【技術實現步驟摘要】
本專利技術涉及火災識別，特別是涉及一種用于充電樁場景下的火災識別方法、系統、設備和介質。
技術介紹
1、隨著電動車的發展，電動汽車、電動自行車在人們的日常生活中占有很大的比例，由于電動車的特性，使得電動車需要經常進行充電，于是就有了充電樁的出現。目前市場上的充電樁設備一般都是安裝在地下室，停車棚，停車場。由于現有的充電樁中線路較多，而且在對電動車進行充電時，充電電流非常大，設備老化、損壞相對嚴重，與此同時，大部分充電樁一般設置在露天環境中，難以避免高溫、低溫、潮濕的工作環境，這樣充電樁就極其容易發生火災；并且充電樁設備大多部署在比較偏遠的地方或處于無人值守狀態，一旦發生火災難以做到及時預警、及時處置，火情發展和蔓延的比較快，帶來的后果也會比較嚴重，造成較大的經濟損失。
2、現有的充電樁一般都會集成溫度傳感器，以對車輛在充電過程中的溫度進行監控。但是僅憑借溫度傳感器無法對充電過程中可能產生的煙霧、火花等特征進行監控，無法第一時間發現火災隱患。
技術實現思路
1、為了解決上述技術問題，本專利技術提供了一種用于充電樁場景下的火災識別方法、系統、設備和介質，以能夠解決火災隱患發現不及時的問題，達到準確高效的對充電樁的火災隱患進行識別的效果。
2、第一方面，本專利技術提供了一種用于充電樁場景下的火災識別方法，所述方法包括：
3、獲取待識別的充電樁區域的時序圖像和時序環境參數，所述時序圖像包括位圖圖像和對應的紅外圖像，所述時序環境參數包括時序煙霧數據；>
4、將所述位圖圖像輸入目標識別模型，得到目標圖像，并根據所述目標圖像，從所述紅外圖像中選取對應的紅外目標圖像；
5、從各個所述紅外圖像的紅外目標圖像中提取溫度數據，并根據提取到的溫度數據，得到時序溫度數據；
6、將所述目標圖像、所述時序煙霧數據和所述時序溫度數據輸入火災識別模型，得到充電樁區域的火災識別結果。
7、進一步地，所述將所述位圖圖像輸入目標識別模型，得到目標圖像的步驟包括：
8、對所述位圖數據進行預處理，并將預處理后的所述位圖數據輸入預先訓練好的目標識別模型，對火焰和充電樁進行識別，得到目標圖像，所述目標圖像包括火焰圖像和充電樁圖像；
9、其中，所述目標識別模型采用基于ghostnet的yolo模型構建，在所述yolo模型的主干網絡中設置了注意力模塊和多層感受野模塊，所述注意力模塊為基于卷積塊注意力機制和坐標注意力機制的混合注意力模塊。
10、進一步地，所述從各個所述紅外圖像的紅外目標圖像中提取溫度數據，并根據提取到的溫度數據，得到時序溫度數據的步驟包括：
11、獲取所述紅外圖像對應的紅外相機的校準數據，并提取所述紅外圖像的紅外目標圖像對應的像素值；
12、根據所述校準數據，將所述像素值轉換為輻射強度值，并根據普朗克定律，將所述輻射強度值轉換為溫度數據；
13、根據各個所述紅外圖像對應的溫度數據，得到時序溫度數據。
14、進一步地，所述火災識別模型采用神經網絡模型構建得到，包括第一循環神經網絡模型、第二循環神經網絡模型、卷積神經網絡模型、特征融合層和全連接層；
15、其中，所述第一循環神經網絡模型的輸入數據為時序煙霧數據，所述第一循環神經網絡模型的輸出數據為煙霧特征數據；
16、所述第二循環神經網絡模型的輸入數據為時序溫度數據，所述第二循環神經網絡模型的輸出數據為溫度特征數據；
17、所述卷積神經網絡模型的輸入數據為所述目標圖像，所述卷積神經網絡模型的輸出數據為圖像特征數據；
18、所述特征融合層的輸入數據為所述煙霧特征數據、溫度特征數據和圖像特征數據，所述特征融合層的輸出數據為融合特征數據；
19、所述全連接層的輸入數據為融合特征數據，所述全連接層的輸出數據為火災識別結果。
20、第二方面，本專利技術提供了一種用于充電樁場景下的火災識別系統，所述系統包括：
21、數據獲取模塊，用于獲取待識別的充電樁區域的時序圖像和時序環境參數，所述時序圖像包括位圖圖像和對應的紅外圖像，所述時序環境參數包括時序煙霧數據；
22、目標識別模塊，用于將所述位圖圖像輸入目標識別模型，得到目標圖像，并根據所述目標圖像，從所述紅外圖像中選取對應的紅外目標圖像；
23、溫度獲取模塊，用于從各個所述紅外圖像的紅外目標圖像中提取溫度數據，并根據提取到的溫度數據，得到時序溫度數據；
24、火災識別模塊，用于將所述目標圖像、所述時序煙霧數據和所述時序溫度數據輸入火災識別模型，得到充電樁區域的火災識別結果。
25、進一步地，所述目標識別模塊，還用于對所述位圖數據進行預處理，并將預處理后的所述位圖數據輸入預先訓練好的目標識別模型，對火焰和充電樁進行識別，得到目標圖像，所述目標圖像包括火焰圖像和充電樁圖像；
26、其中，所述目標識別模型采用基于ghostnet的yolo模型構建，在所述yolo模型的主干網絡中設置了注意力模塊和多層感受野模塊，所述注意力模塊為基于卷積塊注意力機制和坐標注意力機制的混合注意力模塊。
27、進一步地，所述溫度獲取模塊，還用于獲取所述紅外圖像對應的紅外相機的校準數據，并提取所述紅外圖像的紅外目標圖像對應的像素值；
28、根據所述校準數據，將所述像素值轉換為輻射強度值，并根據普朗克定律，將所述輻射強度值轉換為溫度數據；
29、根據各個所述紅外圖像對應的溫度數據，得到時序溫度數據。
30、進一步地，所述火災識別模塊還包括火災識別模型，所述火災識別模型采用神經網絡模型構建得到，包括第一循環神經網絡模型、第二循環神經網絡模型、卷積神經網絡模型、特征融合層和全連接層；
31、其中，所述第一循環神經網絡模型的輸入數據為時序煙霧數據，所述第一循環神經網絡模型的輸出數據為煙霧特征數據；
32、所述第二循環神經網絡模型的輸入數據為時序溫度數據，所述第二循環神經網絡模型的輸出數據為溫度特征數據；
33、所述卷積神經網絡模型的輸入數據為所述目標圖像，所述卷積神經網絡模型的輸出數據為圖像特征數據；
34、所述特征融合層的輸入數據為所述煙霧特征數據、溫度特征數據和圖像特征數據，所述特征融合層的輸出數據為融合特征數據；
35、所述全連接層的輸入數據為融合特征數據，所述全連接層的輸出數據為火災識別結果。
36、第三方面，本專利技術實施例還提供了一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述方法的步驟。
37、第四方面，本專利技術實施例還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述方法的步驟。
38、本專利技術提供了一種用于充電樁場景下的火災識別方法、系統、設備和介質。本專利技術本文檔來自技高網...
【技術保護點】
1.一種用于充電樁場景下的火災識別方法，其特征在于，包括：
2.根據權利要求1所述的用于充電樁場景下的火災識別方法，其特征在于，所述將所述位圖圖像輸入目標識別模型，得到目標圖像的步驟包括：
3.根據權利要求1所述的用于充電樁場景下的火災識別方法，其特征在于，所述從各個所述紅外圖像的紅外目標圖像中提取溫度數據，并根據提取到的溫度數據，得到時序溫度數據的步驟包括：
4.根據權利要求1所述的用于充電樁場景下的火災識別方法，其特征在于，所述火災識別模型采用神經網絡模型構建得到，包括第一循環神經網絡模型、第二循環神經網絡模型、卷積神經網絡模型、特征融合層和全連接層；
5.一種用于充電樁場景下的火災識別系統，其特征在于，包括：
6.根據權利要求5所述的用于充電樁場景下的火災識別系統，其特征在于，所述目標識別模塊，還用于對所述位圖數據進行預處理，并將預處理后的所述位圖數據輸入預先訓練好的目標識別模型，對火焰和充電樁進行識別，得到目標圖像，所述目標圖像包括火焰圖像和充電樁圖像；
7.根據權利要求5所述的用于充電樁場景下的火災
8.根據權利要求5所述的用于充電樁場景下的火災識別系統，其特征在于，所述火災識別模塊還包括火災識別模型，所述火災識別模型采用神經網絡模型構建得到，包括第一循環神經網絡模型、第二循環神經網絡模型、卷積神經網絡模型、特征融合層和全連接層；
9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至4中任一項所述方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至4中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種用于充電樁場景下的火災識別方法，其特征在于，包括：
2.根據權利要求1所述的用于充電樁場景下的火災識別方法，其特征在于，所述將所述位圖圖像輸入目標識別模型，得到目標圖像的步驟包括：
3.根據權利要求1所述的用于充電樁場景下的火災識別方法，其特征在于，所述從各個所述紅外圖像的紅外目標圖像中提取溫度數據，并根據提取到的溫度數據，得到時序溫度數據的步驟包括：
4.根據權利要求1所述的用于充電樁場景下的火災識別方法，其特征在于，所述火災識別模型采用神經網絡模型構建得到，包括第一循環神經網絡模型、第二循環神經網絡模型、卷積神經網絡模型、特征融合層和全連接層；
5.一種用于充電樁場景下的火災識別系統，其特征在于，包括：
6.根據權利要求5所述的用于充電樁場景下的火災識別系統，其特征在于，所述目標識別模塊，還用于對所述位圖數據進行預處理，并將預處理后的所述位圖數據輸入預先訓練好的目標識別模型...
【專利技術屬性】
技術研發人員：尹航，劉瀟翰，王培正，許嘉楷，羅成峰，何昊然，羅世軒，吳澤宇，李洪宇，
申請(專利權)人：深圳技術大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。