智能消防视频监测与报警联动控制系统的制作方法

1.本发明涉及消防报警联动技术领域，尤其涉及智能消防视频监测与报警联动控制系统。


背景技术：

2.在现有的消防救援体系中，通常使用简单的视频监控、烟雾报警和温度感应设备来监控和报告火灾情况。这些传统方法主要依赖人工观察和判断，不仅反应慢，而且容易出错。尤其在大型建筑或复杂环境中，由于人员密集和结构复杂，火势扩散和烟雾飘散都更加不可预测，这增加了消防救援的难度和风险。
3.尽管有一些尝试通过引入自动化和智能化技术（如基础的环境感知和数据分析算法）来改进消防救援，但这些技术通常只关注单一或有限的几个方面，如仅仅进行火源定位或烟雾检测。而且，这些系统很少或没有与高度详细的三维模型进行集成，这限制了其在复杂环境中的应用。
4.更为先进的消防救援策略需求更为高级的技术支持，特别是在动态和不可预测的火场环境中。例如，基于实时环境数据，利用三维建筑模型进行救援路径的精确规划，这是一种可行而有益的方案。然而，这需要高度复杂的数据处理和算法支持，以及与现有消防装备和通讯系统的高度集成。
5.预先构建或实时生成的三维建筑模型可以提供精确的空间信息，这是传统消防救援系统无法实现的，结合火源定位、烟雾飘散模拟和人员聚集区识别，这些三维模型能够被用于实施高度精确和实用的救援路径规划，然而，如何在短时间内进行这些高度复杂的计算和模拟，同时确保路径规划结果的实用性和准确性，仍然是一个待解决的技术难题。
6.综上所述，现有的消防救援技术在火源定位、烟雾飘散预测以及救援路径规划等方面存在显著的不足和局限性，尤其是没有充分利用三维模型和先进算法进行全方位、多维度的火灾应急响应，因此，研发一种集成了先进数据分析、三维模型和路径规划算法的智能消防视频监测与报警联动控制系统具有重要的现实意义和应用价值。


技术实现要素：

7.基于上述目的，本发明提供了智能消防视频监测与报警联动控制系统。
8.智能消防视频监测与报警联动控制系统，包括视频摄像头、烟雾传感器、温度传感器、控制单元和报警器，视频摄像头配备高分辨率和红外功能，用于实时捕捉环境图像；烟雾传感器和温度传感器用于实时监测环境的烟雾浓度和温度；控制单元内置人工智能算法，负责接收和分析从视频摄像头、烟雾传感器和温度传感器传来的数据，所述人工智能算法进行火源定位、火势评估，并预测火势的发展趋势；还包括预先构建建筑的三维可视化模型，该三维可视化模型存储于控制单元中，用于在火灾发生时与实时的火源定位、烟雾飘散和人员聚集情况进行数据融合；
还包括基于三维可视化模型的消防救援路径规划模块，该消防救援路径规划模块利用从三维可视化模型和实时环境数据中融合得到的信息，为消防员实时规划三维救援路径；控制单元根据分析判断存在火情时，触发与之连接的报警器并启动灭火系统，同时，控制单元通过内置的无线通信模块，向预设的接收端、消防员和在场人员的移动设备，发送报警信息和三维救援路径。
9.进一步的，所述视频摄像头利用其高分辨率功能，使捕捉的环境图像清晰，细节丰富，使火源、火焰边界及周围环境的细节清晰展现；视频摄像头红外功能使摄像头在低光或无光环境中，特别是当烟雾浓度高导致可见光成像受到阻碍时，仍有效地捕捉到火源的热量信息，为火势的准确判定提供关键数据；所述烟雾传感器采用光电或离子化检测，对空气中的微小颗粒进行监测，烟雾中的颗粒导致传感器内部的光线或电流变化超过预定阈值时，烟雾传感器即判断为检测到烟雾，随后实时传输烟雾浓度数据到控制单元；所述温度传感器，通过其内部的热敏元件，持续监测环境温度，当环境温度超过预设的安全阈值或温度上升速度超过预定的速率时，温度传感器将实时传输相关的温度数据到控制单元；控制单元接收来自视频摄像头的图像数据、烟雾传感器的烟雾浓度数据以及温度传感器的温度数据，为内置的人工智能算法提供完整且实时的输入信息。
10.进一步的，所述控制单元具体包括：通过内置的人工智能算法首先对来自视频摄像头、烟雾传感器和温度传感器的原始数据进行预处理；对预处理后的视频图像进行特征提取，包括颜色、形状和纹理，以识别火源的位置；基于烟雾和温度数据，通过时间序列分析来评估其变化趋势，当烟雾浓度和温度呈现持续上升的模式，并超过预定的阈值，将其视为火势发展的迹象；对多源数据进行融合和分析，以进行火势评估，通过对火源位置、火势大小、烟雾浓度和温度的综合考虑，生成火势级别指标；通过机器学习模型，利用历史火灾数据和当前环境数据来预测火势的发展趋势；根据火势级别和预测结果，自动激活相应的报警和灭火响应。
11.进一步的，回归系数，是误差项；
12.根据火源位置、火势大小、烟雾浓度和温度数据，采用支持向量机(svm)模型对火势进行评级；火势发展趋势预测：使用递归神经网络(rnn)结合历史火灾数据和当前环境数据，预测火势在未来的发展趋势。
13.进一步的，所述三维可视化模型构建由建筑信息模型(bim)集成的工具生成，构建时，将建筑信息以及内部的设备纳入模型中，模型构建完成后存储于控制单元中，作为基准模型供火灾时的数据融合使用。
14.进一步的，所述数据融合包括：
将火源定位转换为坐标信息，在三维模型中进行标记，显示火源的确切位置；应用流体动力学(cfd)模拟算法预测烟雾飘散路径，将预测的烟雾飘散路径在三维模型上以透明的色彩图层进行覆盖，表示烟雾的浓度和流向；通过视频监控和移动信号定位，获取建筑内人员的位置和数量，该数据转换为坐标信息，在三维模型中以不同颜色的标记点显示；数据融合后的可视化，火灾发生后，数据融合结果在统一的界面上进行展示，该界面显示建筑的三维模型以及其中的火源、烟雾飘散和人员聚集情况。
15.进一步的，所述流体动力学(cfd)模拟算法如下：基本公式与模型：在模拟烟雪的飘散过程中，基本方程为navier-stokes方程，表达为：
16.其中，是流体速度场；
17.是时间；
18.是流体密度；
19.是压力梯度；
20.是动力粘度；
21.是外部力，例如重力。
22.使用一个标量传输方程描述烟雾的浓度：
23.其中，是烟雾浓度；
24.是扩散系数；
25.是源项，表示由于燃烧而产生的烟雾；
26.边界条件与初始条件：边界条件包括建筑内部结构以及外界环境；初始条件基于烟雾传感器和摄像头的数据；数值解：使用有限体积法或有限元法数值方法解决上述方程；进行时步迭代，以模拟烟雾的飘散过程；数据融合与可视化：解得的烟雾浓度流场用于更新存储在控制单元中的三维可视化模型；
27.在模型中，烟雾浓度通过半透明的图层或者带有透明度渐变的烟雾体表示。
28.进一步的，所述消防救援路径规划模块具体包括：
路线生成算法：使用dijkstra算法在三维模型中找出从消防入口到火源、人员聚集区以及其它关键区域的最短路径；设图，其中为顶点集，每个顶点代表三维模型中的一个位置，为边集，每条边代表两个位置之间可行的移动；
29.在算法中加入权重函数，用于表示不同路径的“代价”或“风险”，权重由以下因素决定：
30.烟雾浓度；人员聚集密度；火源的大小和温度；
31.其中，是经过边的烟雾浓度；
32.是经过边的人员聚集密度；
33.是经过边的火源因素；
34.是各因素的权重，根据不同情况进行调整。
35.进一步的，还包括路径优化与动态调整：初始路径生成后，随着烟雾、火势和人员状况的实时更新，路径将进行动态优化。
36.当新数据进入并通过数据融合算法处理后，权重函数进行更新，触发路径重新规划；
37.三维可视化模型的集成：规划出的消防救援路径以高亮线路的形式显示在控制单元中的三维可视化模型上；线路的颜色和宽度根据路径的相对安全性和优先级变化。
38.进一步的，还包括灭火系统，灭火系统包括水喷淋、干粉和气体灭火，所述报警器包括声音报警、短信报警和灯光报警。
39.本发明的有益效果：本发明，通过实时分析高分辨率和红外视频数据、烟雾浓度和温度信息，系统能迅速且准确地定位火源和评估火势，从而极大地提高了消防救援的响应速度和准确性，利用流体动力学cfd模拟算法，系统能准确预测烟雾的飘散路径，从而更好地了解火场环境并优化救援计划。
40.本发明，通过融合火源、烟雾和人员聚集数据到预先构建的三维建筑模型，系统生成最优和实用的消防员救援路径，高度自动化和智能化的系统设计减少了对人工干预和判断的依赖，降低了错误和延迟的风险，通过将救援路径以高亮线路的形式集成到三维模型中，消防员在救援过程中能获得直观且详尽的决策支持。
附图说明
41.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1为本发明实施例的系统逻辑框图；图2为本发明实施例的系统模块示意图。
具体实施方式
43.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
44.需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
45.如图1-图2所示，智能消防视频监测与报警联动控制系统，包括视频摄像头、烟雾传感器、温度传感器、控制单元和报警器，视频摄像头配备高分辨率和红外功能，用于实时捕捉环境图像；烟雾传感器和温度传感器用于实时监测环境的烟雾浓度和温度；控制单元内置人工智能算法，负责接收和分析从视频摄像头、烟雾传感器和温度传感器传来的数据，人工智能算法进行火源定位、火势评估，并预测火势的发展趋势；还包括预先构建建筑的三维可视化模型，该三维可视化模型存储于控制单元中，用于在火灾发生时与实时的火源定位、烟雾飘散和人员聚集情况进行数据融合；还包括基于三维可视化模型的消防救援路径规划模块，该消防救援路径规划模块利用从三维可视化模型和实时环境数据中融合得到的信息，为消防员实时规划三维救援路径；控制单元根据分析判断存在火情时，触发与之连接的报警器并启动灭火系统，同时，控制单元通过内置的无线通信模块，向预设的接收端、消防员和在场人员的移动设备，发送报警信息和三维救援路径；该系统具备与传统烟雾和温度传感器联动的能力，当这些传统传感器也检测到火情时，控制单元会更快地进行报警和灭火响应。
46.视频摄像头利用其高分辨率功能，使捕捉的环境图像清晰，细节丰富，使火源、火焰边界及周围环境的细节清晰展现；视频摄像头红外功能使摄像头在低光或无光环境中，特别是当烟雾浓度高导致可见光成像受到阻碍时，仍有效地捕捉到火源的热量信息，为火势的准确判定提供关键数据；
烟雾传感器采用光电或离子化检测，对空气中的微小颗粒进行监测，烟雾中的颗粒导致传感器内部的光线或电流变化超过预定阈值时，烟雾传感器即判断为检测到烟雾，随后实时传输烟雾浓度数据到控制单元；温度传感器，通过其内部的热敏元件（例如热电偶或热敏电阻），持续监测环境温度，当环境温度超过预设的安全阈值或温度上升速度超过预定的速率时，温度传感器将实时传输相关的温度数据到控制单元；控制单元接收来自视频摄像头的图像数据、烟雾传感器的烟雾浓度数据以及温度传感器的温度数据，为内置的人工智能算法提供完整且实时的输入信息，使其能够准确分析火源位置、火势评估和预测火势发展趋势。
47.控制单元具体包括：通过内置的人工智能算法首先对来自视频摄像头、烟雾传感器和温度传感器的原始数据进行预处理；对预处理后的视频图像进行特征提取，包括颜色、形状和纹理，以识别火源的位置；基于烟雾和温度数据，通过时间序列分析来评估其变化趋势，当烟雾浓度和温度呈现持续上升的模式，并超过预定的阈值，将其视为火势发展的迹象；对多源数据进行融合和分析，以进行火势评估，通过对火源位置、火势大小、烟雾浓度和温度的综合考虑，生成火势级别指标；通过机器学习模型，利用历史火灾数据和当前环境数据来预测火势的发展趋势，模型会预测接下来几分钟或几小时内火势可能的变化，包括火势蔓延方向、速度以及可能影响的区域；根据火势级别和预测结果，自动激活相应的报警和灭火响应，例如，对于高火势级别和快速发展趋势的火灾，控制单元会更快地触发高级别的报警和灭火手段；通过这样的方式，内置的人工智能算法能全面而准确地接收和分析从视频摄像头、烟雾传感器和温度传感器传来的数据，进行火源定位、火势评估，并预测火势的发展趋势，这不仅提高了火灾应急响应的效率，还增加了系统对复杂和多变火势的适应能力。
48.回归系数，是误差项；
49.根据火源位置、火势大小、烟雾浓度和温度数据，采用支持向量机(svm)模型对火势进行评级；火势发展趋势预测：使用递归神经网络(rnn)结合历史火灾数据和当前环境数据，预测火势在未来的发展趋势；火势评估的支持向量机(svm)模型：设是输入特征向量(例如火源位置、烟雾浓度和温度等)，是输出火势级别，svm通过以下优化问题进行训练：
50.51.其中，和是分类面的参数，是松弛变量，是征罚参数；
52.在分类时，火势级别通过以下公式确定：
53.火势发展趋势预测的递归神经网络(rnn)模型：rnn的核心是隐藏状态，用于存储时间之前所有时间点的信息；
[0054][0055]
其中，是时间的隐藏状态，是时间的输入，和是权重矩阵，是偏置项，是激活函数(例如sigmoid或relu)；
[0056]
预测的火势发展趋势由以下公式确定：
[0057][0058]
其中，是权重矩阵，是偏置项；
[0059]
通过以上公式，该系统能精确地进行火势评估和火势发展趋势预测。支持向量机（svm）用于将多维度的输入特征映射到一个决策面上，以进行火势级别的评估，递归神经网络（rnn）用于处理时间序列数据，如历史火灾数据和当前环境的温度、烟雾浓度，以预测火势的发展趋势，这两种模型的综合应用不仅提高了火灾评估和预测的准确性，还提高了应急响应的效率。
[0060]
三维可视化模型构建由建筑信息模型(bim)集成的工具生成，构建时，将建筑信息（例如楼层、楼梯、安全出口、隔墙、窗户等）以及内部的设备（如消火栓、灭火器、烟感器位置等）纳入模型中，模型构建完成后存储于控制单元中，作为基准模型供火灾时的数据融合使用。
[0061]
数据融合包括：将火源定位转换为坐标信息，在三维模型中进行标记，显示火源的确切位置；应用流体动力学(cfd)模拟算法预测烟雾的飘散路径，该模拟路径在三维模型上以透明的色彩图层进行覆盖，表示烟雾的浓度和流向；通过视频监控和移动信号定位，获取建筑内人员的位置和数量，该数据转换为坐标信息，在三维模型中以不同颜色的标记点显示，如红色点表示人员密集区，绿色点表示人员稀疏区；数据融合后的可视化，火灾发生后，数据融合结果在统一的界面上进行展示，该界面显示了建筑的三维模型以及其中的火源、烟雾飘散和人员聚集情况；数据融合的具体技术手段；坐标转换与标准化：所有收集到的数据，包括火源位置、人员聚集情况和烟雾浓度，首先会转换为一个统一的坐标系。这通常是通过对摄像头图像和传感器数据进行几何变换和校准来完成的；数据进一步标准化，以适应三维模型的尺度和方向；坐标信息的嵌入与标记：在三维模型中，每个物理位置都对应于一个具体的坐标（x, y, z）。
[0062]
火源的坐标信息将以热点（hotspot）的形式标记在模型中。这些热点用颜色编码来表示火势的不同级别（例如，红色代表高温/高火势，黄色代表中等火势，绿色代表低火
势）。
[0063]
人员聚集区域将以密度云（density cloud）的形式展示在三维模型中。密度云的颜色和透明度根据人员密度而变化。
[0064]
烟雾浓度则通过半透明的图层或者带有透明度渐变的烟雾体表示。
[0065]
实时更新与动态渲染：控制单元会实时接收来自摄像头和传感器的数据。
[0066]
数据融合算法会在每个数据采样周期结束后更新三维模型，这样消防人员和应急响应团队就能够看到最新的火源位置、人员聚集情况和烟雾浓度。
[0067]
交互界面：用户可以通过触摸屏或其他输入设备来旋转、缩放和平移三维模型。
[0068]
高级功能还包括“时间滑块”，用于查看火势和人员聚集情况在过去几分钟内的变化。
[0069]
通过这些技术手段，上述智能消防系统不仅可以实时地融合和展示各种类型的数据，而且还提供了一种直观的方式，使消防人员和应急响应团队能够迅速理解和评估火灾现场的复杂情况。这大大加速了决策过程，提高了救援行动的准确性和效率。
[0070]
流体动力学(cfd)模拟算法如下：基本公式与模型：在模拟烟雪的飘散过程中，基本方程为navier-stokes方程，表达为：
[0071]
其中，是流体速度场；
[0072]
是时间；
[0073]
是流体密度；
[0074]
是压力梯度；
[0075]
是动力粘度；
[0076]
是外部力，例如重力。
[0077]
使用一个标量传输方程描述烟雾的浓度：
[0078]
其中，是烟雾浓度；
[0079]
是扩散系数；
[0080]
是源项，表示由于燃烧而产生的烟雾；
[0081]
边界条件与初始条件：边界条件包括建筑内部结构（如墙壁、窗户、门等）以及外界环境（如风速、温度等）；
初始条件基于烟雾传感器和摄像头的数据；数值解：使用有限体积法或有限元法数值方法解决上述方程；进行时步迭代，以模拟烟雾的飘散过程；数据融合与可视化：解得的烟雾浓度流场用于更新存储在控制单元中的三维可视化模型；
[0082]
在模型中，烟雾浓度通过半透明的图层或者带有透明度渐变的烟雾体表示；通过以上的cfd模拟算法，系统能够实时预测烟雾的飘散路径，从而帮助消防人员更准确地评估火势和制定救援计划。这一创新性技术提供了一种高度精确和实用的方法，用于在火灾中实施高效和有针对性的救援行动。
[0083]
消防救援路径规划模块具体包括：路线生成算法：使用dijkstra算法在三维模型中找出从消防入口到火源、人员聚集区以及其它关键区域(如安全出口)的最短路径；设图，其中为顶点集，每个顶点代表三维模型中的一个位置，为边集，每条边代表两个位置之间可行的移动；
[0084]
在算法中加入权重函数，用于表示不同路径的“代价”或“风险”，权重由以下因素决定：
[0085]
烟雾浓度；人员聚集密度；火源的大小和温度；
[0086]
其中，是经过边的烟雾浓度；
[0087]
是经过边的人员聚集密度；
[0088]
是经过边的火源因素(如温度或大小)；
[0089]
是各因素的权重，根据不同情况进行调整。
[0090]
还包括路径优化与动态调整：初始路径生成后，随着烟雾、火势和人员状况的实时更新，路径将进行动态优化。
[0091]
当新数据进入并通过数据融合算法处理后，权重函数进行更新，触发路径重新规划；
[0092]
三维可视化模型的集成：规划出的消防救援路径以高亮线路的形式显示在控制单元中的三维可视化模型上；线路的颜色和宽度根据路径的相对安全性和优先级变化；路径旁会有文字或符号标签，以提供额外的导航信息（如“火源”，“人员聚集区”等）；
通过这个消防救援路径规划模块，系统能够根据复杂的火灾现场情况，快速而准确地规划出最优的救援路径，这不仅提高了救援效率，也极大地提升了救援行动的安全性。这一创新性模块进一步完善了智能消防视频监测与报警联动控制系统，使其成为一个全方位、多维度的火灾应急响应解决方案；消防救援路径的三维可视化表示；图形渲染技术：使用opengl或directx图形渲染库，以高亮线路的形式在三维模型上绘制出消防救援路径；高亮线路的颜色、透明度和宽度通过shader程序进行动态调整，以反映路径的相对安全性和优先级。
[0093]
数据映射与标准化：将路径规划算法中得到的节点坐标转换为三维模型中的世界坐标；使用齐次坐标或者变换矩阵，确保路径在三维模型中的准确表示。
[0094]
实时更新与动画：利用mqtt实时通信协议，将新的路径数据实时传输到三维可视化模型的控制单元；应用简单的动画效果（如渐入渐出或闪烁等）来引起操作员或消防员的注意，以便他们快速识别新规划的路径。
[0095]
现有软件集成：通过api或sdk，将本系统与现有的三维可视化软件集成。
[0096]
在这些软件中，利用现有的图形渲染和实时更新功能，以达到相同的可视化效果。
[0097]
用户界面与交互：在三维可视化模型的用户界面（ui）中，设置一键触发按钮或快捷键，以便消防人员在紧急情况下快速查看或切换救援路径。
[0098]
通过触摸屏或鼠标操作，消防人员可以缩放、旋转或平移三维模型，以从不同角度查看救援路径。
[0099]
通过这些具体的技术手段，该系统确保消防救援路径能够清晰、准确和实时地展示在三维可视化模型中。这提供了一个高度直观的界面，使消防人员能够更有效地执行救援任务。这一模块的加入进一步提升了系统的完善性和实用性。
[0100]
还包括灭火系统，灭火系统包括水喷淋、干粉和气体灭火，报警器包括声音报警、短信报警和灯光报警。
[0101]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0102]
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.智能消防视频监测与报警联动控制系统，其特征在于，包括视频摄像头、烟雾传感器、温度传感器、控制单元和报警器，其中，视频摄像头配备高分辨率和红外功能，用于实时捕捉环境图像；烟雾传感器和温度传感器用于实时监测环境的烟雾浓度和温度；控制单元内置人工智能算法，负责接收和分析从视频摄像头、烟雾传感器和温度传感器传来的数据，所述人工智能算法进行火源定位、火势评估，并预测火势的发展趋势；还包括预先构建建筑的三维可视化模型，该三维可视化模型存储于控制单元中，用于在火灾发生时与实时的火源定位、烟雾飘散和人员聚集情况进行数据融合；还包括基于三维可视化模型的消防救援路径规划模块，该消防救援路径规划模块利用从三维可视化模型和实时环境数据中融合得到的信息，为消防员实时规划三维救援路径；控制单元根据分析判断存在火情时，触发与之连接的报警器并启动灭火系统，同时，控制单元通过内置的无线通信模块，向预设的接收端、消防员和在场人员的移动设备，发送报警信息和三维救援路径。2.根据权利要求1所述的智能消防视频监测与报警联动控制系统，其特征在于，所述视频摄像头利用其高分辨率功能，使火源、火焰边界及周围环境的细节清晰展现；视频摄像头红外功能使摄像头在低光或无光环境中，仍能捕捉到火源的热量信息，为火势的准确判定提供关键数据；所述烟雾传感器采用光电或离子化检测，对空气中的微小颗粒进行监测，烟雾中的颗粒导致传感器内部的光线或电流变化超过预定阈值时，烟雾传感器即判断为检测到烟雾，随后实时传输烟雾浓度数据到控制单元；所述温度传感器，通过其内部的热敏元件，持续监测环境温度，当环境温度超过预设的安全阈值或温度上升速度超过预定的速率时，温度传感器将实时传输相关的温度数据到控制单元；控制单元接收来自视频摄像头的图像数据、烟雾传感器的烟雾浓度数据以及温度传感器的温度数据，为内置的人工智能算法提供完整且实时的输入信息。3.根据权利要求2所述的智能消防视频监测与报警联动控制系统，其特征在于，所述控制单元具体包括：通过内置的人工智能算法对来自视频摄像头、烟雾传感器和温度传感器的原始数据进行预处理；对预处理后的视频图像进行特征提取，包括颜色、形状和纹理，以识别火源的位置；基于烟雾和温度数据，通过时间序列分析来评估其变化趋势，当烟雾浓度和温度呈现持续上升的模式，并超过预定的阈值，将其视为火势发展的迹象；对多源数据进行融合和分析，以进行火势评估，通过对火源位置、火势大小、烟雾浓度和温度的综合考虑，生成火势级别指标；通过机器学习模型，利用历史火灾数据和当前环境数据来预测火势的发展趋势；根据火势级别和预测结果，自动激活相应的报警和灭火响应。4.根据权利要求3所述的智能消防视频监测与报警联动控制系统，其特征在于，所述人工智能算法具体包括：数据预处理：
图像降噪：利用高斯滤波方法进行处理，公式如下：其中，为滤波后的图像，是高斯滤波器，是原始图像；烟雾浓度和温度数据归一化，公式如下：其中，是归一化后的数据，是原始数据，和分别是数据的最小值和最大值；火源定位：利用图像颜色和纹理特征，采用sift算法提取关键点并定位火源；利用红外图像的灰度强度来确定火源的热量中心；火势评估：通过时间序列分析烟雾和温度数据，采用线性回归模型预测其变化趋势，公式为：其中，是时间的预测值，和是回归系数，是误差项；根据火源位置、火势大小、烟雾浓度和温度数据，采用支持向量机模型对火势进行评级；火势发展趋势预测：使用递归神经网络结合历史火灾数据和当前环境数据，预测火势在未来的发展趋势。5.根据权利要求4所述的智能消防视频监测与报警联动控制系统，其特征在于，所述三维可视化模型构建由建筑信息模型集成的工具生成，构建时，将建筑信息以及内部的设备纳入模型中，模型构建完成后存储于控制单元中，作为基准模型供火灾时的数据融合使用。6.根据权利要求5所述的智能消防视频监测与报警联动控制系统，其特征在于，所述数据融合包括：将火源定位转换为坐标信息，在三维模型中进行标记，显示火源的确切位置；应用流体动力学模拟算法预测烟雾飘散路径，将预测的烟雾飘散路径在三维模型上以透明的色彩图层进行覆盖，表示烟雾的浓度和流向；通过视频监控和移动信号定位，获取建筑内人员的位置和数量，并转换为坐标信息，在三维模型中以不同颜色的标记点显示；数据融合后的可视化，火灾发生后，数据融合结果在统一的界面上进行展示，该界面显示建筑的三维模型以及其中的火源、烟雾飘散和人员聚集情况。7.根据权利要求6所述的智能消防视频监测与报警联动控制系统，其特征在于，所述流体动力学模拟算法如下：基本公式与模型：在模拟烟雾的飘散过程中，基本方程为navier-stokes方程，表达为：
其中，是流体速度场；是时间；是流体密度；是压力梯度；是动力粘度；是外部力；使用一个标量传输方程描述烟雾的浓度：其中，是烟雾浓度；是扩散系数；是源项，表示由于燃烧而产生的烟雾；边界条件与初始条件：边界条件包括建筑内部结构以及外界环境；初始条件基于烟雾传感器和摄像头的数据；数值解：使用有限体积法或有限元法数值方法解决上述方程；进行时步迭代，以模拟烟雾的飘散过程；数据融合与可视化：解得的烟雾浓度以及流体速度场用于更新存储在控制单元中的三维可视化模型；在模型中，烟雾浓度通过半透明的图层或者带有透明度渐变的烟雾体表示。8.根据权利要求7所述的智能消防视频监测与报警联动控制系统，其特征在于，所述消防救援路径规划模块具体包括：路线生成算法：使用dijkstra算法在三维模型中找出从消防入口到火源、人员聚集区以及其它关键区域的最短路径；设图，其中为顶点集，每个顶点代表三维模型中的一个位置，为边集，每条边代表两个位置之间可行的移动；在算法中加入权重函数，用于表示不同路径的“代价”或“风险”，权重由以下因素决定：烟雾浓度；人员聚集密度；火源的大小和温度；
其中，是经过边的烟雾浓度；是经过边的人员聚集密度；是经过边的火源因素；是各因素的权重。9.根据权利要求8所述的智能消防视频监测与报警联动控制系统，其特征在于，还包括路径优化与动态调整：初始路径生成后，随着烟雾、火势和人员状况的实时更新，路径进行动态优化；新数据进入并通过数据融合算法处理后，权重函数进行更新，触发路径重新规划；三维可视化模型的集成：规划出的消防救援路径以高亮线路的形式显示在控制单元中的三维可视化模型上；线路的颜色和宽度根据路径的相对安全性和优先级变化。10.根据权利要求1所述的智能消防视频监测与报警联动控制系统，其特征在于，还包括灭火系统，灭火系统包括水喷淋、干粉和气体灭火，所述报警器包括声音报警、短信报警和灯光报警。

技术总结
本发明涉及消防报警联动技术领域，具体涉及智能消防视频监测与报警联动控制系统，包括视频摄像头、烟雾传感器、温度传感器、控制单元和报警器；控制单元内置人工智能算法，负责接收和分析从视频摄像头、烟雾传感器和温度传感器传来的数据，所述人工智能算法进行火源定位、火势评估，并预测火势的发展趋势；还包括预先构建建筑的三维可视化模型；还包括基于三维可视化模型的消防救援路径规划模块，控制单元根据分析判断存在火情时，触发与之连接的报警器并启动灭火系统，本发明，极大地提高了消防救援的响应速度和准确性，利用流体动力学CFD模拟算法，系统能准确预测烟雾的飘散路径，从而更好地了解火场环境并优化救援计划。而更好地了解火场环境并优化救援计划。而更好地了解火场环境并优化救援计划。


技术研发人员：许建成 韩宾 郝军 李祖琦
受保护的技术使用者：山东舒尔智能工程有限公司
技术研发日：2023.09.08
技术公布日：2023/10/15