[发明专利]一种用于公路隧道的智能图像型火灾报警系统

摘要

本发明涉及一种用于公路隧道的智能图像型火灾报警系统，该火灾报警系统包括有：用于实时采集现场数据的摄像头，该摄像头连接视频图像采集及传输模块的输入端，两个输出端分别连接视频监控模块和图像型火灾探测器；图像型火灾探测器分别连接火灾报警控制器和图像火灾报警管理模块；图像火灾报警管理模块分别接收来自视频监控模块的视频监控信息和来自图像型火灾探测器的火灾信息，该图像火灾报警管理模块连接数据库；火灾报警控制器连接图像型火灾探测器；数据库设于计算机内。本发明的火灾报警系统可同时进行烟雾探测、火焰探测和视频监控三种功能，及时准确地判断出火警并给出报警信号，大大降低误报率，提升报警系统的抗干扰性能。

主权项

1.一种用于公路隧道的智能图像型火灾报警系统，其特征在于，该火灾报警系统包括有：摄像头，该摄像头用于实时采集公路隧道内的现场数据，并将现场数据传输至视频图像采集及传输模块；视频图像采集及传输模块，其输入端连接所述的摄像头，两个输出端分别连接视频监控模块和图像型火灾探测器，视频图像采集及传输模块内包括有传感器单元、光电转换单元和模数转换单元；图像型火灾探测器，该图像型火灾探测器分别连接火灾报警控制器和图像火灾报警管理模块，该图像型火灾探测器同时进行烟雾图像处理和火焰图像处理以实现烟雾探测和火焰探测；视频监控模块，该视频监控模块的输出端连接图像火灾报警管理模块并输出实时视频监控信息；图像火灾报警管理模块，其分别接收来自视频监控模块的视频监控信息和来自图像型火灾探测器的火灾信息，该图像火灾报警管理模块连接数据库；火灾报警控制器，该火灾报警控制器连接图像型火灾探测器；数据库，该数据库设于计算机内；所述的视频图像采集及传输模块通过作为传感器单元中的图像传感器采集火灾现场火焰和烟雾的辐射信号，光电转换单元将辐射信号转换为模拟视频信号，模数转换单元将模拟视频信号转换并压缩为数字图像序列；所述的图像型火灾探测器上设有烟雾探测单元、火焰探测单元、图像预处理单元、图像特征提取单元、智能识别单元和火灾判别单元，烟雾探测单元和火焰探测单元内的数据分别经过图像预处理单元、图像特征提取单元、智能识别单元和火灾判别单元，火灾判别单元的输出结构联动图像火灾报警管理模块和火灾报警控制器；所述的图像预处理单元首先对接收到的烟雾和火焰数字图像数列进行平滑与锐化处理，消除或尽量减小噪声影响，然后对数字图像进行二值化处理，提取出反映图像整体和局部特征的目标图像，接着采用图像减法运算去掉图像的背景；图像特征提取单元利用小波变换将目标图像通过伸缩和平移后，分别提取出能代表并区别该目标图像的烟雾、火焰的各种变化特征信息，具体包括烟雾特征提取和火焰特征提取，烟雾特征包括有空间分辨率、频率特征和方向特性，火焰特征包括有火焰颜色、闪烁频率和亮度变化；智能识别单元采用人工神经网络对图像信息进行分类和辨识，图像信息分类包括有火灾状态、报警状态和正常状态，具体是采用人工神经网络中BP网络模型进行模式识别分类，其工作过程可分为学习和分类两个阶段，前者是根据图像的样本数据，由网络本身依照某种规则进行自学习；后者则是利用学习的结构对整幅图像进行分类；火灾判别单元根据图像信息分类和预设标准比对以确认是否发生火灾，如发生火灾则启动火灾报警控制器进行报警，并把火灾信息及视频信息显示在图像火灾报警管理模块中；智能识别单元中BP神经网络模型将其运算结果传输给火灾判别单元，由其根据0(k)判断火灾状态；在智能识别单元中，BP神经网络学习过程如下：a.首先训练样本获取，根据提取的M个特征参数对目标图像进行样本归类，然后从M组目标图像中各随机抽取一个，构成一个M维特征向量，抽取多次组成训练样本集；b.接着构建BP神经网络模型，使得BP神经网络的输入节点对应目标图像的M个特征参数，对于BP神经网络输入层的节点i=M，使BP神经网络的输出节点对应火灾识别结果0(k),0(k)的取值为0(k)[0,1]，其中，0(k)[0.75,1]为“火灾状态”，0(k)[0.25,0.75]为“警告状态”，0(k)[0，0.25]为“正常状态”，对应BP神经网络输出层的节点数k=1;接着计算出BP神经网络隐含层的节点数；c.神经网络的训练，神经网络采用的是三层拓扑结构，即输入层、隐含层、输出层，输入层信息由提取的火灾烟雾、火焰的图像变化特征确定，神经网络的训练流程如下：参数初始化：设定输入层设定最大迭代次数、最小误差、学习速率参数，将输入层与隐含层的连接权值，隐含层与输出层的连接权值初始化为（‑1,1）之间的随机数；信息前向传播过程计算，将训练样本输入到BP神经网络模型的输入层，通过输入得到隐含层结点的输入值，其中为输入层结点的输出值，亦即结点的输入值 ，那么隐含层的输出为；然后通过得到输出层结点的输入为；最后得到输出层结点的输出为；误差后向传播过程计算 ；假设期望输出为，则输出端的平均误差为，然后利用梯度下降法调制隐含层与输出层之间的权值，同理，根据隐含层节点上的误差，采用梯度下降法调整输入层与隐含层之间的权值，循环步骤2和3，直至达到最大训练次数或满足最小误差；保存各层的权值，并利用学习好的参数对新样本进行识别。