主流做法是从硬件上采用红蓝双光,当有烟雾进入检测区域时,烟雾会导致光的散射,从而使接收光束受到干扰,信号变弱。当接收光信号弱到一定程度时,结合红蓝光变化区别,烟感设备就会判定可能发生了火灾,触发警报。这种设计可以有效地提高烟雾检测的准确性和稳定性,减少误报和漏报的风险。
4、但是,这种设备也存在一定缺点:1、复杂性:这种烟感预警系统的设计和安装通常比较复杂,需要精确的安装和校准,以确保光束的准确传输和检测。这可能需要更多的时间和技术专业知识。2、误报:尽管红蓝双光烟感在减少误报方面相对较好,但依旧无法高精度
技术实现思路
1、本专利技术要解决的技术问题是提供一种区分烟雾及水蒸气的基于卷积神经网络的红外烟雾探测方法及预警系统。
2、为了解决上述技术问题,一种基于卷积神经网络的红外烟雾探测方法,包括有以下步骤:
3、s1:两个红外光发射单元设置于烟感器迷宫中两个方向不同的位置,接收控制单元的发射指令发射红外光;
4、s2:红外转光电换单元收到红外光信号后,根据红外光信号的强度转换成可用的电信号;
5、s3:红外信号放大单元接收所述电信号放大至能直接被用来分析的放大电信号;
6、s4:信号长度累计单元接收所述放大电信号并进行信号长度累计计算,判断出信号长度累计是否达到l;
7、s5:烟雾概率分析单元获取信号长度累计达到l的信号并进行烟雾信号的判断,结果是烟雾信号进行累计预警次数并与预警阈值进行比对,预警次数大于阈值发出报警信号;
8、s6:报警单元接收报警信号触发报警器。
9、进一步优化方案,所述烟雾概率分析单元为训练至收敛的烟雾卷积神经网络。
10、进一步优化方案,所述步骤s5具体包括:
11、s51:获取累计达到l的信号长度;
12、s52:比对所述信号长度达到l的信号是否为烟雾信号;
13、s53:若对比结果为烟雾信号,则预警次数n+1,计算此时预警次数是否达到阈值t,如果达到,则触发报警,否则删除已累计的信号数据,继续执行步骤s51进行累计对比;如果结果为非烟雾信号,则预警次数n+0,删除已累计的信号数据,继续执行步骤s51进行累计对比。
14、进一步优化方案,烟雾卷积神经网络的基础模块主要由两个block组成,用于计算烟雾的概率计算方法,包括:
15、s531:获取的信号由1×l×2的大小输入网络;
16、s532:网络主干部分进行信号处理;
17、s533:网络最后输出为1×3的向量。
18、进一步优化方案,所述步骤s532中网络主干部分由重复了m次的block组成,每个block分别由basic block和shrinkage unit组合而成。
19、进一步优化方案,所述basic block包括conv、batch normalization及leakyrelu模块,用来获得信号数据特征图。
20、进一步优化方案,所述shrinkage由卷积层组合而成,包括gap模块、csp模块以及残差模块。
21、进一步优化方案,所述shrinkage unit中soft threading相应的公式如下:
22、
23、此处,x代表输入向量,f(x)代表映射后的特征。t为一个正数,我们可以将其表述为:
24、t=α·average|xh,w,c|
25、
26、其中h、w、c分别代表高、宽、通道数量,z是全连接层后的输出特征向量。
27、本专利技术还公开了一种基于卷积神经网络的红外烟雾探测的预警系统,其还包括:
28、红外线发射单元,设置于烟感器迷宫中前后向不同的位置;
29、控制单元,用于向红外线发射单元发送的发射红外光的指令;
30、红外光电转换单元,用于接收所述电信号放大至能直接被用来分析的放大电信号;
31、信号发大单元,用于接收放大电信号进行信号长度累计并进行判断;
32、信号长度累计单元,用于接收放大电信号进行信号长度累计,传送出信号长度累计达到l的信号;
33、烟雾概率分析单元,获取信号长度累计达到l的信号并进行烟雾信号的对比,计算烟雾信号累计的预警次数并与预警阈值进行比对,预警次数大于阈值发出报警信号;
34、报警单元:用于接收达到阈值的报警信号触发报警器。
35、进一步,所述烟雾概率分析单元包括:
36、获取信号模块:获取累计信号长度;
37、烟雾信号识别模块:用于比对所述信号长度达到l的信号是否为烟雾信号;
38、报警分析模块:若对比结果为烟雾信号,则预警次数n+1,计算此时预警次数是否达到阈值t,如果达到,则触发报警,否则删除已累计的信号数据,继续回执长度累计对比;如果结果为非烟雾信号,则预警次数n+0,删除已累计的信号数据,继续回执长度累计对比。
39、本专利技术的技术效果在于:
40、1、本专利技术基于卷积神经网络的红外烟雾探测方法及预警系统,通过预警系统的探测电路收发红外信号,并将收到的红外信号传至信号长度累计单元,当信号长度累计单元接收到红外信号时会对信号进行判断,实现了区分烟雾及水蒸气的有益效果,提供了更加可靠、准确和有效的火灾检测和预警预警系统,帮助减少误报,提高预警速度,并在紧急情况下更好地保护人们的生命和财产安全。
41、2、本专利技术基于卷积神经网络的红外烟雾探测方法及预警系统,将卷积神经网络方法引入烟感烟雾识别,利用神经网络可以自动提取复杂的特征的能力,通过大量的数据学习烟雾的特征和模式,提高烟感的火灾本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的红外烟雾探测方法,其特征在于,包括有以下步骤:
2.根据权利要求1所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述烟雾概率分析单元为训练至收敛的烟雾卷积神经网络。
3.根据权利要求2所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述步骤S5具体包括:
4.根据权利要求2所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,烟雾卷积神经网络的基础模块主要由两个block组成,用于计算烟雾的概率计算方法,包括:
5.根据权利要求4所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述步骤S532中网络主干部分由重复了m次的block组成,每个block分别由basic block和shrinkage unit组合而成。
6.根据权利要求5所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述basic block包括Conv、Batch Normalization及leaky relu模块,用来获得信号数据特征图。
7.根据权利要求5所述的基于卷积神经网络的红外
8.根据权利要求7所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述shrinkage unit中soft threading相应的公式如下:
9.一种基于卷积神经网络的红外烟雾探测预警系统,其特征在于,其还包括:
10.根据权利要求9所述的基于卷积神经网络的红外烟雾探测预警系统,其特征在于,所述烟雾概率分析单元包括:
...【技术特征摘要】
1.一种基于卷积神经网络的红外烟雾探测方法,其特征在于,包括有以下步骤:
2.根据权利要求1所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述烟雾概率分析单元为训练至收敛的烟雾卷积神经网络。
3.根据权利要求2所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述步骤s5具体包括:
4.根据权利要求2所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,烟雾卷积神经网络的基础模块主要由两个block组成,用于计算烟雾的概率计算方法,包括:
5.根据权利要求4所述的基于卷积神经网络的红外烟雾探测方法,其特征在于,所述步骤s532中网络主干部分由重复了m次的block组成,每个block分别由basic block和shrinkage unit组合而成。
6...
【专利技术属性】
技术研发人员:李昊,汤香渝,朱岩,蔡为民,
申请(专利权)人:青鸟消防股份有限公司,
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。