[发明专利]一种基于深度学习的消防隐患检测机器人及检测方法

权利要求书

1.一种基于深度学习的消防隐患检测方法，采用基于深度学习的消防隐患检测机器人；

其特征在于：所述消防隐患检测机器人包括移动机器人本体（1）、控制系统（2）、红外热像仪（3）、RGB-D相机（4）、激光雷达（5）、气体传感器（6）；

所述控制系统（2）、红外热像仪（3）、RGB-D相机（4）、激光雷达（5）、气体传感器（6）均固定设置在所述移动机器人本体（1）上；所述控制系统（2）分别与所述移动机器人本体（1）、红外热像仪（3）、RGB-D相机（4）、激光雷达（5）、气体传感器（6）连接通信；

所述方法包括以下步骤：

步骤1：所述控制系统（2）控制移动机器人本体（1）在目标区域中进行自动巡查，RGB-D相机（4）实时获取目标区域的RGB图像及目标区域的深度信息；通过RGB-D相机（4）和激光雷达（5）完成定位与地图构建；

所述定位与地图构建，具体实现包括以下子步骤：

步骤1.1：使用Hector_SLAM算法，构建激光局部栅格地图；

步骤1.2：地图的更新阶段，采用Bayes估计方法，融合RGB-D相机（4）获取到的点云信息，投影形成二维的离散障碍图，构建二维的局部栅格地图；

步骤1.3：局部栅格地图融合，构建全局二维栅格地图；

步骤2：在移动机器人本体（1）巡查过程中，实时进行消防隐患检测；

步骤2的具体实现包括以下子步骤：

步骤2.1：制作消防隐患检测数据集；

在不同室内场景中采集变电室、灭火器箱、逃生门和疏散指示灯图像，并进行数据增强后将数据集分为训练集、测试集和验证集；

步骤2.2：将目标检测网络YOLOV3中的基础网络改为vgg16形式，同时在每个卷积层后面加入BN层，进行批量归一化；将不重叠最大池化层改为重叠池化层；去掉三个全连接层，加入Bottleneck层；

步骤2.3：将像素RGB图像输入进改进后的YOLOV3网络中进行训练，输出训练好的RGB图像；

步骤2.4：在不同场景下进行消防隐患检测，输出检测到的可能存在消防隐患的RGB图像和坐标；

步骤3：在移动机器人本体（1）巡查过程中，实时进行阴燃火检测；

步骤3的具体实现包括以下子步骤：

步骤3.1：利用红外热像仪（3）实时获取目标区域的热红外图像和温度；气体传感器（6）实时获取目标区域的CO、CO₂、可燃气体浓度；

步骤3.2：将组合后的RGB-D相机和红外热像仪看做一个双目相机，利用热红外棋盘将RGB图像与热红外图像中的角点像素坐标进行匹配，得到每个热像图像素坐标和RGB图像中像素坐标匹配关系，进而得到每个热像像素坐标的深度信息；

步骤3.3：结合气体传感器数据和温度数据，进行阴燃趋势判断；

步骤3.4：进行阴燃检测，输出温度、CO、CO₂、可燃气体数据，以及阴燃位置坐标；

步骤4：消防隐患分级预警；

步骤4的具体实现包括以下子步骤：

步骤4.1：消防预警系统数据处理采用三层结构：信息层、特征层和决策层，利用模糊决策的方法将消防隐患分为阴燃火灾PL、存在消防隐患PM、无异常PS三个模糊集；

步骤4.1.1：信息层负责来自传感器的物理量和化学量特征的采集，对采集信号进行一系列的预处理，将处理过的信号经A/D转换器送入特征层；

步骤4.1.2：采用BP神经网络作为特征层的处理算法；

步骤4.1.3：在决策层，通过将潜在消防隐患与火情识别结果进行融合，得到最终决策输出；

步骤4.2：将存在阴燃的情况输出为一级警报；将存在灭火器箱、逃生门、指示灯、变电室不符合消防规则以及中华人民共和国消防条例的情况，输出为二级警报；

步骤4.3：将存在消防隐患的位置坐标，温度，CO、CO2、可燃气体浓度、检测画面信息可视化显示在控制系统（2）的显示器上。

2.根据权利要求1所述的方法，其特征在于：所述气体传感器（6）包括CO气体传感器、CO2气体传感器和可燃气体传感器。

3.根据权利要求1所述的方法，其特征在于：所述红外热像仪（3）和RGB-D相机（4）位于同一垂直面。

4.根据权利要求1所述的方法，其特征在于：步骤3.2中，所述热红外棋盘由一块28cm*28cm的发热板和隔热材料组成，隔热材料裁剪成4cm*4cm方块，发热板上每隔4cm覆盖一块隔热方块，与未覆盖区域组成7*7棋盘形式。