CN117373196B - 一种电气火灾报警方法及*** - Google Patents

Abstract

本发明提供了一种电气火灾报警方法和***，与传统的电气火灾报警方法相比，该方法综合了多源数据和先进的模型，提供了更可靠的火灾检测和预警功能。本发明具有更高的准确性和实用性，能够更好地保护电气设备和人员的安全，降低火灾带来的损失。本发明在电气火灾报警领域具有显著的创新性和实用价值。

Description

一种电气火灾报警方法及***

技术领域

本发明属于火灾预警领域，具体涉及一种电气火灾报警方法及***。

背景技术

电气火灾是一种具有严重潜在破坏性的事件，可能在各种场所和应用中发生。这类火灾通常是由电气设备或线路中的各种原因引起的，包括短路、过载、设备故障、电线老化、电气故障等。电气火灾不仅对财产造成巨大损失，还可能威胁生命安全，导致生命丧失，甚至对环境造成长期影响。因此，电气火灾的检测、预防和及早报警至关重要。

电气火灾的危险性在于其不可预测性和快速蔓延的特点。由于电气设备通常在无人看管的情况下运行，因此在火势初期即便是小火也可能在短时间内变成大火，威胁到周围环境和设备。这种不可预测性使得电气火灾的管理和应对变得尤为复杂。因此，及早检测和报警成为了至关重要的环节，以便采取紧急措施来遏制火势的蔓延。

现代社会中，电气设备和***广泛应用于各种领域，包括住宅、工业、商业、医疗和交通等。这些设备和***的复杂性不断增加，其正常运行对生活和工作的正常进行至关重要。然而，随着设备和线路的老化，电气火灾的风险也在不断上升。短路、过载和设备故障可能导致电气设备变热，甚至发生火灾。此外，电线和电缆的老化会增加火灾的风险，因为老化的绝缘材料容易引发火源。

电气火灾对各种领域都构成了威胁。在住宅和商业建筑中，电气火灾可能导致房屋损坏、商业中断和财产丧失。在工业设施中，电气火灾可能导致生产线中断、设备故障和生产能力下降。在医疗设施中，电气火灾可能损坏医疗设备，威胁病患的生命安全。在交通***中，电气火灾可能导致交通信号故障，引发交通事故。

电气火灾的危险性还表现在其在无人看管环境中的潜在蔓延速度。由于这些设备通常在夜间或无人看管的情况下发生故障，火势可能在没有及早干预的情况下快速蔓延。电气设备的位置和安装条件也可能使火势难以控制，因此及早的检测和报警至关重要。

传统的火灾检测***主要依赖于烟雾探测器和热探测器。这些传感器在一般火灾情况下表现良好，但在电气火灾检测方面存在一些明显的缺陷。例如，它们通常需要火势较大才能触发警报，因此不能提供足够早期的警报。此外，它们容易受到外部因素的影响，如烹饪中的烟雾或高温环境，从而导致误报。这些问题降低了传统火灾检测***在电气火灾中的效力。

近年来，已有不少学者研究数字图像处理的方法来检测监控视频中的火情，他们通过火焰的红色以及其不规则的运动形状来检测，但是这种方案极易受到环境风及光线的影响，对环境的适应性较差；也有通过改进通用目标检测网络YOLOv3来进行火灾检测的学者，他们利用深度学习优秀的目标检测性能，通过数据训练来提升算法对环境的适应性，但通用目标检测网络对火焰这种不规则的目标检测效果一般，其改进方法中，只是针对网络模型本身进行改进，并没有结合火灾图像的特性，且YOLO框架以速度著称，其精度也很难满足实际应用需求。

电气火灾报警***仍存在缺陷和挑战，还包括以下方面：

漏检和虚假警报。火灾监控***有时可能漏检火灾迹象或误报火警。例如，烟雾探测器可能会误报，因为它们对烟尘或蒸气敏感，这可能导致虚警。另一方面，某些类型的火灾可能在火警触发前迅速发展，***可能来不及发出警报。而假警报可能导致不必要的疏散和生产中断，这对企业可能产生重大经济损失。此外，频繁的虚假警报可能导致人们忽视真正的警报，从而降低了***的效用。

技术局限性。火灾报警***的技术局限性也存在。例如，一些传感器可能对环境条件敏感，如温度、湿度和化学物质的浓度变化，这可能导致误报或漏检。此外，一些传感器可能需要更频繁的校准和维护。

尽管存在这些缺陷，但电气火灾报警***仍然是一种非常重要的工具，可以在早期检测和减少电气火灾风险方面发挥作用。随着技术的不断发展，这些***可能会变得更加精确和可靠，同时降低成本，以更好地满足各种应用的需求。

因此，研究和开发一种先进的电气火灾报警方法变得尤为重要。这种新方法应该能够提供早期警报，降低误报率，并适用于各种电气***监测。此外，这种方法应该结合智能化技术和数据分析，以提高火灾检测和分析的效率。还需要支持通信和远程监控功能，以确保即使在远程地点也能够及时响应火警情况。最重要的是，这种方法应该具有成本效益，以便广泛应用于各个领域和行业。

发明内容

鉴于现有技术中的上述问题，本发明目的在于克服现有技术的不足而提供一种电气火灾监控方法及***，该火灾检测的模型融合了多种检测手段，弥补了各项检测的不足，通过针对性的环境数据感测和分析，以及经过训练后对待检测的图像进行处理分析后能够快速、准确的为判断出是否出现火灾提供依据。

本发明的目的主要是通过以下技术方案实现的：

一种电气火灾报警方法，包括以下步骤：

S1.环境数据采集单元采集电气设备周边的第一环境监控数据，所述环境数据采集单元位于一移动装置上；

S2.对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值；

S3.当判断第一环境监控数据超过第一异常阈值时，控制所述移动装置移动至预设距离，环境数据采集单元采集当前位置的第二环境监控数据，

S4.对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值；

S5.当判断第二环境监控数据超过第二异常阈值时，图像数据采集单元采集所述电气设备的图像监控数据；

S6.对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值；

S7.当判断所述图像监控数据超出第三异常阈值时，确认发生火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，发出火灾报警信息；

S8.检测到火灾报警信息时，采集所述电气设备的定位信息，将所述定位信息发送至管理端；

S9.获取地图信息和抢修队的位置信息，根据定位信息、地图信息和抢修队的位置信息生成最优抢修路径，将所述最优抢修路径发送给抢险队。

优选地，其中，采集的环境监控数据，包括：温度数据、湿度数据和悬浮微粒感测浓度值。

优选地，其中，环境数据采集单元采集环境监控数据，还包括：对采集到的环境监控数据进行数据预处理，包括对数据进行过滤、放大、和A/D转换。

本发明还提供一种电气火灾报警***，其特征在于，所述***包括：

环境数据采集单元，用于采集电气设备周边的第一环境监控数据；所述环境数据采集单元位于一移动装置上；

第一统计单元，用于对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值；

移动单元，用于当判断第一环境监控数据超过第一异常阈值时，控制所述移动装置移动至预设距离，环境数据采集单元采集当前位置的第二环境监控数据，

第二统计单元，用于对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值；

图像数据采集单元，用于当判断第二环境监控数据超过第二异常阈值时，采集所述电气设备的图像监控数据；

第三统计单元，用于对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值；

报警单元，用于当判断所述图像监控数据超出第三异常阈值时，确认发生火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，发出火灾报警信息；

定位单元，用于检测到火灾报警信息时，采集所述电气设备的定位信息，将所述定位信息发送至管理端；

路径生成单元，用于获取地图信息和抢修队的位置信息，根据定位信息、地图信息和抢修队的位置信息生成最优抢修路径，将所述最优抢修路径发送给抢险队。

优选地，其中，采集的环境监控数据，包括：温度数据、湿度数据和悬浮微粒感测浓度值。

与现有技术相比，本发明在电气火灾报警领域具有多项重要的优点和创新点：

首先，实现了多源数据综合监控：该方法采用了多源数据，包括环境监控数据和图像监控数据，综合监控电气设备的状态。本发明的综合性监控有助于提高火灾检测的准确性，考虑了多个参数之间以及参数于火灾发生概率之间的关联。

并且，基于多源数据综合监控，可以实现综合性决策。方法综合考虑了环境监控数据和图像监控数据，通过数据分析和对比，以及概率模型的应用，进行火灾的综合判断。这种综合性决策可以减少误报和漏报，提高了火灾检测的可靠性。

其次，本发明综合考虑了多个环境参数，建立的电气火灾概率模型。该模型通过综合分析多个参数，更全面地评估了火灾风险。引入了概率模型，将各参数对火灾概率的影响量化。这种概率建模方法能够更精确地捕捉不同参数之间的关系，提高了火灾预测的准确性。模型中采用了逻辑函数来计算概率。这种函数具有平滑的曲线特性，能够更好地适应不同参数值的情况，避免了硬判定。这种方式更符合实际火灾发生的连续性特征。进一步，模型中的参数是可以根据实际情况进行调整的。这允许了模型的灵活性，可以根据不同电气设备的特性进行定制，从而提高了模型的适用性和实用性。

另外，本发明当判断第一环境监控数据超过第一异常阈值时，控制移动装置移动至预设距离，环境数据采集单元采集当前位置的第二环境监控数据，判断数据是否超过第二异常阈值。对环境监控数据进行二次判断，可以有效减少错误警报的概率。

本发明在设计电气火灾第一概率模型和电气火灾第二概率模型时，分析电气火灾现状，有针对性地设计模型。考虑到在远离电气设备的地点，温度数据会显著衰减，因此在设计第二概率模型时，更多地考虑到温度变化的意义。提高了火灾检测精度。

最后，本发明根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型。该模型考虑了颜色特征、纹理特征、亮度特征和烟雾形态特征，这些特征在火灾检测中是关键的。通过结合多种特征，模型可以更全面地捕捉火灾图像的多样性，提高了火灾检测的准确性。

模型引入了权重参数，用于控制不同特征的影响程度。这允许模型根据特定情境和需求进行定制，提高了适用性。例如，如果颜色特征对于某些电气设备的火灾更为敏感，可以增加π_c的权重。并且，模型不仅考虑了特征的均值，还考虑了协方差矩阵。这意味着模型可以处理特征之间的相关性，以及不同特征的分布形状。这是一个非常重要的创新，因为不同图像特征之间存在复杂的关联。模型采用高斯分布来建模每个特征。高斯分布是处理连续型数据的常用方法，它具有良好的数学性质，而且在实际应用中表现良好。发明根据电气设备火灾图像特性，特别考虑了不同图像特征之间的关联性，构建了改进的高斯火灾混合模型。

在图像处理阶段，方法考虑并提取了火灾相关的图像特征，包括颜色、纹理、亮度特征和烟雾形态特征，并构建了改进的高斯火灾混合模型。通过构建改进的模型，能够更准确地捕获电气设备火灾的图像特性，从而提高了火灾检测***的可靠性和精度。这种改进可以帮助减少误报，提高对电气火灾的早期识别，减轻火灾带来的损害。

总之，与传统的电气火灾报警方法相比，该方法综合了多源数据和先进的模型，提供了更可靠的火灾检测和预警功能。申请人在电气火灾领域不断创新，在前期研究成果上不断优化，设计了本发明，它具有更高的准确性和实用性，能够更好地保护电气设备和人员的安全，降低火灾带来的损失。因此，本发明在电气火灾报警领域具有显著的创新性和实用价值。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的内容中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过文字以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明的方法流程图；

图2为本发明的***框架图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。需要说明的是，在本发明中，使用的如“上、下、左、右、前、后、内、外、竖直、垂直、水平、顶部、底部、中间”等指示方位或位置关系的描述仅是为了便于描述和理解本发明，而不是指示或暗示所述装置或元件必须具有特定方位、以特定方位构造或操作，特别是当描述某部件或装置“固定于”或“连接于”另一个装置或元件时，该装置或元件可以是直接固定或连接在另一个元件上，也可以是间接固定或连接在另一个元件上，因此，不能理解为对本发明的限制。同样，“第一、第二”等术语仅用于区分具有同样设置和功能的相似元件，不能理解为指示或暗示相对的重要性。

如附图1所示，本发明提供了一种电气火灾监控方法，包括以下步骤：

S1.环境数据采集单元采集电气设备周边的第一环境监控数据，所述环境数据采集单元位于一移动装置上；这个步骤涉及环境数据采集单元，位于一个移动装置上，它负责收集电气设备周围的环境数据，这些数据提供了电气设备运行环境的监测。这些数据和传感器可以包括：

温度数据：温度传感器测量设备周围的温度，因为火灾通常伴随着温度升高。湿度数据：湿度传感器测量周围空气的湿度水平。湿度数据可以在火灾早期发现中很有用，因为火源通常会导致湿度下降。悬浮微粒感测浓度值：悬浮微粒感测器感测环境区域的悬浮微粒，这是火灾的另一个明显指标。

优选地，还包括：对采集到的环境监控数据进行数据预处理，包括对数据进行过滤、放大、和A/D转换。

电气设备周边的环境监控数据是通过环境数据采集单元采集的。这包括各种传感器，如温度传感器、湿度传感器、烟雾传感器、气体传感器等，这些传感器用于监测电气设备的周围环境。采集到的原始数据通常包括噪声和干扰，因此需要进行数据预处理。数据预处理有以下几个关键目标：

过滤：过滤掉环境监控数据中的噪声和干扰信号。噪声可能来自于传感器自身的限制、电磁干扰、设备震动等因素。过滤是通过数字滤波器或信号处理技术来实现的，以确保只有真正的环境数据被分析和使用。

放大：有时环境监控数据的范围可能很小，需要进行放大以便更好地检测异常情况。放大可以通过信号放大器等电子设备来实现，以确保数据在合适的尺度上。

A/D转换：通常，环境监控传感器输出的是模拟信号，需要将其转换为数字信号，以便计算机或嵌入式***进行处理。模数转换器(A/D转换器)将模拟信号转化为数字形式，以便进行数字信号处理和分析。

数据预处理可以使用多种技术来实现。这包括：

滤波技术：低通滤波、高通滤波、带通滤波等滤波技术用于去除或突出某些频率范围内的信号成分。

增益控制：信号放大器用于调整信号的幅度，以确保它们在适当的范围内。

A/D转换器：A/D转换器是一种关键的硬件设备，用于将模拟信号转化为数字信号。

S2.对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值。一旦环境数据被收集，***将对这些数据进行统计分析。这个步骤的目的是判断环境数据是否异常，是否超出了预设的异常阈值。如果环境数据显示电气设备周围存在潜在火灾迹象，超过了设定的阈值，那么***将继续执行后续步骤。

S3.当判断第一环境监控数据超过第一异常阈值时，控制所述移动装置移动至预设距离，环境数据采集单元采集当前位置的第二环境监控数据。一旦第一环境监控数据被判断为异常，***会触发移动装置的移动，将环境数据采集单元移动到预设的距离。这可以是为了获取更多的环境信息，以确认是否真的存在火灾迹象。

S4.对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值。第二环境监控数据同样会被统计分析，***将判断是否存在进一步的异常。这个环节有助于确保所收集的数据准确反映了火灾的可能性。

S5.当判断第二环境监控数据超过第二异常阈值时，图像数据采集单元采集所述电气设备的图像监控数据。这个步骤涉及到图像数据采集单元，它会在第二环境监控数据异常时收集电气设备的图像监控数据。这些图像可以来自摄像头、监控设备或其他视觉传感器。

S6.对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值。***将对所获得的图像监控数据进行分析，以确认是否存在异常。这一步的目的是精确检测是否有火源或火灾迹象。

S7.当判断所述图像监控数据超出第三异常阈值时，确认发生火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，发出火灾报警信息。在此步骤，***确认了火灾的发生。为了应对火灾，电气设备可能被断电以避免进一步加剧火势。同时，***会点亮报警指示灯，发出火灾报警信息以通知相关方。

S8.检测到火灾报警信息时，采集所述电气设备的定位信息，将所述定位信息发送至管理端。当***检测到火灾报警信息后，它会获取电气设备的定位信息，通常通过GPS或其他定位技术来实现，并将这些信息发送到中央管理***以进行远程监控和协调。

S9.获取地图信息和抢修队的位置信息，根据定位信息、地图信息和抢修队的位置信息生成最优抢修路径，将所述最优抢修路径发送给抢险队。这一步骤关乎协调火灾应急响应。***会获取地图信息、抢修队的位置信息以及设备的定位信息，然后使用这些信息生成最佳的抢修路径。这个路径将指导抢修队如何迅速抵达火灾现场，采取措施来扑灭火势或进行维修。

优选地，其中，S2.对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值，具体包括：

S2-1.建立电气火灾第一概率模型：

其中，P₁代表电气设备火灾发生的第一概率，T代表温度，H代表湿度，PM代表悬浮微粒感测浓度值；α₁，α₂，α₃，β₁，β₂，γ是模型参数，用于确定每个数据特征对火灾概率的影响程度；这些参数的确定需要通过训练数据集和机器学习方法来获得，以便更准确地评估火灾风险。

构建的这个模型中，参数交互的设计体现为包括线性项、交互项和二次项：

线性项：线性项是模型中的基本特征，每个输入特征(例如温度，湿度，悬浮微粒感测浓度值)都具有一个对应的线性参数。在模型中，线性项例如T，H，PM，当特征的值增加(或减少)时，对火灾概率产生线性影响。

交互项：交互项表示两个或多个特征之间的相互作用或关联。在模型中，交互项包括T·PM，H·PM。这些项考虑了特征之间的组合效应，表示特定特征组合对火灾概率的影响。例如，T·PM表示温度和悬浮微粒感测浓度值之间的相互作用对火灾概率的影响。

二次项：二次项表示特征的平方或次方。在模型中，二次项包括PM²。用于捕捉特征与火灾概率之间的非线性关系。例如，PM²表示悬浮微粒感测浓度值的平方对火灾概率的影响。

总之，线性项、交互项和二次项是模型中的参数，它们用于考虑特征之间的线性和非线性关系，从而更准确地预测火灾概率。每个参数对应于一个特征或特征组合，并表示其对火灾概率的影响。

S2-2.根据所述电气火灾第一概率模型，以及所述第一环境监控数据，实时计算电气设备火灾发生的第一概率指标；

对于每个时间点，根据环境监控数据的测量值，将这些值代入概率模型中，使用模型参数计算P₁。如果P₁超过了事先设定的第一阈值(可设定为0.5，也可以根据实际情况进行调整)，则表示火灾的可能性较高，需要进行下一步的火灾检测和确认。

这个设计的优点在于，通过综合考虑多个数据特征，可以更全面地评估火灾风险。电气火灾的发生通常受到多种因素的影响，通过建立概率模型，***可以在实时监控中根据数据的变化来动态评估火灾风险，提高了检测的准确性和及时性。此外，该方法的可调参数使其适用于不同类型的电气设备和环境条件。

S2-3.判断所述第一概率指标是否超出第一异常阈值。

第一概率指标的计算是为了检测电气设备周围环境的变化，因为环境的异常可能是电气火灾的前兆。环境中的异常条件可能包括温度升高、湿度下降、烟雾浓度升高等，这些条件可能表明电气设备附近存在潜在的问题。因此，第一概率指标的计算是为了早期发现这些异常情况。当第一概率指标超出第一异常阈值时，***会触发进一步的检测和响应步骤。

第一概率指标和异常阈值的设定可以根据特定环境和电气设备的不同而变化。因此，电气火灾报警***应该具有自适应性，能够根据不同环境条件和设备状态来调整这些参数。

优选地，其中，S4.对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值，具体包括：

S4-1.建立电气火灾第二概率模型：

其中，P₂代表电气设备火灾发生的第二概率，T代表温度，H代表湿度，PM代表悬浮微粒感测浓度值；δ₁，δ₂，δ₃，θ₁，θ₂，δ是模型参数，用于确定每个数据特征对火灾概率的影响程度；这些参数的确定需要通过训练数据集和机器学习方法来获得，以便更准确地评估火灾风险。

构建的这个模型中，参数交互的设计体现为包括线性项、交互项和二次项：

线性项：线性项是模型中的基本特征，每个输入特征(例如温度，湿度，悬浮微粒感测浓度值)都具有一个对应的线性参数。在模型中，线性项例如T，H，PM，当特征的值增加(或减少)时，对火灾概率产生线性影响。

交互项：交互项表示两个或多个特征之间的相互作用或关联。在模型中，交互项包括T·PM，H·T。这些项考虑了特征之间的组合效应，表示特定特征组合对火灾概率的影响。例如，T·PM表示温度和悬浮微粒感测浓度值之间的相互作用对火灾概率的影响。

二次项：二次项表示特征的平方或次方。在模型中，二次项包括T²。用于捕捉特征与火灾概率之间的非线性关系。例如，T²表示温度的平方对火灾概率的影响。本发明在设计电气火灾第二概率模型时，考虑到在远离电气设备的地点，温度数据会显著衰减，因此在设计第二概率模型时，更多地考虑到温度变化的意义。提高了火灾检测精度。

线性项、交互项和二次项是模型中的参数，它们用于考虑特征之间的线性和非线性关系，从而更准确地预测火灾概率。每个参数对应于一个特征或特征组合，并表示其对火灾概率的影响。

S4-2.根据所述电气火灾第二概率模型，以及所述第二环境监控数据，计算电气设备火灾发生的第二概率指标；

这一步是***进一步分析环境数据，以评估电气设备周围环境的状态，以及是否存在电气火灾的迹象。根据电气火灾第二概率模型，***会考虑第二环境监控数据。

S4-3.判断所述第二概率指标是否超出第二异常阈值，所述第二异常阈值小于所述第一异常阈值。在这一步中，***会将计算得到的第二概率指标与第二异常阈值进行比较，以确定是否存在电气火灾的迹象。值得注意的是，第二异常阈值通常设置得比第一异常阈值要低，因为第一，此时的检测点是更远离电气设备的位置，第二，二次检测的地点温度数据会显著衰减，考虑到温度灵敏的变化，因此，第二异常阈值通常设置得比第一异常阈值要低

优选地，其中，S5.图像数据采集单元采集所述电气设备的图像监控数据，还包括：对采集的图像监控数据进行数据预处理，这一步是电气火灾报警***中非常关键的一步，因为它涉及到图像数据的分析，以便更好地识别潜在的火源。具体包括：

S5-1.图像增强，进行图像的对比度增强和亮度调整；

在电气火灾监控中，图像增强可以改善图像的质量，使潜在的火源更容易被检测到。以下是可以采用的一些图像增强技术：

直方图均衡化：这是一种常用的方法，通过重新分布图像的像素值来增强图像的对比度。它可以将图像中的亮度水平均匀分布，使细节更加清晰。

对比度拉伸：这种方法通过拉伸图像的像素值范围，将较亮的像素变得更亮，较暗的像素变得更暗，从而增强对比度。

直方图规定化：这是一种根据期望的亮度分布来调整图像的方法。它可以用于特定场景下的图像增强，以突出特定亮度范围内的细节。

S5-2.图像降噪，使用滤波器去除图像中的噪声，以提高图像质量；

降低图像中的噪声可以提高火源检测的准确性。以下是本发明可以采用的一些降噪技术：

高斯滤波器：高斯滤波器可以平滑图像，减少噪声。它通过计算每个像素周围像素的加权平均值来实现。

中值滤波器：中值滤波器是一种非线性滤波器，用于去除图像中的椒盐噪声等离群值。

小波变换：小波变换是一种多尺度分析方法，可以将图像分解成不同尺度的频带，然后对每个频带进行滤波。

图像恢复算法：高级的图像处理算法，如非局部均值去噪(NL-Means Denoising)等，可以在保留图像细节的同时有效降低噪声。

S5-3.图像分割，将图像中的潜在火源与背景分割。

图像分割是将图像分成不同区域或对象的过程。在火源检测中，这有助于识别潜在的火源。以下是本发明可以采用的一些图像分割技术：

阈值分割：通过设定一个阈值，将像素分为火源和背景两个类别。这个阈值可以基于像素的灰度值或颜色来确定。

区域生长：区域生长算法从一些种子像素开始，将具有相似属性(如颜色或亮度)的相邻像素合并成一个区域。

边缘检测：边缘检测技术可以检测出图像中物体的边缘，从而实现分割。

深度学习方法：卷积神经网络(CNN)等深度学习技术可以用于图像分割，这些方法在复杂场景中通常能够获得更准确的分割结果。

优选地，其中，S6.对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值，具体包括：

S6-1.基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，包括颜色特征、纹理特征、亮度特征和烟雾形态特征。

颜色特征：在火灾检测中，颜色特征是一种重要的指标。不同类型的火灾通常会伴随着特定的颜色变化。例如，火焰往往呈现出橙色或红色，而烟雾可能是灰色或白色。通过分析图像中的颜色分布和变化，***可以尝试识别这些火灾相关颜色的存在。此外，颜色特征也有助于区分火源和其他光源，如日光或灯光。

纹理特征：纹理特征描述了图像中不同区域的细节和纹理结构。在火灾情境下，火焰和烟雾的纹理通常会有明显的变化。通过分析图像的纹理特征，***可以寻找异常的纹理模式，这可能是由于火源或烟雾而引起的。例如，火焰的纹理通常会呈现出高频的波动，而烟雾的纹理可能会呈现出均匀且模糊的特点。

亮度特征：亮度特征指的是图像中不同区域的明亮度或灰度级别。火焰通常是较明亮的光源，而烟雾可能导致图像区域变得较暗。因此，亮度特征可以用于检测火源的存在。通过监测图像的亮度变化，***可以检测到亮度显著增加的区域，这可能意味着火源。

烟雾形态特征：烟雾形态特征涉及对烟雾的外观和形状进行分析。烟雾的形态通常是不规则的，而且在图像中可能呈现出扩散、漫延或卷曲的特征。通过检测烟雾的形态特征，***可以识别可能与火灾相关的烟雾，尤其是在火源附近的区域。对于提取烟雾形态特征，具体包括：

S6-1-1.对所述图像中互不连通的颗粒区域计数，得到烟雾颗粒个数；

这一步骤的目标是识别图像中的烟雾颗粒并计数它们的数量。为了实现这一点，进行以下操作：分割烟雾颗粒：首先，图像将被分割，以分离出不同的物体和颗粒。在这个阶段，烟雾颗粒通常会与其他背景元素区分开来。检测烟雾颗粒：检测算法将分析分割后的图像，以确定每个独立的烟雾颗粒。这通常涉及到检测连通区域或物体。计数：***将对检测到的烟雾颗粒进行计数，以获取图像中的烟雾颗粒个数。这个数字是后续分析的重要输入。

S6-1-2.对烟雾颗粒在水平面投影的横截面积内的像素进行统计计算，得到烟雾面积πMN，其中M代表烟雾颗粒长半轴，N代表烟雾颗粒短半轴；

这一步骤涉及对每个检测到的烟雾颗粒的大小进行定量分析。面积通常表示为像素数或其他适当的单位。进行以下操作：测量颗粒的长半轴和短半轴：首先，算法将测量每个烟雾颗粒的长半轴和短半轴。计算椭圆面积：基于长半轴和短半轴的测量结果，算法将计算每个烟雾颗粒的椭圆面积。这可以使用椭圆面积的公式来完成。汇总：计算机将对所有烟雾颗粒的面积进行求和，从而获得图像中的总烟雾面积。这个数值可以用于后续的分析和火灾情况判断。

S6-1-3.计算颗粒脊线的像素数目，得到颗粒周长2πN+4(M-N)。

颗粒周长是描述烟雾颗粒的形态和形状的重要特征。这一步骤可以涉及以下操作：检测颗粒轮廓：计算机视觉算法将分析每个烟雾颗粒的轮廓，通常以像素边界的形式呈现。计算像素数：***将计算颗粒轮廓上的像素数目，这等于颗粒的周长。汇总：所有检测到的烟雾颗粒的周长将被求和，以得到图像中的总颗粒周长。这个数值可以提供有关烟雾形态的信息，例如是否存在扭曲或波动的情况。

这种详尽的特征提取过程允许***对图像监控数据中的烟雾进行深入的分析和火灾情况的判断。这种分析可以帮助区分正常情况和潜在的火灾事件，同时提供有关火源的重要信息。在火警报警***中，这些特征的计算是实现自动化的火灾检测的关键步骤。通过结合烟雾形态特征与其他图像特征，***可以更可靠地确定火源的存在，并提供更精确的火灾报警。

S6-2.对各特征向量进行归一化，确保不同特征处于相同的尺度上；

不同的特征可能来自不同的测量单元，拥有不同的值域和幅度。这种差异可能会影响到后续的数据分析和模型的性能。因此，归一化是确保各特征处于相同尺度上的关键步骤。

在电气火灾报警方法中，采集的环境数据和图像特征通常来自不同的传感器和监控设备。这些特征的尺度和范围可能差异很大。因此，在分析这些特征以确定火灾风险时，归一化是必要的。

例如，在图像特征中，不同特征可能来自不同的通道，如颜色、纹理、亮度等。这些特征可能需要归一化，以确保它们具有相似的权重和影响力。如果不进行归一化，某些特征的值可能会在分析中占主导地位，而其他特征的信息可能被忽略。

有许多不同的归一化方法可供选择，例如以下一些常见的归一化方法：

最小-最大缩放：这是最常见的方法之一，通过线性变换将数据缩放到特定的范围，通常是[0,1]或[-1,1]。这种方法适用于数据分布相对均匀的情况。

均值方差归一化：在这种方法中，数据被调整为均值为0，标准差为1。这对于处理分布不均匀的数据很有用。

L2归一化：这种方法用于向量数据，将每个向量的L2范数(欧几里德范数)缩放为1。这对于文本分类等任务很有用。

Z得分归一化：这是一种均值方差归一化的变体，将数据调整为均值为0，标准差为1，但不考虑分布是否正态。

总之，S6-2的归一化步骤是确保在电气火灾报警方法中使用的多种特征处于相同的尺度上，以提高火警检测的准确性和可靠性的关键步骤。它有助于消除尺度差异、提高模型性能，并确保各特征都能对火警风险的准确评估做出贡献。S6-3.根据电气设备火灾图像特性，构建针对电气设备的高斯火灾混合模型；

在构建改进的高斯火灾混合模型之前，首先需要深入理解电气设备火灾的图像特性。这包括火源的颜色、形状、大小、纹理，以及火源与背景的对比度等方面的信息。通过对真实火灾图像的分析和研究，可以获取这些特性。

并且需要确定对模型的选择和参数，选择适当的基础模型，并确定模型的参数，包括高斯分布的数量、均值、协方差矩阵以及各个特征的权重。与电气设备火灾相关的颜色特征、纹理特征、亮度特征和烟雾形态特征应该被考虑在内，改进的高斯火灾混合模型特别考虑到了各个图像特征之间的关联性。使用选定的模型和参数，构建改进的高斯火灾混合模型，改进的模型将不同特征的高斯分布组合在一起，以描述电气设备火灾的图像特性。

S6-4.训练所述高斯火灾混合模型，使用训练数据集，将提取的特征向量输入到火灾混合模型中进行模型训练；

首先需要构建一个包含多个图像样本的训练数据集。这些样本应该包括具有和没有火灾的图像。对于有火灾的图像，需要标注火源的位置或区域，以便后续的模型训练。对于每个训练图像，执行特征提取，包括颜色特征、纹理特征、亮度特征和烟雾形态特征，这将生成每个图像的特征向量。

使用准备好的训练数据集和特征向量，将选定的高斯混合模型进行训练。训练的目标是调整模型的参数，使其能够最好地拟合训练数据集中的图像特征。通常使用最大似然估计等统计方法来估计模型参数。

完成模型训练后，需要对其性能进行评估。可以使用交叉验证、ROC曲线、精确度和召回率等指标来评估模型的准确性和泛化能力。根据评估结果，可以对模型进行进一步的调整和优化。这可能包括调整模型的复杂度、增加训练数据量、或者改进特征提取方法。一旦满足性能要求，可以保存训练好的高斯火灾混合模型，以便在实际监控中使用。

这样训练好的高斯火灾混合模型将能够识别图像中的电气设备火灾特征，以生成第三概率指标，用于火灾检测。模型的性能和准确性将取决于训练数据的质量和数量，以及模型参数的选择和调整。通过不断改进和优化，可以提高火灾检测***的效能。

S6-5.火灾检测，针对每一帧图像，计算其特征向量，基于训练后的高斯火灾混合模型得到电气设备火灾发生的第三概率指标。

在这一步骤中，针对每一帧图像，计算其特征向量。这些特征向量是根据图像中提取的颜色、纹理、亮度和烟雾形态特征构建的。这些特征向量的计算是为了将图像信息转化为数值数据，以便进一步的分析和处理。基于训练后的高斯火灾混合模型，这些特征向量被用来计算电气设备火灾发生的第三概率指标。高斯混合模型的训练是通过先前的火灾图像数据进行的，模型学会了不同特征的分布情况和它们与火灾发生的关联。这个训练是模型学习的过程，使其能够根据特征向量来预测火灾的发生概率。

S6-6.判断所述第三概率指标是否超出第三异常阈值。

如果第三概率指标超过第三异常阈值，那么***将确认火灾的发生。这意味着根据当前的图像特征，***认为火灾已经发生或者正在发生。因此，电气设备将进入火灾预设模式，可能会采取措施如断电，点亮报警指示灯等，以减小火灾的风险和损失。

其中，S6-3.根据电气设备火灾图像特性，构建针对电气设备的高斯火灾混合模型，所述高斯火灾混合模型构建为：

P₃(x)＝π_c·π_t·π_b·π_m·πMN·[2πN+4(M-N)]²·

其中，P₃(x)代表高斯概率密度，π_c，π_t，π_b，π_m分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布权重，满足π_c+π_t+π_b+π_m＝1；μ_i,i＝c,t,b,m，分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布的均值；Σ_i,i＝c,t,b,m是4×4的协方差矩阵，分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布的协方差矩阵；πMN代表烟雾面积，其中M代表烟雾颗粒长半轴，N代表烟雾颗粒短半轴，2πN+4(M-N)代表颗粒周长。

高斯火灾混合模型是一种统计模型，用于对电气设备火灾图像的特性进行建模。在这个模型中，不同的特征(颜色、纹理、亮度和烟雾形态)被建模为高斯分布的组合。以下是对模型中各部分的详细扩展：

高斯概率密度：高斯概率密度函数是统计学中用于描述连续型随机变量分布的函数。在电气设备火灾混合模型中，每个特征的分布都可以由高斯概率密度函数来表示。这有助于描述特征值的分布情况。

高斯分布权重：对于每个特征(颜色、纹理、亮度和烟雾形态)，都有相应的高斯分布权重。这些权重表示每个特征对于模型的重要性。不同特征的权重可以根据它们在火灾图像中的作用来分配。

均值和协方差矩阵：针对每个特征的高斯分布，有均值和协方差矩阵来描述其分布的中心和形状。均值代表了分布的中心位置，而协方差矩阵则描述了分布的形状和方向。这些参数有助于更准确地建模不同特征的分布。

烟雾面积：在火灾图像中，烟雾形态特征非常重要，因为它们可以帮助确定火灾的严重程度。烟雾面积的计算涉及到颗粒的长半轴和短半轴，以及颗粒的周长。这些参数对于分析火灾的形态非常关键。

本发明构建的改进的电气设备火灾混合模型的好处在于，它可以更全面地理解火灾图像的特性，同时充分考虑不同特征的重要性。这个模型可以帮助自动化火灾检测***更准确地识别火灾事件，从而提供更及时的报警和响应。通过对每个特征建模，可以更好地理解火灾发展的情况，包括烟雾的扩散、火焰的明亮度变化和颜色特征的变化。这有助于提前采取措施来防止火灾蔓延，减小损失，保护人员安全。

总之，本发明构建的改进的电气设备火灾混合模型是一种强大的工具，用于更准确地描述和分析电气设备火灾图像的特性。通过建模不同特征的高斯分布，可以更全面地了解火灾的情况，从而提供更有效的火灾检测和报警***。这对于提高火灾应急响应的效率和准确性至关重要。

本发明还提供了一种一种电气火灾报警***，所述***包括：

环境数据采集单元，用于采集电气设备周边的第一环境监控数据；所述环境数据采集单元位于一移动装置上；

第一统计单元，用于对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值；

移动单元，用于当判断第一环境监控数据超过第一异常阈值时，控制所述移动装置移动至预设距离，环境数据采集单元采集当前位置的第二环境监控数据，

第二统计单元，用于对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值；

图像数据采集单元，用于当判断第二环境监控数据超过第二异常阈值时，采集所述电气设备的图像监控数据；

第三统计单元，用于对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值；

报警单元，用于当判断所述图像监控数据超出第三异常阈值时，确认发生火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，发出火灾报警信息；

定位单元，用于检测到火灾报警信息时，采集所述电气设备的定位信息，将所述定位信息发送至管理端；

路径生成单元，用于获取地图信息和抢修队的位置信息，根据定位信息、地图信息和抢修队的位置信息生成最优抢修路径，将所述最优抢修路径发送给抢险队。

优选地，其中，采集的环境监控数据，包括：温度数据、湿度数据和悬浮微粒感测浓度值。

优选地，其中，环境数据采集单元采集环境监控数据，还包括：对采集到的环境监控数据进行数据预处理，包括对数据进行过滤、放大、和A/D转换。

优选地，其中，所述第一统计单元，用于对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值，具体包括：

第一模型建立单元，用于建立电气火灾第一概率模型：

其中，P₁代表电气设备火灾发生的第一概率，T代表温度，H代表湿度，PM代表悬浮微粒感测浓度值；α₁，α₂，α₃，β₁，β₂，γ是模型参数，用于确定每个数据特征对火灾概率的影响程度；

第一指标计算单元，用于根据所述电气火灾第一概率模型，以及所述第一环境监控数据，实时计算电气设备火灾发生的第一概率指标；

第一判断单元，用于判断所述第一概率指标是否超出第一异常阈值。

优选地，其中，所述第二统计单元，用于对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值，具体包括：

第二模型建立单元，用于建立电气火灾第二概率模型：

其中，P₂代表电气设备火灾发生的第二概率，T代表温度，H代表湿度，PM代表悬浮微粒感测浓度值；δ₁，δ₂，δ₃，θ₁，θ₂，δ是模型参数，用于确定每个数据特征对火灾概率的影响程度；

第二指标计算单元，用于根据所述电气火灾第二概率模型，以及所述第二环境监控数据，计算电气设备火灾发生的第二概率指标；

第二判断单元，用于判断所述第二概率指标是否超出第二异常阈值，所述第二异常阈值小于所述第一异常阈值。

优选地，其中，所述图像数据采集单元，用于采集所述电气设备的图像监控数据，还包括：预处理单元，用于对采集的图像监控数据进行数据预处理，具体包括：

图像增强单元，用于进行图像的对比度增强和亮度调整；

图像降噪单元，用于使用滤波器去除图像中的噪声，以提高图像质量；

图像分割单元，用于将图像中的潜在火源与背景分割。

优选地，其中，所述第三统计单元，用于对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值，具体包括：

图像特征提取单元，用于基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，包括颜色特征、纹理特征、亮度特征和烟雾形态特征；

归一化单元，用于对各特征向量进行归一化，确保不同特征处于相同的尺度上；

第三模型建立单元，用于根据电气设备火灾图像特性，构建针对电气设备的高斯火灾混合模型；

训练单元，用于训练所述高斯火灾混合模型，使用训练数据集，将提取的特征向量输入到火灾混合模型中进行模型训练；

第三指标计算单元，用于火灾检测，针对每一帧图像，计算其特征向量，基于训练后的高斯火灾混合模型得到电气设备火灾发生的第三概率指标。

第三判断单元，用于判断所述第三概率指标是否超出第三异常阈值。

优选地，图像特征提取单元，用于基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，其中，包括烟雾形态特征提取单元，具体包括：

颗粒计算单元，用于对所述图像中互不连通的颗粒区域计数，得到烟雾颗粒个数；

面积计算单元，用于对烟雾颗粒在水平面投影的横截面积内的像素进行统计计算，得到烟雾面积πMN，其中M代表烟雾颗粒长半轴，N代表烟雾颗粒短半轴；

周长计算单元，用于计算颗粒脊线的像素数目，得到颗粒周长2πN+4(M-N)。

优选地，其中，所述第三模型建立单元，用于根据电气设备火灾图像特性，构建针对电气设备的高斯火灾混合模型，所述高斯火灾混合模型构建为：

/>

其中，P₃(x)代表高斯概率密度，π_c，π_t，π_b，π_m分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布权重，满足π_c+π_t+π_b+π_m＝1；μ_i,i＝c,t,b,m，分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布的均值；Σ_i,i＝c,t,b,m是4×4的协方差矩阵，分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布的协方差矩阵；πMN代表烟雾面积，其中M代表烟雾颗粒长半轴，N代表烟雾颗粒短半轴，2πN+4(M-N)代表颗粒周长。

可见，本发明的有益效果至少包括：

首先，实现了多源数据综合监控：该方法采用了多源数据，包括环境监控数据和图像监控数据，综合监控电气设备的状态。本发明的综合性监控有助于提高火灾检测的准确性，考虑了多个参数之间以及参数于火灾发生概率之间的关联。

并且，基于多源数据综合监控，可以实现综合性决策。方法综合考虑了环境监控数据和图像监控数据，通过数据分析和对比，以及概率模型的应用，进行火灾的综合判断。这种综合性决策可以减少误报和漏报，提高了火灾检测的可靠性。

其次，本发明综合考虑了多个环境参数，建立的电气火灾概率模型。该模型通过综合分析多个参数，更全面地评估了火灾风险。引入了概率模型，将各参数对火灾概率的影响量化。这种概率建模方法能够更精确地捕捉不同参数之间的关系，提高了火灾预测的准确性。模型中采用了逻辑函数来计算概率。这种函数具有平滑的曲线特性，能够更好地适应不同参数值的情况，避免了硬判定。这种方式更符合实际火灾发生的连续性特征。进一步，模型中的参数是可以根据实际情况进行调整的。这允许了模型的灵活性，可以根据不同电气设备的特性进行定制，从而提高了模型的适用性和实用性。

另外，本发明当判断第一环境监控数据超过第一异常阈值时，控制移动装置移动至预设距离，环境数据采集单元采集当前位置的第二环境监控数据，判断数据是否超过第二异常阈值。对环境监控数据进行二次判断，可以有效减少错误警报的概率。

本发明在设计电气火灾第一概率模型和电气火灾第二概率模型时，分析电气火灾现状，有针对性地设计模型。考虑到在远离电气设备的地点，温度数据会显著衰减，因此在设计第二概率模型时，更多地考虑到温度变化的意义。提高了火灾检测精度。

最后，本发明根据电气设备火灾图像特性，构建改进的针对电气设备的高斯火灾混合模型。该模型考虑了颜色特征、纹理特征、亮度特征和烟雾形态特征，这些特征在火灾检测中是关键的。通过结合多种特征，模型可以更全面地捕捉火灾图像的多样性，提高了火灾检测的准确性。

模型引入了权重参数，用于控制不同特征的影响程度。这允许模型根据特定情境和需求进行定制，提高了适用性。例如，如果颜色特征对于某些电气设备的火灾更为敏感，可以增加π_c的权重。并且，模型不仅考虑了特征的均值，还考虑了协方差矩阵。这意味着模型可以处理特征之间的相关性，以及不同特征的分布形状。这是一个非常重要的创新，因为不同图像特征之间存在复杂的关联。模型采用高斯分布来建模每个特征。高斯分布是处理连续型数据的常用方法，它具有良好的数学性质，而且在实际应用中表现良好。发明根据电气设备火灾图像特性，特别考虑了不同图像特征之间的关联性，构建了改进的高斯火灾混合模型。

在图像处理阶段，方法考虑并提取了火灾相关的图像特征，包括颜色、纹理、亮度特征和烟雾形态特征，并构建了改进的高斯火灾混合模型。通过构建改进的模型，能够更准确地捕获电气设备火灾的图像特性，从而提高了火灾检测***的可靠性和精度。这种改进可以帮助减少误报，提高对电气火灾的早期识别，减轻火灾带来的损害。

总之，与传统的电气火灾报警方法相比，该方法综合了多源数据和先进的模型，提供了更可靠的火灾检测和预警功能。它具有更高的准确性和实用性，能够更好地保护电气设备和人员的安全，降低火灾带来的损失。因此，本发明在电气火灾监控领域具有显著的创新性和实用价值。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (7)

1.一种电气火灾报警方法，其特征在于，包括以下步骤：

S1.环境数据采集单元采集电气设备周边的第一环境监控数据，所述环境数据采集单元位于一移动装置上；

S2.对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值；

S3.当判断第一环境监控数据超过第一异常阈值时，控制所述移动装置移动至预设距离，环境数据采集单元采集当前位置的第二环境监控数据；

S4.对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值；

S5.当判断第二环境监控数据超过第二异常阈值时，图像数据采集单元采集所述电气设备的图像监控数据；

S6.对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值；

S7.当判断所述图像监控数据超出第三异常阈值时，确认发生火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，发出火灾报警信息；

S8.检测到火灾报警信息时，采集所述电气设备的定位信息，将所述定位信息发送至管理端；

S9.获取地图信息和抢修队的位置信息，根据定位信息、地图信息和抢修队的位置信息生成最优抢修路径，将所述最优抢修路径发送给抢险队；

其中，S6.对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值，具体包括：

S6-1.基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，包括颜色特征、纹理特征、亮度特征和烟雾形态特征；

S6-2.对各特征向量进行归一化，确保不同特征处于相同的尺度上；

S6-3.根据电气设备火灾图像特性，构建针对电气设备的高斯火灾混合模型；

S6-4.训练所述高斯火灾混合模型，使用训练数据集，将提取的特征向量输入到火灾混合模型中进行模型训练；

S6-5.火灾检测，针对每一帧图像，计算其特征向量，基于训练后的高斯火灾混合模型得到电气设备火灾发生的第三概率指标；

S6-6.判断所述第三概率指标是否超出第三异常阈值；

其中，S6-1.中对烟雾形态特征提取，具体包括：

S6-1-1.对所述图像中互不连通的颗粒区域计数，得到烟雾颗粒个数；

S6-1-2.对烟雾颗粒在水平面投影的横截面积内的像素进行统计计算，得到烟雾面积πMN，其中M代表烟雾颗粒长半轴，N代表烟雾颗粒短半轴；

S6-1-3.计算颗粒脊线的像素数目，得到颗粒周长2πN+4(M-N)；

其中，S6-3.根据电气设备火灾图像特性，构建针对电气设备的高斯火灾混合模型，所述高斯火灾混合模型构建为：

其中，P₃(x)代表高斯概率密度，π_c，π_t，π_b，π_m分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布权重，满足π_c+π_t+π_b+π_m＝1；μ_i,i＝c,t,b,m，分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布的均值；Σ_i,i＝c,t,b,m是4×4的协方差矩阵，分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布的协方差矩阵；πMN代表烟雾面积，其中M代表烟雾颗粒长半轴，N代表烟雾颗粒短半轴，2πN+4(M-N)代表颗粒周长。

2.如权利要求1所述的方法，其中，采集的环境监控数据，包括：温度数据、湿度数据和悬浮微粒感测浓度值。

3.如权利要求1所述的方法，其中，环境数据采集单元采集环境监控数据，还包括：对采集到的环境监控数据进行数据预处理，包括对数据进行过滤、放大、和A/D转换。

4.如权利要求1所述的方法，其中，S2.对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值，具体包括：

S2-1.建立电气火灾第一概率模型：

其中，P₁代表电气设备火灾发生的第一概率，T代表温度，H代表湿度，PM代表悬浮微粒感测浓度值；α₁，α₂，α₃，β₁，β₂，γ是模型参数，用于确定每个数据特征对火灾概率的影响程度；

S2-2.根据所述电气火灾第一概率模型，以及所述第一环境监控数据，实时计算电气设备火灾发生的第一概率指标；

S2-3.判断所述第一概率指标是否超出第一异常阈值。

5.如权利要求4所述的方法，其中，S4.对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值，具体包括：

S4-1.建立电气火灾第二概率模型：

其中，P₂代表电气设备火灾发生的第二概率，T代表温度，H代表湿度，PM代表悬浮微粒感测浓度值；δ₁，δ₂，δ₃，θ₁，θ₂，δ是模型参数，用于确定每个数据特征对火灾概率的影响程度；

S4-2.根据所述电气火灾第二概率模型，以及所述第二环境监控数据，计算电气设备火灾发生的第二概率指标；

S4-3.判断所述第二概率指标是否超出第二异常阈值，所述第二异常阈值小于所述第一异常阈值。

6.如权利要求5所述的方法，其中，S5.图像数据采集单元采集所述电气设备的图像监控数据，还包括：对采集的图像监控数据进行数据预处理，具体包括：

S5-1.图像增强，进行图像的对比度增强和亮度调整；

S5-2.图像降噪，使用滤波器去除图像中的噪声，以提高图像质量；

S5-3.图像分割，将图像中的潜在火源与背景分割。

7.一种电气火灾报警***，其特征在于，所述***包括：

环境数据采集单元，用于采集电气设备周边的第一环境监控数据；所述环境数据采集单元位于一移动装置上；

第一统计单元，用于对所述第一环境监控数据进行统计分析，判断所述数据是否超过第一异常阈值；

移动单元，用于当判断第一环境监控数据超过第一异常阈值时，控制所述移动装置移动至预设距离，环境数据采集单元采集当前位置的第二环境监控数据，

第二统计单元，用于对所述第二环境监控数据进行统计分析，判断所述数据是否超过第二异常阈值；

图像数据采集单元，用于当判断第二环境监控数据超过第二异常阈值时，采集所述电气设备的图像监控数据；

第三统计单元，用于对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值；

报警单元，用于当判断所述图像监控数据超出第三异常阈值时，确认发生火灾，电气设备断电进入火灾预设模式，点亮报警指示灯，发出火灾报警信息；

定位单元，用于检测到火灾报警信息时，采集所述电气设备的定位信息，将所述定位信息发送至管理端；

路径生成单元，用于获取地图信息和抢修队的位置信息，根据定位信息、地图信息和抢修队的位置信息生成最优抢修路径，将所述最优抢修路径发送给抢险队；

其中，所述第三统计单元，用于对所述图像监控数据进行统计分析，判断所述数据是否超出第三异常阈值，具体包括：

图像特征提取单元，用于基于图像监控数据中的每一帧图像，提取火灾相关的图像特征，包括颜色特征、纹理特征、亮度特征和烟雾形态特征；

归一化单元，用于对各特征向量进行归一化，确保不同特征处于相同的尺度上；

第三模型建立单元，用于根据电气设备火灾图像特性，构建针对电气设备的高斯火灾混合模型；

训练单元，用于训练所述高斯火灾混合模型，使用训练数据集，将提取的特征向量输入到火灾混合模型中进行模型训练；

第三指标计算单元，用于火灾检测，针对每一帧图像，计算其特征向量，基于训练后的高斯火灾混合模型得到电气设备火灾发生的第三概率指标；

第三判断单元，用于判断所述第三概率指标是否超出第三异常阈值；

其中，图像特征提取单元包括烟雾形态特征提取单元，所述烟雾形态特征提取单元具体包括：

颗粒计算单元，用于对所述图像中互不连通的颗粒区域计数，得到烟雾颗粒个数；

面积计算单元，用于对烟雾颗粒在水平面投影的横截面积内的像素进行统计计算，得到烟雾面积πMN，其中M代表烟雾颗粒长半轴，N代表烟雾颗粒短半轴；

周长计算单元，用于计算颗粒脊线的像素数目，得到颗粒周长2πN+4(M-N)；

其中，所述第三模型建立单元，用于根据电气设备火灾图像特性，构建针对电气设备的高斯火灾混合模型，所述高斯火灾混合模型构建为：

其中，P₃(x)代表高斯概率密度，π_c，π_t，π_b，π_m分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布权重，满足π_c+π_t+π_b+π_m＝1；μ_i,i＝c,t,b,m，分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布的均值；Σ_i,i＝c,t,b,m是4×4的协方差矩阵，分别代表颜色特征、纹理特征、亮度特征和烟雾形态特征的高斯分布的协方差矩阵；πMN代表烟雾面积，其中M代表烟雾颗粒长半轴，N代表烟雾颗粒短半轴，2πN+4(M-N)代表颗粒周长。