基于多传感器联合的明火检测方法、装置及相关介质与流程

1.本发明涉及消防安全领域，特别涉及基于多传感器联合的明火检测方法、装置及相关介质。


背景技术：

2.消防安全一直是社区管理的一个重点，许多室内场所都安装了烟雾报警器与自动灭火装置以防控火灾；而随着监控摄像的普及，以及人工智能技术的发展，通过监控摄像头抽帧，并利用ai图像领域的目标检测算法对图片进行明火识别，也已经成为一种可行的解决方案；此外，红外测温技术也同样在防控火灾上具有可行性。
3.但是，实际应用中存在一些场景仅依靠烟雾报警器无法准确检测到火灾的发生，例如停车场、充电桩、具有脚手架与大量可燃防尘布的施工大楼、吸烟室和不禁烟的室内场所等；而ai视觉算法的运算成本较高，且存在遮挡的可能性，混淆性误报与夜视不精准等问题；红外测温也同样存在遮挡与误报的问题；因此，单靠一种检测设备无法对明火发生进行一个较为精准的识别，并且对明火发生的误报率较高。


技术实现要素：

4.本发明实施例提供了基于多传感器联合的明火检测方法、装置及相关介质，旨在解决单一检测设备对明火发生的识别率较低以及对明火发生的误报率高的问题。
5.第一方面，本发明实施例提供了一种基于多传感器联合的明火检测方法，包括：
6.获取传感器检测信息，并设置模糊阈值规则；其中，所述传感器检测信息包括：烟雾传感器检测信息、温度传感器检测信息和图片传感器检测信息；
7.利用隶属函数对所述传感器检测信息进行数据转化处理，得到初始检测数据；
8.根据所述模糊阈值规则计算所述初始检测数据的权重，得到检测数据权重；
9.对所述检测数据权重进行归一化处理，得到归一化数据结果；
10.根据所述模糊阈值规则对所述初始检测数据进行一阶形式化处理，得到形式化数据结果；
11.将所述归一化数据结果和所述形式化数据结果对应相乘再相加，得到最终数据结果；
12.利用激活函数对所述最终数据结果进行计算处理后，得到明火发生概率。
13.第二方面，本发明实施例提供了基于多传感器联合的明火检测装置，包括：
14.信息获取单元，用于获取传感器检测信息，设置模糊阈值规则；其中，所述传感器检测信息包括：烟雾传感器检测信息、温度传感器检测信息和图片传感器检测信息；
15.信息处理单元，用于利用隶属函数对所述传感器检测信息进行处理，得到初始检测数据；
16.第一计算单元，用于根据所述模糊阈值规则计算所述初始检测数据的权重，得到检测数据权重；
17.第二计算单元，用于对所述检测数据权重进行归一化处理，得到归一化数据结果；
18.第三计算单元，用于根据所述模糊阈值规则对所述初始检测数据进行一阶形式化处理，得到形式化数据结果；
19.第四计算单元，用于将所述归一化数据结果和所述形式化数据结果相乘相加，得到最终数据结果；
20.第五计算单元，用于利用激活函数对所述最终数据结果进行计算处理后，得到明火发生概率。
21.第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述第一方面的基于多传感器联合的明火检测方法。
22.第四方面，本发明实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述第一方面的基于多传感器联合的明火检测方法。
23.本发明实施例提供一种基于多传感器联合的明火检测方法，获取传感器检测信息，并设置模糊阈值规则；利用隶属函数对所述传感器检测信息进行数据转化处理，得到初始检测数据；根据所述模糊阈值规则计算所述初始检测数据的权重，得到检测数据权重；对所述检测数据权重进行归一化处理，得到归一化数据结果；根据所述模糊阈值规则对所述初始检测数据进行一阶形式化处理，得到形式化数据结果；将所述归一化数据结果和所述形式化数据结果对应相乘再相加，得到最终数据结果；利用激活函数对所述最终数据结果进行计算处理后，得到明火发生概率。本发明通过将多个传感器的检测信息互相联合，如此，提高对明火检测的识别率并降低误报率。
24.本发明实施例还提供一种基于多传感器联合的明火检测装置、计算机设备和存储介质，同样具有上述有益效果。
附图说明
25.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
26.图1为本发明实施例提供的基于多传感器联合的明火检测方法的流程示意图；
27.图2为本发明实施例提供的自适应网络设计流程图；
28.图3为本发明实施例提供的烟雾传感器隶属函数示意图；
29.图4为本发明实施例提供的温度传感器隶属函数示意图；
30.图5为本发明实施例提供的图片传感器隶属函数示意图；
31.图6为本发明实施例提供的激活函数示意图；
32.图7为本发明实施例提供的基于多传感器联合的明火检测方法的另一流程示意图；
33.图8为本发明实施例提供的基于多传感器联合的明火检测装置的示意性框图。
具体实施方式
34.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。
35.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
36.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
37.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
38.下面请参见图1，图1为本发明实施例提供的基于多传感器联合的明火检测方法的流程示意图，具体包括：步骤s101～s107。
39.s101、获取传感器检测信息，并设置模糊阈值规则；其中，所述传感器检测信息包括：烟雾传感器检测信息、温度传感器检测信息和图片传感器检测信息；
40.s102、利用隶属函数对所述传感器检测信息进行数据转化处理，得到初始检测数据；
41.s103、根据所述模糊阈值规则计算所述初始检测数据的权重，得到检测数据权重；
42.s104、对所述检测数据权重进行归一化处理，得到归一化数据结果；
43.s105、根据所述模糊阈值规则对所述初始检测数据进行一阶形式化处理，得到形式化数据结果；
44.s106、将所述归一化数据结果和所述形式化数据结果对应相乘再相加，得到最终数据结果；
45.s107、利用激活函数对所述最终数据结果进行计算处理后，得到明火发生概率。
46.在步骤s101中，首先获取传感器检测信息，这里获取到三种检测信息：烟雾传感器检测信息、温度传感器检测信息和图片传感器检测信息；当然，本实施例中仅采用三种检测信息进行结合，若实际应用中有其他传感器检测信息可以获取均可，如还可以获取气味传感器检测信息等，获取的传感器类型越多，则后续处理中对明火的识别率越高；另外还需要设置模糊阈值规则，方便后续根据获取到的传感器检测信息进行归类，得出多种存在火灾隐患的场景、已发生火灾场景以及安全场景。
47.具体的，所述烟雾传感器检测信息可以通过烟雾报警器进行获取，烟雾报警器作为一种成熟的传感器，具有广泛的部署基础，在绝大多数室内或者楼道场景中都有进行部署；而烟雾报警器的检测原理也较为简单，在识别到烟雾以后自动进行收集检测到的烟雾浓度；当然，烟雾报警器的检测成本较低，可以做到持续性的全天运行，一般情况则不会进行间隔检测；对于所述温度传感器检测信息可以通过红外测温传感器进行获取，红外测温传感器通常拥有两种测温模式，体温模式和物表模式，分别对30-45℃与0-300℃的温度范围进行测量，可以保持极低的功耗进行持续性监测；一般情况下，红外测温类的传感器也同
烟雾报警器一样能够保持持续性的全天运行，也可以根据实际情况进行间隔检测；当然，一天中进行检测的时间越多，则最终对明火的识别率越精准。
48.另外的，对于图片传感器检测信息可以通过监控的视频数据进行抽帧获取，在边端或者云端部署好yolov5算法模型(其他图片检测的算法模型均可)，通过与监控中心进行数据链接，对实时的监控视频进行抽帧检测；由于场地中的监控摄像头数量较多且yolov5算法模型运行成本也相对较高，因此采用间隔式的抽帧检测，如每间隔5分钟进行一次抽帧检测，这里可以根据实际情况进行动态调整；当烟雾报警器与红外测温传感器中的其中一个检测到环境异常时，立刻进行监控摄像头抽帧，调用yolov5算法模型对抽帧图片进行检测；分别获取所述烟雾传感器检测信息、所述温度传感器检测信息和所述图片传感器检测信息之后，需要将多种单一的传感器检测信息进行整合；由于各传感器与算法的输出结果在数值上与定义上都存在较大差异，因此需要对环境进行系统建模；而采用简单的阈值判别并加权求和，如果应用在复杂环境中，则处理能力很弱，缺乏泛化能力与鲁棒性；又由于真实环境与多个传感器的均较为复杂，也无法直接对环境进行数学上的固定性建模；最终，需要引入处理模糊不确定系统的一种经典的自适应方法anfis(adaptive network fuzzy inference system)来解决无法直接对环境进行数学上的固定性建模的问题，从而将所述烟雾传感器检测信息、所述温度传感器检测信息和所述图片传感器检测信息进行联合，以便后续使用。
49.在一实施例中，在所述步骤s101之前，包括：
50.获取第一明火图片数据集，对所述第一明火图片数据集进行标注，得到正样本数据；获取第二明火图片数据集，对所述第二明火图片数据集进行标注，得到负样本数据；将所述正样本数据和所述负样本数据进行混合，得到混合样本数据；对所述混合样本数据分别进行模型训练和模型验证，得到明火检测模型；其中，所述明火检测模型用于获取所述图片传感器检测信息。
51.在本实施例中，获取的第一明火图片数据集可以是下载网络上公开的明火图片数据集，也可以是其他现有的明火图片数据集；获取第一明火图片数据集之后在标注平台上进行明火标注，并导出至本地或者训练用的服务器上，得到标注完成的正样本数据；而获取的第二明火图片数据集可以从监控摄像头中进行视频抽帧，对已造成混淆的物体进行额外标注(如车灯、暖色路灯、夕阳、发光广告牌、橙色红色物体等)，组成负样本数据；负样本数据的标注是为了提升算法模型对明火的识别准确率，降低对易混淆物体的误报率；将所述正样本数据和所述负样本数据进行混合，得到混合样本数据；所述正样本数据和所述负样本数据的比例尽量保持均衡，数据集大小则根据实际拥有的算力资源进行设置；将正负样本数据混合之后，按照8:2或7:3的比例随机拆分为训练集与验证集，并将yolov5算法模型在训练集进行多轮训练(如300轮)，并针对验证集进行验证时，设置多组阈值参数进行对照，以获得最优的阈值设置，即得到所述明火检测模型(训练之后的yolov5算法模型)；将所述明火检测模型按照需求部署在边端服务器或者云端服务器上，并与区域内监控中心进行数据链接，对监控视频进行抽帧检测，从而得到所述图片传感器检测信息。
52.另外的，本实施例中所采用的yolov5算法模型为6.0版本，主要由3个部分组成：backbone层、neck层与head层；backbone层的主要作用是进行特征提取，head层(预测层)作用是进行预测，neck层位于backbone层和head层之间，neck层主要作用是更好地利用从
backbone层中提取的特征图，便于head层进行预测；backbone层作为主干网络，主要由cbs模块、resunit模块、c3模块与sppf模块组成；所述cbs模块由卷积层(convolution layer)、批标准化(batch normalization)与silu激活函数链接组成；所述c3模块是借鉴于跨阶段局部网络cspnet设计得到的模块；所述sppf模块是基于空间金字塔池化模块(spatial pyramids pooling，spp)改进的版本。
53.进一步的，图片(视频抽帧图片)在输入至backbone层后，首先经过一个cbs模块对图片进行切片操作，并在通道维度上进行拼接，在保证信息尽量完整的情况下实现2倍下采样以减少参数量并降低计算量，以节省运算资源；此后，通过cbs模块与c3模块(c3模块基于cspnet，因此具有减少计算量提升运算速度的作用)的组合，实现图片的卷积和特征提取，得到特征图；再通过sppf模块对具有不同感受野的特征图进行融合，丰富了特征图的表达能力；特征图在经过backbone层处理之后进入neck层；neck层借鉴了特征金字塔(feature pyramid network，fpn)与panet的思想，fpn将深层的语义传递至浅层部分，增强了目标检测算法在多尺度下的检测能力；panet则在fpn的基础上进行了优化，降低了对特征图的计算量；最后，head层在接收neck层传递的特征图信息后进行预测输出物体的类别信息与位置信息(即所述图片传感器检测信息)。
54.进一步的，在所述yolov5算法模型训练过程中，对标注好的图片进行训练，将模型输出结果与真实值通过损失函数进行计算损失，给予模型的优化指引方向，反向更新参数，再进行下一批次的模型训练，不断优化模型来提高对明火图片的识别率；所述yolov5算法模型的损失函数由三个部分组成：置信度损失函数(objloss)、分类损失函数(clsloss)与边界框损失函数(bboxloss)，总损失函数计算公式如下：
55.loss＝obj
gain
×
obj
loss
+cls
gain
×
cls
loss
+bbox
gain
×
bbox
loss
56.其中，obj
gain
、cls
gain
、bbox
gain
分别代表三种损失函数所占的权重；
57.边界框损失函数采用了基于iou的改进ciou，交并比iou是一种经典且广泛的评测标准，其主要目标是衡量目标检测中预测框与真实标注框之间的重叠程度；设定预测框为a，真实框为b，则交并比iou计算公式如下：
[0058][0059]
ciou在iou的基础上加入对目标框与真实框之间距离、重叠率、尺寸与宽高比的考虑，计算公式如下：
[0060][0061]
其中，b表示预测框的中心点；b
gt
表示真实框的中心点；ρ表示预测框和真实框的中心点之间的欧氏距离；c表示预测框和真实框的最小闭包区域对角线的长度；α表示权重参数；
[0062]
α的权重参数按如下公式计算：
[0063][0064]
其中，v表示预测框和真实框之间的宽高比的一致性度量；
[0065]
v的预测框和真实框之间的宽高比的一致性度量按如下公式计算：
[0066][0067]
其中，w表示预测框的宽度；w
gt
表示真实框的宽度；h表示预测框的高度；h
gt
表示真实框的高度；
[0068]
对于所述yolov5算法模型的置信度损失函数与分类损失函数均采用了二元交叉熵损失函数(bcelogitsloss)，其计算公式如下：
[0069][0070]
其中，y表示输入样本对应的真实标签(1或0)，p表示预测输入为正样本的概率。
[0071]
在一实施例中，所述步骤s101，包括：
[0072]
若满足第一检测规则，则判定场景安全，其中，所述第一检测规则为所述烟雾传感器检测信息、所述温度传感器检测信息和所述图片传感器检测信息均对应小于烟雾阈值、温度阈值和图片阈值；若满足第二检测规则，则判定场景存在烟雾以及存在火灾隐患，其中，所述第二检测规则为所述烟雾传感器检测信息大于烟雾阈值，所述温度传感器检测信息和所述图片传感器检测信息均对应小于温度阈值和图片阈值；若满足第三检测规则，则判定场景存在高温物体与烟雾，其中，所述第三检测规则为所述烟雾传感器检测信息和所述温度传感器检测信息均对应大于烟雾阈值和温度阈值，所述图片传感器检测信息小于图片阈值；若满足第四检测规则，则判定场景已经发生火灾，其中，所述第四检测规则为所述烟雾传感器检测信息、所述温度传感器检测信息和所述图片传感器检测信息均对应大于烟雾阈值、温度阈值和图片阈值。
[0073]
结合图2所示，在本实施例中，所述模糊阈值规则是基于模糊推理系统(fis)设置的，模糊推理系统fis由5个基本部分组成：一系列模糊规则组成的规则库、使用模糊规则模糊集的隶属函数数据库、在模糊规则上进行推理操作的决策元件、将输入转化为与语义价值定义相匹配程度的模糊化接口以及将推理的模糊结果转化为准确输出的去模糊化接口；anfis在fis基础上引入了自适应网络结构，将由节点和通过节点连接的定向链接组成的前向反馈网络结构与fis相结合；由于网络中存在自适应节点，因此节点的输出完全由其相关的参数决定，学习规则指定了如何自适应调整参数从而最小化制定的量化误差。
[0074]
具体的，所述模糊阈值规则基于三种传感器的检测信息进行设置；对于烟雾报警器，目前常用的一种烟雾报警器为光电式烟感探测器，这种探测器的主要原理是因为烟雾粒子存在而导致光线在前进中被遮蔽，遮蔽率可作为阈值(％obs/m)；一般是多次检测均超过阈值才进行报警，设置一般为连续20次出现异常则进行报警；因此，将20次连续检测中出现异常的次数作为网络输入s；对于红外测温传感器，在室内火灾中，200℃是一个分界线，超过200℃以后，如果火灾发生处通风良好，可能进入闪燃，温度急剧上升至800℃，即便是通风控制型火灾也会上升至300-400℃；因此，将温度作为网络输入ir；对于视频抽帧的图片，将图片中识别到的火焰的平均置信度作为网络输入cv，若未识别到火焰，则置信度输入为0；需要注意的是，烟雾检测的阈值和温度检测的阈值可以根据实际需求进行动态调整，这里不作限定。
[0075]
进一步的，所述第一检测规则为所述烟雾传感器检测信息(s，下同)、所述温度传感器检测信息(ir，下同)和所述图片传感器检测信息(cv，下同)均对应小于烟雾阈值(s0，下同)、温度阈值(ir0，下同)和图片阈值(cv0，下同)；若满足第一检测规则，则判定当前场景安全；所述第二检测规则为所述烟雾传感器检测信息大于烟雾阈值，所述温度传感器检测信息和所述图片传感器检测信息均对应小于温度阈值和图片阈值；若满足第二检测规则，则判定场景存在烟雾以及存在火灾隐患；所述第三检测规则为所述烟雾传感器检测信息和所述温度传感器检测信息均对应大于烟雾阈值和温度阈值，所述图片传感器检测信息小于图片阈值；若满足第三检测规则，则判定场景存在高温物体与烟雾，这时候火灾可能发生甚至已经发生，而摄像头被遮挡导致未识别成功；所述第四检测规则为所述烟雾传感器检测信息、所述温度传感器检测信息和所述图片传感器检测信息均对应大于烟雾阈值、温度阈值和图片阈值；若满足第四检测规则，则判定场景已经发生火灾。
[0076]
在步骤s102中，利用隶属函数对所述传感器检测信息进行数据转化处理，得到初始检测数据；在本实施例中选用分段函数结合高斯函数的形式，对所述传感器检测信息进行初始化，根据经验进行初步设置即可，后续网络训练时会自适应的调整优化参数。
[0077]
在一实施例中，所示步骤s102，包括：
[0078]
按如下公式计算得到烟雾初始检测数据：
[0079][0080]
其中，s1表示第一烟雾初始检测数据，s2表示第二烟雾初始检测数据；
[0081]
按如下公式计算得到温度初始检测数据：
[0082][0083]
其中，ir1表示第一温度初始检测数据，ir2表示第二温度初始检测数据；
[0084]
按如下公式计算得到图片初始检测数据：
[0085][0086]
其中，cv1表示第一图片初始检测数据，cv2表示第二图片初始检测数据。
[0087]
结合图3至图5所示，在本实施例中，以图3的烟雾传感器隶属函数为例进行讲解，图3中横轴代表在连续20次检测中异常的次数，纵轴代表发生概率；所述烟雾传感器检测信息分为两部分，即所述第一烟雾初始检测数据和所述第二烟雾初始检测数据；所述第一烟雾初始检测数据表示烟雾报警器的输出结果隶属于无火灾的可能性；如连续20次检测中异常的次数越少，则火灾未发生的概率越高；所述第二烟雾初始检测数据隶属于火灾发生的可能性；如连续20次检测中异常的次数越多，则火灾发生的概率越高；图4对应所述温度传感器隶属函数，图中横轴表示温度，纵轴表示发生概率；所述温度传感器检测信息分为两部分，即所述第一温度初始检测数据和所述第二温度初始检测数据；所述第一温度初始检测数据表示红外测温传感器的输出结果隶属于无火灾的可能性；所述第二温度初始检测数据表示红外测温传感器的输出结果隶属于火灾发生的可能性；图5对应所述图片传感器隶属函数，图中横轴表示置信度，纵轴表示发生概率；所述图片传感器检测信息分为两部分，即
所述第一图片初始检测数据和所述第二图片初始检测数据；所述第一图片初始检测数据表示图片检测的输出结果隶属于无火灾的可能性；所述第二图片初始检测数据表示图片检测的输出结果隶属于火灾发生的可能性；图4和图5的计算方式和解读可以参考图3，这里不再赘述。
[0088]
在步骤s103中，根据所述模糊阈值规则计算所述初始检测数据的权重，得到检测数据权重；本实施例中设置有四条规则，每条规则对应的权重也可以理解为每条规则的激励强度；若应用在更为复杂的环境下还可以继续添加规则。
[0089]
在一实施例中，所述步骤s103，包括：
[0090]
按如下公式计算得到第一检测数据权重：
[0091]
ω1＝μ(s1)
×
μ(ir1)
×
μ(cv1)
[0092]
按如下公式计算得到第二检测数据权重：
[0093]
ω2＝μ(s2)
×
μ(ir1)
×
μ(cv1)
[0094]
按如下公式计算得到第三检测数据权重：
[0095]
ω3＝μ(s2)
×
μ(ir2)
×
μ(cv1)
[0096]
按如下公式计算得到第四检测数据权重：
[0097]
ω4＝μ(s2)
×
μ(ir2)
×
μ(cv2)
[0098]
在本实施例中，所述第一检测数据权重对应所述第一检测规则；所述第二检测数据权重对应所述第二检测规则；所述第三检测数据权重对应所述第三检测规则；所述第四检测数据权重对应所述第四检测规则。
[0099]
在步骤s104中，在计算得到每一规则对应的权重之后，需要对所述检测数据权重进行归一化处理，从而得到归一化数据结果，以便于最终求和时权重和为1。
[0100]
在一实施例中，所述步骤s104，包括：
[0101]
按如下公式进行归一化处理：
[0102][0103]
其中，表示所述归一化数据结果。
[0104]
在本实施例中，将每一条规则的权重分别代入该归一化公式计算，可以得到对应的归一化权重；需要注意的是，公式中j和i均为单纯的计数变量，分别用于计数4个权重规则，这里一共有4条规则，即对应有4个权重。
[0105]
在步骤s105中，根据所述模糊阈值规则对所述初始检测数据进行一阶形式化处理，得到形式化数据结果；这里目的是为了将所述形式化数据结果与所述归一化数据结果对应相乘。
[0106]
在一实施例中，所述步骤s105，包括：
[0107]
按如下公式计算得到第一形式化数据结果：
[0108]
f1＝p1s1+q1ir1+r1cv1+s1[0109]
按如下公式计算得到第二形式化数据结果：
[0110]
f2＝p2s2+q2ir1+r2cv1+s2[0111]
按如下公式计算得到第三形式化数据结果：
[0112]
f3＝p3s2+q3ir2+r3cv1+s3[0113]
按如下公式计算得到第四形式化数据结果：
[0114]
f4＝p4s2+q4ir2+r4cv2+s4[0115]
其中，p，q，r，s均表示为一阶规则参数。
[0116]
在本实施例中，若s隶属于s1、ir隶属于ir1、cv隶属于cv1，则对应所述第一检测规则，同时计算得到对应的所述第一形式化数据结果；若s隶属于s2、ir隶属于ir1、cv隶属于cv1，则对应所述第二检测规则，同时计算得到对应的所述第二形式化数据结果；若s隶属于s2、ir隶属于ir2、cv隶属于cv1，则对应所述第三检测规则，同时计算得到对应的所述第三形式化数据结果；若s隶属于s2、ir隶属于ir2、cv隶属于cv2，则对应所述第四检测规则，同时计算得到对应的所述第四形式化数据结果；需要注意的是，所述一阶规则参数可以初始化为非零的值，以便灵活变动。
[0117]
在步骤s106中，将所述归一化数据结果和所述形式化数据结果对应相乘再相加，得到最终数据结果；在本实施例中，所述归一化数据结果和所述形式化数据结果均有四个，所述归一化数据结果和所述形式化数据结果对应相乘可以得到四个相乘后的结果，可以分别表示为第一相乘结果第二相乘结果第三相乘结果第四相乘结果最后，将四个相乘后的结果相加即可得到所述最终数据结果。
[0118]
结合图6所示，在步骤s107中，所述最终数据结果经过sigmoid激活函数处理后输出概率值(所述明火发生概率)，作为评判火灾发生的概率；需要注意的是，所述sigmoid激活函数的作用是将一个范围从无穷小到无穷大的数字(横轴)映射到0-1之间(纵轴)，通常用于将各种输出数值转换为概率值，因为概率的范围为0-1。
[0119]
结合图7所示，在本实施中，采用三种传感器进行检测信息的获取，烟雾传感器和红外测温传感器的运行成本较低，因此可以全天候进行检测；若烟雾传感器或红外测温传感器检测到异常，则立刻调度对视频监控进行抽帧检测；将三种传感器检测信息传入anfis网络进行处理，得到最终的所述明火发生概率，进而判断是否上报调度中心通知消防部门，并且调动自动灭火装置进行灭火；需要注意的是，当视频监控没有被调度，也会按照设置好的时间间隔进行定时抽帧检测，以防止烟雾传感器和红外测温传感器均检测不到异常，出现发生火灾时没有被检测到的状况。
[0120]
另外的，anfis网络在投入实际应用前也需要对其进行训练；先随机生成一系列3种传感器的输出值并进行随机组合，构成一系列环境状态样本，由专家系统或人类专家对此样本进行结果标注，作为训练样本对anfis网络进行训练；训练过程中利用梯度下降与最小二乘法来对参数进行自适应优化；在推理阶段中，anfis网络将输入的传感器检测信息经过网络计算推理得到所述明火发生概率；若出现误报或者漏报，还可以用误报或漏报的数据对anfis网络进行迭代参数更新，漏报或误报的图片也可用于对所述明火检测模型的迭代更新，提高整体的识别准确率并降低误报率。
[0121]
结合图8所示，图8为本发明实施例提供的基于多传感器联合的明火检测装置的示意性框图，基于多传感器联合的明火检测装置800包括：
[0122]
信息获取单元801，用于获取传感器检测信息，设置模糊阈值规则；其中，所述传感器检测信息包括：烟雾传感器检测信息、温度传感器检测信息和图片传感器检测信息；
[0123]
信息处理单元802，用于利用隶属函数对所述传感器检测信息进行处理，得到初始检测数据；
[0124]
第一计算单元803，用于根据所述模糊阈值规则计算所述初始检测数据的权重，得到检测数据权重；
[0125]
第二计算单元804，用于对所述检测数据权重进行归一化处理，得到归一化数据结果；
[0126]
第三计算单元805，用于根据所述模糊阈值规则对所述初始检测数据进行一阶形式化处理，得到形式化数据结果；
[0127]
第四计算单元806，用于将所述归一化数据结果和所述形式化数据结果相乘相加，得到最终数据结果；
[0128]
第五计算单元807，用于利用激活函数对所述最终数据结果进行计算处理后，得到明火发生概率。
[0129]
在本实施例中，信息获取单元801获取传感器检测信息，设置模糊阈值规则；信息处理单元802利用隶属函数对所述传感器检测信息进行处理，得到初始检测数据；第一计算单元803根据所述模糊阈值规则计算所述初始检测数据的权重，得到检测数据权重；第二计算单元804对所述检测数据权重进行归一化处理，得到归一化数据结果；第三计算单元805根据所述模糊阈值规则对所述初始检测数据进行一阶形式化处理，得到形式化数据结果；第四计算单元806将所述归一化数据结果和所述形式化数据结果相乘相加，得到最终数据结果；第五计算单元807利用激活函数对所述最终数据结果进行计算处理后，得到明火发生概率。
[0130]
在一实施例中，在所述信息获取单元801之前，包括：
[0131]
第一获取单元，用于获取第一明火图片数据集，对所述第一明火图片数据集进行标注，得到正样本数据；
[0132]
第二获取单元，用于获取第二明火图片数据集，对所述第二明火图片数据集进行标注，得到负样本数据；
[0133]
样本混合单元，用于将所述正样本数据和所述负样本数据进行混合，得到混合样本数据；
[0134]
样本验证单元，用于对所述混合样本数据分别进行模型训练和模型验证，得到明火检测模型。
[0135]
在一实施例中，所述信息获取单元801，包括：
[0136]
第一判定单元，用于若满足第一检测规则，则判定场景安全，其中，所述第一检测规则为所述烟雾传感器检测信息、所述温度传感器检测信息和所述图片传感器检测信息均对应小于烟雾阈值、温度阈值和图片阈值；
[0137]
第二判定单元，用于若满足第二检测规则，则判定场景存在烟雾以及存在火灾隐患，其中，所述第二检测规则为所述烟雾传感器检测信息大于烟雾阈值，所述温度传感器检测信息和所述图片传感器检测信息均对应小于温度阈值和图片阈值；
[0138]
第三判定单元，用于若满足第三检测规则，则判定场景存在高温物体与烟雾，其中，所述第三检测规则为所述烟雾传感器检测信息和所述温度传感器检测信息均对应大于烟雾阈值和温度阈值，所述图片传感器检测信息小于图片阈值；
[0139]
第四判定单元，用于若满足第四检测规则，则判定场景已经发生火灾，其中，所述第四检测规则为所述烟雾传感器检测信息、所述温度传感器检测信息和所述图片传感器检测信息均对应大于烟雾阈值、温度阈值和图片阈值。
[0140]
在一实施例中，所述信息处理单元802，用于：
[0141]
按如下公式计算得到烟雾初始检测数据：
[0142][0143]
其中，s1表示第一烟雾初始检测数据，s2表示第二烟雾初始检测数据；
[0144]
按如下公式计算得到温度初始检测数据：
[0145][0146]
其中，ir1表示第一温度初始检测数据，ir2表示第二温度初始检测数据；
[0147]
按如下公式计算得到图片初始检测数据：
[0148][0149]
其中，cv1表示第一图片初始检测数据，cv2表示第二图片初始检测数据。
[0150]
在一实施例中，所述第一计算单元803，用于：
[0151]
按如下公式计算得到第一检测数据权重：
[0152]
ω1＝μ(s1)
×
μ(ir1)
×
μ(cv1)
[0153]
按如下公式计算得到第二检测数据权重：
[0154]
ω2＝μ(s2)
×
μ(ir1)
×
μ(cv1)
[0155]
按如下公式计算得到第三检测数据权重：
[0156]
ω3＝μ(s2)
×
μ(ir2)
×
μ(cv1)
[0157]
按如下公式计算得到第四检测数据权重：
[0158]
ω4＝μ(s2)
×
μ(ir2)
×
μ(cv2)
[0159]
在一实施例中，所述第二计算单元804，用于：
[0160]
按如下公式进行归一化处理：
[0161][0162]
其中，表示所述归一化数据结果。
[0163]
在一实施例中，所述第三计算单元805，用于：
[0164]
按如下公式计算得到第一形式化数据结果：
[0165]
f1＝p1s1+q1ir1+r1cv1+s1[0166]
按如下公式计算得到第二形式化数据结果：
[0167]
f2＝p2s2+q2ir1+r2cv1+s2[0168]
按如下公式计算得到第三形式化数据结果：
[0169]
f3＝p3s2+q3ir2+r3cv1+s3[0170]
按如下公式计算得到第四形式化数据结果：
[0171]
f4＝p4s2+q4ir2+r4cv2+s4[0172]
其中，p，q，r，s均表示为一阶规则参数。
[0173]
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
[0174]
本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0175]
本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
[0176]
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
[0177]
还需要说明的是，在本说明书中，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。在没有更多限制的状况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。