一种基于机器视觉的古建筑火灾防控系统及方法

本发明涉及火灾防控，具体涉及一种基于机器视觉的古建筑火灾防控系统及方法。

背景技术：

1、中国古代建筑一直被誉为人类建筑史上的智慧结晶，有着诸如故宫、颐和园等令人惊叹的古建筑。然而，这些古建筑的保护难度相对较大，由于中国古代建筑中木质材料的使用较为广泛，随着时间的推移，这些木质材料的含水率逐渐降低，变得越来越干燥，表面的涂漆等防护措施也在一定程度上遭到了损坏，因此火灾事故时有发生，并且由于这些古建筑通常都是一体化的，很多建筑物之间的距离相对较近，一旦发生火灾，后果是非常严重的。此外，为了保护古建筑的原貌，很多传统消防设施也是不允许设置在这些古建筑内部的，所以发生火灾时，很难在短时间内控制住火势。

2、目前，主流的传统烟雾火灾报警器存在的主要问题在于其检测方式的局限性，传统烟雾火灾报警器只能检测到室内的烟雾，而对于无烟火灾，如液体酒精燃烧等，其检测能力就十分有限。此外，一些火源在刚引发时，并没有烟雾产生，因此也难以被传统烟雾火灾报警器检测到。

3、现有的视觉火灾报警器主要存在以下问题：

4、1)响应速度慢：视觉火灾警报器需要时间将数据上传至云端进行火灾检测，并在发现火源后启动报警程序，响应速度相对较慢，容易造成火势蔓延；

5、2)没有灭火功能：视觉火灾警报器只能发出报警信号，而无法进行灭火工作，需要消防人员到场才能进行灭火；

6、3)难以进行模块化设计：视觉火灾警报器通常采用一体化设计，这是因为其需要整合多个硬件组件，例如摄像头、处理器、无线通信模块等，此外，由于安装位置和环境的不同，视觉火灾警报器的硬件、软件配置可能需要根据具体情况进行调整和定制，因此难以进行通用化、标准化的模块化设计。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术所存在的上述缺点，本发明提供了一种基于机器视觉的古建筑火灾防控系统及方法，能够有效克服现有技术所存在的响应速度慢、没有灭火功能、难以进行模块化设计的缺陷。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、一种基于机器视觉的古建筑火灾防控系统，包括深度相机、控制主板、下位机、灭火装置和报警装置；

6、深度相机，采集目标区域的视频数据，并发送给控制主板；

7、控制主板，对视频数据包含的图像数据进行前景提取、特征提取和火灾检测，并将火灾检测结果发送给下位机；

8、下位机，根据火灾检测结果控制灭火装置进行灭火工作，同时控制报警装置进行多级报警。

9、优选地，所述控制主板对视频数据包含的图像数据进行前景提取、特征提取和火灾检测，并将火灾检测结果发送给下位机，包括：

10、采用前景提取算法将火焰、烟雾从背景中分离出来，并从火焰、烟雾中提取颜色特征、纹理特征和形状特征，基于提取特征使用分类器判断图像中是否存在火灾；

11、其中，前景提取算法包括帧差法、背景减法、基于聚类的方法；分类器包括支持向量机svm、卷积神经网络cnn。

12、优选地，所述采用前景提取算法将火焰、烟雾从背景中分离出来之前，包括：

13、对视频数据包含的图像数据进行预处理，以去除噪声和增强图像质量；

14、其中，预处理包括背景减除、图像增强、图像滤波。

15、优选地，所述下位机根据火灾检测结果控制灭火装置进行灭火工作，同时控制报警装置进行多级报警，包括：

16、若火灾检测结果为存在火灾，则下位机控制灭火装置进行灭火工作，同时根据火灾情况自动调整报警级别，并控制报警装置通过声、光、短信方式将火灾信息及时通知管理人员和消防人员。

17、优选地，所述控制主板采用jetsonnano控制主板，所述下位机采用stm32下位机，所述灭火装置采用干粉灭火装置。

18、一种基于机器视觉的古建筑火灾防控方法，包括以下步骤：

19、s1、采集不同角度下的各种火焰的图像数据，对图像数据进行数据增强，构建训练数据集；

20、s2、利用训练数据集对火灾检测模型进行模型训练，并将训练好的火灾检测模型部署至控制主板；

21、s3、利用深度相机采集目标区域的视频数据，并发送给控制主板；

22、s4、控制主板对视频数据包含的图像数据进行前景提取、特征提取和火灾检测，并将火灾检测结果发送给下位机；

23、s5、下位机根据火灾检测结果控制灭火装置进行灭火工作，同时控制报警装置进行多级报警。

24、优选地，s1中采集不同角度下的各种火焰的图像数据，对图像数据进行数据增强，构建训练数据集，包括：

25、采集不同角度下的各种火焰的图像数据，对图像数据进行预处理和数据增强，并对图像数据进行标注，构建训练数据集；

26、其中，预处理包括背景减除、图像增强、图像滤波；数据增强包括旋转、翻转、平移。

27、优选地，s2中利用训练数据集对火灾检测模型进行模型训练，包括：

28、根据训练数据集生成对抗样本对火灾检测模型进行模型训练，以提高火灾检测模型的鲁棒性和安全性；

29、在模型训练过程中，通过使用不同的网络结构，并对网络结构进行调整和优化，以提高火灾检测模型的性能和效率；通过使用多个模型的预测结果进行模型融合，以进一步提高火灾检测模型的精度和鲁棒性；采用超参数优化算法进行超参数优化，以找到最优的超参数组合；

30、其中，超参数优化算法包括网格搜索法、贝叶斯优化，超参数包括学习率、批量大小、正则化。

31、优选地，s4中控制主板对视频数据包含的图像数据进行前景提取、特征提取和火灾检测，并将火灾检测结果发送给下位机，包括：

32、对视频数据包含的图像数据进行预处理，以去除噪声和增强图像质量；

33、采用前景提取算法将火焰、烟雾从背景中分离出来，并从火焰、烟雾中提取颜色特征、纹理特征和形状特征，基于提取特征使用分类器判断图像中是否存在火灾；

34、其中，预处理包括背景减除、图像增强、图像滤波；前景提取算法包括帧差法、背景减法、基于聚类的方法；分类器包括支持向量机svm、卷积神经网络cnn。

35、优选地，s5中下位机根据火灾检测结果控制灭火装置进行灭火工作，同时控制报警装置进行多级报警，包括：

36、若火灾检测结果为存在火灾，则下位机控制灭火装置进行灭火工作，同时根据火灾情况自动调整报警级别，并控制报警装置通过声、光、短信方式将火灾信息及时通知管理人员和消防人员。

37、(三)有益效果

38、与现有技术相比，本发明所提供的一种基于机器视觉的古建筑火灾防控系统及方法，具体包括以下有益效果：

39、1)响应速度快：通过实时监测和分析，采集到图像数据后在本地进行数据分析并作出判断，在降低数据传输延迟的同时可以避免受网速影响导致设备数据传输受限，出现无法作出火灾判断的情况，在缩短响应时间的同时提升了可靠性；

40、2)多功能集成：实现了火灾检测与灭火功能的集成，提高了防火防灾的效率，目前市场上也有一些类似的智能灭火设备，如cojoy智能灭火器等，但是这些设备大多是手持式的，灭火范围有限，且需要人工操作；

41、3)采用模块化设计：相较于现有的视觉火灾报警器，本发明通过将树莓派与usb深度相机结合的方式进行火灾检测，具有低成本、高灵活性、易于维护、可模块化的优点；

42、4)能够保护古建筑的原貌：传统的火灾防控系统需要在建筑内架设大量管道、线路，不仅会对建筑本体造成破坏，也给施工带来很大的困难，而本发明不需要单独架设线路管道，只需要在目标区域安装设备即可，不仅降低了施工难度，而且保持了古建筑的原貌，不会对建筑本体造成任何破坏，能够更好地保护历史文化遗产的完整性。