本發(fā)明涉及火災(zāi)智能檢測，具體涉及一種基于數(shù)據(jù)增強(qiáng)的火災(zāi)智能檢測方法。

背景技術(shù)：

1、火災(zāi)檢測在現(xiàn)代社會(huì)中具有至關(guān)重要的意義，尤其在保障人類生命財(cái)產(chǎn)安全和環(huán)境保護(hù)方面發(fā)揮著關(guān)鍵作用。首先，火災(zāi)檢測能夠顯著降低人員傷亡和財(cái)產(chǎn)損失的風(fēng)險(xiǎn)，通過早期探測火災(zāi)的發(fā)生，能夠及時(shí)采取措施進(jìn)行滅火和疏散，從而防止火勢蔓延并減少對(duì)建筑物和設(shè)施的破壞，因此火災(zāi)檢測對(duì)環(huán)境保護(hù)具有重要意義。火災(zāi)不僅會(huì)造成直接的經(jīng)濟(jì)損失，還會(huì)對(duì)生態(tài)環(huán)境產(chǎn)生嚴(yán)重影響，火災(zāi)過程中釋放的有毒氣體和煙霧會(huì)對(duì)空氣質(zhì)量造成污染，危害人類健康和生態(tài)系統(tǒng)的平衡，及時(shí)、有效的火災(zāi)檢測和控制可以減少有害物質(zhì)的釋放，保護(hù)自然環(huán)境免受火災(zāi)帶來的破壞。此外，在一些特殊的環(huán)境中，如森林、石化工廠和高風(fēng)險(xiǎn)工業(yè)區(qū)，火災(zāi)檢測的意義更加顯著。這些地區(qū)一旦發(fā)生火災(zāi)，往往會(huì)造成災(zāi)難性的后果，因此需要高度敏感和精準(zhǔn)的火災(zāi)檢測系統(tǒng)來及時(shí)進(jìn)行有效的火災(zāi)檢測，確保作業(yè)環(huán)境安全。

2、目前關(guān)于火災(zāi)檢測的方法大致可以分為兩種：基于傳感器的火災(zāi)檢測技術(shù)和基于深度學(xué)習(xí)的火災(zāi)檢測技術(shù)?；趥鞲衅鞯幕馂?zāi)檢測技術(shù)是一種利用傳感器的測量數(shù)據(jù)，通過特征工程方法來檢測火災(zāi)的方法，由于不同傳感器之間數(shù)據(jù)融合復(fù)雜和特征提取困難，為了簡化系統(tǒng)設(shè)計(jì)和實(shí)現(xiàn)而采用單一傳感器數(shù)據(jù)來進(jìn)行特征提取，而采用單一傳感器的方法會(huì)降低檢測精度、增加環(huán)境依賴?；谏疃葘W(xué)習(xí)的火災(zāi)檢測技術(shù)是一種利用深度學(xué)習(xí)技術(shù)來提取火焰特征的方法，目前深度學(xué)習(xí)主要側(cè)重于對(duì)圖像數(shù)據(jù)進(jìn)行特征提取，然而這種方法往往在有濃煙和明火時(shí)才能做出準(zhǔn)確檢測，不能提取火災(zāi)前期的特征，無法及時(shí)探測早期火災(zāi)。

3、相關(guān)技術(shù)中，文獻(xiàn)“基于vmd和馬氏距離svm的滾動(dòng)軸承故障診斷，喬美英，中山大學(xué)學(xué)報(bào)(自然科學(xué)版)，2019年9月，第58卷第5期”中提出了一種基于變分模態(tài)分解和馬氏距離svm的軸承故障診斷方法，通過采用小波軟閥值去噪法對(duì)原始振動(dòng)信號(hào)進(jìn)行去噪，提取有效信號(hào)；其次，根據(jù)vmd不同模態(tài)分量的中心頻率大小不同的特點(diǎn)，確定分解模態(tài)數(shù)；并將分解后的模態(tài)分量的能量作為故障特征，輸入基于馬氏距離高斯核函數(shù)的svm中，進(jìn)行故障診斷；該方案主要針對(duì)單一信號(hào)問題，針對(duì)軸承振動(dòng)信號(hào)，通過信號(hào)去噪、特征提取和分類來識(shí)別不同的故障模式(如內(nèi)圈故障、外圈故障、滾珠故障等)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于如何提高火災(zāi)檢測的準(zhǔn)確率。

2、本發(fā)明通過以下技術(shù)手段解決上述技術(shù)問題的：

3、提出了一種基于數(shù)據(jù)增強(qiáng)的火災(zāi)智能檢測方法，所述方法包括：

4、采集用于表征火災(zāi)的多模態(tài)時(shí)間序列信號(hào)，分別對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)進(jìn)行基于巴氏距離的變分模態(tài)分解重構(gòu)，得到每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第一重構(gòu)信號(hào)；

5、對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第一重構(gòu)信號(hào)進(jìn)行小波包閾值去噪，得到每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第二重構(gòu)信號(hào)；

6、對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第二重構(gòu)信號(hào)進(jìn)行短時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解，得到每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的時(shí)頻數(shù)據(jù)矩陣；

7、將各模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的時(shí)頻數(shù)據(jù)矩陣分別采用信號(hào)到圖像的編碼形式得到具有圖像性質(zhì)的像素矩陣；

8、將各像素矩陣分別進(jìn)行主成分分析進(jìn)行降維，得到對(duì)應(yīng)的降維后的矩陣，并將降維后的矩陣輸入至火災(zāi)智能檢測模型，得到火災(zāi)檢測結(jié)果。

9、進(jìn)一步地，所述分別對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)進(jìn)行基于巴氏距離的變分模態(tài)分解重構(gòu)，得到每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第一重構(gòu)信號(hào)，包括：

10、設(shè)定模態(tài)時(shí)間序列信號(hào)的內(nèi)稟模態(tài)函數(shù)，并初始化內(nèi)稟模態(tài)函數(shù)的中心頻率；

11、分別對(duì)內(nèi)稟模態(tài)函數(shù)及其中心頻率進(jìn)行更新，并判斷更新后的內(nèi)稟模態(tài)函數(shù)及更新后的中心頻率是否滿足整體收斂條件；

12、若否，則對(duì)更新后的內(nèi)稟模態(tài)函數(shù)及更新后的中心頻率進(jìn)行再次更新；

13、若是，則計(jì)算更新后的內(nèi)稟模態(tài)函數(shù)與相應(yīng)模態(tài)時(shí)間序列信號(hào)之間的巴氏距離；

14、選擇所有巴氏距離大于閾值的更新后內(nèi)稟模態(tài)函數(shù)進(jìn)行重構(gòu)，得到模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第一重構(gòu)信號(hào)。

15、進(jìn)一步地，第k個(gè)內(nèi)稟模態(tài)函數(shù)的更新公式為：

16、

17、式中，為更新后的第k個(gè)內(nèi)稟模態(tài)函數(shù)；表示傅里葉逆變換；表示對(duì)原始時(shí)間序列信號(hào)進(jìn)行傅里葉變換；為第i個(gè)內(nèi)稟模態(tài)函數(shù)的傅里葉變換；ω為頻率變量；ωk為第k個(gè)內(nèi)稟模態(tài)函數(shù)的中心頻率；λ為正則化參數(shù)；

18、第k個(gè)內(nèi)稟模態(tài)函數(shù)的中心頻率的更新公式為：

19、

20、式中，為更新后的第k個(gè)內(nèi)稟模態(tài)函數(shù)的中心頻率；表示第k個(gè)內(nèi)稟模態(tài)函數(shù)的功率譜。

21、進(jìn)一步地，通過以下公式判斷更新后的內(nèi)稟模態(tài)函數(shù)及更新后的中心頻率是否滿足整體收斂條件：

22、

23、式中，為更新后的第k個(gè)內(nèi)稟模態(tài)函數(shù)；為更新后的第k個(gè)內(nèi)稟模態(tài)函數(shù)的中心頻率；uk(t)為第k個(gè)內(nèi)稟模態(tài)函數(shù)；ωk為第k個(gè)內(nèi)稟模態(tài)函數(shù)的中心頻率；∥.∥2表示l2范數(shù)；|.|表示絕對(duì)值；∈u和∈ω分別表示內(nèi)稟模態(tài)函數(shù)和中心頻率需滿足的閾值；∧表示邏輯與。

24、進(jìn)一步地，所述計(jì)算更新后的內(nèi)稟模態(tài)函數(shù)與相應(yīng)模態(tài)時(shí)間序列信號(hào)之間的巴氏距離，公式表示為：

25、

26、式中，dk為第k個(gè)內(nèi)稟模態(tài)函數(shù)uk(t)與模態(tài)時(shí)間序列信號(hào)i(t)之間的巴氏距離；p(i(t))表示模態(tài)時(shí)間序列信號(hào)的概率密度函數(shù)；p(uk(t))表示第k個(gè)內(nèi)稟模態(tài)函數(shù)uk(t)的概率密度函數(shù)。

27、進(jìn)一步地，所述對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第一重構(gòu)信號(hào)進(jìn)行小波包閾值去噪，得到每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第二重構(gòu)信號(hào)，包括：

28、對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第一重構(gòu)信號(hào)進(jìn)行j層小波包分解，得到j(luò)個(gè)近似系數(shù)和j個(gè)細(xì)節(jié)系數(shù)；

29、對(duì)j個(gè)近似系數(shù)進(jìn)行軟閾值處理和對(duì)j個(gè)細(xì)節(jié)系數(shù)進(jìn)行硬閾值處理，并對(duì)對(duì)經(jīng)過閾值處理后的近似系數(shù)和閾值處理后的細(xì)節(jié)系數(shù)進(jìn)行重構(gòu)，得到每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第二重構(gòu)信號(hào)。

30、進(jìn)一步地，所述對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第二重構(gòu)信號(hào)進(jìn)行短時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解，得到每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的時(shí)頻數(shù)據(jù)矩陣，包括：

31、對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的第二重構(gòu)信號(hào)分別進(jìn)行短時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解，得到固有模態(tài)函數(shù)集合；

32、將固有模態(tài)函數(shù)集合縱向排列組成每個(gè)模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的時(shí)頻數(shù)據(jù)矩陣。

33、進(jìn)一步地，所述將各模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的時(shí)頻數(shù)據(jù)矩陣分別采用信號(hào)到圖像的編碼形式得到具有圖像性質(zhì)的像素矩陣，包括：

34、將各模態(tài)時(shí)間序列信號(hào)對(duì)應(yīng)的時(shí)頻數(shù)據(jù)矩陣分別采用信號(hào)到圖像的編碼形式轉(zhuǎn)換到[0,255]像素區(qū)間范圍內(nèi)，得到具有圖像性質(zhì)的像素矩陣。

35、進(jìn)一步地，所述將各像素矩陣進(jìn)行主成分分析進(jìn)行降維，得到降維后的矩陣，包括：

36、按行計(jì)算出像素矩陣t的均值和標(biāo)準(zhǔn)差sp，并基于均值和標(biāo)準(zhǔn)差sp對(duì)像素矩陣中的元素進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化處理后的矩陣z；

37、計(jì)算矩陣z的協(xié)方差矩陣w∈rp×p，并計(jì)算出協(xié)方差矩陣w的特征值λ1,λ2,...,λp,...,λp,及其對(duì)應(yīng)的特征向量α1,α2,...,αp,...,αp；

38、計(jì)算第p個(gè)特征值的貢獻(xiàn)率；

39、

40、根據(jù)貢獻(xiàn)率大小將對(duì)應(yīng)的特征值轉(zhuǎn)置并從上到下排成矩陣，取前m(m<p)行組成篩選特征矩陣m，并將矩陣n＝mt作為降維后的矩陣。

41、進(jìn)一步地，所述采集用于表征火災(zāi)的多模態(tài)時(shí)間序列信號(hào)，包括：

42、利用溫度傳感器、一氧化碳傳感器和煙霧濃度傳感器，分別采集溫度時(shí)間序列信號(hào)、一氧化碳量時(shí)間序列信號(hào)和煙霧濃度時(shí)間序列信號(hào)。

43、進(jìn)一步地，所述火災(zāi)智能檢測模型包括l個(gè)卷積池化層、1個(gè)全連接層和1個(gè)softmax層，所述卷積池化層包括依次連接的卷積層和池化層；

44、l個(gè)卷積池化層的輸出與全連接層連接，全連接層的輸出與softmax層連接。

45、進(jìn)一步地，第l個(gè)所述卷積池化層的輸入特征矩陣h(l)與卷積核先進(jìn)行卷積操作再進(jìn)行池化操作，得到第l+1個(gè)卷積池化層輸入特征矩陣h(l+1)；

46、

47、式中，f(l)為第l個(gè)卷積池化層的輸出矩陣；σ(·)為激活函數(shù)；為卷積運(yùn)算；θ(l)表示第l個(gè)卷積池化層的卷積核；bl為第l個(gè)卷積池化層的偏置值；max-pooling為最大池化操作。

48、進(jìn)一步地，在所述將降維后的矩陣輸入至火災(zāi)智能檢測模型，得到火災(zāi)檢測結(jié)果之前，所述方法還包括：

49、構(gòu)建交叉熵?fù)p失函數(shù)，通過反向傳播和梯度下降算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到損失函數(shù)收斂，得到所述火災(zāi)智能檢測模型。

50、本發(fā)明的優(yōu)點(diǎn)在于：

51、(1)本發(fā)明首先采用基于bhattacharyya距離(巴氏距離)的變分模態(tài)分解重構(gòu)方式對(duì)每個(gè)模態(tài)時(shí)間序列信號(hào)進(jìn)行分解重構(gòu)，提高了模態(tài)分離的精度，采用bhattacharyya距離能夠精確地量化不同內(nèi)稟模態(tài)函數(shù)與原信號(hào)的差異，從而提供關(guān)鍵的判別信息；其次采用小波包閾值去噪方式對(duì)第一重構(gòu)信號(hào)進(jìn)行去噪得到第二重構(gòu)信號(hào)，能夠保留信號(hào)主要特征、高效去除噪聲；再采用短時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解第二重構(gòu)信號(hào)，對(duì)多模態(tài)數(shù)據(jù)進(jìn)行特征提取，同時(shí)將提取的數(shù)據(jù)編碼成像素矩陣，便于后續(xù)的卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)；接著采用主成分分析降維像素矩陣，將高維特征映射到低維特征上得到卷積神經(jīng)網(wǎng)絡(luò)的輸入；最后利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)火災(zāi)檢測。

52、(2)本發(fā)明對(duì)第一重構(gòu)信號(hào)采用雙端協(xié)同小波包閾值去噪，采用小波包分解出多個(gè)近似系數(shù)和細(xì)節(jié)系數(shù)，然后采用近似系數(shù)和細(xì)節(jié)系數(shù)進(jìn)行軟閾值處理和硬閾值處理的方法，這樣能夠保留信號(hào)主要特征、高效去除噪聲。

53、(3)在進(jìn)行短時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解時(shí)，采用多個(gè)窗口分解信號(hào)，能有效分離多尺度信號(hào)成分，在時(shí)間和頻率上對(duì)信號(hào)進(jìn)行細(xì)致的分析。

54、(4)本發(fā)明將多種傳感器時(shí)域數(shù)據(jù)轉(zhuǎn)換為像素矩陣，將時(shí)域轉(zhuǎn)換為卷積神經(jīng)網(wǎng)絡(luò)能夠處理的圖像數(shù)據(jù)，通過域的轉(zhuǎn)換實(shí)現(xiàn)了多模態(tài)數(shù)據(jù)融合的深度學(xué)習(xí)方法。

55、(5)本發(fā)明采用的卷積神經(jīng)網(wǎng)絡(luò)模型與bp神經(jīng)網(wǎng)絡(luò)和svm相比，具有局部連接和權(quán)值共享、適應(yīng)處理圖像和空間數(shù)據(jù)、參數(shù)共享導(dǎo)致的稀疏連接、特征的層次化表示、及具有處理大規(guī)模數(shù)據(jù)能力的優(yōu)點(diǎn)。

56、本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。