Сертификаты
Боковая панель продукты
Связаться с нами
Адрес: Комната 406, здание D, технологический парк Baifuhui, Qinghu, Longhua Новый район, Шэньчжэнь, Китай.
Почтовый индекс: 518048
Телефон: + 86-755-82838361 / 62/63
Факс: + 86-755-82838365
E-mail: sales@eiseis.com
        eis@eiseis.com
        sales3@eiseis.com
        sales8@eiseis.com
        sales2@eiseis.comСвязаться с предприятием

Новости

обнаружение дыма

  • Автор:Хелен Ли
  • Источник:SMQT
  • Отпустите на:2016-06-14

обнаружение дыма


При возникновении пожара, минимальное время задержки обнаружения имеет решающее значение для минимизации ущерба и спасения человеческих жизней. Датчики тока дыма по своей природе страдают от транспортной задержки дыма от огня к датчику. Система обнаружения дыма видео не будет иметь эту задержку. Кроме того, видео датчик объема, а не датчик точки. Датчик точка смотрит на точку в пространстве. Эта точка не может зависеть от дыма или огня, так что дым не будет обнаружен. Датчик объема потенциально контролирует большую площадь и имеет гораздо более высокую вероятность успешного раннего обнаружения дыма или пламени.    

Обнаружение видео дыма является хорошим вариантом, когда дым не распространяется в "нормальной" манере, например, в туннелях, шахтах и ​​других районах с принудительной вентиляцией, а также в районах с стратификации, например, ангаров, складов и т.д. Видео также хороший вариант для больших, открытых площадках, где не может быть никакого тепла или распространения дыма к неподвижной точке, например, лесопильные заводы, нефтехимические заводы, лесные пожары и т.д.     

Исследования в области обнаружения дыма с помощью камер наблюдения стали очень активно в последнее время. Так же, как старая поговорка "где есть дым есть огонь" путы, раннее обнаружение дыма относится к жизни и имущества безопасности людей. 

При обнаружении дыма видео, можно решить две проблемы в традиционных детекторов дыма, которые в основном базируются на частицу s
ampling: 1. Традиционные детекторы дыма требуют непосредственной близости от курить.   
2. Как правило, они не дают информации о местоположении огня, размер, степень горения и т.д. Однако, обнаружение видео дыма по-прежнему имеет большие технические проблемы с момента ее течения производительность хуже, чем у традиционных частицеподобных детекторы на основе выборки с точки зрения скорости обнаружения и ложной Скорость сигнала тревоги. 

В основном это связано со следующими причинами с сигналом видео дыма:  
 1) Изменчивость плотности дыма, освещение, разнообразным фоном, мешая нежестких объектов и т.д. 
 2) Ни один из примитивных черт изображения, таких как интенсивность, движение, края и затенения не характеризует дым хорошо.  
 3) Визуальный образец дыма трудно модели. 


Существующие методы    

В последнее время было предложено несколько методов обнаружения дыма из видео, захваченного в видимом спектра действия. Эти методы позволяют использовать такие визуальные подписи, как движение, край, затенения и геометрии дымовых регионов. Затем они используют байесовский анализ, или на основе правил анализа, чтобы решить, обнаружен ли дым. 

Основные представительные методы обобщены в следующем:   

1. Фудзивара и Тэрада 

[1] предложил использовать фрактальные концепции кодирования для извлечения дыма из областей изображения. Они использовали свойство самоподобия дыма форм для поиска признаков дыма областей в коде создаваемого фрактального кодирования изображения.  

2. Kopilovic и др. 

[2] воспользовались нарушения в движении из-за нежесткости дыма. Они вычисляются поле оптического потока с использованием двух соседних изображений, а затем использовали энтропию распределения направлений движения в качестве ключа, чтобы дифференцировать движение дыма от движения без дыма.  

 3. Töreyin и др. 

[3] извлеченные признаки изображения, такие как движение, мерцание, края размытости сегмента перемещения, мерцает, и края размывания регионы из видео. Методы для извлечения этих функций были вычитание фона, временное вейвлет-преобразование, и пространственное вейвлет преобразование.  

4. Висенте и Guillemant 

[4] извлечены из локальных движений кластерного анализа точек в многомерном пространстве временного вложения с целью отслеживания локальных динамических огибающие пикселей, а затем используемые функции распределения скоростей гистограммы различать дыма и различных природных явлений, таких как облака и ветро- кинул деревья, которые могут вызвать такие конверты.  

5. Греч-Чини 

[5] используется более 20 функций изображения, такие как процент изменения изображения, корреляции, дисперсии и т.д., извлеченные из обоих эталонных изображений и текущих изображений, а затем использовали в правилах первого байесовской-анализ следующего правила на основе или метод, чтобы дифференцировать движение дыма от движения без дыма.