Περίληψη:

– Αυτό το άρθρο εξετάζει την ανάπτυξη μιας πρώιμης τεχνικής ανίχνευσης πυρκαγιάς χρησιμοποιώντας έναν παθητικό αισθητήρα υπέρυθρων (PIR) και βαθιά νευρωνικά δίκτυα (DNNs).
– Οι αισθητήρες PIR είναι ευαίσθητοι στις ξαφνικές κινήσεις του σώματος και εκπέμπουν ένα συνεχές σήμα που μεταβάλλει το χρόνο.
– Τα πειραματικά δεδομένα συλλέγονται χρησιμοποιώντας έναν αισθητήρα PIR για την ανίχνευση κινήσεων ανθρώπων και πυρκαγιάς.
– Ο μετασχηματισμός wavelet χρησιμοποιείται για την εξαγωγή χαρακτηριστικών από τα συλλεγόμενα σήματα.
– Οι συντελεστές wavelet μετατρέπονται σε εικόνες RGB Spectrum και χρησιμοποιούνται ως εισόδους για ένα βαθύ συνελαστικό νευρικό δίκτυο.
– Διάφορες προ-εκπαιδευμένες αρχιτεκτονικές DNN δοκιμάζονται, με την αρχιτεκτονική Shufflenet να αποδίδει την υψηλότερη ακρίβεια πρόβλεψης του 87.8%.
– Η στρατηγική σε πραγματικό χρόνο επιτυγχάνει 95.34% και 92.39% ακρίβεια ανίχνευσης πυρκαγιάς και ανθρώπινης κίνησης αντίστοιχα.

Ερωτήσεις:

1. Ποιος είναι ο σκοπός του άρθρου?

Ο σκοπός του άρθρου είναι να παρουσιάσει μια νέα τεχνική για την πρόωρη ανίχνευση πυρκαγιάς χρησιμοποιώντας έναν αισθητήρα PIR και DNNS.

2. Γιατί η πρόωρη ανίχνευση πυρκαγιάς είναι σημαντική?

Η ανίχνευση πρώιμης πυρκαγιάς είναι σημαντική για την άμβλυνση των ζημιών που σχετίζονται με τη φωτιά, την πρόληψη των απωλειών ανθρώπων και των ακινήτων και τη μείωση του σωματικού και ψυχικού τραύματος.

3. Τι είδους αισθητήρας χρησιμοποιείται στην προτεινόμενη τεχνική?

Η προτεινόμενη τεχνική χρησιμοποιεί έναν παθητικό αισθητήρα υπερύθρων (PIR) για ανίχνευση πυρκαγιάς.

4. Πώς λειτουργεί ένας αισθητήρας PIR?

Ένας αισθητήρας PIR ανιχνεύει ακτινοβολία υπερύθρων (IR) που εκπέμπεται από αντικείμενα. Είναι ευαίσθητο στις ξαφνικές κινήσεις του σώματος και εκπέμπει ένα συνεχές σήμα μεταβαλλόμενου χρόνου.

5. Ποιος είναι ο ρόλος του μετασχηματισμού wavelet στην τεχνική?

Ο μετασχηματισμός wavelet χρησιμοποιείται για την εξαγωγή χαρακτηριστικών από τα σήματα που συλλέγονται από τον αισθητήρα PIR.

6. Πώς χρησιμοποιούνται οι συντελεστές wavelet στην τεχνική?

Οι συντελεστές wavelet μετατρέπονται σε εικόνες RGB Spectrum, οι οποίες χρησιμεύουν ως εισροές για το βαθύ συνελαστικό νευρωνικό δίκτυο.

7. Που η αρχιτεκτονική DNN αποδίδει την υψηλότερη ακρίβεια πρόβλεψης?

Η αρχιτεκτονική Shufflenet αποδίδει την υψηλότερη ακρίβεια πρόβλεψης του 87.8%.

8. Ποια είναι τα επίπεδα ακρίβειας που επιτυγχάνονται στη στρατηγική σε πραγματικό χρόνο?

Η στρατηγική σε πραγματικό χρόνο επιτυγχάνει 95.34% και 92.39% ακρίβεια στην ανίχνευση πυρκαγιάς και ανθρώπινης κίνησης αντίστοιχα.

9. Ποιοι είναι οι περιορισμοί των συμβατικών αισθητήρων πυρκαγιάς?

Οι συμβατικοί αισθητήρες πυρκαγιάς έχουν περιορισμένη περιοχή κάλυψης, δεν είναι αποτελεσματικοί σε μεγάλα δωμάτια και ανοιχτούς χώρους και είναι επιρρεπείς σε ψευδείς συναγερμούς λόγω εξωτερικών διαταραχών.

10. Γιατί οι τεχνικές ανίχνευσης πυρκαγιάς με βάση το όραμα δεν είναι πάντα αποτελεσματικές?

Οι τεχνικές ανίχνευσης πυρκαγιάς που βασίζονται σε όραμα μπορεί να επηρεαστούν από την πολυπλοκότητα της εξάπλωσης πυρκαγιάς και παρεμβολής γεγονότων υποβάθρου και μπορεί να προκαλέσουν ανησυχίες για την προστασία της ιδιωτικής ζωής.

11. Τι πλεονεκτήματα προσφέρουν τα συστήματα απεικόνισης υπέρυθρων (IR) στην ανίχνευση πυρκαγιάς?

Τα συστήματα απεικόνισης IR είναι αξιόπιστα και μπορούν να ανιχνεύσουν πυρκαγιές σε κακές ορατές συνθήκες φωτισμού ή όταν η πυρκαγιά συνδυάζεται με το φόντο. Μπορούν να λειτουργήσουν ως βίντεο παρακολούθησης.

12. Ποια είναι τα μειονεκτήματα της χρήσης φωτογραφικών μηχανών και ηλεκτρονικών υπολογιστών για ανίχνευση πυρκαγιάς?

Οι κάμερες και οι ενσωματωμένοι υπολογιστές δημιουργούν εμπόδια κόστους για κλιμακούμενες λύσεις και μπορούν να δώσουν ψευδείς συναγερμούς λόγω εγγύτητας ή άλλων παρεμβολών.

13. Τι ρόλο παίζουν οι αισθητήρες PIR στην ανίχνευση φλόγας?

Οι αισθητήρες PIR είναι ευπροσάρμοστοι για ανίχνευση φλόγας λόγω της ικανότητάς τους να ανιχνεύουν απότομες αλλαγές στην ακτινοβολία IR από κινήσεις αντικειμένων στο εύρος προβολής τους.

14. Ποιες προκλήσεις συνδέονται με την ανίχνευση πυρκαγιάς με βαθιά μάθηση?

Οι προκλήσεις περιλαμβάνουν την ανάγκη για μεγάλο αριθμό δεδομένων κατάρτισης, την ταυτοποίηση ταυτόχρονων πυρκαγιών, τις αλλαγές φωτισμού και την ποσοτικοποίηση της φλόγας πυρκαγιάς και της έντασης καπνού.

15. Ποια είναι η προτεινόμενη τεχνική σε αυτό το έγγραφο για ανίχνευση πυρκαγιάς?

Η προτεινόμενη τεχνική χρησιμοποιεί έναν διαφορικό αισθητήρα PIR και DNNs για ανίχνευση πυρκαγιάς σε κλειστούς χώρους.

16. Ποια είναι τα πλεονεκτήματα των αισθητήρων PIR για ανίχνευση πυρκαγιάς?

Οι αισθητήρες PIR είναι εξελιγμένοι, χαμηλού κόστους και είναι ιδιαίτερα ικανοί να ανιχνεύσουν απότομες αλλαγές στην ακτινοβολία IR. Είναι ευπροσάρμοστα και κατάλληλα για την ανίχνευση της εξάπλωσης της φλόγας.

Τι είναι ο Pir

Τα κύματα είναι ασύμμετρες και ακανόνιστες κυματομορφές που διαρκούν για σύντομο χρονικό διάστημα με μέση τιμή μηδέν. Η ανάλυση Wavelet παράγει συστατικά κύματα διαφορετικών κλιμάκων και θέσεων της μητρικής κύματος [20]. Επομένως, σε συνεχές μετασχηματισμό κύματος (CWT), το σήμα εισόδου πολλαπλασιάζεται με καθυστερημένες και τεντωμένες εκδόσεις του επιλεγμένου κύματος και στη συνέχεια ενσωματώνονται κατά τη διάρκεια του χρόνου του σήματος. Αυτή η διαδικασία δημιουργεί συντελεστές wavelet c. Η διαδικασία μπορεί να εμφανιστεί ως:

Ανάπτυξη τεχνικής ανίχνευσης πρώιμης πυρκαγιάς χρησιμοποιώντας έναν παθητικό αισθητήρα υπερύθρων και βαθιά νευρωνικά δίκτυα

Η έγκαιρη ανίχνευση της πυρκαγιάς είναι το κλειδί για την άμβλυνση των ζημιών που σχετίζονται με τη φωτιά. Το παρόν έγγραφο παρουσιάζει έναν διαφορικό αισθητήρα πυρι-ηλεκτρικού υπερύθρου (PIR) και μέθοδο με βάση τα βαθιά νευρωνικά δίκτυα (DNNS) για την ανίχνευση πυρκαγιάς σε πραγματικό χρόνο. Δεδομένου ότι ο αισθητήρας PIR είναι ευαίσθητος στις αιφνίδιες κινήσεις του σώματος και εκπέμπει ένα συνεχές σήμα μεταβαλλόμενο χρονικό. Αυτά τα σήματα υποβάλλονται σε επεξεργασία χρησιμοποιώντας μονοδιάστατο μετασχηματισμό συνεχούς κύματος για να εκτελέσετε την εξαγωγή χαρακτηριστικών. Οι αντίστοιχοι συντελεστές wavelet μετατρέπονται σε εικόνες RGB Spectrum που στη συνέχεια χρησιμοποιούνται ως εισόδους για ένα βαθιά συνελικτικό νευρωνικό δίκτυο. Διάφορες προ-εκπαιδευμένες αρχιτεκτονικές DNN υιοθετούνται για την κατάρτιση και τον εντοπισμό των συλλεγόμενων δεδομένων για υπόβαθρο (χωρίς κίνηση), ανθρώπινη κίνηση και κατηγορίες πυρκαγιάς: μικρές οιονεί στατικές και εξαπλωτικές φωτιές. Τα πειραματικά αποτελέσματα δείχνουν ότι η αρχιτεκτονική Shufflenet αποδίδει την υψηλότερη ακρίβεια πρόβλεψης του 87.8%. Πειραματικά αποτελέσματα για τη στρατηγική σε πραγματικό χρόνο που λειτουργεί με ταχύτητα 12 καρέ ανά δευτερόλεπτο show 95.34% και 92.39% επίπεδα ακρίβειας πυρκαγιάς και ανθρώπινης κίνησης αντίστοιχα.

Εργασία σε ένα χειρόγραφο?

1. Εισαγωγή

Η ανίχνευση πρώιμης πυρκαγιάς σε οικιστικά ή βιομηχανικά κτίρια είναι πολύ σημαντική για να λάβετε τις κατάλληλες ενέργειες για την πρόληψη των απώλειας ανθρώπων και ιδιοκτησίας, σωματικό και ψυχικό τραύμα. Ωστόσο, οι πυρκαγιές μπορούν να αποφευχθούν ή να ελεγχθούν εάν ταυτοποιηθούν στο αρχικό στάδιο. Οι πυρκαγιές συμβαίνουν λόγω διαφόρων λόγων όπως η αμέλεια, η ηλεκτρονική συσκευή δυσλειτουργία, το μαγείρεμα, το κάπνισμα, οι εύφλεκτες διαρροές υγρού και αερίου, εμπρησμός κ.λπ. Τα στάδια μιας πυρκαγιάς μπορούν να περιγραφούν ως αρχικά (ανάφλεξη), ανάπτυξη, πλήρως ανεπτυγμένη και αποσύνθεση [1]. Η ανάπτυξη της πυρκαγιάς και οι μέγιστοι ρυθμοί απελευθέρωσης θερμότητας εξαρτώνται κυρίως από τα χαρακτηριστικά σχεδιασμού κτιρίων, συμπεριλαμβανομένης της εύφλεκτης επένδυσης και των τύπων καυσαερίων (φορτία πυρκαγιάς), όπως διακοσμήσεις εσωτερικών χώρων, έπιπλα κλπ. [2, 3]. Σύμφωνα με ένα από τα κοινά πρότυπα επικοινωνίας κτιρίων BACNET, η πυρασφάλεια δίνεται η υψηλότερη προτεραιότητα στον αυτοματισμό της οικοδόμησης [4]. Με την αυξημένη πολυπλοκότητα στις οικοδομικές εργασίες, είναι σημαντικό να βελτιωθεί η ευαισθησία και η ακρίβεια της ανίχνευσης πυρκαγιάς [5].

Υπάρχουν διάφορες τεχνολογίες ανίχνευσης πυρκαγιάς που αναπτύχθηκαν για τη μείωση των ατυχημάτων πυρκαγιάς [1]. Οι συχνά χρησιμοποιούμενες αισθητήρες σημείων όπως οι αισθητήρες καπνού, θερμότητας και αερίου έχουν περιορισμένες δυνατότητες [6]. Μια πυρκαγιά πρέπει να καεί για λίγο για να φτάσει στον αισθητήρα και να υπερβεί το καθορισμένο σημείο κατωφλίου για να ξεκινήσει ένας προειδοποιητικός συναγερμός [7]. Αυτό δίνει αρκετό χώρο για μια κανονική φωτιά να εξαπλωθεί γρήγορα. Λόγω της περιορισμένης περιοχής κάλυψης, οι συμβατικοί αισθητήρες δεν είναι αποτελεσματικοί σε μεγάλα δωμάτια και ανοιχτούς χώρους όπως αυλές, χώρους στάθμευσης, δάση κ.λπ. Επιπλέον, η ακρίβειά τους επηρεάζεται από τις εξωτερικές διαταραχές όπως ο ατμός, το κάπνισμα, ο ελαφρύς καπνός από το μαγείρεμα, προκαλώντας την ενεργοποίηση ψευδών συναγερμών. Σύμφωνα με τις Υπηρεσίες Πυρκαγιάς και Διάσωσης (FRSS) στην Αγγλία για το έτος που έληξε τον Δεκέμβριο του 2020, οι ψευδείς συναγερμοί πυρκαγιάς ανέρχονται στο 42% των περιστατικών που παρακολούθησαν [8].

Προκειμένου να αντιμετωπιστούν ζητήματα σε συμβατικούς αισθητήρες πυρκαγιάς, τα προηγμένα συστήματα ανίχνευσης καπνού και πυρκαγιάς χρησιμοποιούν τεχνικές ανίχνευσης πυρκαγιάς βίντεο για να αναγνωρίσουν τις πυρκαγιές στα αρχικά τους στάδια [9]. Διάφορες τεχνικές ανάλυσης χρωμάτων και μηχανικής μάθησης χρησιμοποιούνται για την εξαγωγή και την ταυτοποίηση της πυρκαγιάς σε καταγεγραμμένες εικόνες και βίντεο. Παρόλο που οι τεχνικές που βασίζονται σε όραση είναι πιο ακριβείς και καταγράφουν μια λεπτομερή άποψη του περιβάλλοντος, η πολυπλοκότητα στην εξάπλωση της πυρκαγιάς και άλλα παρεμβαλλόμενα γεγονότα φόντου σε πρακτικές ρυθμίσεις επηρεάζουν την ικανότητα εξαγωγής χαρακτηριστικών τους [10]. Σημειώνεται επίσης ότι ο καθορισμός κάμερας στους χώρους εργασίας μπορεί να επηρεάσει την απόδοση των εργαζομένων δημιουργώντας ένα περιβάλλον προβλημάτων ιδιωτικής ζωής [11]. Τα συστήματα απεικόνισης υπερύθρων (IR) είναι αποτελεσματικά για την αντιμετώπιση ζητημάτων όπως το φτωχό ορατό φως ή η ανάμειξη εικόνων με το φόντο [1]. Αυτά τα συστήματα είναι ιδιαίτερα αξιόπιστα και μπορούν να λειτουργήσουν ως βίντεο παρακολούθησης για την ανίχνευση πυρκαγιών. Αν και έχουν πολλά πλεονεκτήματα, έχουν επίσης ορισμένα μειονεκτήματα. Οι κάμερες και οι ενσωματωμένοι υπολογιστές δημιουργούν εμπόδια κόστους για μια κλιμακωτή λύση. Δίνουν ψευδείς συναγερμούς ανάλογα με την εγγύτητα με τον αισθητήρα ή οποιαδήποτε άλλη παρεμβολή, όπως φώτα λαμπτήρων, ροή ζεστού αέρα, εργαστήριο ή βιομηχανικές δραστηριότητες, που επηρεάζουν την ευαισθησία [12]. Προκειμένου να αντιμετωπιστεί τα ζητήματα απώλειας δεδομένων και παραμόρφωσης δεδομένων στην ανίχνευση φλόγας IR, προτείνεται ένας ισχυρός αλγόριθμος σύντηξης που βασίζεται στην ακτινική λειτουργία του νευρικού δικτύου με το ασαφές μοντέλο Takagi -Sugeno στο [13]. Η επεξεργασία εικόνας χρησιμοποιώντας την τεχνολογία Deep Learning (DL) δίνει σημαντικά υψηλή απόδοση στην ανίχνευση πυρκαγιάς [14]. Ωστόσο, υπάρχουν προκλήσεις όπως η ανάγκη για μεγάλο αριθμό δεδομένων κατάρτισης που συλλέγονται σε διάφορες ρυθμίσεις και τύπους πυρκαγιάς, ταυτοποίηση ταυτόχρονων πυρκαγιών, αλλαγές φωτισμού και ποσοτικοποίηση της φλόγας πυρκαγιάς και της έντασης καπνού [9].

Αυτό το έγγραφο προτείνει μια νέα τεχνική για την ανίχνευση πυρκαγιών σε κλειστούς χώρους χρησιμοποιώντας έναν διαφορικό αισθητήρα PIR και DNNS. Οι αισθητήρες PIR ανιχνεύουν την ακτινοβολία IR που εκπέμπονται από αντικείμενα. Είναι εξελιγμένα, αλλά χαμηλού κόστους και είναι σε θέση να ανιχνεύσουν τυχόν απότομες αλλαγές στην ακτινοβολία IR από τις κινήσεις αντικειμένων στο πλαίσιο της προβολής του [15,16,17]. Ως εκ τούτου, οι αισθητήρες PIR είναι ευέλικτοι για να ανιχνεύσουν μια εξάπλωση φλόγας. Επιπλέον, η διαφορική ανίχνευση σε αισθητήρες PIR είναι χρήσιμη για την αποφυγή ψευδών συναγερμών που προκαλούνται από μικρές αλλά ομοιόμορφες αλλαγές IR στο εύρος προβολής της, όπως η εσωτερική θερμοκρασία ή οι παραλλαγές του ηλιακού φωτός. Αυτό οφείλεται στη διάταξη του αισθητήρα στην οποία ο αισθητήρας χωρίζεται σε δύο μισά και συνδέονται μαζί. Εκτός αν δεν υπάρχει επαρκής αύξηση της ακτινοβολίας IR για να συλλάβει από το μισό, τα σήματα εξόδου που παράγονται από τα δύο μισά θα ακυρώσουν ο ένας τον άλλον. Λόγω της σχετικά υψηλής κλίμακας προβολής των 7 m (όταν χρησιμοποιείται με φακό Fresnel) σε γωνία που καλύπτει 110 μοίρες, είναι κατάλληλο να παρακολουθεί μεγάλα δωμάτια με ψηλά οροφές [18]. Επιπλέον, η προσέγγιση του αισθητήρα PIR απαιτεί χαμηλή ισχύ επεξεργασίας σε σύγκριση με τα συστήματα καπνού ή ανίχνευσης πυρκαγιάς στον υπολογιστή (επιτήρηση) [11]. Σε αντίθεση με τις κάμερες ασφαλείας, τα ζητήματα εισβολής ανθρώπινης ιδιωτικής ζωής δεν θα προκύψουν με αισθητήρες PIR επειδή η παραγωγή του αισθητήρα είναι απλώς ένα ψηφιακό ή αναλογικό σήμα [19].

Διαφορετικοί τύποι πραγματικών εξαπλωμάτων πυρκαγιάς και δεδομένων ανθρώπινης κίνησης σε εσωτερική ρύθμιση συλλέγονται σε αυτό το έγγραφο χρησιμοποιώντας έναν διαφορικό αισθητήρα PIR. Αυτά τα σήματα είναι προεπεξεργασμένα χρησιμοποιώντας μετασχηματισμό wavelet [20]. Οι συντελεστές wavelet που αντιστοιχούν στα εξαγόμενα χαρακτηριστικά πυρκαγιάς τροφοδοτούνται ως εισροές για να εκπαιδεύσουν μια επιλεγμένη κατηγορία DNNs για την ταξινόμηση των γεγονότων πυρκαγιάς και μη πυρκαγιάς i.μι., Οι κατηγορίες πυρκαγιάς και η ανθρώπινη κίνηση, στο πλαίσιο του εύρους προβολής του αισθητήρα PIR. Η προεπεξεργασία εικόνας αυξάνει την ακρίβεια του ποσοστού αναγνώρισης φλόγας σε DNN [21, 22]. Οι συμβατικές προσεγγίσεις εκμάθησης μηχανών χρειάζονται σημαντική εμπειρία για να εξαγάγουν χαρακτηριστικά, να τα ταξινομούν και να προβλέπουν μια εξάπλωση πυρκαγιάς. Λόγω της σύνθετης δυνατότητας εκχύλισης χαρακτηριστικών εικόνας και διαθεσιμότητας προ-εκπαιδευμένων CNN όπως Alexnet, Resnet, Googlenet κ.λπ., Η προσέγγιση DL μπορεί να χρησιμοποιηθεί για την ανίχνευση φλόγων πυρκαγιάς [10, 12, 14, 21, 23]. Επιπλέον, οι συμπαγείς παραλλαγές αρχιτεκτονικών CNN όπως το NASNET-A-MOBILE και το ShufflenetV2 χρησιμοποιούνται σε [24] με τροποποιημένα στρώματα για τη βελτίωση της μη χρονικής πυρκαγιάς και της ταξινόμησης χωρίς πυρκαγιά. Η προτεινόμενη μέθοδος στο [24] δείχνει 95% πλήρες πλαίσιο και 94.4% ανίχνευση πυρκαγιάς με βάση το superpixel. Στο έργο μας, τα υιοθετημένα προ-εκπαιδευμένα μοντέλα CNN τροποποιούνται επίσης για να βελτιώσουν την ακρίβεια με το κόστος κατάρτισης. Η αρχιτεκτονική δικτύου CNN με την υψηλότερη ακρίβεια επικύρωσης χρησιμοποιείται για να αποδείξει την πρόβλεψη πυρκαγιάς σε πραγματικό χρόνο.

Σε αίρεση. 2, η προτεινόμενη μεθοδολογία παρουσιάζεται στην κατηγοριοποίηση των γεγονότων, στην απόκτηση δεδομένων, στην επεξεργασία σήματος, στα πλαίσια βαθιάς μάθησης, στην αρχιτεκτονική DNN και στη στρατηγική εργασίας σε πραγματικό χρόνο. Τα αποτελέσματα της πρόβλεψης πυρκαγιάς μαζί με την απόδοση σε πραγματικό χρόνο παρουσιάζονται στην αίρεση. 3. Η συζήτηση και το συμπέρασμα δίδονται σε αιρέσεις. 4 και 5.

2 προτεινόμενη μεθοδολογία

Σε αυτό το έργο, οι αλλαγές στην ακτινοβολία IR για συμβάντα πυρκαγιάς και μη πυρκαγιάς καταγράφονται χρησιμοποιώντας έναν αισθητήρα κίνησης HC-SR501 PIR [25]. Η πειραματική ρύθμιση για τη συλλογή δεδομένων παρουσιάζεται στο ΣΧ. 1. Όλα τα πειράματα διεξάγονται μετά από κατευθυντήριες γραμμές και κανονισμούς για την υγεία και την ασφάλεια για πειράματα πυρκαγιάς.

Στην προτεινόμενη τεχνική, ο διαφορικός αισθητήρας PIR έχει ρυθμιστεί με έναν μικροελεγκτή Arduino UNO (ATMEGA328P). Τα δεδομένα από τον διαφορικό αισθητήρα PIR είναι ένα συνεχές αναλογικό σήμα που μεταβάλλεται χρονικά μεταβαλλόμενα. Το εύρος του είναι ανάλογο του καυτού μεγέθους του σώματος, της ταχύτητας της κίνησης και της απόστασης από τον αισθητήρα. Το σήμα επεξεργάζεται χρησιμοποιώντας μετασχηματισμό wavelet. Οι συντελεστές wavelet μετατρέπονται σε φάσματα RGB (κόκκινο-πράσινο μπλε) φάσματα. Λόγω αυτής της διαδικασίας τμηματοποίησης χρώματος στο χώρο RGB, πιθανότατα οι περιοχές φλόγας μπορούν να αναγνωριστούν και να τροφοδοτηθούν ως συμβατές εικόνες εισόδου σε προ-εκπαιδευμένα DNNs για την ταξινόμηση των συμβάντων που συμβαίνουν στο εύρος προβολής του αισθητήρα. Το σχήμα 2 αντιπροσωπεύει την προτεινόμενη τεχνική ανίχνευσης πυρκαγιάς.

Το υπόλοιπο τμήμα εξηγεί τους βασικούς τομείς αυτής της εργασίας υπό την κατηγοριοποίηση των εκδηλώσεων, την απόκτηση δεδομένων, την επεξεργασία ψηφιακού σημάτων, την προεπεξεργασία δεδομένων, την αρχιτεκτονική DNN και τη στρατηγική απόδοσης σε πραγματικό χρόνο.

2.1 Κατηγοριοποίηση γεγονότων

Δεδομένου ότι η προτεινόμενη τεχνική ανίχνευσης πυρκαγιάς προορίζεται για εσωτερικές ρυθμίσεις και ο διαφορικός αισθητήρας PIR είναι ευαίσθητος στις κινήσεις, μεταβλητές όπως η απόσταση από τον αισθητήρα, τα διαφορετικά πρότυπα ανθρώπινης κίνησης και οι κινούμενες ταχύτητες εξετάζονται επίσης σε αυτό το έργο. Επομένως, συλλέγονται δεδομένα αισθητήρων PIR για τα ακόλουθα πέντε διαφορετικά συμβάντα κίνησης για να καταγράψουν τις αλλαγές τους στην ακτινοβολία IR.

1. 1. Φόντο (χωρίς κίνηση)
2. 2. Ανθρώπινη κίνηση (εντός 1 m από τον αισθητήρα)
3. 3. Ανθρώπινη κίνηση (περισσότερο από 1 m από τον αισθητήρα)
4. 4. Κατηγορία πυρκαγιάς 1 (μικρή πυρκαγιά ξύλου)
5. 5. Κατηγορία πυρκαγιάς 2 (τόσο εξαπλώνεται ξύλο όσο και πυρκαγιές αερίου προπανίου)

Όταν δεν υπάρχει κίνηση μπροστά από τον αισθητήρα, κατηγοριοποιείται ως συμβάν φόντου. Οι ανθρώπινες κινήσεις εντός 1 m και πέρα ​​από περιέχουν σήματα αισθητήρων για ανθρώπινη κίνηση μέσα στις περιοχές 0.2 m έως 1 m και 1.1 m έως 3 m αντίστοιχα. Δεδομένου ότι ο αισθητήρας PIR είναι ευαίσθητος στην κίνηση, οι διακυμάνσεις της τάσης εξόδου είναι υψηλές ή χαμηλές για γρήγορες ή αργές κινήσεις αντίστοιχα. Έτσι, τόσο η ανθρώπινη αργή κίνηση πεζοπορίας όσο και οι ανθρώπινες γρήγορες κινήσεις πεζοπορίας καταγράφονται. Επιπλέον, καταγράφονται επίσης ανθρώπινα κινήματα σε περιστρεφόμενη καρέκλα. Τέλος, καταγράφονται δύο συμβάντα κατηγορίας πυρκαγιάς (βλ. 1). Η κατηγορία πυρκαγιάς 1 έχει την καταγραφή μικρού ξύλου πυρκαγιάς μεταξύ 0.5 m και 3 m από τον αισθητήρα. Η κατηγορία πυρκαγιάς αποτελείται από μεγαλύτερη ή ανεξέλεγκτη φωτιά. Η διάδοση πυρκαγιάς από ξύλο και προπανίου καταγράφονται για αυτό το γεγονός. Η κάλυψη της περιοχής του ξύλου κατά τη διάρκεια της πυρκαγιάς μικρού ξύλου και της εξάπλωσης ξύλου είναι 10 \ (>^\) -12 \ (>^\) και πάνω από 12 \ (>^\) αντίστοιχα.

2.2 απόκτηση δεδομένων

Τα δύο συστήματα πυλω-ηλεκτρικής ανίχνευσης εντός του αισθητήρα PIR δημιουργούν θετικές ή αρνητικές διαφορικές αλλαγές εάν ένα ζεστό σώμα εισέλθει ή αφήνει την περιοχή ανίχνευσης αισθητήρα που οριοθετείται από δύο υποδοχές στον αισθητήρα. Ως εκ τούτου, ο αισθητήρας παράγει σήματα υψηλής ή χαμηλής ψηφιακής τάσης ανάλογα με τις παραλλαγές σε επίπεδα ακτινοβολίας IR. Δεδομένου ότι το εύρος αυτών των σημάτων είναι πολύ μικρό, τα ενισχυμένα αναλογικά σήματα εξάγονται από τον αισθητήρα PIR, πατώντας απευθείας από το τσιπ του ενισχυτή του κυκλώματος αισθητήρα Biss0001. Έτσι, τα ενισχυμένα αναλογικά σήματα καταγράφονται κατά τη διάρκεια των πέντε γεγονότων που εξηγούνται στο Sect. 2.1. Τα σήματα εξόδου εμφανίζονται στα Σχ. 3 και 4.

Δεδομένου ότι η εστίαση είναι στη φωτιά, η συχνότητα που τρέχει φλόγα θα πρέπει να λαμβάνεται υπόψη για δειγματοληψία σήματος. Η συμπεριφορά Flame Flather είναι ένα εύρος συχνοτήτων ευρείας ζώνης που καλύπτει 1 Hz -13 Hz [17]. Λαμβάνοντας υπόψη τον κανόνα δειγματοληψίας, ο ρυθμός δειγματοληψίας επιλέγεται ως 50 Hz, ο οποίος είναι περισσότερο από το διπλάσιο της συχνότητας που τρέχει φλόγας. Το αναλογικό σήμα από τον αισθητήρα PIR μεταφέρεται στο Arduino UNO, το οποίο στη συνέχεια μεταφέρεται στον υπολογιστή για περαιτέρω επεξεργασία σήματος. Το Arduino UNO έχει ρυθμιστεί χρησιμοποιώντας το MATLAB [26] για την εκτέλεση της επεξεργασίας σήματος χρησιμοποιώντας το εκπαιδευμένο δίκτυο DL.

Τα Σχήματα 3 και 4 δείχνουν ότι τα δείγματα ενισχυμένων σημάτων PIR έχουν διαφορετικά χαρακτηριστικά για τα συμβάντα που εξετάζονται σε τομέα χρόνου. Κατά τη διάρκεια του συμβάντος υποβάθρου όπου δεν συμβαίνει καμία κίνηση, το εύρος σήματος ποικίλλει από 0.58 V έως 0.59 V. Αυτό το εύρος λειτουργεί ως κεντρική γραμμή γύρω από την οποία το σήμα κυμαίνεται όταν εντοπίζεται μια κίνηση. Όταν η ένταση της υπέρυθρης θερμότητας αυξάνεται, το εύρος αυξάνεται (πάνω ή κάτω από την κεντρική γραμμή). Δεδομένου ότι το PIR είναι ευαίσθητο στην κίνηση υπέρυθρης θερμότητας, η διακύμανση του πλάτους μειώνεται όταν η απόσταση του συμβάντος αυξάνεται και αντίστροφα. Μπορεί να φανεί από το σύκο. 3 ότι οι κατηγορίες πυρκαγιάς 1 (μικρά ξύλινα πυρκαγιά) και 2 (εξαπλώνεται η πυρκαγιά και η πυρκαγιά του αερίου προπανίου) έχουν σχεδόν παρόμοιες τάσεις με ποικίλες αποστάσεις. Για παράδειγμα, η πυρκαγιά ξύλου και η πυρκαγιά αερίου προπανίου εντός και σε 1 m έχουν παραλλαγές πλάτους μεταξύ 0 V και 1.09 V. Ωστόσο, όταν η απόσταση αυξάνεται (στα 2 και 3 m), τα πλάτη σήματος πυρκαγιάς τους περιορίζονται σε ένα εύρος μεταξύ 0.5 V και 0.8 V. Δεδομένου ότι η πυρκαγιά (κατηγορία 2) καταλαμβάνει ένα ευρύτερο χώρο στο εύρος προβολής του αισθητήρα, η κίνηση της ανιχνεύεται καλύτερα από τη μικρή πυρκαγιά (κατηγορία 1). Για παράδειγμα, σε απόσταση 1 m, το μικρό πλάτος σήματος πυρκαγιάς πέφτει σε ένα εύρος μεταξύ 0.35 V και 0.94 V, ενώ η εξάπλωση του πλάτους σήματος πυρκαγιάς παραμένει μεταξύ 0 V και 0.96 V.

Αντίθετα, τα σήματα ανθρώπινης κίνησης εντός 1 m δείχνουν εύρος εύρους μεταξύ 0.08 V και 0.83 V (βλ. Εικόνα. 4). Παρόμοια με τα σήματα πυρκαγιάς, αυτή η σειρά στενεύει περαιτέρω με την απόσταση. Παρατηρείται ότι δεν υπάρχει αξιοσημείωτη διαφορά στο πλάτος για τις ανθρώπινες αργές και γρήγορες κινήσεις περπατήματος πέραν 1 m. Επιπλέον, μπορεί να φανεί ότι η ανθρώπινη κίνηση και η πυρκαγιά πέραν των 2 μέτρων έχουν παρόμοιες περιοχές πλάτους. Αυτό καθιστά δύσκολο να διαφοροποιηθούν οι καθημερινές ανθρώπινες δραστηριότητες από μια πυρκαγιά χρησιμοποιώντας κατηγοριοποίηση συμβάντων με βάση το πλάτος.

2.3 Επεξεργασία σήματος

Η επεξεργασία σήματος επικεντρώνεται στην ανάλυση, την τροποποίηση και τη σύνθεση ενός σήματος που βασίζεται στις απαιτήσεις των χρηστών [27]. Λόγω της δυναμικής φύσης των επιπέδων ακτινοβολίας της φλόγας πυρκαγιάς, τα σήματα πυρκαγιάς είναι μη στατικά. Οι ευρέως χρησιμοποιούμενες τεχνικές επεξεργασίας σήματος, όπως ο μετασχηματισμός Fourier, προϋποθέτει ότι το σήμα που επεξεργάζεται είναι ακίνητη. Ως εκ τούτου, σε αυτό το έργο, τα σήματα αισθητήρα PIR αναλύονται χρησιμοποιώντας wavelets. Σε αντίθεση με τον μετασχηματισμό Fourier, η ανάλυση Wavelet βοηθά στην οικοδόμηση μιας σχέσης χρονικής συχνότητας χρησιμοποιώντας τόσο τους τομείς χρόνου όσο και συχνοτήτων [28]. Τα κύματα έχουν επίσης ενσωματωμένα φίλτρα που εξαλείφουν τους θορύβους από το σήμα και έχουν λιγότερο υπολογιστικό κόστος από το Fourier μετασχηματισμό.

Τα κύματα είναι ασύμμετρες και ακανόνιστες κυματομορφές που διαρκούν για σύντομο χρονικό διάστημα με μέση τιμή μηδέν. Η ανάλυση Wavelet παράγει συστατικά κύματα διαφορετικών κλιμάκων και θέσεων της μητρικής κύματος [20]. Επομένως, σε συνεχές μετασχηματισμό κύματος (CWT), το σήμα εισόδου πολλαπλασιάζεται με καθυστερημένες και τεντωμένες εκδόσεις του επιλεγμένου κύματος και στη συνέχεια ενσωματώνονται κατά τη διάρκεια του χρόνου του σήματος. Αυτή η διαδικασία δημιουργεί συντελεστές wavelet c. Η διαδικασία μπορεί να εμφανιστεί ως:

$$ \ Begin C (κλίμακα, θέση) = \ int _<-\infty >^ <\infty >f (t) \ psi (κλίμακα, θέση, t) dt \ end$$

όπου \ (f (t) \) είναι το αρχικό σήμα (το σήμα PIR σε αυτή την περίπτωση) σε τομέα χρόνου και \ (\ psi (t) \) είναι η συνάρτηση Wavelet Mother Wavelet. Υπάρχουν διαφορετικοί τύποι λειτουργιών μητέρων wavelet όπως haar, daubechies, coiflets, symlets, biorthogonal κ.λπ. Το Mother Wavelet πρέπει να επιλεγεί κατάλληλα για να ταιριάζει με τις παροδικές αιχμές του αρχικού σήματος αισθητήρα PIR. Στη συνέχεια, μπορούν να επιτευχθούν καλύτερες ακυρώσεις θορύβου χωρίς στρεβλώσεις [28]. Οι συντελεστές wavelet c δείχνουν πόσο στενά το επιλεγμένο κύμα συσχετίζεται μεταξύ των τμημάτων του αρχικού σήματος.

Σε αυτή την εργασία χρησιμοποιείται το Morse Wavelet [29] στο εργαλείο Matlab Wavelet [30]. Η ενισχυμένη αναλογική έξοδος από τον αισθητήρα PIR επηρεάζεται από θόρυβο και μετατόπιση σήματος λόγω μεταβολών θερμοκρασίας ατμοσφαιρικής θερμοκρασίας. Η τράπεζα φίλτρου CWT χρησιμοποιείται για να φιλτράρει αυτόν τον θόρυβο και να αποδώσει το σήμα σε σχέση με τις συχνότητες. Γενικά, η συχνότητα ταλάντωσης σήματος PIR για μια φλόγα που τρεμοπαίζει είναι υψηλότερη από αυτή των σημάτων PIR ενός κινούμενου αντικειμένου [17]. Διάφορες παραμέτρους της τράπεζας φίλτρου αλλάζουν για να απεικονίσουν ξεχωριστά χαρακτηριστικά για κάθε συμβάν.

2.4 πλαίσια βαθιάς μάθησης

Τα πλαίσια DL παρέχουν δομικά στοιχεία για το σχεδιασμό και την κατάρτιση βαθιών νευρωνικών δικτύων χρησιμοποιώντας τους αλγόριθμους, τα προ-εκπαιδευμένα μοντέλα και τις εφαρμογές καθώς και την απεικόνιση της προόδου της κατάρτισης μοντέλου. Τα ευρέως χρησιμοποιούμενα πλαίσια DL είναι Tensorflow, Keras, Pytorch, Theano, Caffe, κλπ. Σε αυτή την εργασία χρησιμοποιείται η εργαλειοθήκη DL στο MATLAB [31].

2.5 Κατασκευή προεπεξεργασίας δεδομένων και δεδομένων

Δεδομένου ότι η δομή δεδομένων εισόδου για το DNN θα πρέπει να είναι σε μορφή εικόνας (Array 3-D), πραγματοποιείται η προεπεξεργασία δεδομένων δεδομένων. Τα δεδομένα που συλλέγονται από τον αισθητήρα PIR είναι σε μορφή συνεχούς χρονοσειρών (ανατρέξτε ότι τα σύκα. 3, 4), το οποίο στη συνέχεια κατατρώνεται σε μήκη 50 σημείων δεδομένων σε βήματα των 5 για την κατάρτιση του DNN. Αυτά τα 50 σημεία δεδομένων εκχωρούνται ως σύνολα δεδομένων που υποβάλλονται σε επεξεργασία μέσω CWT.

Στη συνέχεια, το μέγεθος της προκύπτουσας μήτρας 2-D με απόλυτους συντελεστές είναι \ (61 \ φορές 50 \) στην οποία κάθε σειρά και στήλη αντιστοιχεί σε μια κλίμακα και ένα σημείο δεδομένων αντίστοιχα. Αυτοί οι απόλυτοι συντελεστές επανασυνδέονται και μετατρέπονται σε ένα φάσμα μεγέθους \ (61 \ times 50 \ times 3 \) (\ (\ text \ times \ text \ times \ text \)). Η επιλεγμένη αρχιτεκτονική DNN (ανατρέξτε στον Πίνακα 4) απαιτεί μια σειρά μεγέθους \ (224 \ φορές 224 \ times 3 \) ως δεδομένα εισόδου. Έτσι, τα κλιμακογράμματα από το CWT μετατρέπονται σε μορφή εικόνας RGB και αλλάζουν το μέγεθος όπως απαιτείται χρησιμοποιώντας τεχνικές αύξησης δεδομένων.

Το σχήμα 5 δείχνει παραδείγματα μορφής εικόνας RGB των κλιμακωτών σε σχέση με τα πέντε γεγονότα που δημιουργούνται από το CWT. Από το \ (224 \ times 224 \ times 3 \) Matrix (μέγεθος εικόνας φάσματος), το DNN εξάγει τα ξεχωριστά χαρακτηριστικά για κάθε κλάση/συμβάν και μαθαίνει να αναγνωρίζει το συμβάν που συμβαίνει μπροστά από τον αισθητήρα. Για να αποφευχθεί η υπερφόρτωση προβλημάτων, ο ίδιος αριθμός δεδομένων θα πρέπει να παρέχεται κατά τη διάρκεια της προόδου της εκπαίδευσης. Έτσι, κάθε κλάση/συμβάν (ανατρέξτε. 2.1) αποτελείται από 5915 φάσματα RGB για εκπαίδευση, 2535 για επικύρωση και 1690 για δοκιμές.

2.6 αρχιτεκτονική DNN

Το CNN είναι ο πιο εδραιωμένος αλγόριθμος DL για την επεξεργασία μοτίβων δεδομένων, εκχύλισμα και ταξινόμηση χαρακτηριστικών [32]. Η αρχιτεκτονική DNN έχει τρία βασικά στρώματα: συνέλιξη, συγκέντρωση και πλήρως συνδεδεμένη. Το στρώμα των συνελαστικών διαδραματίζει σημαντικό ρόλο στα DNNs. Προκειμένου να εκτελέσετε την εξαγωγή χαρακτηριστικών, η συνέλιξη απαιτεί έναν συγκεκριμένο πυρήνα ή φίλτρο μεγέθους για να μετατοπιστεί πάνω από την εικόνα εισόδου με βάση το βήμα που δίνεται. Το βήμα που είναι η απόσταση μεταξύ δύο διαδοχικών πυρήνων, καθορίζει τις στήλες στις οποίες το φίλτρο πρέπει να μετακινείται στην εικόνα εισόδου. Κατά τη διάρκεια της διαδικασίας, επιτυγχάνεται ο πολλαπλασιασμός της μήτρας με το στοιχείο σε κάθε θέση μεταξύ του πυρήνα και της εισόδου για την εξαγωγή του χάρτη χαρακτηριστικών από την εικόνα. Ομοίως, οι πολλαπλοί πυρήνες λειτουργούν ως διαφορετικοί εκχυλιστές χαρακτηριστικών. Κατά τη διάρκεια της διαδικασίας κατάρτισης, οι καλύτεροι πυρήνες στα στρώματα συνέλιξης και τα βάρη στα πλήρως συνδεδεμένα στρώματα αναγνωρίζονται για το σύνολο δεδομένων εκπαίδευσης. Το στρώμα των συνελαστικών αποδεικνύεται αποτελεσματικό επειδή τα στρώματα πιο κοντά στην είσοδο μαθαίνουν χαρακτηριστικά χαμηλού επιπέδου όπως γραμμές, καμπύλες κ.λπ. Και καθώς τα στρώματα πηγαίνουν βαθύτερα, το δίκτυο μαθαίνει χαρακτηριστικά υψηλού επιπέδου όπως σχήματα, συγκεκριμένα αντικείμενα κ.λπ. Σε αυτό το έργο, οι MobileNet-V2, Shufflenet, VGG-16, Googlenet και Designed DENNs επιλέγονται για να εκπαιδεύσουν δεδομένα (βλ. Πίνακα 1).

2.7 στρατηγική εργασίας σε πραγματικό χρόνο

Το σχηματικό διάγραμμα της στρατηγικής εργασίας σε πραγματικό χρόνο παρουσιάζεται στο σύκο. 6. Τα δύο στάδια εξηγούνται παρακάτω.

2.7.1 Λειτουργία ύπνου

Όταν δεν εντοπίζεται καμία κίνηση, είναι γνωστή ως η κανονική κατάσταση ή η λειτουργία ύπνου. Η ψηφιακή έξοδος του αισθητήρα PIR λειτουργεί ως σκανδάλη. Στην κανονική κατάσταση, η ψηφιακή παραγωγή του PIR θα είναι χαμηλή, η οποία κλείνει τη μονάδα επεξεργασίας σήματος και το DNN. Εν τω μεταξύ, η αναλογική έξοδος από τον αισθητήρα PIR αποθηκεύεται στη συσκευή αποθήκευσης.

2.7.2 ενεργή λειτουργία

Όταν εντοπιστεί μια κίνηση, η ψηφιακή έξοδος από το PIR θα είναι υψηλή. Αυτό ξεκινά τη σκανδάλη που ενεργοποιεί τη μονάδα επεξεργασίας σήματος και το DNN για να ταξινομήσει το συμβάν που συμβαίνει μέσα στο εύρος προβολής του αισθητήρα. Το σύστημα λειτουργεί μέχρι το DNN να ταξινομήσει το φόντο (χωρίς κίνηση). Στη συνέχεια, πηγαίνει πίσω στη λειτουργία ύπνου (κλείσιμο της μονάδας επεξεργασίας σήματος και του μοντέλου DNN).

Έτσι, ο αλγόριθμος λειτουργεί όταν εντοπίζεται μια κίνηση. Αυτό καθιστά το μοντέλο ενεργειακά αποδοτικό, αντισταθμίζοντας τη μονάδα επεξεργασίας σήματος και το βαθύ μοντέλο CNN στην κανονική κατάσταση. Κατά τη διάρκεια της ενεργού λειτουργίας, τα τελευταία 50 σημεία δεδομένων υποβάλλονται σε επεξεργασία από τη μονάδα επεξεργασίας σήματος και το δίκτυο DL για την ταξινόμηση του συμβάντος. Ως αποτέλεσμα, ολόκληρη η στρατηγική εργασίας σε πραγματικό χρόνο είναι παρόμοια με μια ροή βίντεο που ανανεώνεται κάθε φορά που συλλέγεται ένα νέο σημείο δεδομένων από τον αισθητήρα PIR. Ο ρυθμός ανανέωσης συζητείται στην αίρεση. 3.3.

3 πειραματικά αποτελέσματα

Αυτή η ενότητα περιγράφει τα αποτελέσματα της εκπαίδευσης και της επικύρωσης του CNN. Στη συνέχεια παρουσιάζεται η παρατήρηση απόδοσης σε πραγματικό χρόνο για τα πέντε γεγονότα που επιλέχθηκαν σε αυτό το έργο.

3.1 αποτελέσματα κατάρτισης

Όλα τα DNN που αναφέρονται στον Πίνακα 1 εκπαιδεύονται χρησιμοποιώντας τα πειραματικά δεδομένα για τα πέντε συμβάντα που συλλέγονται σε ένα ελεγχόμενο περιβάλλον (βλ. 1). Τα αντίστοιχα αποτελέσματα εκπαίδευσης δίδονται στον Πίνακα 3. Όταν χρησιμοποιείται το googlenet με το προεπιλεγμένο στρώμα εγκατάλειψης, η ακρίβεια επικύρωσης είναι 79.91%, ενώ το Googlenet χωρίς στρώματα εγκατάλειψης δίνει ακρίβεια επικύρωσης 78.1%. Ωστόσο, η προσθήκη περισσότερων στρωμάτων εγκατάλειψης (ανατρέξτε στον Πίνακα 2) μειώνει σταδιακά την ακρίβεια του μοντέλου Googlenet όπως φαίνεται στον Πίνακα 3. Ένα στρώμα κανονικοποίησης παρτίδας (BN) προστίθεται στην αρχιτεκτονική Googlenet για τη βελτίωση της ταχύτητας εκπαίδευσης και της απόδοσης. Μετά τις οδηγίες από το [34], το στρώμα BN προστίθεται μέσα στις τελευταίες 4 μονάδες έναρξης από τις 9 μονάδες που στοιβάζονται γραμμικά στην αρχιτεκτονική Googlenet [35]. Ωστόσο, όταν αφαιρείται το στρώμα εγκατάλειψης του googlenet, η ακρίβεια είναι 76.25% που είναι λιγότερο ακριβές από τη χρήση του προεπιλεγμένου googlenet.

Ο Πίνακας 3 δείχνει ότι το shufflenet με προ-εκπαιδευμένα βάρη δίνει 83.Ακρίβεια επικύρωσης 6%. Δεδομένου ότι έχει μικρότερο αριθμό στρωμάτων και παραμέτρων (ανατρέξτε στον Πίνακα 1), το υπολογιστικό του κόστος είναι επίσης χαμηλό. Έτσι, το Shufflenet-V2 επιλέγεται ως το μοντέλο DNN για αυτό το έργο και η αρχιτεκτονική απεικονίζεται στον Πίνακα 4. Εδώ, οι εισροές αρχιτεκτονικής DNN είναι οι συντελεστές wavelet των σημάτων αισθητήρα PIR που μετατρέπονται σε φάσματα RGB. Όταν η αρχιτεκτονική Shufflenet-V2 εκπαιδεύεται χρησιμοποιώντας δεδομένα αισθητήρα PIR 1 καναλιού, η ακρίβεια επικύρωσης μειώνεται στα 80.86% σε σύγκριση με 83.6% χρησιμοποιώντας φάσματα RGB. Η πρόοδος της κατάρτισης του Shufflenet-V2 παρουσιάζεται στο σύκο. 7.

3.2 αποτελέσματα δοκιμών

Το σχήμα 8 δείχνει ότι τα αληθινά θετικά (προβλέψεις) είναι υψηλότερες από τις ψευδείς προβλέψεις. Κάθε εκδήλωση έχει 1690 εικόνες, στις οποίες το φόντο έχει τα υψηλότερα αληθινά θετικά των 99.9%. Οι προβλέψεις ανθρώπινης κίνησης πέτυχαν ακρίβεια 86% εντός 1 μ. Και 89.8% για περισσότερο από 1 μ. Η κατηγορία πυρκαγιάς 1 και η κατηγορία πυρκαγιάς 2 βαθμολογούν ακρίβεια 82.9% και 80.4% αντίστοιχα. Δεδομένου ότι και οι δύο κατηγορίες πυρκαγιάς έχουν παρόμοια χαρακτηριστικά όπως το μήκος της φλόγας, η γωνία κλίσης φλόγας κ.λπ. Σε ορισμένες περιπτώσεις, υπάρχουν ψευδή θετικά για τις δύο κατηγορίες πυρκαγιάς. Ψευδώς θετικό ποσοστό για την πυρκαγιά κατηγορία 1 είναι 2.5%, ενώ αυτό για την πυρκαγιά κατηγορία 2 είναι 1.8%. Παρόμοιες προβλέψεις εμφανίζονται και σε γεγονότα ανθρώπινης κίνησης. Ωστόσο, οι ψευδείς προβλέψεις εμφανίζονται μόνο στα κύρια γεγονότα κατηγορίας: Πυρκαγιά και ανθρώπινες κινήσεις. Συνολικά, το ποσοστό ακρίβειας της πραγματικής πρόβλεψης και της ψευδούς πρόβλεψης είναι 87.8% και 12.2% αντίστοιχα. Όταν εισάγεται ένα σύστημα μετρητή, η τελική ανίχνευση πυρκαγιάς είναι 95.Το 34% και η ανίχνευση ανθρώπινης κίνησης είναι 92.39% όπως αναφέρεται στον Πίνακα 6. Σε αυτό το σύστημα, ένας συναγερμός ενεργοποιείται μόνο όταν μια πυρκαγιά προβλέπεται περισσότερο από τρεις φορές, χωρίς ταλαντώσεις στην ανθρώπινη κίνηση ή φόντο.

3.3 Παρατήρηση απόδοσης σε πραγματικό χρόνο

Η αξιολόγηση απόδοσης σε πραγματικό χρόνο διεξάγεται στο Intel Core i9-9980HK 2.4GHz CPU με RAM 32 GB και NVIDIA GEFORCE RTX 2060. Η απόδοση σε πραγματικό χρόνο πραγματοποιείται με ταχύτητα 12 καρέ ανά δευτερόλεπτο. Οι παρατηρήσεις για τα επιλεγμένα γεγονότα πυρκαγιάς σε πραγματικό χρόνο συζητούνται παρακάτω. Ορισμένα δείγματα προβλέψεων μοντέλων που καταγράφηκαν κατά τη διάρκεια της απόδοσης σε πραγματικό χρόνο παρουσιάζονται στο σύκο. 9. Το κλειδί για να αναφερθεί οι πιθανότητες πρόβλεψης δίνεται στο σύκο. 9 (μ).

3.3.1 φόντο

Όπως φαίνεται στο σύκο. 8, η απόδοση σε πραγματικό χρόνο για πρόβλεψη στο παρασκήνιο είναι σχεδόν 100% αληθινή θετική πρόβλεψη.

3.3.2 ανθρώπινη κίνηση (μέσα και πέρα ​​από 1 μ.)

Οι ανθρώπινες αργές και γρήγορες κινήσεις πεζοπορίας, και η ανθρώπινη περιστροφή σε μια περιστρεφόμενη καρέκλα παρατηρείται σε αυτή την κατηγορία.

• Εντός 1 μ: Το αληθινό θετικό είναι υψηλότερο από ψευδώς θετικό. Σε περίπτωση μικτών συμβάντων (βλ. Σχήμα. 9G) Με τη μικρή πυρκαγιά και την ανθρώπινη κίνηση (εντός 1 μ.), Το μοντέλο προέβλεψε 81.8% ως ανθρώπινη κίνηση (εντός 1 μ.) Και η κατηγορία πυρκαγιάς 1 ως 16%.
• Από 1 m -3 μ: Σε αυτή την περίπτωση, η πιθανότητα αληθινών θετικών είναι σχεδόν 87%. Οι ψευδείς προβλέψεις συμβαίνουν μεταξύ των πραγματικών προβλέψεων εντός των 12 προβλέψεων ανά δευτερόλεπτο. Οι περισσότερες από τις ψευδείς προβλέψεις είναι ανθρώπινη κίνηση (εντός 1 μ.).

3.3.3 Κατηγορία πυρκαγιάς 1 (μικρή πυρκαγιά ξύλου)

• Εντός/σε 1 μ: Ο αλγόριθμος αποδίδει υψηλές πραγματικές προβλέψεις σχεδόν 95% (βλ. Εικόνα. 9α). Ωστόσο, ένα μικρό ποσοστό (1.8%) παίρνει εσφαλμένα την πυρκαγιά της κατηγορίας 2 εάν η μικρή πυρκαγιά ξύλου κινείται γρηγορότερα λόγω του ανέμου.
• Από 1 m -2 μ: Προβλέπει υψηλά αληθινά θετικά (86%) με λιγότερα ψευδώς θετικά (14%) όπως φαίνεται στο ΣΧ. 9δ. Κατά τη διάρκεια της εκδήλωσης, 0.Το 9% των προβλέψεων ταλαντεύονται στην ανθρώπινη κίνηση (1 m+) μεταξύ των πραγματικών θετικών προβλέψεων.
• Από 2 m -3 μ: Σε απόσταση 2 m -3 m από τη φωτιά, τα υψηλά ψευδώς θετικά σημειώνονται κυρίως λόγω ανθρώπινης κίνησης (1 m+).

3.3.4 Κατηγορία πυρκαγιάς 2 (εξάπλωση πυρκαγιάς)

• Εντός/σε 1 μ: Σε αμφότερες τις πυρκαγιές του ξύλου και του προπανίου, επιτυγχάνονται 100% πραγματικές προβλέψεις χωρίς ψευδείς ταλαντώσεις πρόβλεψης κατά τη διάρκεια της απόδοσης σε πραγματικό χρόνο (βλ. 9b, C, E, H). Το μοντέλο εκτελεί επίσης καλά σε μικτά γεγονότα της πυρκαγιάς αερίου προπανίου (Κατηγορία 2) και ανθρώπινη κίνηση (σε 1 m) όπως φαίνεται στο σύκο. 9J. Δεδομένου ότι η πυρκαγιά αερίου προπανίου είναι μικρότερη σε αυτή την περίπτωση, το μοντέλο προβλέπει την κατηγορία πυρκαγιάς 1, την ανθρώπινη κίνηση (εντός 1 μ.) Και την κατηγορία πυρκαγιάς 2 ως 37%, 25%και 18%αντίστοιχα.
• Από 1 m -2 μ: Σε αυτή την περίπτωση (εξαπλώνεται η πυρκαγιά και η πυρκαγιά του προπανίου), παρατηρούνται σχεδόν 90% αληθινά θετικά με λιγότερες ψευδείς προβλέψεις για πυρκαγιά μικρών ξύλου (βλ. 9f, i, k).
• Από 2 m -3 μ: Κατά τη διάρκεια της πυρκαγιάς ξύλου εξάπλωσης, σημειώνονται υψηλές πραγματικές θετικές προβλέψεις. Ωστόσο, παρατηρούνται υψηλές ταλαντώσεις ψευδών προβλέψεων κατά τη διάρκεια της πυρκαγιάς του προπανίου. Λόγω της μακρινής προβολής (δείτε το σύκο. 9L), η πυρκαγιά του αερίου προπανίου προβλέπεται ως σχεδόν 50% και για τις δύο κατηγορίες πυρκαγιάς 1 και 2. Υπάρχει πιθανότητα 50% να προβλέψει μια πυρκαγιά με προπανικό αέριο ως μικρή πυρκαγιά σε απόσταση 2 μ.

4. Συζήτηση

Σε αυτή την εργασία, διεξάγονται πειράματα χρησιμοποιώντας έναν αισθητήρα PIR για τη συλλογή δεδομένων ανθρώπων, πυρκαγιάς και φόντου για την εκπαίδευση DNNs και στη συνέχεια η ανίχνευση πυρκαγιάς δοκιμάζεται σε πραγματικό χρόνο. Δεδομένου ότι το Shufflenet-V2 αποδίδει την υψηλότερη ακρίβεια επικύρωσης του 87.8% με ταχύτητα 12 καρέ ανά δευτερόλεπτο, χρησιμοποιείται μαζί με τον αισθητήρα PIR για να εκτελέσει πειράματα ανίχνευσης πυρκαγιάς σε πραγματικό χρόνο. Η ανίχνευση πυρκαγιάς με βάση τον αισθητήρα PIR είναι σχεδόν ισοδύναμη στην απόδοση σε ένα σύστημα ανίχνευσης πυρκαγιάς που βασίζεται σε βίντεο. Ωστόσο, τα συστήματα που βασίζονται βίντεο είναι σχετικά πιο ακριβά. Σε αντίθεση με τα συστήματα ανίχνευσης πυρκαγιάς που βασίζονται σε όραση, οι αισθητήρες PIR μπορούν να ανιχνεύσουν φωτιά χρησιμοποιώντας μονοδιάστατα σήματα με λιγότερο υπολογιστικό κόστος. Επιπλέον, η στρατηγική εργασίας σε πραγματικό χρόνο τροποποιείται για να μειώσει τους ψευδείς συναγερμούς και επομένως να χρησιμοποιηθεί αποτελεσματικά η υπολογιστική ισχύς αποτελεσματικά. Όπως αναλύεται στην αίρεση. 3.3, οι προβλέψεις σε πραγματικό χρόνο μπορούν να κυμαίνονται εντός των 12 προβλέψεων ανά δεύτερη περίοδο. Ως εκ τούτου, ένας μετρητής είναι κατασκευασμένος για να ξεκινήσει ένα συναγερμό εάν μια πυρκαγιά προβλέπεται σε περισσότερες από 3 προβλέψεις, i.μι., για 0.25 s, χωρίς ταλαντώσεις στην ανθρώπινη κίνηση ή φόντο. Αυτό το σύστημα μετρητή μειώνει αποτελεσματικά το ποσοστό ψευδούς συναγερμού όπως φαίνεται στον Πίνακα 5.

Πίνακας 5 Τα ποσοστά ανίχνευσης συμβάντων του προτεινόμενου μοντέλου με ενεργοποιημένο το μετρητή συστήματος

Πίνακας 6 Σύγκριση των αποτελεσμάτων από την προτεινόμενη μέθοδο (μετά την ενεργοποίηση του αντισταθμιστικού συστήματος) και άλλων παρόμοιων μοντέλων

Στη λογοτεχνία, οι αισθητήρες PIR χρησιμοποιούνται κυρίως για την ανίχνευση είτε πυρκαγιάς/φλόγας είτε ανθρώπινων κινήσεων [17, 37, 38]. Στην προτεινόμενη μεθοδολογία μας, ένας αισθητήρας PIR χρησιμοποιείται για την πρόβλεψη τόσο της πυρκαγιάς όσο και της ανθρώπινης κίνησης σε πραγματικό χρόνο όταν συμβαίνει μέσα στο εύρος προβολής του αισθητήρα. Ο Πίνακας 6 απεικονίζει ορισμένες προβλέψεις ανίχνευσης πυρκαγιάς και ανθρώπινης κίνησης που βρίσκονται στη βιβλιογραφία σε σύγκριση με τις προτεινόμενες προβλέψεις μοντέλου. Το προτεινόμενο μοντέλο δείχνει πολλά υποσχόμενα αποτελέσματα στην ανίχνευση τόσο της πυρκαγιάς όσο και της ανθρώπινης κίνησης. Τα αναφερόμενα μοντέλα που προορίζονται είτε για την ανίχνευση προτύπων πυρκαγιάς είτε για ανθρώπινη κίνηση. όχι και τα δύο. Σύμφωνα με το [17, 37], τα γεγονότα κατηγοριοποιούνται μόνο ως γεγονότα πυρκαγιάς και μη πυρκαγιάς, στα οποία οι συγγραφείς θεωρούν την πυρκαγιά χαρτιού και αλκοόλ ως κατηγορία πυρκαγιάς. Η εργασία στο [38] επικεντρώνει μόνο την ανίχνευση συμβάντων ανθρώπινης κίνησης. Στην προτεινόμενη μέθοδο μας, η πρόθεση είναι να ανιχνευθεί η εξάπλωση της φωτιάς χρησιμοποιώντας δύο διαφορετικές πηγές πυρκαγιάς και μοτίβα ανθρώπινης κίνησης. Επιπλέον, το προτεινόμενο μοντέλο είναι σε θέση να διαφοροποιήσει τη φωτιά ως μικρή ή να εξαπλωθεί φωτιά εντός 2 μέτρων (βλ. 9).

Ο Πίνακας 5 απεικονίζει το φόντο (χωρίς κίνηση), τα ποσοστά ανίχνευσης πυρκαγιάς και ανθρώπινης ανίχνευσης ως 99.71%, 95.34% και 92.39% αντίστοιχα. Όπως φαίνεται στο σύκο. 9, η προτεινόμενη μέθοδος μας δοκιμάζει τόσο τις κατηγορίες πυρκαγιάς όσο και την ανθρώπινη κίνηση: μικρή και εξάπλωση πυρκαγιάς και ανθρώπινη κίνηση μέσα σε 1 m και πέρα ​​από 1 m από τον αισθητήρα PIR. Τα Σχήματα 3 και 4 δείχνουν ότι η μικρή πυρκαγιά ξύλου στα 3 m είναι παρόμοια με μια ανθρώπινη κίνηση σε απόσταση μεγαλύτερη από 1 μ. συγκεκριμένα στα 3 μ. Αυτό δείχνει ότι διαφορετικά πρότυπα ανθρώπινης κίνησης έχουν ως αποτέλεσμα διαφορετικά πρότυπα δεδομένων PIR που είναι παρόμοια με τα πρότυπα πυρκαγιάς σε ορισμένες περιπτώσεις. Όπως σημειώνεται στον Πίνακα 5, αυτό το ζήτημα εξετάζεται στο μοντέλο μας χρησιμοποιώντας το σύστημα Counter για να σταματήσει να επιβεβαιώνει τυχόν ψευδείς προβλέψεις πυρκαγιάς ή ανίχνευση.

Το DNN εκπαιδεύεται με περιορισμένα δεδομένα για ανθρώπινη κίνηση επειδή η ανθρώπινη κίνηση έχει διάφορα πρότυπα κίνησης. Ο αισθητήρας PIR παράγει διαφορετικά δεδομένα εξόδου για διαφορετικές ανθρώπινες κινήσεις/δράσεις. Για παράδειγμα, η ανθρώπινη κίνηση με τα πόδια είναι διαφορετική από την ανθρώπινη κίνηση. Το ανθρώπινο χέρι που κυματίζει πάνω από το κεφάλι είναι διαφορετικό από τα ανθρώπινα χορευτικά κινήματα. Ως εκ τούτου, τονίζεται ότι το DNN εκπαιδεύεται με περιορισμένα δεδομένα από το ανθρώπινο αργό περπάτημα, γρήγορο περπάτημα και περιστρέφεται στην περιστρεφόμενη καρέκλα. Έτσι, κατά τη διάρκεια της πρόβλεψης σε πραγματικό χρόνο, εάν ένας άνθρωπος κάνει κάποιες ακανόνιστες κινήσεις (εξαιρουμένων των εκπαιδευμένων γεγονότων ανθρώπινης κίνησης) όπως ο χορός μπροστά από τον αισθητήρα, υπάρχει μεγαλύτερη δυνατότητα πρόβλεψης ως φωτιάς. Όμως, επιτυγχάνεται μια υψηλή πραγματική θετική πρόβλεψη κατά τη δοκιμή με τρία απλά πρότυπα ανθρώπινης κίνησης που αναφέρονται παραπάνω.

Η ακρίβεια και η ευρωστία του αλγορίθμου μπορούν να βελτιωθούν με την κατάρτιση με διαφορετικά πρότυπα ανθρώπινης κίνησης και κατηγορίες πυρκαγιάς. Επιπλέον, αυτή η εργασία μπορεί να επεκταθεί για να χρησιμοποιηθεί εναλλακτικά δίκτυα DL, όπως οι παραλλαγές της μακράς βραχυπρόθεσμης μνήμης (LSTM) όπως παρουσιάζεται στο [5, 39] για τη βελτίωση της αξιοπιστίας της ανίχνευσης πυρκαγιάς.

Σε αυτή τη μελέτη, ο αισθητήρας PIR δεν παρουσίασε αποφράξεις. Η βιβλιογραφία σχετικά με την οπτική αναγνώριση αντικειμένων με αποφράξεις χρησιμοποιεί εκτεταμένη εκπαίδευση DNN με ετικέτες εικόνες αντικειμένων με αποφράξεις [40]. Μια παρόμοια προσέγγιση μπορεί να χρησιμοποιηθεί για την κατηγοριοποίηση της πυρκαγιάς με αποφράξεις. Η ακρίβεια μπορεί να αυξηθεί περαιτέρω χρησιμοποιώντας πρόσθετους αισθητήρες όπως αισθητήρες καπνού.

Σε προχωρημένα κτίρια υψηλής τεχνολογίας, οι αισθητήρες κίνησης χρησιμοποιούνται ως αυτόματοι διακόπτες φωτός ενεργοποίησης/απενεργοποίησης για τη μείωση της κατανάλωσης ενέργειας. Τα αποτελέσματα ανίχνευσης πυρκαγιάς και ανθρώπινης κίνησης υποδεικνύουν ότι η προτεινόμενη τεχνική μπορεί να επεκταθεί για να ενσωματώσει αυτά τα συστήματα διακόπτη φωτός/απενεργοποίησης για να εξυπηρετήσουν πολλαπλούς σκοπούς όπως η ανίχνευση πυρκαγιάς και ανθρώπινης δράσης. Η ανθρώπινη ανίχνευση μπορεί επίσης να λειτουργήσει σαν συναγερμός διαρρήκτη που μπορεί να ενεργοποιηθεί όταν ο χρήστης βρίσκεται εκτός του γραφείου ή του κτιρίου κατοικιών.

5. Συμπέρασμα

Σε αυτή την εργασία προτείνεται ένας αλγόριθμος ανίχνευσης πυρκαγιάς που βασίζεται σε έναν διαφορικό αισθητήρα PIR και DNNS. Τα πειράματα διεξάγονται χρησιμοποιώντας έναν αισθητήρα PIR για τη συλλογή ανθρώπινης κίνησης, μικρής και εξαπλωτικής πυρκαγιάς ξύλου και δεδομένων φόντου που στη συνέχεια χρησιμοποιούνται για την εκπαίδευση DNNs. Παρουσιάζονται συγκριτικά αποτελέσματα κατάρτισης με διάφορες αρχιτεκτονικές DNN. Δεδομένου ότι το Shufflenet-V2 αποδίδει την υψηλότερη ακρίβεια επικύρωσης του 87.8% με ταχύτητα 12 καρέ ανά δευτερόλεπτο, χρησιμοποιείται για την ανίχνευση πυρκαγιάς σε πραγματικό χρόνο με τον αισθητήρα PIR. Το σύστημα προβλέπει δύο κατηγορίες πυρκαγιάς και τρία πρότυπα ανθρώπινης κίνησης με επιτυχία κατά τη διάρκεια πειραμάτων σε πραγματικό χρόνο. Τα ποσοστά ανίχνευσης για φόντο (χωρίς κίνηση), τύποι πυρκαγιάς και ανθρώπινες κινήσεις είναι 99.71%, 95.34%και 92.39% αντίστοιχα. Επιπλέον, η ενεργοποίηση της τεχνικής μετρητή στο σύστημα μειώνει το ποσοστό ψευδούς συναγερμού κατά 65.66%. Η συνολική ψευδή πρόβλεψη είναι 12.2% πριν από την τεχνική του μετρητή και πέφτει σε 4.19% μετά την τεχνική μετρητή. Αυτή η μελέτη δείχνει ότι το προτεινόμενο σύστημα μπορεί να χρησιμοποιηθεί για τη διαφοροποίηση των ποικιλιών των τύπων πυρκαγιάς και των μοτίβων ανθρώπινης κίνησης εάν είναι επαρκώς εκπαιδευμένο.

6 συμπληρωματικές πληροφορίες

Ένα βίντεο που δείχνει τα πειράματα που πραγματοποιήθηκαν για τη συλλογή δεδομένων πυρκαγιάς και για προβλέψεις πυρκαγιάς σε πραγματικό χρόνο, υποβάλλεται μαζί με το χειρόγραφο.

Τι είναι ο Pir?

Το Pir αντιπροσωπεύει το παθητικό υπέρυθρο κόκκινο. Ένας παθητικός αισθητήρας υπέρυθρης ακτινοβολίας είναι ένας ηλεκτρονικός αισθητήρας που μετρά το υπέρυθρο (IR) φως που ακτινοβολεί από αντικείμενα στον οπτικό πεδίο του. Οι αισθητήρες PIR χρησιμοποιούνται συχνότερα σε ανιχνευτές κίνησης με βάση το PIR.

Ένας ανιχνευτής κίνησης με βάση το PIR χρησιμοποιείται για να αισθανθεί την κίνηση ανθρώπων, ζώων ή άλλων αντικειμένων. Χρησιμοποιούνται συνήθως στο συναγερμοί διαρρήξεων και σε αυτόματα ενεργοποιημένα συστήματα φωτισμού. Καλούνται συνήθως απλά &ldquo;Ερυθροκοσπίδα&rdquo;, ή μερικές φορές &ldquo;Γδέρνως&rdquo;, Για &ldquo;Παθητικός ανιχνευτής υπερύθρων&rdquo;.

Πώς λειτουργούν οι αισθητήρες PIR?

Ένας παθητικός κόκκινος αισθητήρας ανιχνεύει το υπέρυθρο φως που ακτινοβολείται από ένα ζεστό αντικείμενο.

Όλα τα αντικείμενα με θερμοκρασία πάνω από το απόλυτο μηδενικό εκπέμπουν ενέργεια θερμότητας με τη μορφή ακτινοβολίας. Συνήθως αυτή η ακτινοβολία δεν είναι&rsquo;T ορατό στο ανθρώπινο μάτι επειδή ακτινοβολεί σε υπέρυθρο μήκη κύματος, αλλά μπορεί να ανιχνευθεί με ηλεκτρονικές συσκευές που έχουν σχεδιαστεί για τέτοιο σκοπό.

Αισθητήρας κίνησης PIR

Ένας αισθητήρας PIR ανιχνεύει κινούμενες πηγές θερμότητας. Ο φακός (Fresnel) αποτελείται από διάφορα μέρη. Μόλις αλλάξει η θερμική εικόνα (υπέρυθρη ακτινοβολία), ο ανιχνευτής αποκρίνεται. Παρατηρούνται άτομα και μεγάλα ζώα. Μικρά ζώα όπως τα έντομα και οι αράχνες δεν είναι.

Ο όρος παθητικός σε αυτή την περίπτωση αναφέρεται στο γεγονός ότι οι παθητικές κόκκινες συσκευές δεν παράγουν ή ακτινοβολούν ενέργεια για σκοπούς ανίχνευσης. Λειτουργούν εξ ολοκλήρου με ανίχνευση υπέρυθρης ακτινοβολίας που εκπέμπεται από ή αντανακλάται από αντικείμενα. Δεν ανιχνεύουν ή μετρούν &ldquo;θερμότητα&rdquo;.

Πώς να μειώσετε ψευδείς συναγερμούς

Όπως αναφέρθηκε προηγουμένως, οποιοδήποτε &ldquo;Μετακίνηση πηγής θερμότητας&rdquo; μπορεί να ξεκινήσει συναγερμό. Αυτό σημαίνει ότι τα σχέδια, οι θυελλώδεις περιοχές και το άμεσο ηλιακό φως είναι όλες πηγές θερμότητας για να αποφευχθούν. Οι λανθασμένες αναφορές παράγονται επίσης από την αντανάκλαση ως αντανάκλαση για το μαύρο δέρμα. Εάν εμφανιστεί ψευδής συναγερμός, το σύστημα συναγερμού&rsquo;Η θέση S ή η ευαισθησία του αισθητήρα πρέπει να ρυθμιστεί.

Πολλά προϊόντα Mobeye περιλαμβάνουν έναν παθητικό Sensor Red Sensor ή μπορούν να χρησιμοποιηθούν σε συνδυασμό με έναν παθητικό Red Sensor ως αξεσουάρ ως αξεσουάρ. Επειδή έχει διπλό ανιχνευτή για επαλήθευση, το Outdoor συναγερμός Mobeye Ο ανιχνευτής, για παράδειγμα, φιλτράρει την πλειοψηφία αυτών των πηγών. Αυτό λειτουργεί ιδιαίτερα καλά σε θυελλώδεις συνθήκες. Το CMVXI-R είναι χτισμένο στο Optex&rsquo;Η κορυφαία εξωτερική PIR, η οποία είναι ο παγκόσμιος ηγέτης στην τεχνολογία PIR.

Η μονάδα έχει δύο πρότυπα ανίχνευσης, τα οποία πρέπει να σπάσουν ταυτόχρονα για να ενεργοποιήσουν τον συναγερμό. Αυτό έχει ως αποτέλεσμα ο ανιχνευτής να είναι εξαιρετικά ανοσοποιητικός σε ψευδείς συναγερμούς που δημιουργούνται από πουλιά, γάτες, σκύλους κ.λπ. καθώς αυτά τα ζώα δεν θα ενεργοποιήσουν ταυτόχρονα τόσο τους ανιχνευτές άνω όσο και κάτω.

Ψηφιακή ανίχνευση διπλού στρώματος

Οι δύο εσωτερικοί αισθητήρες PIR αναλύουν ανεξάρτητα την ανίχνευση, έτσι ώστε να μπορεί να διηθηθεί μια παραπλανητική σύμπτωση των γεγονότων. Αυτή η τεχνολογία εξαλείφει ουσιαστικά τις ανιχνεύσεις μικρότερων ζώων στις εγκαταστάσεις. Το μοντέλο VXI-R είναι εξοπλισμένο με μια ψηφιακά βελτιωμένη λογική αναγνώρισης σήματος που ονομάζεται SMDA. Το SMDA βελτιώνει την ανοσία έναντι διαφόρων παραγόντων θορύβου, όπως οι κλιματικές αλλαγές και η βλάστηση.

Το μόνο που χρειάζεται να γνωρίζετε για τους αισθητήρες κίνησης

Ένας αισθητήρας κίνησης (ή ανιχνευτής κίνησης) είναι ο βασικός παίκτης του συστήματος ασφαλείας σας επειδή αυτό&rsquo;είναι η βασική συσκευή που ανιχνεύει πότε κάποιος βρίσκεται στο σπίτι σας όταν πρέπει&rsquo;να είμαι. Ένας αισθητήρας κίνησης χρησιμοποιεί μία ή πολυάριθμες τεχνολογίες για να παρατηρήσει κίνηση σε μια περιοχή. Εάν ένας αισθητήρας έχει τραβηχτεί, ένα προειδοποιητικό σήμα αποστέλλεται στο σύστημα ασφαλείας σας&rsquo;S Console, η οποία συνδέεται με τη συσκευή παρακολούθησης που προειδοποιεί εσάς και τη συσκευή παρακολούθησης σε πιθανή απειλή στην κατοικία σας.

Ο ρόλος των αισθητήρων κίνησης στην ασφάλεια του σπιτιού σας

Το κύριο σημείο ανίχνευσης κίνησης είναι να αισθανθείτε έναν διαρρήκτη και να στείλετε ένα προειδοποιητικό σημάδι στον πίνακα ελέγχου σας, το οποίο ειδοποιεί τη συσκευή παρακολούθησης. Οι αισθητήρες λειτουργούν όταν δεν είστε σπίτι ή όταν πείτε στο σύστημα δεν είστε σπίτι. Ορισμένα συστήματα ασφαλείας μπορούν να ρυθμιστούν για την καταγραφή συμβάντων μέσω κάμερας ασφαλείας όταν εντοπίζεται η δραστηριότητα.

Οι αισθητήρες κίνησης στέκονται φρουρά, προετοιμασμένοι να αντιδράσουν σε μια ποικιλία καταστάσεων, όπως η κίνηση στο σαλόνι σας, τα παράθυρα ή οι πόρτες που ανοίγουν ή κλείσουν ή ένα σπασμένο παράθυρο.

Οι αισθητήρες κίνησης μπορούν:

• Σας ειδοποιεί στο περιστατικό ότι ο γιος/κόρη σας σπάει την απαγόρευση της κυκλοφορίας
• Ξεκινήστε ένα κουδούνι όταν κάποιος πλησιάζει την μπροστινή πόρτα
• Σας ειδοποιούν όταν τα παιδιά εισέρχονται σε ταξινομημένες περιοχές στο σπίτι, όπως το κελάρι, το δωμάτιο προπόνησης ή τα ντουλάπια φαρμάκων
• Εξοικονομήστε ενέργεια χρησιμοποιώντας φωτισμό αισθητήρα κίνησης σε κενούς χώρους
• Ενημερώστε σας εάν τα κατοικίδια ζώα μπαίνουν σε περιοχές όπου αυτοί&rsquo;δεν πρέπει να

Τύποι αισθητήρων κίνησης

Παθητική υπέρυθρη ακτινοβολία (PIR)

Ανιχνεύει τη θερμότητα του σώματος (υπέρυθρη ενέργεια). Οι παθητικοί αισθητήρες υπερύθρων είναι η πιο εκτενώς χρησιμοποιούμενη κίνηση στα συστήματα ασφαλείας στο σπίτι. Όταν το σύστημά σας είναι προετοιμασμένο, οι αισθητήρες κίνησης σας ενεργοποιούνται. Μόλις θερμαίνεται ο αισθητήρας, μπορεί να αισθανθεί τη θερμότητα και την κίνηση στις άμεσες περιοχές, δημιουργώντας μια αμυντική &ldquo;πλέγμα.&rdquo; Εάν ένα κινούμενο αντικείμενο εμποδίζει πολλές ζώνες πλέγματος και τα επίπεδα υπέρυθρης ενέργειας αλλάζουν γρήγορα, οι αισθητήρες ενεργοποιούνται.

Φούρνο μικροκυμάτων (MW)

Στέλνει παλμούς μικροκυμάτων και μετρά το σήμα από ένα κινούμενο αντικείμενο. Καλύπτουν μια μεγάλη περιοχή σε σύγκριση με αισθητήρες υπέρυθρων, αλλά είναι ευαίσθητοι στην ηλεκτρική εισβολή και είναι πιο δαπανηρές.

Αισθητήρες κίνησης διπλής τεχνολογίας

Οι αισθητήρες κίνησης μπορούν να έχουν κοινόχρηστα χαρακτηριστικά σε μια προσπάθεια να μειώσουν ψευδείς συναγερμούς. Για παράδειγμα, ένας αισθητήρας παθητικής υπέρυθρης ακτινοβολίας (PIR) θα μπορούσε να μοιραστεί με αισθητήρα μικροκυμάτων. Δεδομένου ότι ο καθένας λειτουργεί σε πολλαπλές περιοχές της κλίμακας, και το ένα είναι ανενεργό και το ένα είναι ενεργό, οι αισθητήρες κίνησης διπλής τεχνολογίας δεν είναι τόσο πιθανό όσο άλλοι τύποι για να αιτιολογούν ψευδείς συναγερμούς, προκειμένου οι συναγερμοί να αντιδρούν. Οι αισθητήρες πρέπει να ενεργοποιηθούν. Από την άλλη πλευρά, αυτό δεν σημαίνει ότι, χωρίς λόγο, δεν προκαλούν ψευδείς συναγερμούς.

Ανακλαστικός τύπος περιοχής

Εκπέμπει υπέρυθρες ακτίνες από LED. Χρησιμοποιώντας το σήμα αυτών των ακτίνων, ο αισθητήρας μετρά την απόσταση από το άτομο ή το αντικείμενο και ανιχνεύει εάν το αντικείμενο βρίσκεται εντός της επιλεγμένης περιοχής.

Υπερηχητικός

Μετρά την αντανάκλαση ενός κινούμενου αντικειμένου και στέλνει παλμούς υπερηχητικών κυμάτων.

Δόνηση

Αυτά μπορούν να αγοραστούν ή χωρίς κανένα πρόβλημα στο σπίτι. Ανιχνεύει το κούνημα. Ένας σπιτικός αισθητήρας δόνησης χρησιμοποιεί μικρή μάζα σε ένα μοχλό, ο οποίος ενεργοποιείται από ένα κουμπί σε συναγερμό όταν δονείται. Οι σπιτικοί αισθητήρες κίνησης είναι σε θέση να λειτουργούν, αλλά μπορούν επίσης να είναι απρόβλεπτοι.

Άλλα χαρακτηριστικά αισθητήρα κίνησης

Αισθητήρες ασύρματης κίνησης

Σήμερα, οι περισσότεροι αισθητήρες κίνησης είναι ασύρματα. Οι ασύρματοι αισθητήρες είναι πολύ απλοί στη δημιουργία. Δεν χρειάζονται γεώτρηση και επικοινωνούν ασύρματα με τον άλλο μηχανισμό συστήματος ασφαλείας.

Αισθητήρες κίνησης επικοινωνίας (πόρτα/παράθυρο)

Πολλοί αισθητήρες κίνησης επαφής είναι αντιδραστικοί υπέρυθροι αισθητήρες. Ξεκίνησαν ένα συναγερμό εάν ανοίξει η προστατευμένη πόρτα ή παράθυρο ενώ το σύστημα είναι εξοπλισμένο.

Αισθητήρες ανοσολογικής κίνησης κατοικίδιων ζώων

Ένας παθητικός υπέρυθρος αισθητήρας μπορεί να ρυθμιστεί για να μην δώσει προσοχή στα ζώα μέχρι ένα οριστικό βάρος. Ένας αισθητήρας κίνησης διπλής τεχνολογίας είναι πιο προκλητικός σε ψευδείς συναγερμούς που προκαλούνται από ζώα, καθώς χρειάζεται να ενεργοποιηθούν δύο αισθητήρες κατά κάποιο τρόπο που καθορίζεται από την εταιρεία.

Μπορούν να δημιουργηθούν για να αγνοήσουν ένα μεγάλο ζώο ή πολλά μικρά ζώα χωρίς να βγάζουν ψευδές συναγερμό. Μερικοί αισθητήρες κίνησης ανθεκτικοί στα κατοικίδια έχουν ένα επίπεδο ευαισθησίας που μπορεί να συντονιστεί για οικογένειες με πολύ ενεργά ζώα.

Αισθητήρες κίνησης βίντεο

Συνδέει βιντεοκάμερες με προηγμένη επεξεργασία σήματος. Μερικοί αισθητήρες κίνησης καταγράφουν την εγγραφή όταν αισθάνονται την κίνηση. Οι κάμερες που ελέγχονται από τους αισθητήρες κίνησης μπορούν να σας εξοικονομήσουν αποθήκευση μνήμης, μη καταγράφοντας χιλιάδες ώρες άχρηστου υλικού – καταγράφουν μόνο τις σημαντικές πληροφορίες.

Βέλτιστες πρακτικές για τους αισθητήρες τοποθέτησης

Εάν θέλετε ένα σύστημα που χρειάζεται εξειδικευμένη εγκατάσταση, ο εγκαταστάτης θα γνωρίζει για να ρυθμίσει τους αισθητήρες σας. Από την άλλη πλευρά, είστε υπεύθυνοι για τη ρύθμιση των αισθητήρων σας εάν πηγαίνετε με ένα σύστημα ασφαλείας στο σπίτι DIY. Πριν από την εγκατάσταση αισθητήρων κίνησης, φροντίστε να διαβάσετε τις οδηγίες εγκατάστασης, αφού πιθανότατα θα αποτελούνται από συστάσεις θέσης. Ορισμένα συστήματα DIY σας παρέχουν επίσης ηλεκτρονικές προτροπές ή έχετε καλέσει έναν εκπρόσωπο πωλήσεων που θα σας οδηγήσει στη διαδικασία εγκατάστασης.

Λάβετε υπόψη ότι οι αισθητήρες κίνησης δεν είναι ανθεκτικοί σε σφάλματα και υπάρχουν περιπτώσεις στις οποίες μπορεί να υπάρχουν ψευδείς συναγερμοί. Οι ψευδείς συναγερμοί είναι συχνότερα από ό, τι δεν προκαλούνται από ηλεκτρικές αποτυχίες, σφάλμα χρήστη, κακή μηχανική εφαρμογών, υπερτάσεις ισχύος, αστραπές και ελαττωματικές συσκευές. Μπορούν επίσης να ενεργοποιηθούν από ζώα, έντομα και φυτά.

Κατηγορίες

• Δοκιμή backflow
• Σύστημα εμπορικής κάμερας ασφαλείας
• Συστήματα συναγερμού πυρκαγιάς
• Πυροσβεστήρες
• Πυροσβεστική μάνικα
• Συστήματα πυροπροστασίας
• Συστήματα πυρκαγιάς
• Συστήματα καταστολής πυρκαγιάς
• Σύστημα κάμερας ασφαλείας στο σπίτι

Ανίχνευση πυρκαγιάς με επεξεργασία εικόνας και αισθητήρα PIR

Λήψη δωρεάν PDF Προβολή PDF

Επιστολές αναγνώρισης προτύπων

Λήψη δωρεάν PDF Προβολή PDF

Σε αυτή την εργασία, αναπτύσσεται ένα πλαίσιο Adaptive Adaptive Adaptive Decision Fusion (EADF), αναπτύσσεται ένα πλαίσιο για την ανάλυση εικόνας και τις εφαρμογές οράματος υπολογιστών. Σε αυτό το πλαίσιο, υποτίθεται ότι ο αλγόριθμος της ένωσης αποτελείται από διάφορα υπο-αλγόριθια, καθένα από τα οποία αποδίδει τη δική του απόφαση ως πραγματικό αριθμό που επικεντρώνεται γύρω στο μηδέν, αντιπροσωπεύοντας το επίπεδο εμπιστοσύνης αυτού του συγκεκριμένου υπο-αλγώρου. Οι τιμές απόφασης συνδυάζονται γραμμικά με βάρη τα οποία ενημερώνονται στο διαδίκτυο σύμφωνα με μια ενεργή μέθοδο σύντηξης που βασίζεται στην εκτέλεση εντροπικών προβολών σε κυρτά σύνολα που περιγράφουν υπο-αλγάλανες. Θεωρείται ότι υπάρχει ένα Oracle, ο οποίος είναι συνήθως ένας ανθρώπινος χειριστής, παρέχοντας ανατροφοδότηση στη μέθοδο σύντηξης απόφασης. Ένα σύστημα ανίχνευσης πυρκαγιάς που βασίζεται σε βίντεο αναπτύσσεται για την αξιολόγηση της απόδοσης του αλγορίθμου στο χειρισμό των προβλημάτων όπου τα δεδομένα φθάνουν διαδοχικά. Σε αυτή την περίπτωση, το μαντείο είναι ο φρουρός ασφαλείας του δασικού πύργου που επαληθεύει την απόφαση του συνδυασμένου αλγορίθμου. Παρουσιάζονται τα αποτελέσματα προσομοίωσης. Το πλαίσιο EADF δοκιμάζεται επίσης με ένα τυπικό σύνολο δεδομένων.

Λήψη δωρεάν PDF Προβολή PDF

Περίληψη Σε αυτό το έγγραφο, ένα πλαίσιο που βασίζεται σε εντροπία-λειτουργικά online προσαρμοστική απόφαση Fusion (EADF) αναπτύσσεται για την ανάλυση εικόνας και τις εφαρμογές οράματος υπολογιστών. Σε αυτό το πλαίσιο, υποτίθεται ότι ο αλγόριθμος της ένωσης αποτελείται από διάφορους υπο -υπο -υπομονάδες, καθένας από τους οποίους αποδίδει τη δική του απόφαση ως πραγματικό αριθμό που επικεντρώνεται γύρω στο μηδέν, αντιπροσωπεύοντας το επίπεδο εμπιστοσύνης αυτού.

Λήψη δωρεάν PDF Προβολή PDF

Λήψη δωρεάν PDF Προβολή PDF

Λήψη δωρεάν PDF Προβολή PDF

Μια έγκαιρη προειδοποίηση είναι εξαιρετικά σημαντική για τη μείωση της απώλειας ζωής και της περιουσίας από τη φωτιά. Η περιοχή ενδιαφέροντος συλλαμβάνεται χρησιμοποιώντας κάμερα CCD και αναγνωρίζεται από τον αισθητήρα καπνού στον κόμβο ασύρματου αισθητήρα. Οι πληροφορίες χρωμάτων της ενδιαφέρουσας περιοχής μπορούν να ληφθούν με εφαρμογή των αλγορίθμων μοντέλου επεξεργασίας ψηφιακής εικόνας. Η πηγή πυρκαγιάς αναγνωρίζεται σύμφωνα με τα αποκτηθέντα χαρακτηριστικά και το επίπεδο καπνού. Το σύστημα βασίζεται στη δειγματοληψία συνεχούς εικόνας. Τα πειραματικά αποτελέσματα δείχνουν ότι το σύστημα μπορεί να εντοπίσει με ακρίβεια και να επιβεβαιώσει τη φωτιά. Ο κόμβος αισθητήρα βίντεο έχει σχεδιαστεί με τους αισθητήρες όπως ο αισθητήρας MQ2 για ανίχνευση καπνού, αισθητήρα SHT75 για ανίχνευση θερμοκρασίας και υγρασίας, αισθητήρα OPT101 για ανίχνευση φωτός και κάμερα CCD. Ο συναγερμός ενεργοποιείται μόνο για περιστατικά φωτιάς και πυρκαγιάς. Συνδυάζοντας την έξοδο του αισθητήρα με την έξοδο της εικόνας, ο ψεύτικος ρυθμός συναγερμού είναι μηδενικός και βελτιώνει τη σταθερότητα. Η ανίχνευση και η ανάλυση φωτός είναι η βάση για το σύστημα ανίχνευσης πυρκαγιάς σε αυτήν την εργασία επεξεργασίας εικόνας. Σε αυτή τη φωτιά, τα μοντέλα χρώματος εργασίας όπως το RGB, το YMK και το HSI χρησιμοποιούνται για τον διαχωρισμό πορτοκαλιού, κίτρινου και υψηλού φωτός φωτεινότητας από φόντο σε συγκεκριμένες συνθήκες για την ανίχνευση πυρκαγιάς. Η διαφορά πλαισίου χρησιμοποιείται για την ανάλυση και τον υπολογισμό της ανάπτυξης και της εξάπλωσης της φωτιάς. Η ακρίβεια του συστήματος ελέγχεται και συγκρίνεται μεταξύ τους. Η ποσότητα της επεξεργασίας δεδομένων μπορεί να μειωθεί λόγω της χρήσης του προτεινόμενου αλγορίθμου και, συνεπώς, μειώνει τον χρόνο εκτέλεσης και την αποθήκευση.

Λήψη δωρεάν PDF Προβολή PDF

Τι είναι οι κάμερες PIR και πώς λειτουργούν?

Έχετε ερωτήσεις σχετικά με την εγκατάσταση της κάμερας PIR για την επιχείρησή σας? Η Clearway είναι ηγέτης στην εγκατάσταση CCTV, εξυπηρετώντας επιχειρήσεις σε όλο το Ηνωμένο Βασίλειο. Επικοινωνήστε με το Clearway και μπορούμε να σας μιλήσουμε μέσω των επιλογών σας.

Μιλήστε μας για τις κάμερες PIR!

Η ανίχνευση PIR (παθητική υπέρβαση) είναι μια τεχνολογία που χρησιμοποιείται στα συστήματα ασφαλείας για την ανίχνευση της κίνησης ή των εισβολέων αναγνωρίζοντας το φως που εκπέμπεται από κοντινά αντικείμενα. Το PIR είναι το αποτέλεσμα των ετών καινοτομίας προϊόντων, καθώς οι εταιρείες ασφαλείας βρίσκουν νέους και καινοτόμους τρόπους ανίχνευσης της παρουσίας εισβολέων σε εμπορικές και εγχώριες εγκαταστάσεις.

Με τα χρόνια, οι αισθητήρες PIR και οι κάμερες έχουν αποδειχθεί ότι είναι ένας από τους πιο επιτυχημένους τρόπους για την αποτελεσματική ανίχνευση εισβολέων, ωστόσο, αυτοί&rsquo;δεν είναι χωρίς τα ελαττώματά τους. Λοιπόν, τι ακριβώς είναι ένας αισθητήρας PIR? Και τι είναι γι ‘αυτούς που τους κάνει τόσο αποτελεσματικό?

Περιεχόμενα κρύβω

Πώς λειτουργούν οι αισθητήρες PIR?

Η ακτινοβολία παράγεται από όλα τα αντικείμενα που έχουν θερμοκρασία μεγαλύτερη από το απόλυτο μηδέν. Αυτή η ενέργεια εκφράζεται με τη μορφή θερμικής ενέργειας. Επειδή η θερμότητα ακτινοβολεί ως υπέρυθρο μήκη κύματος, μεγάλο μέρος αυτής της ακτινοβολίας δεν είναι ορατό στο ανθρώπινο μάτι, ωστόσο μπορεί να ανιχνευθεί με ηλεκτρονικά όργανα που έχουν κατασκευαστεί ειδικά για το σκοπό αυτό.

Ένας παθητικός αισθητήρας υπέρυθρης ακτινοβολίας ανιχνεύει το υπέρυθρο φως που εκπέμπεται από ένα ζεστό αντικείμενο χρησιμοποιώντας παθητική τεχνολογία υπέρυθρης ακτινοβολίας.

Στο πλαίσιο των αισθητήρων PIR σε συναγερμούς διαρρήξεων, αυτή η τεχνολογία συνδυάζεται με ένα ρελέ – ένα στοιχείο κυκλώματος που περνάει σε δύο επαφές – για να ενεργοποιήσει έναν συναγερμό. Όταν ο αισθητήρας PIR αισθάνεται κίνηση, ενεργοποιεί το ρελέ, το οποίο διακόπτει το κύκλωμα και προκαλεί τον ήχο του συναγερμού.

Οι αισθητήρες PIR, στο πιο θεμελιώδες επίπεδο, λειτουργούν ανιχνεύοντας θετική διαφορική αλλαγή. Δύο ευαίσθητες σε υπέρυθρες υποδοχές βρίσκονται μπροστά από το φακό και το εύρος ανίχνευσης καθορίζεται από τις υποδοχές&rsquo; πεδίο &ldquo;όραμα&rdquo;. Ενώ και οι δύο υποδοχές είναι &lsquo;αδρανής&rsquo;, Η ποσότητα περιβάλλοντος της υπέρυθρης ακτινοβολίας αισθάνεται στο δωμάτιο (το οποίο φυσικά εκπέμπεται από όλα τα αντικείμενα) είναι η ίδια και στις δύο υποδοχές ενώ είναι &lsquo;ενεργός&rsquo;. Όταν ένα αντικείμενο, άτομο ή ζώο κινείται μέσω της περιοχής ανίχνευσης, ανιχνεύεται από μία από τις υποδοχές πριν από το άλλο, δημιουργώντας μια θετική διαφορική αλλαγή καθώς περνάει και μια αρνητική διαφορική αλλαγή καθώς εξέρχεται.

Μόλις ο αισθητήρας PIR εντοπίσει την κίνηση, μια ειδοποίηση αποστέλλεται στον πίνακα συναγερμού που ενεργοποιεί τον συναγερμό. Είναι κρίσιμο να περικλείει πλήρως τον ίδιο τον αισθητήρα PIR με ένα υλικό που μπορεί να μειώσει τις επιδράσεις της εξωτερικής θερμοκρασίας και της υγρασίας, όπως μέταλλα όπως το πυρίτιο.

Τα οφέλη του PIR

Οι αισθητήρες κίνησης PIR μπορούν να έχουν πολλά οφέλη σε εμπορικές και οικιστικές ρυθμίσεις. Οι κάμερες PIR συγκρίνονται συχνά με κάμερες αισθητήρων κίνησης, αλλά Το PIR έχει ισχυρό όφελος έναντι της τυπικής ανίχνευσης κίνησης – Η μείωση των ψευδών συναγερμών. Οι κάμερες ανίχνευσης κίνησης δεν μπορούν να κάνουν διάκριση μεταξύ της κίνησης των φύλλων και ενός ανθρώπινου εισβολέα για παράδειγμα, καθώς απλά ανιχνεύουν όλους τους τύπους κίνησης. Το PIR ανιχνεύει μόνο τις μεταβολές της θερμότητας, με αποτέλεσμα πιο αξιόπιστες σκανδάλες, κοινές ψευδείς ενεργοποιητές όπως σφάλματα, κίνηση αιολικής ενέργειας, φύλλα κ.λπ&rsquo;T PALED UP – Εξοικονόμηση χρόνου και χρημάτων σχετικά με το κόστος παρακολούθησης.

Η κύρια χρήση των κάμερων PIR σε εμπορικό περιβάλλον ή εργοτάξιο είναι να βοηθήσει στην προστασία των κενών χώρων. Ενώ οι συναγερμοί δεν είναι ακριβώς μια προληπτική τεχνολογία, μπορούν να χρησιμοποιηθούν για να ενεργοποιήσουν μια απάντηση θα πρέπει να παραβιάσει τα αρχικά σας μέτρα ασφαλείας. Η τεχνολογία PIR μπορεί να εγκατασταθεί στις ακόλουθες στρατηγικές τοποθεσίες για την ανίχνευση ανεπιθύμητων επισκεπτών:

• Πίσω πόρτες, εισόδους και σημεία πρόσβασης
• Τυφλές ή κρυμμένες θέσεις κοντά στο εξωραϊσμό
• Κοντά στα παράθυρα
• Περίμετρα και πάρκινγκ χώρου

Πώς μπορείτε να μειώσετε ψευδείς συναγερμούς με PIR (και τυποποιημένους ανιχνευτές κίνησης)?

Οι αισθητήρες PIR είναι εξαιρετικοί στον προσδιορισμό εάν έχετε εισβολέα ή αυτό&rsquo;είναι μόνο ένα ζώο, για παράδειγμα. Έχουν ένα καλύτερο επίπεδο ακρίβειας και μπορούν να μειώσουν τους ψευδείς συναγερμούς συνολικά. Ωστόσο, θα πρέπει να δώσετε προσοχή σε μερικές μικρές λεπτομέρειες για να μειώσετε περαιτέρω τον κίνδυνο ψευδών συναγερμών από τους αισθητήρες κίνησης PIR σας.

Πολλοί ψευδείς συναγερμοί θα προκληθούν από την τοποθέτηση του συναγερμού και των αισθητήρων και όχι από το κόστος ή την ποιότητα του συναγερμού. Αυτό σημαίνει ότι κατά την εγκατάσταση συναγερμών ανιχνευτή ασύρματου κίνησης, θα πρέπει να τα κανονίσετε σε μέρη που μεγιστοποιούν την αποτελεσματικότητά τους, ελαχιστοποιώντας τις ψευδείς προειδοποιήσεις.

Απλά πράγματα όπως ο αέρας που φυσάει σε κοντινή απόσταση ή ένα τρωκτικό που κινείται στο πάτωμα μπορεί ακόμα να εκτοξεύσει τον συναγερμό σας.

Η δοκιμή της τοποθέτησης συναγερμού σας γίνεται καλύτερα μετά από ψευδή συναγερμό. Οι εσφαλμένες πυρκαγιές στον εξοπλισμό και η παρεμβολή ραδιοσυχνότητας μπορούν επίσης να δημιουργήσουν ψευδείς συναγερμούς. Πρώτον, αποκλείστε οποιοδήποτε από αυτά τα θέματα. Σε περίπτωση αμφιβολίας, ελέγξτε τη τοποθέτηση της κάμερας. Εξετάστε την περιοχή γύρω από τον ανιχνευτή κίνησης για να δείτε αν προκαλεί τυχαίους συναγερμούς.

Κάμερες PIR σε δράση

Η Clearway χρησιμοποιεί την τεχνολογία PIR, συμπεριλαμβανομένου του συστήματος CCTV Tower μας. Οι κάμερες CCTV Tower είναι μια αποτελεσματική λύση για την παρακολούθηση μεγάλων υπαίθριων χώρων – ειδικά σε εργοτάξια, μεγάλες κενές περιοχές και χώρους στάθμευσης. Σαν εσένα&rsquo;Δείτε από το διάγραμμα, ο πύργος CCTV CCTV μπορεί να συνδεθεί έως και 8 απομακρυσμένους, ασύρματους αισθητήρες PIR, τοποθετημένοι έως 100μ από τον Πύργο.

Όταν ένα PIR ενεργοποιείται από έναν εισβολέα, μια ζωντανή πρόκληση ήχου μπορεί να χρησιμοποιηθεί από τον σταθμό παρακολούθησης για να επικοινωνήσει με τους εισβολείς. Κατά την ανίχνευση, κάθε PIR θα δώσει εντολή στον πύργο&rsquo;κάμερα S για περιστροφή, μεγέθυνση και εστίαση στην αιτία της ενεργοποίησης. Ο πύργος CCTV μας είναι το ρεύμα που τροφοδοτείται με 24ωρη ενσωματωμένη μπαταρία εφεδρικής μπαταρίας για την παροχή συνεχούς ενεργοποίησης, καταγραφής και απομακρυσμένης πρόσβασης.

Αν εσύ&rsquo;Ψάχνετε να εξασφαλίσετε τα περιουσιακά σας στοιχεία, επικοινωνήστε με έναν από τους ειδικούς μας σήμερα 0800 085 8695 Και μάθετε περισσότερα σχετικά με τις δυνατότητες ασφαλείας PIR και ευρύτερες.