[发明专利]一种基于紫外、深度神经网络的综合火焰检测方法

说明书

本发明提出了一种基于紫外、深度神经网络的综合火焰检测方法，包括火灾检测系统，包括紫外探测器、相机、控制器和报警装置；紫外探测器的数据输出端与控制器的第一数据输入端相连，控制器的触发端与相机的触发端相连，相机的数据输出端与控制器的第二数据输入端相连，控制器的报警输出端与报警装置的报警输入端相连；控制器根据紫外探测器采集的数据，判断其是否符合触发条件，若符合则控制器触发相机采集数据，控制器根据相机采集的数据判断其环境状况，并通过报警装置报警。本发明能够对火情蔓延进行判断报警。

技术领域

本发明涉及深度学习目标检测领域，尤其涉及一种基于紫外、深度神经网络的综合火焰检测方法。

背景技术

火，在社会发展的过程中一直扮演着重要的角色，但它却也是一把双刃剑。为了减少火灾对生命财产、社会经济的影响，将火灾控制在极小范围内，火灾检测技术显得极为重要。随着电子技术的发展，火灾检测装置也随之兴起，按照火灾探测的原理可以将火灾检测装置分为感烟式、感温式、感光式、图像式火灾探测器。

1、感温火灾探测器时根据环境温度变化而响应的传感器，它可以将环境中的温度信号转化为电信号。感烟式火灾探测器是根据环境空气中烟雾粒子而响应的火灾探测器，它是将探测部位烟雾浓度的变化转换为电信号的一种器件。

2、一般来说，感温式火灾探测器可靠性较感烟探测器高，且对环境要求低；但对初期火灾响应迟钝，不适宜在可能产生烟雾、粉尘的场所使用。感烟式火灾探测器能够在火灾初期及时探测到险情，但是只适用于发生火灾产生烟雾较大的场所或容易产生阴燃的场所，当在通风过快或者平时烟雾较大的环境中使用会有较大的局限性。并且传统的感温式和感烟式探测器都存在误报率高、响应时间长的特点。

3、感光式探测器一般分为紫外探测器和红外探测器，传统的感光性火焰探测器有单紫外，单红外，双红外和三红外探测器。紫外探测器响应快速，对人和高温物体不敏感，但有本底噪声存在，且易受雷电、电弧等影响，红外探测器易受高温物体、人、日光等影响，所以单紫外，单红外探测易发生误报现象。

4、图像式火灾探测器通过对相机拍摄的环境图片数据进行分析处理，判断当前环境是否存在火灾。图像处理技术对火灾检测有一些现有算法，但大多应用一些固定的场景，这使得火灾检测率的提高和误检率的降低很难同时满足。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于紫外、深度神经网络的综合火焰检测方法。

为了实现本发明的上述目的，本发明提供了一种基于紫外、深度神经网络的综合火焰检测系统，包括紫外探测器、相机、控制器和报警装置；

紫外探测器的数据输出端与控制器的第一数据输入端相连，控制器的触发端与相机的触发端相连，相机的数据输出端与控制器的第二数据输入端相连，控制器的报警输出端与报警装置的报警输入端相连；

控制器根据紫外探测器采集的数据，判断其是否符合触发条件，若符合则控制器触发相机采集数据，控制器根据相机采集的数据判断其环境状况，并通过报警装置报警。

本发明还公开了一种基于紫外、深度神经网络的综合火焰检测方法，包括如下步骤：

S1，在所需检测火焰的环境下，获取多种成像方式的图像数据，其中包括存在火焰的样本图像以及无火情的样本图像；

S2，基于Yolo_v4对火焰图像数据集进行处理并训练模型，构建用于识别火焰的深度神经网络模型；

S3，通过紫外传感器对监测环境下的火焰辐射中处于日盲区波段的紫外光谱进行实时检测，当环境中出现火焰时，控制器将触发相机对环境情况进行抓拍，获得当前环境图像数据；

S4，通过深度神经网络模型对图像数据中的火焰情况进行识别，对紫外探测器检测到可能出现的火灾进行进一步的确认，并输出火焰的面积以及火源位置，并通过前后帧火焰面积对比计算出火焰的蔓延速度；