红外、紫外和图像火灾探测系统和方法与流程

本发明涉及火灾探测，具体为一种红外、紫外和图像火灾探测系统和方法。

背景技术：

1、目前，火灾探测器包括图像型视频火灾探测器、多波段红外探测器和多波段紫外探测器。对于图像型视频火灾探测器，由于只是单纯的采用视频识别算法对视频图像进行分析，具体包括对火焰或者烟雾的运动、灰度和亮度特征进行分析，当被分析视频图像的某部分区域的运动特征或者亮度或者灰度的变换频率符合火灾特征库内的范围值时，则判别为有火灾发生。该种探测方法存在的主要缺陷为：当被监控现场有人员走动时，或者有能够产生光线变化的物体，如大屏幕显示器时，会对探测器产生较大的干扰，因此探测器火警误报率较高。

2、而对于单独的多波段红外探测器或多波段紫外探测器，当被监控现场存在其他较强的光源时，例如：阳光照射或者电焊弧光时，会对探测器产生较大的干扰，因此探测器火警误报率较高。另外，多波段红外探测器或多波段紫外探测器均是基于对火焰的探测，也就是说，只有当被监控现场已经产生明火时，探测器才会发出火警信号，因此，不具有火灾初期的预警功能。

3、现有技术中，公开号为“cn102708647a”的一种图像和多波段红外紫外复合型火灾探测系统及方法，系统包括：数字信号处理器；还包括图像传感器和/或多波段红外探测通道和/或多波段紫外探测通道；数字信号处理器分别与图像传感器、多波段红外探测通道和多波段紫外探测通道连接。将图像探测器、多波段红外探测器和多波段紫外探测器复合到一起，当一种探测器发出火警信号时，会查询另外两种探测器的探测情况，只有当三种探测器探测得到的火灾发生总概率高于预设阈值时，才会发出报警信号，从而提高了探测系统对火灾探测的可靠性。

4、但现有技术仍存在较大缺陷，如：现有技术认定火灾发生的标准为：在三种探测器探测得到的火灾发生总概率高于预设阈值时才会发出报警信号，预设阈值是一个预先设定的数值且设定后保持不变。但是，火灾探测区域的环境因素是始终变化的，如预设阈值是在弱光照这一火灾特征更容易被检测到的环境下设置时，在光照增强后火灾特征容易被掩盖，存在发生火灾时三种探测器探测得到的火灾发生总概率仍小于预设阈值的问题，又如预设阈值是在高温这一火灾发生危险性较高的环境下设置时，在温度降低后火灾发生风险的可能性降低，存在未发生火灾但三种探测器探测得到的火灾发生总概率大于预设阈值而报警的问题。

技术实现思路

1、本发明的目的在于提供一种红外、紫外和图像火灾探测系统和方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种红外、紫外和图像火灾探测系统，包括：

4、数据采集模块，所述数据采集模块包括实时数据采集单元和历史数据采集单元，所述实时数据采集单元用于采集探测区域处的实时红外图像、实时紫外图像、实时彩色图像、实时温度和实时光照强度，所述历史数据采集单元用于采集探测区域处的历史红外图像、历史紫外图像、以及历史彩色图像，构成历史红外图像数据库、历史紫外图像数据库、以及历史彩色图像数据库；

5、图像预处理模块，所述图像预处理模块用于对实时数据采集单元和历史数据采集单元采集的图像进行去除噪声、调整图像亮度和对比度的预处理操作，并将预处理后的历史红外图像随机分成第一训练集和第一测试集，将预处理后的历史紫外图像随机分成第二训练集和第二测试集，将预处理后的历史彩色图像随机分成第三训练集和第三测试集，且为历史红外图像、历史紫外图像、以及历史彩色图像内的低概率发生火灾的区域打上“低风险”标签、中概率发生火灾的区域打上“中风险”标签、以及高概率发生火灾的区域打上“高风险”标签；

6、模型构建模块，所述模型构建模块用于构建基于卷积神经网络的第一火灾探测模型、第二火灾探测模型、以及第三火灾探测模型，利用第一训练集、第二训练集、第三训练集分别训练各个火灾探测模型，并通过第一测试集、第二测试集和第三测试集分别测试各个火灾探测模型的性能，获取测试合格后的第一火灾探测模型、第二火灾探测模型和第三火灾探测模型；

7、图像数据处理模块，所述图像数据处理模块用于将预处理后的实时红外图像、实时紫外图像、实时彩色图像分别输入至第一火灾探测模型、第二火灾探测模型、第三火灾探测模型中，判断实时红外图像、实时紫外图像、以及实时彩色图像中各区域的火灾发生风险信息，并发出判断信号，判断信号包括“低风险”信号、“中风险”信号、以及“高风险”信号，对不同信号进行赋值以生成火灾风险数组；

8、火灾报警系数生成模块，所述火灾报警系数生成模块用于根据火灾风险数组计算各个子火灾报警系数，并根据各个子火灾报警系数计算综合报警系数；

9、动态阈值生成模块，所述动态阈值生成模块用于根据实时温度和实时光照强度更新火灾报警阈值，以生成火灾报警动态阈值；

10、火灾报警模块，所述火灾报警模块用于将综合火灾报警系数与火灾报警动态阈值进行对比，并在综合火灾报警系数大于火灾报警动态阈值时发出报警信号。

11、进一步的，所述实时数据采集单元包括用于采集实时红外图像的红外光接收器、用于采集实时紫外图像的紫外光接收器、用于采集实时彩色图像的彩色图像采集器、用于采集实时温度的温度传感器、以及用于采集实时光照强度的光照传感器，所述历史数据采集单元包括用于采集历史红外图像的红外光接收器、用于采集历史紫外图像的紫外光接收器、以及用于采集历史彩色图像的彩色图像采集器。

12、进一步的，将所述“低风险”信号赋值为1，将所述“中风险”信号赋值为3，将所述“高风险”信号赋值为5。

13、进一步的，将火灾风险数组标定为pk，且pk＝(pk1，pk2，...，pkj，...，pkm)，k表示不同实时图像的编号，且k＝1、2、3，j表示探测区域内不同子区域的编号，且j＝1、2、3、……、m。

14、进一步的，p1j表示在实时红外图像中，探测区域内第j个子区域的火灾风险赋值，p2j表示在实时紫外图像中，探测区域内第j个子区域的火灾风险赋值，p3j表示在实时彩色图像中，探测区域内第j个子区域的火灾风险赋值。

15、进一步的，将所述综合报警系数标定为hzbj，综合报警系数hzbj的计算公式如下：

16、

17、其中，pkmax表示火灾风险数组pk中的最大数值，mk表示火灾风险数组pk中的最大数值的个数，λ1、λ2均为预设比例系数，且λ1+λ2＝1，且0<λ2<λ1<1，hzbjk表示在对第k个实时图像进行处理分析后得到的子泄露报警系数，wk表示子泄露报警系数hzbjk的权重，且

18、进一步的，将所述火灾报警动态阈值标定为tth，将所述实时温度标定为t，将所述实时光照强度标定为e，火灾报警动态阈值tth的计算公式如下：

19、

20、其中，t0表示预设温度，e0表示预设光照强度，tth0表示预设火灾报警阈值，τ表示温度变化程度与光照强度变化程度间的比值，β1、β2均为预设比例系数，且β1+β2＝1，β1∈(0,1)，β2∈(0,1)。

21、一种红外、紫外和图像火灾探测方法，用于上述的红外、紫外和图像火灾探测系统，包括如下步骤：

22、s1，采集探测区域处的实时红外图像、实时紫外图像、实时彩色图像、实时温度、实时光照强度、历史红外图像、历史紫外图像、以及历史彩色图像；

23、s2，对采集的图像进行去除噪声、调整图像亮度和对比度的预处理操作，并将预处理后的历史红外图像随机分成第一训练集和第一测试集，将预处理后的历史紫外图像随机分成第二训练集和第二测试集，将预处理后的历史彩色图像随机分成第三训练集和第三测试集，且为历史红外图像、历史紫外图像、以及历史彩色图像内的低概率发生火灾的区域打上“低风险”标签、中概率发生火灾的区域打上“中风险”标签、以及高概率发生火灾的区域打上“高风险”标签；

24、s3，构建基于卷积神经网络的第一火灾探测模型、第二火灾探测模型、以及第三火灾探测模型，利用第一训练集、第二训练集、第三训练集分别训练各个火灾探测模型，并通过第一测试集、第二测试集和第三测试集分别测试各个火灾探测模型的性能，获取测试合格后的第一火灾探测模型、第二火灾探测模型和第三火灾探测模型；

25、s4，将预处理后的实时红外图像、实时紫外图像、实时彩色图像分别输入至第一火灾探测模型、第二火灾探测模型、第三火灾探测模型中，判断实时红外图像、实时紫外图像、以及实时彩色图像中各区域的火灾发生风险信息，并发出判断信号，判断信号包括“低风险”信号、“中风险”信号、以及“高风险”信号，对不同信号进行赋值以生成火灾风险数组；

26、s5，根据火灾风险数组计算各个子火灾报警系数，并根据各个子火灾报警系数计算综合报警系数；

27、s6，根据实时温度和实时光照强度更新火灾报警阈值，以生成火灾报警动态阈值；

28、s7，将综合火灾报警系数与火灾报警动态阈值进行对比，并在综合火灾报警系数大于火灾报警动态阈值时发出报警信号。

29、与现有技术相比，本发明的有益效果是：

30、本发明的红外、紫外和图像火灾探测系统和方法，根据实时温度、实时光照强度对火灾报警阈值进行实时调整以生成火灾报警动态阈值，再将火灾报警动态阈值和综合火灾报警系数进行对比以判断是否发出报警信号，相较于火灾报警阈值不变而言，充分考虑环境因素变化的影响，避免了实际发生火灾但未报警、以及实际未发生火灾但报警的问题，提高火灾探测的精准性。