基于物联网分布式架构的火焰实时监控系统及方法.pdf

《基于物联网分布式架构的火焰实时监控系统及方法.pdf》由会员分享，可在线阅读，更多相关《基于物联网分布式架构的火焰实时监控系统及方法.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910916335.0 (22)申请日 2019.09.26 (71)申请人 华南师范大学 地址 510631 广东省广州市中山大道西55 号 (72)发明人 熊爱民李方武张力文方宇擎 黄鹏嘉肖捷罗宁 (74)专利代理机构 北京国昊天诚知识产权代理 有限公司 11315 代理人 南霆 (51)Int.Cl. G08B 17/12(2006.01) H04N 7/18(2006.01) (54)发明名称 一种基于物联网分布式架构的火焰实时监 控系统及方法 (57)摘要 本发明。

2、公开了一种基于物联网分布式架构 的火焰实时监控系统及方法， 属于消防物联网、 人工智能算法研究应用技术领域， 一种基于物联 网分布式架构的火焰实时监控系统及方法， 包括 多个内网子系统、 数据处理中心和客户端， 可以 实现当前监控环境火焰目标智能识别， 在火灾发 生初期就能自动警报的效果， 火灾发生情况可视 化， 当检测到火灾产生时可立即产生文字信息和 声光信息的报警信号， 同时将火灾报警信息和火 灾现场图片上传到云服务器， 云服务器会向用户 手机终端推送该报警信息， 手机终端接收到报警 推送信息后会以振铃形式提醒用户。 深度学习算 法实现了早期火灾报警处理， 提高了火灾报警的 可靠性实时性，。

3、 云技术远程通信降低了消防管理 成本。 权利要求书2页 说明书7页 附图2页 CN 110853287 A 2020.02.28 CN 110853287 A 1.一种基于物联网分布式架构的火焰实时监控系统， 其特征在于： 包括多个内网子系 统、 数据处理中心和客户端， 多个所述内网子系统与所述数据处理中心之间通过分布式架 构连接， 多个所述内网子系统之间并联设置， 每个所述内网子系统均可独立完成基于监控 系统的火灾智能检测。 2.根据权利要求1所述的一种基于物联网分布式架构的火焰实时监控系统， 其特征在 于： 每个所述内网子系统均包括监控摄像头、 交换机、 算法盒子、 应用服务器、 显示屏和。

4、声光 报警器， 所述监控摄像头均通过网线与所述交换机的输入端连接， 所述交换机的输出端与 所述算法盒子的输入端连接， 所述算法盒子的输出端与所述应用服务器的输入端连接， 所 述应用服务器的输出端与所述显示屏、 所述声光报警器的信号接收端。 3.根据权利要求2所述的一种基于物联网分布式架构的火焰实时监控系统， 其特征在 于： 所述监控摄像头用于采集区域内的视频； 所述交换机用于对所述监控摄像头采集到的视频进行处理； 所述算法盒子使用arm构架芯片作为硬件平台， 通过IP地址获取相应的所述监控摄像 头采集到的实时视频流， 作为所述算法盒子分析的输入信号， 对视频帧中进行火灾目标检 测， 智能判断当。

5、前监控画面中是否存在火情， 并且与应用服务器相连， 将分析的结果传输到 应用服务器； 所述应用服务器接收到所述算法盒子分析的结果， 并且对分析结果进行可视化转换； 所述显示屏用于显示所述监控摄像头采集到的实时视频； 所述声光报警器用于算法盒子分析出异常的火情信息时进行声光报警。 4.根据权利要求1所述的一种基于物联网分布式架构的火焰实时监控系统， 其特征在 于： 所述数据处理中心用于管理所有内网子系统， 包括所有所述内网子系统中的设备以及 分析结果； 每个所述内网子系统， 通过所述应用服务器与数据处理中心进行通讯连接， 定时 将设备管理信息以及分析结果同步到数据处理中心； 数据处理中心接收到所。

6、有内网子系统 同步过来的数据， 然后进行数据库持久化以及数据分析， 将分析的结果面向web、 pc以及客 户端进行推送。 5.根据权利要求1所述的一种基于物联网分布式架构的火焰实时监控系统， 其特征在 于： 所述客户端包括移动设备和显示终端设备， 用于接收数据处理中心分析得到的结果， 并 对用户进行远程报警。 6.一种基于物联网分布式架构的火焰实时监控方法， 其特征在于： 包括以下步骤： S1、 监控摄像头采集视频并经过交换机进行处理； S2、 算法盒子利用火灾目标检测算法对进行计算分析， 确定区域内有无火灾， 如有火 灾， 声光报警器进行声光报警， 并将分析结果传输到应用服务器； S3、 应。

7、用服务器对分析结果进行可视化转换， 在显示屏上进行实时显示， 并将分析结果 传输至数据处理中心； S4、 数据处理中心接收到内网子系统传输的数据， 进行数据库持久化以及数据分析， 并 将分析结果推送至客户端。 7.根据权利要求6所述的一种基于物联网分布式架构的火焰实时监控方法， 其特征在 于： 权利要求书 1/2 页 2 CN 110853287 A 2 所述S2中， 火灾目标检测算法具体包括以下步骤： S21、 火灾静态特征判断得到疑似火灾区域M； S22、 火灾动态特征识别计算得到火灾区域A 和火灾区域B ； S23、 采用IOU算法计算得到符合火灾颜色特征的火灾目标区域N。 8.根据权利。

8、要求6所述的一种基于物联网分布式架构的火焰实时监控方法， 其特征在 于： 所述S21中， 火灾静态特征判断具体过程为： 火焰区域像素点(x,y)在YCbCr颜色空间中 满足下式的约束关系： 将待检测的视频帧颜色模型由RGB转化为YCbCr， 遍历每一个像素点， 如果像素点的取 值满足上述数学模型约束关系， 则该像素点被判别为疑似火灾像素点， 得到符合火灾颜色 特征的疑似火灾区域， 疑似火灾区域M和真火灾区域N的关系可表达为： 9.根据权利要求6所述的一种基于物联网分布式架构的火焰实时监控方法， 其特征在 于： 所述S22中， 火灾动态特征识别计算包括大目标检测算法以及小目标检测算法， 大目标 。

9、检测算法由深度学习模型A得到， 小目标检测算法由深度学习模型B得到， 从大目标检测算 法输出的结果中取得区域像素点大于30区域的火灾区域A ， 从小目标检测算法输出的结果 中取得区域像素小于30区域的火灾区域B 。 10.根据权利要求6所述的一种基于物联网分布式架构的火焰实时监控方法， 其特征在 于： 所述S23中， 火灾目标区域N、 区域像素点大于30的火灾区域A 、 区域像素点小于30的火 灾区域B 、 真实火灾区域M四者之间的关系可表达为： (NA )(NB )M且且 且采用IOU算法计算大目标、 小目标与颜色模型区域之间的关系， 设定大 目标IOU阀值为0.9， 小目标IOU阀值为0.。

10、95， 对疑似火灾区域M进行二次确认， 最终得到火灾 目标区域N。 权利要求书 2/2 页 3 CN 110853287 A 3 一种基于物联网分布式架构的火焰实时监控系统及方法 技术领域 0001 本发明涉及消防物联网、 人工智能算法研究应用技术领域， 更具体地说， 涉及一 种基于物联网分布式架构的火焰实时监控系统及方法。 背景技术 0002 火灾自动报警系统是由触发装置、 火灾报警装置、 联动输出装置以及具 有其它辅 助功能装置组成的， 它具有能在火灾初期， 将燃烧产生的烟雾、 热 量、 火焰等物理量， 通过 火灾探测器变成电信号， 传输到火灾报警控制器， 并同时以声或光的形式通知整个楼层。

11、疏 散， 控制器记录火灾发生的部位、 时 间等， 使人们能够及时发现火灾， 并及时采取有效措 施， 扑灭初期火灾， 最 大限度的减少因火灾造成的生命和财产的损失， 是人们同火灾做斗 争的有力 工具。 0003 专利公开号为CN109493561A公开了一种基于图像处理的火灾监控系统， 其主体 由视频监控系统、 中间连接设备和火眼火灾探测平台三大部分组成。 所述视频监控系统通 过中间连接设备与火眼火灾探测平台连接， 所述火眼火 灾探测平台包括服务器和平台架 构， 所述服务器连接端设有图像识别分析模 块和GPS定位系统， 所述图像识别分析模块连 接端设有数据库， 所述服务器 输出端设有数据存储模块。

12、和图像报警显示模块。 该火灾探测 系统主要有以下 特点： a)、 以计算机为核心， 结合光电成像技术和计算机图像处理技术， 能 够实时探测监控区域早期火灾产生的火焰和烟雾； b)、 系统中引入声光报警以 及火情监控 模块， 能直观快速通过图像的方式快速识别火情并呈现报警区域， 方便消控室核实火灾情 况， 便于相关人员采取最方便、 快捷、 高效的手段及 时扑救。 C)、 采用算法分析与监控系统 分离的系统架构， 将算法分析以及业 务相关的逻辑融合到平台服务中实现， 有效的提升了 该系统部署的灵活性， 重点是支持服务的横向扩展， 支持存量监控系统接入智能火灾探测 系统。 d)、 该发明采用图像型的。

13、火灾检测算法进行火情识别， 火灾探测速度可达到10秒 以 内； 另外， 基于图片型的火灾检测算法可实现大空间场所的火灾识别。 而 传统模式的点型 感温或感烟探测器需要探测器处的温度或烟雾浓度达到设定 数量值才能报警， 在一般公 共场所的探测时间通常长达几分钟并且在大型空 间无法发挥作用。 0004 但是该方案存在以下缺点： 0005 该系统将算法分析以及数据库、 声光报警模块、 可视化模块、 GPS定位 系统等业务 相关的逻辑融合到一个服务平台， 属于单点部署， 如果该机器出 现故障， 数据无法及时备 份， 存在安全隐患以及事后回溯取证困难； 0006 平台侧负责多路监控设备视频的实时处理， 。

14、对服务器的计算资源要求高， 需要用 到高计算性能的GPU服务器， 价格贵， 不利于实际工程应用推广； 0007 该系统架构属于同一内网方式部署， 无法提供设备管理以及火情数据云 端备份， 无法向火情管理机构提供专业化的数据分析； 0008 火灾分析算法采用当前实时视频帧与数据库中预存火情图片进行比对的 方式实 现， 该算法对环境适应能力比较弱， 对与预存火情图片场景不同的应 用场景判断率比较 说明书 1/7 页 4 CN 110853287 A 4 高， 无法做到自适应。 发明内容 0009 1.要解决的技术问题 0010 针对现有技术中存在的问题， 本发明的目的在于提供一种基于物联网分 布式。

15、架 构的火焰实时监控系统及方法， 可以实现当前监控环境火焰目标智能 识别， 在火灾发生初 期就能自动警报的效果， 火灾发生情况可视化， 具有火 灾信息视频帧的识别以及起火位置 自动标注， 火警警情分等级设置， 当检测 到火灾产生时可立即产生文字信息和声光信息的 报警信号， 同时将火灾报警 信息和火灾现场图片上传到云服务器， 云服务器会向用户手机 终端推送该报 警信息， 手机终端接收到报警推送信息后会以振铃形式提醒用户， 使用户无 论在何处都能及时接收到报警信息并及时排除险情。 深度学习算法实现了早 期火灾报警 处理， 提高了火灾报警的可靠性实时性， 云技术远程通信降低了 消防管理成本。 001。

16、1 2.技术方案 0012 为解决上述问题， 本发明采用如下的技术方案。 0013 一种基于物联网分布式架构的火焰实时监控系统， 包括多个内网子系统、 数据处 理中心和客户端， 多个所述内网子系统与所述数据处理中心之间通过 分布式架构连接， 多 个所述内网子系统之间并联设置， 每个所述内网子系统 均可独立完成基于监控系统的火 灾智能检测。 0014 进一步的， 每个所述内网子系统均包括监控摄像头、 交换机、 算法盒子、 应用服务 器、 显示屏和声光报警器， 所述监控摄像头均通过网线与所述交换 机的输入端连接， 所述 交换机的输出端与所述算法盒子的输入端连接， 所述 算法盒子的输出端与所述应用服。

17、务 器的输入端连接， 所述应用服务器的输出 端与所述显示屏、 所述声光报警器的信号接收 端。 0015 进一步的， 所述监控摄像头用于采集区域内的视频； 0016 所述交换机用于对所述监控摄像头采集到的视频进行处理； 0017 所述算法盒子使用arm构架芯片作为硬件平台， 通过IP地址获取相应的 所述监控 摄像头采集到的实时视频流， 作为所述算法盒子分析的输入信号， 对视频帧中进行火灾目 标检测， 智能判断当前监控画面中是否存在火情， 并 且与应用服务器相连， 将分析的结果 传输到应用服务器； 0018 所述应用服务器接收到所述算法盒子分析的结果， 并且对分析结果进行 可视化 转换； 0019。

18、 所述显示屏用于显示所述监控摄像头采集到的实时视频； 0020 所述声光报警器用于算法盒子分析出异常的火情信息时进行声光报警。 0021 进一步的， 所述数据处理中心用于管理所有内网子系统， 包括所有所述 内网子系 统中的设备以及分析结果； 每个所述内网子系统， 通过所述应用服 务器与数据处理中心进 行通讯连接， 定时将设备管理信息以及分析结果同步 到数据处理中心； 数据处理中心接收 到所有内网子系统同步过来的数据， 然 后进行数据库持久化以及数据分析， 将分析的结果 面向web、 pc以及客户端 进行推送。 0022 进一步的， 所述客户端包括移动设备和显示终端设备， 用于接收数据处 理中心。

19、分 说明书 2/7 页 5 CN 110853287 A 5 析得到的结果， 并对用户进行远程报警。 0023 一种基于物联网分布式架构的火焰实时监控方法， 包括以下步骤： 0024 S1、 监控摄像头采集视频并经过交换机进行处理； 0025 S2、 算法盒子利用火灾目标检测算法对进行计算分析， 确定区域内有无 火灾， 如 有火灾， 声光报警器进行声光报警， 并将分析结果传输到应用服务 器； 0026 S3、 应用服务器对分析结果进行可视化转换， 在显示屏上进行实时显示， 并将分 析结果传输至数据处理中心； 0027 S4、 数据处理中心接收到内网子系统传输的数据， 进行数据库持久化以 及数据。

20、分 析， 并将分析结果推送至客户端。 0028 进一步的， 所述S2中， 火灾目标检测算法具体包括以下步骤： 0029 S21、 火灾静态特征判断得到疑似火灾区域M； 0030 S22、 火灾动态特征识别计算得到火灾区域A 和火灾区域B ； 0031 S23、 采用IOU算法计算得到符合火灾颜色特征的火灾目标区域N。 0032 进一步的， 所述S21中， 火灾静态特征判断具体过程为： 火焰区域像素 点(x,y)在 YCbCr颜色空间中满足下式的约束关系： 0033 0034 将待检测的视频帧颜色模型由RGB转化为YCbCr， 遍历每一个像素点， 如果像素点 的取值满足上述数学模型约束关系， 则。

21、该像素点被判别为疑似火 灾像素点， 得到符合火灾 颜色特征的疑似火灾区域， 疑似火灾区域M和真火 灾区域N的关系可表达为： 0035 进一步的， 所述S22中， 火灾动态特征识别计算包括大目标检测算法以 及小目标 检测算法， 大目标检测算法由深度学习模型A得到， 小目标检测算 法由深度学习模型B得 到， 从大目标检测算法输出的结果中取得区域像素点 大于30区域的火灾区域A ， 从小目标 检测算法输出的结果中取得区域像素小 于30区域的火灾区域B 。 0036 进一步的， 所述S23中， 火灾目标区域N、 区域像素点大于30的火灾区 域A 、 区域像 素点小于30的火灾区域B 、 真实火灾区域M。

22、四者之间的关系 可表达为： (NA )(NB ) M且且且采用IOU算法 计算大目标、 小目标与颜色模型区域之间 的关系， 设定大目标IOU阀值为0.9， 小目标IOU阀值为0.95， 对疑似火灾区域M进行二次确 认， 最终得到火灾目 标区域N。 0037 3.有益效果 0038 相比于现有技术， 本发明的优点在于： 0039 1、 本发明使用了当下流行的深度学习目标检测算法来进行火灾目前的检 测， 该 算法模型使用了十万数量级别不同场景下的烟雾和火焰图像进行训练， 火情判别结果直 接收算法模型输出， 无需与存量的火灾图片进行比对分析。 1) 使得算法具有更高的准确的 烟雾火焰识别率(达到99。

23、)； 2)对环境具有更 强的抗干扰能力(经过大规模的测试能适应 强光、 弱光、 闪光等光源影响； 适 应室内、 室外环境场景)。 说明书 3/7 页 6 CN 110853287 A 6 0040 2、 本发明将算法分析功能独立出来， 研发成算法盒子， 该盒子采用低成 本的arm 构架芯片作为硬件平台。 该盒子主要的功能为实现火情识别， 从监 控设备中获取到实时视 频帧， 经过算法分析， 然后将处理结果传输到应用服 务器， 再由应用服务器进行可视化、 声 光报警、 人工二次确认， 以及火灾数 据消息推送、 上云。 将算法模块独立成算法盒子， 实际 上相当于将算法分析 的计算边缘化， 从多路摄像。

24、头对应一台服务器的方案优化为一路摄 像头对应 该一个低成本轻量级盒子的方式。 整体来看， 盒子使用低成本arm硬件， 平 台服 务器使用普通CPU服务器(原来方案使用高成本GPU服务器)， 大幅 度降低系统硬件成本， 并 且能达到更加实时处理的效果。 0041 3、 应用服务器、 算法盒子、 监控摄像头通过内网通信的方式组成一个独 立的子系 统， 该子系统功能包括： 基于监控系统的火灾智能识别以及声光报 警、 火情数据本地存储、 指定时间火情报表自动生成、 显示器端对火情图像 画面实时展示、 人工根据系统提供信息 进行二次确认。 以内网方式部署该系 统可以保障摄像头、 算法盒子以及应用服务器之。

25、间的 通讯更加安全、 可靠、 快速。 通常按照应用的地点不同进行子系统划分， 比如同一栋大厦组 成一个 子系统， 共用一台应用服务器进行业务集中式处理， 为值守人员带来极大的 方便。 另外， 该架构为分布式方案， 支持独立子系统的横向扩展， 支持根据 实际的需要对同一内 网的摄像头进行随意增减， 灵活便捷。 0042 4、 创新性的设置数据处理中心， 该中心属于云端平台， 实际的功能包括： 1)子系 统数据备份以及摄像头。 2)算法盒子、 应用服务器等硬件设备管理、 各个子系统分析数据。 3)以更高级别的方式进行统一分析挖掘、 实现火情消 息推送， 支持各种终端平台的消息推 送(支持web、 。

26、IOS、 Android)。 4)整 个中心数据的统一处理以及指定时间报表输出； 5)将所 有的设备以及子系统进 行平台化， 方便大规模系统的管理， 极大提升火灾识别以及处理的 效率， 实 现多方位协同管理。 0043 5、 应用服务器与数据处理中心通过公网的形式建立联系， 一个处理中心 可以管 理多个应用服务器(子系统)， 该方式可解决内网子系统由于单点问 题引起的安全问题(假 设子系统中的应用服务器发生故障， 则服务以及数据 无法复原)， 应用服务器定时向数据 中心进行数据同步， 云端备份， 提升整 个系统的容灾能力； 0044 综上所述， 从最前端的监控摄像头到算法盒子到应用服务器再到数。

27、据处 理中心， 通过功能解耦， 由边缘到中心分层处理， 逻辑分明， 平台化管理， 以最高的效率解决系统维 护以及火情处理的问题。 通过内网加外网的方案实 现子系统快速响应， 云端中心定时备 份， 实时推送， 随时生成报表的理想效 果， 该系统具有极大的优越性。 附图说明 0045 图1为本发明的系统流程图； 0046 图2为本发明中的结构示意图。 具体实施方式 0047 下面将结合本发明实施例中的附图； 对本发明实施例中的技术方案进行 清楚、 完 整地描述； 显然； 所描述的实施例仅仅是本发明一部分实施例； 而 不是全部的实施例， 基于 本发明中的实施例； 本领域普通技术人员在没有做 出创造性。

28、劳动前提下所获得的所有其 说明书 4/7 页 7 CN 110853287 A 7 他实施例； 都属于本发明保护的范围。 0048 在本发明的描述中， 需要说明的是， 术语 “上” 、“下” 、“内” 、“外” 、“顶/ 底端” 等指 示的方位或位置关系为基于附图所示的方位或位置关系， 仅是为了 便于描述本发明和简 化描述， 而不是指示或暗示所指的装置或元件必须具有 特定的方位、 以特定的方位构造和 操作， 因此不能理解为对本发明的限制。 此外， 术语 “第一” 、“第二” 仅用于描述目的， 而不 能理解为指示或暗示相对重 要性。 0049 在本发明的描述中， 需要说明的是， 除非另有明确的规。

29、定和限定， 术语 “安 装” 、 “设置有” 、“套设/接” 、“连接” 等， 应做广义理解， 例如 “连接” ， 可以是 固定连接， 也可以是 可拆卸连接， 或一体地连接； 可以是机械连接， 也可以 是电连接； 可以是直接相连， 也可以 通过中间媒介间接相连， 可以是两个元 件内部的连通。 对于本领域的普通技术人员而言， 可以具体情况理解上述术 语在本发明中的具体含义。 0050 实施例1： 0051 请参阅图1， 本发明的系统包括内网子系统、 数据处理中心以及客户端三大 部分。 其中内网子系统由监控摄像头、 交换机、 算法盒子、 应用服务器、 显示屏、 声光报警器六个 小模块组成。 005。

30、2 每个子系统可独立完成基于监控系统的火灾智能检测。 同一个网段的摄 像头通 过网线接入到交换机， 算法盒子输入端与交换机连接， 通过ip获取相 应摄像机的实时视频 流， 作为算法盒子分析的输入信号。 算法盒子主要是功 能为： 通过自研的人工智能算法对 视频帧中进行火灾目标检测， 智能判断当 前监控画面中是否存在火情， 并且与应用服务器 相连， 将分析的结果传输到 应用服务器。 应用服务器接收该子系统中所有算法盒子处理的 结果， 并且对 分析结果进行可视化， 如若某个算法盒子分析出异常的火情信息， 会产生声 光报警并且在显示屏上的监控画面中自研标注出火情的信息(摄像头编号以 及火灾出现 的位置。

31、)。 值守人员只需要在值守室即可掌控整个子系统所以布 点的安防情况， 人工智能 自动检测火灾目标使得值守人员不需要每时每刻观 察监控画面， 声光报警器产生报警的 情况下， 只需要对着监控画面进行人工 确认即可。 0053 每个子系统设计分布式的技术架构， 可以根据实际的工程情况灵活增减 布控点 的数量， 增加监控点只需要将新增的摄像头连接到交换机， 增加一个 算法盒子， 并且在应 用服务器中增加算法盒子的设备管理信息， 反之减少监 控点的情况， 直接将相应的摄像头 以及算法盒子撤消即可。 无论是增加还是 减少布控点数量对原有部署设备不产生影响， 方 便快捷高效。 0054 数据处理中心用于管理。

32、所有子系统， 包括所有子系统中的设备以及产生 的结果。 每个子系统， 通过应用服务器与中心数据处理中心进行通讯， 定时 将本地的数据(设备管 理信息以及分析结果)同步到数据处理中心。 数据处 理中心接收到所有子系统同步过来的 数据， 然后进行数据库持久化以及数据 分析， 将分析的结果面向web、 pc以及移动端进行推 送。 具备访问权限的部 门以及人员可通过客户端访问的方式， 随时了解整个系统的情况。 平台化的 架构， 实现监控设备以及监控情况的集中式管理以及智能分析， 极大程度释 放 人力。 0055 横向来看， 所有的子系统统一由数据处理中心管理； 纵向来看， 子系统与 子系统 之间相互独。

33、立。 各子系统与数据处理中心之间通过分布式架构建立联 系， 支持纵向增删子 说明书 5/7 页 8 CN 110853287 A 8 系统。 0056 一种基于物联网分布式架构的火焰实时监控方法， 包括以下步骤： 0057 S1、 监控摄像头采集视频并经过交换机进行处理； 0058 S2、 算法盒子利用火灾目标检测算法对进行计算分析， 确定区域内有无 火灾， 如 有火灾， 声光报警器进行声光报警， 并将分析结果传输到应用服务 器； 0059 S3、 应用服务器对分析结果进行可视化转换， 在显示屏上进行实时显示， 并将分 析结果传输至数据处理中心； 0060 S4、 数据处理中心接收到内网子系统。

34、传输的数据， 进行数据库持久化以 及数据分 析， 并将分析结果推送至客户端。 0061 S2中， 算法盒子中运行的火灾目标检测算法处理流程如图2， 核心算法 分为三大 部分： 0062 1、 火灾静态特征判断， 研究学者们通过大量的实验测试和对比统计分析 得出火 焰区域像素点(x,y)在YCbCr颜色空间中满足下式的约束关系： 0063 0064 待检测的视频帧颜色模型由RGB转化为YCbCr， 遍历每一个像素点， 如 果像素点的 取值满足以上数学模型约束关系， 则该像素点被判别为疑似火灾 像素点， 通过该方法得到 的疑似火灾区域， 只是符合火灾颜色特征， 无法排 除一些具备火灾颜色特征的干扰。

35、(比如 黄色的物体)， 但是所有火灾的区域 会正确被识别出来， 简单来说疑似火灾区域M和真火灾 区域N的关系可表达 为：(即M包含N)。 0065 2、 火灾动态特征识别算法分为大目标检测算法以及小目标检测算法， 两 种目标 检测算法均采用深度学习网络模型进行设计以及训练得到。 之所以区 分大目标和小目标 是因为在大量的研究以及实验得到的结论， 单个深度学习 模型算法无法同时对大火灾目 标以及小火灾目标达到理想的效果， 深度学习 模型A对明显的火灾区域(区域像素点在30 个以上)识别准确率可达到99.5 以上， 但是对于小目标区域的识别准确率只有85， 会 存在小火灾区域漏判 的情况。 深度学。

36、习模型B对阴燃到火焰过渡期间的小火焰目标(区域 像素点 小于30)准确率同样可达到99.3,但是对于大目标通常存在误判的情况(即 将非 火灾的大区域识别为火灾目标)。 为了达到理想的识别效果， 本发明通 过综合考虑A和B算 法的优缺点， 分别对视频帧进行目标检测， 从A算法输 出的结果中取得像素大于30区域的 疑似火灾区域A ， 从B算法输出的结果 中取得像素小于30区域的疑似火灾区域B 。 0066 3、 经过静态以及动态火灾特征识别算法的检测得到符合火灾颜色特征的 目标区 域N， 区域像素点大于30的火灾区域A ， 区域像素点小于30的火灾 区域B ， 真实火灾区域M。 四者之间的关系可表。

37、达为： (NA )(NB )M 且且且根据该 逻辑关系， 采用IOU算法计算大目标、 小目标与颜色模型区域之间的关系， 经过大量实验数 据统计分析设定大目标 IOU阀值为0.9， 小目标IOU阀值为0.95。 经过该逻辑对疑似火灾区 域进行二 次确认， 最终得到可信度高达99.3的火灾目标区域。 说明书 6/7 页 9 CN 110853287 A 9 0067 相对于现有技术中的， 本发明使用了当下流行的深度学习目标检测算法 来进行 火灾目前的检测， 该算法模型使用了十万数量级别不同场景下的烟雾 和火焰图像进行训 练， 火情判别结果直接收算法模型输出， 无需与存量的火 灾图片进行比对分析。 。

38、1)使得算 法具有更高的准确的烟雾火焰识别率(达到 99)； 2)对环境具有更强的抗干扰能力(经过 大规模的测试能适应强光、 弱 光、 闪光等光源影响； 适应室内、 室外环境场景)。 0068 本发明将算法分析功能独立出来， 研发成算法盒子， 该盒子采用低成本 的arm构 架芯片作为硬件平台。 该盒子主要的功能为实现火情识别， 从监控 设备中获取到实时视频 帧， 经过算法分析， 然后将处理结果传输到应用服务 器， 再由应用服务器进行可视化、 声光 报警、 人工二次确认， 以及火灾数据 消息推送、 上云。 将算法模块独立成算法盒子， 实际上 相当于将算法分析的 计算边缘化， 从多路摄像头对应一台。

39、服务器的方案优化为一路摄像 头对应该 一个低成本轻量级盒子的方式。 整体来看， 盒子使用低成本arm硬件， 平台 服务 器使用普通CPU服务器(原来方案使用高成本GPU服务器)， 大幅度 降低系统硬件成本， 并且 能达到更加实时处理的效果。 0069 应用服务器、 算法盒子、 监控摄像头通过内网通信的方式组成一个独立 的子系 统， 该子系统功能包括： 基于监控系统的火灾智能识别以及声光报警、 火情数据本地存储、 指定时间火情报表自动生成、 显示器端对火情图像画面 实时展示、 人工根据系统提供信息 进行二次确认。 以内网方式部署该系统可 以保障摄像头、 算法盒子以及应用服务器之间的 通讯更加安全。

40、、 可靠、 快速。 通常按照应用的地点不同进行子系统划分， 比如同一栋大厦组 成一个子系统， 共用一台应用服务器进行业务集中式处理， 为值守人员带来极大的方便。 另 外， 该架构为分布式方案， 支持独立子系统的横向扩展， 支持根据实际的需 要对同一内 网的摄像头进行随意增减， 灵活便捷。 0070 创新性的设置数据处理中心， 该中心属于云端平台， 实际的功能包括： 1) 子系统 数据备份以及摄像头。 2)算法盒子、 应用服务器等硬件设备管理、 各 个子系统分析数据。 3) 以更高级别的方式进行统一分析挖掘、 实现火情消息 推送， 支持各种终端平台的消息推送 (支持web、 IOS、 Andro。

41、id)。 4)整个 中心数据的统一处理以及指定时间报表输出； 5)将所有 的设备以及子系统进行 平台化， 方便大规模系统的管理， 极大提升火灾识别以及处理的效 率， 实现 多方位协同管理。 0071 应用服务器与数据处理中心通过公网的形式建立联系， 一个处理中心可 以管理 多个应用服务器(子系统)， 该方式可解决内网子系统由于单点问题 引起的安全问题(假设 子系统中的应用服务器发生故障， 则服务以及数据无 法复原)， 应用服务器定时向数据中 心进行数据同步， 云端备份， 提升整个 系统的容灾能力； 0072 综上所述， 从最前端的监控摄像头到算法盒子到应用服务器再到数据处 理中心， 通过功能解。

42、耦， 由边缘到中心分层处理， 逻辑分明， 平台化管理， 以最高的效率解决系统维 护以及火情处理的问题。 通过内网加外网的方案实 现子系统快速响应， 云端中心定时备 份， 实时推送， 随时生成报表的理想效 果， 该系统具有极大的优越性。 0073 以上所述； 仅为本发明较佳的具体实施方式； 但本发明的保护范围并不 局限于 此； 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内； 根 据本发明的技术方案 及其改进构思加以等同替换或改变； 都应涵盖在本发明 的保护范围内。 说明书 7/7 页 10 CN 110853287 A 10 图1 说明书附图 1/2 页 11 CN 110853287 A 11 图2 说明书附图 2/2 页 12 CN 110853287 A 12 。