本發(fā)明屬于火災預警，具體涉及一種基于煙霧圖像聯(lián)合特征分析的火災預警方法和系統(tǒng)。

背景技術：

1、現(xiàn)有的火災預警技術主要依賴于單一或有限的傳感器數(shù)據來進行判斷，最常見的方法包括使用煙霧探測器、溫度傳感器或者火焰探測器；然而，這些單一數(shù)據源的預警方法存在明顯的缺陷。

2、煙霧探測器雖然被廣泛使用，但在廚房或工業(yè)環(huán)境中，正常的烹飪活動或生產過程可能產生無害煙霧，導致頻繁的誤報；在火災初期，如果煙霧不足以觸發(fā)報警閾值，可能會造成漏報，延誤最佳救援時機；溫度傳感器僅依賴溫度變化來判斷火情存在滯后性，在大型開放空間或高頂建筑中，火災發(fā)生時熱量可能需要較長時間才能達到傳感器位置，導致預警延遲，此外，某些類型的火災（如電氣火災）在初期可能不會產生顯著的溫度變化，使得單純依賴溫度傳感器的系統(tǒng)難以及時發(fā)現(xiàn)潛在危險；火焰探測器雖然可以快速檢測到明火，但在有遮擋物的情況下效果大打折扣，在復雜的室內環(huán)境中，如有隔斷的辦公室或多層書架的圖書館，火焰探測器的視線可能被阻擋，導致火情無法被及時發(fā)現(xiàn)；一氧化碳探測器雖然對于檢測無煙火災有效，但無法應對所有類型的火災，如，在電氣火災或某些化學品燃燒的情況下，可能不會產生足夠的一氧化碳來觸發(fā)警報。

3、此外，現(xiàn)有技術缺乏數(shù)據融合能力，大多數(shù)系統(tǒng)無法有效整合多源數(shù)據，導致對火情的判斷片面或不準確；傳統(tǒng)系統(tǒng)多基于簡單的閾值判斷，缺乏對復雜環(huán)境因素的綜合分析能力，固定的報警閾值難以適應不同場景和環(huán)境條件的變化，容易造成過度敏感或反應遲鈍；現(xiàn)有系統(tǒng)主要集中在已發(fā)生的火情檢測上，缺乏對潛在火險的預測能力，由于無法全面分析環(huán)境因素，誤報頻繁發(fā)生，降低了用戶對系統(tǒng)的信任度。

4、鑒于以上問題，需要一種能夠綜合分析多源數(shù)據、具備智能特征提取和融合能力、可適應復雜環(huán)境的新型火災預警方法。

技術實現(xiàn)思路

1、本發(fā)明提供一種基于煙霧圖像聯(lián)合特征分析的火災預警方法和系統(tǒng)，目的在于克服現(xiàn)有技術的局限性，提高預警的準確性、及時性和全面性，以更好地應對各種復雜場景下的火災風險。

2、第一方面，本發(fā)明提供一種基于煙霧圖像聯(lián)合特征分析的火災預警方法，應用于室內場景下的火災預警，所述方法包括以下步驟：

3、步驟s1，設置各個傳感器陣列和攝像頭的數(shù)據采集頻率相同，基于煙霧傳感器陣列和紅外傳感器陣列采集室內環(huán)境的煙霧濃度分布數(shù)據和紅外熱圖，基于攝像頭采室內環(huán)境的可見光圖像。

4、步驟s2，采用3d卷積神經網絡提取煙霧濃度分布的時空特征，使用2d卷積神經網絡提取可見光圖像的紋理和形狀特征，以及紅外熱圖的溫度分布特征；對三種特征進行加權融合，生成聯(lián)合特征表示。

5、步驟s3，將融合后的聯(lián)合特征表示為基于時間順序的特征序列，基于訓練好的多層感知機分類模型，得到當前時間窗口的火災風險等級。

6、進一步的，步驟s2中，采用3d卷積神經網絡提取煙霧濃度分布的時空特征，所述3d卷積神經網絡的結構包括:3個3d卷積層，每層后接batchnormalization批標準化函數(shù)和relu激活函數(shù)，2個3d最大池化層和1個全連接層；輸入為t幀煙霧濃度分布數(shù)據,輸出為256維特征向量。

7、3d卷積操作的數(shù)學表達式為：

8、；

9、其中，表示輸出特征圖在位置處第個輸出通道的值；表示輸入數(shù)據在位置處第個輸入通道的值；表示3d卷積核的權重，表示卷積核的空間位置，表示第個輸出通道的偏置項，分別表示卷積核空間維中的高度、寬度和深度，表示輸入數(shù)據的通道總數(shù)。

10、進一步的，所述步驟s2中，3d卷積神經網絡的輸入為連續(xù)p幀煙霧濃度分布數(shù)據，p的取值范圍為10到30，2d卷積神經網絡的輸入為單幀可見光圖像或紅外熱圖。

11、進一步的，步驟s2中，2d卷積神經網絡采用resnet-50結構,包括：1個7x7卷積層，16個殘差塊,每個殘差塊包含3個卷積層、1個全局平均池化層和1個全連接層；輸入為可見光圖像或紅外熱圖,輸出為512維特征向量。

12、所述殘差塊的數(shù)學表達式為:，其中表示殘差映射,由3個卷積層組成，表示殘差塊的輸出，表示殘差塊的輸入，表示殘差映射中的權重參數(shù)集合。

13、進一步的，所述步驟s2中,特征融合采用注意力機制，特征融合的方法包括：對三種特征進行線性變換，計算注意力權重，加權求和得到融合特征。

14、所述線性變換的數(shù)學表達式為：

15、；

16、所述注意力權重的數(shù)學表達式為：

17、；

18、則加權求和得到的融合特征表示為：

19、；

20、其中，表示第種特征，分別對應煙霧濃度、可見光圖像和紅外熱圖特征；表示用于生成查詢、鍵和值的權重矩陣；表示第種特征的查詢、鍵和值；表示從特征到特征的注意力權重；表示鍵向量的轉置，用于與查詢向量進行點積運算，表示特征維度；表示最終融合的特征。

21、進一步的，所述步驟s3中，多層感知機分類模型包括：輸入層、2個隱藏層和輸出層；輸入層包含1024個神經元，第一隱藏層包含512個神經元，第二隱藏層包含256個神經元，2個隱藏層均采用relu激活函數(shù)，輸出層包含4個神經元，分別對應4個風險等級，采用softmax激活；火災風險等級分為四級：無風險、低風險、中風險和高風險。

22、；

23、輸入特征向量；隱藏層的輸出；最終輸出的風險等級概率分布；各層的權重矩陣；各層的偏置向量。

24、進一步的，所述步驟s1中，煙霧傳感器陣列、紅外傳感器陣列和攝像頭的數(shù)據采集頻率設置為1hz；煙霧傳感器陣列采集的煙霧濃度分布數(shù)據的分辨率為8x8像素，紅外傳感器陣列采集的紅外熱圖的分辨率為32x24像素，攝像頭采集的可見光圖像的分辨率為640x480像素。

25、進一步的，所述步驟s3中，基于時間順序的特征序列長度為l，l的取值范圍為5到15。

26、第二方面，本發(fā)明提供一種基于煙霧圖像聯(lián)合特征分析的火災預警系統(tǒng)，用于執(zhí)行第一方面所述的火災預警方法，所述系統(tǒng)包括依次連接的：數(shù)據采集模塊、特征提取模塊、特征融合模塊和風險評估模塊。

27、所述數(shù)據采集模塊，用于采集室內環(huán)境的煙霧濃度分布數(shù)據、紅外熱圖和可見光圖像，所述數(shù)據采集模塊包括煙霧傳感器陣列、紅外傳感器陣列和可見光攝像頭。

28、所述特征提取模塊，用于從采集的數(shù)據中提取時空特征、紋理和形狀特征以及溫度分布特征，所述特征提取模塊包括3d卷積神經網絡和2d卷積神經網絡。

29、所述特征融合模塊，用于對提取的特征進行加權融合，生成聯(lián)合特征表示，所述特征融合模塊采用基于注意力機制的特征融合算法。

30、所述風險評估模塊，用于基于融合后的特征序列，利用多層感知機分類模型得出當前時間窗口的火災風險等級，包括一個訓練好的多層感知機分類模型。

31、進一步的，所述系統(tǒng)還包括報警模塊，用于在檢測到中風險或高風險時發(fā)出警報。

32、本發(fā)明與現(xiàn)有技術相比，其有益效果是：

33、本發(fā)明通過結合煙霧濃度分布、紅外熱圖和可見光圖像，提供全面的環(huán)境信息，顯著提高火災預警的準確性和可靠性；采用3d和2d卷積神經網絡，有效提取時空特征、紋理形狀特征和溫度分布特征，增強了系統(tǒng)對復雜環(huán)境的理解能力，通過加權融合方法，自適應調整不同特征的重要性，提高了系統(tǒng)對不同火災情景的適應性；本發(fā)明火災預警的準確性、實時性和適應性，有效減少誤報和漏報，為保護人身和財產安全提供了強有力的技術支持。