CN119169757A - 一种起火预测变频巡检方法、介质及系统 - Google Patents

Abstract

本发明提供了一种起火预测变频巡检方法、介质及系统，属于消防技术领域，包括：通过集成式智能灭火器采集热成像图像,利用帧差法检测温度变动点和温度异常点,构建时序矩阵并进行分解,计算出起火风险指数矩阵。根据起火风险指数动态调整云台的巡检策略,对于高风险区域延长停顿时间,低风险区域缩短停顿时间。当某个区域起火风险指数超过预设阈值时,判定初火并触发报警。可以动态调整集成式智能灭火器的巡检策略。对于高风险区域增加检查时间，对于低风险区域减少检查频率，从而有效集中监控资源于关键部位。一旦某区域的风险指数超过预设阈值，即可判定发生初火并立即报警。解决了现有技术无法针对不同区域的火灾风险动态调整巡检策略的问题。

Description

一种起火预测变频巡检方法、介质及系统

技术领域

本发明属于消防技术领域，具体而言，涉及一种起火预测变频巡检方法、介质及系统。

背景技术

火灾事故一直是社会关注的重点问题之一，如何有效预防和控制火灾事故是各界必须面对的重要课题。现有的火灾预防技术主要包括消防和监控两大类。消防技术主要通过配备灭火设备、建立消防队伍等手段来应对已经发生的火灾事故；而监控技术则着重于对潜在火灾隐患进行实时检测和预警。目前应用较为广泛的监控技术包括烟感监测、温度监测、视频监控等。

烟感监测技术通过对环境中烟雾浓度的实时检测，可以快速发现初期火灾。但该技术存在一定局限性，很难精确定位火灾发生的具体位置。温度监测技术则通过对环境温度变化的实时分析，在发现温度异常时发出预警。这种方法能够更好地确定火灾位置，但对温度变化缓慢的隐患火灾检测效果不佳。视频监控技术利用摄像头对监控区域进行实时拍摄，通过分析视频图像信息来检测可能引发火灾的异常情况。但该技术受限于视野范围和成像质量，难以全面覆盖监控区域。

此外，现有的监控技术大多采用固定式布设，无法针对不同区域的火灾风险动态调整巡检策略。

发明内容

有鉴于此，本发明提供一种起火预测变频巡检方法、介质及系统，能够解决现有技术中消防巡检往往采用固定转速或频率，存在无法针对不同区域的火灾风险动态调整巡检策略的技术问题。

本发明是这样实现的：

本发明的第一方面提供一种起火预测变频巡检方法，其中，包括以下步骤:

S10、实时获取集成式智能灭火器旋转过程中采集的热成像图像；所述集成式智能灭火器具有云台，所述云台上设置有热成像仪，用于采集热成像图像；

S20、采用帧差法对相邻的热成像图像进行运动目标检测，识别热成像图像中的温度变动点和温度异常点；所述温度变动点指的是相邻帧之间温度变化超过预设的第一阈值的点；所述温度异常点指的是温度高于环境平均温度与预设的第二阈值之和的点；

S30、将全部相邻热成像图像对应的温度变动点和温度异常点分别组合为温度变动点时序矩阵和温度异常点时序矩阵；

S40、对所述温度变动点时序矩阵采用奇异值分解的方式进行分解，得到温度变动点匀速变动矩阵以及温度变动点变速变动矩阵；

S50、对所述温度异常点时序矩阵采用主成分分析的方式进行分解，得到温度异常点位置稳定矩阵以及温度异常点位置变动矩阵；

S60、根据所述温度变动点变速变动矩阵和所述温度异常点位置变动矩阵，采用预设的起火风险矩阵计算方程计算起火风险指数矩阵；所述起火风险指数矩阵中的每个元素为一个向量，包括坐标和起火风险指数，起火风险指数越高，表示所述坐标对应的区域发生初火的可能性越大；

S70、根据计算得到的起火风险指数矩阵，动态调整云台的巡检策略：对于起火风险指数高的区域，加长所述集成式智能灭火转动过程中对应的停顿时长；对于起火风险指数低的区域，降低所述集成式智能灭火转动过程中对应的停顿时长；

S80、当某个区域的起火风险指数超过预设的初火判定阈值时，判定该区域发生初火，记录初火位置坐标，并触发报警。

具体而言，所述步骤S10，具体包括：从集成式智能灭火器的云台上设置的热成像仪实时采集监控区域的热成像图像。该热成像仪能够捕捉所监控区域内物体的表面温度分布信息，并将其转换为热成像图像。在变频巡检过程中，热成像仪会不断采集实时的热成像图像，为后续的温度变化分析提供数据基础。

其中，所述步骤S20的具体步骤包括：采用帧差法对相邻的热成像图像进行运动目标检测，识别热成像图像中的温度变动点和温度异常点。具体来说，首先设定两个温度阈值，对于温度变动点的判断，如果某个坐标点在相邻时刻的温度差超过第一阈值，则认为该点是温度变动点；对于温度异常点的判断，如果某个坐标点的温度高于当前环境平均温度加上第二阈值，则认为该点是温度异常点。通过这一步骤，可以从热成像图像中提取出温度变化较大的区域和温度偏高的区域，为后续的起火风险分析奠定基础。

其中，所述步骤S30的具体步骤包括：将全部相邻热成像图像对应的温度变动点和温度异常点分别组合为温度变动点时序矩阵和温度异常点时序矩阵。温度变动点时序矩阵记录了各坐标点在时间序列上的温度变化信息，温度异常点时序矩阵记录了各温度异常点在时间序列上的绝对温度值信息。这一步骤的目的是将前一步提取的温度变动点和温度异常点信息整理成两个二维矩阵，为后续的矩阵分解分析做好准备。

其中，所述步骤S40的具体步骤包括：对温度变动点时序矩阵采用奇异值分解的方式进行分解，得到温度变动点匀速变动矩阵和温度变动点变速变动矩阵。奇异值分解是一种常用的矩阵分解方法，它可以将温度变动点时序矩阵分解为两个成分：一个表示温度变动点的匀速变动特性，另一个表示温度变动点的变速变动特性。这一步骤的目的是从时间序列中提取出温度变化的两种模式，为后续的起火风险分析提供依据。

其中，所述步骤S50的具体步骤包括：对温度异常点时序矩阵采用主成分分析的方式进行分解，得到温度异常点位置稳定矩阵和温度异常点位置变动矩阵。主成分分析是一种常用的数据降维和特征提取方法，它可以将温度异常点时序矩阵分解为两个成分：一个表示温度异常点位置的稳定特性，另一个表示温度异常点位置的变动特性。这一步骤的目的是从温度异常点的时间序列中提取出位置变化的两种模式，为后续的起火风险分析提供依据。

其中，所述步骤S60的具体步骤包括：根据温度变动点变速变动矩阵和温度异常点位置变动矩阵，采用预设的起火风险矩阵计算方程计算起火风险指数矩阵。该起火风险矩阵计算方程综合考虑了温度变化率、温度偏离程度、温度变化趋势和温度场的二阶导数等多个因素，能够较为全面地反映某个区域发生初火的可能性。通过这一步骤，可以根据前面提取的温度变化特征，计算出每个区域的起火风险指数，为后续的智能巡检决策提供依据。

其中，所述步骤S70的具体步骤包括：根据计算得到的起火风险指数矩阵，动态调整集成式智能灭火器的巡检策略。具体来说，对于起火风险指数高的区域，增加集成式智能灭火器在该区域的停顿时长；对于起火风险指数低的区域，减少集成式智能灭火器在该区域的停顿时长。通过这一步骤，可以根据实时计算的起火风险情况，动态调整集成式智能灭火器的巡检策略，以更好地关注高风险区域并及时发现初期火情。

其中，所述步骤S80的具体步骤包括：当某个区域的起火风险指数超过预设的初火判定阈值时，判定该区域发生初火，记录初火位置坐标，并触发报警。通过分析历史起火风险指数数据，可以确定一个合理的初火判定阈值。一旦某个区域的起火风险指数超过该阈值，就说明该区域很可能已经发生初火，系统会记录下该区域的坐标位置信息，并及时触发报警以及采取进一步的灭火措施。这一步骤的目的是对检测到的高风险区域进行最终的初火判定，以及对初火事故进行及时的报警和应对。

其中，所述起火风险矩阵计算方程具体表示如下：

所述起火风险矩阵计算方程具体表示如下：

式中，R(x,y,t)为坐标(x,y)在时间t的起火风险指数；T(x,y,t)为坐标(x,y)在时间t的温度值；T_avg(t)为时间t的平均环境温度；θ(x,y,t)为温度变化的相位角；α,β,γ,δ为权重系数；i为虚数单位；为拉普拉斯算子。

参数获取方法：

T(x,y,t)通过热成像仪直接测量获得。

T_avg(t)通过计算整个热成像图像的平均温度获得。

通过相邻时间帧的温度差分计算获得。

θ(x,y,t)通过傅里叶变换计算温度变化的相位获得。

通过有限差分法计算温度场的二阶导数获得。

α,β,γ,δ通过机器学习方法(如支持向量机回归)基于历史数据训练获得。

温度变动点的判定公式：

ΔT(x,y,t)＝|T(x,y,t)-T(x,y,t-1)|>λ₁；

温度异常点的判定公式：

T(x,y,t)-(T_avg(t)+λ₂)>0；

式中，ΔT(x,y,t)为温度变化量；λ₁为第一阈值；λ₂为第二阈值。

温度变动点时序矩阵：

温度异常点时序矩阵：

S40步骤中的奇异值分解：

式中，为温度变动点匀速变动矩阵；为温度变动点变速变动矩阵。

S50步骤中的主成分分析：

式中，为温度异常点位置稳定矩阵；为温度异常点位置变动矩阵。

所述第一阈值获取的步骤，具体包括：

收集历史温度变化数据，计算温度变化量的均值μ_ΔT和标准差σ_ΔT；

选择合适的调节系数k₁，通常在1.5到3之间；

应用公式λ₁＝μ_ΔT+k₁σ_ΔT计算第一阈值。

所述第一阈值的默认值为5℃；

所述第二阈值获取的步骤，具体包括：

分析历史温度数据，确定最高温度T_max和平均温度T_avg；

选择合适的调节系数k₂，通常在0.1到0.3之间；

应用公式λ₂＝k₂(T_max-T_avg)计算第二阈值。

所述第二阈值的默认值为10℃；

所述初火判定阈值的步骤，具体包括：

收集历史起火风险指数数据，计算其均值μ_R和标准差σ_R；

选择合适的调节系数k₃，通常在2.5到3.5之间；

应用公式λ₃＝μ_R+k₃σ_R计算初火判定阈值。

所述初火判定阈值的默认值为0.8；

所述对于起火风险指数高的区域，加长所述集成式智能灭火转动过程中对应的停顿时长；对于起火风险指数低的区域，降低所述集成式智能灭火转动过程中对应的停顿时长，具体是：

设定基础停顿时长t_base，通常为2秒；

计算当前扫描周期内的平均起火风险指数R_avg、最大起火风险指数R_max和最小起火风险指数R_min；

对于起火风险指数高的区域(R(x,y,t)>R_avg)，停顿时长计算为：

对于起火风险指数低的区域(R(x,y,t)≤R_avg)，停顿时长计算为：

设定停顿时长的上限为5秒，下限为0.5秒，如果计算结果超出此范围，则取相应的上限或下限值。

本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令在计算机中运行时，用于执行上述的一种起火预测变频巡检方法。

本发明的第三方面提供一种起火预测变频巡检系统，其中，包含上述的计算机可读存储介质。

与现有技术相比较，本发明提供的一种起火预测变频巡检方法、介质及系统的有益效果是：

1.实时高效的火灾隐患检测。该方法通过热成像仪实时采集监控区域的温度分布信息，利用帧差法和阈值判断准确识别出温度变化异常和温度偏高的区域，为后续的火灾预警提供可靠依据。与单一的温度监测或视频监控相比，该方法能够更加全面和精准地发现潜在的火灾隐患。

2.智能化的巡检策略优化。该方法通过对温度变化特征的矩阵分析，计算出各区域的起火风险指数，并根据风险评估动态调整集成式智能灭火器的巡检策略。对于高风险区域加大检查时间，对于低风险区域减少检查频率，从而有效聚焦监控资源于关键部位。这种基于火灾风险的智能化巡检策略，可大幅提升监控系统的预警效能。

3.及时快速的初火发现和报警。一旦某个区域的起火风险指数超过预设阈值，该方法可以快速判定该区域发生初火，记录起火位置并立即触发报警。这种基于定量风险评估的初火判定机制，能够及时发现火灾隐患并快速响应，为消防部门提供宝贵的应急支持。

4.灵活适应的集成式设计。该方法采用集成式智能灭火器作为核心执行单元，整合了热成像监测、风险分析、巡检决策等功能于一体。这种集成式设计不仅便于系统部署维护，而且能够灵活应对不同环境的监控需求，提升整体的适用性和可靠性。

综上所述，本发明提出的热成像起火预测变频巡检方法，在实时监测、智能分析、快速响应等方面都明显优于现有的消防和监控技术。解决了现有技术中消防巡检往往采用固定转速或频率，存在无法针对不同区域的火灾风险动态调整巡检策略的技术问题。

附图说明

图1为本发明提供的方法的流程图；

图2为实施例2中取集成式智能灭火器的具体结构示意图；

图3是实施例2中的集成式智能灭火器巡检区域示意图；

图4是实施例2中的仓库内部温度分布热成像示意图；

图5是实施例2中的温度变动点和温度异常点的分布示意图；

图6是实施例2中的各区域的起火风险指数分布示意图；

图7是实施例2中的集成式智能灭火器的巡检路径和停顿时长的变化情况示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。

如图1所示，是本发明第一方面提供的一种起火预测变频巡检方法流程图，本方法包括以下步骤：

S10、实时获取集成式智能灭火器旋转过程中采集的热成像图像；集成式智能灭火器具有云台，云台上设置有热成像仪，用于采集热成像图像；

S20、采用帧差法对相邻的热成像图像进行运动目标检测，识别热成像图像中的温度变动点和温度异常点；温度变动点指的是相邻帧之间温度变化超过预设的第一阈值的点；温度异常点指的是温度高于环境平均温度与预设的第二阈值之和的点；

S30、将全部相邻热成像图像对应的温度变动点和温度异常点分别组合为温度变动点时序矩阵和温度异常点时序矩阵；

S40、对温度变动点时序矩阵采用奇异值分解的方式进行分解，得到温度变动点匀速变动矩阵以及温度变动点变速变动矩阵；

S50、对温度异常点时序矩阵采用主成分分析的方式进行分解，得到温度异常点位置稳定矩阵以及温度异常点位置变动矩阵；

S60、根据温度变动点变速变动矩阵和温度异常点位置变动矩阵，采用预设的起火风险矩阵计算方程计算起火风险指数矩阵；起火风险指数矩阵中的每个元素为一个向量，包括坐标和起火风险指数，起火风险指数越高，表示坐标对应的区域发生初火的可能性越大；

S70、根据计算得到的起火风险指数矩阵，动态调整云台的巡检策略：对于起火风险指数高的区域，加长集成式智能灭火转动过程中对应的停顿时长；对于起火风险指数低的区域，降低集成式智能灭火转动过程中对应的停顿时长；

S80、当某个区域的起火风险指数超过预设的初火判定阈值时，判定该区域发生初火，记录初火位置坐标，并触发报警。

下面对上述步骤的具体实施方式进行详细描述：

步骤S10的具体实施方式是：实时获取集成式智能灭火器旋转过程中采集的热成像图像。集成式智能灭火器被设计安装有云台，云台上装备有热成像仪。热成像仪能够捕捉所监控区域内物体的表面温度分布信息，并将其转换为热成像图像。在变频巡检过程中，热成像仪会不断采集实时的热成像图像，为后续的温度变化分析提供数据基础。

步骤S20的具体实施方式是：采用帧差法对相邻的热成像图像进行运动目标检测，识别热成像图像中的温度变动点和温度异常点。所谓帧差法，是指通过计算相邻两帧热成像图像之间的温度差值来检测图像中的温度变化区域。具体来说，首先设定两个温度阈值λ₁和λ₂。对于温度变动点的判断，如果某个坐标(x,y)在时间t时刻与前一时刻t-1的温度差|ΔT(x,y,t)|＝|T(x,y,t)-T(x,y,t-1)|大于第一阈值λ₁，则认为该点是温度变动点。对于温度异常点的判断，如果某个坐标(x,y)在时间t时刻的温度T(x,y,t)高于当前时刻的平均环境温度T_avg(t)加上第二阈值λ₂，则认为该点是温度异常点。这一步的目的是从热成像图像中提取出温度变化较大的区域和温度偏高的区域，为后续的起火风险分析奠定基础。关于两个温度阈值λ₁和λ₂的设定，可以参考以下方法：首先收集历史温度变化数据，计算温度变化量的均值μ_ΔT和标准差σ_ΔT，然后选择合适的调节系数k₁(通常取1.5到3之间)，应用公式λ₁＝μ_ΔT+k₁σ_ΔT计算第一阈值λ₁；分析历史温度数据，确定最高温度T_max和平均温度T_avg，选择调节系数k₂(通常取0.1到0.3之间)，应用公式λ₂＝k₂(T_max-T_avg)计算第二阈值λ₂。λ₁的默认值为5摄氏度，λ₂的默认值为10摄氏度。

步骤S30的具体实施方式是：将全部相邻热成像图像对应的温度变动点和温度异常点分别组合为温度变动点时序矩阵和温度异常点时序矩阵。温度变动点时序矩阵M_change的构建过程如下：设热成像图像的分辨率为m×n像素，捕获的时间序列长度为n帧，则M_change为一个m×n的矩阵，其中第(i,j)个元素ΔT(x_i,y_i,t_j)表示坐标(x_i,y_i)在第j个时刻相比前一时刻的温度变化量。温度异常点时序矩阵M_abnormal的构建过程如下：设温度异常点的个数为k个，则M_abnormal为一个k×n的矩阵，其中第(p,q)个元素T(x_p,y_p,t_q)表示第p个温度异常点在第q个时刻的绝对温度值。这一步的目的是将前一步提取的温度变动点和温度异常点信息整理成两个二维矩阵，为后续的矩阵分解分析做好准备。

步骤S40的具体实施方式是：对温度变动点时序矩阵M_change采用奇异值分解的方式进行分解，得到温度变动点匀速变动矩阵和温度变动点变速变动矩阵。奇异值分解是一种常用的矩阵分解方法，它可以将任意一个m×n的矩阵M分解成M＝U∑V^T的形式，其中U是一个m×n的正交矩阵，Σ是一个m×n的对角矩阵，V是一个n×n的正交矩阵。对于温度变动点时序矩阵M_change，可以将其分解为其中表示温度变动点的匀速变动分量，表示温度变动点的变速变动分量。这一步的目的是从时间序列中提取出温度变化的两种模式：一种是相对稳定的温度变化，另一种是剧烈波动的温度变化，为后续的起火风险分析提供依据。

步骤S50的具体实施方式是：对温度异常点时序矩阵M_abnormal采用主成分分析的方式进行分解，得到温度异常点位置稳定矩阵和温度异常点位置变动矩阵。主成分分析是一种常用的数据降维和特征提取方法，它可以将一个n维数据集表示为若干个相互正交的主成分。对于温度异常点时序矩阵M_abnormal，可以将其分解为其中表示温度异常点位置的稳定分量，表示温度异常点位置的变动分量。这一步的目的是从温度异常点的时间序列中提取出位置变化的两种模式：一种是相对稳定的位置分布，另一种是不断变化的位置分布，为后续的起火风险分析提供依据。

步骤S60的具体实施方式是：根据温度变动点变速变动矩阵和温度异常点位置变动矩阵，采用预设的起火风险矩阵计算方程计算起火风险指数矩阵。起火风险矩阵计算方程的具体形式为：

其中，R(x,y,t)为坐标(x,y)在时间t的起火风险指数；T(x,y,t)为该坐标点在该时刻的温度值；T_avg(t)为该时刻的平均环境温度；θ(x,y,t)为温度变化的相位角；α,β,γ,δ为权重系数。这个起火风险矩阵计算公式综合考虑了温度变化率、温度偏离程度、温度变化趋势和温度场的二阶导数等因素，能够较为全面地反映某个区域发生初火的可能性。其中，T(x,y,t)通过热成像仪直接测量获得，T_avg(t)通过计算整个热成像图像的平均温度获得，通过相邻时间帧的温度差分计算获得，θ(x,y,t)通过傅里叶变换计算温度变化的相位获得，通过有限差分法计算温度场的二阶导数获得。α,β,γ,δ这4个权重系数则需要通过机器学习方法(如支持向量机回归)基于历史数据进行训练获得。这一步的目的是根据前面提取的温度变化特征，综合计算出每个区域的起火风险指数，为后续的智能巡检决策提供依据。

步骤S70的具体实施方式是：根据计算得到的起火风险指数矩阵，动态调整云台的巡检策略。具体来说，对于起火风险指数高的区域，增加集成式智能灭火器在该区域的停顿时长；对于起火风险指数低的区域，减少集成式智能灭火器在该区域的停顿时长。设定基础停顿时长t_base为2秒，计算当前扫描周期内的平均起火风险指数R_avg、最大起火风险指数R_max和最小起火风险指数R_min。对于起火风险指数高的区域(R(x,y,t)>R_avg)，停顿时长计算为对于起火风险指数低的区域(R(x,y,t)≤R_avg)，停顿时长计算为 停顿时长的上限设为5秒，下限设为0.5秒，如果计算结果超出此范围，则取相应的上限或下限值。这一步的目的是根据实时计算的起火风险情况，动态调整集成式智能灭火器的巡检策略，以更好地关注高风险区域并及时发现初期火情。

步骤S80的具体实施方式是：当某个区域的起火风险指数超过预设的初火判定阈值时，判定该区域发生初火，记录初火位置坐标，并触发报警。初火判定阈值的获取步骤如下：首先收集历史起火风险指数数据，计算其均值μ_R和标准差σ_R，然后选择合适的调节系数k₃(通常取2.5到3.5之间)，应用公式λ₃＝μ_R+k₃σ_R计算初火判定阈值λ₃。λ₃的默认值为0.8。一旦某个区域的起火风险指数超过λ₃，就说明该区域很可能已经发生初火，系统会记录下该区域的坐标位置信息，并触发报警以及采取进一步的灭火措施。这一步的目的是对检测到的高风险区域进行最终的初火判定，以及对初火事故进行及时的报警和应对。

为了更好的理解和实施本发明，下面提供本发明第一方面的方法的一个具体的实施例1，本实施例1的每个步骤的具体实施方式详细描述如下：步骤S10的具体实施方式是：实时获取集成式智能灭火器旋转过程中采集的热成像图像。集成式智能灭火器被设计安装有云台，云台上装备有热成像仪。热成像仪能够捕捉所监控区域内物体的表面温度分布信息，并将其转换为热成像图像。在变频巡检过程中，热成像仪会不断采集实时的热成像图像，为后续的温度变化分析提供数据基础。

步骤S20的具体实施方式是：采用帧差法对相邻的热成像图像进行运动目标检测，识别热成像图像中的温度变动点和温度异常点。所谓帧差法，是指通过计算相邻两帧热成像图像之间的温度差值来检测图像中的温度变化区域。具体来说，首先设定两个温度阈值λ₁和λ₂。对于温度变动点的判断，如果某个坐标(x,y)在时间t时刻与前一时刻t-1的温度差|ΔT(x,y,t)|＝|T(x,y,t)-T(x,y,t-1)|大于第一阈值λ₁，则认为该点是温度变动点，可以用以下公式表示：

ΔT(x,y,t)＝|T(x,y,t)-T(x,y,t-1)|>λ₁；

对于温度异常点的判断，如果某个坐标(x,y)在时间t时刻的温度T(x,y,t)高于当前时刻的平均环境温度T_avg(t)加上第二阈值λ₂，则认为该点是温度异常点，可以用以下公式表示：

T(x,y,t)-(T_avg(t)+λ₂)>0；

这一步的目的是从热成像图像中提取出温度变化较大的区域和温度偏高的区域，为后续的起火风险分析奠定基础。关于两个温度阈值λ₁和λ₂的设定，可以参考以下方法：首先收集历史温度变化数据，计算温度变化量的均值μ_ΔT和标准差σ_ΔT，然后选择合适的调节系数k₁(通常取1.5到3之间)，应用公式λ₁＝μ_ΔT+k₁σ_ΔT计算第一阈值λ₁；分析历史温度数据，确定最高温度T_max和平均温度T_avg，选择调节系数k₂(通常取0.1到0.3之间)，应用公式λ₂＝k₂(T_max-T_avg)计算第二阈值λ₂。λ₁的默认值为5摄氏度，λ₂的默认值为10摄氏度。

步骤S30的具体实施方式是：将全部相邻热成像图像对应的温度变动点和温度异常点分别组合为温度变动点时序矩阵和温度异常点时序矩阵。温度变动点时序矩阵M_change的构建过程如下：设热成像图像的分辨率为m×n像素，捕获的时间序列长度为n帧，则M_change为一个m×n的矩阵，其中第(i,j)个元素ΔT(x_i,y_i,t_j)表示坐标(x_i,y_i)在第j个时刻相比前一时刻的温度变化量，可以用以下矩阵表示：

温度异常点时序矩阵M_abnormal的构建过程如下：设温度异常点的个数为k个，则M_abnormal为一个k×n的矩阵，其中第(p,q)个元素T(x_p,y_p,t_q)表示第p个温度异常点在第q个时刻的绝对温度值，可以用以下矩阵表示：

这一步的目的是将前一步提取的温度变动点和温度异常点信息整理成两个二维矩阵，为后续的矩阵分解分析做好准备。

步骤S40的具体实施方式是：对温度变动点时序矩阵M_change采用奇异值分解的方式进行分解，得到温度变动点匀速变动矩阵和温度变动点变速变动矩阵。奇异值分解是一种常用的矩阵分解方法，它可以将任意一个m×n的矩阵M分解成M＝U∑V^T的形式，其中U是一个m×m的正交矩阵，∑是一个m×n的对角矩阵，V是一个n×n的正交矩阵。对于温度变动点时序矩阵M_change，可以将其分解为其中表示温度变动点的匀速变动分量，表示温度变动点的变速变动分量，可以用数学公式表示如下：

这一步的目的是从时间序列中提取出温度变化的两种模式：一种是相对稳定的温度变化，另一种是剧烈波动的温度变化，为后续的起火风险分析提供依据。

步骤S50的具体实施方式是：对温度异常点时序矩阵M_abnormal采用主成分分析的方式进行分解，得到温度异常点位置稳定矩阵和温度异常点位置变动矩阵。主成分分析是一种常用的数据降维和特征提取方法，它可以将一个n维数据集表示为若干个相互正交的主成分。对于温度异常点时序矩阵M_abnormal，可以将其分解为其中表示温度异常点位置的稳定分量，表示温度异常点位置的变动分量，可以用数学公式表示如下：

这一步的目的是从温度异常点的时间序列中提取出位置变化的两种模式：一种是相对稳定的位置分布，另一种是不断变化的位置分布，为后续的起火风险分析提供依据。

步骤S60的具体实施方式是：根据温度变动点变速变动矩阵和温度异常点位置变动矩阵，采用预设的起火风险矩阵计算方程计算起火风险指数矩阵。起火风险矩阵计算方程的具体形式为：

其中，R(x,y,t)为坐标(x,y)在时间t的起火风险指数；T(x,y,t)为该坐标点在该时刻的温度值；T_avg(t)为该时刻的平均环境温度；θ(x,y,t)为温度变化的相位角；α,β,γ,δ为权重系数。这个起火风险矩阵计算公式综合考虑了温度变化率、温度偏离程度、温度变化趋势和温度场的二阶导数等因素，能够较为全面地反映某个区域发生初火的可能性。其中，T(x,y,t)通过热成像仪直接测量获得，T_avg(t)通过计算整个热成像图像的平均温度获得，通过相邻时间帧的温度差分计算获得，θ(x,y,t)通过傅里叶变换计算温度变化的相位获得，通过有限差分法计算温度场的二阶导数获得。α,β,γ,δ这4个权重系数则需要通过机器学习方法(如支持向量机回归)基于历史数据进行训练获得。这一步的目的是根据前面提取的温度变化特征，综合计算出每个区域的起火风险指数，为后续的智能巡检决策提供依据。

步骤S70的具体实施方式是：根据计算得到的起火风险指数矩阵，动态调整云台的巡检策略。具体来说，对于起火风险指数高的区域，增加集成式智能灭火器在该区域的停顿时长；对于起火风险指数低的区域，减少集成式智能灭火器在该区域的停顿时长。设定基础停顿时长t_base为2秒，计算当前扫描周期内的平均起火风险指数R_avg、最大起火风险指数R_max和最小起火风险指数R_min。对于起火风险指数高的区域(R(x,y,t)>R_avg)，停顿时长计算为：

对于起火风险指数低的区域(R(x,y,t)≤R_avg)，停顿时长计算为：

停顿时长的上限设为5秒，下限设为0.5秒，如果计算结果超出此范围，则取相应的上限或下限值。这一步的目的是根据实时计算的起火风险情况，动态调整集成式智能灭火器的巡检策略，以更好地关注高风险区域并及时发现初期火情。

步骤S80的具体实施方式是：当某个区域的起火风险指数超过预设的初火判定阈值时，判定该区域发生初火，记录初火位置坐标，并触发报警。初火判定阈值的获取步骤如下：首先收集历史起火风险指数数据，计算其均值μ_R和标准差σ_R，然后选择合适的调节系数k₃(通常取2.5到3.5之间)，应用公式λ₃＝μ_R+k₃σ_R计算初火判定阈值λ₃。λ₃的默认值为0.8。一旦某个区域的起火风险指数超过λ₃，就说明该区域很可能已经发生初火，系统会记录下该区域的坐标位置信息，并触发报警以及采取进一步的灭火措施。这一步的目的是对检测到的高风险区域进行最终的初火判定，以及对初火事故进行及时的报警和应对。

本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令在计算机中运行时，用于执行上述的一种起火预测变频巡检方法。

本发明的第三方面提供一种起火预测变频巡检系统，其中，包含上述的计算机可读存储介质。

具体的，本发明的原理是：充分利用热成像技术获取监控区域的温度分布信息，并通过复杂的数学分析手段对这些温度变化特征进行精准建模和风险评估。具体来说，该方法主要包括以下几个关键步骤：

首先，集成式智能灭火器上装备的热成像仪会实时采集监控区域的热成像图像。这些热成像图像中蕴含了丰富的温度变化信息，是后续识别火灾隐患的重要数据基础。

其次，采用帧差法对相邻的热成像图像进行运动目标检测，可以精确定位出监控区域内温度变化较大和温度偏高的点。这些温度变动点和温度异常点反映了局部环境可能存在的火灾隐患。

然后，将这些温度变动点和温度异常点在时间序列上进行矩阵化组织，得到温度变动点时序矩阵和温度异常点时序矩阵。这两个矩阵分别记录了温度变化的趋势特征和温度偏高的分布特征。

接下来，对温度变动点时序矩阵采用奇异值分解，可以将其分解为温度变动点的匀速变动分量和变速变动分量；对温度异常点时序矩阵采用主成分分析，可以将其分解为温度异常点位置的稳定分量和变动分量。这些分解结果揭示了温度变化和异常点位置的潜在规律。

最后，根据上述提取的温度变化特征，通过设计的起火风险矩阵计算公式，可以计算出每个区域的起火风险指数。该公式综合考虑了温度变化率、温度偏离程度、温度变化趋势和温度场二阶导数等多个因素，能够较为全面地反映某区域发生初火的可能性。

基于计算得到的起火风险指数矩阵，该方法可以动态调整集成式智能灭火器的巡检策略。对于高风险区域增加检查时间，对于低风险区域减少检查频率，从而有效集中监控资源于关键部位。一旦某区域的风险指数超过预设阈值，即可判定发生初火并立即报警。

为了进一步更好的理解和实施本发明，下面结合具体的集成式智能灭火器，提供本发明的一个具体应用场景的实施例2，本实施例2中的集成式智能灭火系统采用的集成式智能灭火器如图2所示，包括：吸顶式灭火剂箱；如有喷淋管道/消防管道；则不需要配置此灭火剂箱；巡检机器人基座；90°巡检摄像头；内置电池/泵/阀；声光报警器；360°巡检摄像头；烟雾传感器；各类探测传感器/AI摄像头；灭火喷嘴；人为设置初始位置为0°，也可以部署0为传感器，工作后，根据步进电机和结构的实测，记录360°和90°的起始位置。上电工作后，360°巡检，根据设置参数，按照设定的巡检范围內旋转，最大360°(可设置0-360°)，然后往复返回。90°巡检，初始位置垂直地面，可旋转最大90°，根据设定参数旋转，最大90°(可设置0-90°)。

其中，360°巡检、90°巡检、热成像探测，动作逻辑具体是：以360°巡检为基准，每旋转一圈，90°改变一个设定的角度，这个角度投射到巡检区域，构成完整的覆盖，例如顶棚+墙面，墙面+地面，地面+纵深地面。在设定“跳变度数后”，每一个360°巡检周期，将90°跳变度数+1个跳变度数，例如设置3个跳变度数，全部走完后，再反向+1个跳变度数，由此，周而复始。传感器结构锁定后，每个360°巡检周期，传感器处于设定角度的静止，所以，不会影响热成像响应速度，当捕捉到火点后，可自动跟踪，控制步进电机旋转，但程序上应记录，以找到0点，如图3所示。当捕捉到火点后，360°步进电机静止，进入左右旋转自动跟踪状态，当然，也要记录步进步数，以便回到0点。在巡检过程中，该集成式智能灭火器考虑了采用本发明的方案，来实现更高效率的变频巡检；具体描述如下。

在正式启用该智能监控系统之前,运维人员对系统的各项关键参数进行了标定和测试。首先,通过收集仓库历史的温度变化数据,计算出温度变化量的均值和标准差,从而确定了第一阈值λ₁。具体来说,温度变化量的均值μ_ΔT为3.2摄氏度,标准差σ_ΔT为1.0摄氏度,选择调节系数k₁为2,则第一阈值λ₁计算结果为5.2摄氏度。

同理,经过分析仓库历史温度数据,确定最高温度T_max为35摄氏度,平均温度T_avg为20摄氏度,选择调节系数k₂为0.2,则第二阈值λ₂计算结果为3摄氏度。

另外,运维人员还通过收集仓库过往的火灾事故数据,计算出历史起火风险指数的均值和标准差,从而确定了初火判定阈值λ₃。经统计,历史起火风险指数的均值μ_R为0.6,标准差σ_R为0.1,选择调节系数k₃为3,则初火判定阈值λ₃的计算结果为0.9。

以上三个关键阈值λ₁、λ₂和λ₃被设定为系统的默认参数,在实际运行过程中如无特殊需要,不需要频繁调整。

安装调试工作完成后,该集成式智能灭火系统正式投入使用。每天的例行巡检流程如下:

1.热成像仪实时采集仓库内部的热成像图像,获取实时的温度分布信息。

2.采用帧差法对相邻的热成像图像进行分析,识别出温度变动点和温度异常点。根据前述的判断公式:

ΔT(x,y,t)＝|T(x,y,t)-T(x,y,t-1)|>λ₁；

T(x,y,t)-(T_avg(t)+λ₂)>0；

对于满足上述条件的像素点,被确定为温度变动点和温度异常点。

3.将所有温度变动点和温度异常点在时间序列上组织成两个矩阵:温度变动点时序矩阵M_change和温度异常点时序矩阵M_abnormal。

温度变动点时序矩阵：

温度异常点时序矩阵：

4.对温度变动点时序矩阵M_change进行奇异值分解,得到温度变动点的匀速变动分量和变速变动分量:

5.对温度异常点时序矩阵M_abnormal进行主成分分析,得到温度异常点位置的稳定分量和变动分量:

6.根据上述提取的温度变化特征,通过起火风险矩阵计算公式计算出每个区域的起火风险指数:

其中,通过机器学习方法训练得到的权重系数分别为:α＝0.4、β＝0.3、γ＝0.2、δ＝0.1。

7.根据计算得到的起火风险指数矩阵,动态调整集成式智能灭火器的巡检策略。对于起火风险指数高于平均值的区域,增加巡检时长；对于起火风险指数低于平均值的区域,减少巡检时长。具体计算方式如下:

设基础停顿时长t_base＝2秒,在某次巡检过程中,计算得到的参数为:R_avg＝0.5、R_max＝0.8、R_min＝0.2。则各区域的实际停顿时长计算如下:

对于高风险区域(R(x,y,t)>0.5):t_pause(x,y)＝2(1+)＝2(1+2)；

对于低风险区域(R(x,y,t)≤0.5):

停顿时长的上限设为5秒,下限设为0.5秒。

8.当某个区域的起火风险指数R(x,y,t)超过初火判定阈值λ₃＝0.9时,立即判定该区域发生初火,记录初火发生的坐标位置,并触发报警。

下面,通过一些图表直观地展示该系统在仓库环境中的运行情况。

首先,绘制了某次巡检过程中,仓库内部温度分布的变化情况。图4显示了预设的3个时间点(t1、t2、t3)的热成像图像,可以清楚地看到仓库内部的温度分布存在较大差异。

图5展示了某次巡检过程中,温度变动点和温度异常点的分布情况。从图中可以看出,温度变动点主要集中在仓库的某些局部区域,而温度异常点则较为分散。

图6显示了某次巡检过程中,各区域的起火风险指数分布。从图中可以看出,仓库的西北角和东南角存在较高的起火风险,而中部区域的风险相对较低。

最后,图7展示了在采用动态巡检策略后,集成式智能灭火器的巡检路径和停顿时长的变化情况。从图中可以看出,系统将更多的巡检时间集中于高风险区域,而对于低风险区域则相应减少了巡检时长。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种起火预测变频巡检方法，其特征在于，包括以下步骤：

S10、实时获取集成式智能灭火器旋转过程中采集的热成像图像；所述集成式智能灭火器具有云台，所述云台上设置有热成像仪，用于采集热成像图像；

S20、采用帧差法对相邻的热成像图像进行运动目标检测，识别热成像图像中的温度变动点和温度异常点；所述温度变动点指的是相邻帧之间温度变化超过预设的第一阈值的点；所述温度异常点指的是温度高于环境平均温度与预设的第二阈值之和的点；

S30、将全部相邻热成像图像对应的温度变动点和温度异常点分别组合为温度变动点时序矩阵和温度异常点时序矩阵；

S40、对所述温度变动点时序矩阵采用奇异值分解的方式进行分解，得到温度变动点匀速变动矩阵以及温度变动点变速变动矩阵；

S50、对所述温度异常点时序矩阵采用主成分分析的方式进行分解，得到温度异常点位置稳定矩阵以及温度异常点位置变动矩阵；

S60、根据所述温度变动点变速变动矩阵和所述温度异常点位置变动矩阵，采用预设的起火风险矩阵计算方程计算起火风险指数矩阵；所述起火风险指数矩阵中的每个元素为一个向量，包括坐标和起火风险指数，起火风险指数越高，表示所述坐标对应的区域发生初火的可能性越大；

S70、根据计算得到的起火风险指数矩阵，动态调整云台的巡检策略：对于起火风险指数高的区域，加长所述集成式智能灭火转动过程中对应的停顿时长；对于起火风险指数低的区域，降低所述集成式智能灭火转动过程中对应的停顿时长；

S80、当某个区域的起火风险指数超过预设的初火判定阈值时，判定该区域发生初火，记录初火位置坐标，并触发报警。

2.根据权利要求1所述的一种起火预测变频巡检方法，其特征在于，所述起火风险矩阵计算方程具体表示如下：

式中，R(x，y，t)为坐标(x，y)在时间t的起火风险指数；T(x，y，t)为坐标(x，y)在时间t的温度值；T_avg(t)为时间t的平均环境温度；θ(x，y，t)为温度变化的相位角；α，β，γ，δ为权重系数；i为虚数单位；为拉普拉斯算子。

3.根据权利要求2所述的一种起火预测变频巡检方法，其特征在于，温度变动点的判定公式表示如下：

ΔT(x，y，t)＝|T(x，y，t)-T(x，y，t-1)|＞λ₁；

温度异常点的判定公式：

T(x，y，t)-(T_avg(t)+λ₂)>0；

式中，ΔT(x，y，t)为温度变化量；λ₁为第一阈值；λ₂为第二阈值。

4.根据权利要求3所述的一种起火预测变频巡检方法，其特征在于，温度变动点时序矩阵表示如下：

温度异常点时序矩阵表示如下：

5.根据权利要求4所述的一种起火预测变频巡检方法，其特征在于，奇异值分解具体表示如下：

式中，为温度变动点匀速变动矩阵；为温度变动点变速变动矩阵。

6.根据权利要求5所述的一种起火预测变频巡检方法，其特征在于，所述第一阈值获取的步骤，具体包括：

收集历史温度变化数据，计算温度变化量的均值μ_ΔT和标准差σ_ΔT；

选择合适的调节系数k₁；

应用公式λ₁＝μ_ΔT+k₁σ_ΔT计算第一阈值。

7.根据权利要求6所述的一种起火预测变频巡检方法，其特征在于，所述第二阈值获取的步骤，具体包括：

分析历史温度数据，确定最高温度T_max和平均温度T_avg；

选择合适的调节系数k₂；

应用公式λ₂＝k₂(T_max-T_avg)计算第二阈值。

8.根据权利要求7所述的一种起火预测变频巡检方法，其特征在于，所述初火判定阈值的步骤，具体包括：

收集历史起火风险指数数据，计算其均值μ_R和标准差σ_R；

选择合适的调节系数k₃；

应用公式λ₃＝μ_R+k₃σ_R计算初火判定阈值。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令在计算机中运行时，用于执行权利要求1-8任一项所述的一种起火预测变频巡检方法。

10.一种起火预测变频巡检系统，其特征在于，包含权利要求9所述的计算机可读存储介质。