一种基于机器学习的火情综合研判预警系统及方法与流程

1.本发明属于火情预警技术领域，尤其涉及一种基于机器学习的火情综合研判预警系统及方法。


背景技术：

2.随着技术的发展，火情预警从传统的传感器监测预警逐步转变为全天候无人值守的基于视频分析的智能火情预警。
3.但是目前主流的基于视频分析的火情预警系统准确度依赖于机器学习模型训练的精度，如果机器学习的模型精度不高，判别条件单一，没有综合使用火情的相关物理特征进行综合预警，存在一定的识别误差，导致火情发生时不能第一时间被发现，造成严重的经济损失。


技术实现要素：

4.针对上述情况，为克服现有技术的缺陷，本发明提供一种基于机器学习的火情综合研判预警系统及方法，基于火情图片识别概率、温度、烟度、光度及红外监测数据构建火情综合研判预警主成分分析函数，进一步提高了火情识别率，减少误报情况的发生。
5.本发明采用的技术方案如下：一种基于机器学习的火情综合研判预警系统，包括基于机器学习的视频分析系统、温度监控系统、烟度监控系统、光度监测系统、红外监测系统和综合研判预警系统，所述基于机器学习的视频分析系统、温度监控系统、烟度监控系统、光度监测系统、红外监测系统分别与综合研判预警系统通信连接；
6.所述基于机器学习的视频分析系统，根据部署的视频监控设备用于火情监控现场的实时视频流监测；
7.所述温度监控系统，根据部署的温度传感器用于火情监控现场的温度实时监测；
8.所述烟度监控系统，根据部署的烟度传感器用于火情监控现场的烟度实时监测；
9.所述光度监测系统，根据部署的光度传感器用于火情监控现场的光度实时监测；
10.所述红外监测系统，根据部署的红外传感器用于火情监控现场的红外实时监测；
11.所述综合研判预警系统，综合利用火情监测现场的视频图片识别概率、温度、烟度、光度及红外监测数据进行主成分分析，基于主成分分析函数，设置火情阈值进行实时预警。
12.本技术一种基于机器学习的火情综合研判预警系统的实现方法，包括以下步骤：
13.步骤1：分别建立基于机器学习的视频分析系统，温度监控系统，烟度监控系统，光度监测系统及红外监测系统；
14.步骤2：通过步骤1分别建立的模型，输出火情图片识别概率、温度、烟度、光度及红外监测数据作为特征；
15.步骤3：通过步骤2的特征，基于主成分分析方法，构建火情综合研判预警系统的主成分分析函数。
16.步骤4：基于步骤3的主成分分析函数，设置火情阈值进行实时火情预警。
17.进一步地，所述基于机器学习的视频分析系统，实现步骤如下：
18.步骤1：采集并人工标注火情现场的视频流图片；
19.步骤2：将上述标注好的图片作为训练数据集；
20.步骤3：使用基于目标检测的pp-yolov2模型，对训练数据集进行训练；
21.步骤4：每一轮训练后得出loss值；
22.步骤5：基于上一轮训练，不停的迭代训练，直到loss值满足要求停止训练；
23.步骤6：训练结束后再图片上进行火情画框标注和加火情识别概率。
24.进一步地，所述温度监控系统，实现步骤如下：
25.步骤1：部署温度传感器；
26.步骤2：将采集的温度数据通过局域网等通信方式发送到服务器；
27.步骤3：在服务器端与其他监测系统的数据一起组合进入综合研判预警系统进行主成分分析计算。
28.进一步地，所述烟度监控系统，实现步骤如下：
29.步骤1：部署烟度传感器；
30.步骤2：将采集的烟度数据通过局域网等通信方式发送到服务器；
31.步骤3：在服务器端与其他监测系统的数据一起组合进入综合研判预警系统进行主成分分析计算。
32.进一步地，所述光度监控系统，实现步骤如下：
33.步骤1：部署光度传感器；
34.步骤2：将采集的光度数据通过局域网等通信方式发送到服务器；
35.步骤3：在服务器端与其他监测系统的数据一起组合进入综合研判预警系统进行主成分分析计算。
36.进一步地，所述红外监控系统，实现步骤如下：
37.步骤1：部署红外传感器；
38.步骤2：将采集的红外数据通过局域网等通信方式发送到服务器；
39.步骤3：在服务器端与其他监测系统的数据一起组合进入综合研判预警系统进行主成分分析计算。
40.进一步地，所述综合研判预警系统，实现步骤如下：
41.步骤1：基于图片识别概率、温度、烟度、光度及红外监测数据，对所有特征进行中心化处理；
42.步骤2：求解上述特征的协方差矩阵c；
[0043][0044]
其中cov(x1,x1)的求解公式如下，其他类似：
[0045][0046]
步骤3：求协方差矩阵c的特征值λ和相对应的特征向量；
[0047]
步骤4：将特征值λ按照从大到小的顺序排序，选择最大的前k个；
[0048]
步骤5：基于前k个特征值，构建火情综合研判预警主成分分析函数；
[0049]
步骤6：基于主成分分析函数，设置火情阈值进行实时火情预警。
[0050]
采用上述系统后，本发明有益效果如下：本发明一种基于机器学习的火情综合研判预警系统及方法，是基于机器学习的视频分析系统的前提下，加入火情的相关物理特征进行监测；同时是基于火情图片识别概率、温度、烟度、光度及红外监测数据构建火情综合研判预警系统的主成分分析函数，解决了单一运用视频流识别火情概率的技术方案，在本发明中，基于火情图片识别概率、温度、烟度、光度及红外监测数据构建火情综合研判预警主成分分析函数，进一步提高了火情识别率，减少误报情况的发生。
附图说明
[0051]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0052]
图1为本发明提出的一种基于机器学习的火情综合研判预警系统及方法流程图。
具体实施方式
[0053]
下面将结合本发明实施例，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劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0055]
实施例1
[0056]
本实施例提供一种基于机器学习的火情综合研判预警系统，包括基于机器学习的视频分析系统、温度监控系统、烟度监控系统、光度监测系统、红外监测系统和综合研判预警系统，所述基于机器学习的视频分析系统、温度监控系统、烟度监控系统、光度监测系统、红外监测系统分别与综合研判预警系统通信连接；
[0057]
所述基于机器学习的视频分析系统，根据部署的视频监控设备用于火情监控现场的实时视频流监测；
[0058]
所述温度监控系统，根据部署的温度传感器用于火情监控现场的温度实时监测；
[0059]
所述烟度监控系统，根据部署的烟度传感器用于火情监控现场的烟度实时监测；
[0060]
所述光度监测系统，根据部署的光度传感器用于火情监控现场的光度实时监测；
[0061]
所述红外监测系统，根据部署的红外传感器用于火情监控现场的红外实时监测；
[0062]
所述综合研判预警系统，综合利用火情监测现场的视频图片识别概率、温度、烟度、光度及红外监测数据进行主成分分析，基于主成分分析函数，设置火情阈值进行实时预
警。
[0063]
结合图1，本实施例在于提供一种基于机器学习的火情综合研判预警系统的实现方法，包括以下步骤：
[0064]
步骤1(s100)，分别建立基于机器学习的视频分析系统，温度监控系统，烟度监控系统，光度监测系统及红外监测系统；
[0065]
其中，基于机器学习的视频分析系统通过标注好的图片作为训练数据集，经过pp-yolov2模型训练，用于得出火情的识别率；
[0066]
其中，温度监控系统通过将采集的温度数据传输到服务器进行进一步分析；
[0067]
其中，烟度监控系统通过将采集的烟度数据传输到服务器进行进一步分析；
[0068]
其中，光度监测系统通过将采集的光度数据传输到服务器进行进一步分析；
[0069]
其中，红外监测系统通过将采集的红外数据传输到服务器进行进一步分析；
[0070]
步骤2(s200)，通过s100分别建立的模型，输出火情图片识别概率、温度、烟度、光度及红外监测数据作为特征；
[0071]
步骤3(s300)，通过s200的特征，基于主成分分析方法，构建火情综合研判预警系统的主成分分析函数。
[0072]
步骤4(s400)，基于s300的主成分分析函数，设置火情阈值进行实时火情预警。
[0073]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。