【技术实现步骤摘要】
本专利技术涉及火灾识别，特别是涉及一种用于充电桩场景下的火灾识别方法、系统、设备和介质。
技术介绍
1、随着电动车的发展，电动汽车、电动自行车在人们的日常生活中占有很大的比例，由于电动车的特性，使得电动车需要经常进行充电，于是就有了充电桩的出现。目前市场上的充电桩设备一般都是安装在地下室，停车棚，停车场。由于现有的充电桩中线路较多，而且在对电动车进行充电时，充电电流非常大，设备老化、损坏相对严重，与此同时，大部分充电桩一般设置在露天环境中，难以避免高温、低温、潮湿的工作环境，这样充电桩就极其容易发生火灾；并且充电桩设备大多部署在比较偏远的地方或处于无人值守状态，一旦发生火灾难以做到及时预警、及时处置，火情发展和蔓延的比较快，带来的后果也会比较严重，造成较大的经济损失。
2、现有的充电桩一般都会集成温度传感器，以对车辆在充电过程中的温度进行监控。但是仅凭借温度传感器无法对充电过程中可能产生的烟雾、火花等特征进行监控，无法第一时间发现火灾隐患。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种用于充电桩场景下的火灾识别方法、系统、设备和介质，以能够解决火灾隐患发现不及时的问题，达到准确高效的对充电桩的火灾隐患进行识别的效果。
2、第一方面，本专利技术提供了一种用于充电桩场景下的火灾识别方法，所述方法包括：
3、获取待识别的充电桩区域的时序图像和时序环境参数，所述时序图像包括位图图像和对应的红外图像，所述时序环境参数包括时序烟雾数据；>
4、将所述位图图像输入目标识别模型，得到目标图像，并根据所述目标图像，从所述红外图像中选取对应的红外目标图像；
5、从各个所述红外图像的红外目标图像中提取温度数据，并根据提取到的温度数据，得到时序温度数据；
6、将所述目标图像、所述时序烟雾数据和所述时序温度数据输入火灾识别模型，得到充电桩区域的火灾识别结果。
7、进一步地，所述将所述位图图像输入目标识别模型，得到目标图像的步骤包括：
8、对所述位图数据进行预处理，并将预处理后的所述位图数据输入预先训练好的目标识别模型，对火焰和充电桩进行识别，得到目标图像，所述目标图像包括火焰图像和充电桩图像；
9、其中，所述目标识别模型采用基于ghostnet的yolo模型构建，在所述yolo模型的主干网络中设置了注意力模块和多层感受野模块，所述注意力模块为基于卷积块注意力机制和坐标注意力机制的混合注意力模块。
10、进一步地，所述从各个所述红外图像的红外目标图像中提取温度数据，并根据提取到的温度数据，得到时序温度数据的步骤包括：
11、获取所述红外图像对应的红外相机的校准数据，并提取所述红外图像的红外目标图像对应的像素值；
12、根据所述校准数据，将所述像素值转换为辐射强度值，并根据普朗克定律，将所述辐射强度值转换为温度数据；
13、根据各个所述红外图像对应的温度数据，得到时序温度数据。
14、进一步地，所述火灾识别模型采用神经网络模型构建得到，包括第一循环神经网络模型、第二循环神经网络模型、卷积神经网络模型、特征融合层和全连接层；
15、其中，所述第一循环神经网络模型的输入数据为时序烟雾数据，所述第一循环神经网络模型的输出数据为烟雾特征数据；
16、所述第二循环神经网络模型的输入数据为时序温度数据，所述第二循环神经网络模型的输出数据为温度特征数据；
17、所述卷积神经网络模型的输入数据为所述目标图像，所述卷积神经网络模型的输出数据为图像特征数据；
18、所述特征融合层的输入数据为所述烟雾特征数据、温度特征数据和图像特征数据，所述特征融合层的输出数据为融合特征数据；
19、所述全连接层的输入数据为融合特征数据，所述全连接层的输出数据为火灾识别结果。
20、第二方面，本专利技术提供了一种用于充电桩场景下的火灾识别系统，所述系统包括：
21、数据获取模块，用于获取待识别的充电桩区域的时序图像和时序环境参数，所述时序图像包括位图图像和对应的红外图像，所述时序环境参数包括时序烟雾数据；
22、目标识别模块，用于将所述位图图像输入目标识别模型，得到目标图像，并根据所述目标图像，从所述红外图像中选取对应的红外目标图像；
23、温度获取模块，用于从各个所述红外图像的红外目标图像中提取温度数据，并根据提取到的温度数据，得到时序温度数据；
24、火灾识别模块，用于将所述目标图像、所述时序烟雾数据和所述时序温度数据输入火灾识别模型，得到充电桩区域的火灾识别结果。
25、进一步地，所述目标识别模块，还用于对所述位图数据进行预处理，并将预处理后的所述位图数据输入预先训练好的目标识别模型，对火焰和充电桩进行识别，得到目标图像，所述目标图像包括火焰图像和充电桩图像；
26、其中，所述目标识别模型采用基于ghostnet的yolo模型构建，在所述yolo模型的主干网络中设置了注意力模块和多层感受野模块，所述注意力模块为基于卷积块注意力机制和坐标注意力机制的混合注意力模块。
27、进一步地，所述温度获取模块，还用于获取所述红外图像对应的红外相机的校准数据，并提取所述红外图像的红外目标图像对应的像素值；
28、根据所述校准数据，将所述像素值转换为辐射强度值，并根据普朗克定律，将所述辐射强度值转换为温度数据；
29、根据各个所述红外图像对应的温度数据，得到时序温度数据。
30、进一步地，所述火灾识别模块还包括火灾识别模型，所述火灾识别模型采用神经网络模型构建得到，包括第一循环神经网络模型、第二循环神经网络模型、卷积神经网络模型、特征融合层和全连接层；
31、其中，所述第一循环神经网络模型的输入数据为时序烟雾数据，所述第一循环神经网络模型的输出数据为烟雾特征数据；
32、所述第二循环神经网络模型的输入数据为时序温度数据，所述第二循环神经网络模型的输出数据为温度特征数据；
33、所述卷积神经网络模型的输入数据为所述目标图像，所述卷积神经网络模型的输出数据为图像特征数据；
34、所述特征融合层的输入数据为所述烟雾特征数据、温度特征数据和图像特征数据，所述特征融合层的输出数据为融合特征数据；
35、所述全连接层的输入数据为融合特征数据，所述全连接层的输出数据为火灾识别结果。
36、第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
37、第四方面，本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
38、本专利技术提供了一种用于充电桩场景下的火灾识别方法、系统、设备和介质。本专利技术本文档来自技高网...
【技术保护点】
1.一种用于充电桩场景下的火灾识别方法，其特征在于，包括：
2.根据权利要求1所述的用于充电桩场景下的火灾识别方法，其特征在于，所述将所述位图图像输入目标识别模型，得到目标图像的步骤包括：
3.根据权利要求1所述的用于充电桩场景下的火灾识别方法，其特征在于，所述从各个所述红外图像的红外目标图像中提取温度数据，并根据提取到的温度数据，得到时序温度数据的步骤包括：
4.根据权利要求1所述的用于充电桩场景下的火灾识别方法，其特征在于，所述火灾识别模型采用神经网络模型构建得到，包括第一循环神经网络模型、第二循环神经网络模型、卷积神经网络模型、特征融合层和全连接层；
5.一种用于充电桩场景下的火灾识别系统，其特征在于，包括：
6.根据权利要求5所述的用于充电桩场景下的火灾识别系统，其特征在于，所述目标识别模块，还用于对所述位图数据进行预处理，并将预处理后的所述位图数据输入预先训练好的目标识别模型，对火焰和充电桩进行识别，得到目标图像，所述目标图像包括火焰图像和充电桩图像；
7.根据权利要求5所述的用于充电桩场景下的火灾
8.根据权利要求5所述的用于充电桩场景下的火灾识别系统，其特征在于，所述火灾识别模块还包括火灾识别模型，所述火灾识别模型采用神经网络模型构建得到，包括第一循环神经网络模型、第二循环神经网络模型、卷积神经网络模型、特征融合层和全连接层；
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种用于充电桩场景下的火灾识别方法，其特征在于，包括：
2.根据权利要求1所述的用于充电桩场景下的火灾识别方法，其特征在于，所述将所述位图图像输入目标识别模型，得到目标图像的步骤包括：
3.根据权利要求1所述的用于充电桩场景下的火灾识别方法，其特征在于，所述从各个所述红外图像的红外目标图像中提取温度数据，并根据提取到的温度数据，得到时序温度数据的步骤包括：
4.根据权利要求1所述的用于充电桩场景下的火灾识别方法，其特征在于，所述火灾识别模型采用神经网络模型构建得到，包括第一循环神经网络模型、第二循环神经网络模型、卷积神经网络模型、特征融合层和全连接层；
5.一种用于充电桩场景下的火灾识别系统，其特征在于，包括：
6.根据权利要求5所述的用于充电桩场景下的火灾识别系统，其特征在于，所述目标识别模块，还用于对所述位图数据进行预处理，并将预处理后的所述位图数据输入预先训练好的目标识别模型...
【专利技术属性】
技术研发人员：尹航，刘潇翰，王培正，许嘉楷，罗成峰，何昊然，罗世轩，吴泽宇，李洪宇，
申请(专利权)人：深圳技术大学，
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。