[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118217567A - 一种智能安全用电消防系统 - Google Patents

一种智能安全用电消防系统 Download PDF

Info

Publication number
CN118217567A
CN118217567A CN202410534723.3A CN202410534723A CN118217567A CN 118217567 A CN118217567 A CN 118217567A CN 202410534723 A CN202410534723 A CN 202410534723A CN 118217567 A CN118217567 A CN 118217567A
Authority
CN
China
Prior art keywords
fire
image
video frame
fire extinguisher
frame image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410534723.3A
Other languages
English (en)
Other versions
CN118217567B (zh
Inventor
王长江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Diandun Intelligent Technology Co.,Ltd.
Original Assignee
Guangzhou New Express Electronics Co ltd
Guangzhou Dianeng Cloud Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou New Express Electronics Co ltd, Guangzhou Dianeng Cloud Technology Co ltd filed Critical Guangzhou New Express Electronics Co ltd
Priority to CN202410534723.3A priority Critical patent/CN118217567B/zh
Publication of CN118217567A publication Critical patent/CN118217567A/zh
Application granted granted Critical
Publication of CN118217567B publication Critical patent/CN118217567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
    • A62C3/16—Fire prevention, containment or extinguishing specially adapted for particular objects or places in electrical installations, e.g. cableways
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C37/00—Control of fire-fighting equipment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种智能安全用电消防系统，包括充电桩信息收集单元用于实时采集充电桩环境的温度、电流、烟雾浓度数据信息；当采集的数据信息超过预设阈值时，获取时间段T内的视频帧上传至云服务端；视频图像处理模块通过与存储的无火灾标准图像进行比较以及应用帧间差分法处理图像分别生成第一和第二处理视频帧图像；将原始视频图像、第一处理和第二处理视频帧图像输入至训练好的深度神经网络DNN模型，通过特征拼接和全连接层输出灭火器类型并控制灭火器进行灭火操作。本发明训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，能够自动选择并启用最合适的灭火器实现针对性快速灭火，极大地提高了应对火灾的效率和安全性。

Description

一种智能安全用电消防系统
技术领域
本发明涉及人工智能自动化技术领域，具体涉及一种智能安全用电消防系统。
背景技术
随着电动汽车行业的飞速发展，充电基础设施，特别是充电桩的安全管理变得日益重要，电动汽车充电桩由于其高电压和电流的特性，存在着较高的火灾风险，常见的火灾原因包括电路故障、过载、设备老化等，一旦发生火灾，不仅可能造成重大财产损失，还可能危及人身安全，目前市场上的充电桩消防系统多依赖于传统的火灾探测技术，如烟雾探测器和温度传感器，这些系统虽然能在一定程度上提供火灾警报，但存在反应时间慢、误报率高和不能进行有效预警的缺点，尤其是在复杂的城市环境中，一旦误报，可能导致不必要的恐慌和资源浪费；此外，考虑到电气设备的普遍存在以及与之相关的火灾风险，选择合适的灭火器显得尤为重要，由于充电设备的特殊性，错误的灭火方法不仅可能导致灭火失败，还可能增加火灾扩散的风险或对人员及设备造成额外伤害。同时，传统系统大多数缺乏智能分析功能，无法根据实时数据进行动态响应，这意味着它们不能根据环境变化自动调整监控参数或提前采取措施以防止火灾发生，因此，急需一种更为高效和智能的解决方案来提高充电桩的安全性和响应速度。
近年来，随着人工智能技术的发展，特别是深度学习、视频图像处理的快速发展，基于人工智能的分析方法为解决上述问题提供了新的思路，利用深度学习技术处理视频数据，可以识别出与火灾相关的特定图像特征，例如火焰、烟雾和异常热点，通过这种方式，系统能够在火灾形成的早期阶段即识别出潜在的火源，从而采取主动防控措施。当前，使用单一的图像处理方法或传统的数据处理方法难以达到高效和准确的预警和灭火需求，因此，结合多种数据处理方法和多元化的数据输入，构建一个综合智能消防系统通过早期识别自动选择灭火器进行灭火显得十分必要。且选择不同类型的灭火器也同样重要，因为不同类型的火灾需要不同的灭火策略来有效控制和扑灭火焰。在电动汽车充电站的环境中，可能出现的火灾类型多样，包括电气火灾、液体或油脂火灾以及固体燃烧等。因此，根据火灾的具体类型和发生环境选用合适的灭火器，是确保能迅速且有效应对火灾，减少人员伤亡和财产损失的关键。
尽管人工智能在许多领域取得了成功应用，但现有的火灾判断过程中仅仅考虑对原始火灾现场图像的分析，没有结合无火灾标准图像以及视频帧之间的变化观察火灾发展情况等信息进行对比综合判断，导致火灾判断不准确；且现有技术中没有将烟雾浓度、温度等数据加入到灭火器类型的选择判断中，特别是如何有效结合火灾现场情况数据不同选择合理的灭火器进行自动灭火没有考虑。因此迫切需要一种新的解决方案，以提高自动灭火的及时性和效率，以及灭火器选择判断准确度和降低安全风险。
发明内容
针对现有技术中提到的上述问题，本发明提供了一种智能安全用电消防系统，该系统包括充电桩信息收集单元，通过实时监测并获取充电桩环境的温度、电流和烟雾浓度数据；当检测到温度、电流或烟雾浓度超过预设阈值时，控制CCD相机捕捉连续时间段T内的视频帧，并上传至云服务端；视频图像处理模块与存储的无火灾标准图像进行比较以及应用帧间差分法处理图像，生成第一和第二处理视频帧图像；将视频帧图像输入至训练好的深度神经网络DNN模型，分别处理原始视频图像、第一处理和第二处理视频帧图像，通过特征拼接和全连接层输出灭火器类型；灭火器选择模块根据DNN模型的输出，单片机激活相应类型的灭火器进行灭火操作。本发明提供的智能安全用电消防系统通过实时监测和分析数据，能够根据检测到的火灾类型自动选择并启用最合适的灭火器，从而实现针对性的快速灭火，极大地提高了应对火灾的效率和安全性。
本申请提供一种智能安全用电消防系统，包括：
充电桩信息收集单元，实时获取充电桩环境的温度传感器、电流传感器、烟雾浓度传感器数据；
消防判断模块，如果实时获取充电桩环境的温度t大于设定阈值或实时获取的电流大于设定阈值或实时获取充电桩环境的烟雾浓度s大于设定阈值时，单片机获取CCD相机中时间段T内的视频帧图像并上传至云服务端；
视频图像处理模块，云服务端对获取的视频帧图像与数据库存储的当前时间点的无火灾标准图像作差获取第一处理视频图像，并对获取的视频帧图像采用帧间差法进行处理得到第二处理视频图像；
数据分析模块，将获取的视频帧图像、第一处理视频图像、第二处理视频图像输入至训练好的深度神经网络DNN模型进行处理，输出采用的灭火器类型；其中，训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，每个分支专门处理一种类型的视频帧图像，分别为原始视频帧图像、第一处理视频图像和第二处理视频图像；每个卷积网络分支进行卷积操作后，提取的特征向量传递至融合层通过特征拼接形成融合特征向量；将融合特征向量输入至全连接层处理，输出采用的灭火器类型；
灭火器选择模块，云服务端将深度神经网络DNN模型输出结果输出至单片机，单片机根据输出的灭火器类型开启对应的灭火器并进行灭火。
优选地，所述输出采用的灭火器类型，其中灭火器类型包括二氧化碳灭火器、泡沫灭火器、干粉灭火器、湿化学灭火器、水雾灭火器。
优选地，所述单片机获取CCD相机中时间段T内的视频帧图像并上传至云服务端，在上传至云服务端前包括采用高斯滤波进行去噪处理。
优选地，所述将融合特征向量输入至全连接层处理，输出采用的灭火器类型，包括：首先将融合特征向量输入到第一全连接层，利用Sigmoid激活函数进行非线性转换；经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换；将经过第二全连接层处理后的特征向量输入至第三全连接层，第三全连接层使用softmax激活函数，将特征向量转换为采用的灭火器类型。
优选地，所述训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，每个分支专门处理一种类型的视频帧图像，分别为原始视频帧图像、第一处理视频图像和第二处理视频图像；第一卷积网络分支专门处理原始视频帧图像，通过多层卷积层和池化层提取特征包括对比度、灰度均值、RGB颜色通道均值、灰度共生矩阵的熵；第二卷积网络分支专门处理第一处理视频帧图像，通过多层卷积和池化操作提取特征包括变化区域面积、像素值标准差、灰度共生矩阵的熵；第三卷积网络分支专门处理第二处理视频帧图像，通过多层卷积和池化操作提取特征包括运动流密度；三个独立的卷积网络分支处理后得到的特征向量通过特征拼接在融合层合并。
优选地，所述第三全连接层使用softmax激活函数，将特征向量转换为采用的灭火器类型，其中，第三全连接层的神经元数量为5个，分别对应二氧化碳灭火器、泡沫灭火器、干粉灭火器、湿化学灭火器、水雾灭火器，第二全连接层的输出被送入softmax函数计算每个灭火器类型的指数，并将每个指数值除以所有指数值的总和，得到每个灭火器类型的概率。
优选地，经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换，改进的AP-Tanh激活函数f(x)表示如下:
其中，e为自然对数的底数，x为经过第一全连接层处理后的特征向量，t为实时获取充电桩环境的温度，s为实时获取充电桩环境的烟雾浓度，a0、a1、a3分别为第一经验参数、第二经验参数、第三经验参数。
优选地，所述第一卷积网络分支专门处理原始视频帧图像，通过多层卷积层和池化层提取特征包括对比度、灰度均值、RGB颜色通道均值、灰度共生矩阵的熵，其中，灰度均值为图像所有像素灰度值的平均值，对比度为图像每个像素灰度值与图像平均灰度值差值的平方和的均值，RGB颜色通道均值为分别对红色、绿色、蓝色通道的所有像素值求平均，灰度共生矩阵的熵为基于像素对的灰度共生矩阵生成的熵值。
优选地，第二卷积网络分支专门处理第一处理视频帧图像，通过多层卷积和池化操作提取特征包括变化区域面积、像素值标准差、灰度共生矩阵的熵，其中，变化区域面积为像素值大于设定阈值的像素数；像素值标准差为首先计算图像的像素值平均值，然后计算每个像素值与平均值之差的平方并求和，最后，对方差取平方根以得到像素值标准差。
优选地，第三卷积网络分支专门处理第二处理视频帧图像，通过多层卷积和池化操作提取特征包括运动流密度，包括首先应用光流法计算连续视频帧之间每个像素的运动向量，统计像素的运动向量大于设定阈值的像素总数并与图像中像素的总数相除，得出运动像素的比例即为运动流密度。
本发明提供了一种智能安全用电消防系统，所能实现的有益技术效果如下：
1、本发明一种智能安全用电消防系统，通过判断实时获取充电桩环境温度、充电桩电路电流以及烟雾浓度是否大于设定阈值，当大于设定阈值时单片机获取CCD相机中大于设定阈值时刻后时间段T内的视频帧图像，并将图像上传至云服务端；云服务端对获取的每一帧视频帧图像与数据库存储的当前时间点的无火灾标准图像作差获取第一处理视频图像，并对获取的视频帧图像采用帧间差法进行处理得到第二处理视频图像；数据分析模块将获取的视频帧图像、第一处理视频图像、第二处理视频图像输入至训练好的深度神经网络DNN模型进行处理，输出采用的灭火器类型。本发明通过采用训练好的深度神经网络DNN模型，分别处理原始视频图像、第一处理和第二处理视频帧图像，通过特征拼接和全连接层输出灭火器类型，大大提升了火灾识别的准确性和并提供针对性灭火器进行灭火大大提升了灭火效率。
2、本发明训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，每个分支专门处理一种类型的视频帧图像，分别为原始视频帧图像、第一处理视频图像和第二处理视频图像；每个卷积网络分支进行卷积操作后，提取的特征向量传递至融合层通过特征拼接形成融合特征向量；将融合特征向量输入至全连接层处理，输出采用的灭火器类型，通过考虑不同情况下的视频图像信息，丰富了特征大大提升了灭火器的选择准确性。
3、本发明经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换，改进的AP-Tanh激活函数f(x)表示如下:
其中，e为自然对数的底数，x为经过第一全连接层处理后的特征向量，t为实时获取充电桩环境的温度，s为实时获取充电桩环境的烟雾浓度，a0、a1、a3分别为第一经验参数、第二经验参数、第三经验参数；本申请第二全连接层通过将充电桩环境的温度、充电桩环境的烟雾浓度等因素加入到激活函数处理过程，大大增强了特征提取融合为灭火器选择提供了有力支撑，提升了灭火器选择准确度。
4、本申请首先将融合特征向量输入到第一全连接层，利用Sigmoid激活函数进行非线性转换；经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换；将经过第二全连接层处理后的特征向量输入至第三全连接层，第三全连接层使用softmax激活函数，将特征向量转换为采用的灭火器类型；全连接层采用三种不同的激活函数，在智能安全用电消防系统中，全连接层使用了三种激活函数分别为Sigmoid、改进的Adaptive Parametric Tanh(AP-Tanh)和Softmax；其中Sigmoid函数适于判断火灾风险的存在；AP-Tanh提供了可调参数，允许激活函数根据输入数据如温度和烟雾浓度动态调整，增强模型对输入变化的适应性；Softmax函数将网络的输出转化为概率分布，适合多分类任务，如选择合适的灭火器类型，优化了系统的决策过程，提高了响应的精确性和效率，三种函数的结合使得系统在多任务处理和决策上更加高效和准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明的一种智能安全用电消防系统示意图；
图2是本发明的一种智能安全用电消防系统处理流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
针对现有技术中提到的上述问题，如附图1所示：本申请提供本申请提供一种智能安全用电消防系统，其中，充电桩信息收集单元由温度传感器、电流传感器和烟雾浓度传感器组成，这些传感器实时监测充电桩环境的关键参数，如温度、电流和烟雾水平，传感器通过有线或无线网络连接到中央处理单元(单片机或微控制器)定期发送数据，高分辨率CCD相机用于捕捉充电站的视频帧图像，在检测到异常情况时(如传感器数据超过预设阈值)，相机捕获实时视频，相机通过高速网络接口(如以太网或Wi-Fi)连接到云服务端，实时上传视频数据。
云服务端包括服务器群和存储设备，用于处理和分析数据，服务器执行视频图像处理算法，包括图像对比和帧间差分分析，同时运行深度神经网络模型，服务器通过安全的互联网连接接收单片机和CCD相机发送的数据。
深度神经网络(DNN)模型运行在高性能GPU服务器上，用于处理图像数据、识别火灾标志、预测火灾类型并选择合适的灭火器，DNN模型作为软件组件在服务器上运行，处理来自云服务端的图像数据，灭火器控制单元包括接口到各种灭火器(二氧化碳、泡沫、干粉等)的电子触发装置，根据DNN模型的输出，激活相应的灭火器，通过电子控制线路连接到单片机，接收来自云服务器的指令。
在一个实施例中，在一个位于公共停车场的电动汽车充电站，安装了本智能安全用电消防系统，系统中的温度和电流传感器实时监控每个充电桩的运行状态，而烟雾传感器检测可能的火灾征兆，所有传感器的数据都被实时传输到位于远程的云服务器，当某个传感器的读数超过安全阈值时，CCD相机开始记录该充电桩的视频，并将视频流实时上传到云服务端，云服务器运行视频图像处理模块，识别出火焰和烟雾的特征，并通过深度学习模型分析当前的火灾情况，模型决定最合适的灭火方式，并通过网络发送命令给灭火器控制单元，自动触发相应类型的灭火器扑灭火焰。
充电桩信息收集单元，实时获取充电桩环境的温度传感器、电流传感器、烟雾浓度传感器数据；
消防判断模块，如果实时获取充电桩环境的温度t大于设定阈值或实时获取的电流大于设定阈值或实时获取充电桩环境的烟雾浓度s大于设定阈值时，单片机获取CCD相机中时间段T内的视频帧图像并上传至云服务端；
在一些实施例中，充电桩信息收集单元负责实时获取和监控充电桩环境的关键参数，包括温度、电流和烟雾浓度，这些数据是预防和及时响应火灾的基础，温度传感器安装在充电桩附近的关键部位，监测设备的运行温度，电流传感器测量充电过程中的电流强度，监控是否存在过载或异常电流流动，烟雾浓度传感器检测空气中的烟雾颗粒，是早期发现火灾的重要手段，这些传感器通过有线或无线网络与中央控制单元(如单片机)连接，实时传输监测到的数据，消防判断模块分析从信息收集单元获得的数据，判断是否存在火灾风险，当任一传感器检测到的数据超过预设的安全阈值(温度超过60℃，电流超过最大安全载荷的120％，或烟雾浓度迅速增高)时，模块即触发警报，同时，单片机指令CCD相机在接下来的设定时间段T内(接下来的30秒)，捕捉并记录连续的视频帧图像，这些图像随后被上传至云服务端进行更进一步的分析。在一个实施例中，一个充电桩由于内部故障开始过热，温度传感器迅速检测到温度升高至65℃，超过了设定的阈值60℃，系统的消防判断模块接收到这一数据后，立即触发警报，并通过单片机指令CCD相机开始捕捉该充电桩的实时视频，CCD相机捕获的视频帧显示从充电桩部件缝隙中逸出轻微烟雾，这些视频帧被实时上传到云服务端，进一步通过深度神经网络分析图像，确认火灾征兆并判定烟雾的来源和火势规模，云端分析结果表明需要立即启动干粉灭火器，系统根据分析结果，自动激活安装在充电桩附近的干粉灭火器，成功控制并最终扑灭了初起火灾，防止了可能的大规模火灾事故和潜在的人员伤亡。
视频图像处理模块，云服务端对获取的视频帧图像与数据库存储的当前时间点的无火灾标准图像作差获取第一处理视频图像，并对获取的视频帧图像采用帧间差法进行处理得到第二处理视频图像；在一些实施例中，图像作差法用于比较实时捕获的视频帧与预先存储在数据库中的相同时间点的无火灾标准图像，通过这种比较系统可以识别出由于异常(如火焰或烟雾)引起的变化，选择基准图像从数据库中提取与实时视频同一时间点的无火灾标准图像，计算实时视频帧与基准图像之间的差异，通过逐像素比较两幅图像的差值来实现，生成第一处理视频图像差异图像突出显示所有与标准图像不同的区域，这些区域表明异常，帧间差法用于分析连续两帧或多帧之间的变化，便于检测动态变化，如移动的火焰或烟雾，从视频中抽取连续的两帧或多帧，比较连续帧之间的像素值差异生成第二处理视频图像，通过帧间差异图像可以识别出动态变化的对象，扩散的烟雾或火焰。在一些实施例中，由于电路问题，一台充电桩开始过热，并逐渐产生火花，系统的温度传感器和烟雾传感器迅速触发警报，单片机指令CCD相机捕捉该充电桩的实时视频，CCD相机捕捉到的实时视频帧与云服务端数据库中相同时间点的无火灾图像进行作差处理，作差结果显示在充电桩周围有明显的亮点和色差，表明可能的火焰出现，系统接着对连续捕获的视频帧进行帧间差分，确定火焰和烟雾的移动轨迹，帧间差分图像显示火焰从充电桩底部向上蔓延的动态过程。
数据分析模块，将获取的视频帧图像、第一处理视频图像、第二处理视频图像输入至训练好的深度神经网络DNN模型进行处理，输出采用的灭火器类型；其中，训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，每个分支专门处理一种类型的视频帧图像，分别为原始视频帧图像、第一处理视频图像和第二处理视频图像；每个卷积网络分支进行卷积操作后，提取的特征向量传递至融合层通过特征拼接形成融合特征向量；将融合特征向量输入至全连接层处理，输出采用的灭火器类型；在一些实施例中，在智能安全用电消防系统中，数据分析模块通过深度神经网络(DNN)处理来自CCD相机的不同阶段的视频帧图像，以确定最合适的灭火器类型，原始视频帧图像处理分支专门处理直接从CCD相机获得的实时视频帧，这些图像显示了火灾的初始状态，包括火焰和烟雾，第一处理视频帧图像处理分支：处理通过图像作差得到的第一处理视频帧，这些图像主要显示了与无火灾标准图像的差异，突出异常区域，第二处理视频帧图像处理分支处理通过帧间差法得到的第二处理视频帧。这些图像捕捉了动态变化，如火焰和烟雾的扩散，每个分支对其输入图像进行卷积操作，提取相关的视觉特征，提取的特征包括边缘、纹理、颜色变化等，这些都是识别火灾特征的关键信息，融合层各个分支处理后的特征向量在融合层进行拼接，形成一个综合的特征向量，这有助于综合不同视角的信息，提供更全面的火灾分析，全连接层融合特征向量输入至全连接层，这里使用多个激活函数处理特征向量，最终输出预测的灭火器类型。
在一些实施例中，由于电气故障导致一台充电桩起火，系统的CCD相机捕捉到起火充电桩的实时视频，视频帧被分别输入三个卷积网络分支进行处理，原始视频帧显示明显的火焰和浓烟，第一处理视频帧通过与数据库中的无火灾标准图像作差，显示了明显的亮度和颜色变化区域，第二处理视频帧通过帧间差法分析，突出了火焰和烟雾的动态扩散，处理后的特征向量在融合层合并，全连接层分析这些融合特征，根据全连接层的输出，系统判断此火灾为电气起火，推荐使用二氧化碳灭火器进行扑救，因为它不导电且对设备安全，自动灭火响应系统自动启动安装在充电站的二氧化碳灭火器，迅速控制并最终扑灭了火焰，有效防止了火势蔓延，通过这种方式，智能安全用电消防系统不仅能够有效识别火灾的类型和特点，还能根据具体情况自动选择并启动最适合的灭火器，大大提高了应急响应的效率和准确性。
云服务端将深度神经网络DNN模型输出结果输出至单片机，单片机根据输出的灭火器类型开启对应的灭火器并进行灭火，在一些实施例中，灭火器选择模块是智能安全用电消防系统中的关键组成部分，负责基于深度神经网络(DNN)模型的分析结果，自动选择并激活适当类型的灭火器以应对检测到的火灾，深度神经网络模型处理来自视频图像处理模块的数据，分析火灾的特征(如火焰大小、扩散速度和烟雾密度)，模型根据分析结果推断出最合适的灭火器类型(二氧化碳灭火器、泡沫灭火器、干粉灭火器等)，分析结果(选择的灭火器类型)通过云服务端发送到场地的单片机或中央控制系统，单片机接收到来自云端的灭火器类型指令后，通过控制接口激活相应的灭火器，单片机控制一个或多个电子驱动器，这些驱动器连接到各种类型的灭火器上，以电子方式启动灭火器的释放机制。一个充电站因电气短路引发了火灾，系统的CCD相机捕捉到火灾现场的实时图像，经过处理后，数据传输至云服务端。在一些实施例中，深度神经网络分析图像识别出火灾主要由电气故障引起，推断二氧化碳灭火器是最合适的选择，因为它可以有效扑灭电气火灾而不会导致额外的损伤，云服务端将“二氧化碳灭火器”这一决策发送至购物中心充电站的单片机，单片机收到指令后立即激活安装在相应充电站的二氧化碳灭火器，灭火器快速释放二氧化碳，覆盖并冷却火源区域，成功控制并最终熄灭火焰，灭火后系统继续监控该区域，确保火完全熄灭，没有复燃的迹象，系统自动记录事件和响应过程，用于未来分析和系统优化。
在一些实施例中，所述输出采用的灭火器类型，其中灭火器类型包括二氧化碳灭火器、泡沫灭火器、干粉灭火器、湿化学灭火器、水雾灭火器。二氧化碳灭火器主要用于电气火灾，特别是在电气设备或电路附近的火灾，因为二氧化碳不导电且不会对设备造成腐蚀，在一个实施例中一台充电桩由于电路故障发生火灾，系统检测到电流异常升高并触发警报，自动启动安装在该充电桩附近的二氧化碳灭火器，有效扑灭了火焰而未对周围的电子设备造成损害。泡沫灭火器适合扑灭液体引起的火灾，如涉及充电桩附近的油或其他可燃液体泄漏，在一个实施例中在充电站因为维修不当导致润滑油泄漏并接触到热源引发火灾，智能系统分析了场景并判断泡沫灭火器为最佳选择，随后自动激活相应的灭火器，迅速覆盖和隔离火源阻止火势蔓延。干粉灭火器干粉灭火器非常适用于多类型火灾，包括电气火灾和一般固体物质火灾，是一种多功能的灭火选择，在一个实施例中一辆汽车的电池板因故障过热引起火灾，系统通过分析烟雾和温度数据，判定需要多功能干粉灭火器介入，立即启动干粉灭火系统，有效控制了电池板和周边车辆的火势。湿化学灭火器适合处理涉及化学反应的火灾，对于充电站附近的餐饮区或包含化学物质的维修区域，湿化学灭火器可以有效使用，在一个实施例中充电站旁边的快餐车因烹饪油脂过热引发火灾，系统即刻识别火源性质激活湿化学灭火器快速抑制火势，防止了火灾向附近的充电设施蔓延。水雾灭火器主要用于扑灭固体物质如木材、纸张的火灾，适合用于充电桩材料离电路较远且不存在电气风险的区域，在一个实施例中一个位于市郊公园的充电站附近，因游客丢弃未熄灭的香烟引燃了附近的垃圾箱，系统监测到初起火灾并迅速评估情况后启动水雾灭火器，通过细水雾快速降低温度并熄灭火焰，保护了充电站和公园的安全。
在一些实施例中，所述单片机获取CCD相机中时间段T内的视频帧图像并上传至云服务端，在上传至云服务端前包括采用高斯滤波进行去噪处理。高斯滤波是一种常用的图像去噪技术，它通过一个高斯函数(正态分布曲线)对图像进行平滑处理，有效去除图像捕捉过程中的随机噪声，在一个实施例中这种滤波方法使用一个围绕像素点的窗口(是3x3或5x5大小)，每个像素点的值被替换为其周围像素值的加权平均值，权重由高斯函数确定，距中心像素点越近的像素对中心像素的影响越大，根据图像的具体需求确定高斯核的大小和标准差，核的大小影响滤波的程度，标准差控制高斯曲线的宽度，在将图像数据上传到云服务端前，单片机首先对每个CCD相机捕获的视频帧应用高斯滤波，去噪后的图像被上传到云服务端进行进一步的处理和分析，如火焰检测和火灾分类。
在一些实施例中，所述将融合特征向量输入至全连接层处理，输出采用的灭火器类型，包括：首先将融合特征向量输入到第一全连接层，利用Sigmoid激活函数进行非线性转换；经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换；将经过第二全连接层处理后的特征向量输入至第三全连接层，第三全连接层使用softmax激活函数，将特征向量转换为采用的灭火器类型。在一个实施例中，第一全连接层使用Sigmoid激活函数将输入值压缩至0和1之间，用于处理二元分类问题，在此层中它帮助模型开始理解和区分是否存在某种类型的火灾特征。如果系统检测到的图像特征表明温度显著上升但未见明显火焰，Sigmoid函数将帮助识别这是否可能是过热而非开放火源，第二全连接层使用改进的AP-Tanh激活函数是一种改进的双曲正切函数，允许调整曲线的形状以适应输入数据的特点，从而提供更精确的非线性映射，这有助于模型细化其对不同火灾类型的理解，在处理来自电路附近的火灾图像时，AP-Tanh激活函数可以根据输入特征的复杂性调整，更好地区分由电路引起的火灾和其他类型的火源，如化学反应引起的火焰，第三全连接层使用Softmax激活函数将输入向量处理成一个概率分布，每个元素代表特定类别的概率。在消防系统中，这意味着能够输出每种灭火器对应处理特定火灾的概率，如果分析的图像数据表明火源既有液体也有电气元素，Softmax可以计算并决定使用哪种灭火器(如干粉灭火器或二氧化碳灭火器)最合适，基于它们各自扑灭火灾的效率和适应性。在一些实施例中，系统提取关于火焰大小、颜色和烟雾密度的特征，并将这些数据融合成一个特征向量，特征向量首先输入到使用Sigmoid函数的第一全连接层，该层判断场景中是否存在火灾。经过第一层处理后，特征向量进入使用AP-Tanh的第二全连接层，该层进一步分析火灾的类型，如电气火灾或液体火灾，最后，特征向量进入使用Softmax的第三全连接层，该层输出最适合当前火灾类型的灭火器类型，根据模型输出，系统自动激活了二氧化碳灭火器以处理这场由电气故障引起的火灾。灭火器快速部署并成功扑灭了火焰。
在一些实施例中，所述训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，每个分支专门处理一种类型的视频帧图像，分别为原始视频帧图像、第一处理视频图像和第二处理视频图像；第一卷积网络分支专门处理原始视频帧图像，通过多层卷积层和池化层提取特征包括对比度、灰度均值、RGB颜色通道均值、灰度共生矩阵的熵；第二卷积网络分支专门处理第一处理视频帧图像，通过多层卷积和池化操作提取特征包括变化区域面积、像素值标准差、灰度共生矩阵的熵；第三卷积网络分支专门处理第二处理视频帧图像，通过多层卷积和池化操作提取特征包括运动流密度；三个独立的卷积网络分支处理后得到的特征向量通过特征拼接在融合层合并。第一卷积网络分支用于原始视频帧图像处理，用于获取包括对比度即识别图像中亮度的变化强度，有助于突出火焰或烟雾，还包括灰度均值反映图像的整体亮度水平，对于检测烟雾浓度尤为重要，以及获取RGB颜色通道均值帮助识别火焰的颜色特性，如火焰的橙红色，还包括获取灰度共生矩阵的熵用于衡量图像纹理的复杂性，有助于识别火灾引起的不规则图案。第二卷积网络用于处理经图像作差法获得的第一处理视频帧，主要识别与标准无火灾图像的差异，变化区域面积量化图像差异显著的区域大小，与火势的蔓延速度相关，像素值标准差反映图像变化区域的色彩分布差异，灰度共生矩阵的熵通过分析图像差异区域的纹理复杂度，第二处理视频帧图像处理经帧间差法得到的第二处理视频帧，专注于识别动态变化，如烟雾和火焰的移动，运动流密度通过计算图像中运动对象的密度，有助于评估火势的活跃程度和扩散速度。
在一些实施例中，所述第三全连接层使用softmax激活函数，将特征向量转换为采用的灭火器类型，其中，第三全连接层的神经元数量为5个，分别对应二氧化碳灭火器、泡沫灭火器、干粉灭火器、湿化学灭火器、水雾灭火器，第二全连接层的输出被送入softmax函数计算每个灭火器类型的指数，并将每个指数值除以所有指数值的总和，得到每个灭火器类型的概率。
在一个实施例中，在智能安全用电消防系统中，最终的全连接层使用Softmax激活函数来确定最适合当前检测到的火灾情况的灭火器类型，Softmax函数可以将输入的特征向量(来自之前的层的输出)转换成一个概率分布，每个元素代表一种灭火器类型的选择概率，第二全连接层的输出是一个特征向量，包含了从前面的网络层学到的关于火灾的所有相关信息，Softmax函数对每个元素应用指数运算，然后将每个指数值除以指数值的总和，这样确保所有输出值的和为1，每个值都在0到1之间，表示概率，每个输出代表一个特定灭火器类型的选择概率，具体到这个例子中，输出层有5个神经元，分别对应二氧化碳灭火器、泡沫灭火器、干粉灭火器、湿化学灭火器和水雾灭火器。
在一些实施例中，经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换，改进的AP-Tanh激活函数f(x)表示如下:
其中，e为自然对数的底数，x为经过第一全连接层处理后的特征向量，t为实时获取充电桩环境的温度，s为实时获取充电桩环境的烟雾浓度，a0、a1、a3分别为第一经验参数、第二经验参数、第三经验参数。
在一些实施例中，所述第一卷积网络分支专门处理原始视频帧图像，通过多层卷积层和池化层提取特征包括对比度、灰度均值、RGB颜色通道均值、灰度共生矩阵的熵，其中，灰度均值为图像所有像素灰度值的平均值，对比度为图像每个像素灰度值与图像平均灰度值差值的平方和的均值，RGB颜色通道均值为分别对红色、绿色、蓝色通道的所有像素值求平均，灰度共生矩阵的熵为基于像素对的灰度共生矩阵生成的熵值。灰度均值是图像所有像素灰度值的平均值，反映图像的总体亮度，将图像转换为灰度，然后计算所有像素值的算术平均。对比度是图像每个像素灰度值与图像平均灰度值差值的平方和的均值，反映图像的对比度强度，首先计算灰度均值，然后计算每个像素与平均值的差的平方，求得所有差值平方的平均值。RGB颜色通道均值是分别对红色、绿色、蓝色通道的所有像素值求平均，提供火焰颜色的关键信息，对每个颜色通道的所有像素值进行平均计算。灰度共生矩阵的熵是基于像素对的灰度共生矩阵生成的熵值，度量图像纹理的复杂性，首先生成灰度共生矩阵，然后计算熵值，熵值高表示图像纹理更加复杂。在智能安全用电消防系统中，对原始视频帧图像的处理是针对每一帧进行的，而不是整个视频序列的平均或总合。这种方法允许系统能够实时地捕捉并响应每一帧中的变化，从而更精确地检测和分析火灾的动态发展。灰度均值对于每一帧图像进行计算，首先将其转换为灰度图像，然后计算所有像素的平均灰度值，这个值反映了该帧图像的整体亮度，对比度为在同一帧图像中，首先计算灰度均值，然后计算每个像素与该均值的差的平方，最后求得这些平方差的平均值，这表示图像的对比度水平。RGB颜色通道均值对每一帧图像进行计算，分别计算红色、绿色和蓝色通道的像素值的平均值，这有助于识别火焰颜色或其他视觉提示。灰度共生矩阵的熵首先为每一帧图像生成灰度共生矩阵，这是一个描述像素灰度级相对频率的矩阵，用于分析图像的纹理特征。计算该矩阵的熵，衡量图像纹理的复杂性。
在一些实施例中，第二卷积网络分支专门处理第一处理视频帧图像，通过多层卷积和池化操作提取特征包括变化区域面积、像素值标准差、灰度共生矩阵的熵，其中，变化区域面积为像素值大于设定阈值的像素数；像素值标准差为首先计算图像的像素值平均值，然后计算每个像素值与平均值之差的平方并求和，最后，对方差取平方根以得到像素值标准差。第二卷积网络分支专注于处理第一处理视频帧图像，即那些已经通过初步图像作差法处理的图像，此分支的主要任务是分析和量化图像中的变化区域，以便更准确地识别和响应火灾相关的视觉变化，变化区域面积是指图像中像素值变化大于设定阈值的像素数量，通过将第一处理视频帧与一个基准无火灾状态图像相减后，统计结果中超过某一阈值的像素点数来确定，像素值标准差首先计算图像的像素值平均值，然后计算每个像素值与平均值之差的平方，求和这些差的平方，对总和取平方根得到像素值标准差，这个值描述了图像像素值的离散程度，有助于识别图像变化的均匀性或集中性，灰度共生矩阵的熵基于像素对的灰度共生矩阵生成的熵值，用于衡量图像纹理的复杂性和非均匀性，熵值较高表示图像中的纹理变化较复杂，与复杂的火灾场景相关。
在一些实施例中，第三卷积网络分支专门处理第二处理视频帧图像，通过多层卷积和池化操作提取特征包括运动流密度，包括首先应用光流法计算连续视频帧之间每个像素的运动向量，统计像素的运动向量大于设定阈值的像素总数并与图像中像素的总数相除，得出运动像素的比例即为运动流密度。第三卷积网络分支专注于处理第二处理视频帧图像，这些图像经过帧间差法处理，使得动态变化(如移动的火焰或烟雾)更加显著，此分支使用光流法来计算和分析图像中的运动特征，特别是运动流密度，这是评估火灾动态特性的关键参数，光流法一种计算视频图像序列中像素点运动的技术，通过比较连续两帧之间像素的变化来估计每个像素点的运动向量；运动流密度计算步骤如下：步骤1应用光流法于第二处理视频帧图像，计算连续帧之间每个像素的运动向量；步骤2设定一个阈值，用来判断哪些像素的运动是显著的，运动向量长度大于某个特定值的被认为是显著的；步骤3统计所有显著运动像素的数量，然后将这个数除以图像中像素的总数，得到的比例即为运动流密度。
本发明提供了一种智能安全用电消防系统，所能实现的有益技术效果如下：
1、本发明一种智能安全用电消防系统，通过判断实时获取充电桩环境温度、充电桩电路电流以及烟雾浓度是否大于设定阈值，当大于设定阈值时单片机获取CCD相机中大于设定阈值时刻后时间段T内的视频帧图像，并将图像上传至云服务端；云服务端对获取的每一帧视频帧图像与数据库存储的当前时间点的无火灾标准图像作差获取第一处理视频图像，并对获取的视频帧图像采用帧间差法进行处理得到第二处理视频图像；数据分析模块将获取的视频帧图像、第一处理视频图像、第二处理视频图像输入至训练好的深度神经网络DNN模型进行处理，输出采用的灭火器类型。本发明通过采用训练好的深度神经网络DNN模型，分别处理原始视频图像、第一处理和第二处理视频帧图像，通过特征拼接和全连接层输出灭火器类型，大大提升了火灾识别的准确性和并提供针对性灭火器进行灭火大大提升了灭火效率。
2、本发明训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，每个分支专门处理一种类型的视频帧图像，分别为原始视频帧图像、第一处理视频图像和第二处理视频图像；每个卷积网络分支进行卷积操作后，提取的特征向量传递至融合层通过特征拼接形成融合特征向量；将融合特征向量输入至全连接层处理，输出采用的灭火器类型，通过考虑不同情况下的视频图像信息，丰富了特征大大提升了灭火器的选择准确性。
3、本发明经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换，改进的AP-Tanh激活函数f(x)表示如下:
其中，e为自然对数的底数，x为经过第一全连接层处理后的特征向量，t为实时获取充电桩环境的温度，s为实时获取充电桩环境的烟雾浓度，a0、a1、a3分别为第一经验参数、第二经验参数、第三经验参数；本申请第二全连接层通过将充电桩环境的温度、充电桩环境的烟雾浓度等因素加入到激活函数处理过程，大大增强了特征提取融合为灭火器选择提供了有力支撑，提升了灭火器选择准确度。
4、本申请首先将融合特征向量输入到第一全连接层，利用Sigmoid激活函数进行非线性转换；经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换；将经过第二全连接层处理后的特征向量输入至第三全连接层，第三全连接层使用softmax激活函数，将特征向量转换为采用的灭火器类型；全连接层采用三种不同的激活函数，在智能安全用电消防系统中，全连接层使用了三种激活函数分别为Sigmoid、改进的Adaptive Parametric Tanh(AP-Tanh)和Softmax；其中Sigmoid函数适于判断火灾风险的存在；AP-Tanh提供了可调参数，允许激活函数根据输入数据如温度和烟雾浓度动态调整，增强模型对输入变化的适应性；Softmax函数将网络的输出转化为概率分布，适合多分类任务，如选择合适的灭火器类型，优化了系统的决策过程，提高了响应的精确性和效率，三种函数的结合使得系统在多任务处理和决策上更加高效和准确。
以上对一种智能安全用电消防系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想和方法，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种智能安全用电消防系统，其特征在于，包括：
充电桩信息收集单元，实时获取充电桩环境的温度传感器、电流传感器、烟雾浓度传感器数据；
消防判断模块，如果实时获取充电桩环境的温度t大于设定阈值或实时获取的电流大于设定阈值或实时获取充电桩环境的烟雾浓度s大于设定阈值时，单片机获取CCD相机中时间段T内的视频帧图像并上传至云服务端；
视频图像处理模块，云服务端对获取的视频帧图像与数据库存储的当前时间点的无火灾标准图像作差获取第一处理视频图像，并对获取的视频帧图像采用帧间差法进行处理得到第二处理视频图像；
数据分析模块，将获取的视频帧图像、第一处理视频图像、第二处理视频图像输入至训练好的深度神经网络DNN模型进行处理，输出采用的灭火器类型；其中，训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，每个分支专门处理一种类型的视频帧图像，分别为原始视频帧图像、第一处理视频图像和第二处理视频图像；每个卷积网络分支进行卷积操作后，提取的特征向量传递至融合层通过特征拼接形成融合特征向量；将融合特征向量输入至全连接层处理，输出采用的灭火器类型；
灭火器选择模块，云服务端将深度神经网络DNN模型输出结果输出至单片机，单片机根据输出的灭火器类型开启对应的灭火器并进行灭火。
2.如权利要求1所述的一种智能安全用电消防系统，其特征在于，所述输出采用的灭火器类型，其中灭火器类型包括二氧化碳灭火器、泡沫灭火器、干粉灭火器、湿化学灭火器、水雾灭火器。
3.如权利要求1所述的一种智能安全用电消防系统，其特征在于，所述单片机获取CCD相机中时间段T内的视频帧图像并上传至云服务端，在上传至云服务端前包括采用高斯滤波进行去噪处理。
4.如权利要求1所述的一种智能安全用电消防系统，其特征在于，所述将融合特征向量输入至全连接层处理，输出采用的灭火器类型，包括：首先将融合特征向量输入到第一全连接层，利用Sigmoid激活函数进行非线性转换；经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换；将经过第二全连接层处理后的特征向量输入至第三全连接层，第三全连接层使用softmax激活函数，将特征向量转换为采用的灭火器类型。
5.如权利要求1所述的一种智能安全用电消防系统，其特征在于，所述训练好的深度神经网络DNN模型包含三个独立的卷积网络分支，每个分支专门处理一种类型的视频帧图像，分别为原始视频帧图像、第一处理视频图像和第二处理视频图像；第一卷积网络分支专门处理原始视频帧图像，通过多层卷积层和池化层提取特征包括对比度、灰度均值、RGB颜色通道均值、灰度共生矩阵的熵；第二卷积网络分支专门处理第一处理视频帧图像，通过多层卷积和池化操作提取特征包括变化区域面积、像素值标准差、灰度共生矩阵的熵；第三卷积网络分支专门处理第二处理视频帧图像，通过多层卷积和池化操作提取特征包括运动流密度；三个独立的卷积网络分支处理后得到的特征向量通过特征拼接在融合层合并。
6.如权利要求4所述的一种智能安全用电消防系统，其特征在于，所述第三全连接层使用softmax激活函数，将特征向量转换为采用的灭火器类型，其中，第三全连接层的神经元数量为5个，分别对应二氧化碳灭火器、泡沫灭火器、干粉灭火器、湿化学灭火器、水雾灭火器，第二全连接层的输出被送入softmax函数计算每个灭火器类型的指数，并将每个指数值除以所有指数值的总和，得到每个灭火器类型的概率。
7.如权利要求4所述的一种智能安全用电消防系统，其特征在于，经过第一全连接层处理后的特征向量输入至第二全连接层，采用改进的AP-Tanh激活函数进行进一步的非线性转换，改进的AP-Tanh激活函数f(x)表示如下:
其中，e为自然对数的底数，x为经过第一全连接层处理后的特征向量，t为实时获取充电桩环境的温度，s为实时获取充电桩环境的烟雾浓度，a0、a1、a3分别为第一经验参数、第二经验参数、第三经验参数。
8.如权利要求5所述的一种智能安全用电消防系统，其特征在于，所述第一卷积网络分支专门处理原始视频帧图像，通过多层卷积层和池化层提取特征包括对比度、灰度均值、RGB颜色通道均值、灰度共生矩阵的熵，其中，灰度均值为图像所有像素灰度值的平均值，对比度为图像每个像素灰度值与图像平均灰度值差值的平方和的均值，RGB颜色通道均值为分别对红色、绿色、蓝色通道的所有像素值求平均，灰度共生矩阵的熵为基于像素对的灰度共生矩阵生成的熵值。
9.如权利要求5所述的一种智能安全用电消防系统，其特征在于，第二卷积网络分支专门处理第一处理视频帧图像，通过多层卷积和池化操作提取特征包括变化区域面积、像素值标准差、灰度共生矩阵的熵，其中，变化区域面积为像素值大于设定阈值的像素数；像素值标准差为首先计算图像的像素值平均值，然后计算每个像素值与平均值之差的平方并求和，最后，对方差取平方根以得到像素值标准差。
10.如权利要求5所述的一种智能安全用电消防系统，其特征在于，第三卷积网络分支专门处理第二处理视频帧图像，通过多层卷积和池化操作提取特征包括运动流密度，包括首先应用光流法计算连续视频帧之间每个像素的运动向量，统计像素的运动向量大于设定阈值的像素总数并与图像中像素的总数相除，得出运动像素的比例即为运动流密度。
CN202410534723.3A 2024-04-30 2024-04-30 一种智能安全用电消防系统 Active CN118217567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410534723.3A CN118217567B (zh) 2024-04-30 2024-04-30 一种智能安全用电消防系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410534723.3A CN118217567B (zh) 2024-04-30 2024-04-30 一种智能安全用电消防系统

Publications (2)

Publication Number Publication Date
CN118217567A true CN118217567A (zh) 2024-06-21
CN118217567B CN118217567B (zh) 2024-08-23

Family

ID=91497887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410534723.3A Active CN118217567B (zh) 2024-04-30 2024-04-30 一种智能安全用电消防系统

Country Status (1)

Country Link
CN (1) CN118217567B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107749067A (zh) * 2017-09-13 2018-03-02 华侨大学 基于运动特性和卷积神经网络的火灾烟雾检测方法
JP2019079446A (ja) * 2017-10-27 2019-05-23 ホーチキ株式会社 火災監視システム
CN111346330A (zh) * 2020-03-12 2020-06-30 重庆特斯联智慧科技股份有限公司 智慧消防用消防装置及其控制系统
CN112370688A (zh) * 2020-09-30 2021-02-19 上海汽车电器总厂有限公司 一种消防系统
WO2022067668A1 (zh) * 2020-09-30 2022-04-07 中国科学院深圳先进技术研究院 基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107749067A (zh) * 2017-09-13 2018-03-02 华侨大学 基于运动特性和卷积神经网络的火灾烟雾检测方法
JP2019079446A (ja) * 2017-10-27 2019-05-23 ホーチキ株式会社 火災監視システム
CN111346330A (zh) * 2020-03-12 2020-06-30 重庆特斯联智慧科技股份有限公司 智慧消防用消防装置及其控制系统
CN112370688A (zh) * 2020-09-30 2021-02-19 上海汽车电器总厂有限公司 一种消防系统
WO2022067668A1 (zh) * 2020-09-30 2022-04-07 中国科学院深圳先进技术研究院 基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁斗恒;陈彦锟;吴俊涛;: "基于视频条件的火焰特征分析", 武警学院学报, no. 12, 25 December 2019 (2019-12-25), pages 48 - 50 *

Also Published As

Publication number Publication date
CN118217567B (zh) 2024-08-23

Similar Documents

Publication Publication Date Title
KR101953342B1 (ko) 멀티 센서 화재감지 방법 및 시스템
TWI421721B (zh) 燃燒火焰診斷方法
CN111428617A (zh) 一种基于视频图像的配网违规检修行为的识别方法和系统
CN109637068A (zh) 智能烟火识别系统
CN108389359B (zh) 一种基于深度学习的城市火灾报警方法
CN113018728B (zh) 一种电缆隧道火灾分级研判消防系统
CN115512510B (zh) 一种充电桩火灾智能处理系统以及方法
CN105976365A (zh) 一种夜间火灾视频检测方法
CN114202711A (zh) 一种列车车厢内异常行为智能监测方法、装置及监控系统
Ho et al. Real-time video-based fire smoke detection system
CN117607590A (zh) 一种高压开关柜故障预警检测方法
CN117633522A (zh) 一种电池大模型云平台预警方法及系统
CN118217567B (zh) 一种智能安全用电消防系统
CN109741565A (zh) 煤矿火灾识别系统及方法
CN111908288A (zh) 一种基于TensorFlow的电梯安全系统及方法
CN111145275A (zh) 一种智能化自控森林防火监控系统及方法
CN209657454U (zh) 煤矿火灾识别系统
CN112242036A (zh) 一种变电站火灾报警方法及系统
Kumar et al. Computer vision-based early fire detection using machine learning
KR20210095323A (ko) 인공지능을 이용한 불꽃 감지 장치 및 방법
CN114550063A (zh) 识别变电站故障的方法、装置、存储介质、设备及产品
CN114550046A (zh) 火灾隐患识别方法、装置、处理器、存储介质和电子设备
CN112383137A (zh) 基于机器视觉和热成像技术的变压器台区监控系统及方法
CN117690189B (zh) 一种基于人工智能的充电站危险行为识别方法和监控系统
CN116030391B (zh) 煤炭卸料口人员风险智能监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20241024

Address after: Room 802, Building C, No. 17 Xicheng Middle Street, Huangpu District, Guangzhou City, Guangdong Province, 510730

Patentee after: Guangzhou Diandun Intelligent Technology Co.,Ltd.

Country or region after: China

Address before: Room 802, Building C, No. 17 Xicheng Middle Street, Huangpu District, Guangzhou City, Guangdong Province, 510730

Patentee before: Guangzhou dianeng cloud Technology Co.,Ltd.

Country or region before: China

Patentee before: GUANGZHOU NEW EXPRESS ELECTRONICS CO.,LTD.