航天科工广信智能技术有限公司

采集了古民居建筑内部及周边的红外热成像数据、可见光视频监控图像（包含明火、吸烟、易燃物堆放等行为特征）、以及环境温度和烟雾浓度等物联网传感数据。通过对上述多源异构数据进行深度学习与融合分析，得到了关于明火出现、易燃物违规堆放、人员吸烟行为以及环境温湿度异常的实时检测结果与风险研判等级。该结果应用到古民居（木构建筑）的火灾风险智能监测与早期预警场景下，达到了降低火灾误报率、实现火灾隐患与人为违规行为（如吸烟、堆物）精准识别的效果，切实提升了古建筑在复杂环境下的火灾防控能力。1. 数据说明：通过企业在古民居建筑现场部署的多感合一数据采集装置，采集了多模态感知数据，具体包括：通过高精度红外热像探测器和可见光视频设备采集的图像与视频数据（覆盖明火、易燃物堆放、吸烟等场景）；通过物联网传感器采集的实时烟雾浓度数据和温度传感数据；对上述多源异构数据进行处理，构建火灾风险精准识别模型，通过召回率表示模型预测的精确度，召回率是模型正确预测的真阳性样本（实际为正且被预测为正的样本数）占所有实际阳性样本的比例（例如实际样本中有火灾出现的场景为100个，模型成功识别出90个，漏了10个，召回率即为90%），反应了模型对正样本的覆盖能力。 2. 对上述数据进行了以下处理： （1）视觉数据处理：将通过高精度红外热像探测器和可见光视频设备采集的视频图像数据作为视觉数据，采用改进的 YOLOv11 图像分割、检测与分类模型，对视觉数据进行特征提取，重点识别明火、易燃物堆放和吸烟三类目标行为，并利用 DeepSort 框架进行目标跟踪，输出视觉数据风险权重。 （2）多模态融合处理：将通过物联网传感器采集的烟雾浓度数据和温度传感数据的环境传感数据作为传感数据，结合传感数据权重，利用多模态特征融合技术（结合注意力机制），将视觉数据与传感数据进行加权融合分析，剔除噪声干扰，综合计算，得到火灾风险预警结果。 3. 数据内容：本数据对于古民居建筑火灾风险智能预警与态势感知作用效果显著，实现了对火灾风险（召回率95%）的精准自动识别； 基于多维数据的早期火灾报警，有效解决了传统烟感设备在古建筑开放环境下误报率高的问题，形成了“人防+技防”的闭环处置能力。