一种隧道火灾预警方法、系统、装置及存储介质与流程

1.本技术涉及火灾检测技术领域，尤其是一种隧道火灾预警方法、系统、装置及存储介质。


背景技术：

2.火灾是一种易发、危害大的事故类型，很容易造成较大的财产损失，对火灾的事前检测和应急处理是非常重要的工作。
3.随着交通技术的发展，越来越多的家庭购置了车辆作为出行的代步工具，车辆给人们的日常工作生活提供了便捷。然而，在实际应用中，车辆可能会存在起火的风险，特别是多采用电池供电的新能源汽车。当车辆起火时，如果没有及时做到有针对性的快速应急处理，很可能会引发更大的安全事故。其中，隧道内往往是需要重点排查安全隐患的地方，因为隧道内环境封闭，光线比较暗淡，一旦发生事故处理比较困难。相关技术中，对于火灾的检测处理多是事后处理，即已经产生火灾后才启动告警、事故处理程序，没有较为合适的预警手段，损失较大且非常容易发生连环事故，安全性较低。
4.综合上述，相关技术中存在的技术问题亟需得到解决。


技术实现要素：

5.本技术的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
6.为此，本技术实施例的一个目的在于提供一种隧道火灾预警方法，该方法能够实现对火灾的提前预警，以减少出现连环事故的情况；有利于快速扑灭火情，可降低财产损失和安全风险。
7.本技术实施例的另一个目的在于提供隧道火灾预警系统。
8.为了达到上述技术目的，本技术实施例所采取的技术方案包括：
9.第一方面，本技术实施例提供了一种隧道火灾预警方法，所述方法包括以下步骤：
10.获取隧道卡口处采集的汽车的热成像图像和真实图像；
11.将所述汽车的真实图像输入到汽车车型预测模型，确定所述汽车的车型类别；
12.根据所述汽车的车型类别，确定所述汽车对应的异常温度识别模型；
13.将所述热成像图像输入到所述异常温度预警模型中，得到所述异常温度预警模型输出的识别结果；所述识别结果用于表征所述汽车是否存在温度异常；
14.当根据所述识别结果确定所述汽车存在温度异常，触发预警信号。
15.另外，根据本技术上述实施例的隧道火灾预警方法，还可以具有以下附加的技术特征：
16.进一步地，在本技术的一个实施例中，所述获取隧道卡口处采集的汽车的真实图像，包括：
17.对所述汽车进行拍照，得到原始图像；
18.将所述原始图像转换为灰度图像；
19.对所述灰度图像进行二值化处理，得到黑白图像；
20.根据预设的像素阈值对所述黑白图像进行轮廓分割，得到汽车的车身区域；
21.根据所述车身区域，从所述原始图像中划取得到所述真实图像。
22.进一步地，在本技术的一个实施例中，所述获取隧道卡口处采集的汽车的热成像图像，包括：
23.通过双光谱热成像设备采集所述汽车的热成像图像；所述双光谱热成像设备设置于所述隧道卡口处。
24.进一步地，在本技术的一个实施例中，所述将所述热成像图像输入到所述异常温度预警模型中的步骤之前，所述方法还包括：
25.对所述热成像图像进行裁剪和/或尺度变换。
26.进一步地，在本技术的一个实施例中，所述汽车车型预测模型通过以下步骤得到：
27.获取批量的汽车的样本图像和所述样本图像对应的车型标签；所述车型标签用于表征所述样本图像对应的汽车的车型类别；
28.将所述样本图像输入到汽车车型预测模型中，得到所述汽车车型预测模型输出的预测结果；所述预测结果用于表征所述样本图像对应的汽车的车型类别；
29.根据所述预测结果和所述车型标签，确定训练的损失值；
30.根据所述损失值，对所述汽车车型预测模型的参数进行更新，得到训练好的汽车车型预测模型。
31.进一步地，在本技术的一个实施例中，所述根据所述预测结果和所述车型标签，确定训练的损失值，包括：
32.通过交叉熵损失函数计算所述预测结果和所述车型标签之间的损失值。
33.进一步地，在本技术的一个实施例中，所述将所述热成像图像输入到所述异常温度预警模型中，得到所述异常温度预警模型输出的识别结果，包括：
34.将所述热成像图像输入到所述异常温度预警模型中，确定所述汽车的温度峰值；
35.当所述温度峰值大于或者等于预设温度阈值，确定所述识别结果为所述汽车存在温度异常；
36.当所述温度峰值小于所述预设温度阈值，确定所述识别结果为所述汽车不存在温度异常。
37.第二方面，本技术实施例提供了一种隧道火灾预警系统，所述系统包括：
38.获取模块，用于获取隧道卡口处采集的汽车的热成像图像和真实图像；
39.输入模块，用于将所述汽车的真实图像输入到汽车车型预测模型，确定所述汽车的车型类别；
40.处理模块，用于根据所述汽车的车型类别，确定所述汽车对应的异常温度识别模型；
41.识别模块，用于将所述热成像图像输入到所述异常温度预警模型中，得到所述异常温度预警模型输出的识别结果；所述识别结果用于表征所述汽车是否存在温度异常；
42.预警模块，用于当根据所述识别结果确定所述汽车存在温度异常，触发预警信号。
43.第三方面，本技术实施例提供了一种隧道火灾预警装置，包括：
44.至少一个处理器；
45.至少一个存储器，用于存储至少一个程序；
46.当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现第一方面所述的隧道火灾预警方法。
47.第四方面，本技术实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的隧道火灾预警方法。
48.本技术的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到：
49.本技术实施例中提供的隧道火灾预警方法，该方法通过获取隧道卡口处采集的汽车的热成像图像和真实图像；将所述汽车的真实图像输入到汽车车型预测模型，确定所述汽车的车型类别；根据所述汽车的车型类别，确定所述汽车对应的异常温度识别模型；将所述热成像图像输入到所述异常温度预警模型中，得到所述异常温度预警模型输出的识别结果；所述识别结果用于表征所述汽车是否存在温度异常；当根据所述识别结果确定所述汽车存在温度异常，触发预警信号。该方法基于汽车的真实图像确定出汽车对应的异常温度识别模型，然后通过异常温度识别模型对汽车是否存在温度异常进行判断和预警，能够实现对火灾的提前预警，以减少出现连环事故的情况；有利于快速扑灭火情，可降低财产损失和安全风险。
附图说明
50.为了更清楚地说明本技术实施例或者现有技术中的技术方案，下面对本技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本技术的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
51.图1为本技术一种隧道火灾预警方法具体实施例的流程示意图；
52.图2为本技术一种隧道火灾预警系统具体实施例的结构示意图；
53.图3为本技术一种隧道火灾预警装置具体实施例的结构示意图。
具体实施方式
54.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
55.当下，在交通领域，隧道内往往是需要重点排查安全隐患的地方，因为隧道内环境封闭，光线比较暗淡，非常容易发生连环事故，而且一旦发生事故处理比较困难。举例来说，当隧道内的车辆突发起火事故后，需要尽快地通知隧道管理部门和消防部门，一方面通知后续需要进入隧道内的车辆，以减少出现连环事故的情况；另一方面则快速扑灭火情，降低财产损失和安全风险。当然，以上的实施场景仅用于举例说明本技术实施例的应用，并不意味着对本技术中的隧道火灾预警方法的实际使用场合做限制。
56.有鉴于此，本技术实施例中提供一种隧道火灾预警方法，本技术实施例中的方法可以应用在计算机设备上，具体可以是以程序代码的方式被存储在计算机设备的存储器中，并通过相关的处理器执行来实现。参照图1，本技术中的方法主要包括以下步骤：
57.步骤110、获取隧道卡口处采集的汽车的热成像图像和真实图像；
58.本步骤中，获取隧道卡口处采集的汽车的真实图像，可以是直接采用相关的摄像设备对汽车进行拍照得到该汽车的真实图像。例如在一些实施例中，可以是采用数码摄像机来对汽车进行拍摄，然后将拍摄到的图像通过有线或者无线传输的方式发送给计算机设备，从而令计算机设备获取到汽车的真实图像。当然，一般来说，由于拍照得到的图像可能包括其他和汽车不相关的内容，例如道路或者路标等内容，故而此处可以对拍照取得的图像进行一些预处理，以得到汽车的真实图像。具体地，在处理获取真实图像的过程中：首先，可以对汽车进行拍照，将得到的图像记为原始图像，然后从该原始图像中分割得到汽车的图像部分，即对原始图像进行分割处理，从而得到汽车的真实图像。
59.分割处理的过程可以表示为：将原始图像转换为灰度图像，然后对灰度图像进行二值化处理，得到黑白图像。具体地，在进行二值化处理时，可以设定一个灰度阈值，假设灰度图像中的像素灰度值处于0～255之间，则可以设置灰度阈值为100。这样，灰度值高于100的像素点可以被处理为黑色，灰度值低于100的像素点可以被处理为白色，从而使得整个图像呈现出明显的黑白效果，得到黑白图像。黑白图像能明显凸显出需要得到的目标的轮廓，也即汽车的轮廓，基于该轮廓可以方便地划定出汽车在原始图像中的区域，然后从原始图像中可以划取相应区域的图像，即可得到汽车的真实图像。
60.具体地，本技术中，对于灰度图像的二值化处理可以使用opencv或者matlab中的相关函数来实现。在一些实施例中，对于原始图像中的汽车部分，也可以采用边缘检测的方法分割得到，具体手段是通过识别图像中灰度变化明显的点来实现分割，常用的算法可以包括sobel算法、canny算法、laplacian算法等。上述过程在实施时，为了尽可能地消除因拍摄环境带来的不稳定因素，在进行拍摄取像的时候最好能够统一拍摄的背景环境，例如可以固定图像采集装置距离汽车的位置和角度。
61.本步骤中，汽车热成像图像可以是通过设置于隧道卡口处的双光谱热成像设备采集得到的。双光谱热成像设备可以包括根据接受物体发出的红外线来显示的摄像机，通过有颜色的图片来显示被测量物表面的温度分布，方便根据温度的微小差异来找出温度的异常点。双光谱热成像设备通过其超强的环境适应性和超远探测距离的特点，解决了诸多可见光设备无法解决的问题，为用户展现了一个新视界。并且，由于双光谱热成像设备对温度敏感的特性，当画面中某个物体超过设定的温度阀值时，很容易从图像上观测出异常。
62.本技术实施例中，对于获取的大小不同的汽车的真实图像和热成像图像，可以对它们进行裁剪和/或尺度变换，以放缩至合适后续处理的尺度。
63.步骤120、将所述汽车的真实图像输入到汽车车型预测模型，确定所述汽车的车型类别；
64.本技术实施例中，对于获取的真实图像，可以将其输入到汽车车型预测模型中以得到汽车的车型类别识别结果。此处，该汽车车型预测模型可以是任意的一种机器学习模型。具体地，本技术实施例中的汽车车型预测模型可以通过以下步骤训练得到：首先，批量获取汽车的样本图像，并标记样本图像对应的车型标签，该车型标签用于表征样本图像对
应的汽车的车型类别，然后将样本图像输入到初始化后的汽车车型预测模型中，可以得到模型输出的预测结果，预测结果用于表征输入模型的样本图像对应的汽车的车型类别，从而可以根据该预测结果和前述的车型标签评估汽车车型预测模型预测的准确性，以对模型的参数进行更新。
65.具体地，对于汽车车型预测模型来说，它的预测结果的准确性可以通过损失函数(loss function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的车型标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(cost function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0
‑
1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本技术实施例中，可以从中任选一种损失函数来确定训练的损失值，也即预测结果和车型标签之间的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的汽车车型预测模型。具体的迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。
66.上述过程是直接基于汽车车型预测模型对汽车的车型类别进行预测，得到汽车的车型类别识别结果。在一些实施例中，还可以通过比对的方式确定汽车的车型类别，具体地，可以在汽车车型预测模型中存储若干样本图像和样本图像对应的车型标签；此处的车型标签同样用于表征样本图像对应的汽车的车型类别，并通过汽车车型预测模型提取这些样本图像的特征数据，此处，特征数据是用于表征图像的一种数据形式，例如可以基于图像中各个像素点的像素值确定图像的特征数据。本技术实施例中，特征数据的数据结构可以是数值、向量、矩阵或者张量等的任意一种，将样本图像对应的特征数据记为第二特征数据。然后，将需要识别的真实图像输入到汽车车型预测模型中，同样提取真实图像的特征数据，记为第一特征数据，接着根据第一特征数据和第二特征数据，确定真实图像和样本图像之间的相似度，例如可以通过余弦相似度算法、皮尔逊相关系数法或者杰卡德相似系数法等算法，基于第一特征数据和第二特征数据计算真实图像和各个样本图像之间的相似度，从而根据相似度的大小确定出和真实图像最相似的样本图像，并根据相似度最大的样本图像对应的车型标签确定该真实图像中的汽车的车型类别。
67.步骤130、根据所述汽车的车型类别，确定所述汽车对应的异常温度识别模型；
68.步骤140、将所述热成像图像输入到所述异常温度预警模型中，得到所述异常温度预警模型输出的识别结果；所述识别结果用于表征所述汽车是否存在温度异常；
69.本技术实施例中，对于汽车来说，不同车型类别的汽车在车体结构、元器件构成上存在较大的差异，故而可能每种汽车都会有不同的温升情况和异常温度阈值。本技术实施例中，可以针对每种汽车的车型类别训练一个对应的异常温度识别模型，用于识别该汽车是否出现温度异常问题。具体地，该异常温度识别模型可以基于汽车的热成像图像以及对应的温度异常标签来训练得到，详细的训练原理和过程和前述的汽车车型预测模型类似，
在此不再赘述。
70.在训练得到各个车型类别的异常温度识别模型后，可以根据汽车的车型类别，确定出其对应的异常温度识别模型。然后，将汽车的热成像图像输入到异常温度预警模型中，得到异常温度预警模型输出的识别结果，从而可以较为准确地判断出汽车是否存在温度异常的情况。
71.具体地，在一些可能实施的方式中，步骤140可以包括：
72.步骤1401、将所述热成像图像输入到所述异常温度预警模型中，确定所述汽车的温度峰值；
73.步骤1402、当所述温度峰值大于或者等于预设温度阈值，确定所述识别结果为所述汽车存在温度异常；
74.步骤1403、当所述温度峰值小于所述预设温度阈值，确定所述识别结果为所述汽车不存在温度异常。
75.本技术实施例中，将热成像图像输入到异常温度预警模型，模型可以首先根据热成像图像确定出汽车的温度峰值，也即汽车上温度最高的部位。然后，将温度峰值和预设温度阈值做比较，该预设温度阈值可以是维持汽车安全的一个较高的温度，当温度峰值大于或者等于预设温度阈值时，说明汽车当前的状态比较危险，可以确定识别结果为汽车存在温度异常；反之，当温度峰值小于预设温度阈值时，说明汽车当前的状态还处于安全状态，暂时没有起火风险，可以确定识别结果为汽车不存在温度异常。
76.步骤150、当根据所述识别结果确定所述汽车存在温度异常，触发预警信号。
77.本技术实施例中，当根据识别结果确定汽车存在温度异常时，可以触发预警信号。具体地，在一些可能实施的方式中，可以触发声光报警信号，对汽车的车主或者隧道卡口的管理人员进行提醒，告知人们该汽车可能存在温度过高的安全隐患，不宜进入隧道，需要进行安全排查，以提高隧道通车的安全性。
78.下面参照附图详细描述根据本技术实施例提出的隧道火灾预警系统。
79.参照图2，本技术实施例中提出的隧道火灾预警系统，包括：
80.获取模块101，用于获取隧道卡口处采集的汽车的热成像图像和真实图像；
81.输入模块102，用于将所述汽车的真实图像输入到汽车车型预测模型，确定所述汽车的车型类别；
82.处理模块103，用于根据所述汽车的车型类别，确定所述汽车对应的异常温度识别模型；
83.识别模块104，用于将所述热成像图像输入到所述异常温度预警模型中，得到所述异常温度预警模型输出的识别结果；所述识别结果用于表征所述汽车是否存在温度异常；
84.预警模块105，用于当根据所述识别结果确定所述汽车存在温度异常，触发预警信号。
85.可以理解的是，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
86.参照图3，本技术实施例提供了隧道火灾预警装置，包括：
87.至少一个处理器201；
88.至少一个存储器202，用于存储至少一个程序；
89.当至少一个程序被至少一个处理器201执行时，使得至少一个处理器201实现的隧道火灾预警方法。
90.同理，上述方法实施例中的内容均适用于本隧道火灾预警装置实施例中，本隧道火灾预警装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
91.本技术实施例还提供了一种计算机可读存储介质，其中存储有处理器201可执行的程序，处理器201可执行的程序在由处理器201执行时用于执行上述的隧道火灾预警方法。
92.同理，上述方法实施例中的内容均适用于本计算机可读存储介质实施例中，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
93.在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本技术的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
94.此外，虽然在功能性模块的背景下描述了本技术，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本技术是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本技术。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本技术的范围，本技术的范围由所附权利要求书及其等同方案的全部范围来决定。
95.功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
96.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。
97.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，以及便携式光盘只读存储器(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程序，然后将其存储在计算机存储器中。
98.应当理解，本技术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。
99.在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
100.尽管已经示出和描述了本技术的实施方式，本领域的普通技术人员可以理解：在不脱离本技术的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本技术的范围由权利要求及其等同物限定。
101.以上是对本技术的较佳实施进行了具体说明，但本技术并不限于实施例，熟悉本领域的技术人员在不违背本技术精神的前提下可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。