一种燃气场站火灾预警检测方法及系统

技术领域

本发明涉及安全检测技术领域，尤其涉及一种燃气场站火灾预警检测方法及系统。

背景技术

随着社会经济的发展，工商业用户对天然气的需求日渐增大，作为一种清洁能源，极大程度上改善了环境质量，但是它的易燃易爆等危险特性不容忽视。

目前大部分天然气场站以人员值守的方式进行安全管理，通过每日巡查发现设备及是否有天然气泄漏、场站周围是否有明火等现象，对隐患部位及时处理，以此来实现安全管理。如附图1所示。

该模式有以下几点不足：

1、主要依靠人员现场巡查发现问题；

2、巡查有时间间隔，不能确保实时发现隐患。

对于火灾的检测及预警，技术人员做了很多技术研究，对于火灾的检测和预警实现了自动化检测。

在中国专利文献CN101334924中，公开了一种火灾探测系统及其火灾探测方法，该系统包括：视频采集模块；火焰判断模块，从采集到的视频图像中提取火焰特征参数，并根据火焰特征参数进行统计分析，计算探测区域的火焰发生概率；烟雾判断模块，用于提取烟雾特征参数，并根据烟雾特征参数进行统计分析，计算探测区域的烟雾发生概率；火灾判断模块，用于根据火焰发生概率和烟雾发生概率进行融合计算，确定火灾发生概率；故障判断模块，用于识别故障信息；报警模块，用于比较火焰、烟雾和火灾发生概率与预设阈值，并根据比较结果发出相应报警信息；还包括背景光源模块，用于在探测区域的亮度分布和光线照度等级低于探测标准时，为探测区域提供背景光源；探测区域光线监测与控制单元，用于分析计算探测区域的亮度分布和光线照度等级，并在探测区域的亮度分布和光线照度等级低于探测标准时，控制所述背景光源模块的启动；常规火灾探测模块，用于检测火灾特征参数；所述火焰判断模块和/或烟雾判断模块和/或火灾判断模块进一步融合所述火灾特征参数，计算出火焰发生概率和/或烟雾发生概率和/或火灾发生概率；设定调试与自学习模块，用于对探测系统进行参数设定，并在系统发生误报警或漏报警时，利用自学习机制更新系统决策参数。该系统只对火焰和烟雾进行检测，未考虑燃气浓度特征，不适用于燃气场站的场景，且未使用机器学习网络模型，检测结果准确性不高，同时火焰和烟雾发生概率采用同一阈值，而在实际情况中，火焰和烟雾发生概率是不同的，也会导致检测结果的偏差。

现有技术至少存在以下不足：

1.未考虑燃气浓度因素，不适合燃气场站的场景。

2.火焰和烟雾发生概率判断阈值采用同一阈值，与实际情况不符，会导致检测结果偏差。

3.未使用机器学习网络模型对火焰和烟雾等特征进行深度学习，使得特征识别出现偏差。

发明内容

为解决现有技术中存在的技术问题，提供一种适合燃气场站的准确的火灾预警检测方法，本发明提供了一种燃气场站火灾预警检测方法及系统。该方法首先采集火焰和烟雾视频数据样本集和空气数据样本集，然后对样本集提取火焰、烟雾和燃气浓度特征，利用数据样本集输入两层级联的LSTM网络模型，对两层级联的LSTM网络模型进行训练，并利用训练好的网络模型进行实时火焰、烟雾和燃气特征的检测，最后通过对火焰、烟雾和燃气的检测结果的判断，得到预警等级，并采取相应的操作。本发明充分利用了燃气场站燃气浓度的特征，结合火焰及烟雾特征，进行火灾预警检测，同时针对火焰、烟雾和燃气设置不同的阈值，针对火焰、烟雾和燃气的不同发生概率采用不同的检测总结果计算方法，使得检测结果更准确。

本发明提供了一种燃气场站火灾预警检测方法，包括如下步骤：

采集火焰和烟雾视频数据样本集和空气数据样本集；

根据采集的火焰和烟雾视频数据样本集和空气数据样本集，提取火焰特征、烟雾特征及燃气浓度特征；

将火焰、烟雾和空气数据样本集分别输入两层级联LSTM网络模型，进行训练，得到训练好的LSTM网络模型；

实时采集火焰和烟雾的视频数据，从视频数据帧中分别实时提取预设时间段内的火焰序列图像和烟雾序列图像；

实时采集待测空气数据；

将实时提取的火焰序列图像、烟雾序列图像以及从实时采集的待测空气数据分别输入训练好的LSTM网络模型，得到火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果；

根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果得到火灾预警检测总结果；

将火灾预警检测总结果R

优选地，根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果分别确定火焰发生概率FL

优选地，火灾预警检测总结果R

当FL

当FL

当FL

当FL

当FL

R

其中：

FL

S

G

FL

S

G

W

W

W

W

且有W

a：预设四级警报比例因子，0

优选地，判断是否发出火灾警报以及警报等级，具体包括：

当R

当W

当W

当W

当W

其中：

R

W

W

W

W

且有W

优选地，根据预设时间内火焰序列图像的检测结果，确定火焰特征序列参数，火焰特征参数包括火焰特征序列相关性、火焰面积变化率和火焰平均亮度，火焰发生概率FL

将各火焰特征序列参数值分别除以预设的各火焰特征序列参数值，分别得到各火焰特征参数的发生概率；

将各火焰特征参数的发生概率进行平均，作为火焰发生概率FL

优选地，燃气泄漏概率通过如下方法获得：

当C

当C

当时G

其中：

G

G

C

C

优选地，根据预设时间内烟雾序列图像的检测结果，确定烟雾特征序列参数值，烟雾特征参数包括烟雾浓度、烟雾运动速度和烟雾颜色，烟雾发生概率S

将各烟雾特征序列参数值分别除以预设的各烟雾特征序列参数值，分别得到各烟雾特征参数的发生概率；

将各烟雾特征参数的发生概率进行平均，作为烟雾发生概率S

优选地，根据火焰静态特征从视频帧数据提取火焰图像，所述火焰静态特征包括颜色、形状和纹理；根据烟雾静态特征从视频帧数据提取烟雾图像，所述烟雾静态特征包括烟雾浓度、烟雾颜色和烟雾成分。

本发明提供了一种燃气场站火灾预警检测系统，包括：

样本采集模块，用于采用火焰、烟雾的视频图像，以及采集空气样本；

机器学习模块，用于根据采集的样本集进行训练，并用于实时样本特征检测；

火灾预警判断模块，用于根据机器学习模块的检测结果，进行火灾预警检测总结果的计算，并给出警报等级判断结果；

火灾报警模块，根据火灾预警判断模块给出的警报等级判断结果，执行相应的一项或多项操作，所述操作包括，发出相应等级警报、关闭所有燃气阀门和放落防火帘。

优选地，火灾预警判断模块执行如下操作：

根据机器学习模块的检测结果，确定火焰特征、烟雾特征以及燃气浓度特征；

根据火焰特征、烟雾特征以及燃气浓度特征分别确定火焰发生概率、烟雾发生概率和燃气泄漏概率；

根据火焰发生概率、烟雾发生概率和燃气泄漏概率，计算火灾预警检测总结果；

根据火灾预警检测总结果与预设的不同警报等级的阈值进行比较，得出警报等级判断结果。

与现有技术相对比，本发明的有益效果如下：

1.本发明利用了燃气场站燃气浓度的特征，结合火焰及烟雾特征，进行燃气场站的火灾预警检测，更适合燃气场站的应用场景；

2.本发明对于火焰、烟雾和燃气发生概率分别与火焰、烟雾和燃气设置的不同阈值进行比较，更符合实际情况，使检测总结果更准确；

3.本发明针对火焰、烟雾和燃气的不同发生概率的情况，采用不同的检测总结果计算方法，使得检测总结果更准确。

4.本发明通过设置不同的警报等级，对于不同的检测总结果区分为不同的警报等级，并采取不同的相应的操作，使得预警系统更准确反映警报的紧急程度。

附图说明

图1是现有技术中人工巡查火灾隐患的示意图；

图2是本发明燃气场站火灾检测方法流程图；

图3是本发明燃气场站火灾检测系统框图。

具体实施方式

下面结合附图1-3，对本发明的具体实施方式作详细的说明。

本发明提供了一种燃气场站火灾预警检测方法，包括如下步骤：

采集火焰和烟雾视频数据样本集和空气数据样本集；

根据采集的火焰和烟雾视频数据样本集和空气数据样本集，提取火焰特征、烟雾特征及燃气浓度特征；

将火焰、烟雾和空气数据样本集分别输入两层级联LSTM网络模型，进行训练，得到训练好的LSTM网络模型；

本发明采用两层LSTM网络模型，即堆叠式LSTM，堆叠式LSTM属于深度学习，通过添加网络的深度，可以提高训练的效率，获得更高的准确性。

LSTM对序列数据的操作更具优势，这意味着层的添加增加了输入观察随时间的抽象级别，堆叠的LSTM使得LSTM网络在不同的时间尺度上的优势发挥得更明显。

实时采集火焰和烟雾的视频数据，从视频数据帧中分别实时提取预设时间段内的火焰序列图像和烟雾序列图像；

实时采集待测空气数据；

将实时提取的火焰序列图像、烟雾序列图像以及从实时采集的待测空气数据分别输入训练好的LSTM网络模型，得到火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果；

根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果得到火灾预警检测总结果；

将火灾预警检测总结果R

作为优选实施方式，根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果分别确定火焰发生概率FL

作为优选实施方式，火灾预警检测总结果R

当FL

当FL

当FL

当FL

当FL

R

其中：

FL

S

G

FL

S

G

W

W

W

W

且有W

a：预设四级警报比例因子，0

本发明对于火焰、烟雾和燃气发生概率分别与火焰、烟雾和燃气设置的不同阈值进行比较，更符合实际情况，使检测总结果更准确。比如，在发生火灾的情况下，人们首先看到的通常都是烟雾，所以烟雾发生的概率要大于火焰，而当火焰发生概率达到火焰阈值时，说明火灾的可能性更大，相应地，在计算火灾预警检测总结果时，对火灾预警检测总结果影响也越大，因此在火灾预警检测总结果计算公式中，火焰发生概率与火焰阈值的关系的比值对火灾预警检测总结果的影响越大，比值越大，火灾预警检测总结果越大。

当火焰发生概率大于火焰阈值，当烟雾和燃气浓度发生概率也均大于各自的阈值时，说明一定会发生大火灾，警报等级为紧急程度最高的警报等级。

当火焰发生概率大于火焰阈值时，只要烟雾和燃气浓度二者有一个发生概率大于各自的阈值，则相应的火灾预警检测总结果也越大，将对应紧急程度更高的警报等级。

当火焰发生概率大于火焰阈值，而烟雾和燃气浓度发生概率均小于各自的阈值，则此时即使有明火，发生大火灾的概率也相对较低，相应的火灾预警检测总结果也降低，对应于仅次于上述警报等级的警报等级；而当烟雾和燃气浓度发生概率均大于各自的阈值时，如果火焰发生概率小于火焰阈值，则发生大火灾的概率也相对较低，相应的火灾预警检测总结果也降低。

当火焰发生概率小于火焰阈值，同时烟雾和燃气浓度二者有一个发生概率小于各自的阈值时，说明火灾危险更次之，相应的火灾预警检测总结果更低。

当火焰、烟雾和燃气浓度发生概率均小于各自阈值时，说明没有危险，相应的火灾预警检测总结果最低。

作为优选实施方式，判断是否发出火灾警报以及警报等级，具体包括：

当R

当W

当W

当W

当W

其中：

R

W

W

W

W

且有W

作为优选实施方式，根据预设时间内火焰序列图像的检测结果，确定火焰特征序列参数，火焰特征参数包括火焰特征序列相关性、火焰面积变化率和火焰平均亮度，火焰发生概率FL

将各火焰特征序列参数值分别除以预设的各火焰特征序列参数值，分别得到各火焰特征参数的发生概率；

将各火焰特征参数的发生概率进行平均，作为火焰发生概率FL

作为优选实施方式，燃气泄漏概率通过如下方法获得：

当C

当C

当时G

其中：

G

G

C

C

燃气浓度在燃气浓度第一阈值和燃气浓度第二阈值之间时，燃气泄漏概率小1大于0，超过燃气浓度第一阈值时，燃气泄漏概率为1，则认为一定发生了燃气泄漏；而小于燃气浓度第二阈值时，认为一定没有发生泄漏。因此，通过选择合适的燃气浓度第一阈值和燃气浓度第二阈值，以及燃气阈值，可以使检测总结果误判概率最小化。

作为优选实施方式，根据预设时间内烟雾序列图像的检测结果，确定烟雾特征序列参数值，烟雾特征参数包括烟雾浓度、烟雾运动速度和烟雾颜色，烟雾发生概率S

将各烟雾特征序列参数值分别除以预设的各烟雾特征序列参数值，分别得到各烟雾特征参数的发生概率；

将各烟雾特征参数的发生概率进行平均，作为烟雾发生概率S

作为优选实施方式，根据火焰静态特征从视频帧数据提取火焰图像，所述火焰静态特征包括颜色、形状和纹理；根据烟雾静态特征从视频帧数据提取烟雾图像，所述烟雾静态特征包括烟雾浓度、烟雾颜色和烟雾成分。

本发明提供了一种燃气场站火灾预警检测系统，包括：

样本采集模块，用于采用火焰、烟雾的视频图像，以及采集空气样本；

机器学习模块，用于根据采集的样本集进行训练，并用于实时样本特征检测；

火灾预警判断模块，用于根据机器学习模块的检测结果，进行火灾预警检测总结果的计算，并给出警报等级判断结果；

火灾报警模块，根据火灾预警判断模块给出的警报等级判断结果，执行相应的一项或多项操作，所述操作包括，发出相应等级警报、关闭所有燃气阀门和放落防火帘。

作为优选实施方式，火灾预警判断模块执行如下操作：

根据机器学习模块的检测结果，确定火焰特征、烟雾特征以及燃气浓度特征；

根据火焰特征、烟雾特征以及燃气浓度特征分别确定火焰发生概率、烟雾发生概率和燃气泄漏概率；

根据火焰发生概率、烟雾发生概率和燃气泄漏概率，计算火灾预警检测总结果；

根据火灾预警检测总结果与预设的不同警报等级的阈值进行比较，得出警报等级判断结果。

实施例1

根据本发明的一个具体实施方案，结合附图1-3，对本发明进行详细说明。

本发明提供了一种燃气场站火灾预警检测方法，包括如下步骤：

采集火焰和烟雾视频数据样本集和空气数据样本集；

根据采集的火焰和烟雾视频数据样本集和空气数据样本集，提取火焰特征、烟雾特征及燃气浓度特征；

将火焰、烟雾和空气数据样本集分别输入两层级联LSTM网络模型，进行训练，得到训练好的LSTM网络模型；

本发明采用两层LSTM网络模型，即堆叠式LSTM，堆叠式LSTM属于深度学习，通过添加网络的深度，可以提高训练的效率，获得更高的准确性。

LSTM对序列数据的操作更具优势，这意味着层的添加增加了输入观察随时间的抽象级别，堆叠的LSTM使得LSTM网络在不同的时间尺度上的优势发挥得更明显。

实时采集火焰和烟雾的视频数据，从视频数据帧中分别实时提取预设时间段内的火焰序列图像和烟雾序列图像；

根据火焰静态特征从视频帧数据提取火焰图像，所述火焰静态特征包括颜色、形状和纹理；根据烟雾静态特征从视频帧数据提取烟雾图像，所述烟雾静态特征包括烟雾浓度、烟雾颜色和烟雾成分。

实时采集待测空气数据；

将实时提取的火焰序列图像、烟雾序列图像以及从实时采集的待测空气数据分别输入训练好的LSTM网络模型，得到火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果；

根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果得到火灾预警检测总结果；

首先，根据火焰特征检测结果、烟雾特征检测结果和燃气浓度特征检测结果分别确定火焰发生概率FL

根据预设时间内火焰序列图像的检测结果，确定火焰特征序列参数，火焰特征参数包括火焰特征序列相关性、火焰面积变化率和火焰平均亮度，火焰发生概率FL

将各火焰特征序列参数值分别除以预设的各火焰特征序列参数值，分别得到各火焰特征参数的发生概率；

将各火焰特征参数的发生概率进行平均，作为火焰发生概率FL

根据预设时间内烟雾序列图像的检测结果，确定烟雾特征序列参数值，烟雾特征参数包括烟雾浓度、烟雾运动速度和烟雾颜色，烟雾发生概率S

将各烟雾特征序列参数值分别除以预设的各烟雾特征序列参数值，分别得到各烟雾特征参数的发生概率；

将各烟雾特征参数的发生概率进行平均，作为烟雾发生概率S

燃气泄漏概率通过如下方法获得：

当C

当C

当时G

其中：

G

G

C

C

然后计算火灾预警检测总结果R

当FL

当FL

当FL

当FL

当FL

R

其中：

FL

S

G

FL

S

G

W

W

W

W

且有W

a：预设四级警报比例因子，0

将火灾预警检测总结果R

判断是否发出火灾警报以及警报等级，具体包括：

当R

当W

当W

当W

当W

其中：

R

W

W

W

W

且有W

本发明提供了一种燃气场站火灾预警检测系统，包括：

样本采集模块，用于采用火焰、烟雾的视频图像，以及采集空气样本；

机器学习模块，用于根据采集的样本集进行训练，并用于实时样本特征检测；

火灾预警判断模块，用于根据机器学习模块的检测结果，进行火灾预警检测总结果的计算，并给出警报等级判断结果；

火灾预警判断模块执行如下操作：

根据机器学习模块的检测结果，确定火焰特征、烟雾特征以及燃气浓度特征；

根据火焰特征、烟雾特征以及燃气浓度特征分别确定火焰发生概率、烟雾发生概率和燃气泄漏概率；

根据火焰发生概率、烟雾发生概率和燃气泄漏概率，计算火灾预警检测总结果；

根据火灾预警检测总结果与预设的不同警报等级的阈值进行比较，得出警报等级判断结果。

火灾报警模块，根据火灾预警判断模块给出的警报等级判断结果，执行相应的一项或多项操作，所述操作包括，发出相应等级警报、关闭所有燃气阀门和放落防火帘。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。