一种基于人工智能的火灾识别方法和系统与流程

本申请涉及人工智能技术及火灾识别领域，尤其涉及一种基于人工智能的火灾识别方法和系统。

背景技术：

火灾识别一直是消防救援过程中的重要预防环节，只有在火势处于可控状态时，对其进行有效控制，才能将损失降低到最小。传统的火灾识别模式，主要是通过人看见明火点，然后拨打报警电话进行识别；近期，出现了通过图像视频、烟雾探测器等方式进行的火情探测方法。但是，这些方法的准确度和反应速度都有待提高，无法为火情控制提供更为准确、及时的协助。

因此，一种通过人工智能技术进行火灾识别的方法和系统亟需出现。

技术实现要素：

有鉴于此，本申请的目的在于提出一种基于人工智能的火灾识别方法和系统，提高火灾识别的自动化水平，解决目前火灾识别过程中智能化水平不高，人工参与依赖性过强，准确度不高等技术问题。

基于上述目的，本申请提出了一种基于人工智能的火灾识别方法，包括：

在房屋的多个位置设置第一火灾识别装置，每个所述第一火灾识别装置覆盖的识别区域与多个相邻第二火灾识别装置的识别区域重叠；所述第二火灾识别装置至少包含视频采集、烟雾探测以及红外探测功能；

每个第一火灾识别装置通过视频图像识别的方式持续监测所述房屋内是否出现火苗，在出现火苗的情况下，将所述火苗的位置发送至相邻的多个第二火灾识别装置；

所述相邻的多个第二火灾识别装置根据所述火苗的位置采集火场视频特征；同时，启动烟雾探测功能，得到火场烟雾特征；并根据所述火苗的位置进行红外探测，得到火场温度特征；

通过火场预测神经网络根据所述火场视频特征、所述火场烟雾特征以及所述火场温度特征预测是否发生火情，在发生火情的情况下，发出火情警告。

在一些实施例中，所述方法还包括：

所述第二火灾识别装置还包含声音识别功能，持续探测房屋内及周边区域是否出现爆破声；

在出现所述爆破声的情况下，通过声音来源判断爆破位置，根据所述爆破位置启动视频采集、烟雾探测以及红外探测，分别得到所述火场视频特征、所述火场烟雾特征以及所述火场温度特征；

通过火场预测神经网络根据所述火场视频特征、所述火场烟雾特征以及所述火场温度特征预测是否发生火情，在发生火情的情况下，发出火情警告。

在一些实施例中，每个所述火灾识别装置覆盖的识别区域与多个相邻火灾识别装置的识别区域重叠，包括：

以一个第一火灾识别装置为圆心，以所述第一火灾识别装置的探测范围为半径的圆周上，按照相等的间隔距离设置多个第二火灾识别装置，所述多个第二火灾识别装置共同构成的探测范围覆盖了所述第一火灾识别装置的探测范围。

在一些实施例中，每个第一火灾识别装置通过视频图像识别的方式持续监测所述房屋内是否出现火苗，包括：

每个第一火灾识别装置根据指定时间间隔采集探测范围内的图像，得到第一采集图像；

在间隔指定采集时间后，再次采集所述探测范围内的图像，得到第二采集图像；

将所述第一采集图像与所述第二采集图像进行文件大小比较，如果相同，再随机选取指定数量的像素点进行比较，如果再次相同，则判定在第一采集图像获取时刻没有发生火情的情况下，第二采集图像获取时刻也没有发生火情。

在一些实施例中，还包括：

将所述第一采集图像与所述第二采集图像进行文件大小比较，如果不同，则定位所述第二采集图像中不同于所述第一采集图像的区域；

通过贝叶斯网络算法，对所述区域的图像进行火情图像识别。

在一些实施例中，启动烟雾探测功能，得到火场烟雾特征；并根据所述火苗的位置进行红外探测，得到火场温度特征，包括：

根据所述火场视频特征中的位置信息，针对对应的区域进行烟雾探测；

根据所述火场视频特征中的位置信息，针对对应的区域进行红外测。

在一些实施例中，将所述第一采集图像与所述第二采集图像进行文件大小比较，通过以下公式计算：

其中，en为所述比较的结果，j为视频帧横坐标位置，i为视频帧纵坐标位置，fi()为第i个像素点的比较函数，p为所述第一采集图像中坐标(i，j)的像素值，g为所述第二采集图像中坐标(i，j)的像素值。

基于上述目的，本申请还提出了一种基于人工智能的火灾识别系统，包括：

构建模块，用于在房屋的多个位置设置第一火灾识别装置，每个所述第一火灾识别装置覆盖的识别区域与多个相邻第二火灾识别装置的识别区域重叠；所述第二火灾识别装置至少包含视频采集、烟雾探测以及红外探测功能；

监测模块，用于每个第一火灾识别装置通过视频图像识别的方式持续监测所述房屋内是否出现火苗，在出现火苗的情况下，将所述火苗的位置发送至相邻的多个第二火灾识别装置；

采集模块，用于所述相邻的多个第二火灾识别装置根据所述火苗的位置采集火场视频特征；同时，启动烟雾探测功能，得到火场烟雾特征；并根据所述火苗的位置进行红外探测，得到火场温度特征；

警告模块，用于通过火场预测神经网络根据所述火场视频特征、所述火场烟雾特征以及所述火场温度特征预测是否发生火情，在发生火情的情况下，发出火情警告。

在一些实施例中，所述系统还包括：

声音探测模块，用于所述第二火灾识别装置还包含声音识别功能，持续探测房屋内及周边区域是否出现爆破声；

声音采集模块，用于在出现所述爆破声的情况下，通过声音来源判断爆破位置，根据所述爆破位置启动视频采集、烟雾探测以及红外探测，分别得到所述火场视频特征、所述火场烟雾特征以及所述火场温度特征；

声音警告模块，用于通过火场预测神经网络根据所述火场视频特征、所述火场烟雾特征以及所述火场温度特征预测是否发生火情，在发生火情的情况下，发出火情警告。

在一些实施例中，所述监测模块，包括：

第一采集单元，用于每个第一火灾识别装置根据指定时间间隔采集探测范围内的图像，得到第一采集图像；

第二采集单元，用于在间隔指定采集时间后，再次采集所述探测范围内的图像，得到第二采集图像；

比较单元，用于将所述第一采集图像与所述第二采集图像进行文件大小比较，如果相同，再随机选取指定数量的像素点进行比较，如果再次相同，则判定在第一采集图像获取时刻没有发生火情的情况下，第二采集图像获取时刻也没有发生火情。

总的来说，本申请的优势及给用户带来的体验在于：能够通过人工智能技术综合视觉、烟雾、温度和声音，更加准确的判断火灾的发生，避免了人工干预，提高了火灾识别的准确性和智能性。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1示出根据本发明实施例的基于人工智能的火灾识别方法的流程图。

图2示出根据本发明实施例的基于人工智能的火灾识别方法的流程图。

图3示出根据本发明实施例的基于人工智能的火灾识别系统的构成图。

图4示出根据本发明实施例的基于人工智能的火灾识别系统的构成图。

图5示出根据本发明实施例的监测模块的构成图。

具体实施方式

下面结合附图和实施例对本申请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用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出根据本发明实施例的基于人工智能的火灾识别方法的流程图。如图1所示，该基于人工智能的火灾识别方法包括：

步骤s11、在房屋的多个位置设置第一火灾识别装置，每个所述第一火灾识别装置覆盖的识别区域与多个相邻第二火灾识别装置的识别区域重叠；所述第二火灾识别装置至少包含视频采集、烟雾探测以及红外探测功能。

具体来说，只有在相邻火灾识别装置之间存在重叠区域的情况下，如果一个火灾识别装置出现故障，或者准确性不高的时候，可以通过相邻的一个或多个火灾识别装置的监测结果进行补强监测，从而确保火灾识别的准确度。

在一种实施方式中，每个所述火灾识别装置覆盖的识别区域与多个相邻火灾识别装置的识别区域重叠，包括：

以一个第一火灾识别装置为圆心，以所述第一火灾识别装置的探测范围为半径的圆周上，按照相等的间隔距离设置多个第二火灾识别装置，所述多个第二火灾识别装置共同构成的探测范围覆盖了所述第一火灾识别装置的探测范围。

步骤s12、每个第一火灾识别装置通过视频图像识别的方式持续监测所述房屋内是否出现火苗，在出现火苗的情况下，将所述火苗的位置发送至相邻的多个第二火灾识别装置。

在一种实施方式中，每个第一火灾识别装置通过视频图像识别的方式持续监测所述房屋内是否出现火苗，包括：

每个第一火灾识别装置根据指定时间间隔采集探测范围内的图像，得到第一采集图像；

在间隔指定采集时间后，再次采集所述探测范围内的图像，得到第二采集图像；

将所述第一采集图像与所述第二采集图像进行文件大小比较，如果相同，再随机选取指定数量的像素点进行比较，如果再次相同，则判定在第一采集图像获取时刻没有发生火情的情况下，第二采集图像获取时刻也没有发生火情。

具体来说，为了进一步提高火灾识别的效率，可以对前后两张火灾识别装置采集的现场照片进行一个粗维度的比较，例如文件大小、随机选取若干个像素点的像素值等，如果相同则可以大致认为现场是静态的，没有发生任何场景变换。如果场景发生了变化，则需要进一步通过特征识别的方法来识别现场的火苗位置。

在一种实施方式中，还包括：

将所述第一采集图像与所述第二采集图像进行文件大小比较，如果不同，则定位所述第二采集图像中不同于所述第一采集图像的区域；

通过贝叶斯网络算法，对所述区域的图像进行火情图像识别。

在一种实施方式中，将所述第一采集图像与所述第二采集图像进行文件大小比较，通过以下公式计算：

其中，en为所述比较的结果，j为视频帧横坐标位置，i为视频帧纵坐标位置，fi()为第i个像素点的比较函数，p为所述第一采集图像中坐标(i，j)的像素值，g为所述第二采集图像中坐标(i，j)的像素值。

步骤s13、所述相邻的多个第二火灾识别装置根据所述火苗的位置采集火场视频特征；同时，启动烟雾探测功能，得到火场烟雾特征；并根据所述火苗的位置进行红外探测，得到火场温度特征。

在一种实施方式中，启动烟雾探测功能，得到火场烟雾特征；并根据所述火苗的位置进行红外探测，得到火场温度特征，包括：

根据所述火场视频特征中的位置信息，针对对应的区域进行烟雾探测；

根据所述火场视频特征中的位置信息，针对对应的区域进行红外测。

步骤s14、在通过火场预测神经网络根据所述火场视频特征、所述火场烟雾特征以及所述火场温度特征预测是否发生火情，在发生火情的情况下，发出火情警告。

图2示出根据本发明实施例的基于人工智能的火灾识别方法的流程图。如图2所示，该基于人工智能的火灾识别方法还包括：

步骤s15、所述第二火灾识别装置还包含声音识别功能，持续探测房屋内及周边区域是否出现爆破声。

具体来说，对于诸如爆炸性火灾，可能初期并没有火苗等明火特征，而是现有爆破声，再有明火、烟雾等特征，因此，有必要对声音进行检测，从而更全面地进行火灾监控。

步骤s16、在出现所述爆破声的情况下，通过声音来源判断爆破位置，根据所述爆破位置启动视频采集、烟雾探测以及红外探测，分别得到所述火场视频特征、所述火场烟雾特征以及所述火场温度特征。

步骤s17、通过火场预测神经网络根据所述火场视频特征、所述火场烟雾特征以及所述火场温度特征预测是否发生火情，在发生火情的情况下，发出火情警告。

图3示出根据本发明实施例的基于人工智能的火灾识别系统的构成图。如图3所示，该基于人工智能的火灾识别系统整体可以分为：

构建模块31，用于在房屋的多个位置设置第一火灾识别装置，每个所述第一火灾识别装置覆盖的识别区域与多个相邻第二火灾识别装置的识别区域重叠；所述第二火灾识别装置至少包含视频采集、烟雾探测以及红外探测功能；

监测模块32，用于每个第一火灾识别装置通过视频图像识别的方式持续监测所述房屋内是否出现火苗，在出现火苗的情况下，将所述火苗的位置发送至相邻的多个第二火灾识别装置；

采集模块33，用于所述相邻的多个第二火灾识别装置根据所述火苗的位置采集火场视频特征；同时，启动烟雾探测功能，得到火场烟雾特征；并根据所述火苗的位置进行红外探测，得到火场温度特征；

警告模块34，用于通过火场预测神经网络根据所述火场视频特征、所述火场烟雾特征以及所述火场温度特征预测是否发生火情，在发生火情的情况下，发出火情警告。

图4根据本发明实施例的基于人工智能的火灾识别系统的构成图。如图4所示，该基于人工智能的火灾识别系统整体还包括：

声音探测模块36，用于所述第二火灾识别装置还包含声音识别功能，持续探测房屋内及周边区域是否出现爆破声；

声音采集模块37，用于在出现所述爆破声的情况下，通过声音来源判断爆破位置，根据所述爆破位置启动视频采集、烟雾探测以及红外探测，分别得到所述火场视频特征、所述火场烟雾特征以及所述火场温度特征；

声音警告模块38，用于通过火场预测神经网络根据所述火场视频特征、所述火场烟雾特征以及所述火场温度特征预测是否发生火情，在发生火情的情况下，发出火情警告。

图5示出根据本发明实施例的监测模块的构成图。如图5所示，该监测模块32包括：

第一采集单元321，用于每个第一火灾识别装置根据指定时间间隔采集探测范围内的图像，得到第一采集图像；

第二采集单元322，用于在间隔指定采集时间后，再次采集所述探测范围内的图像，得到第二采集图像；

比较单元323，用于将所述第一采集图像与所述第二采集图像进行文件大小比较，如果相同，再随机选取指定数量的像素点进行比较，如果再次相同，则判定在第一采集图像获取时刻没有发生火情的情况下，第二采集图像获取时刻也没有发生火情。

本申请实施例各系统中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。