一种基于深度学习的隧道火灾监测系统

本发明属于火灾监测，特别是涉及一种基于深度学习的隧道火灾监测系统。

背景技术：

1、由于隧道结构密闭、且狭窄，若发生火灾的后果往往十分严重。隧道火灾发生迅速，火焰温度高；烟雾扩散快，有毒气体多，能见度低，严重危害隧道内人员的生命和财产安全。隧道火灾具有很大的随机性，常伴随着车辆堵塞，救援物资搬运困难等问题。隧道火灾通常会导致严重的人员伤亡和财产损失，因此往往在初期阶段就需要被及时识别和控制。

2、隧道中发生火灾的初始时刻，由于各类传感器在空间位置的分布上具有分散性，火灾的烟雾量或者火焰温度的大小及分布区域均很有可能达不到触发各类传感器的要求，使得火灾初期的监测存在很大的不确定性，具有较大的缺陷。因此，亟需一种隧道火灾监测系统，及时发现问题并采取措施。

技术实现思路

1、本发明的目的是提供一种基于深度学习的隧道火灾监测系统，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于深度学习的隧道火灾监测系统，包括：

3、信息获取模块、信息处理模块、分析模块、控制模块、数据管理模块；

4、所述信息获取模块用于布置图像采集设备与若干传感器，并采集传感器数据传输至所述信息处理模块；

5、所述信息处理模块用于处理图像数据与传感器数据；

6、所述分析模块用于构建多模态深度学习模型并进行训练，基于处理后的图像数据与传感器数据通过训练后的模型获得隧道火灾识别结果；

7、所述控制模块用于根据识别结果判断是否生成控制指令并发出信息至相关人员；

8、所述数据管理模块用于存储数据，并将存储的数据作为验证集对多模态深度学习模型进行设定间隔的参数更新。

9、可选的，所述信息获取模块包括设备布置单元、信息采集单元；

10、所述设备布置单元用于获取隧道设计信息，基于所述隧道设计信息获得关键监测区域，根据所述关键监测区域在隧道内布置图像采集设备；获取隧道历史监测数据，通过数据统计获得易燃区域与气体泄漏危险区域并布置若干种传感器；

11、所述信息采集单元用于从传感器读取数据，并将读取的数据通过mqtt协议传输至信息处理模块。

12、可选的，所述设备布置单元中的图像采集设备采用双目摄像机并进行视觉配准，在监测区域内，通过双目摄像机计算不同位置处的目标估计距离，并与目标位置距摄像机的实测距离进行对比，拟合估计距离与实测距离的函数关系。

13、可选的，所述信息处理模块包括第一处理单元、第二处理单元；

14、所述第一处理单元用于对图像采集设备获得的图像采用直方图均衡化方法进行图像增强，获得增强图像，采用高斯滤波对所述增强图像进行平滑处理并滤除噪声；

15、所述第二处理单元用于根据所述信息采集单元的信息采集周期判断是否进行数据压缩，对压缩前的数据滤除噪声。

16、可选的，所述分析模块包括第一分析单元、第二分析单元；

17、所述第一分析单元用于构建多模态深度学习模型并进行训练；

18、所述第二分析单元用于将实时获取的图像与实时读取的传感器数据输入至所述多模态深度学习模型，获得分类结果。

19、可选的，所述第一分析单元包括模型构建单元、模型训练单元；

20、所述模型构建单元用于构建多模态深度学习模型，所述多模态深度学习模型包括特征提取层、注意力模块、分类器；所述特征融合层包括卷积神经网络分支与递归神经网络分支，所述卷积神经网络分支用于对图像进行特征提取，所述递归神经网络分支用于对传感器数据进行特征提取；

21、模型训练单元用于获取历史图像与历史传感器数据，通过信息处理模块处理后，进行火灾与正常状态的标注，获得标注数据集；通过所述标注数据集对所述多模态深度学习模型进行联合训练。

22、可选的，所述卷积神经网络分支包括输入层、三个卷积层、两个最大池化层、全局平均池化层、全连接层、输出层，采用relu激活函数；卷积层之间连接有最大池化层，第三层卷积层与全局平均池化层连接，然后经全连接层通过输出层，所述输出层神经元数量为1。

23、可选的，所述注意力模块基于交叉注意力机制包括图像编码器、传感器编码器、自注意力交叉模块，分别通过图像编码器与传感器编码器对图像特征与传感器数据特征进行编码，将编码后的特征输入至自注意力交叉模块中生成对应权重，并进行交叉融合。

24、可选的，所述控制模块用于根据所述多模态深度学习模型，获得分类结果，当判断为具有火灾风险时，对模型输入数据进行阈值分析，获得数据对应设备编号，根据估计距离与实测距离的函数关系与对应设备编号，获得火灾点，生成控制指令控制隧道内消防设备，并发送信息至相关人员。

25、本发明的技术效果为：

26、本发明公开了一种基于深度学习的隧道火灾监测系统，通过图像采集设备与传感器设备的布置方案设计，减少监测成本，对采集的图像与传感器数据进行预处理，提高数据质量；构建多模态深度学习模型，对处理后的图像数据与传感器数据进行综合分析，判断是否有产生火灾的可能性，若判定具有火灾风险，则发送消息给相关人员，并生成控制指令控制消防设备消除隐患，存储实时获取的数据与分析数据，对多模态深度学习模型进行设定间隔的参数更新，提高模型性能，提高监测识别预测的准确性；本发明能够智能地处理多模态数据，提高火灾检测的准确性和可靠性，同时具备实时监测和预警的能力，及时发现问题并采取措施，避免产生过大的损失。

技术特征：

1.一种基于深度学习的隧道火灾监测系统，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的隧道火灾监测系统，其特征在于，

3.根据权利要求2所述的基于深度学习的隧道火灾监测系统，其特征在于，

4.根据权利要求2所述的基于深度学习的隧道火灾监测系统，其特征在于，

5.根据权利要求1所述的基于深度学习的隧道火灾监测系统，其特征在于，

6.根据权利要求5所述的基于深度学习的隧道火灾监测系统，其特征在于，

7.根据权利要求6所述的基于深度学习的隧道火灾监测系统，其特征在于，

8.根据权利要求6所述的基于深度学习的隧道火灾监测系统，其特征在于，

9.根据权利要求3所述的基于深度学习的隧道火灾监测系统，其特征在于，所述控制模块用于根据所述多模态深度学习模型，获得分类结果，当判断为具有火灾风险时，对模型输入数据进行阈值分析，获得数据对应设备编号，根据估计距离与实测距离的函数关系与对应设备编号，获得火灾点，生成控制指令控制隧道内消防设备，并发送信息至相关人员。

技术总结本发明公开了一种基于深度学习的隧道火灾监测系统，包括：信息获取模块用于布置图像采集设备与若干传感器，并采集传感器数据传输至信息处理模块；信息处理模块用于处理图像数据与传感器数据；分析模块用于构建多模态深度学习模型并进行训练，基于处理后的图像数据与传感器数据通过训练后的模型获得隧道火灾识别结果；控制模块用于根据识别结果判断是否生成控制指令并发出信息至相关人员；数据管理模块用于存储数据，并将存储的数据作为验证集对多模态深度学习模型进行设定间隔的参数更新。本发明能够智能地处理多模态数据，提高火灾检测的准确性和可靠性，同时具备实时监测和预警的能力，及时发现问题并采取措施，避免产生过大的损失。技术研发人员：王欣宇,朱国庆,彭敏,明渝洋,朱冠宇,胡翔宇,崔少琦,贾赟翰,李绪明,欧建春,王必灿受保护的技术使用者：中国矿业大学技术研发日：技术公布日：2024/6/13