工业场景火灾防治系统

工业场景防治统1.本发明涉及缘计算技术领域具体地，涉及工业景火灾防治系统背技：2.火灾由于其坏性和高频性已为最严重的灾害之，火灾蔓延速度，危害能力强，在蔓后很难在短时间被控制，特别是可燃物密集的地方会造成极大的生命害和经济损失。3.治理火灾的键在于在火焰尚蔓延的时候及时处火情，现有的消系统主要使用烟雾传器来检测烟雾，过烟雾来判断火，在判定为有火情在的情况下，利用覆盖的消防喷淋统对整个区域进灭火。4.以上述方式行火情防控主要两方面的缺陷：5.第一：识别准确，在木工装、抽烟、厨房炒菜情况下，容易发误判；在真正发生烧时，需要等待雾达到一定浓度能够识别火情，此火情往往已经开始延；6.第二：火情理方式过于激进场景全覆盖喷淋会致电气设备短路会导致不必要的经济失，同时影响到景内的正常作业技实要素：7.针对现有技中的缺陷，本发的目的是提供一种业场景火灾防治统。8.根据本发明供的一种工业场火灾防治系统，包终端和边缘端：9.终端，用于动采集场景内的局部视频图像，并边缘端判断发生灾时，根据模糊空间位移动到火情发生附近，在到达火情生处附近后，根据采集到的火情生处的局部视频像，解析出火情生处的精确空间位，根据精确空间位进行移动并对火发生处进行瞄准扑灭场景内的火源10.边缘端，用于集场景内的全景频图像，并对监测围内是否有火情行判断，在判断有情的情况下，解出火情发生处的糊空间位置，向终发送灭火指令。11.可选地，终端一步包括；12.指令接收模块用于接收边缘端送的灭火指令；13.雷达模块，用对移动机器人位进行定位；14.路径规划模块用于根据移动机人位置和模糊空间置规划出移动到情发生处的路线；15.移动机器人，于载着第一摄像、瞄准装置和灭火备移动；16.第一摄像头，于采集场景内的局部的视频图像；17.存储模块，用存储场景内的地数据；18.第一火焰深度习模块，结合地数据和局部视频图解析出火情发生的精确空间位置信；19.瞄准装置，用根据精确空间位信息调整灭火设备火情发生处进行准；20.灭火设备，用在瞄准火情发生后，对场景内的火进行扑灭。21.可选地，边缘进一步包括；22.边缘计算服务，用于运行第二度学习推理模块、二火焰深度学习块和指令发送模块且存储有场景内地图数据；23.第二摄像头，于采集场景内的景视频图像；24.第二深度学习理模块，根据获的场景内的全景视图像判断是否有情；25.第二火焰深度习模块，在判断火情的情况下，结地图数据和全景频图像解析出火情生处的模糊空间置；26.指令发送模块在判断有火情的况下，向终端发送火指令。27.可选地，终端包括：28.第一深度学习理模块，用于根采集的局部视频图是否有火情。29.可选地，终端包括：场景地图建模块：用于对所场景内的地图进行构建，从而对场景的地图进行更新30.可选地，终端包括：31.状态检测模块用于检测终端的种状态是否正常；32.数据发送模块用于在检测到异状态时，将异常数发送至边缘端，且将精确空间位置送至边缘端。33.可选地，第一焰深度学习模块一步包括：34.第一标记子模，用于将采集的局部的视频图像中第一照片进行标；35.第一降噪子模，用于对标记的一照片进行运算得第一特征增强图；36.第一多特征提子模块，用于提第一特征增强图像的各种特征信息37.第一识别子模，用于判断各种征信息的信息类别38.第一定位子模，用于解析出含火情的特征信息的确空间位置。39.可选地，第二焰深度学习模块一步包括：40.第二标记子模，用于将采集的景视频图像中的第照片进行标记；41.第二降噪子模，用于对标记的二照片进行运算得第二特征增强图；42.第二多特征提子模块，用于提第二特征增强图像的各种特征信息43.第二识别子模，用于判断各种征信息的信息类别44.第二定位子模，用于解析出含火情的各种特征信的模糊空间位置45.可选地，还包：46.云端，用于接边缘端发送的火信息、模糊空间位和精确位置信息并且分别对第二深学习推理模块和二火焰深度学习块中载入的深度学推理模型和火焰深学习模型进行训；47.客户端，用于收云端发送的火信息模糊空间位置精确位置信息。48.可选地，边缘还包括：49.训练模型获取块，用于从云端取训练后的深度学推理模型和火焰度学习模型。50.与现有技术相，本发明具有如的有益效果：51.本发明提供的业场景火灾防治统，全自动化运行无需人为干预，动机器人、边缘端能够现火源并对火源空间位置进行自定位，并通过终端进行火源扑灭工作大大减少火情监防治对人力的需，而且本技术是通图片对是否发生火进行判断，在图中具有烟雾信息/或火焰信息就能及时判断出发生火情，免出现达到一定雾浓度的情况下能判断出现火情的况，发生火灾时判断及时，在发火情时，终端移到火情发生出进行火处理，不会进行规模喷淋，从而免了不必要的经损失。附图说明52.通过阅读参照下附图对非限制实施例所作的详细述，本发明的其特征、目的和优点会变得更明显：53.图1为本发明供的工业场景火防治系统的系统框；54.图2为本发明供的第一深度学推理模块和第二深学习推理模块的度学习网络模型图55.图3为本发明供的第一火焰深学习模块的焰深度习网络模型图。56.图中：1、端；101、移动机器人；102、准装置；103、火设备；104、第一火焰深学习模块；1041、第一降子模块a；1042、第一降噪模块b；1043、第降噪子模块c；1044、第一降子模块d；1045、第一特征提取子模块；1046、一识别子模块；1047、第一定位子模；1048、第一标记子模块；105、一深度学习推理块；106、第一摄像头；107、存模块；108、指令接收模；109、雷达模块；110、径规划模块；2、边缘端201、边缘计算服务器；、指令发送模块；203、第二火深度学习模块；204、第二摄像头；205、二深度学习推理块；具体实施方式57.下面结合具体施例对本发明进详细说明。以下实例将有助于本领的技术人员进一步解本发明，但不任何形式限制本明。应当指出的是对本领域的普通技人员来说，在不离本发明构思的提下，还可以做出干变化和改进。这都属于本发明的护范围。58.在对本实施例行介绍解释说明前，现结合本实施对本技术中涉及yolov5神经网进行简单的介绍明，yolov5神经网络使用主干网(cspdarknet，主特征提取网络(backbone)从输入图像提取大量的信息征，yolov5神网络克服了主干网优化的梯度信息复现象。59.,如图1所，本发明中的系可以包括：包括终和边缘端：60.终端1，用移动采集场景内的局部视频图像，在边缘端判断发生灾时，根据模糊空位置移动到火情生处附近，在到火情发生处附近后根据采集到的火情生处的局部视频像，解析出火情生处的精确空间位，根据精确空间位进行移动并对火发生处进行瞄准扑灭场景内的火源61.在实际应用中终端1一般包括：62.指令接收模块108，用于接收边缘端2发送的火指令，其中，火指令包括火情发生处的糊空间位置；63.雷达模块109用于对移动机器101位置进行定位；64.路径规划模块110，用于根据移动机器人101位置模糊空间位置规划移动到火情发生处路线，本实施例，路径规划模块110采用的是a*算法计算出路径；65.移动机器人101，于载着第一摄像头106、瞄准装置102和灭火设备103移动，其中，第摄像头106、瞄准装置102固定移动机器人101的方式可以是螺栓连接、接等方式，瞄准置102可以包括角度调节电机和定座，固定座连接与角调节电机的角度节端，灭火设备103可拆卸固定固定座上，固定方式可是通过固定绳和接座进行固定，动机器人101持续监听mqtt话题信息根据话题信息更自身状态；66.第一摄像头106，于采集场景内的各部的视频图像，本实施例中，第一摄像头106可以用单目相机，移机器人106可以带动第一摄像头照设定的路线进行巡拍摄；67.存储模块107用于存储场景内地图数据，存储块107可以是存储卡和硬盘等；68.第一火焰深度习模块104，结合地图数据和部视频图像解析火情发生处的精确空间位信息。69.在实际应用中第一火焰深度学模块104进一步包括：70.第一标记子模1048，用于将采集的各局的视频图像中的一照片进行标记；71.第一降噪子模，用于对标记的一照片进行运算得第一特征增强图；72.第一多特征提子模块1045，用于提取第特征增强图像中各种特征信息；73.第一识别子模1046，用于判断各种特征息的信息类别；74.第一定位子模1047，用于解析出含有火的特征信息的精空间位置。75.结合图3所述第一火焰深度学模块的神经网络模，在上述实施例，第一火焰深度学模块104的工作过程包括:76.接收输入的此图像以及此帧图之前的四帧图像，一标记子模块1048将四帧图像分别记为图像t，图像t-1，图像t-2，图像t-3，图像t-4。77.第一降噪子模的数量为若干个分别为第一降噪子块a1041、第一降噪子模块b1042、一降噪子模块c1043和第降噪子模块d1044；78.第一降噪子模a1041接收图像t-4，图像t-3，像t-2的数据；79.第一降噪子模b1042接收图像t-3，图像t-2，像t-1的数据；80.第一降噪子模c1043接收图像t-2，图像t-1，像t的数据；81.第一降噪子模d1044接收来自第一降噪模块a1041、第一降噪子模b1042和第一降子模块c1043的三个的输数据，经运算后到特征增强图像。82.特征增强图像入到第一多特征取子模块1045中，经过运算后得各种特征信息，特征息分别输入到第识别子模块1046和第一定位子块1047，由第一别子模块1046得到该特征息的类别信息，由一定位子模块1047块得到该征信息的位置信。83.瞄准装置102用于根据精确空位置信息调整灭设备103对火情发生处进行瞄准；84.灭火设备103用于在瞄准火情生处后，对场景的火源进行扑灭，火设备是可以远程制的泡沫灭火设、干粉灭火设备；85.由于边缘端需要拍摄全景频图像，因此边端2的第二摄像头204需要在较高的位置，此会出现采集的像不清楚的问题从而可能出现无法断出是否着火的状，因此，终端还包一深度学习推理块105，用于根据采集的部视频图像是否有火情。86.请参阅图2在本实施例中，第深度学习推理模105的工作的具体流程为：87.接收输入的图数据，利用yolov5神经网进行推理，得到若个火焰框和若干个烟雾框对于每一个火焰搜索其临近像素置是否有烟雾框，存在烟雾框则判定火焰框为真火源否则为假火源；对若干个真火源，择置信度最高的真源作为唯一火源将其作为识别出火源信息输出，而，第一降噪子模块升图像质量，使对小火源的识别加精准，同时结合雾识别防止误判。88.场景地图构建块：用于对所述景内的地图进行构，从而对场景内地图进行更新，通移动机器人101搭载的雷模块109建立场景的栅地图，并定时驱动移动器人101重新对场景地图行构建以更新地；89.数据发送模块用于在检测到异状态时，将异常数发送至边缘端2，并且将精确空间位发送至边缘端2，数据发模块可以时无线送模块或蓝牙发送模块；90.状态检测模块用于检测终端1的各种状是否正常，其中动机器人101具有以下几个状：就绪状态、任执行状态、地图建状态、阻塞状态故障状态；91.其中，就绪状：移动机器人101各传感自检正常，可以括第一摄像头106和瞄准装置102的作状态，消耗性灭火设备103剩余量充足可以执行任务。92.任务执行状态当接收到边缘端2发布的务时，移动机器101会以自身位置为起点，火位置为重点生成径，并按照路径火源位置运动；到火源位置时将在火位置附近巡逻，用单目相机捕捉源的具体位置，得火源的具体位置后移动机器人靠近源，并驱动瞄准置102和灭火设备103对火情进行处理93.地图构建状态移动机器人101以充电位为起点，利用雷模块109对整个空间进行栅格图的建立；在地构建完成后把地文件发送至边缘端，并自行更改状态就绪态状态或阻状态；94.阻塞状态：当感器监测消耗性灭火设备103存储量不足，电池量不足时，移动机器人入阻塞状态，等操作员对问题进处理后转换成就绪态。95.故障状态：当动机器人101通讯功能异、传感器数据接异常时进入故障状态，等待操员对问题进行修和重启；96.上述移动机器101正常工作时拥有两种态：就绪状态、行态；97.就绪状态下，动机器人会运动指定充电点进行充，并等待新的命发布；98.任务执行状态移动机器人101会根据自坐标和模糊空间置信息计算路径，并按照此路进行运动，在运到目标临近位置，开始采集第一摄头106获得的图像据，对图像数据进深度学习推理，得火源对移动机器101的相对位置控制瞄准装置102对火源行瞄准，驱动灭设备工作，扑灭火源；移动机人101在执行态中将图像据和推理结果发至mqtt指定话题；火焰识别深学习模型文件格为.onnx；深度学习推理程序使tensorrt框架99.边缘端2，于采集场景内的全视频图像，并对测范围内是否有火进行判断，在判断火情的情况下，析出火情发生处模糊空间位置，向端发送灭火指令。100.终端1与缘端2的信息交互由运行mqtt服的服务器执行；缘端2与云端的信息交互用tcp/ip协议，mqtt服器端部署在云端101.在实际应中，边缘端2可以包括；102.边缘计算务器201，用于运行第二深度习推理模块205、第二焰深度学习模块203和指发送模块202，且存储有场内的地图数据。103.在本实施中，边缘计算服器201拥有计算节点、mqtt服务点、数据仓库节点、tcp/ip节；其中，计算节点续读取第二摄像204采集的图像数据，利用第二度学习推理模块205的深学习推理模型文进行推理，并通过第二深度学推理模块205将结果信息合场景地图信息析出火源的空间位置信息；mqtt服节点持续发布场景是否存在火源信、火源的空间位置信息，同时持监听移动机器人101发布图像信息和推理果信息；数据仓库节点存储来终端的图像信息推理结果信息，时也存储来自边缘算服务器201的图像息和推理结果信；tcp/ip节点向云端发送火情信，向云端发送数据仓内的所有信息，从云端获取最新火焰深度学习模型件和深度学习推理型文件。104.第二摄像204，用于采集场景内的全景频图像，其中，二摄像头204采用双目摄像头105.第二深度习推理模块205，根据获取的景内的全景视频像判断是否有火情。106.在本实施中，第二深度学推理模块205的工作流程同第一度学习推理模块105。107.第二火焰度学习模块203，在判断有火的情况下，结合图数据和全景视频图像解析火情发生处的模空间位置。108.在本实施中，第二火焰深学习模块203进一步包括：109.第二标记模块，用于将采的全景视频图像中第二照片进行标；110.第二降噪模块，用于对标的第二照片进行运得到第二特征增图像；111.第二多特提取子模块，用提取第二特征增强像中的各种特征信息；112.第二识别模块，用于判断种特征信息的信息别，各种特征信的信息类别包括含有情的信息，含有筑物的特征信息；113.第二定位模块，用于解析含有火情的各种特信息的模糊空间置。114.第二深度习推理模块205的工作流同第一深度学习理模块。115.第二火焰度学习模块203的工作原同第一火焰深度习模块104。116.指令发送块202，在判断有火情的情况，向终端1发送灭火指，其中，指令发送模202可以是无线信号收发或者蓝牙收发器117.在本实施中，当第二摄像204出现问题时，边缘端2也可从终端1获取各局部视频像对是否发生火和火情发生的空位置进行判断。118.本实施例，还包括：119.云端，用接收边缘端2发送的火情息、模糊空间位和精确位置信息，并且分别对二深度学习推理块205和第二火焰深度学习模块103中载入的深度学习推模型和火焰深度习模型进行训练120.在实际应中，云端拥有计节点、tcp/ip节点、数据仓库节；其中，计算节点使用数仓库内的数据，火焰深度学习模和深度学习推理模进行训练；tcp/ip点从边缘端获取像数据、推理结数据和火情信息数，向边缘端发送最的深度学习模型文件，向用户端布火情信息数据数据仓库存储来边缘端的图像数据推理结果数据，并储最新的深度学模型文件。121.为了能够云端获取训练后最新的深度学习模文件，边缘端2还包括训练模型获取模，用于从云端获训练后的深度学推理模型和火焰深学习模型，能够使整个系统更加智化。122.客户端，于接收云端发送火情信息模糊空间置和精确位置信，其中，客户端可以手机端或者电脑等。123.以上对本明的具体实施例行了描述。需要理的是，本发明并局限于上述特定实施式，本领域技术员可以在权利要的范围内做出各种化或修改，这并影响本发明的实内容。在不冲突的况下，本技术的施例和实施例中的特可以任意相互组。技特：1.一种工业场火灾防治系统，特征在于，包括终和边缘端：所述端，用于移动采集场内的各局部视频像，并在边缘端断发生火灾时，根模糊空间位置移动火情发生处附近在到达火情发生附近后，根据采集的火情发生处的局视频图像，解析火情发生处的精空间位置，根据精空间位置进行移动对火情发生处进瞄准和扑灭场景的火源；所述边缘，用于采集场景内全景视频图像，对监测范围内是有火情进行判断，判断有火情的情况，解析出火情发处的模糊空间位，向所述终端发送火指令。2.根据利要求1所述的工业场景灾防治系统，其征在于，所述终端进一步包括；令接收模块，用接收所述边缘端送的灭火指令；雷模块，用于对移动器人位置进行定；路径规划模块用于根据所述移动器人位置和所述模空间位置规划出动到火情发生处路线；移动机器人用于载着第一摄像、瞄准装置和灭设备移动；所述一摄像头，用于采场景内的各局部的频图像；存储模，用于存储场景的地图数据；第一焰深度学习模块，合所述地图数据局部视频图像解出火情发生处的精空间位置信息；所瞄准装置，用于据精确空间位置息调整灭火设备对火情发生处进行瞄准所述灭火设备，于在瞄准火情发处后，对场景内的源进行扑灭。3.据权利要求1所述的工业景火灾防治系统其特征在于，所述边缘端进一步括：边缘计算服器，用于运行第深度学习推理模块第二火焰深度学习块和指令发送模，且存储有场景的地图数据；第二像头，用于采集场内的全景视频图；第二深度学习理模块，根据获取场景内的全景视频像判断是否有火；第二火焰深度习模块，在判断有情的情况下，结合图数据和全景视图像解析出火情生处的模糊空间位；指令发送模块，判断有火情的情下，向所述终端送灭火指令。4.根据权利要求1所述的工场景火灾防治系，其特征在于，所终端还包括：第深度学习推理模，用于根据采集局部视频图像是有火情。5.根据权利要求1所述的工业场火灾防治系统，特征在于，所述终还包括：场景地构建模块：用于所述场景内的地进行构建，从而场景内的地图进行新。6.根据权要求1所述的工业场景火防治系统，其特在于，所述终端还包括：状态检模块，用于检测述终端的各种状是否正常；数据发模块，用于在检测异常状态时，将常数据发送至所边缘端，并且将精空间位