基于图像处理的火灾烟雾检测算法研究

在综述视频火灾探测技术的基本原理和现有视频火灾烟雾检测算法的基础上,提出了一种结合烟雾静态特征与动态特征进行研究的视频火灾烟雾检测算法。介绍运动区域目标检测与提取方法及效果,以及烟雾静态特征和动态特征的提取和分析。测试结果证明该算法能够准确且迅速地探测出火灾烟雾,误报率低,可靠性好。     

基于模糊神经网络的火灾算法研究

针对现火灾探测器存在的误报率高、响应速度慢的问题,提出基于多参量的模糊神经网络火灾探测算法。以温度、CO浓度、烟雾浓度为火灾特征参量,建立火灾探测模型,以汽油明火、聚氨酯泡沫明火、木材阴燃火、织物阴燃火为模拟火进行模拟火灾响应实验;以熏香烟雾、水泥粉尘、香烟火、暖风机为干扰源进行抗干扰实验。实验结果表明:设计的多参量复合火灾算法对火灾具有较高的探测精度,在50次模拟火灾实验中平均火灾响应时间为19.8 s,火灾误报率为0.375%,漏报率为0。     

基于贝叶斯算法的火灾报警系统研究

针对传统的建筑火灾报警系统探测信号单一、功能简单等问题,提出了以单片机作为下位机、LabVIEW作为上位机,采用多种传感器信息融合的贝叶斯算法的火灾报警系统。该系统将贝叶斯融合算法应用于火灾报警探测中,将收集到的火灾数据进行预处理,同时利用MATLAB软件对贝叶斯网络算法的数据融合进行仿真分析。仿真结果表明,该系统能够实时监测建筑内火灾事故相关的环境因素,3个特征量的融合提高了对火灾特征信号响应的均衡度和准确度,进而极大地提高了系统可靠性,为建筑火灾报警系统的设计与应用提供参考。     

基于图像增强与多特征的森林火灾烟雾检测算法

针对目前森林火灾烟雾检测算法存在的不足,提出基于图像增强与多特征的森林火灾烟雾检测算法。该算法利用小波变换后不同尺度高频分量之间的相关度对小波系数进行修正,并通过小波重构实现图像增强;计算图像的分形特征和基于灰度共生矩阵的图像纹理特征作为烟雾识别的特征;把特征输入支持向量机,通过机器学习和大样本量实现火灾烟雾的识别。复杂背景下的森林火灾烟雾检测结果表明该算法能够有效实现森林火灾烟雾检测。     

基于目标检测卷积神经网络的图像型火灾探测算法

摘 要：针对传统图像型火灾探测算法误差率高、延迟探测、计算量大等问题,提出了基于目标检测卷积神经网络（Faster-RCNN、R-FCN、SSD和YOLO v3）的图像型火灾探测算法。通过对比实验表明,基于目标检测卷积神经网络的探测算法准确性较高。其中,YOLO v3探测算法的平均精度为84.5%,探测速度为28帧/s,具有更高的稳定性,更适用于图像型火灾探测系统的开发。     

基于图像型的火灾烟雾检测技术研究

为了提高基于图像型火灾烟雾检测的准确性和实时性,提出了一种基于支持向量机的火灾烟雾检测方法。首先对图像进行增强处理,再通过累积差分法对运动区域进行检测,再基于烟雾的扩散性,对烟雾和干扰源进行初判,然后对提取的目标区域进行特征提取,最后基于支持向量机对烟雾和干扰源进行分类检测。仿真实验结果表明,该方法具有较好的鲁棒性和较高的识别率。     

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。     

基于PNN算法的多传感器火灾探测技术研究

从传统算法和人工神经网络算法两方面,总结火灾探测中的多特征信息融合算法。以火焰、烟雾、CO和CO_2四种火灾特征的组合为例,基于MATLAB,运用PNN对实验采集到的数据进行训练和仿真测试。测试结果表明,采用PNN将多传感器信息融合后对火灾探测的准确度远高于单一种类火灾探测器;当扩展系数取0.3时,PNN对测试数据进行模式识别的准确度可高达98.95%。训练后的PNN可以更好地用于火灾的探测。     

基于图像处理的贮木场火灾检测方法

提出一种以图像识别技术为基础的火焰识别方法。为将火焰与背景分离,首先通过灰度转换将彩色图像转化为灰度图像,然后用中值滤波处理法对图像进行平滑处理去除图像噪声,再用最大类间方差法进行二值化处理分离火焰与背景图像,用腐蚀与膨胀算法进行数学形态处理突出火焰图像特征,最后采用区域形状参数作为火焰图像判别依据,去除灯光等疑似干扰图像。实验表明,该方法可较好地辨别火焰和干扰源。     

多传感器融合的火灾识别算法研究

针对传统火灾探测存在反应滞后,误报率高等问题,提出一种基于多传感器融合的火灾识别算法。采用运动和颜色检测提取可见光图像的疑似火灾区域,同时采用阈值分割提取红外图像的疑似火灾区域。将两者疑似火灾区域分别进行特征提取,再根据所获特征进行基于 SVM 的融合火灾识别,通过传感器检测实时的温度与烟雾浓度,从而实现可靠和快速的火灾识别。实验结果表明,该火灾识别算法在可接受的时间范围内准确率高且鲁棒性强。     

LM算法在火灾早期探测中的应用

针对传统火灾探测方法在外界干扰下难以快速、准确地识别火灾,提出基于过程特征信息的神经网络火灾探测方法.选用CO和CO2气体体积分数比值、比值上升速率和加速度作为火灾过程特征参数,设计三层误差反向传播(BP)人工神经网络模型,采用改进的BP算法-LM算法进行网络学习训练.实验包括6种真实火灾源材料及蜡烛、香烟、液化气3种虚假火灾源材料.结果表明,基于LM算法的人工神经网络火灾探测系统能有效识别火灾,提高火灾探测的可靠性与准确性.     

基于YOLOv2-Tiny的无人机火灾检测与云台跟踪研究

针对PC(Personal Computer)在无人机火灾检测应用中的环境受限问题,提出了一种基于YOLOv2-Tiny的无人机火灾检测与云台跟踪方法.首先,在改进的YOLOv2-Tiny模型上进行预训练获得最优YOLOv2-Tiny模型,并在K210开发板上部署最优YOLOv2-Tiny模型;其次,将检测到的火灾图像...     

基于数据融合技术的无人值守变电站火灾探测算法研究

针对变电站传统火灾报警系统存在误报、漏报率高,无法根据站内不同区域重要性采取严格程度不同的火灾报警及消防措施问题,笔者提出一种基于数据融合技术的无人值守变电站火灾探测算法。在数据融合技术的特征层,采用BP神经网络对探测区域内温度、烟雾体积分数、CO体积分数3种特征参量进行数据融合,预测输出明燃火及阴燃火的概率;在决策层,通过模糊推理将特征层输出的火灾概率与火灾延续时间、火灾风险度和损害度3种附加信息进行数据融合,最终决策输出火灾报警等级。仿真测试结果表明：该算法能够快速准确识别出明燃火及阴燃火场景,并能根据不同探测区域的重要性差异给出合理报警决策,具有一定的灵活性和先进性。     

公路交通隧道火灾探测技术研究

通过油盘火试验和模拟研究隧道火灾探测技术.油盘火试验分汽车下着火和汽车后方着火,模拟分为发动机舱着火和乘客舱着火.只有闭路电视图像探测器和感烟探测器能探测到车辆下方火灾,线型光纤感温探测系统探测车辆后方火灾较快.探测系统对乘客舱火灾的响应时间比发动机舱火灾的响应时间长.以50 km/h行驶的移动车辆着火,所有探测器无响应.建议采用两种及以上技术进行探测.     

基于MK-XGBoost的多传感器融合火灾识别技术

针对单一传感器预测中的漏报、误报的缺点,本文提出了一种基于MK-XGBoost的多传感器数据融合火灾识别技术.该技术通过采集受限空间的温度、烟雾质量浓度、CO体积分数,基于Mann-Kendall检验方法生成趋势因子,该因子与上升趋势呈正相关,后续将火灾数据与趋势因子作为特征,采用XG-Boost算法判断火灾是否发生....     

基于多重迁移学习的Yolo V5初期火灾探测研究

火灾发生初期是灭火的最佳时期,故对于初期火灾的探测具有十分重要的意义.初期火灾的火焰面积较小,数据样本较少,传统的机器学习目标检测方法难以对其进行有效的训练.针对以上问题,提出图像型初期火灾探测系统,并对基于多重迁移学习训练得到的Yolo V5初期火灾探测模型进行重点研究.试验结果表明,该模型精确率达到97％,对初期火...     

基于深度学习的VGG16 图像型火灾探测方法研究

为了快速、有效地检测不同场景下的火灾信息,基于深度迁移学习设计了一种改进VGG16 的图像型火灾检测方法。搜集不同场景下的照片,使用离线数据增强技术增加样本数量,对VGG16 进行改进,并使用迁移学习的方法训练火灾识别模型。结果表明：改进的VGG16 网络对于火灾现场的图片分类识别准确率为98.7%,优于Resnet50 网络和Densenet121 网络,可快速、准确地检测到火灾信息。