本發(fā)明屬于消防預警，尤其涉及一種基于紅外熱成像的電氣火災隱患感知方法。

背景技術：

1、目前，電氣火災呈現(xiàn)高發(fā)態(tài)勢，高居各類火災類型榜首。電氣火災指由于電氣線路和設備等出現(xiàn)故障釋放熱能、升高溫度，在具備燃燒條件時引燃本體或其他可燃物造成的火災。造成電氣火災的主要原因為電氣線路和電氣設備故障引起的短路、漏電、電弧和過載等問題。消防部門在各類大型群眾性活動或重大安保任務中，需要對現(xiàn)場電氣火災隱患進行事前檢測和事中監(jiān)測，但由于現(xiàn)場電氣線路和設備的情況錯綜復雜，尤其在高空高處、隱蔽處等人員難以接近的部位，缺乏對電氣火災隱患進行有效感知。

2、傳統(tǒng)的紅外熱成像球機能夠基本實現(xiàn)對場所內部溫度的測量，主要依據(jù)設定的報警溫度閾值進行報警，但現(xiàn)場的溫度環(huán)境復雜，各類設備正產工作時的溫度差別較大，不同類型設備的高溫預警閾值和故障溫度不同，容易產生誤報和漏報。傳統(tǒng)的紅外熱成像球機對監(jiān)測到的同類型設備中個別設備出現(xiàn)溫度升高的情況難以觸發(fā)報警，容易出現(xiàn)漏報情況。

技術實現(xiàn)思路

1、針對現(xiàn)有技術中的上述不足，本發(fā)明提供的基于紅外熱成像的電氣火災隱患感知方法，解決了通過紅外熱成像進行電氣火災隱患報警時誤報和漏報的問題。

2、為了達到上述發(fā)明目的，本發(fā)明采用的技術方案為：

3、本發(fā)明提供的一種基于紅外熱成像的電氣火災隱患感知方法，包括如下步驟：

4、s1、獲取紅外熱成像儀拍攝的熱像圖；

5、s2、構建滑動窗口，對熱像圖進行中值濾波，得到中值濾波后的熱像圖；

6、s3、基于中值濾波后的熱像圖進行像素特征聚合分類，得到熱像圖分類結果；

7、s4、基于熱像圖分類結果，分別設置各類監(jiān)測設備對應區(qū)域的告警溫度閾值，得到電氣火災隱患感知結果。

8、本發(fā)明的有益效果為：本發(fā)明提供的一種基于紅外熱成像的電氣火災隱患感知方法，通過對紅外熱像儀拍攝的熱像圖進行中值濾波后，使熱像圖中的像素更接近真實值，消除了孤立的噪聲點，也提升了基于灰度屬性對熱像圖溫度特征的感知能力；通過對中值濾波后的熱像圖進行聚合分類，實現(xiàn)了對不同類型監(jiān)測設備對應區(qū)域的準確識別劃分，為對各類型監(jiān)測設備針對性進行電氣火災隱患監(jiān)測預警提供基礎；通過分別對各類型監(jiān)測設備對應區(qū)域設置告警溫度閾值，能夠有效實現(xiàn)根據(jù)紅外熱像儀拍攝的熱像圖中各像素的溫度信息，將像素溫度與該像素所屬區(qū)域對應的告警溫度閾值進行比較，得到溫度比較結果，從而生成精確的電氣火災隱患感知結果；本發(fā)明實現(xiàn)了對紅外熱像儀拍攝的熱像圖中的不同類型設備精確識別分類，并能夠在同類型設備中存在任一設備超過該類型設備告警溫度閾值時實現(xiàn)實時自動準確告警。

9、進一步地，所述s2包括如下步驟：

10、s21、構建大小為n×n的滑動窗口；

11、s22、將滑動窗口在熱像圖上按照逐行從左到右的順序進行滑動，以使得滑動窗口中心與熱像圖中每個像素分別重合；

12、s23、分別在滑動窗口中心與熱像圖中不同像素重合時，提取滑動窗口內每個像素的灰度值，并基于中值濾波器，得到滑動窗口的中心灰度值；

13、s24、將滑動窗口中心灰度值賦值給滑動窗口中心的像素，直至滑動窗口中心遍歷完熱像圖中的所有像素后，得到中值濾波后的熱像圖。

14、采用上述進一步方案的有益效果為：本發(fā)明提供通過滑動窗口對熱像圖進行遍歷中值濾波的方法，得到的中值濾波后的熱像圖有效消除了噪聲，提升了熱像圖的真實性和溫度感知性，為對熱像圖中的不同類型監(jiān)測設備準確分類和進行電氣火災隱患判別提供基礎。

15、進一步地，所述中值濾波器的計算表達式如下：

16、，

17、其中，表示經中值濾波后的熱像圖在像素位置處的灰度值，表示取中值操作，表示熱像圖在像素位置處的灰度值，表示熱像圖在像素位置處的灰度值，i表示熱像圖的第i行像素，j表示熱像圖的第j列像素，r表示像素行偏移量，s表示像素列偏移量，a表示濾波窗口偏移量集合，表示熱像圖中所有像素位置的集合。

18、采用上述進一步方案的有益效果為：本發(fā)明提供中值濾波器的計算方法，通過對滑動窗口內的像素進行中值濾波，并賦予灰度中值，使得窗口中心像素的鄰域像素灰度值更接近真實值，并有效消除了噪聲點，提升了熱像圖的溫度感知準確性，也為準確識別劃分熱像圖中不同種類監(jiān)測設備提供基礎。

19、進一步地，所述s3包括如下步驟：

20、s31、根據(jù)熱像圖中監(jiān)測設備的類別數(shù)量，基于中值濾波后的熱像圖，構建初始聚類中心；

21、s32、根據(jù)灰度值像素分布序列，基于tanimoto測度法和最大相似度原則，對初始聚類中心進行聚類中心迭代，得到目標聚類中心；

22、s33、根據(jù)目標聚類中心，利用支持向量機對熱像圖中的監(jiān)測設備進行分類，得到熱像圖監(jiān)測設備分類結果。

23、采用上述進一步方案的有益效果為：本發(fā)明根據(jù)熱像圖中監(jiān)測設備的類別數(shù)據(jù)構建初始聚類中心，能夠有效保障最終識別得到不同類別監(jiān)測設備的準確性，從而為針對性設置告警溫度閾值對不同類型監(jiān)測設備進行電氣火災隱患感知提供基礎；通過tanimoto測度法和最大相似度原則對初始聚類中心進行聚類中心迭代，得到目標聚類中心，實現(xiàn)了根據(jù)熱像圖中像素灰度值的特征，利用tanimoto測度法和最大相似度原則，高效對熱像圖中的不同類型監(jiān)測設備進行準確的基礎識別分類；通過根據(jù)目標聚類中心，利用支持向量機對熱像圖中的監(jiān)測設備進行分類，實現(xiàn)了根據(jù)不同類型設備的形狀特征，將熱像圖中的像素進行區(qū)域劃分，為準確針對性識別熱像圖中不同類型設備中存在電氣火災隱患的設備提供基礎。

24、進一步地，所述s31包括如下步驟：

25、s311、根據(jù)中值濾波后的熱像圖中各像素的灰度值，統(tǒng)計得到每個灰度值對應的像素個數(shù)；

26、s312、將各灰度值及其對應的像素個數(shù)按照從小到大或從大到小的順序排列，得到灰度值像素分布序列；

27、灰度值像素分布序列的計算表達式如下：

28、，

29、其中，表示灰度值像素分布序列，表示第i個灰度值，表示第i個灰度值對應的像素個數(shù)，其中，，n為灰度值像素分布序列的長度；

30、s313、根據(jù)灰度值像素分布序列，構建灰度直方圖，并選擇m個灰度分類，得到各灰度分類對應的像素集合；

31、s314、分別獲取各灰度分類對應的像素集合中的中值灰度值，作為初始聚類中心；

32、s315、獲取熱像圖中監(jiān)測設備的類別數(shù)量k；

33、s316、判斷k是否小于等于m，若是則進入s318，否則進入s317；

34、s317、根據(jù)灰度值像素分布序列，基于灰度直方圖，選擇m+1個灰度分類，并得到各灰度分類對應的像素集合，且返回s314；

35、s318、根據(jù)各灰度分類對應的像素集合，選擇k個中值灰度值，得到k個初始聚類中心。

36、采用上述進一步方案的有益效果為：本發(fā)明根據(jù)灰度值及其對應的像素個數(shù)構建了灰度值像素分布序列，并通過構建灰度直方圖，實現(xiàn)了對熱像圖中像素的灰度分類，通過根據(jù)熱像圖中監(jiān)測設備的類別數(shù)量，有效確定了初始聚類中心，為準確識別分類得到熱像圖中各類別的監(jiān)測設備提供了基礎，同時為對各類型監(jiān)控設備進行準確地電氣火災隱患感知提供了保障。

37、進一步地，所述s32包括如下步驟：

38、s321、分別計算灰度值像素分布序列中的各灰度值對應的像素與各初始聚類中心間的第一tanimoto測度；

39、s322、根據(jù)最大相似度原則，將灰度值像素分布序列中各灰度值對應的像素分配到與該像素的灰度值的第一tanimoto測度最小的初始聚類中心所屬的灰度分類中，得到當前分類結果；

40、s323、將當前分類結果中各灰度分類中所有像素的灰度值的中值作為新的聚類中心；

41、s324、分別計算灰度值像素分布序列中的各灰度值對應的像素與各新的聚類中心間的第一tanimoto測度；

42、s325、將新的聚類中心作為初始聚類中心，并重復s322-s324以進行聚類中心迭代，直至相鄰兩次聚類中心迭代后的聚類中心間的最小第二tanimoto測度大于預設的tanimoto測度閾值，停止聚類中心迭代，得到目標聚類中心。

43、采用上述進一步方案的有益效果為：本發(fā)明通過弧度像素分布序列中各灰度值對應的像素與各初始聚類中心間的第一tanimoto測度，以及最大相似度原則，實現(xiàn)了對熱像圖像素的初步分類，再根據(jù)不斷對各灰度分類內部重新確定新的聚類中心，并對連續(xù)兩次聚類中心迭代后的聚類中心進行最小第二tanimoto測度的判定，從而確定目標聚類中心，實現(xiàn)了準確識別到各不同類型的監(jiān)測設備，為準確劃分熱像圖中各不同類型的監(jiān)測設備所對應的區(qū)域提供基礎。

44、進一步地，所述s33包括如下步驟：

45、s331、提取熱像圖中的每一個像素的灰度值，并將各像素的灰度值作為樣本；

46、s332、構建支持向量機的間隔面最大化模型；

47、所述間隔面最大化模型的計算表達式如下：

48、，

49、，

50、，

51、其中，表示基于權重向量、偏置項和間隔邊界松弛變量的最小化函數(shù)，表示權重向量，b表示偏置項，表示間隔邊界松弛變量，表示使得，表示樣本到間隔邊界的距離，表示第i個樣本，表示點積運算，l表示樣本總數(shù)，表示權重向量的歐幾里得范數(shù)的平方，表示第i個樣本的樣本標記，表示屬于；

52、s333、對支持向量機的間隔面最大化模型構建第一拉格朗日參數(shù)優(yōu)化模型；

53、所述第一拉格朗日參數(shù)優(yōu)化模型的計算表達式如下：

54、，

55、其中，表示第一拉格朗日參數(shù)優(yōu)化函數(shù)，a表示拉格朗日乘子，表示第i個拉格朗日乘子，表示正則化參數(shù)；

56、s334、設置第一拉格朗日參數(shù)優(yōu)化模型的優(yōu)化約束；

57、所述拉格朗日參數(shù)優(yōu)化模型的優(yōu)化約束的計算表達式如下：

58、，

59、，

60、

61、其中，表示拉格朗日參數(shù)優(yōu)化函數(shù)對權重向量求偏導，表示拉格朗日參數(shù)優(yōu)化函數(shù)對偏置項求偏導，表示拉格朗日參數(shù)優(yōu)化函數(shù)對間隔邊界松弛變量求偏導；

62、s335、將拉格朗日參數(shù)優(yōu)化模型的優(yōu)化約束代入第一拉格朗日參數(shù)優(yōu)化模型，得到第二拉格朗日參數(shù)優(yōu)化模型；

63、所述第二拉格朗日參數(shù)優(yōu)化模型的計算表達式如下：

64、，

65、其中，表示第二拉格朗日參數(shù)優(yōu)化模型，表示第j個拉格朗日乘子，表示第j個樣本的樣本標記，表示第i個樣本；

66、s336、根據(jù)第二拉格朗日參數(shù)優(yōu)化模型，得到優(yōu)化模型最優(yōu)解；

67、所述優(yōu)化模型最優(yōu)解的計算表達式如下：

68、；

69、s337、基于優(yōu)化模型最優(yōu)解，得到對偶拉格朗日參數(shù)優(yōu)化模型；

70、所述對偶拉格朗日參數(shù)優(yōu)化模型的計算表達式如下：

71、

72、其中，表示對偶拉格朗日參數(shù)優(yōu)化函數(shù)；

73、s338、基于對偶拉格朗日參數(shù)優(yōu)化模型，得到最優(yōu)拉格朗日參數(shù)優(yōu)化模型；

74、所述最優(yōu)拉格朗日參數(shù)優(yōu)化模型的計算表達式如下：

75、，

76、，

77、，

78、其中，表示基于拉格朗日乘子的最小化函數(shù)；

79、s339、根據(jù)最優(yōu)拉格朗日參數(shù)優(yōu)化模型，利用支持向量機對熱像圖中的像素進行分類，得到熱像圖分類結果。

80、采用上述進一步方案的有益效果為：本發(fā)明提供利用拉格朗日優(yōu)化模型對支持向量機優(yōu)化，以設置精確的間隔面，實現(xiàn)了準確識別劃分熱像圖中各不同監(jiān)測設備對應的像素區(qū)域，為對各不同類型監(jiān)測設備進行準確的電氣火災隱患感知提供基礎。

81、進一步地，所述s4包括如下步驟：

82、s41、基于熱像圖分類結果，得到各類監(jiān)測設備對應區(qū)域；

83、s42、對各類監(jiān)測設備對應區(qū)域分別設置告警溫度閾值；

84、s43、提取熱像圖中各像素點對應的溫度值，并將各像素點的溫度值分別與該像素點所屬監(jiān)測設備對應區(qū)域的告警溫度閾值進行比較，得到溫度比較結果；

85、s44、若存在像素點的溫度值大于等于該像素點所屬監(jiān)測設備對應區(qū)域的告警溫度閾值，則基于該像素的位置信息，生成該像素位置處的電氣火災隱患感知結果為存在火災隱患；

86、s45、若像素點的溫度值均小于該像素點所屬監(jiān)測設備對應區(qū)域的告警溫度閾值，則電氣火災隱患感知結果為不存在火災隱患。

87、采用上述進一步方案的有益效果為：本發(fā)明利用熱像圖中每個像素攜帶的溫度信息，結合識別得到的各類型監(jiān)控設備對應的下像素區(qū)域，實現(xiàn)了對熱像圖中不同類型監(jiān)測設備進行區(qū)別性的溫度感知預警，還能夠根據(jù)像素位置實現(xiàn)精準感知同類型監(jiān)測設備存在的電氣火災隱患。

88、針對于本發(fā)明還具有的其他優(yōu)勢將在后續(xù)的實施例中進行更細致的分析。