多特征量数据融合嵌入式火灾早期预警系统

为了解决传统单一点式烟气传感器识别率低、误报率高、可靠性差等不足,提出了一种嵌入式低功耗的多特征火灾早期预警系统。利用相对湿度、CO浓度、CO_2浓度和O_2浓度等四种火灾早期特征量,研制了基于CortexM3内核的采集和处理系统。对榉木、棉、纸3种火灾试验材料进行了火灾早期阴燃实验,采集并分析了阴燃过程中的4个特征量,采用多特征量对数回归算法对不同温度和不同燃烧物的阴燃实验数据进行了有监督的学习。实验表明,该预警系统的识别率在90%以上,误报率在3%以下,提高了火灾早期预警的准确性和稳定性。

基于深度学习的早期火灾预警算法

传统火灾预警方法存在检测精度低、未发生火灾时不能及时预警的问题,提出一种基于深度学习的早期火灾预警算法.首先,使用红外热像仪采集特定场景中的红外图像,构建数据集;其次,使用改进的YOLOv4算法进行训练得到网络权重,在主干网络的3个输出特征层后引入卷积注意力模块,提升网络对关键信息的提取能力;在主干网络和路径聚合网络中增加卷积层,提高特征提取的能力;最后,使用提出的智能火灾检测(intelligent fire detection,IFD)算法对预测图像处理并根据得分评估火灾隐患.实验结果表明,改进YOLOv4算法在数据集上的mAP达到98.31%,比原始YOLOv4算法的mAP提高了2.7%,FPS达到37.1 f/s,IFD算法精确度为93%,误检率为3.2%.提出的早期火灾预警算法具有检测精度高,未形成火灾时及时预警的优点.

基于ZigBee智能网络的建筑火灾预警系统

针对传统建筑火灾预警系统的不足之处,提出基于人工嗅觉和ZigBee技术的火灾早期预警系统,详细叙述了系统网络的搭建、智能传感器节点的设计、火灾早期识别和火源定位方式.火灾模拟实验表明,系统能有效感知并识别火灾种类,实现火源的定位.

双分支GAN与注意力机制的火灾隐患检测算法

针对传统火灾报警在夜间等极端天气下效果不佳,受限于复杂环境等问题,提出一种基于红外与可见光图像融合的火灾预警算法。在生成对抗网络(GAN)中设计并提出双分支注意力结构。其中一条分支通过密集残差子网提取更多鲁棒的特征信息,另一条分支通过注意力子网(efficient coordinate channel attention group,ECCAG)弥补空间信息的缺失,以最大限度获取更多高频细节特征,设计并提出了一种调节损失作为损失函数,通过改进GAN算法得到融合图像,根据提出的火灾预警算法判断是否存在火灾隐患。实验结果表明:改进GAN算法得到的融合数据集目标检测的平均准确率为96.19%,相较于单一红外数据集与原始GAN算法数据集的目标检测平均准确率分别提高了11.09个百分点与6.2个百分点,在公开数据集TNO与LLVIP数据集上测试火灾患检测准确率为97.45%。结果表明,火灾预警算法可以在未发生火灾时及时预警,针对不同场景都可得到显著的检测效果。

吸气式极早期火灾智能预警系统在古建筑中的应用

提出现代防火技术——吸气式极早期火灾智能预警系统在古建筑中的应用,指出了该系统是古建筑预防火灾首选设备之一。

基于热释离子探测与直流快速灭弧的储能站安全提升技术

针对电池储能电站存在的包括火灾隐患、爆炸隐患在内的安全问题,利用新材料离子云室传感器技术,并结合电力电子技术最新研究成果,研发了一种实用化的储能站极早期火灾预警方案与直流馈线故障开断能力提升方案,该方案原理新颖、实用性强,尤其是将研究成果浓缩为可方便地安装于储能站电池室的成套装置,并且不与现有消防系统冲突,也不与现有直流断路器冲突,也不需要对设备进行任何改动,具有“绿色安装”可拆卸可升级的特点,推广安装后可立即收获安全风险降低的系统性经济效益。