本发明涉及消防装备领域，尤其是涉及一种用于消防车的智能灭火设备及方法。
背景技术：
1、当前的火灾在灭火过程中均采用传统的消防装备，导致不能及时扑灭主要着火点，使得火势四处蔓延，另一方面多步消防车也不能集中向主要着火点进行喷射灭火，造成灭火效率低、火势多次反复，总体来说是无法实现科学的火源点集中灭火。
2、现有技术公开号为cn110141816a的文献提供了一种用于消防车的智能灭火设备和灭火方法，热成像系统检测火场温度，激光测距仪获取距离信息，信号转换器处理这些数据并转化为电信号。控制系统中的转换处理器接收电信号，找到高温点的坐标，并向喷射系统发送指令。喷射系统中的摆动水/泡沫炮根据指令向目标坐标喷射灭火物质，同时增压泵组和变频器调节喷射距离和压力。能高效定位并扑灭火源，尤其适用于集中灭火。
3、然而，该智能灭火设备虽然在一定程度上提高了灭火效率，但仍存在一些不足。例如，设备对火场环境的适应性有待提高，对于复杂环境的灭火作业，可能存在定位不准确等问题。此外，现有技术主要关注于火源点的定位与喷射，但对于火势蔓延的预测与控制、灭火资源的合理分配等方面尚显不足。
4、鉴于此，我们提出了一种用于消防车的智能灭火设备及方法。
技术实现思路
1、本发明提供了一种用于消防车的智能灭火设备及方法，所述技术方案包括以下几个方面。
2、根据本技术实施例的一方面，提供了一种用于消防车的智能灭火设备，所述设备包括：
3、数据采集模块：用于采集火灾现场的数据，通过构建多元数据集束，确保全方位火灾现场信息覆盖；
4、数据预处理与融合模块：整合来自数据采集模块的数据，进行格式统一、噪声过滤和时空对齐，用信号处理算法和数据融合技术，形成统一的多维度火场数据集；
5、火势分析与火源定位模块：应用深度神经网络处理，通过训练模型，整合多维度火场数据集，识别火势特征，实现火源定位；
6、策略优化与执行模块：基于当前火情的实时火势分析与火源定位，采用强化学习算法动态调整灭火策略，通过与环境的互动学习来优化灭火行动；
7、能源管理模块：基于历史作业学习，预测作业耗能需，智能管理电池。
8、根据本技术实施例的一方面，数据采集模块包括热成像单元，光学摄像单元和激光雷达单元；
9、热成像单元使用高精度热成像仪捕捉火灾现场的热辐射信息，并将其转化为可视化的热成像图像；
10、光学摄像单元使用光学摄像头捕捉火灾现场的视频数据；
11、激光雷达单元利用激光束对火灾现场进行扫描，获取火场的空间结构和障碍物信息。
12、根据本技术实施例的一方面，数据预处理与融合模块包括数据预处理单元和特征提取融合单元；
13、数据预处理单元会对来自数据采集模块的数据进行初步的处理，进行格式转换，标准化处理和视频帧同步与对齐；得到光学图像和热成像图像；
14、特征提取融合单元使用卷积神经网络分别从光学图像和热成像图像中提取特征，引入自注意力机制来计算每个模态特征之间的关系权重，并融合特征，得到融合特征图。
15、根据本技术实施例的一方面，特征提取融合单元：
16、卷积神经网络负责处理视频数据光学图像和热成像图像数据，通过卷积层、池化层和归一化层逐层提取特征，可以表示为：fi＝cnn(i)，其中i表示输入图像，fi是经过卷积神经网络提取的模拟图像特征向量；
17、引入自注意力机制计算每个模态特征之间的关系权重，并融合这些特征，计算模态间的注意力权重矩阵，以强调对最终决策更为重要的特征部分，对于每个特征(fi)，计算其与其他所有特征的相似度得分(sij)，公式可表示为：sij＝softmax(fitwq(wk fjt))，其中，(wq)和(wk)是可学习的权重矩阵，用于查询和键的转换，使用计算出的权重(sij)对特征进行加权，得到融合特征图，f融合＝∑jsij fj。
18、根据本技术实施例的一方面，火势分析与火源定位模块：
19、火势分析与火源定位模块包括火源定位单元，火势分析单元，蔓延预测单元和三维映射单元；
20、火源定位单元对火源进行定位，通过目标检测的头部网络，使用anchor-based的方法，预测火源的位置；
21、火势分析单元通过火源定位单元，获得一系列火源候选区域的边界框，roi align操作用于从融合特征图中提取这些区域的特征，通过全连接层对提取的roi特征进行进一步的抽象和特征提取，使用softmax层进行多类分类，获取每个火源的火势强度等级；
22、蔓延预测单元根据采集的视频数据，经过数据预处理与融合模块特征提取融合单元进行特征提取和融合，得到具有时间序列的融合特征图，基于长短期记忆网络构建蔓延预测模型对融合的特征进行时间序列的预测，预测得到的未来特征图作为输入通过火源定位单元和火势分析单元获得未来的火源定位和火势分析；
23、三维映射单元，激光雷达通过发射激光并接收反射信号，计算出周围环境的精确距离，形成高密度的三维点云数据，根据火源定位单元的结果得到火源的二维坐标，火势分析单元获取各个火源的火势强度，结合激光雷达的三维点云数据，将二维火源位置映射到三维空间，得到火源的三维坐标，导入三维可视化软件或库，进行场景重建和交互式浏览。
24、根据本技术实施例的一方面，火源定位单元：
25、融合特征图为f融合，特征图映射回与原始输入图像相同尺寸，通过上采样操作完成，f上采样＝upsample(f融合；h,w)；
26、分类层在每个先验框置，应用一个或多个卷积层或全连接层来预测框内物体的类别概率；
27、边界框回归层同样在每个先验框位置，预测修正框位置和大小的偏移量；
28、分类损失使用交叉熵损失，对于每个先验框，如果正样本，则计算其分类损失，负样本通常只计算背景类别的损失，lcls＝-∑iyilog(pi)。其中，yi是真实类别标签，pi是预测的概率；
29、回归损失使用smooth l1损失，针对正样本的边界框回归预测，计算预测偏移量与真值的差的损失，lreg＝∑i∈possmoothl1(ti-ti*)，其中，ti是预测偏移量，ti*是真实偏移量，smoothl1函数用于平滑处理；
30、总损失为两者的加权和，lloc＝λclslcls+λreglreg。
31、根据本技术实施例的一方面，火势分析单元：
32、获得一系列火源候选区域的边界框b＝{b1,b2,...,bn}，其中每个边界框bi＝(xi,yi,wi,hi)定义了在原图中的位置、宽度和高度；
33、roi align操作用于从融合特征图f融合中提取这些区域的特征，froii＝roialign(f融合,bi)，其中，froii是第i个火源候选区域的特征向量，通过roialign操作得到固定大小的特征表示；
34、通过全连接层对提取的roi特征进行进一步的抽象和特征提取，学习与火势相关的高层特征，fhighi＝fc(froii)，其中，fhighi表示经过全连接层处理后，与火势强度等火势属性相关的特征表示；
35、火势分为预定义的几个级别，使用softmax层进行多类分类：p(levelj∣fhighi)＝ezj/∑kezk，其中，zj＝wc,j·fhighi+bj，wc和b是分类层的权重和偏置，levelj表示火势的第j级别，损失函数为交叉熵损失lfire，获取每个火源的火势强度等级。
36、根据本技术实施例的一方面，三维映射单元：
37、激光雷达通过发射激光并接收反射信号，计算出周围环境的精确距离，形成高密度的三维点云数据；
38、根据火源定位单元的结果得到火源的二维坐标(x,y)，根据火势分析单元获取各个火源的火势强度s；
39、结合激光雷达的三维点云数据，将二维火源位置映射到三维空间，使用相机校准参数进行投影变换，得到火源的三维坐标(x,y,z)；
40、在三维点云数据中，根据火源的三维坐标(x,y,z)，标记出火源位置，使用球体表示火源，其大小可以根据火势强度s进行缩放，根据火势大小s，为每个火源标记赋予不同的颜色或透明度，直观展示火势强弱；
41、将处理后的点云数据，包括火源标记，导入三维可视化软件或库中，进行场景重建和交互式浏览。
42、根据本技术实施例的一方面策略优化与执行模块：
43、通过强化学习算法，与灭火环境进行实时互动学习，根据灭火效果不断调整和优化灭火策略，确保灭火效率最大化；
44、强化学习的状态空间s包含当前火情的所有相关信息，包括但不限于：所有火源的位置，火势大小，环境参数，已部署的灭火资源位置和状态；
45、动作空间a为消防车行动的选择，包含灭火装备的位置，水或灭火剂的释放量，资源优先级；
46、奖励函数r，基于未来预测的火源定位和火势分析进行设计；
47、通过模拟软件或实际数据驱动的仿真系统模拟火情演化，使用强化学习直接在策略空间优化，在模拟环境中充分测试算法，评估不同场景下的灭火效果。
48、根据本技术实施例的一方面，提供了一种用于消防车的智能灭火设备能源管理模块，所述能源管理模块负责监控和管理灭火行动中的能源消耗，确保能源的高效利用和可持续供应，通过实时监测灭火设备的工作状态和能源消耗情况，进行数据分析和预测，以优化能源分配和调度，能源管理模块会收集来自各个灭火设备和传感器的实时数据，利用历史数据预测未来作业任务的能耗模式，以优化能源分配，通过监测电池电压、电流、温度、内阻抗等，评估电池状态(soh)，基于预测能耗，动态调整充电速率和放电策略，使用pid控制器保持电池soc(荷电状态)在最佳范围。
49、根据本技术实施例的一方面，提供了一种用于消防车的智能灭火方法，所述方法包括：
50、s1、通过传感器和摄像头实时采集火场数据，包括火源位置、火势大小、环境参数等信息；
51、s2、火源定位单元对采集的数据进行处理，通过深度学习技术准确识别火源位置；
52、s3、火势分析单元对火势进行量化评估，确定火势等级和蔓延趋势；
53、s4、通过激光雷达获取周围环境的三维点云数据，并将二维火源位置映射到三维空间，以直观展示火势强弱和火源位置，处理后的点云数据可以导入三维可视化软件中进行场景重建和交互式浏览，为灭火行动提供有力支持；
54、s5、在获得火源定位和火势分析的结果后，策略优化与执行模块基于强化学习算法，根据实时火情分析结果动态调整灭火策略，通过与灭火环境进行实时互动学习，该模块能够不断优化灭火行动，确保灭火效率最大化；
55、s6、在灭火过程中，能源管理模块实时监控和管理灭火设备的能源消耗，收集来自设备的实时数据，预测未来作业任务的能耗模式，并根据预测结果动态调整充电速率和放电策略，以保持电池soc在最佳范围。
56、综上所述，本发明通过数据采集、预处理与融合、火势分析与火源定位、策略优化与执行以及能源管理等多个模块的综合运用，实现了对火灾现场的全面感知、快速定位、高效灭火和能源管理。通过深度神经网络和强化学习算法的应用，提高了灭火设备的智能化水平，解决了现有技术中存在的问题，为消防工作提供了更加科学、高效的支持。
57、本发明所述的一种用于消防车的智能灭火设备及方法，具有以下优点：
58、通过结合高精度热成像仪、光学摄像头和激光雷达等多种感知设备，本发明能够全方位覆盖火灾现场信息，对复杂地形或恶劣天气条件下的灭火作业具有更好的适应性。同时，深度神经网络的应用使得设备能够准确识别火势特征，定位火源位置，提高了定位的精度和可靠性。通过应用强化学习算法，本发明能够动态调整灭火策略，根据火势的实时变化进行智能决策，确保灭火效率最大化。这种动态优化的方式使得灭火行动更加科学、高效，减少了火势反复的可能性。本发明通过能源管理模块，能够预测作业耗能需求，智能管理电池电量，确保供电稳定。同时，结合太阳能板和能量回收技术，提高了设备的续航能力，使得灭火作业能够持续进行，不受电力供应的限制。
1.一种用于消防车的智能灭火设备，其特征在于，所述设备包括：
2.根据权利要求1所述的一种用于消防车的智能灭火设备，其特征在于，
3.根据权利要求1所述的一种用于消防车的智能灭火设备，其特征在于，
4.根据权利要求3所述的一种用于消防车的智能灭火设备，其特征在于，特征提取融合单元：
5.根据权利要求1所述的一种用于消防车的智能灭火设备，其特征在于，火势分析与火源定位模块：
6.根据权利要求5所述的一种用于消防车的智能灭火设备，其特征在于，火源定位单元：
7.根据权利要求5所述的一种用于消防车的智能灭火设备，其特征在于，火势分析单元：
8.根据权利要求5所述的一种用于消防车的智能灭火设备，其特征在于，三维映射单元：
9.根据权利要求1所述的一种用于消防车的智能灭火设备，其特征在于，策略优化与执行模块：
10.一种用于消防车的智能灭火方法，其特征在于，所述方法包括：
