基于深度神经网络的火灾场景实时预测方法

本发明涉及火灾预测领域，尤其涉及一种基于深度神经网络的火灾场景实时预测方法。

背景技术：

1、火灾发展趋势的预测对于指导现场人员疏散和制定灭火策略具有重要的意义。近年来随着计算机图像处理、神经网络和深度学习相关研究的发展，在火灾的隐患识别、初起火灾判断中已有较成熟的应用。

2、例如，现有技术中公开了一种基于多模态融合算法的火灾最优逃生路线规划方法，基于深度学习的目标检测算法和多模态轨迹预测算法，能够精准地预测火灾的走势，减少人员因为火灾的不断扩大和未知火灾的发生轨迹而盲目选择逃生路线，具有更强的可预知性。通过现场的多个点位摄像头获取最优逃生路线和最低温度区域。

3、但上述方案中，对于火灾中可能出现的爆燃现象缺乏预测，导致规划的逃生路线可能由于爆燃造成风险，缺乏足够的可靠性和安全性。

技术实现思路

1、本发明的目的在于：提供一种基于深度神经网络的火灾场景实时预测方法，以解决现有技术对于火灾中可能出现的爆燃现象缺乏预测，导致规划的逃生路线可能由于爆燃造成风险，缺乏足够的可靠性和安全性的问题。

2、为此，本发明提供一种基于深度神经网络的火灾场景实时预测方法，该基于深度神经网络的火灾场景实时预测方法包括检测火灾场景中的堆积特征、烟气释放特征和阴燃特征；

3、响应于同一区域同时存在所述堆积特征、所述烟气释放特征和所述阴燃特征确定该区域为阴燃风险区；

4、基于各特征的出现时间对阴燃风险区进行验证；

5、对于验证正确的阴燃风险区，将各特征的程度参数输入神经网络模型，输出阴燃风险区的爆燃风险等级；

6、基于阴燃风险区的位置和爆燃风险等级对疏散路径进行更正；

7、其中，所述烟气释放特征满足在所述火灾场景中区域的烟气释放量出现过递增趋势，所述阴燃特征满足堆积物内部存在燃烧物，所述爆燃风险等级用于表征爆燃的触发概率和触发速度。

8、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，所述堆积特征的确定包括：

9、根据区域内影像分析区域内物体的分布密度及分布高度；

10、若所述区域内物体的分布密度超过预设密度阈值，且堆积物的高度呈现突增或持续上升趋势，判定区域存在所述堆积特征。

11、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，所述堆积特征的确定还包括：

12、将预存储的场景内材料信息与区域内的堆积物比对；

13、对于堆积物不可燃的情形不判定为所述堆积特征。

14、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，所述阴燃特征的确定包括：

15、通过红外双目摄像头对区域进行影像采集；

16、若影像中存在物品对燃烧的覆盖动作，判定存在所述阴燃特征；

17、获取堆积物温度分布，若温度局部升高且变化梯度超出梯度阈值，或，局部温度高于温度阈值，判定存在所述阴燃特征。

18、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，所述烟气释放特征的确定包括：

19、通过图像处理算法确定所述影像中的烟气覆盖面积；

20、若历史周期内的影像中烟气覆盖面积出现过递增趋势，判定区域存在所述烟气释放特征。

21、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，所述基于各特征的出现时间对阴燃风险区进行验证包括：

22、比对烟气释放特征和堆积特征的出现时间，若烟气释放特征出现于堆积特征之前，判定对于引燃风险区分析错误。

23、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，在所述基于各特征的出现时间对阴燃风险区进行验证后，还包括对阴燃风险区进行位置验证：

24、确定各特征触发位置间的距离；

25、若任意两特征的距离大于距离阈值，判定对于阴燃风险区分析错误。

26、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，所述各特征的程度参数包括堆积物温度和变化梯度，烟气覆盖面积、烟气上升速度以及堆积物的堆积范围。

27、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，所述基于深度神经网络的火灾场景实时预测方法还包括建立爆燃风险预测的神经网络模型：

28、获取火灾事件中的训练数据，包括堆积物温度、温度变化梯度、烟气覆盖面积、烟气上升速度、堆积物堆积范围，以及堆积物是否发生爆燃、爆燃时刻对应的各训练数据的值；

29、将所述训练数据在神经网络模型的输入层进行输入；

30、通过relu加快模型收敛并处理非线性特征；

31、利用sigmoid函数将输出压缩到0～1区间，综合表征爆燃风险出现的概率和触发速度。

32、作为基于深度神经网络的火灾场景实时预测方法的优选技术方案，确定阴燃风险的爆燃风险等级包括：

33、将阴燃风险区各特征的程度参数输入神经网络模型，获取输出结果；

34、根据输出结果划分爆燃风险等级。

35、本发明的有益效果为：

36、本发明提供一种基于深度神经网络的火灾场景实时预测方法，该基于深度神经网络的火灾场景实时预测方法通过引入多特征组合，包括堆积特征、烟气释放特征和阴燃特征，能够更全面地识别火灾场景中的潜在风险。传统火灾预测方法可能忽略阴燃特征及其引发的爆燃风险，而本发明能够通过神经网络模型对这些特征进行分析，并给出爆燃风险等级的准确预测，从而为火灾应急提供更可靠的信息。

37、尤其，本发明通过对火灾场景中的各个特征进行时间和空间上的验证（如堆积特征和烟气释放特征的时间先后顺序、特征触发位置间的距离），确保阴燃风险区的识别更加精确，减少误判概率。这种基于时间和空间验证的多层次分析，能够实时调整预测结果，提高火灾预测的精确度。

38、尤其，火灾场景中爆燃现象具有较强的突发性，现有技术中对其缺乏有效的预测和防范措施。本发明通过神经网络模型对爆燃风险等级进行实时划分，根据特征的严重程度对疏散路径和应急策略进行动态调整，从而提高了火灾场景中应急响应的适应性和安全性。

技术特征：

1.一种基于深度神经网络的火灾场景实时预测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，所述堆积特征的确定包括：

3.根据权利要求2所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，所述堆积特征的确定还包括：

4.根据权利要求3所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，所述阴燃特征的确定包括：

5.根据权利要求4所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，所述烟气释放特征的确定包括：

6.根据权利要求5所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，所述基于各特征的出现时间对阴燃风险区进行验证包括：

7.根据权利要求6所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，在所述基于各特征的出现时间对阴燃风险区进行验证后，还包括对阴燃风险区进行位置验证：

8.根据权利要求1所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，所述各特征的程度参数包括堆积物温度和变化梯度，烟气覆盖面积、烟气上升速度以及堆积物的堆积范围。

9.根据权利要求8所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，所述基于深度神经网络的火灾场景实时预测方法还包括建立爆燃风险预测的神经网络模型：

10.根据权利要求9所述的基于深度神经网络的火灾场景实时预测方法，其特征在于，确定阴燃风险的爆燃风险等级包括：

技术总结
本发明涉及火灾预测领域，具体公开了一种基于深度神经网络的火灾场景实时预测方法，包括检测火灾场景中的堆积特征、烟气释放特征和阴燃特征；响应于同一区域同时存在堆积特征、烟气释放特征和阴燃特征确定该区域为阴燃风险区；基于各特征的出现时间对阴燃风险区进行验证；对于验证正确的阴燃风险区，将各特征的程度参数输入神经网络模型，输出阴燃风险区的爆燃风险等级；基于阴燃风险区的位置和爆燃风险等级对疏散路径进行更正；通过神经网络模型对可能出现阴燃转爆燃的区域进行检测分析，并给出爆燃风险等级的预测，从而为火灾应急提供数据支持和决策辅助。

技术研发人员：翁丽芬,许华荣
受保护的技术使用者：厦门理工学院
技术研发日：
技术公布日：2024/12/5