一种针对火灾的警报方法

本申请涉及火灾识别，具体而言，涉及一种针对火灾的警报方法。

背景技术：

1、随着对矿井安全的越来越重视，视频监控系统被应用在矿井内，用户可以通过观察视频来确定矿井是否发生火灾，但是这就需要用户不间断的通过视觉检测的方式对视频进行查看，这就导致人工工作量比较大。

2、随着科技发展，卷积神经网络的火灾识别方法也渐渐得到应用，但是由于深度学习需要大量的训练样本，并且只有与应用场景越相似的训练样本，才会有越好的训练效果，但是目前使用的训练样本都是从搜索引擎上搜索得到的，并且由于矿井远离正常生活区域，且矿井发生火灾的概率也相对较低，因此得到的矿井的火灾图像相对较少，进而会利用其他场景中的火灾图像进行训练，导致训练后的卷积神经网络对矿井火灾检测的准确率不能满足要求。

技术实现思路

1、有鉴于此，本申请实施例提供了一种针对火灾的警报方法，以提高矿井火灾的检测准确率。

2、本申请实施例提供了一种针对火灾的警报方法，所述方法包括：

3、在获取到已发生火灾的矿井的火灾图像后，对所述火灾图像进行bayer模式的rgb三颜色通道的下采样，获得4个子图像；

4、分别对各子图像进行噪声估计，获得各子图像对应的噪声方差；

5、对于每个子图像，利用该子图像的噪声方差调节滤波算法中的滤波参数；

6、利用调节后的滤波算法对该子图像进行滤波，得到该子图像对应的第一去噪图像；

7、将各子图像对应的第一去噪图像进行融合处理，得到所述火灾图像对应的第二去噪图像；

8、对所述第二去噪图像中的纹理和颜色进行特征提取，得到所述第二去噪图像的第一纹理特征和第一颜色特征，以及从所述第二去噪图像中分割出火焰区域的火焰区域图像；

9、在获取到多张目标矿井的各矿道的第一矿道图像后，对于每张第一矿道图像，将所述火焰区域图像投影到该第一矿道图像上，并利用所述火焰区域图像的轮廓信息，得到将所述火焰区域图像投影到该第一矿道图像上后的状态信息，根据所述状态信息生成仿射变换矩阵，利用所述仿射变换矩阵将所述火焰区域图像和该第一矿道图像进行对齐拼合，得到第一拼合图像；

10、将所述第一纹理特征和所述第一颜色特征对所述第一拼合图像中的第二纹理特征和第二颜色特征分别进行替换，得到第二拼合图像；

11、对所述第二拼合图像和所述第二去噪图像进行相似度计算，以将所述第二拼合图像中相似度满足预设范围内的第三拼接图像作为正样本图像，以及将所述第一矿道图像作为负样本图像；

12、利用所述正样本图像和所述负样本图像对卷积神经网络模型进行训练；

13、利用训练好的卷积神经网络模型对所述目标矿井是否有火灾进行识别，当识别出所述目标矿井发生火灾时，发出警报信息。

14、可选地，所述目标矿井中设置有多台摄像装置，所述多台摄像装置均匀分布在所述目标矿井内，所述利用训练好的卷积神经网络模型对所述目标矿井是否有火灾进行识别，当识别出所述目标矿井发生火灾时，发出警报信息，包括：

15、按照预设拍摄周期控制所述多台摄像装置在同一时刻进行拍照，获取所述目标矿井的各矿道的第二矿道图像；

16、将所述第二矿道图像输入到训练好的神经网络模型中，判断所述目标矿井是否发生火灾；

17、当识别出所述目标矿井发生火灾时，发出警报信息。

18、可选地，在识别出所述目标矿井发生火灾后，所述方法还包括：

19、根据确定发生火灾的第二矿道图像所对应的摄像装置的位置，确定火灾发生的位置；

20、将所述火灾发生的位置发送给工作人员的终端。

21、可选地，所述目标矿井中设置有灭火喷洒系统，所述灭火喷洒系统在所述目标矿井内的各个区域设置有多个喷洒装置，所述方法还包括：

22、控制所述火灾发生的位置所属区域内的喷洒装置进行喷水。

23、可选地，所述目标矿井中设置有主通风设备和多台备用通风设备，其中，所述主通风设备持续处于工作状态，所述备用通风设备均匀分布在所述目标矿井内，在识别出所述目标矿井发生火灾后，所述方法还包括：

24、控制所述多台摄像装置进行拍照，获取所述目标矿井的各矿道的第三矿道图像；

25、对所述第三矿道图像中的烟雾进行检测，确定包含烟雾的第四矿道图像；

26、根据所述第四矿道图像所对应的摄像装置的位置，确定火灾产生的烟雾所覆盖的区域；

27、控制位于所述区域内的备用通风设备启动，以对所述区域内的烟雾进行排出处理。

28、可选地，所述卷积神经网络模型包括：

29、过滤层、卷积层c1、卷积层c2、卷积层c3、池化层s4、卷积层组m1、卷积层组m2、池化层s5、全连接层f6和输出层。

30、本申请的实施例提供的技术方案可以包括以下有益效果：

31、在本申请中，通过将已发生火灾的矿井的火灾图像中火焰区域，以火灾图像的纹理和颜色融入到目标矿井的各矿道中后，可以将得到的图像作为目标矿井起火后的火灾图像，并将该图像作为正样本图像，并将目标矿井在正常情况下的矿道图像作为负样本图像，由于使用的训练样本的背景部分是目标矿井的真实环境背景，且火灾是其他矿井已发生的真实的火灾，因此使用上述正负样本图像对卷积神经网络模型进行训练后可以使训练好卷积神经网络模型对目标矿井是否发生火灾进行更好的识别，有利于提高检测的准确率，利用上述方法确定是否发生火灾而发出的报警可靠性更高。

32、为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

技术特征：

1.一种针对火灾的警报方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述目标矿井中设置有多台摄像装置，所述多台摄像装置均匀分布在所述目标矿井内，所述利用训练好的卷积神经网络模型对所述目标矿井是否有火灾进行识别，当识别出所述目标矿井发生火灾时，发出警报信息，包括：

3.如权利要求2所述的方法，其特征在于，在识别出所述目标矿井发生火灾后，所述方法还包括：

4.如权利要求3所述的方法，其特征在于，所述目标矿井中设置有灭火喷洒系统，所述灭火喷洒系统在所述目标矿井内的各个区域设置有多个喷洒装置，所述方法还包括：

5.如权利要求2所述的方法，其特征在于，所述目标矿井中设置有主通风设备和多台备用通风设备，其中，所述主通风设备持续处于工作状态，所述备用通风设备均匀分布在所述目标矿井内，在识别出所述目标矿井发生火灾后，所述方法还包括：

6.如权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括：

技术总结本申请提供了一种针对火灾的警报方法，通过将已发生火灾的矿井的火灾图像中火焰区域，以火灾图像的纹理和颜色融入到目标矿井的各矿道中后，可以将得到的图像作为目标矿井起火后的火灾图像，并将该图像作为正样本图像，并将目标矿井在正常情况下的矿道图像作为负样本图像，由于使用的训练样本的背景部分是目标矿井的真实环境背景，且火灾是其他矿井已发生的真实的火灾，因此使用上述正负样本图像对卷积神经网络模型进行训练后可以使训练好卷积神经网络模型对目标矿井是否发生火灾进行更好的识别和发出警报，有利于提高检测的准确率和警报的可靠性。技术研发人员：陈寅,李孜军,张云韦,王国强,李守强,徐宇受保护的技术使用者：中南大学技术研发日：技术公布日：2024/5/29