一种封闭场所火灾预警系统及其系统数据的处理方法与流程

1.本发明涉及火灾预警，尤其涉及一种封闭场所火灾预警系统及其系统数据的处理方法。


背景技术：

2.火灾自古以来就是封闭场所中潜在危害最大的灾害类型之一，由于封闭场所的地理环境所限制，当发生火灾后，相比燃烧本身会危及人们的生命安全，燃烧产生的有毒气体对人们的生命安全威胁更为巨大。
3.监狱是比较特殊的一类封闭场所，随着监所产业的变换，监所中的服刑人员改造项目从室外的农业生产转变为服装加工、电子产品制造等室内的工业生产活动，因此在监所中会放置易燃的生产原材料，再加上监所中人员密集、服刑人员行动受限，一旦监所发生火灾且应对措施不恰当的话，可能会造成大量的人员伤亡和财产损失。
4.为了加强监所的消防安全，保护监所人员的生命安全，需要研发一种适合监所的火灾狱警系统，对监所的多种指标进行采集、监控和计算，辅助监所管理人员做好火灾风险管理，一旦出现火灾能够做到及时、有效的应对。


技术实现要素：

5.发明目的：本发明的目的是提供一种能够对封闭场所实时监控、准确识别火灾可能发生的火灾预警系统及其系统数据的处理方法。
6.技术方案：本发明所述的一种封闭场所火灾预警系统，包括若干个用于采集人员密集度的摄像头、若干个数据传感器、服务器和显示器，所述服务器内设数据接收模块、数据发送模块和数据计算模块，所述数据接收模块的输入端分别与若干个摄像头的输出端及若干个数据传感器的输出端通过有线或者无线的方式连接，数据接收模块的输出端分别与数据发送模块的输入端及数据计算模块的输入端连接，数据计算模块的输出端与数据发送模块的输入端相连接，数据发送模块的输出端与显示器的输入端相连接。数据接收模块的输出端与数据发送模块的输入端连接，数据发送模块的输出端与显示器的输入端连接，使得摄像头和数据传感器采集到的所有数据能够直接投射到显示器上被工作人员看到；数据接收模块的输出端与数据计算模块的输入端连接，数据计算模块的输出端与数据发送模块的输入端连接，数据发送模块的输出端与显示器的输入端连接，数据计算模块能够对所有采集到的数据进行计算，并将计算结果投射到显示器上被工作人员看到。
7.进一步地，所述数据计算模块包括用于将采集到的数据归一化到统一尺度的预处理模块以及用于深度处理所有归一化后数据的深度处理模块，所述预处理模块的输出端和深度处理模块的输入端连接，数据接收模块的输出端与预处理模块的输入端连接，深度处理模块的输出端和数据发送模块的输入端连接。归一化是因为若干个数据传感器的量纲是不同的，有的数据传感器的量纲可能是0~100，有些可能是0~200，经过归一化处理后，所有数据都处于统一尺度下，以方便后续运算。
8.进一步地，所述预处理模块中处理摄像头采集到的人员密集度的公式如下：，其中为经过预处理后得到的人员密集度，h为摄像头采集到的当前室内收纳的人员数，为室内最多收纳人员总数。
9.进一步地，所述预处理模块中处理所述若干个数据传感器数据的公式如下：，其中为经过预处理后得到的数据，x为该数据传感器测到的原始数据，min为该数据传感器可以测到的最小数值，max为该数据传感器可以测到的最大数值。
10.进一步地，所述深度处理模块的处理步骤如下：第一步：获得归一化后的预处理数据a1；第二步：按照如下公式对预处理数据a1进行初次处理，得到初步处理数据a2：，其中q1为第一权重，q2为第二权重，e为自然对数，max(0，a1)为输出最大值函数；第三步：利用lstm网络对第二步中得到的初步处理数据a2进行深度处理，得到深度处理数据a3；第四步：按照如下公式对a3进行最终处理，得到最终结果a4：，其中q3为第三权重，e为自然对数。
11.进一步地，所述若干个数据传感器包括若干个温度传感器、若干个二氧化碳传感器、若干个湿度传感器和若干个烟雾传感器。所述温度传感器用于采集室内的温度；所述二氧化碳传感器用于采集室内的二氧化碳浓度，当可燃物燃烧时会产生二氧化碳，因此当二氧化碳浓度过高时可能代表火灾已经发生；所述湿度传感器用于采集室内的湿度，当空气湿度过低时，易燃物质更加容易燃烧引发火灾；所述烟雾传感器用于采集室内的烟雾浓度，这基于两个方面考虑，一是当火灾发生时会产生烟雾，二是通过控制烟雾浓度来禁止室内人员抽烟，防止明火引发火灾。
12.一种火灾预警系统数据的处理方法，其步骤如下：第一步：获得摄像头采集到的人员密集度和若干个数据传感器采集到的数据，对人员密集度和若干个数据传感器采集到的数据进行预处理，将所有数据进行归一化处理，得到处于统一尺度下的预处理数据a1；第二步：对预处理数据a1进行初次处理，得到初步处理数据a2；第三步：利用lstm网络对第二步中得到的初步处理数据a2进行深度处理，得到深度处理数据a3；第四步：对a3进行最终处理，得到最终结果a4；
第五步：将a4与预先设置的阈值进行比较，如果a4大于阈值，则会发出警报，反之则会忽略此次输出。
13.进一步地，第一步中对人员密集度数据进行预处理的公式如下：，其中为经过预处理后得到的人员密集度，h为摄像头采集到的当前室内收纳的人员数，为室内最多收纳人员总数。
14.进一步地，第一步中对若干个数据传感器采集到的数据进行预处理的公式如下：，其中为经过预处理后得到的数据，x为该数据传感器测到的原始数据，min为该数据传感器可以测到的最小数值，max为该数据传感器可以测到的最大数值。
15.进一步地，第二步中按照如下公式对预处理数据a1进行初次处理，得到初步处理数据a2：，其中q1为第一权重，q2为第二权重，e为自然对数，max(0，a1)为输出最大值函数。
16.进一步地，第四步中按照如下公式对a3进行最终处理，得到最终结果a4：，其中q3为第三权重，e为自然对数。
17.有益效果：与现有技术相比，本发明具有如下显著优点：1、本发明中深度处理模块的输入层设置两个支路，一条支路中第一权重对预处理数据进行线性映射，再通过第一sigmoid函数将分配好权重的特征压缩到0-1的区间以内，得出一个线性结果；另一条支路中第二权重对预处理数据进行线性映射，再通过非线性的relu函数进行激活，得到一个非线性结果，两者相乘得到非线性的结果，能够对数据处理得到更好、更贴合实际的结果，防止误判。
18.2、由于采集到的数据众多，本发明中深度处理模块的输入层设置第一权重和第二权重，输出层设置第三权重，以此对各类数据赋予不同的权重，以使得结果更贴合实际，防止误判。
19.3、本发明中深度处理模块的中间层中设置lstm网络，中间层作为循环神经网络的主要作用是提取特征，现有系统的循环神经网络中，只会保存上一时刻的特征并传递给下一时刻，然后循环覆盖，这样的做的缺点是无法记忆到相隔较长时间的特征，但是有些火灾并不是突发的，可能存在较长的铺垫，比如烟头在角落里慢慢升温慢慢点燃最后形成大火，只有上一时刻的特征可能会产生误判，不能防止火灾的产生，lstm网络中引入了长期记忆参数和短期记忆参数，在处理数据时会将长期特征与短期特征相结合，从而得出最终的推理结果，能够保存较长时间的特征，因此预警效果更好。
附图说明
20.图1为本发明的结构示意图。
21.图2为本发明中系统数据的处理方法的流程图。
22.图3为本发明中深度处理模块的的网络结构。
23.图4为本发明中利用lstm网络对初步处理数据处理的运算逻辑示意图。
24.其中：1、摄像头；2、温度传感器；3、二氧化碳传感器；4、湿度传感器；5、烟雾传感器；6、服务器；61、数据接收模块；62、数据计算模块；621、预处理模块；622、深度处理模块；6221、输入层；6222、中间层；6223、输出层；63、数据发送模块；7、显示器；8、预处理数据a1；9、第一权重矩阵；10、第一sigmoid函数；11、第二权重矩阵；12、relu函数；13、初步处理数据a2；14、lstm网络；15、深度处理数据a3；16、第三权重矩阵；17、第二sigmoid函数；18、最终结果a4。
具体实施方式
25.下面结合附图对本发明的技术方案作进一步说明。
26.参见附图1～图4，本发明包括若干个用于采集人员密集度的摄像头1、若干个温度传感器2、若干个二氧化碳传感器3、若干个湿度传感器4和若干个烟雾传感器5、服务器6和显示器7，服务器6内设数据接收模块61、数据发送模块63和数据计算模块62，数据接收模块61的输入端分别与摄像头1的输出端、温度传感器2的输出端、二氧化碳传感器3的输出端、湿度传感器4的输出端和烟雾传感器5的输出端通过有线或者无线的方式连接，数据接收模块61的输出端分别与数据发送模块63的输入端及数据计算模块62的输入端连接，数据计算模块62的输出端与数据发送模块63的输入端相连接，数据发送模块63的输出端与显示器7的输入端相连接；数据计算模块62包括用于将采集到的数据归一化到统一尺度的预处理模块621以及用于深度处理所有归一化后数据的深度处理模块622，预处理模块621的输入端与数据接收模块61的输出端连接，预处理模块621的输出端和深度处理模块622的输入端连接，深度处理模块622的输出端与数据发送模块63的输入端连接。
27.深度处理模块622的网络结构如图3所示，深度处理模块622包括输入层6221、中间层6222和输出层6223，输入层6221中设置第一权重矩阵9和第二权重矩阵10；中间层6222中设置lstm网络14；输出层6223中设置第三权重矩阵16。
28.输入层6221中第一权重q1由第一权重矩阵9按照如下运算方程进行计算获得：，其中w1为尺寸为的权重矩阵，x1为尺寸为的输入参数，b1为尺寸为的偏置矩阵，m1为输出维度，n1为输入维度，输出维度即输出数据的个数，输入维度即输入数据的个数；第二权重q2由第二权重矩阵10按照如下运算方程进行计算获得：，其中w2为尺寸为的权重矩阵，x2为尺寸为的输入参数，b2为尺寸为的偏置矩阵，m2为输出维度，n2为输入维度，输出维度即输出数据的个数，输入维度即输入数据的个数。
29.输入层6221中第一sigmoid函数10的计算公式如下：，其中e为自然对数，a1为预处理数据a1；输入层6221中relu函数的计算公式如下：relu（a1）=max（0，a1），其中max(0，a1)为输出最大值函数。
30.中间层6222的lstm网络14的运算逻辑如图4所示，x
t
为当前时刻的输入，即当前时刻的深度处理数据a3，c
t-1
为上一时刻传入的长期记忆参数，h
t-1
为上一时刻传入的短期记忆参数，lstm网络14中设置一个遗忘门（f
t
）、两个更新门（i
t
和c
t
）和两个输出门（o
t
和h
t
），输出门得到h
t
和c
t
，其中c
t
为当前时刻传入的长期记忆参数，h
t
为当前时刻传入的短期记忆参数，同时h
t
也是输出的深度处理数据a3，c
t
和h
t
参与下一时刻的运算。中间层6222作为循环神经网络的主要作用是提取特征，现有系统的循环神经网络中，只会保存上一时刻的特征并传递给下一时刻，然后循环覆盖，这样的做的缺点是无法记忆到相隔较长时间的特征，但是有些火灾并不是突发的，可能存在较长的铺垫，比如烟头在角落里慢慢升温慢慢点燃最后形成大火，只有上一时刻的特征可能会产生误判，不能防止火灾的产生，lstm网络14中引入了长期记忆参数和短期记忆参数，在处理数据时会将长期特征与短期特征相结合，从而得出最终的推理结果，能够保存较长时间的特征，因此预警效果更好。
31.输出层6223中第三权重q3由第三权重矩阵16按照如下运算方程进行计算获得：，其中w3为尺寸为的权重矩阵，x3为尺寸为的输入参数，b3为尺寸为的偏置矩阵，m3为输出维度，n3为输入维度，输出维度即输出数据的个数，输入维度即输入数据的个数。
32.预处理数据a1在输入深度处理模块622后，首先进入输入层6221，输入层6221的一条支路中第一权重q1对预处理数据a1进行线性映射，再通过第一sigmoid函数10，将分配好权重的特征压缩到0-1的区间以内，即按照进行计算；另一条支路中第二权重q2对预处理数据a1进行线性映射，再通过非线性的relu函数12进行激活，即按照进行计算，最后将两个支路的结果逐项相乘，从而得到初步处理数据a2，即；a2进入中间层6222后，通过lstm网络14进行运算，得到深度处理数据a3；深度处理数据a3进入输出层6223，按照公式进行运算，最终得到最终结果a4。
33.实施例1摄像头1采集到的人员密集度为80%，温度传感器2采集到的温度为39摄氏度（假设温度传感器的阈值为0-100摄氏度），湿度传感器4采集到的湿度为30%，二氧化碳传感器3采集到的二氧化碳浓度为12%，烟雾传感器5采集到的烟雾浓度为25%，上述数据通过数据接收模块61进入数据计算模块62，在预处理模块621中进行归一化处理，归一化并整合成预处理
数据a1[0.8, 0.39, 0.3, 0.12, 0.25]（也就是说a1是个矩阵）, 预处理数据a1进入深度处理模块622，在输入层6221中，按照如下计算公式初步处理后得到初步处理数据a2，初步处理数据a2进入中间层6222后，经过lstm网络14处理得到深度处理数据a3深度处理数据a
3 进入输出层6223，按照公式得到算法判断结果为0.65，本发明内置的预警阈值为0.75，0.65小于预警阈值0.75，则算法输出的最终结果为没有火灾风险，忽略此次输出。