Özet:

– Bu makalede, pasif kızılötesi (PIR) sensör ve derin sinir ağları (DNN’ler) kullanılarak erken yangın algılama tekniğinin geliştirilmesi tartışılmaktadır.
– PIR sensörleri ani vücut hareketlerine duyarlıdır ve sürekli zamanla değişen bir sinyal yayar.
– Deneysel veriler, insan ve yangın hareketlerini tespit etmek için bir PIR sensörü kullanılarak toplanır.
– Toplanan sinyallerden özellik çıkarma için dalgacık dönüşümü kullanılır.
– Dalgacık katsayıları RGB spektrum görüntülerine dönüştürülür ve derin bir evrişimli sinir ağı için girdi olarak kullanılır.
– Önceden eğitimli çeşitli DNN mimarileri test edilir, SCUFFLENET mimarisi en yüksek tahmin doğruluğunu 87’dir.% 8.
– Gerçek zamanlı strateji 95’e ulaşır.% 34 ve 92.Sırasıyla% 39 yangın ve insan hareketi tespit doğruluğu.

Sorular:

1. Makalenin amacı nedir?

Makalenin amacı, bir PIR sensörü ve DNNS kullanarak erken yangın tespiti için yeni bir teknik sunmaktır.

2. Erken yangın tespiti neden önemlidir??

Erken yangın tespiti, yangına bağlı zararları azaltmak, insan ve mülk kayıplarını önlemek ve fiziksel ve zihinsel travmayı azaltmak için önemlidir.

3. Önerilen teknikte ne tür bir sensör kullanılır?

Önerilen teknik, yangın tespiti için pasif kızılötesi (PIR) sensör kullanır.

4. Bir PIR sensörü nasıl çalışır?

Bir PIR sensörü, nesneler tarafından yayılan kızılötesi (IR) radyasyonu algılar. Ani vücut hareketlerine duyarlıdır ve sürekli zamanla değişen bir sinyal yayar.

5. Teknikte dalgacık dönüşümünün rolü nedir?

PIR sensörü tarafından toplanan sinyallerden özellik çıkarma için dalgacık dönüşümü kullanılır.

6. Teknikte kullanılan dalgacık katsayıları nasıl?

Dalgacık katsayıları, derin evrişimli sinir ağı için girdi görevi gören RGB spektrum görüntülerine dönüştürülür.

7. Hangi DNN mimarisi en yüksek tahmin doğruluğunu verir?

Shufflenet mimarisi, 87’lik en yüksek tahmin doğruluğunu verir.% 8.

8. Gerçek zamanlı stratejide elde edilen doğruluk seviyeleri nelerdir??

Gerçek zamanlı strateji 95’e ulaşır.% 34 ve 92.Yangın ve insan hareket tespitinde% 39 doğruluk.

9. Geleneksel yangın sensörlerinin sınırlamaları nelerdir?

Geleneksel yangın sensörleri sınırlı kapsama alanına sahiptir, büyük odalarda ve açık alanlarda verimli değildir ve harici rahatsızlıklar nedeniyle yanlış alarmlara eğilimlidir.

10. Vizyon tabanlı yangın algılama teknikleri neden her zaman etkili değil??

Vizyon tabanlı yangın algılama teknikleri, yangın yayılmasının ve müdahale eden arka plan olaylarının karmaşıklığından etkilenebilir ve gizlilik endişelerini artırabilir.

11. Kızılötesi (IR) görüntüleme sistemleri yangın tespitinde ne gibi avantajlar sunuyor?

IR görüntüleme sistemleri güvenilirdir ve kötü görünür ışık koşullarında veya yangın arka planla karıştığında yangınları tespit edebilir. Gözetim videoları olarak hareket edebilirler.

12. Yangın algılama için kameraları ve yerleşik bilgisayarları kullanmanın dezavantajları nelerdir??

Kameralar ve yerleşik bilgisayarlar ölçeklenebilir çözümler için maliyet engelleri oluşturur ve yakınlık veya diğer müdahaleler nedeniyle yanlış alarmlar verebilir.

13. PIR sensörleri alev algılamada ne rol oynar??

PIR sensörleri, görüntüleme aralıkları içindeki nesne hareketlerinden IR radyasyonundaki ani değişiklikleri tespit etme yetenekleri nedeniyle alev algılama için çok yönlüdür.

14. Derin öğrenme temelli yangın tespiti ile ilişkili zorluklar?

Zorluklar arasında çok sayıda eğitim verisine ihtiyaç, eşzamanlı yangınların tanımlanması, aydınlatma değişiklikleri ve yangın alevinin ve duman yoğunluğunun nicelendirilmesi.

15. Bu makalede yangın tespiti için önerilen teknik nedir?

Önerilen teknik, kapalı alanlarda yangın tespiti için diferansiyel bir PIR sensörü ve DNNS kullanır.

16. Yangın algılama için PIR sensörlerinin avantajları nelerdir??

PIR sensörleri sofistike, düşük maliyetli ve IR radyasyonunda ani değişiklikleri tespit edebiliyor. Çok yönlü ve alev yayılmasını tespit etmek için uygundurlar.

Pir nedir

Dalgacıklar, ortalama sıfır değeri ile kısa bir süre süren asimetrik ve düzensiz dalga formlarıdır. Dalgacık analizi, ana dalgacıkların farklı ölçekleri ve pozisyonlarında bileşen dalgacıklar üretir [20]. Bu nedenle, sürekli dalgacık dönüşümünde (CWT), giriş sinyali seçilen dalgacıkların gecikmiş ve gerilmiş versiyonları ile çarpılır ve daha sonra sinyalin süresi boyunca entegre edilir. Bu işlem dalgacık katsayıları oluşturur. İşlem şu şekilde gösterilebilir:

Pasif kızılötesi sensör ve derin sinir ağları kullanılarak erken yangın tespit tekniğinin geliştirilmesi

Yangının erken tespiti, yangınla ilgili zararları azaltmanın anahtarıdır. Bu makale, ateşi gerçek zamanlı olarak tespit etmek için diferansiyel bir piro-elektrikli kızılötesi (PIR) sensörü ve derin sinir ağları (DNNS) tabanlı yöntem sunmaktadır. PIR sensörü ani vücut hareketlerine duyarlı olduğundan ve sürekli zamanla değişen bir sinyal yaydığından, bir PIR sensörü kullanılarak insan ve yangın hareketlerini toplamak için deneyler yapılır. Bu sinyaller, özellik çıkarımı gerçekleştirmek için tek boyutlu sürekli dalgacık dönüşümü kullanılarak işlenir. Karşılık gelen dalgacık katsayıları, daha sonra derin bir evrişimli sinir ağı için girdi olarak kullanılan RGB spektrum görüntülerine dönüştürülür. Arka plan (hareket yok), insan hareketi ve yangın kategorileri için toplanan verileri eğitmek ve tanımlamak için önceden eğitilmiş çeşitli DNN mimarileri kabul edilir: küçük yarı-statik ve yayılan yangınlar. Deneysel sonuçlar, Shufflenet mimarisinin 87’lik en yüksek tahmin doğruluğunu verdiğini göstermektedir.% 8. Saniyede 12 kare hızında çalışan gerçek zamanlı strateji için deneysel sonuçlar 95.% 34 ve 92.Sırasıyla% 39 yangın ve insan hareketi algılama doğruluğu seviyeleri.

Bir makale üzerinde çalışmak?

1. Giriş

Konut veya endüstriyel binalarda erken yangın tespiti, insan ve mülk kayıplarını, fiziksel ve zihinsel travmayı önlemek için uygun önlemleri almak çok önemlidir. Yine de, başlangıç ​​aşamasında tanımlanırsa yangınlardan kaçınılabilir veya kontrol edilebilir. Yangınlar, ihmal, elektronik cihaz arızalanması, yemek pişirme, sigara içme, yanıcı sıvı ve gaz sızıntıları, kundaklar vb. Bir yangının aşamaları yeni başlayan (kontak), büyüme, tamamen gelişmiş ve çürüme olarak tanımlanabilir [1]. Yangın büyümesi ve maksimum ısı salım oranları esas olarak yanıcı kaplama ve iç süslemeler, mobilya, vb. [2, 3]. Ortak Bina İletişim Standartlarından BACnet’ten birine göre, yangın güvenliği bina otomasyonunda en yüksek öncelik verilmektedir [4]. Bina operasyonlarındaki karmaşıklığın artmasıyla, yangın tespitinin duyarlılığını ve doğruluğunu artırmak önemlidir [5].

Yangın kazalarını azaltmak için geliştirilen çeşitli yangın algılama teknolojileri vardır [1]. Duman, ısı ve gaz sensörleri gibi yaygın olarak kullanılan nokta sensörleri sınırlı özelliklere sahiptir [6]. Bir yangının, bir uyarı alarmı başlatmak için sensöre ulaşmak ve ayarlanan eşik noktasını aşmak için bir süre yanması gerekir [7]. Bu, normal bir ateşin hızla yayılması için bolca yer sağlar. Sınırlı kapsama alanı nedeniyle, geleneksel sensörler büyük odalarda ve arka bahçeler, otoparklar, ormanlar vb. Gibi açık alanlarda verimli değildir. Buna ek olarak, doğrulukları buhar, sigara içme, pişirmeden hafif duman gibi dış rahatsızlıklardan etkilenir ve yanlış alarmları tetiklemeye neden olur. Aralık 2020’de sona eren yıl için İngiltere’deki Yangın ve Kurtarma Hizmetlerine (FRSS) göre, sahte yangın alarmları katılan olayların% 42’sine sahiptir [8].

Geleneksel yangın sensörlerindeki sorunları ele almak için gelişmiş duman ve yangın algılama sistemleri, yangınları erken aşamalarında tanımak için video yangın algılama tekniklerini kullanır [9]. Kaydedilen görüntülerde ve videolarda yangını çıkarmak ve tanımlamak için çeşitli renk analizi ve makine öğrenimi teknikleri kullanılır. Görme tabanlı teknikler daha doğru olsa da, çevrenin ayrıntılı bir görünümünü yakalarsa da, yangın yayılmasındaki karmaşıklık ve pratik ortamlardaki diğer müdahale eden arka plan olayları özellik çıkarma yeteneklerini etkiler [10]. İşyerlerinde kameraların sabitlenmesinin, kişisel gizlilik sorunları ortamı oluşturarak çalışan performansını etkileyebileceği de belirtilmektedir [11]. Kızılötesi (IR) görüntüleme sistemleri, kötü görünür ışık veya arka planla görüntü harmanlama gibi sorunları ele almak için etkilidir [1]. Bu sistemler son derece güvenilirdir ve yangınları tespit etmek için gözetim videoları olarak işlev görebilir. Birçok avantajları olmalarına rağmen, belirli dezavantajları da var. Kameralar ve yerleşik bilgisayarlar ölçeklenebilir bir çözüm için maliyet engelleri oluşturmaktadır. Hassasiyeti etkileyen sensöre yakınlığa veya lamba ışıkları, sıcak hava akışı, atölye veya endüstriyel faaliyetler gibi diğer girişimlere bağlı olarak yanlış alarmlar verirler [12]. IR alev algılamasındaki veri kaybı ve veri bozulma sorunlarını ele almak için, radyal temel fonksiyona dayanan sağlam bir füzyon algoritması Takagi -Sugeno bulanık model ile sinir ağı önerilmektedir [13]. Derin öğrenme (DL) teknolojisi kullanarak görüntü işleme, yangın tespitinde önemli ölçüde yüksek performans sağlar [14]. Bununla birlikte, çeşitli ortamlarda ve yangın türlerinde toplanan çok sayıda eğitim verisine ihtiyaç, eşzamanlı yangınların tanımlanması, aydınlatma değişiklikleri ve yangın alevi ve duman yoğunluğunun niceliği gibi zorluklar vardır [9].

Bu makale, diferansiyel PIR sensörü ve DNN’ler kullanarak kapalı alanlardaki yangınları tespit etmek için yeni bir teknik önermektedir. PIR sensörleri, nesneler tarafından yayılan IR radyasyonunu tespit eder. Sofistike, ancak düşük maliyetlidir ve görüntüleme aralığındaki nesne hareketlerinden IR radyasyonunda ani değişiklikleri tespit edebilmiştir [15,16,17]. Bu nedenle, PIR sensörleri bir alev yayılımı tespit etmek için çok yönlüdür. Ayrıca, PIR sensörlerinde diferansiyel tespit, iç mekan sıcaklığı veya güneş ışığı varyasyonları gibi görüntüleme aralığındaki küçük ama tekdüze IR değişikliklerinden kaynaklanan yanlış alarmlardan kaçınmak için yararlıdır. Bunun nedeni, sensörün iki yarıya bölündüğü sensör düzenlemesidir ve birlikte bağlanırlar. IR radyasyonunda yarısından yakalanacak yeterli artış olmadıkça, iki yarıdan üretilen çıkış sinyalleri birbirini iptal edecektir. 110 dereceyi kapsayan bir açıda 7 m’lik nispeten yüksek görüntüleme aralığı (Fresnel lens ile kullanıldığında) nedeniyle, yüksek tavanlı büyük odaları izlemek uygundur [18]. Buna ek olarak, PIR sensörü yaklaşımı, bilgisayar görme (gözetim) duman veya yangın algılama sistemlerine kıyasla düşük işleme gücü gerektirir [11]. Güvenlik kameralarından farklı olarak, insan gizlilik saldırı sorunları PIR sensörleri ile ortaya çıkmayacak çünkü sensör çıkışı sadece dijital veya analog bir sinyaldir [19].

Bu makalede, diferansiyel bir PIR sensörü kullanılarak iç mekan ortamında farklı gerçek yangın yayılımları ve insan hareketi verileri toplanmıştır. Bu sinyaller dalgacık dönüşümü kullanılarak önceden işlenir [20]. Çıkarılan yangın özelliklerine karşılık gelen dalgacık katsayıları, yangın ve yangın olmayan olayları sınıflandırmak için seçilmiş bir DNN sınıfını eğitmek için girdi olarak beslenir.e., PIR sensörünün görüntüleme aralığı içinde yangın kategorileri ve insan hareketi. Görüntü ön işleme, DNN’lerde alev tanıma oranının doğruluğunu arttırır [21, 22]. Geleneksel makine öğrenimi yaklaşımları, özellikleri çıkarmak, sınıflandırmak ve yangın yayılmasını tahmin etmek için önemli miktarda uzmanlığa ihtiyaç duyar. Karmaşık görüntü özelliği nedeniyle çıkarma özelliği ve Alexnet, ResNet, GoogleNet, vb., DL yaklaşımı yangın alevlerini sağlam bir şekilde tespit etmek için kullanılabilir [10, 12, 14, 21, 23]. Buna ek olarak, Nasnet-A-Mobile ve Shufflenetv2 gibi CNN mimarilerinin kompakt varyantları, [24] ‘de, geçici olmayan yangını ve ateşsiz sınıflandırmayı iyileştirmek için değiştirilmiş katmanlarla kullanılır. [24] ‘de önerilen yöntem% 95 tam çerçeve ve 94.% 4 süper piksel tabanlı yangın tespiti. Çalışmamızda, kabul edilen önceden eğitilmiş CNN modelleri, eğitim süresi pahasına doğruluğu artırmak için değiştirilmiştir. Gerçek zamanlı yangın tahminini göstermek için en yüksek validasyon doğruluğuna sahip CNN ağ mimarisi kullanılır.

Böcek. 2, önerilen metodoloji olay kategorizasyonu, veri toplama, sinyal işleme, derin öğrenme çerçeveleri, DNN mimarisi ve gerçek zamanlı çalışma stratejisi altında sunulmaktadır. Yangın Tahmin Sonuçları, gerçek zamanlı performans ile birlikte mezhepte sunulmuştur. 3. Tartışma ve sonuç mezheplerde verilmiştir. 4 ve 5.

2 Önerilen Metodoloji

Bu çalışmada, yangın ve yangın olmayan olaylar için IR radyasyonundaki değişiklikler bir HC-SR501 PIR hareket sensörü kullanılarak kaydedilir [25]. Veri toplamak için deney kurulumu, incirde gösterilmiştir. 1. Tüm deneyler, yangın deneyleri için sağlık ve güvenlik kılavuzları ve düzenlemeleri ile gerçekleştirilir.

Önerilen teknikte, diferansiyel PIR sensörü bir Arduino UNO mikro kontrolör (atga328p) ile yapılandırılmıştır. Diferansiyel PIR sensöründen elde edilen veriler, sürekli zamanla değişen bir analog sinyaldir. Genliği sıcak vücut boyutu, hareket hızı ve sensörden uzaklık ile orantılıdır. Sinyal dalgacık dönüşümü kullanılarak işlenir. Dalgacık katsayıları RGB (kırmızı-yeşil mavi renkli) spektrumlarına dönüştürülür. RGB boşluğundaki bu renk segmentasyon işlemi nedeniyle, büyük olasılıkla alev bölgeleri, sensörün görüntüleme aralığında olan olayları sınıflandırmak için önceden eğitilmiş DNN’lere uyumlu giriş görüntüleri olarak tanımlanabilir ve beslenebilir. Şekil 2, önerilen yangın algılama tekniğini temsil etmektedir.

Bölümün geri kalanı, olay kategorizasyonu, veri toplama, dijital sinyal işleme, veri ön işlem, DNN mimarisi ve gerçek zamanlı performans stratejisi altında bu çalışmanın kilit alanlarını açıklamaktadır.

2.1 olay kategorizasyonu

Önerilen yangın algılama tekniği iç mekan ayarları için tasarlandığından ve diferansiyel PIR sensörü hareketlere, sensörden uzaklık, farklı insan hareket modelleri ve hareket hızları gibi değişkenlere duyarlı olduğundan. Bu nedenle, IR radyasyonundaki değişikliklerini kaydetmek için aşağıdaki beş farklı hareket olayı için PIR sensörü verileri toplanır.

1. 1. Arka plan (hareket yok)
2. 2. İnsan hareketi (sensörden 1 m mesafede)
3. 3. İnsan hareketi (sensörden 1 m’den fazla)
4. 4. Yangın Kategorisi 1 (Küçük Ahşap Ateş)
5. 5. Yangın Kategorisi 2 (hem ahşap hem de propan gaz yangınları yayılıyor)

Sensörün önünde hareket olmadığında, arka plan olayı olarak kategorize edilir. 1 m ve ötesindeki insan hareketleri, aralıklar içindeki insan hareketi için sensör sinyalleri içerir 0.2 m ila 1 m ve 1.Sırasıyla 1 m ila 3 m. PIR sensörü harekete duyarlı olduğundan, çıkış voltajının dalgalanmaları sırasıyla hızlı veya yavaş hareketler için yüksek veya düşüktür. Böylece, hem insan yavaş yürüyüş hareketi hem de insan hızlı yürüyüş hareketleri kaydedilir. Ayrıca, döner bir sandalyedeki insan hareketleri de kaydedilir. Son olarak, iki yangın kategorisi olayı kaydedilir (bkz. 1). Yangın kategorisi 1, 0 arasında küçük odun ateşi kaydına sahiptir.Sensörden 5 m ve 3 m. Yangın Kategorisi 2 daha büyük veya kontrol edilemeyen ateşten oluşur. Bu etkinlik için odun ateşi ve propan gaz yangınları yayılmıştır. Küçük odun ateşi ve yayılan odun ateşi durumunda odun kapsamı 10 \ (>^\) \ (>^\) ve 12 \ (>^\) ‘den fazla.

2.2 Veri Alımı

PIR sensöründeki iki piro-elektrik algılama elemanları, sıcak bir gövde sensörde iki yuva ile sınırlanan sensör algılama alanına girerse veya bırakırsa pozitif veya negatif diferansiyel değişiklikler üretir. Bu nedenle sensör, IR radyasyon seviyelerindeki varyasyonlara bağlı olarak yüksek veya düşük dijital voltaj sinyalleri üretir. Bu sinyallerin genliği çok küçük olduğundan, amplifiye edilmiş analog sinyaller, doğrudan sensör devresi amplifikatör çip BISS0001’den dokunarak PIR sensöründen çıkarılır. Böylece, büyütülmüş analog sinyaller, mezhepte açıklanan beş olay sırasında kaydedilir. 2.1. Çıkış sinyalleri incirlerde gösterilmiştir. 3 ve 4.

Odak yanıyor olduğundan, sinyal örneklemesi için alev titreme frekansı dikkate alınmalıdır. Alev titreme davranışı, 1 Hz – 13 Hz’yi kapsayan geniş bant frekans aralığıdır [17]. Örnekleme kuralı göz önüne alındığında, örnekleme oranı 50 Hz olarak seçilir, bu da alev titreme frekansının iki katından fazla. PIR sensöründen analog sinyal, daha sonra daha fazla sinyal işleme için bilgisayara aktarılır olan Arduino UNO’ya aktarılır. Arduino Uno, eğitimli DL ağını kullanarak sinyal işleme gerçekleştirmek için MATLAB [26] kullanılarak yapılandırılmıştır.

Şekil 3 ve 4, güçlendirilmiş PIR sinyallerinin örneklerinin, zaman alanında dikkate alınan olaylar için farklı özelliklere sahip olduğunu göstermektedir. Hareketin gerçekleşmediği arka plan olayı sırasında, sinyal genliği 0’dan değişir.58 V ila 0.59 V. Bu aralık, bir hareket tespit edildiğinde sinyalin dalgalandığı merkez hattı görevi görür. Kızılötesi ısının yoğunluğu arttığında, genlik artar (merkez hattının üstünde veya altında). PIR kızılötesi ısı hareketine duyarlı olduğundan, olay mesafesi arttığında genlik dalgalanması azalır ve tersi. İncirden görülebilir. 3 Yangın kategorilerinin 1 (küçük odun ateşi) ve 2 (odun ateşi ve propan gazı ateşi yayılması) sinyallerinin değişen mesafelerle neredeyse benzer eğilimleri vardır. Örneğin, 1 m içindeki ve 1 m içindeki yayılan ahşap yangın ve propan gazı yangın sinyalleri 0 V ile 1 arasında genlik varyasyonlarına sahiptir.09 V. Bununla birlikte, mesafe arttığında (2 ve 3 m’de), yangın sinyali genlikleri 0 arasında bir aralıkta daralır.5 V ve 0.8 V. Yayılan ateş (Kategori 2) sensörün görüntüleme aralığı içinde daha geniş bir alan kapladığından, hareketi küçük yangından daha iyi tespit edilir (kategori 1). Örneğin, 1 m mesafede, küçük yangın sinyali genliği 0 arasında bir aralığa düşer.35 V ve 0.94 V, Yayılan Yangın Sinyali genliği 0 V ile 0 arasında kalır.96 V.

Buna karşılık, 1 m içindeki insan hareketi sinyalleri 0 arasında bir genlik aralığı gösterir.08 V ve 0.83 V (bkz. İncir. 4). Yangın sinyallerine benzer şekilde, bu aralık mesafe ile daha da daralır. 1 m’nin ötesinde insan yavaş ve hızlı yürüme hareketleri için genlikte belirgin bir fark olmadığı gözlenmektedir. Ayrıca, insan hareketinin ve 2 m’nin ötesindeki ateşin benzer genlik aralıklarına sahip olduğu görülebilir. Bu, genlik tabanlı olay kategorizasyonu kullanarak günlük insan faaliyetlerini bir yangından ayırmayı zorlaştırır.

2.3 Sinyal İşleme

Sinyal işleme, kullanıcı gereksinimlerine dayalı bir sinyalin analiz edilmesine, değiştirilmesine ve sentezlenmesine odaklanır [27]. Yangın alevi radyasyon seviyelerinin dinamik doğası nedeniyle, yangın sinyalleri durgun değildir. Fourier dönüşümü gibi yaygın olarak kullanılan sinyal işleme teknikleri, işlenen sinyalin sabit olduğunu varsayar. Bu nedenle, bu çalışmada, PIR sensörü sinyalleri dalgacıklar kullanılarak analiz edilir. Fourier dönüşümünün aksine, dalgacık analizi hem zaman hem de frekans alanlarını kullanarak bir zaman frekansı ilişkisi oluşturmaya yardımcı olur [28]. Dalgacıklar ayrıca sinyalden sesleri ortadan kaldıran ve Fourier dönüşümünden daha az hesaplama maliyetine sahip olan dahili filtrelere sahiptir.

Dalgacıklar, ortalama sıfır değeri ile kısa bir süre süren asimetrik ve düzensiz dalga formlarıdır. Dalgacık analizi, ana dalgacıkların farklı ölçekleri ve pozisyonlarında bileşen dalgacıklar üretir [20]. Bu nedenle, sürekli dalgacık dönüşümünde (CWT), giriş sinyali seçilen dalgacıkların gecikmiş ve gerilmiş versiyonları ile çarpılır ve daha sonra sinyalin süresi boyunca entegre edilir. Bu işlem dalgacık katsayıları oluşturur. İşlem şu şekilde gösterilebilir:

$$ \ begin C (ölçek, pozisyon) = \ int _<-\infty >^ <\infty >f (t) \ psi (ölçek, pozisyon, t) dt \ end$$

burada \ (f (t) \), zaman alanındaki orijinal sinyal (bu durumda PIR sinyali) ve \ (\ psi (t) \) ana dalgacık işlevidir. HAAR, Daubechies, Coiflets, Symlets, Biorthogonal, vb. Ana dalgacık, orijinal PIR sensörü sinyalinin geçici sivri uçlarına uyacak şekilde uygun şekilde seçilmelidir. Ardından, bozulma olmadan daha iyi gürültü önlemleri elde edilebilir [28]. Dalgacık katsayıları c, seçilen dalgacıkların orijinal sinyalin bölümleri arasında ne kadar yakından ilişkili olduğunu gösterir.

Bu yazıda, Matlab dalgacık araç kutusundaki [30] Morse dalgacık [29] kullanılmaktadır. PIR sensörünün amplifiye edilmiş analog çıkışı, atmosferik sıcaklık varyasyonları nedeniyle gürültü ve sinyal kaymasından etkilenir. CWT filtre bankası, bu gürültüyü filtrelemek ve sinyali frekanslara göre vermek için kullanılır. Genel olarak, titreyen bir alev için PIR sinyal salınım frekansı, hareketli bir nesnenin PIR sinyallerinden daha yüksektir [17]. Her etkinlik için farklı özellikleri görselleştirmek için Filtre Bankası’nın çeşitli parametreleri değiştirildi.

2.4 derin öğrenme çerçevesi

DL çerçeveleri, algoritmalarını, önceden eğitimli modellerini ve uygulamalarını kullanarak derin sinir ağlarının tasarlanması ve eğitimi için yapı taşları sağlar. Yaygın olarak kullanılan DL çerçeveleri tensorflow, keras, pytorch, theano, caffe, vb. Bu yazıda, MATLAB’daki DL araç kutusu kullanılmaktadır [31].

2.5 Veri Ön İşleme ve Veri Kümesi Yapısı

DNN için Giriş Veri Yapısı görüntü formatında (3-B Dizi) olmalıdır, veri ön işlemi gerçekleştirilir. PIR sensöründen toplanan veriler sürekli bir zaman serisi formatındadır (incirlere bakın. 3, 4) daha sonra DNN’yi eğitmek için 5 adımda 50 veri noktası uzunluğunda bölümlere ayrılır. Bu 50 veri noktası, CWT aracılığıyla işlenen veri kümeleri olarak atandı.

Ardından, mutlak katsayılara sahip ortaya çıkan 2-B matrisinin boyutu, her satır ve sütunun sırasıyla bir ölçeğe ve bir veri noktasına karşılık geldiği \ (61 \ Times 50 \). Bu mutlak katsayılar yeniden ölçeklendirilir ve boyutta bir spektruma dönüştürülür \ (61 \ Times 50 \ Times 3 \) (\ (\ text \ times \ text \ times \ text \)). Seçilen DNN mimarisi (bkz. Tablo 4) Giriş verileri olarak bir dizi boyut \ (224 \ Times 224 \ Times 3 \) gerektirir. Böylece, CWT’den skalogramlar RGB görüntü formatına dönüştürülür ve veri artırma teknikleri kullanılarak gerektiği gibi yeniden boyutlandırılır.

Şekil 5, CWT tarafından üretilen beş olaya göre skalogramların RGB görüntü formatı örneklerini göstermektedir. \ (224 \ Times 224 \ Times 3 \) matrisinden (spektrum görüntü boyutu), DNN her sınıf/olay için farklı özellikleri çıkarır ve sensörün önünde gerçekleşen olayı tanımayı öğrenir. Aşırı takma sorunlarından kaçınmak için, eğitim ilerlemesi sırasında aynı sayıda veri sağlanmalıdır. Böylece, her sınıf/etkinlik (. 2.1) Eğitim için 5915 RGB spektrumundan, doğrulama için 2535 ve test için 1690’dan oluşur.

2.6 DNN Mimarisi

CNN, veri modellerini işleyen, çıkarma ve özellikleri sınıflandırmak için en belirgin DL algoritmasıdır [32]. DNN mimarisinin üç temel katmanı vardır: evrişim, havuzlama ve tamamen bağlı. Evrişimsel katman DNN’lerde önemli bir rol oynar. Özellik çıkarımı gerçekleştirmek için, evrişim, verilen adımlara dayanarak giriş görüntüsünün üzerinde kayması için belirli bir boyut çekirdeği veya filtre gerektirir. Üst üste iki çekirdek arasındaki mesafe olan adım, filtrenin giriş görüntüsü üzerinde hareket etmesi gereken sütunları belirler. İşlem sırasında, çekirdek ve özellik haritasını görüntüden çıkarmak için her yerde eleman olarak matris çarpımı elde edilir. Aynı şekilde, birden fazla çekirdek farklı özellik çıkarıcıları olarak hareket eder. Eğitim süreci sırasında, tamamen bağlı katmanlardaki evrişim katmanlarındaki ve ağırlıklardaki en iyi çekirdekler, eğitim veri seti için tanımlanmıştır. Evrişimsel katman etkili olduğunu kanıtlıyor çünkü girişe yakın katmanlar çizgiler, eğriler, vb. Katmanlar daha derine indikçe, ağ şekiller, belirli nesneler, vb. Bu çalışmada, MobileNet-V2, Shufflenet, VGG-16, GoogleNet ve özel olarak tasarlanmış DNN’ler verileri eğitmek için seçilmiştir (bkz. Tablo 1).

2.7 Gerçek Zamanlı Çalışma Stratejisi

Gerçek zamanlı çalışma stratejisinin şematik diyagramı,. 6. İki aşama aşağıda açıklanmıştır.

2.7.1 uyku modu

Hareket tespit edilmediğinde, normal durum veya uyku modu olarak bilinir. PIR sensörünün dijital çıkışı bir tetikleyici görevi görür. Normal durumda, sinyal işleme birimini ve DNN’yi kapatan PIR’nin dijital çıkışı düşük olacaktır. Bu arada, PIR sensöründen analog çıkış depolama aygıtında saklanır.

2.7.2 Aktif Mod

Bir hareket tespit edildiğinde, PIR’den dijital çıkış yüksek olacaktır. Bu, sensörün görüntüleme aralığında meydana gelen olayı sınıflandırmak için sinyal işleme birimini ve DNN’yi açan tetiği başlatır. DNN arka planı sınıflandırana kadar sistem çalışır (hareket yok). Ardından, uyku moduna geri döner (sinyal işleme birimini ve DNN modelini kapatır).

Böylece, bir hareket tespit edildiğinde algoritma çalışır. Bu, normal durumda sinyal işleme birimine ve derin CNN modeline direnerek model enerji tasarruflu hale getirir. Aktif mod sırasında, son 50 veri noktası olayı sınıflandırmak için sinyal işleme birimi ve DL ağı tarafından işlenir. Sonuç olarak, tüm gerçek zamanlı çalışma stratejisi, PIR sensöründen yeni bir veri noktası toplandığında her seferinde yenilenen bir video akışına benzer. Yenileme hızı mezhepte tartışılmaktadır. 3.3.

3 deneysel sonuç

Bu bölümde eğitim ve CNN doğrulama sonuçları. O zaman bu çalışmada seçilen beş olay için gerçek zamanlı performans gözlemi sunulur.

3.1 Eğitim Sonuçları

Tablo 1’de listelenen tüm DNN’ler, kontrollü bir ortamda toplanan beş olay için deneysel veriler kullanılarak eğitilmiştir (bkz. 1). Karşılık gelen eğitim sonuçları Tablo 3’te verilmiştir. Varsayılan bırakma katmanına sahip GoogleNet kullanıldığında, doğrulama doğruluğu 79.%91, herhangi bir bırakma katmanı olmadan GoogLenet, 78’lik bir doğrulama doğruluğu verir.% 1. Bununla birlikte, daha fazla bırakma katmanı eklemek (bkz. Tablo 2), Tablo 3’te gösterildiği gibi GoogleNet modelinin doğruluğunu yavaş yavaş azaltır. Eğitim hızını ve performansı artırmak için GoogleNet mimarisine bir parti normalleştirme (BN) katmanı eklenir. [34] ‘den kılavuzlara göre, BN katmanı, GoogleNet Mimarisinde doğrusal olarak istiflenmiş 9 modülden son 4 başlangıç ​​modülünün içine eklenir [35]. Ancak, GoogLenet’in bırakma katmanı kaldırıldığında, doğruluk 76.% 25, ​​varsayılan GoogLenet’i kullanmaktan daha az doğrudur.

Tablo 3, önceden eğitilmiş ağırlıklara sahip shufflenetin 83 verdiğini göstermektedir.% 6 doğrulama doğruluğu. Daha az sayıda katman ve parametreye sahip olduğundan (bkz. Tablo 1), hesaplama maliyeti de düşüktür. Böylece, bu çalışma için DNN modeli olarak shufflenet-v2 seçilmiştir ve mimari Tablo 4’te gösterilmiştir. Burada, DNN mimari girişleri, RGB spektrumlarına dönüştürülen PIR sensörü sinyallerinin dalgacık katsayılarıdır. Shufflenet-V2 mimarisi 1 kanallı PIR sensörü verileri kullanılarak eğitildiğinde, doğrulama doğruluğu 80’e düşer.83’e kıyasla% 86.RGB spektrumlarını kullanarak% 6. ShuffLenet-V2’nin eğitim ilerlemesi incirde gösterilmiştir. 7.

3.2 Test Sonuçları

Şekil 8, gerçek pozitiflerin (tahminler) yanlış tahminlerden daha yüksek olduğunu göstermektedir. Her etkinlikte, arka planın en yüksek gerçek pozitiflere sahip olduğu 1690 görüntü var.% 9. İnsan hareket tahminleri 1 m ve 89 içinde% 86 doğruluk elde etti.1 m’den fazla% 8. Yangın Kategorisi 1 ve Yangın Kategorisi 2 82 doğruluk puanı.% 9 ve 80.Sırasıyla% 4. Her iki yangın kategorisinin de alev uzunluğu, alev eğim açısı, vb. Bazı durumlarda, iki yangın kategorisi için yanlış pozitifler vardır. Yangın kategorisi 1 için yanlış pozitif oran 2.%5, yangın kategorisi 2 için 1.% 8. Benzer tahminler insan hareket olaylarında da görülür. Bununla birlikte, yanlış tahminler sadece ana kategori olaylarında meydana gelir: yangın ve insan hareketleri. Genel olarak, gerçek tahmin ve yanlış tahminin doğruluğu 87’dir.% 8 ve 12.Sırasıyla% 2. Bir karşı sistemi tanıtıldığında, son yangın tespiti 95.% 34 ve insan hareket tespiti 92.Tablo 6’da verildiği gibi% 39. Bu sistemde, bir alarm sadece bir yangın üç kez tahmin edildiğinde, insan hareketine veya arka planına herhangi bir salınım olmadan tetiklenir.

3.3 Gerçek Zamanlı Performans Gözlemi

Gerçek zamanlı performans değerlendirmesi Intel Core i9-9980hk 2’de gerçekleştirilmiştir.32 GB RAM ve NVIDIA GEFORCE RTX 2060 ile 4GHZ CPU. Gerçek zamanlı performans saniyede 12 kare hızında gerçekleştirilir. Seçilen gerçek zamanlı yangın etkinlikleri için gözlemler aşağıda tartışılmaktadır. Gerçek zamanlı performans sırasında yakalanan bazı model tahminleri örnekleri Şekilde gösterilmektedir. 9. Tahmin olasılıklarını ifade etmenin anahtarı, incirde verilmiştir. 9 (m).

3.3.1. Arkaplan

Şekilde gösterildiği gibi. 8, arka plan tahmini için gerçek zamanlı performans neredeyse% 100 gerçek pozitif tahmindir.

3.3.2 insan hareketi (1 m içinde ve ötesinde)

Bu kategoride insan yavaş ve hızlı yürüyüş hareketleri ve döner bir sandalyede dönen insan gözleniyor.

• 1 m içinde: Gerçek pozitif yanlış pozitiften daha yüksektir. Karışık olaylar durumunda (bkz. 9g) Küçük ahşap ateş ve insan hareketi (1 m içinde) ile model 81 öngörüldü.% 8 insan hareketi (1 m içinde) ve yangın kategorisi 1% 16.
• 1 m – 3 m: Bu vesileyle, gerçek pozitif olasılık neredeyse% 87’dir. Saniyede 12 tahmin içinde gerçek tahminler arasında yanlış tahminler oluşur. Yanlış tahminlerin çoğu insan hareketidir (1 m içinde).

3.3.3 Yangın Kategorisi 1 (Küçük Ahşap Ateş)

• 1 m: Algoritma, yaklaşık% 95’lik yüksek gerçek tahminler verir (bkz. 9a). Ancak, küçük bir yüzde (1.%8) küçük ahşap yangın rüzgar nedeniyle daha hızlı hareket ederse, yangın kategorisine yanlış sınıflandırılır.
• 1 m – 2 m’den: Şekilde gösterildiği gibi daha az yanlış pozitif (%14) olan yüksek gerçek pozitifleri (%86) öngörür. 9d. Etkinlik sırasında 0.Tahminlerin% 9’u gerçek pozitif tahminler arasında insan hareketine (1 m+) salınıyor.
• 2 m – 3 m: Ateşten 2 m – 3 m mesafede, çoğunlukla insan hareketinden dolayı yüksek yanlış pozitifler not edilir (1 m+).

3.3.4 Yangın Kategorisi 2 (Ateş Yayılıyor)

• 1 m: Hem ahşap hem de propan gaz yangınlarında yayılmada, gerçek zamanlı performans sırasında herhangi bir yanlış tahmin salınımı olmadan% 100 gerçek tahminler elde edilir (bkz. 9b, c, e, h). Model ayrıca, Şekilde gösterildiği gibi propan gazı yangını (kategori 2) ve insan hareketinin (1 m’de) karışık olaylarında iyi performans gösterir. 9J. Propan gazı yangını bu durumda daha küçük olduğundan, model yangın kategorisi 1, insan hareketi (1 m içinde) ve yangın kategorisi 2’yi sırasıyla%37,%25 ve%18 olarak tahmin eder.
• 1 m – 2 m’den: Bu vesileyle (odun ateşi ve propan ateşi yayılıyor), küçük ahşap ateşin daha az yanlış tahminleri ile neredeyse% 90 gerçek pozitif gözlenir (bkz. 9f, i, k).
• 2 m – 3 m: Yayılan odun ateşi sırasında, yüksek gerçek pozitif tahminler not edilir. Bununla birlikte, propan ateşi sırasında yüksek yanlış tahmin salınımları gözlenir. Uzak görünüm nedeniyle (bkz. 9L), propan gazı yangını hem yangın kategorileri 1 hem de 2 için neredeyse% 50 olarak tahmin edilmektedir. 2 m – 3 m mesafede küçük bir yangın olarak bir propan gazı yayılmasını tahmin etme şansı% 50’dir.

4. Tartışma

Bu yazıda deneyler, DNN’leri eğitmek için insan, ateş ve arka plan verilerini toplamak için bir PIR sensörü kullanılarak gerçekleştirilir ve daha sonra yangın tespiti gerçek zamanlı olarak test edilir. SHUFFLENET-V2, 87’lik en yüksek validasyon doğruluğunu verir.% 8 saniyede 12 kare hızında, gerçek zamanlı yangın algılama deneyleri yapmak için PIR sensörü ile birlikte kullanılır. PIR sensörü tabanlı yangın tespiti, video tabanlı bir yangın algılama sistemine neredeyse eşdeğerdir. Ancak, video tabanlı sistemler nispeten daha pahalıdır. Görme tabanlı yangın tespit sistemlerinden farklı olarak, PIR sensörleri daha az hesaplama maliyeti ile tek boyutlu sinyalleri kullanarak yangını tespit edebilir. Ayrıca, gerçek zamanlı çalışma stratejisi, yanlış alarmları azaltmak ve dolayısıyla hesaplama gücünü etkili bir şekilde kullanmak için değiştirilir. Mezhepte tartışıldığı gibi. 3.3, gerçek zamanlı tahminler saniyede 12 tahmin içinde dalgalanabilir. Bu nedenle, 3’ten fazla tahminde bir yangın tahmin edilirse, alarm başlatmak için bir sayaç oluşturulur, i.e., 0 için.25 s, insan hareketine veya arka planına herhangi bir salınım olmadan. Bu sayaç sistemi, Tablo 5’te gösterildiği gibi yanlış alarm hızını etkili bir şekilde azaltır.

Tablo 5 Karşı Sistemi Etkin Olan Modelin Olay Algılama Yüzdeleri

Tablo 6 Önerilen yöntemden (sayaç sistemini etkinleştirdikten sonra) ve diğer benzer modellerden elde edilen sonuçların karşılaştırılması

Literatürde PIR sensörleri esas olarak ya ateş/alev veya insan hareketlerini tespit etmek için kullanılır [17, 37, 38]. Önerilen metodolojimizde, sensörün görüntüleme aralığında gerçekleşirken hem ateş hem de insan hareketini gerçek zamanlı olarak tahmin etmek için bir PIR sensörü kullanılır. Tablo 6, önerilen model tahminlerine kıyasla literatürde bulunan bazı yangın ve insan hareket tespit tahminlerini göstermektedir. Önerilen model, hem ateş hem de insan hareketini tespit etmede umut verici sonuçlar. Referanslı modeller ya ateş veya insan hareket kalıplarını tespit etmeyi amaçlayan; ikiside değil. [17, 37] ‘e göre, olaylar sadece yazarların kağıt ve alkol yangını yangın kategorisi olarak gördükleri yangın ve yangın dışı olaylar olarak kategorize edilir. [38] ‘de çalışma sadece insan hareketi olay tespiti. Önerilen yöntemimizde niyet, iki farklı yangın kaynağı ve insan hareket desenleri kullanarak yangının yayılmasını tespit etmektir. Buna ek olarak, önerilen model yangını küçük veya 2 m içinde yayılan ateşe ayırabilir (bkz. 9).

Tablo 5, 99 olarak arka plan (hareket yok), yangın ve insan tespit oranlarını göstermektedir.%71, 95.% 34 ve 92.Sırasıyla% 39. Şekilde gösterildiği gibi. 9, önerilen yöntemimiz hem ateş hem de insan hareketi kategorilerini test eder: küçük ve yayılan ateş ve PIR sensöründen 1 m ve 1 m. Şekil 3 ve 4, 3 m’deki küçük odun ateşinin 1 m’den fazla mesafedeki bir insan hareketine benzer olduğunu göstermektedir; Özellikle 3 m’de. Bu, farklı insan hareket modellerinin, bazı durumlarda yangın modellerine benzer farklı PIR verileri modelleriyle sonuçlandığını göstermektedir. Tablo 5’te belirtildiği gibi, bu sorun, yanlış yangın tahminlerini veya tespiti onaylamayı durdurmak için sayaç sistemini kullanarak modelimizde ele alınmaktadır.

DNN, insan hareketi için sınırlı verilerle eğitilmiştir, çünkü insan hareketinin çeşitli hareket kalıpları vardır. PIR sensörü, farklı insan hareketleri/eylemleri için farklı çıktı verileri üretir. Örneğin, insan yürüyüş hareketi insan koşma hareketinden farklıdır; Başın üstünde insan el sallamak insan dans hareketlerinden farklıdır. Bu nedenle, DNN’nin insan yavaş yürüme, hızlı yürüyüş ve döner sandalyede dönen sınırlı verilerle eğitildiği vurgulanmaktadır. Bu nedenle, gerçek zamanlı tahmin sırasında, bir insan sensörün önünde dans etmek gibi bazı düzensiz hareketler yaparsa (eğitimli insan hareket olayları hariç), ateş olarak tahmin etme olasılığı daha yüksektir. Ancak, yukarıda belirtilen üç basit insan hareketi paterni ile test edilirken yüksek gerçek bir pozitif tahmin elde edilir.

Algoritmanın doğruluğu ve sağlamlığı, farklı insan hareket kalıpları ve yangın kategorileri ile eğitilerek geliştirilebilir. Ayrıca, bu çalışma, yangın algılama güvenilirliğini artırmak için [5, 39] ‘da sunulan uzun kısa süreli bellek (LSTM) varyasyonları gibi alternatif DL ağları kullanacak şekilde genişletilebilir.

Bu çalışmada, PIR sensörü oklüzyonlar yaşamamış. Oklüzyonlarla nesnelerin görsel olarak tanınması üzerine literatür, oklüzyonlu nesnelerin etiketli görüntüleri ile DNN’lerin kapsamlı eğitimini kullanır [40]. Benzer bir yaklaşım, oklüzyonlarla yangın kategorizasyonu için kullanılabilir. Duman sensörleri gibi ek sensörler kullanılarak doğruluk daha da artırılabilir.

Gelişmiş yüksek teknolojili binalarda, hareket sensörleri güç tüketimini azaltmak için otomatik açma/kapama ışık anahtarları olarak kullanılır. Ateş ve insan hareket tespit sonuçlarımız, önerilen tekniğin, yangın ve insan eylem tespiti gibi birçok amaca hizmet etmek için bu ışığı açma/kapama anahtar sistemlerini dahil etmek için genişletilebileceğini göstermektedir. İnsan tespiti, kullanıcı ofis dışında veya konut binasının dışındayken açılabilen bir hırsız alarmı gibi çalışabilir.

5. Sonuç

Bu yazıda, diferansiyel bir PIR sensörüne ve DNN’lere dayanan bir yangın algılama algoritması önerilmektedir. Deneyler, insan hareketini toplamak için bir PIR sensörü, küçük ve yayılan odun ateşi ve daha sonra DNN’leri eğitmek için kullanılan arka plan verilerini kullanılarak gerçekleştirilir. Çeşitli DNN mimarileri ile karşılaştırmalı eğitim sonuçları sunulmuştur. SHUFFLENET-V2, 87’lik en yüksek validasyon doğruluğunu verir.% 8 saniyede 12 kare hızında, PIR sensörü ile gerçek zamanlı yangın tespiti yapmak için kullanılır. Sistem, gerçek zamanlı deneyler sırasında iki ateş kategorisini ve üç insan hareketini başarılı bir şekilde öngörüyor. Arka plan (hareket yok), yangın türleri ve insan hareketleri için tespit oranları 99.%71, 95.%34 ve 92.Sırasıyla% 39. Ayrıca, sistemdeki sayaç tekniğinin etkinleştirilmesi yanlış alarm oranını 65 azaltır.% 66. Genel yanlış tahmin 12.Counter tekniğinden% 2 önce ve 4’e düşer.Sayaç tekniğinden sonra% 19. Bu çalışma, önerilen sistemin yeterince eğitilmişse yangın türlerini ve insan hareket modellerini ayırt etmek için kullanılabileceğini göstermektedir.

6 Ek Bilgi

Yangın verilerini toplamak ve gerçek zamanlı yangın tahminleri için yapılan deneyleri gösteren bir video, el yazması ile birlikte sunulmaktadır.

Pir nedir?

Pir pasif infra kırmızısı anlamına gelir. Pasif kızılötesi sensör. PIR sensörleri en sık PIR tabanlı hareket dedektörlerinde kullanılır.

İnsanların, hayvanların veya diğer nesnelerin hareketini algılamak için PIR tabanlı bir hareket dedektörü kullanılır. Yaygın olarak kullanılırlar Hırsız alarmları ve otomatik olarak aktifleştirilen aydınlatma sistemlerinde. Genellikle basitçe denir &ldquo;PIR&rdquo;, ya da bazen &ldquo;Pid&rdquo;, için &ldquo;pasif kızılötesi dedektör&rdquo;.

PIR sensörleri nasıl çalışır?

Pasif bir infra kırmızı sensörü, sıcak bir nesne tarafından yayılan kızılötesi ışığı tespit eder.

Mutlak sıfırın üzerinde bir sıcaklık olan tüm nesneler, radyasyon şeklinde ısı enerjisi yayar. Genellikle bu radyasyon&rsquo;İnsan gözünün görülebilir, çünkü kızılötesi dalga boylarında yayıldığı için, ancak böyle bir amaç için tasarlanmış elektronik cihazlarla tespit edilebilir.

PIR hareket sensörü

Bir PIR sensörü hareketli ısı kaynaklarını algılar. (Fresnel) lens birkaç bölümden oluşur; Termal görüntü (kızılötesi radyasyon) değiştiğinde, dedektör yanıt verir. İnsanlar ve büyük hayvanlar fark edilir; Böcekler ve örümcekler gibi küçük hayvanlar.

Bu örnekte pasif terim, pasif infra kırmızı cihazlarının tespit amacıyla enerji üretmemesi veya yaymadığı gerçeğini ifade eder. Tamamen nesneler tarafından yayılan veya yansıtılan kızılötesi radyasyonu tespit ederek çalışırlar. Tespit etmezler veya ölçmezler &ldquo;sıcaklık&rdquo;.

Yanlış alarmlar nasıl azaltılır

Daha önce belirtildiği gibi, herhangi bir &ldquo;hareketli ısı kaynağı&rdquo; bir alarm verebilir. Bu, taslakların, rüzgarlı alanların ve doğrudan güneş ışığının tümden kaçınmak için ısı kaynakları olduğu anlamına gelir. Yanlış raporlar, siyah deri üzerinde bir yansıma olarak parlama ile de üretilir. Yanlış bir alarm oluşursa, alarm sistemi&rsquo;S konumu veya sensör hassasiyeti ayarlanmalıdır.

Birçok MOBEYE ürünü pasif bir infra kırmızı sensörü içerir veya aksesuar olarak pasif bir infra kırmızı sensörü ile birleştirilebilir. Doğrulama için ikili bir dedektörü olduğu için, Mobeye dış mekan alarmı Örneğin dedektör, bu kaynakların çoğunu filtreler. Bu özellikle rüzgarlı koşullarda iyi çalışıyor. Cmvxi-r optex üzerine inşa edilmiştir&rsquo;PIR teknolojisinde dünya lideri olan pazar lideri dış PIR.

Ünitenin, alarmı tetiklemek için her ikisi de aynı anda kırılması gereken iki algılama paterni vardır. Bu, dedektörün kuşlar, kediler, köpekler vb. çünkü bu hayvanlar hem üst hem de alt dedektörleri aynı anda tetiklemeyecektir.

Dijital çift katman algılama

İki dahili PIR sensörü, tespiti bağımsız olarak analiz eder, böylece olayların yanıltıcı bir tesadüfü filtrelenebilir. Bu teknoloji, tesislerde küçük hayvanların tespitlerini neredeyse ortadan kaldırır. VXI-R modeli, SMDA adı verilen dijital olarak geliştirilmiş bir sinyal tanıma mantığı ile donatılmıştır. SMDA, iklim değişiklikleri ve bitki örtüsü gibi çeşitli gürültü faktörlerine karşı bağışıklığı artırır.

Hareket sensörleri hakkında bilmeniz gereken her şey

Bir hareket sensörü (veya hareket dedektörü), güvenlik sisteminizin anahtar oynatıcısıdır, çünkü&rsquo;Birinin evinizde ne zaman olduğunu tespit eden anahtar cihaz&rsquo;t. Bir hareket sensörü, bir alandaki hareketi fark etmek için bir veya çok sayıda teknoloji kullanır. Bir sensör takılırsa, güvenlik sisteminize bir uyarı işareti gönderilir&rsquo;Sizi ve izleme cihazını ikametgahınızdaki olası bir tehdide uyarlayan izleme cihazınıza bağlanan s konsolu.

Ev güvenliğinizde hareket sensörlerinin rolü

Hareket algılamanın ana noktası, bir hırsız algılamak ve kontrol panelinize bir uyarı işareti göndermektir, bu da izleme cihazınızı uyarır. Sensörler evde olmadığınızda veya sistemi evde olmadığınızı söylediğinizde çalışır. Etkinlik algılandığında bazı güvenlik sistemleri bir güvenlik kamerası aracılığıyla etkinlikleri kaydedecek şekilde ayarlanabilir.

Hareket sensörleri, oturma odanızdaki hareket, pencereler veya kapılar açılan veya kapalı gibi çeşitli durumlara tepki vermeye hazırlanan koruma sağlar veya kırık bir pencere.

Hareket sensörleri şunları yapabilir:

• Oğlunuzun/kızınızın sokağa çıkma yasağını kırdığı olayda sizi uyarın
• Birisi ön kapıya yaklaştığında bir kapı zilini çıkar
• Çocuklar, mahzen, egzersiz odası veya ilaç dolapları gibi evde sınıflandırılmış alanlara girdiğinde sizi uyarın
• Boş alanlarda hareket sensörü aydınlatmasını kullanarak enerji tasarrufu
• Evcil hayvanların bulunduğu alanlara girerse sizi bilgilendirin&rsquo;yapması gerekmiyor

Hareket sensörleri türleri

Pasif Kızılötesi (PIR)

Vücut ısısını tespit eder (kızılötesi enerji). Pasif kızılötesi sensörler, ev güvenlik sistemlerinde en yaygın kullanılan harekettir. Sisteminiz hazırlandığında, hareket sensörleriniz etkinleştirilir. Sensör ısındıktan sonra, yakın alanlarda ısı ve hareketi hissederek bir savunma yaratabilir &ldquo;Kafes.&rdquo; Hareketli bir nesne çok fazla ızgara bölgesini engellerse ve kızılötesi enerji seviyeleri hızla değişirse, sensörler tetiklenir.

Mikrodalga (MW)

Mikrodalga darbeleri gönderir ve sinyali hareketli bir nesneden ölçer. Kızılötesi sensörlere kıyasla büyük bir alanı kapsarlar, ancak elektrik girişine duyarlıdırlar ve daha maliyetlidir.

Çift Teknoloji Hareket Sensörleri

Hareket sensörleri, yanlış alarmları azaltmak için paylaşılan özelliklere sahip olabilir. Örneğin, pasif kızılötesi (PIR) sensör bir mikrodalga sensörü ile paylaşılabilir. Her biri ölçeğin birden fazla alanında çalıştığından ve biri aktif olmadığından, çift teknoloji hareket sensörleri, alarmların reaksiyona girmesi için yanlış alarmları akıl yürütme olasılığı kadar muhtemel değildir. Sensörler tetiklenmelidir. Öte yandan, bu, hiçbir sebepten dolayı yanlış alarm vermediği anlamına gelmez.

Alan yansıtıcı tip

Bir LED’den kızılötesi ışınlar yayar. Bu ışınların sinyalini kullanarak, sensör bireye veya nesneye olan mesafeyi ölçer ve nesnenin seçilen alan içinde olup olmadığını tespit eder.

Ultrasonik

Hareketli bir nesnenin yansımasını ölçer ve ultrasonik dalgaların darbelerini gönderir.

Titreşim

Bunlar satın alınabilir veya evde herhangi bir sorun olmadan. Sallanmayı tespit eder. Ev yapımı bir titreşim sensörü, bir kol üzerinde, titreştiğinde bir alarm için bir topuz tarafından etkinleştirilen çok az kütle kullanır. Ev yapımı hareket sensörleri çalışabilir, ancak öngörülemez olabilirler.

Diğer hareket sensörü özellikleri

Kablosuz hareket sensörleri

Günümüzde, çoğu hareket sensörü kablosuz. Kablosuz sensörlerin ayarlanması çok basittir. Sondajlara ihtiyaçları yoktur ve diğer güvenlik sistemi mekanizmasıyla kablosuz olarak iletişim kurarlar.

İletişim Hareket Sensörleri (Kapı/Pencere)

Birçok temas hareket sensörü reaktif kızılötesi sensörlerdir. Sistem donatılırken korunan kapı veya pencere açılırsa bir alarm çıkarırlar.

Pet bağışıklık hareket sensörleri

Kesin bir ağırlığa kadar hayvanlara dikkat etmemek için pasif kızılötesi sensör kurulabilir. Çift teknoloji hareket sensörü, hayvanların neden olduğu yanlış alarmlara daha meydan okur, çünkü şirket tarafından belirlenen bir şekilde tetiklenmesi için iki sensöre ihtiyaç duyduğu için.

Yanlış bir alarm vermeden büyük bir hayvanı veya çok sayıda küçük hayvanı göz ardı etmek için kurulabilirler. Bazı PET’e Dirençli Hareket Sensörleri, çok aktif hayvanları olan aileler için uyum sağlanabilecek bir duyarlılık seviyesine sahiptir.

Video hareket sensörleri

Video kameraları gelişmiş sinyal işleme ile bağlar. Bazı kaydedilebilir hareket sensörleri, hareketi algıladıklarında kaydı başlattı. Hareket sensörleri tarafından kontrol edilen kameralar, binlerce saatlik işe yaramaz görüntüler kaydederek bellek depolamanızı kaydedebilir – yalnızca önemli bilgileri yakalarlar.

Montaj sensörleri için en iyi uygulamalar

Özel kuruluma ihtiyaç duyan bir sistem istiyorsanız, yükleyici sensörlerinizi ayarlamayı bilir. Öte yandan, bir DIY ev güvenlik sistemiyle giderseniz sensörlerinizi ayarlamaktan sorumlu olursunuz. Hareket sensörlerini yüklemeden önce, muhtemelen konum önerilerinden oluşacağından, kurulum talimatlarını okuduğunuzdan emin olun. Bazı DIY sistemleri de size elektronik istemler sağlar veya kurulum prosedüründe size yol gösterecek bir satış temsilcisi mi çağırıyorsunuz?.

Hareket sensörlerinin hataya dayanıklı olmadığını ve yanlış alarmların olabileceği durumlar olduğunu unutmayın. Yanlış alarmlar, elektrik arızaları, kullanıcı hatası, zayıf uygulama mühendisliği, güç dalgalanmaları, yıldırım ve hatalı cihazlardan kaynaklanmaz. Ayrıca hayvanlar, böcekler ve bitkiler tarafından tetiklenebilirler.

Kategoriler

• Geri Akış Testi
• Ticari Güvenlik Kamera Sistemi
• Yangın Alarm Sistemleri
• İtfaiyeciler
• Yangın hortumu
• Yangın Koruma Sistemleri
• Yangın Sprinkler Sistemleri
• Yangın söndürme sistemleri
• Ev Güvenlik Kamera Sistemi

Görüntü işleme ve PIR sensörü ile yangın tespiti

Ücretsiz PDF View PDF indir

Desen tanıma mektupları

Ücretsiz PDF View PDF indir

Bu yazıda, görüntü analizi ve bilgisayar görme uygulamaları için entropi fonksiyonel tabanlı çevrimiçi uyarlanabilir karar füzyonu (EADF) çerçevesi geliştirilmiştir. Bu çerçevede, bileşik algoritmasının, her biri kendi kararını sıfır etrafında ortalanmış gerçek bir sayı olarak veren ve belirli bir alt algoritmanın güven seviyesini temsil eden birkaç alt algoritmadan oluştuğu varsayılmaktadır. Karar değerleri, alt algoritmaları açıklayan dışbükey setlere entropik projeksiyonlar gerçekleştirmeye dayanan aktif bir füzyon yöntemine göre çevrimiçi olarak güncellenen ağırlıklarla doğrusal olarak birleştirilir. Genellikle bir insan operatörü olan ve karar füzyon yöntemine geri bildirim sağlayan bir kehanet olduğu varsayılmaktadır. Verilerin sırayla geldiği sorunları ele almada algoritmanın performansını değerlendirmek için video tabanlı bir orman yangını algılama sistemi geliştirilmiştir. Bu durumda, Oracle, birleşik algoritmanın kararını doğrulayan Orman Gözetleme Kulesi’nin güvenlik görevlisidir. Simülasyon sonuçları sunuldu. EADF çerçevesi de standart bir veri kümesi ile test edilmiştir.

Ücretsiz PDF View PDF indir

Özet Bu makalede, görüntü analizi ve bilgisayar görme uygulamaları için entropi fonksiyonel tabanlı bir çevrimiçi uyarlanabilir karar füzyonu (EADF) çerçevesi geliştirilmiştir. Bu çerçevede, bileşik algoritmasının, her biri sıfır civarında gerçek bir sayı olarak kendi kararını veren ve belirli bir altgoritmanın güven seviyesini temsil eden birkaç alt -alt -foritmadan oluştuğu varsayılmaktadır.

Ücretsiz PDF View PDF indir

Ücretsiz PDF View PDF indir

Ücretsiz PDF View PDF indir

Erken bir uyarı, yangından kaynaklanan yaşam ve mülk kaybını azaltmak için son derece önemlidir. İlgilenilen bölge, CCD kamera kullanılarak yakalanır ve kablosuz sensör düğümünde duman sensörü ile tanımlanır. İlginç bölgenin renk bilgileri, dijital görüntü işleme renk modeli algoritmalarının bir uygulamasıyla elde edilebilir. Yangın kaynağı, edinilen özelliklere ve duman seviyesine göre tanımlanır. Sistem sürekli görüntü örneklemesine dayanmaktadır. Deneysel sonuçlar, sistemin yangını doğru bir şekilde tanımlayabileceğini ve teyit edebileceğini göstermektedir. Video sensörü düğümü, duman algılama için MQ2 sensörü, sıcaklık ve nem algılama için SHT75 sensörü, ışık algılama için OPT101 sensörü ve CCD kamera gibi sensörler ile tasarlanmıştır. Alarm yalnızca yangın görüntüsü ve yangın olayları için etkinleştirilir. Sensör çıkışını görüntü çıkışıyla birleştirerek, yanlış alarm hızı sıfırdır ve stabiliteyi iyileştirir. Işık Tespit ve Analizi, bu görüntü işleme çalışmasında yangın algılama sisteminin temelidir. Bu ateş görüntüsünde RGB, YMK ve HSI gibi renk modelleri, yangını tespit etmek için verilen koşullar içinde arka plandan turuncu, sarı ve yüksek parlaklık ışığını ayırmak için kullanılır. Çerçeve farkı, yangının büyümesini ve yayılmasını analiz etmek ve hesaplamak için kullanılır. Sistemin doğruluğu kontrol edilir ve birbirleriyle karşılaştırılır. Önerilen algoritmanın kullanımı nedeniyle veri işleme miktarı azaltılabilir ve böylece yürütme süresini ve depolamasını kısaltabilir.

Ücretsiz PDF View PDF indir

PIR kameraları nelerdir ve nasıl çalışırlar?

İşletmeniz için PIR kamera kurulumu hakkında sorularınız var mı? Clearway, CCTV kurulumunda liderdir ve İngiltere’nin her yerinde işletmelere hizmet vermektedir. Clearway ile iletişime geçin ve seçeneklerinizle konuşabiliriz.

PIR kameraları hakkında bizimle konuşun!

PIR (pasif kızılötesi) tespit, yakınlardaki nesnelerden yayılan ışığı tanıyarak hareket veya davetsiz misafirleri tespit etmek için güvenlik sistemlerinde kullanılan bir teknolojidir. Güvenlik şirketleri, ticari ve yerli tesislerde davetsiz misafirlerin varlığını tespit etmek için yeni ve yenilikçi yollar buldukça PIR, yıllar süren ürün inovasyonunun sonucudur.

Yıllar boyunca, PIR sensörleri ve kameraların davetsiz misafirleri etkili bir şekilde tespit etmenin en başarılı yollarından biri olduğu kanıtlanmıştır, ancak bunlar&rsquo;kusurları olmadan. Peki bir PIR sensörü tam olarak nedir? Ve onları bu kadar etkili kılan onlar hakkında ne var??

İçerik saklamak

PIR sensörleri nasıl çalışır?

Radyasyon, mutlak sıfırdan daha büyük bir sıcaklığa sahip tüm nesneler tarafından üretilir. Bu enerji ısı enerjisi şeklinde ifade edilir. Isı kızılötesi dalga boyları olarak yayıldığından, bu radyasyonun çoğu insan gözü için görülmez, ancak bu amaçla özel olarak inşa edilmiş elektronik aletler tarafından tespit edilebilir.

Pasif kızılötesi sensör, pasif kızılötesi teknolojisini kullanarak sıcak bir nesne tarafından yayılan kızılötesi ışığı tespit eder.

Hırsız alarmlarındaki PIR sensörleri bağlamında, bu teknoloji bir alarmı tetiklemek için bir röle ile birleştirilir – iki kontaktan geçen bir devre bileşeni -. PIR sensörü hareketi algıladığında, devreyi kesintiye uğratan ve alarmın seslendirmesine neden olan röleyi etkinleştirir.

PIR sensörleri, en temel düzeylerinde, olumlu diferansiyel değişimi tespit ederek çalışır. Lensin önünde iki kızılötesi duyarlı yuva bulunur ve tespit aralığı yuvalarla belirlenir&rsquo; alanı &ldquo;görüş&rdquo;. Her iki yuva &lsquo;Boşta&rsquo;, Odada algılanan kızılötesi (doğal olarak tüm eşyalar tarafından yayılır), her iki yuvada da aynıdır &lsquo;aktif&rsquo;. Bir nesne, kişi veya hayvan tespit bölgesinden geçtiğinde, yuvalardan biri tarafından diğerinden önce algılanır, geçtikçe olumlu bir farklı değişim yaratır ve çıktıkça negatif bir farklı değişim yaratır.

PIR sensörü hareketi algıladığında, alarmı etkinleştiren alarm paneline bir uyarı gönderilir. PIR sensörünün kendisini, silikon gibi metaller gibi dış sıcaklık ve nemin etkilerini azaltabilecek bir malzeme ile tamamen kaplamak önemlidir.

Pir’in faydaları

PIR hareket sensörlerinin ticari ve konut ortamlarında birçok faydası olabilir. PIR kameraları genellikle hareket sensörü kameralarla karşılaştırılır, ancak PIR’nin standart hareket algılamasına göre güçlü bir faydası var – Yanlış alarmların azaltılması. Hareket algılama kameraları, örneğin her türlü hareketi tespit ettikleri için yaprak hareketi ve bir insan davetsiz misafiri arasında ayrım yapamaz. PIR sadece ısı değişikliklerini tespit eder, bu da daha güvenilir tetikleyiciler, böcekler, rüzgar hareketi, yapraklar vb. Gibi yaygın yanlış tetikleyicilerle sonuçlanır&rsquo;T -Acted – Maliyeti İzleme konusunda zaman ve para tasarrufu.

PIR kameralarının ticari bir ortamda veya şantiyede ana kullanımı, boş alanların korunmasına yardımcı olmaktır. Alarmlar tam olarak önleyici bir teknoloji olmasa da, davetsiz misafirlerin ilk güvenlik önlemlerinizi ihlal etmesi durumunda bir yanıtı tetiklemek için kullanılabilirler. PIR teknolojisi, istenmeyen ziyaretçileri tespit etmek için aşağıdaki stratejik konumlara kurulabilir:

• Arka kapılar, girişler ve erişim noktaları
• Peyzajın yakınında kör veya gizli yerler
• Pencerelerin yakınında
• Site çevreleri ve parklar

PIR (ve standart hareket dedektörleri) ile yanlış alarmları nasıl azaltabilirsiniz??

PIR sensörleri, bir davetsiz misafiriniz olup olmadığını veya&rsquo;örneğin sadece bir hayvan. Daha iyi bir doğruluk seviyesine sahiptirler ve genel olarak yanlış alarmları azaltabilirler. Ancak, PIR hareket sensörlerinizden yanlış alarm riskini daha da azaltmak için bazı küçük ayrıntılara dikkat etmelisiniz.

Birçok yanlış alarm, alarmın maliyeti veya kalitesi yerine alarm ve sensörlerin yerleştirilmesinden kaynaklanacaktır. Bu, kablosuz hareket dedektörü alarmlarını takarken, yanlış uyarıları en aza indirirken verimliliklerini en üst düzeye çıkaran yerlerde düzenlemeniz gerektiği anlamına gelir.

Yakında hava üfleme veya zeminde hareket eden bir kemirgen gibi basit şeyler yine de alarmınızı başlatabilir.

Alarm yerleştirmenizi test etmek en iyi yanlış alarm oluştuktan sonra yapılır. Ekipman ve radyo frekansı parazitindeki yanlış ateşler de yanlış alarmlar oluşturabilir. İlk olarak, bu sorunlardan herhangi birini dışlayın. Şüpheniz varsa, kameranın konumlandırılmasını kontrol edin. Rastgele alarmlara neden olup olmadığını görmek için hareket dedektörünün etrafındaki alanı inceleyin.

PIR kameraları eylemde

Clearway, CCTV Tower kurulumumuz da dahil olmak üzere PIR teknolojisini kullanır. CCTV Kule kameralarımız, özellikle şantiyelerde, büyük boş alanlarda ve otoparklarda – büyük dış mekanları izlemek için etkili bir çözümdür. Senin gibi&rsquo;Diyagramdan bakın, Inview CCTV kulemiz, kuleden 100 metreye kadar monte edilmiş 8 uzaktan gelen 8 uzaktan, kablosuz PIR sensörünü bağlayabilir.

Bir PIR bir davetsiz misafir tarafından aktive edildiğinde, izleyici davetsiz misafirlerle iletişim kurmak için izleme istasyonundan canlı bir ses zorluğu kullanılabilir. Tespit edildikten sonra, her PIR kuleye talimat verecektir&rsquo;aktivasyonun nedenine dönecek, yakınlaştıracak ve odaklanacak kamera. CCTV kulemiz, sürekli aktivasyon, kayıt ve uzaktan erişim sağlamak için 24 saatlik entegre bir yedek pil ile çalışan şebekedir.

Eğer sen&rsquo;Varlıklarınızı güvence altına almak için bugün uzmanlarımızdan biriyle iletişime geçin 0800 085 8695 ve PIR ve daha geniş güvenlik özelliklerimiz hakkında daha fazla bilgi edinin.