感烟火灾探测器灵敏度微机检测系统

<正> 一、概述火灾报警系统广泛用于高层建筑及重要防火场所。为了保证火灾报警系统正常工作,需要对火灾报警系统中的感烟火灾探测器进行定期检查,检查其灵敏度是否发生变化,以便及时发现问题及时调正,保证整个火灾报警系统的正常运转。一般来讲,探测器     

相似背景下的火灾检测优化方法仿真研究

研究视频图像中的火灾优化检测问题.根据视频分析图像,当有火灾发生时火焰的颜色与背景有差异来判断火灾.针对传统图像像素相减的帧差法进行火灾的检查,当发生火灾的地点所处环境中存在与火焰颜色、形状接近的背景时,结果不能检测出火灾的情况.为了解决上述问题,提出改进的主成分分析的火灾检测方法.通过建立像素特征模型矩阵,将火焰的特征进行投影降维,运用像素排序的方法,描述火焰的细节信息.摆脱像素相似的干扰.实验证明,改进PCA方法实现了在与自身相似背景下的准确火灾检测,有效降低了检测错误率,取得了满意的效果为优化正确检测提供了依据.     

基于可见光和红外图像的矿井外因火灾识别方法

分析了矿井外因火灾监测方法,提出了基于可见光和红外图像的矿井外因火灾识别方法。①温度和烟雾等传感器矿井外因火灾监测方法需多点布置,成本高、维护工作量大。②可见光图像矿井外因火灾监测方法具有监测范围广、使用简单、成本低、受距离影响小、分辨率高、色彩信息丰富、边缘纹理信息清晰、火焰结构信息便于提取等优点,但受矿灯、巷道灯、车灯及红色物体等影响大。③红外图像矿井外因火灾监测方法具有监测范围广、使用简单、可在浓烟等能见度低情况下监测火灾等优点,但监视距离、矿尘、环境温度和湿度、物体表面发射率等均会影响温度测量,近距离的作业人员、白炽灯及机电设备等均会影响火灾监测。④基于可见光和红外图像的矿井外因火灾识别方法提高了火灾识别准确率:当可见光图像和红外图像均识别出火灾时,才判定为火灾,发出火灾报警信号;当仅有单一可见光图像或红外图像识别出火灾时,不判定为火灾,发出疑似火灾报警信号。⑤通过试验验证了基于可见光和红外图像的矿井外因火灾识别方法的可行性。     

深度学习技术在火灾图像识别中的应用

火灾事故频发严重威胁着社会公共安全和人们的生命财产安全。火灾发生的不可预见性增加了火灾防控的难度。传统温感、烟感火灾探测设备对室内空间火灾探测效率较高;以人工选择特征为依据的火灾图像识别技术受限于实际火灾场景特征复杂多变,存在误报情况;深度学习技术通过海量火灾场景图片训练和网络参数优化,自动提取火灾图像深度抽象特征,以达到对火灾的精准识别和预警判断。本文就火灾图像识别及深度学习技术在该领域中的应用进行分析,对影响深度学习技术在火灾图像识别应用中的瓶颈问题进行探讨,并展望了该技术的未来发展。     

基于多智能体的森林火灾人员疏散仿真

森林火灾发生时, 对在林火蔓延过程中灾区人员疏散进行建模与仿真能够检查疏散方案是否合理, 从而为合理救灾提供指导意义. 目前对人员疏散模拟与仿真虽然有很多研究, 但对于森林火灾下人员疏散尚缺乏合适的仿真模型, 给科学救助决策带来很大困难. 为此, 提出将多智能体引入森林火灾蔓延及灾区人员疏散模型研究中, 并借助于Repast平台进行仿真, 实验结果表明本文方法能够为森林火灾人员疏散模拟与仿真提供正确的解决途径.     

无人机森林火灾监测中火情检测方法研究

本文将无人机遥感的高清可见光图像用于森林火灾的监测,监测过程包括森林火灾检测、火灾区域分割、特征提取、火灾识别。首先,选择RGB颜色空间进行森林火灾的检测,在大幅减少单张图像的计算量的同时,也排除了大部分无火图像。其次,选择HSV颜色空间完成图像分割,得到完整性较好的火灾区域。最后基于灰度共生矩阵和火灾区域边缘图像提取了火灾区域的多维特征,并用支持向量机完成了火灾识别过程。本文算法对森林火灾的检测率可达到87.7%,识别率达到89.2%,表明该算法用于森林火灾监测效果较好。     

基于卷积神经网络的火灾视频图像检测

随着计算机技术的发展,融合计算机视觉、机器学习、深度学习等技术的火灾图像处理技术得到了广泛的研究和应用。针对传统图像处理方法预处理过程复杂且误报率高等问题,提出一种基于深度卷积神经网络模型进行火灾检测的方法,其减少了复杂的预处理环节,将整个火灾识别过程整合成一个单深度神经网络,便于训练与优化。针对识别过程中类似火灾场景对火灾检测产生干扰的问题,利用火灾的运动特性,创新性地提出利用火灾视频前后帧火灾坐标位置变化来排除灯光等类似火灾场景对检测的干扰。对比了众多深度学习开源框架后,选择Caffe框架进行训练及测试,实验结果表明,该方法实现了对火灾图像的识别和定位,适应于不同的火灾场景,具有很好的泛化能力和抗干扰能力。     

基于图像处理的智能建筑中火灾探测技术研究

火灾探测系统是智能建筑系统中一个重要部分。而如何准确的判别火灾火焰,是图像型火灾探测技术的关键部分。针对火灾火焰亮度及颜色特点,结合图像相减方法和饱和度、平均亮度方法来提取火焰,可以很好的减小背景噪声的干扰。同时针对早期火灾火焰在时间上的发展性和跳动性,采用了面积变化和尖角判据,很好的减少了误报和漏报,大大提高了火灾判别的可靠性及准确性。     

基于快速支持向量机的图像型火灾探测算法*

图像型火灾探测的核心问题是火焰和疑似火焰物体的分类和识别。以火灾视频和疑似火灾视频为分析对象,提取了火灾图像的面积重叠率、圆形度以及火焰尖角数目三个特征量,选择快速支持向量机进行分类器训练,最终利用训练好的分类器实现了火焰及干扰物体的分类识别问题。实验结果表明,该算法提高了火灾图像的分类精度和火灾识别的准确率,同时具有较高的检测效率。     

基于模糊神经网络的火灾探测算法的应用研究

本文根据当今火灾探测的现状和人们对火灾探测的要求,结合火灾探测的特点,主要提出将模糊神经网络应用于火灾探测中来降低火灾探测的误报率提高准确性和灵活性的思想,并详细介绍了模糊神经网络设计过程与结构。     

基于三维实时渲染技术的虚拟火灾训练系统设计

基于三维实时渲染技术的火灾训练系统包括:建筑三维地图构造和显示及与用户的交互,火灾的模拟,指导逃生和救援决策。探讨了利用实时三维绘制技术、人工智能和模式识别的相关算法结合火灾的危害模型建立虚拟火灾训练系统的途径。通过研究提出了采用虚拟现实来创建火灾和逃生救援的软件系统的设计方案,以及将OpenGL与DirectX相结合在Windows平台上实现基于C/S结构下的虚拟火灾训练系统的技术。     

一种新型的综合电气火灾报警系统研究

为了减小电器火灾给人们的生命财产带来的损失,需要有效的电气火灾报警系统;提出了一种新型的综合电气火灾报警系统,该系统以51单片机作为核心处理芯片,利用温度传感器和红外火焰传感器协同监测环境状况;同时,系统利用了步进电机不断调整传感器的探测方位,消除了系统监测的死角,实现了全方位、高灵敏度火灾预警;该系统具有抗干扰能力强,灵敏度较高,实时性好、成本低等优点,满足火灾易发区的火灾报警需求;实验结果表明,该系统实现了对各种电器火灾的实时监测,检测灵敏度及准确率高,对预防火灾和消防救援具有重要的意义。     

基于模糊神经网络的火灾探测系统研究

为降低火灾报警误报、漏报频率,根据火灾探测特点,提出了基于模糊神经网络的火灾探测系统设计方案,介绍了基于模糊神经网络的火灾探测系统组成、模糊神经网络的设计与应用等。该系统可对传感器探测到的信息进行智能化处理,明显提高了火灾探测的灵活性和准确性。仿真结果证明了该方法的可行性。     

光纤光栅感温火灾探测系统在海上平台储油罐的应用及思考

首先介绍了石油石化行业大型储油罐火灾探测报警技术的现状和趋势,分析了光纤光栅感温火灾探测系统的基本原理、构成和应用优势,然后结合实际的工程项目详细介绍了该技术在海上平台储油罐火灾探测报警中的工程应用情况,提出光纤光栅感温火灾探测系统在海上平台进一步应用的场合和设想。     

基于手机平台的智能火灾报警系统设计研究

传统的火灾报警系统多采用警报铃声或是红外图像的办法实现火灾的报警,这些方式往往存在着及时性差,受环境和温度影响比较大的缺点,论文针对传统火灾报警系统的问题,给出了一种以3G网络做为传输媒介,利用手机短信作为报警手段的智能系统。论文给出了火灾报警系统的系统结构图,探讨了火灾信号在网络中的传输方法,并给出了火灾报警系统服务器的工作流程。     

基于多传感器数据融合的智能火灾预警系统

根据当今火灾探测的现状和实现火灾早期探测的需求,将多传感器数据融合技术应用在火灾预警系统中。选择多个传感器对火灾过程的多参数进行监测,特别对火灾发生初期产生的异常信息进行全面监控,弥补了采用单一传感器的不足,扩展了时间上和空间上的观测范围。采用自适应加权融合估算法配合智能判别技术,增强了系统报警输出的灵敏度和可靠性,使系统达到了实现提前预警的目的。     

公路隧道火灾通风数值模拟分析及逃生研究

利用数值模拟技术和pyrosim软件,对火灾功率为20 MW的中型规模隧道火灾进行了仿真,通过对火灾烟流蔓延模拟结果的分析,得出了该火灾规模的临界风速,并在临界风速下,通过对隧道内的温度、CO浓度的分布进行了数值模拟分析,得出了其分布规律。然后以修正后的克拉尼公式及FED窒息模型作为火灾时人员逃生的判定条件,综合考虑了火灾时隧道各断面温度和CO浓度分别与人员极限忍受时间的关系,最后得出隧道火灾时人员的安全逃生方向及火源下游人员的最大安全逃生时间和最远逃生区域。     

基于趋势特征向量的火灾烟气流动与温度分布预测

火灾发生时烟气流动与温度分布预测是建筑和消防领域中的热门技术。针对现有的火灾烟气流动与温度分布预测工作烦琐、预测准确度低的现状,提出基于趋势特征向量的火灾烟气流动与温度分布预测模型,用深度学习方法进行相关数据的训练与预测,对揭示火灾发生及其发展规律有重要意义,可为火灾扑救和人员疏散提供辅助信息。所提模型能够抽取火灾时间序列数据中的趋势特征,并将这些特征作为先验知识来加速和优化深度神经网络的训练过程。文中还设计了LSTM-TFV(LSTM based on Trend Feature Vector)算法。实验结果表明,所提预测模型提高了火灾烟气流动与温度分布预测的准确度,实现了高效且方便的火灾时间序列数据预测。     

神经网络模糊推理系统在火灾探测中的应用

提出了一种用于火灾自动探测的神经网络模糊推理系统，它采用前馈神经网络对火灾探测器信号进行处理，神经网络输出的火灾概率经模糊推理系统判决，输出火灾报警信号。这种方法结合了神经网络和模糊逻辑的优点，实验表明这种系统能够准确探测火灾并减少了误报警。     

基于大数据的火灾智能预警系统

传统基于GSM蜂窝网的无线火灾预警系统由于成本高、感知终端电池耗电快等原因,一直很难得到大规模的应用.而LPWAN技术的快速发展,极大地降低了系统成本和感知终端的能耗,推动了火灾智能预警系统的快速发展.本文设计了一种基于大数据的无线火灾智能预警系统,通过该系统不但能够及时发现火灾,实时掌握火灾发生位置,还可以实现多个部门及个人的联动.实际使用结果表明,该系统不但通信成本低、电池寿命长,而且有效地降低了城市火灾发生率,提高了城市火灾救援效率和消防服务水平,并得到了广泛的推广和应用.