(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111595020.4 (22)申请日 2021.12.24 (71)申请人 南京工业大 学 地址 210000 江苏省南京市浦口区浦珠南 路30号 (72)发明人 喻源　葛成文　李丽娟　卞海涛　 (74)专利代理 机构 广州市红荔专利代理有限公 司 44214 代理人 胡仿 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 30/27(2020.01) (54)发明名称 基于深度学习模型的多传感器数据融合火 源定位算法 (57)摘要 本发明公开了一种基于深度学习模型的多 传感器数据融合火源定位算法， 包括如下步骤： 无线传感器网络采集到不同火灾场景的温度、 烟 雾浓度数据作为深度学习模型的输入， 将采集到 的数据进行预处理， 包括数据归一化、 数据分帧 处理； 由卷积层和池化层对数据集进行特征提 取， 学习火源与火场中各个火灾参数分布的关 系； 最后推算出火源的位置信息并输出。 本发明 可以用于定位火源， 及时发现火灾， 避免传统视 频监控带来视线遮挡的问题， 且具有高准确性、 低成本、 适用范围广等优点。 权利要求书1页 说明书4页 附图1页 CN 114282611 A 2022.04.05 CN 114282611 A 1.一种基于深度学习模型的多传感器数据融合火源定位算法， 其特征在于， 包括以下 步骤： 步骤1、 建立多种火灾场景， 并通过温度和烟雾传感器采集不同场景的温度和烟雾浓度 数据； 步骤2、 建立深度学习算法模型； 所述深度学习算法模型即深度卷积神经网络(CNN)， 包括卷积层、 池化层和全连接层， 且所述CNN网络模型为三组串联式CNN网络， 每一组网络都由三层卷积层和一层池化层构 成， 将池化层处 理的结果输入到全连接层进行降维处 理， 得到模型输出； 步骤3、 将火灾场景采集的温度、 烟雾浓度 数据以及每种火灾场景所对应的火源的位置 信息按比例划分到训练集、 测试集和验证集中； 以训练集中火灾场景采集到的温度、 烟雾浓 度数据为算法的输入项， 以每种火灾场景所对应的火源的位置信息为算法的输出项， 得到 初步的深度学习算法模型； 步骤4、 将测试集中的火灾场景中采集到的温度、 烟雾浓度数据带入到初步的CNN模型 中， 将其输出 结果与测试集中所对应火灾场景的火源位置信息进行对比， 得到对比结果； 步骤5、 根据对比结果对初步CNN模型进行修正， 得到最终的深度学习算法模型； 修正的 参数包括每层神经 元个数、 权 重系数、 超参数； 步骤6、 通过验证集数据来验证模型的性 能优劣， 选取交叉熵最小的模型作为最后的模 型； 步骤7、 通过性能最 好的CNN模型推算出最 准的火源位置信息 。 2.根据权利要求1所述的一种基于深度学习模型的多传感器数据融合火源定位算法， 其特征在于， 所述火灾场景是由火灾仿真软件FDS(Fire  Dynamics  Simulator)建立24个不 同火源位置的CFD(Computational  Fluid Dynamics)模型并对每个模型进行计算， 得到不 同火场的温度、 烟雾浓度数据作为深度学习模型的训练集、 测试集和验证集。 3.根据权利要求1所述的一种基于深度学习模型的多传感器数据融合火源定位算法， 其特征在于， 所述步骤2中将多组火灾场景中无线传感器网络采集到的温度、 烟雾浓度数据 按比例划分时， 将6 0％划分为训练集， 20％划分为测试集， 20％划分为验证集。 4.根据权利要求1所述的一种基于深度学习模型的多传感器数据融合火源定位算法， 其特征在于， 对CNN模 型的修正是通过损失函数和模型准确度来调节的， 损失函数选取的交 叉熵损失函数。权　利　要　求　书 1/1 页 2 CN 114282611 A 2基于深度学习模型的多传感器数据融合火源定位算法 技术领域 [0001]本发明涉及火灾定位报警技术领域， 具体是一种基于深度学习模型的多传感器数 据融合火源定位 算法。 背景技术 [0002]由于大空间仓库的特殊结构和功能， 其中可能存放着一些易燃或可燃材料， 任何 火灾事故都有 可能造成灾难性的后果。 如果事故不能被及时发现和救援， 它将迅速 蔓延， 造 成严重的损失。 火源点定位技术研究能为火灾发生时及时高效的灭火救援工作提供有利的 决策依据。 随着传感器、 信息技术的发展， 以及对火灾燃烧机理的深入研究， 针对不同火灾 场景的火源定位技术， 包括光纤测温、 烟雾传感器、 温度传感器和视频监控技术， 在过去几 年中取得了很大的进展。 但是， 传统的视频监控最大的缺点是容易被遮挡， 所以基于图像识 别的火源定位方法不适合货架较多的仓库， 另外， 红外信号被障碍物遮挡也会大大影响定 位的准确性和火灾检测的效果。 因此， 有必 要提出一种方法， 能够在火灾初期及时发现火源 的位置， 从而控制火灾的蔓延， 减少火灾造成的损失。 发明内容 [0003]针对现有技术的不足， 本发明提供了一种基于深度学习模型的多传感器数据融合 火源定位 算法。 [0004]为实现上述目的， 本发明提供如下技 术方案： [0005]本发明提供一种基于深度学习模型的多传感器数据融合火源定位算法， 所述定位 算法基于无线传感器网络， 利用温度传感器和烟雾传感器采集到的温度和烟雾浓度， 使用 深度学习算法， 对火源点进行定位。 [0006]具体包括以下步骤： [0007]步骤1、 建立多种火灾场景， 并通过温度和烟雾传感器采集不同场景的温度和烟雾 浓度数据； [0008]步骤2、 建立深度学习算法模型， 所述深度学习算法模型即深度卷积神经网络 (CNN)， 包括卷积层、 池化层和全 连接层， 且 所述CNN网络模 型为三组串 联式CNN网络， 每一组 网络都由三层卷积层和一层 池化层构成， 将池化层处理的结果输入到全连接层进 行降维处 理， 得到模型输出。 [0009]步骤3、 将火灾场景采集的温度、 烟雾浓度数据以及每种火灾场景所对应的火源的 位置信息按比例划分到训练集、 测试集和验证集中； 以训练集中火灾场景采集到的温度、 烟 雾浓度数据为算法的输入项， 以每种火灾场景所对应的火源的位置信息为算法的输出项， 得到初步的深度学习算法模型。 [0010]步骤4、 将测 试集中的火灾场景中采集到的温度、 烟雾浓度数据带入到初步的CNN 模型中， 将其输出结果与测试集中所对应火灾场景 的火源位置信息进行对比， 得到对比结 果；说　明　书 1/4 页 3 CN 114282611 A 3