机房明火自动告警方法及系统与流程

本发明涉及一种火焰检测技术领域，是一种机房明火自动告警方法及系统。

背景技术：

目前机房火灾情况的监测主要是依靠烟感器告警，这种告警装置是一种烟雾告警装置，在火灾始发状态和无烟的状况下无法进行告警，不能及时发现机房中的火灾隐情。一旦机房设备、设施等着火，火灾始发火苗状态下，不能第一时间发出告警，机房值班人员不能第一时间对异常情况进行处置，易造成较大火灾事故。

技术实现要素：

本发明提供了一种机房明火自动告警方法及系统，克服了上述现有技术之不足，其能有效解决现有机房火灾检测装置存在不能在起火初期发现起火，及时告警的问题。

本发明的技术方案之一是通过以下措施来实现的：一种机房明火自动告警方法，包括以下步骤：

获取机房某一区域的环境图像和区域温度；

分析机房某一区域的环境图像和区域温度是否全部满足以下判断条件，响应于全部满足，则判定该区域已起火，并进行告警，其中判断条件包括：

a、将机房某一区域的环境图像输入到火焰颜色模型中进行分析，确定环境图像中出现火焰，其中火焰颜色模型为使用多组数据通过机器学习训练得出的，每一组数据均包括机房的环境图像和环境图像对应的火焰标签；

b、将该区域的区域温度与该区域设定阈值进行比较，判定区域温度已达到该区域的最低着火点。

下面是对上述发明技术方案的进一步优化或/和改进：

上述将机房某一区域的环境图像输入到火焰颜色模型中进行分析，确定环境图像中出现火焰，包括：

将机房某一区域的环境图像输入到火焰颜色模型中，获得该环境图像中的r、g、b三个数值；

判断r、g、b三个数值是否r>＝g且g>b，响应于是，则确定环境图像中出现火焰。

上述火焰颜色模型基于k-nn算法模型建立，包括：

获取机房的历史环境图像，建立训练样本集，对每一个环境图像进行预处理；

对预处理后的环境图像进行特征提取，特征包括火焰面积、火焰周长、火焰圆弧度；

采用训练样本集对k-nn算法模型进行反复训练，获取火焰颜色模型。

上述对每一个环境图像进行预处理，预处理包括降噪、分割疑似火焰区域。

上述将该区域的区域温度与该区域设定阈值进行比较，判定区域温度已达到该区域的最低着火点，包括：

设定机房内各区域的设定阈值，其中设定阈值为该区域中设备或材料的最低着火点；

获取区域温度，其中区域温度为该区域内的温度采集装置获得温度数据；

将区域温度与对应区域的设定阈值进行比较，判断是否达到设定阈值，响应于达到，则判定区域温度已达到该区域的最低着火点。

本发明的技术方案之二是通过以下措施来实现的：一种机房明火自动告警系统，包括控制单元和多个温度采集装置、多个图像采集装置；

温度采集装置设置在机房的各个区域，用于采集各个区域内的温度数据；

图像采集装置设置在机房的各个区域，用于采集各个区域的环境图像；

控制单元，用于分析机房某一区域的环境图像和区域温度是否全部满足以下判断条件，响应于全部满足，则判定该区域已起火，并进行告警，其中判断条件包括：

a、将机房某一区域的环境图像输入到火焰颜色模型中进行分析，确定环境图像中出现火焰，其中火焰颜色模型为使用多组数据通过机器学习训练得出的，每一组数据均包括机房的环境图像和环境图像对应的火焰标签；

b、将该区域的区域温度与该区域设定阈值进行比较，判定区域温度已达到该区域的最低着火点。

下面是对上述发明技术方案的进一步优化或/和改进：

上述控制单元包括区域图像分析模块、区域温度分析模块和判断模块；

区域图像分析模块，用于将机房某一区域的环境图像输入到火焰颜色模型中进行分析，确定环境图像中出现火焰，其中火焰颜色模型为使用多组数据通过机器学习训练得出的，每一组数据均包括机房的环境图像和环境图像对应的火焰标签；

区域温度分析模块，用于将该区域的区域温度与该区域设定阈值进行比较，判定区域温度已达到该区域的最低着火点；

判断模块，用于分析机房某一区域的环境图像和区域温度是否全部满足判断条件，响应于全部满足，则判定该区域已起火，并进行告警。

上述还包括报警单元，用于将报警信号发送至终端。

上述温度采集装置为双通道温度传感器，图像采集装置为高清摄像机。

本发明通过对机房某一区域的环境图像和区域温度进行同时分析，判断是否出现明火，发现起火时还能准确定位起火点，降低了误报警的可能性，提高了明火判断的准确性，有效帮助工作人员第一时间定位起火点，使得工作人员能快速进行相关处理，避免火势变大，从而造成进一步的安全事故及危险。

附图说明

附图1为本发明实施例1的流程图。

附图2为本发明实施例1中确定环境图像中出现火焰的流程图。

附图3为本发明实施例1中建立火焰颜色模型的流程图。

附图4为本发明实施例1中疑似火焰区域数据存放结构图。

附图5为本发明实施例1中疑似火焰区域边界位置数据存放结构图。

附图6为本发明实施例1中区域温度判断的流程图。

附图7为本发明实施例2的结构框图。

具体实施方式

本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。

下面结合实施例及附图对本发明作进一步描述：

实施例1：如附图1所示，该机房明火自动告警方法，包括以下步骤：

s1，获取机房某一区域的环境图像和区域温度；

s2，分析机房某一区域的环境图像和区域温度是否全部满足以下判断条件，响应于全部满足，则判定该区域已起火，并进行告警，其中判断条件包括：

a、将机房某一区域的环境图像输入到火焰颜色模型中进行分析，确定环境图像中出现火焰，其中火焰颜色模型为使用多组数据通过机器学习训练得出的，每一组数据均包括机房的环境图像和环境图像对应的火焰标签；

b、将该区域的区域温度与该区域设定阈值进行比较，判定区域温度已达到该区域的最低着火点。

根据上述步骤，能通过采集机房某一区域的环境图像和区域温度，同时分析一个区域内的环境图像和区域温度，在环境图像分析结果和区域温度分析结果均为已起火，则认定该区域出现明火，并发出告警。因此本发明通过对机房某一区域的环境图像和区域温度进行同时分析，判断是否出现明火，发现起火时还能准确定位起火点，降低了误报警的可能性，提高了明火判断的准确性，有效帮助工作人员第一时间定位起火点，使得工作人员能快速进行相关处理，避免火势变大，从而造成进一步的安全事故及危险。

下面是对上述发明技术方案的进一步优化或/和改进：

如附图2所示，所述将机房某一区域的环境图像输入到火焰颜色模型中进行分析，确定环境图像中出现火焰，包括：

s211，将机房某一区域的环境图像输入到火焰颜色模型中，获得该环境图像中的r、g、b三个数值；

s212，判断r、g、b三个数值是否r>＝g且g>b，响应于是，则确定环境图像中出现火焰。

上述r、g、b三个数值分别表示红、绿、蓝三个通道的颜色；由于火焰有着与众不同的颜色特征，因此本发明设定任何rgb图像中只要满足r>＝g且g>b的颜色均可以看做为火焰。

如附图3所示，所述火焰颜色模型基于k-nn算法模型建立，建立过程包括：

s2111，获取机房的历史环境图像，建立训练样本集，对每一个环境图像进行预处理；

s2112，对预处理后的环境图像进行特征提取，特征包括火焰面积、火焰周长、火焰圆弧度；

s2113，采用训练样本集对k-nn算法模型进行反复训练，获取火焰颜色模型。

上述立训练样本集，对每一个环境图像进行预处理，预处理包括降噪、分割疑似火焰区域；由于采集的环境图像含有大量的噪点，所以需要对图像进行降噪处理，以便后续对火焰区域的分割；分割疑似火焰区域时使用图像分割算法，分割出疑似火焰区域，为特征提取做准备。

其中确定疑似火焰区域时，由于火焰颜色不是一个确定的值，因此在色彩空间对火焰的分割都是通过大量实验设定各个分量的取值范围，然后在分量之间求交集，从而得到疑似火焰区域，例如由摄像机采集到的视频图像都是基于rgb颜色模型的，它是通过对红色(r)、绿色(g)、蓝色(b)三种颜色之间叠加来得到各种各样颜色的，火焰在燃烧时焰心为亮白色，从焰心到外依次为黄色、橙色和红色，而且从里到外红色饱和度逐渐增高，亮度逐渐降低，因此可以把火焰红色饱和度、亮度值以及红色分量值作为识别火焰的一组判据，假设环境图像中总共的像素点数为n，其中任一点(x，y)的红色饱和度se(x，y)和亮度值y(x，y)如下所示：

y(x,y)＝0.22×r(x,y)+0.587×g(x,y)+0.114×v(x,y)

当该点的红色饱和度和亮度都大于阈值红色饱和度设定值和亮度设定值时，说明像素点(x，y)具有火焰的颜色特性，从而对应的区域为定疑似火焰区域。

其中按照顺时针方向扫描每个疑似火焰区域的边界，得到每个疑似火焰区域的所有内边界点在图像内存中的位置，并且采用链表序列的存放形式对内边界点进行存储。疑似火焰区域的数据存放形式如图4所示，其中i表示疑似火焰区域的编号，之后的数据分别为横坐标的最小值、纵坐标的最小值、横坐标的最大值、纵坐标的最大值。边界位置数据存放形式如图5所示，其中i表示疑似火焰区域的编号，l表示当前区域边界的周长，也是当前疑似火焰区域的边界位置的个数，之后保存着边界位置数据，这个边界位置数据是从当前疑似火焰区域的扫描起点开始扫描一周后回到起点的方式存放的。从i到第二个x0表示为一帧信息，每一帧信息用两个0进行分割，i与l、l与边界点之间的数据用一个0分隔，便于取得相关的数据。

上述对预处理后的环境图像进行特征提取，提取时选择连续两张或多张环境图像为一个样本进行特征提取；特征包括火焰面积、火焰周长、火焰圆弧度，求取火焰面积时由于火灾发生过程中，由于边缘不断地闪烁，所以连续相邻几帧图像的火焰面积都是不断变化的，但早期火焰面积变化幅值不是特别大，因此求取火焰面积时可为连续两张或多张环境图像中火焰面积的平均值；火焰周长与火焰面积同理求取；火焰圆弧度根据火焰周长及面积通过下式计算：

其中，a为区域火焰面积；p为区域火焰周长。

上述对k-nn算法模型进行反复训练的过程为现有公知技术，通过对k-nn算法模型进行反复训练，获得的火焰颜色模型，能将图像的像素点进行归类，从而获得环境图像中的r、g、b三个数值。

如附图6所示，所述将该区域的区域温度与该区域设定阈值进行比较，判定区域温度已达到该区域的最低着火点，包括：

s221，设定机房内各区域的设定阈值，其中设定阈值为该区域中设备或材料的最低着火点；

s222，获取区域温度，其中区域温度为该区域内的温度采集装置获得温度数据；

s223，将区域温度与对应区域的设定阈值进行比较，判断是否达到设定阈值，响应于达到，则判定区域温度已达到该区域的最低着火点。

实施例2：如附图7所示，该机房明火自动告警系统，包括控制单元和多个温度采集装置、多个图像采集装置；

温度采集装置设置在机房的各个区域，用于采集各个区域内的温度数据；

图像采集装置设置在机房的各个区域，用于采集各个区域的环境图像；

控制单元，用于分析机房某一区域的环境图像和区域温度是否全部满足以下判断条件，响应于全部满足，则判定该区域已起火，并进行告警，其中判断条件包括：

a、将机房某一区域的环境图像输入到火焰颜色模型中进行分析，确定环境图像中出现火焰，其中火焰颜色模型为使用多组数据通过机器学习训练得出的，每一组数据均包括机房的环境图像和环境图像对应的火焰标签；

b、将该区域的区域温度与该区域设定阈值进行比较，判定区域温度已达到该区域的最低着火点。

下面是对上述发明技术方案的进一步优化或/和改进：

如附图7所示，所述控制单元包括区域图像分析模块、区域温度分析模块和判断模块；

区域图像分析模块，用于将机房某一区域的环境图像输入到火焰颜色模型中进行分析，确定环境图像中出现火焰，其中火焰颜色模型为使用多组数据通过机器学习训练得出的，每一组数据均包括机房的环境图像和环境图像对应的火焰标签；

区域温度分析模块，用于将该区域的区域温度与该区域设定阈值进行比较，判定区域温度已达到该区域的最低着火点；

判断模块，用于分析机房某一区域的环境图像和区域温度是否全部满足判断条件，响应于全部满足，则判定该区域已起火，并进行告警。

如附图7所示，还包括报警单元，用于将报警信号发送至终端。

如附图7所示，所述温度采集装置为双通道温度传感器，图像采集装置为高清摄像机。

上述温度采集装置为双通道温度传感器，双通道温度传感器能自动调整角度，采集对应区域温度，其采集区域温度过程包括：

被测对象经物镜成像，经光栏与光导棒投射到分光镜上，它使长波(红外线)辐射线透过，而使短波(可见光)部分反射；透过分光镜的辐射线再经滤光片将残余的短波滤去，后被红外光电元件硅光电池接收，转换成电量输出；由分光镜反射的短波辐射线经滤波片将长波滤去，而被可见光硅光电池接收，转换成与波长亮度成函数关系的电量输出；从而将这两个电信号输入自动平衡显示记录仪进行比较得出光电信号比，即可读出被测对象的温度值。

以上技术特征构成了本发明的最佳实施例，其具有较强的适应性和最佳实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。