[发明专利]一种基于机器视觉和支持向量机的火焰热流实时检测方法

说明书

本发明提出一种基于机器视觉和支持向量机的火焰热流实时检测方法，基于火焰视频的一系列图像信息，使用支持向量机算法寻找火焰图片所占像素比与热流之间的内在关系，形成通过火焰视频数据实时检测火焰热流的预测模型，解决热流计在火场中因高温失效的难题，降低了实际火场中热流获取的难度，提升了火场态势研判的速度与准确率。

技术领域

本发明涉及一种基于机器视觉和支持向量机的火焰热流实时检测方法，属于消防工程技术领域。

背景技术

火灾发生后，热辐射和热对流是热量传递的主要方式，对周围可燃物和消防员构成重大威胁，为了最大限度避免引燃周围可燃物和保障消防员人身安全，对总热流实时获取的计算研究具有重要意义。由于利用热流通量可以描述灾害的危险程度，热流一直是表征火灾发展态势的关键。

国内外许多研究人员致力于单一稳态火焰的热辐射的理论计算和模型推导。一些研究人员将火焰统一假设为固定形态(例如圆柱体)，并以此估算火焰对周围目标的表面辐射量，也有一些研究人员不断改变火灾场景，计算油池火、油罐火、建筑火等造成的热辐射通量。然而，不管是在实验室进行的小规模实验还是通过数值模拟研究得到的模型推导都很难在实际火场中发挥有效性。目前市场上虽然存在可以测量热辐射的热流计，但是热流计价格昂贵且容易被高温烧坏，为保证测量数据的准确性，测量时需要用冷却水不断进行冷却，不符合火场救援实际。

近年来机器学习在各个领域的发展迅速，不少火灾领域的研究人员开始了机器学习和火灾科学的交叉研究。机器学习可以弥补数值模型长达几十甚至上百小时的模拟时间，利用实现训练优化得到的预测模型在数秒内预测得到相关数值，实现火场实时参数获取和火势预判的需要。目前计算机智能方法在火灾领域的关注点主要在火灾探测和烟雾探测。也有不少研究人员将目光投向了影响火灾态势发展的主要因素，通过CFD数值模拟建立不同火灾场景的大型数据库，建立特征与标签之间的多项耦合关系，训练得到相应的火灾参数预测模型，即可预测火源位置、温度分布、烟气扩散等。高精度的火灾参数预测模型对提高火情应急救援响应能力起到了关键作用。但是目前利用计算机图像处理技术和机器学习对火焰热流通量进行实时预测的研究较少。

发明内容

火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。在消防领域，传统的浅层次的、以经验式、观察式为主的灾害分析方法已经难以保障救援安全，亟需一整套智慧的、深层次的、科学的灾害分析方法。针对实际火灾发展所呈现的随机性、偶然性和动态性，基于现有图像监控设备和消防移动式图像采集设备，结合火灾动力学基础科学，突破火灾三维灾害呈现技术瓶颈，提出智能火灾态势预测方法，实现火场风险实时评估。因此，本发明提出一种基于机器视觉和支持向量机的火焰热流检测方法，基于火焰视频的一系列图像信息，使用支持向量机算法寻找火焰图片所占像素比与热流之间的内在关系，形成通过火焰视频数据实时检测火焰热流的预测模型，解决热流计在火场中因高温失效的难题，降低实际火场中火灾热流获取的难度，提升火场态势研判的速度与准确率。

本发明公开了一种基于机器视觉和支持向量机的火焰热流实时检测方法，其中包括S1：采集火焰视频；S2：火焰视频预处理；S3：计算火焰像素占比；S4：数据集构建；S5：支持向量机模型训练；S6：输出火焰实时热流值。以上各个步骤具体如下：

S1.采集火焰视频

在火源位置处设置可调节可燃气体(密度为ρ、燃烧热为ΔH)流量的气体燃烧器，设置N种不同气体流量(q₁、q₂…q_N)的火源，采用相同的相机姿势，在黑暗的环境中引燃气体燃烧器，调节相机曝光，使得所拍摄火焰的轮廓尽可能与周围环境形成高对比度，每种气体流量拍摄视频时长为T₀，视频帧率为p(每秒采集p张图像)，在M种距离火源不同距离的位置架设相机，重复上述操作采集火焰视频；

S2.火焰视频预处理