一种火灾事故报警方法、装置和电子设备与流程

1.本发明涉及通信技术领域，特别涉及一种火灾事故报警方法、装置和电子设备。


背景技术：

2.隧道火灾安全事故识别是道路交通管理和事故应急处置的重要环节。隧道火灾作为危害性最大的道路安全事故，准确识别火情并发布预警是控制火情、缓解交通拥堵和减少伤亡损失的关键。
3.然而由于隧道环境的复杂性，难以实现火灾发生初期的准确实时检测。为此，仅基于单一或少量的传感器采集信息，无法准确及时地识别隧道中的火灾事故。交通安全管理对隧道火灾安全事故识别工作的准确性、及时性提出了更高的要求。


技术实现要素：

4.本发明实施例提供一种火灾事故报警方法、装置和电子设备，用以解决现有技术中，火灾事故识别的准确性和及时性低的问题
5.为了解决上述技术问题，本发明实施例提供如下技术方案：
6.本发明实施例提供一种火灾事故报警方法，包括：
7.获取监测传感器发送的实时火灾事故监测信息，以及获取摄像传感器发送的实时火灾事故监测视频流；
8.根据所述实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率；
9.根据所述实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率；
10.根据所述第一概率和所述第二概率，确定是否进行火灾事故报警。
11.可选地，所述实时火灾事故监测信息包括：环境温度信息、烟雾浓度信息和一氧化碳浓度信息中的至少一项。
12.可选地，所述方法还包括：
13.根据预先确定的支持向量机的核函数、决策分类函数以及历史火灾事故监测信息，建立所述第一火灾识别模型。
14.可选地，所述核函数为径向基核函数。
15.可选地，根据所述实时火灾事故监测视频流以及预先建立的第二火灾识别模型，确定火灾事故的第二概率，包括：
16.根据所述实时灾事故监测视频流，获取实时火焰表观特征；所述实时火焰表观特征包括：火焰颜色、火焰圆形度、火焰尖角和火焰区域变化率中的至少一项；
17.根据所述实时火焰表观特征以及所述第二火灾识别模型，确定火灾事故的所述第二概率。
18.可选地，所述方法还包括：
19.根据历史灾事故监测视频流中的历史火焰表观特征以及预先确定的神经网络模型，建立所述第二火灾识别模型。
20.可选地，所述预先确定的神经网络模型为反向传播bp神经网络模型。
21.可选地，根据所述第一概率和所述第二概率，确定是否进行火灾事故报警，包括：
22.根据预先确定的合成规则，对所述第一概率和所述第二概率进行耦合，确定火灾事故融合概率；
23.根据所述火灾事故融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警。
24.可选地，所述火灾事故融合概率包括：火灾事故安全概率和/或火灾事故报警概率；
25.根据所述火灾融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警，包括：
26.在所述火灾事故安全概率小于所述预设阈值，和/或，所述火灾事故报警概率大于所述预设阈值的情况下，确定进行火灾事故报警；
27.在所述火灾事故安全概率大于所述预设阈值，和/或，所述火灾事故报警概率小于所述预设阈值的情况下，确定不进行火灾事故报警。
28.本发明实施例还提供一种火灾事故报警装置，包括：
29.获取模块，用于获取监测传感器发送的实时火灾事故监测信息，以及获取摄像传感器发送的实时火灾事故监测视频流；
30.第一确定模块，用于根据所述实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率；
31.第二确定模块，用于根据所述实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率；
32.第三确定模块，用于根据所述第一概率和所述第二概率，确定是否进行火灾事故报警。
33.可选地，所述实时火灾事故监测信息包括：环境温度信息、烟雾浓度信息和一氧化碳浓度信息中的至少一项。
34.可选地，所述装置还包括：
35.第一模型建立模块，用于根据预先确定的支持向量机的核函数、决策分类函数以及历史火灾事故监测信息，建立所述第一火灾识别模型。
36.可选地，所述核函数为径向基核函数。
37.可选地，所述第二确定模块，包括：
38.获取单元，用于根据所述实时灾事故监测视频流，获取实时火焰表观特征；所述实时火焰表观特征包括：火焰颜色、火焰圆形度、火焰尖角和火焰区域变化率中的至少一项；
39.第一确定单元，用于根据所述实时火焰表观特征以及所述第二火灾识别模型，确定火灾事故的所述第二概率。
40.可选地，所述装置还包括：
41.第二模型建立模块，用于根据历史灾事故监测视频流中的历史火焰表观特征以及预先确定的神经网络模型，建立所述第二火灾识别模型。
42.可选地，所述预先确定的神经网络模型为反向传播bp神经网络模型。
43.可选地，所述第三确定模块，包括：
44.第二确定单元，用于根据预先确定的合成规则，对所述第一概率和所述第二概率进行耦合，确定火灾事故融合概率；
45.第三确定单元，用于根据所述火灾事故融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警。
46.可选地，所述火灾事故融合概率包括：火灾事故安全概率和/或火灾事故报警概率；
47.所述第三确定单元，具体用于：
48.在所述火灾事故安全概率小于所述预设阈值，和/或，所述火灾事故报警概率大于所述预设阈值的情况下，确定进行火灾事故报警；
49.在所述火灾事故安全概率大于所述预设阈值，和/或，所述火灾事故报警概率小于所述预设阈值的情况下，确定不进行火灾事故报警。
50.本发明实施例还提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上任一项所述的火灾事故报警方法的步骤。
51.本发明实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上任一项所述的火灾事故报警方法中的步骤。
52.本发明的有益效果是：
53.本发明方案，通过监测传感器和摄像传感器两种类型的传感器分别获取实时火灾事故检测信息和实时火灾事故监测视频流，并根据实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率，以及根据实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率，基于第一概率和第二概率，完成火灾事故的识别，确定是否进行报警，可以提高火灾事故识别的准确性和及时性。
附图说明
54.图1表示本发明实施例提供的火灾事故报警方法的流程图之一；
55.图2表示本发明实施例提供的火灾事故报警方法的流程图之二；
56.图3表示本发明实施例提供的火灾事故报警装置的结构示意图；
57.图4表示本发明实施例提供的电子设备的结构示意图。
具体实施方式
58.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
59.本发明针对现有技术中，火灾事故识别准确性、及时性低的问题，提供一种火灾事故报警方法、装置和电子设备。
60.如图1所示，本发明实施例提供一种火灾事故报警方法，包括：
61.步骤101：获取监测传感器发送的实时火灾事故监测信息，以及获取摄像传感器发送的实时火灾事故监测视频流。
62.需要说明的是，本发明实施例提供的火灾事故报警方法可以应用的场景包括：隧道场景、仓库场景、车库场景等较为封闭的场景，也可以用于场地开阔的场景下。在本发明实施例中，以该火灾事故报警方法应用于隧道场景为例进行说明。
63.在进行火灾事故报警之前，需要通过火灾事故识别信息对火灾事故进行识别。
64.目前，隧道场景的火灾事故识别信息的获取一般分为两类，包括基于监测传感器获得的火灾事故监测信息，以及基于摄像传感器获得的火灾事故监测视频流，在隧道内，已经基本实现监测传感器和摄像传感器(摄像头)的全面覆盖，为实时火灾事故监测信息和实时火灾事故监测视频流的获取提供了支持。通过融合不同类型的传感器获取的火灾事故识别信息，可以提高火灾事故的识别率。
65.由于火灾事故发生时，隧道内的温度迅速升高，同时释放大量的浓烟以及一氧化碳气体，因此，基于监测传感器获得的火灾事故监测信息主要是利用隧道内的固定式的监测传感器，采集隧道内多路段、多时段的火灾事故监测信息，火灾事故监测信息主要包括：环境温度信息、烟雾浓度信息和一氧化碳浓度信息。在获取火灾事故监测信息之后，根据拉依达准则进行滤波，以排除由于环境变化所产生的误差。
66.还需要说明的是，所使用的固定式监测传感器，连续布设在隧道内壁及上方，尽可能保持全范围地采集隧道内全路段的火灾事故监测信息。
67.在获取火灾事故监测信息之后，对获取的火灾事故监测信息的数据进行处理，假设火灾事故监测信息的数据中只包含随机误差，对得到的一组数据进行计算得到标准偏差，按照一定的概率确定一个区间，认为凡是超过这个区间的误差就不属于随机误差而是属于粗大误差，含有该粗大误差的数据全部予以剔除。
68.利用隧道内固定式的摄像传感器，采集隧道内的多路段、多时段的火灾事故监测视频流，采用伽马变换对采集的火灾事故监测视频流进行预处理以修正设备过曝或者曝光不足的情况。
69.采用伽马变换将漂白(过曝)的火灾事故监测视频流的图片或者过暗(曝光不足)的图片予以修正。gamma值小于1时，会拉伸图像中灰度级较低的区域，同时会压缩灰度级较高的部分；gamma值大于1时，会拉伸图像中灰度级较高的区域，同时会压缩灰度级较低的部分。
70.固定式的摄像传感器，连续布设在隧道内壁上，尽可能保持全范围的采集隧道内全路段的火灾事故监测视频流。
71.步骤102：根据所述实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率。
72.在本发明实施例中，将实时火灾事故监测信息输入建立的第一火灾识别模型中，得到火灾事故的第一概率，也就是得出了根据火灾事故监测信息预测的火灾事故的第一概率。
73.步骤103：根据所述实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率。
74.在本发明实施例中，将实时火灾事故监测视频流输入建立的第二火灾识别模型，得到火灾事故的第二概率，也就是得出了根据火灾事故监测视频流预测的火灾事故的第二概率。
75.步骤104：根据所述第一概率和所述第二概率，确定是否进行火灾事故报警。
76.在本发明实施例中，将火灾事故的第一概率和第二概率进行耦合，得到耦合后的火灾事故的目标概率，并根据目标概率，确定报警状态，也就是确定是否进行报警，可以提高火灾事故报警的准确性。
77.本发明方案，通过监测传感器和摄像传感器两种类型的传感器分别获取实时火灾事故检测信息和实时火灾事故监测视频流，并根据实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率，以及根据实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率，基于第一概率和第二概率，完成火灾事故的识别，确定是否进行报警，可以提高火灾事故识别的准确性和及时性。
78.可选地，所述实时火灾事故监测信息包括：环境温度信息、烟雾浓度信息和一氧化碳浓度信息中的至少一项。
79.在本发明实施例中，由于火灾事故发生时，隧道内的温度迅速升高，同时会释放大量的浓烟以及一氧化碳气体，综合考虑，将环境温度信息、烟雾浓度信息和一氧化碳浓度信息进行融合来识别火灾事故。
80.可选地，所述方法还包括：
81.根据预先确定的支持向量机的核函数、决策分类函数以及历史火灾事故监测信息，建立所述第一火灾识别模型。
82.可选地，所述核函数为径向基核函数。
83.需要说明的是，利用机器学习分类器来识别火灾事故发生的可能性，是减少误报率、漏报率和提高预警准确率的重要智能化手段。因此，在本发明实施例中，利用机器学习训练第一火灾识别模型。
84.支持向量机(support vector machines，svm)具备支持小样本数据的分类学习的能力，其工作原理如下：svm是一种二值分类模型。它的基本模型是在特征空间中定义最大间隔的线性分类器，这使得它不同于感知器；支持向量机还包括核技术，这使得它本质上是一个非线性分类器。支持向量机的学习策略是区间最大化，它可以形式化为凸二次规划问题。
85.火灾事故监测参量属于输入空间非线性分类问题，通过非线性变换将其转化为一定维度特征空间的线性分类问题，在高维特征空间学习线性支持向量机。非线性支持向量机表达式如下：
[0086][0087]
其中，xi是第i个样本的输入，yi是第i个样本的期望输出，n为样本个数，为拉格朗日乘子，b
*
为偏置量，k(x,xi)为核函数。需要说明的是，样本为历史火灾事故监测信息中的环境温度信息、烟雾浓度信息、一氧化碳浓度信息。
[0088]
及b
*
对于非线性不可分的情况，可以转化为凸二次规划问题：
[0089][0090][0091]
其中，xi是第i个样本的输入，xj是第j个样本的输入，k(xi,xj)为核函数，yi是第i个样本的期望输出，yj是第j个样本的期望输出，n为样本个数，αi和αj分别为拉格朗日乘子的分量，c为错分样本的惩罚因子。
[0092]
得到最优解其中，c》0，作为错分样本的惩罚因子，选择α
*
的一个分量满足条件计算b
*
的值：
[0093][0094]
在线性支持向量机学习的对偶问题中，目标函数和分类决策函数只涉及实例间的内积，因此不需要明确地指定非线性变换，而是用核函数代替内积，核函数表示非线性变换后两个实例之间的内积。较为常用的是径向基核函数，其在大部分数据库上性能表现良好，表达式如下：
[0095][0096]
其中，xi是第i个样本的输入，σ是调控参数。
[0097]
因此，分类决策函数为：
[0098][0099]
最后，将f(x)与sigmoid函数结合，则svm输出概率，也就是第一火灾识别模型为：
[0100][0101][0102]
需要说明的是，参数a，b通过最大似然的方法求解，为防止过拟合，求解a，b参数的样本数据应独立于训练分类的样本。
[0103]
也就是，利用svm识别火灾事故，具体步骤为：
[0104]
(1)准备训练样本：将环境温度信息、烟雾浓度信息、一氧化碳浓度信息作为svm的输入特征；其中，环境温度信息、烟雾浓度信息、一氧化碳浓度信息为实时火灾事故监测信息中的信息；
[0105]
(2)确定svm的核函数：本发明实施例中，采用常见的性能表现良好的径向基核函数进行运算；
[0106]
(3)建立分类决策函数：转化为凸二次规划的问题并求解，确定支持向量机以进行分类；
[0107]
(4)利用决策分类函数进行火灾事故识别：将准备的训练样本作为svm的输入向量，从而得到预测结果，也就是火灾事故的第一概率。
[0108]
可选地，根据所述实时火灾事故监测视频流以及预先建立的第二火灾识别模型，确定火灾事故的第二概率，包括：
[0109]
根据所述实时灾事故监测视频流，获取实时火焰表观特征；所述实时火焰表观特征包括：火焰颜色、火焰圆形度、火焰尖角和火焰区域变化率中的至少一项；
[0110]
根据所述实时火焰表观特征以及所述第二火灾识别模型，确定火灾事故的所述第二概率。
[0111]
在本发明实施例中，基于摄像传感器采集火灾事故监测视频流或火灾事故监测视频流中的图像信息，首先需要分析火焰特性并提取出多种火焰的表观特征，采用人工智能的方法对火灾事故监测视频流或者火灾事故监测视频流中的图像信息进行火灾识别的前提是火焰表观特征的提取，有效选择火焰特征是识别火灾事故的基础，在获取实时火焰表观特征后，将实时火焰表观特征输入第二火灾识别模型，得到火灾事故的第二概率。
[0112]
在本发明实施例中，选择的火焰表观特征包括以下至少其中一项：火焰颜色、火焰圆形度、火焰尖角和火焰区域变化率。
[0113]
其中，关于火焰颜色：火焰区域图像色调呈红色或者黄色，对应色调(hue)、饱和度(saturation)、亮度(intensity)数字图像模型(hsi)颜色空间中数值范围是0-60，选取火焰颜色特征一阶矩阵作为第二火灾识别模型的其中一种特征，公式如下：
[0114][0115]
其中，n代表一幅图像的面积，h(pi)代表hsi空间中该幅图像的第i个像素点的分量-色度，mi为火焰颜色特征。
[0116]
关于火焰圆形度：在火灾初期，摄像传感器所拍摄的火焰图像及其形状呈现无规则性，而其他与火焰易产生混淆的发光物体则较为规则。圆形度可作为物体表征复杂程度的指标，公式如下：
[0117][0118]
其中，c表示火焰圆形度,(c∈[0,1])，s表示成像火焰的面积，l表示成像火焰的周长。根据火焰圆形度的定义，若成像区域c值较小趋近于0，则视为火焰，反之则视为混淆发光体。
[0119]
关于火焰尖角：火灾发生时一个较为明显的现象就是火焰边缘的抖动，届时会出现多个火焰尖角，而其他易与火灾产生混淆的发光体在图像上所呈现的尖角形状较为规则，且火焰尖角数目不会产生变化。尖角的寻找方法即确定其高度和宽度是否满足尖角特性，遍历火焰边界像素，若在某一像素点高度大于若干邻域内其他像素点的高度，则将该像
素点视为候选尖角，然后在候选尖角中根据宽度阈值来确认真实火焰尖角。
[0120]
关于火焰区域变化率：火灾发生时一个较为明显的现象就是火焰区域跳动明显，具体在视频上表现为连续帧火焰面积不断增加，而易与火焰产生混淆的发光物体在视频上连续帧火焰面积无明显变化，因此将该特征作为识别火灾的判据之一。
[0121]
可选地，所述方法还包括：
[0122]
根据历史灾事故监测视频流中的历史火焰表观特征以及预先确定的神经网络模型，建立所述第二火灾识别模型。
[0123]
可选地，所述预先确定的神经网络模型为反向传播bp神经网络模型。
[0124]
在本发明实施例中，历史火焰表观特征为火焰颜色、火焰圆形度、火焰尖角和火焰区域变化率，将这四种特征作为反向传播(back propagation，bp)神经网络的输入量，bp神经网络的神经网络亦称为反向传播算法，具备良好的非线性映射能力，可将输入的火焰特征进行复杂的模式分类后映射到对应的隧道火灾事故概率。bp神经网络的核心是一个误差修正模型，每次根据训练得到的结果与预想结果进行误差分析，进而不断地修改权值和阈值，一步一步得到能输出和预想结果一致的隧道火灾识别模型。
[0125]
在多层bp神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数(又称激励函数)，在此默认为sigmoid函数f1(x)，表达式如下：
[0126][0127]
其中，隐藏层到输出层之间的神经元采用线性传递函数f2(x)。则网络输出表示为：
[0128]
oi＝f2[∑t
ij
·
f1(∑w
ij
·
x
j-b1)-b2]
[0129]
其中，xj表示bp神经网络的四种火焰特征输入量，w
ij
表示输入层与隐藏层之间的权值，t
ij
表示隐藏层与输出层之间的权值，b1和b2分别表示截距项，oi表示输出项。
[0130]
设t表示样本期望，则总误差e计算为：
[0131][0132]
根据总误差e更新输入层与隐藏层之间的权值w
ij
以及隐藏层与输出层之间的权值t
ij
。依次不断迭代，层层反馈，最终停止条件即总误差e小于设定阈值，通过不断学习得到bp神经网络火灾事故识别模型，也就是第二火灾识别模型。
[0133]
最后通过softmax层将神经网络输出变成一个概率分布如下：
[0134][0135]
也就是，建立第二火灾识别模型的步骤为：
[0136]
(1)采用人工智能方法对火灾事故检测视频流或者事故检测视频流中的图像信息进行火焰表观特征的提取，有效选择火焰表观特征是神经网络识别火灾事故的基础；
[0137]
(2)在(0，1)范围内随机初始化网络中所有连接权和阈值；
[0138]
(3)根据当前参数计算当前样本的输出；
[0139]
(4)计算输出层神经元的梯度项；
[0140]
(5)计算隐藏层神经元的梯度项；
[0141]
(6)更新连接权与阈值；
[0142]
(7)不断迭代上述的步骤(3)-(6)，达到停止条件后，确定bp神经网络火灾事故模型，也就是第二火灾识别模型。
[0143]
可选地，根据所述第一概率和所述第二概率，确定是否进行火灾事故报警，包括：
[0144]
根据预先确定的合成规则，对所述第一概率和所述第二概率进行耦合，确定火灾事故融合概率；
[0145]
根据所述火灾事故融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警。
[0146]
在本发明实施例中，采用概率耦合的方式对隧道火灾事故进行识别，其优势在于不同类型传感器间信息地互补后准确预测。不同来源的数据进行火灾检测时，呈现为不同的感应程度，计算以上事件的融合概率，也就是根据第一概率和第二概率，对第一概率和第二概率进行耦合，确定火灾事故融合概率，根据火灾事故融合概率以及根据实际情况设定的预设阈值，判断出火灾事故融合概率与预设阈值之间的关系，进而确定是否进行火灾事故报警，可以更全面地描述隧道环境，反映隧道的安全状态，为辅助最终决策的实施提供重要依据。
[0147]
可选地，所述火灾事故融合概率包括：火灾事故安全概率和/或火灾事故报警概率；
[0148]
根据所述火灾融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警，包括：
[0149]
在所述火灾事故安全概率小于所述预设阈值，和/或，所述火灾事故报警概率大于所述预设阈值的情况下，确定进行火灾事故报警；
[0150]
在所述火灾事故安全概率大于所述预设阈值，和/或，所述火灾事故报警概率小于所述预设阈值的情况下，确定不进行火灾事故报警。
[0151]
本发明实施例采用d-s证据理论构建隧道火灾事件判别器。d-s证据理论的核心是在一个假设空间内，通过对某些证据进行合成以实现信息融合，推理出有用的事实。该理论首先假设了一个识别结果集合：
[0152]
θ＝{θ1,θ2,
…
θn}
[0153]
其中，θ为识别结果集合，θ1,θ2,
…
θn为识别结果分量。
[0154]
因此，在隧道火灾事故安全事故识别系统中，判别器主要存在以下两种识别结果：
[0155]
θ＝{安全,报警}
[0156]
然后，需要根据基本概率分配函数和dempster合成规则计算发生隧道火灾事故的融合概率。基本概率分配函数(basic probability assignment,bpa)，其定义如下：对于识别结果集合θ，那么2
θ
即表示为子集，在θ上的bpa是一个2
θ
→
[0,1]的函数m，称之为mass函数，它满足：
[0157]
[0158]
其中，a代表2
θ
的子集。
[0159]
dempster合成规则定义为：对于再假设空间上的两个mass函数m1(
·
)和m2(
·
)的合成规则为：
[0160][0161]
其中，b、c分别代表2
θ
的子集。k是一个归一化系数，其计算公式为：
[0162][0163]
推广到n个mass函数的合成如下：
[0164][0165]
其中：
[0166][0167][0168]
通过实时火灾事故监测信息和建立的第一火灾识别模型，得到监测传感器识别火灾事件的概率(p1)，也就是火灾事故的第一概率；通过实时火灾事故监测视频流和建立的第二火灾识别模型，得到摄像传感器识别火灾事件的概率(p2)，也就是火灾事故的第二概率。p1、p2分别为监测传感器和摄像传感器提供的证据，即mass函数值。根据dempster合成规则，需要计算以下两个值，分别为火灾事故安全概率和/或火灾事故报警概率：火灾事故报警概率：
[0169]
计算结果如下：
[0170][0171][0172][0173]
最后，根据实际情况设定阈值，判断计算出的火灾事故融合概率与阈值之间的关系，已确定火灾事故报警状态。
[0174]
下面结合图2具体说明本发明实施例的火灾事故报警方法的流程。
[0175]
采集基于监测传感器的火灾事故监测信息：烟雾浓度、环境温度、co浓度；采集基于摄像传感器的火灾事故视频流；对所采集的火灾事故监测信息进行机器学习分类器学习；输出火灾事故监测信息所对应的隧道火灾事故预测概率(第一概率)；对所采集的火灾事故视频流进行神经网络学习；输出火灾事故视频流所对应的隧道火灾事故预测概率(第二概率)；对第一概率和第二概率进行概率耦合，根据火灾事故融合概率预测隧道火灾安全事故报警状态。
[0176]
本发明实施例，分别选择监测传感器和摄像传感器所采集的火灾事故监测信息和火灾事故监测视频流，针对这两类传感器的各自特点，采取不同的数据处理方式，分别构建火灾识别模型，达到实现火灾事故不同维度的预测分析的效果。
[0177]
本发明实施例，将监测传感器与摄像传感器采集的火灾事故监测信息和火灾事故监测视频流分别输入建立的火灾识别模型进行概率预测，将得到的两个概率进行深度融合，得到火灾事故融合概率，根据火灾事故融合概率，确定是否进行火灾事故报警，可以提高火灾事故预警的准确性，达到提升感知和预测的准确程度，减少真实隧道场景中漏报、误报等问题。
[0178]
如图3所示，本发明实施例还提供一种火灾事故报警装置，包括：
[0179]
获取模块301，用于获取监测传感器发送的实时火灾事故监测信息，以及获取摄像传感器发送的实时火灾事故监测视频流；
[0180]
第一确定模块302，用于根据所述实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率；
[0181]
第二确定模块303，用于根据所述实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率；
[0182]
第三确定模块304，用于根据所述第一概率和所述第二概率，确定是否进行火灾事故报警。
[0183]
本发明实施例提供的装置，通过监测传感器和摄像传感器两种类型的传感器分别获取实时火灾事故检测信息和实时火灾事故监测视频流，并根据实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率，以及根据实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率，基于第一概率和第二概率，完成火灾事故的识别，确定是否进行报警，可以提高火灾事故识别的准确性和及时性。
[0184]
可选地，所述实时火灾事故监测信息包括：环境温度信息、烟雾浓度信息和一氧化碳浓度信息中的至少一项。
[0185]
可选地，所述装置还包括：
[0186]
第一模型建立模块，用于根据预先确定的支持向量机的核函数、决策分类函数以及历史火灾事故监测信息，建立所述第一火灾识别模型。
[0187]
可选地，所述核函数为径向基核函数。
[0188]
可选地，所述第二确定模块303，包括：
[0189]
获取单元，用于根据所述实时灾事故监测视频流，获取实时火焰表观特征；所述实时火焰表观特征包括：火焰颜色、火焰圆形度、火焰尖角和火焰区域变化率中的至少一项；
[0190]
第一确定单元，用于根据所述实时火焰表观特征以及所述第二火灾识别模型，确定火灾事故的所述第二概率。
[0191]
可选地，所述装置还包括：
[0192]
第二模型建立模块，用于根据历史灾事故监测视频流中的历史火焰表观特征以及预先确定的神经网络模型，建立所述第二火灾识别模型。
[0193]
可选地，所述预先确定的神经网络模型为反向传播bp神经网络模型。
[0194]
可选地，所述第三确定模块304，包括：
[0195]
第二确定单元，用于根据预先确定的合成规则，对所述第一概率和所述第二概率进行耦合，确定火灾事故融合概率；
[0196]
第三确定单元，用于根据所述火灾事故融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警。
[0197]
可选地，所述火灾事故融合概率包括：火灾事故安全概率和/或火灾事故报警概率；
[0198]
所述第三确定单元，具体用于：
[0199]
在所述火灾事故安全概率小于所述预设阈值，和/或，所述火灾事故报警概率大于所述预设阈值的情况下，确定进行火灾事故报警；
[0200]
在所述火灾事故安全概率大于所述预设阈值，和/或，所述火灾事故报警概率小于所述预设阈值的情况下，确定不进行火灾事故报警。
[0201]
如图4所示，本发明实施例还提供一种电子设备，包括：处理器400；以及通过总线接口与所述处理器400相连接的存储器410，所述存储器410用于存储所述处理器400在执行操作时所使用的程序和数据，处理器400调用并执行所述存储器410中所存储的程序和数据。
[0202]
其中，所述电子设备还包括收发机420，收发机420与总线接口连接，用于在处理器400的控制下接收和发送数据；具体地，处理器400调用并执行所述存储器410中所存储的程序和数据，所述处理器400执行下列过程：
[0203]
获取监测传感器发送的实时火灾事故监测信息，以及获取摄像传感器发送的实时火灾事故监测视频流；
[0204]
根据所述实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率；
[0205]
根据所述实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率；
[0206]
根据所述第一概率和所述第二概率，确定是否进行火灾事故报警。
[0207]
可选地，所述实时火灾事故监测信息包括：环境温度信息、烟雾浓度信息和一氧化碳浓度信息中的至少一项。
[0208]
可选地，所述处理器400，还用于：
[0209]
根据预先确定的支持向量机的核函数、决策分类函数以及历史火灾事故监测信息，建立所述第一火灾识别模型。
[0210]
可选地，所述核函数为径向基核函数。
[0211]
可选地，所述处理器400，具体用于：
[0212]
根据所述实时灾事故监测视频流，获取实时火焰表观特征；所述实时火焰表观特征包括：火焰颜色、火焰圆形度、火焰尖角和火焰区域变化率中的至少一项；
[0213]
根据所述实时火焰表观特征以及所述第二火灾识别模型，确定火灾事故的所述第二概率。
[0214]
可选地，所述处理器400，还用于：
[0215]
根据历史灾事故监测视频流中的历史火焰表观特征以及预先确定的神经网络模型，建立所述第二火灾识别模型。
[0216]
可选地，所述预先确定的神经网络模型为反向传播bp神经网络模型。
[0217]
可选地，所述处理器400，具体用于：
[0218]
根据预先确定的合成规则，对所述第一概率和所述第二概率进行耦合，确定火灾事故融合概率；
[0219]
根据所述火灾事故融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警。
[0220]
可选地，所述火灾事故融合概率包括：火灾事故安全概率和/或火灾事故报警概率；
[0221]
所述处理器400，具体用于：
[0222]
在所述火灾事故安全概率小于所述预设阈值，和/或，所述火灾事故报警概率大于所述预设阈值的情况下，确定进行火灾事故报警；
[0223]
在所述火灾事故安全概率大于所述预设阈值，和/或，所述火灾事故报警概率小于所述预设阈值的情况下，确定不进行火灾事故报警。
[0224]
其中，在图4中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器400代表的一个或多个处理器和存储器410代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供用户接口430。收发机420可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器400负责管理总线架构和通常的处理，存储器410可以存储处理器400在执行操作时所使用的数据。
[0225]
另外，本发明具体实施例还提供一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上中任一项所述的火灾事故报警方法中的步骤。
[0226]
在本技术所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0227]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0228]
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的
部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0229]
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

技术特征：
1.一种火灾事故报警方法，其特征在于，包括：获取监测传感器发送的实时火灾事故监测信息，以及获取摄像传感器发送的实时火灾事故监测视频流；根据所述实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率；根据所述实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率；根据所述第一概率和所述第二概率，确定是否进行火灾事故报警。2.根据权利要求1所述的火灾事故报警方法，其特征在于，所述实时火灾事故监测信息包括：环境温度信息、烟雾浓度信息和一氧化碳浓度信息中的至少一项。3.根据权利要求1所述的火灾事故报警方法，其特征在于，所述方法还包括：根据预先确定的支持向量机的核函数、决策分类函数以及历史火灾事故监测信息，建立所述第一火灾识别模型。4.根据权利要求3所述的火灾事故报警方法，其特征在于，所述核函数为径向基核函数。5.根据权利要求1所述的火灾事故报警方法，其特征在于，根据所述实时火灾事故监测视频流以及预先建立的第二火灾识别模型，确定火灾事故的第二概率，包括：根据所述实时灾事故监测视频流，获取实时火焰表观特征；所述实时火焰表观特征包括：火焰颜色、火焰圆形度、火焰尖角和火焰区域变化率中的至少一项；根据所述实时火焰表观特征以及所述第二火灾识别模型，确定火灾事故的所述第二概率。6.根据权利要求1所述的火灾事故报警方法，其特征在于，所述方法还包括：根据历史灾事故监测视频流中的历史火焰表观特征以及预先确定的神经网络模型，建立所述第二火灾识别模型。7.根据权利要求6所述的火灾事故报警方法，其特征在于，所述预先确定的神经网络模型为反向传播bp神经网络模型。8.根据权利要求1所述的火灾事故报警方法，其特征在于，根据所述第一概率和所述第二概率，确定是否进行火灾事故报警，包括：根据预先确定的合成规则，对所述第一概率和所述第二概率进行耦合，确定火灾事故融合概率；根据所述火灾事故融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警。9.根据权利要求8所述的火灾事故报警方法，其特征在于，所述火灾事故融合概率包括：火灾事故安全概率和/或火灾事故报警概率；根据所述火灾融合概率和预设阈值之间的比较关系，确定是否进行火灾事故报警，包括：在所述火灾事故安全概率小于所述预设阈值，和/或，所述火灾事故报警概率大于所述预设阈值的情况下，确定进行火灾事故报警；在所述火灾事故安全概率大于所述预设阈值，和/或，所述火灾事故报警概率小于所述
预设阈值的情况下，确定不进行火灾事故报警。10.一种火灾事故报警装置，其特征在于，包括：获取模块，用于获取监测传感器发送的实时火灾事故监测信息，以及获取摄像传感器发送的实时火灾事故监测视频流；第一确定模块，用于根据所述实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率；第二确定模块，用于根据所述实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率；第三确定模块，用于根据所述第一概率和所述第二概率，确定是否进行火灾事故报警。11.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至9中任一项所述的火灾事故报警方法的步骤。12.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至9中任一项所述的火灾事故报警方法中的步骤。

技术总结
本发明提供了一种火灾事故报警方法、装置和电子设备，应用于通信技术领域，所述火灾事故报警方法包括：获取监测传感器发送的实时火灾事故监测信息，以及获取摄像传感器发送的实时火灾事故监测视频流；根据所述实时火灾事故监测信息以及建立的第一火灾识别模型，确定火灾事故的第一概率；根据所述实时火灾事故监测视频流以及建立的第二火灾识别模型，确定火灾事故的第二概率；根据所述第一概率和所述第二概率，确定是否进行火灾事故报警。本发明方案，可以提高火灾事故识别的准确性和及时性。可以提高火灾事故识别的准确性和及时性。可以提高火灾事故识别的准确性和及时性。


技术研发人员：敖星冉 纪雅琪 王健
受保护的技术使用者：中移智行网络科技有限公司 中国移动通信集团有限公司
技术研发日：2021.11.16
技术公布日：2023/5/18