本发明提出了一种全天候消防火灾巡逻预警监控系统及火灾图像检测方法，包括如下步骤：S1，将全部监控系统的原始图像进行汇总收集，将出现噪声的图像进行图像预处理，通过局部特征均值方法改机图像度量权值；S2，对改进图像度量权值的特征图像进行图像纹理边界匹配；S3，将图像纹理边界匹配后的特征图像通过特征点提取方法进行火焰纹理特征提取。
1.一种全天候消防火灾巡逻预警监控系统，其特征在于，包括：控制终端温度信号端连接温度传感器信号发送端，控制终端烟雾信号端连接烟雾传感器信号发送端，控制终端短路控制端连接短路控制器工作信号端，控制终端喷水信号端连接喷水控制器工作信号端，控制终端楼道监控信号接收端连接楼道监控系统信号发送端，控制终端电梯监控信号接收端连接电梯监控系统信号发送端，控制终端消防通道监控信号接收端连接消防通道监控系统信号发送端；
S1，将全部监控系统的原始图像进行汇总收集，将出现噪声的图像进行图像预处理，通过局部特征均值方法改进图像度量权重系数；
S1-1，将收集的监控系统图像进行预处理得到图像集合M＝{m(t)+n(t)|t∈T}，T为时间序列，m(t)为白天连续变化图像集合，n(t)为夜晚连续变化图像集合，该集合为按照时间序列形成的图像集合，从而获取图像集合中动态图像集合，按照时间顺序进行排序；
将连续图像特征变换与灰度关联性指标去噪相融合形成权值重构，从图像特征纹理进行扫描，由改进图像度量权重系数计算为：Z(x,y)＝[ζld(x,y)ζdt(x,y)ζxf(x,y)]·[ωld(x,y)ωdt(x,y)ωxf(x,y)]；
ζld(x,y)是楼道连续图像特征变换因子，ζdt(x,y)是电梯连续图像特征变换因子，ζxf(x,y)是消防通道连续图像特征变换因子，ωld(x,y)是楼道灰度关联性指标去噪因子，ωdt(x,y)是电梯灰度关联性指标去噪因子，ωxf(x,y)是消防通道灰度关联性指标去噪因子，x和y为图像特征坐标值；
通过改进图像度量权重系数获取正常图像和异常图像的相关度距离，
其中，C为图片相关度能量值；M为相关度调节系数；ω为关联性指标系数；t为图片排序时间；φ为时间间隔差值，函数r(*)为进度函数；
S1-2，将通过相关度距离测算之后的图像特征划分为连续的图像序列，每个序列包含N张图片；获得依次序列图像特征P1,P2,...,PN和监控系统图像特征序列对(P′1,P′2),(P′2,P′3),...,(P′L-1,P′L)；监控系统获取图像序列为L张图片，监控系统图像特征序列对是根据原始采集的图像特征形成的集合，区分图像特征显著纹理变化起始点；
将相关度距离测算之后的图像特征中以像素a为中心，尺寸大小为x×y的图像像素集逐行排列，将K作为相关度距离测算之后的图像特征所有像素的集合；
Kx为x轴相关度距离测算之后的图像特征像素值，Ky为y轴相关度距离测算之后的图像特征像素值，γ为误差调节系数；
相关度距离测算之后的图像特征在进行像素逐行扫描时，以x轴和y轴为坐标的相关度距离测算之后的图像特征划分为连续的图像序列特征关联度；
S2，对改进图像度量权重系数的特征图像进行图像纹理边界匹配；
S3，将图像纹理边界匹配后的特征图像通过特征点提取方法进行火焰纹理特征提取。
2.根据权利要求1所述的全天候消防火灾巡逻预警监控系统，其特征在于，所述控制终端数据传输端连接远程终端数据接收端。
3.根据权利要求1所述的全天候消防火灾巡逻预警监控系统，其特征在于，所述S2进行图像纹理边界匹配包括：S2-1，根据改进图像度量权重系数计算的相关度距离图像特征P1,P2,...,PN，获得RGB颜色变化均值Ravg、Gavg和Bavg；计算当前监控系统图像特征颜色变化度AVGL并存储结果；
S2-2，将当前监控系统图像特征颜色变化度AVGL与监控系统图像特征的平均颜色变化度MID比较，当变化阈值大于等于Q时，则判断为疑似异常图像纹理边界特征，如果变化阈值小于Q时，则判断为正常图像纹理特征；
4.根据权利要求3所述的全天候消防火灾巡逻预警监控系统，其特征在于，所述S3包括：S3-1，将图像纹理边界匹配后的特征图像以帧像素点为中心，对其半径为R的圆上若干个像素点进行逐点采样，得到以帧像素点为中心的特征图像序列值，形成特征图像采样点，将相邻点的颜色变化度与该采样点灰度值求平均，计算加权后的特征图像采样点灰度值，将特征图像采样点灰度值进行编码，形成编码定义：其中调节系数α、β∈(0,1)，对第i张图像的纵向图像像素点ri-1和横向图像像素点si+1在间隔两张图像状态下的分布比例，以及对第j张图像的纵向图像像素点rj+1和横向图像像素点sj-1在间隔两张图像状态下的分布比例，通过间隔图像特征阈值u为该编码定义进行比例调节，图像纹理再现频率g对间隔两张图像状态下的分布比例的灰度值编码进行计算，vi,j为采样点的影响权值，η(t)为采样点灰度值的影响因子，间隔两张图像状态对图像纹理特征的贡献值比较明显，因此通过间隔两张图像的编码定义获取图像纹理边界的贡献度；
S3-2，对于图像纹理边界匹配后的特征图像的每个像素点，在均匀分布在半径为R的圆上的W个像素点中，对第i张图像的纵向图像像素点ri-1和横向图像像素点si+1在间隔两张图像状态下的分布比例，以及对第j张图像的纵向图像像素点rj+1和横向图像像素点sj-1在间隔两张图像状态下的分布比例，分别计算R，W的CODgrey(i,j)编码值；
其中f(*)为火焰纹理特征提取函数，k∈[0,K]，h∈[0,H]其中，大写K为第i和第j张图像中形成的最大图片差异值，大写H为第i和第j张图像中形成的最大图片纹理特征差异值，该图片差异值是未检测到火焰纹理特征的图片差异数值，该图片纹理特征差异值是检测到火焰纹理特征的图片差异数值；
S3-3，在监控系统的图像特征点像素的获取范围中，每个像素点计算其梯度的模和趋势方向向量；每个图像特征像素点对该图像特征像素点的梯度模值和高斯圆窗联合加权决定；梯度直方图峰值最高的方向被指定为特征点的主方向，由于距离视频图像特征点越近的子区域像素对特征点进行描述时的贡献越大，为了增强提取火焰纹理特征变化的鲁棒性，对基于该提取公式收集的图像特征进行归一化计算，先进行一次归一化从而滤除光线变化干扰；二次归一化，从而消除阴影变化。
全天候消防火灾巡逻预警监控系统及火灾图像检测方法
技术领域
[0001] 本发明涉及智能自动化控制领域，尤其涉及一种全天候消防火灾巡逻预警监控系统及火灾图像检测方法。
背景技术
[0002] 随着对安全城市和智慧城市的建设，在建筑的公共区域已经安装了大量视频监控系统，但是摄像头的安装并没有和楼宇中的其它的智能设备形成数据互联，同时无法对于楼宇中相应的喷淋设备进行联动控制，无法完成火灾等突发事件过程中的灭火和报警工作，而且摄像采集设备获取的海量数据并不能对图像进行主动筛选，仅仅是被动抓拍，形成了大量的图像文件之后，没有进行主动判断，采集的视频图像显示期间，视频图像局部特征反映图像的局部结构和信息，局部特征对遮挡和背景干扰有较高的干扰度，从而应用在图像匹配、目标识别过程中，将图像匹配或特征匹配问题转化为特征向量的相似性匹配，将局部特征数据具备鲁棒性和可区分性的特点需要通过数据收敛进行提炼抓取。这就亟需本领域技术人员解决相应的技术问题。
发明内容
[0003] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种全天候消防火灾巡逻预警监控系统及火灾图像检测方法。
[0004] 为了实现本发明的上述目的，本发明提供了本发明公开一种全天候消防火灾巡逻预警监控系统，包括：控制终端温度信号端连接温度传感器信号发送端，控制终端烟雾信号端连接烟雾传感器信号发送端，控制终端短路控制端连接短路控制器工作信号端，控制终端喷水信号端连接喷水控制器工作信号端，控制终端楼道监控信号接收端连接楼道监控系统信号发送端，控制终端电梯监控信号接收端连接电梯监控系统信号发送端，控制终端消防通道监控信号接收端连接消防通道监控系统信号发送端。通过楼道监控系统对楼道中发生的明火图像进行实时观测，根据相应的分析检测方法获取火源图像的检测图片进行后续的比对处理，并触发喷水控制器进行喷淋操作，同时通过短路控制器切断工作电源。
[0005] 优选的，所述控制终端数据传输端连接远程终端数据接收端。
[0006] 本发明还公开一种全天候消防火灾图像检测方法，包括如下步骤：
[0007] S1，将全部监控系统的原始图像进行汇总收集，将出现噪声的图像进行图像预处理，通过局部特征均值方法改机图像度量权重系数；
[0008] S2，对改进图像度量权重系数的特征图像进行图像纹理边界匹配；
[0009] S3，将图像纹理边界匹配后的特征图像通过特征点提取方法进行火焰纹理特征提取。
[0010] 优选的，所述S1局部特征均值方法包括：
[0011] S1-1，将收集的监控系统图像进行预处理得到图像集合M＝{m(t)+n(t)|t∈T}，T为时间序列，m(t)为白天连续变化图像集合，n(t)为夜晚连续变化图像集合，该集合为按照时间序列形成的图像集合，从而获取图像集合中动态图像集合，按照时间顺序进行排序；
[0012] 将连续图像特征变换与灰度关联性指标去噪相融合形成权值重构，从图像特征纹理进行扫描，由改进图像度量权重系数计算为：
[0013] Z(x,y)＝[ζld(x,y)ζdt(x,y)ζxf(x,y)]·[ωld(x,y)ωdt(x,y)ωxf(x,y)][0014] ζld(x,y)是楼道连续图像特征变换因子，ζdt(x,y)是电梯连续图像特征变换因子，ζxf(x,y)是消防通道连续图像特征变换因子，ωld(x,y)是楼道灰度关联性指标去噪因子，ωdt(x,y)是电梯灰度关联性指标去噪因子，ωxf(x,y)是消防通道灰度关联性指标去噪因子，x和y为图像特征坐标值；
[0015] 通过改进图像度量权重系数获取正常图像和异常图像的相关度距离，[0016]
[0017] 其中，C为图片相关度能量值；M为相关度调节系数；ω为关联性指标系数；t为图片排序时间；φ为时间间隔差值，函数r(*)为进度函数，表示图片特征在一个周期内突变的越显著对其形成相关度距离越远，提炼图片特征相关度越强。
[0018] S1-2，将通过相关度距离测算之后的图像特征划分为连续的图像序列，每个序列包含N张图片；获得依次序列图像特征P1,P2,...,PN和监控系统图像特征序列对(P'1,P'2),(P'2,P'3),...,(P'L-1,P'L)；监控系统获取图像序列为L张图片，监控系统图像特征序列对是根据原始采集的图像特征形成的集合，区分图像特征显著纹理变化起始点；
[0019] 将相关度距离测算之后的图像特征中以像素a为中心，尺寸大小为x×y的图像像素集逐行排列，
[0020] 将K做为相关度距离测算之后的图像特征所有像素的集合；
[0021] 其中，以中心像素a形成的图像特征向量为：
[0022] Va(l)＝Kx(l+1)+Ky(l)+γ·Kx(l+1)·Ky(l),l＝1,2,···,N-1，
[0023] Kx为x轴相关度距离测算之后的图像特征像素值，Ky为y轴相关度距离测算之后的图像特征像素值，γ为误差调节系数；
[0024] 相关度距离测算之后的图像特征在进行像素逐行扫描时，以x轴和y轴为坐标的相关度距离测算之后的图像特征划分为连续的图像序列特征关联度；
[0025]
[0026] 其中ρ为传播系数。
[0027] 优选的，所述S2进行图像纹理边界匹配包括：
[0028] S2-1，根据改进图像度量权重系数计算的相关度距离图像特征P1,P2,...,PN里的RGB颜色变化均值Ravg、Gavg和Bavg；计算当前监控系统图像特征颜色变化度AVGL并存储结果；
[0029] S2-2，，将当前监控系统图像特征颜色变化度AVGL与监控系统图像特征的平均颜色变化度MID比较，当变化阈值大于等于Q时，则判断为疑似异常图像纹理边界特征，如果变化阈值小于Q时，则判断为正常图像纹理特征；
[0030] 通过
[0031]
[0032]
[0033]
[0034]
[0035] 通过对改进图像度量权重系数计算的相关度距离图像特征P1,P2,...,PN里的RGB颜色变化均值Ravg、Gavg和Bavg的计算之后，求解监控系统图像特征颜色变化度AVGL；最终根据当前监控系统图像特征颜色变化度AVGL与监控系统图像特征的平均颜色变化度MID比较，获取异常图像纹理特征。
[0036] 进一步执行所述S3的步骤：
[0037] S3-1，将图像纹理边界匹配后的特征图像以帧像素点为中心，对其半径为R的圆上若干个像素点进行逐点采样，得到以帧像素点为中心的特征图像序列值，形成特征图像采样点，将相邻点的颜色变化度与该采样点灰度值求平均，计算加权后的特征图像采样点灰度值，将特征图像采样点灰度值进行编码，形成编码定义：
[0038]
[0039]
[0040] 其中调节系数α、β∈(0,1)，对第i张图像的纵向图像像素点ri-1和横向图像像素点si+1在间隔两张图像状态下的分布比例，以及对第j张图像的纵向图像像素点rj+1和横向图像像素点sj-1在间隔两张图像状态下的分布比例，通过间隔图像特征阈值u为该编码定义进行比例调节，图像纹理再现频率g对间隔两张图像状态下的分布比例的灰度值编码进行计算，vi,j为采样点的影响权值，η(t)为采样点灰度值的影响因子，间隔两张图像状态对图像纹理特征的贡献值比较明显，因此通过间隔两张图像的编码定义获取图像纹理边界的贡献度，；
[0041] S3-2，对于图像纹理边界匹配后的特征图像的每个像素点，在均匀分布在半径为R的圆上的W个像素点中，对第i张图像的纵向图像像素点ri-1和横向图像像素点si+1在间隔两张图像状态下的分布比例，以及对第j张图像的纵向图像像素点rj+1和横向图像像素点sj-1在间隔两张图像状态下的分布比例，分别计算R，W的CODgrey(i,j)编码值；
[0042] 利用火焰纹理特征提取公式：
[0043]
[0044] 其中f(*)为火焰纹理特征提取函数，k∈[0,K]，h∈[0,H]其中，大写K为第i和第j张图像中形成的最大图片差异值，大写H为第i和第j张图像中形成的最大图片纹理特征差异值，该图片差异值是未检测到火焰纹理特征的图片差异数值，该图片纹理特征差异值是检测到火焰纹理特征的图片差异数值；
[0045] S3-3，在监控系统的图像特征点像素的获取范围中，每个像素点计算其梯度的模和趋势方向向量；每个图像特征像素点对该图像特征像素点的梯度模值和高斯圆窗联合加权决定；梯度直方图峰值最高的方向被指定为特征点的主方向，由于距离视频图像特征点越近的子区域像素对特征点进行描述时的贡献越大，为了增强提取火焰纹理特征变化的鲁棒性，对基于该提取公式收集的图像特征进行归一化计算，先进行一次归一化从而滤除光线变化干扰；二次归一化，从而消除阴影变化。
[0046] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0047] 通过全天候火灾巡逻预警监控系统，实现了全天候的火灾预防工作，对建筑物或者楼宇中的任何角落都进行实时观测，并完成消防预警操作。而且通过数据收集模块进行火焰纹理特征图像提取，第一时间发现火焰的变化趋势，从而将匹配的图像数据传输到控制终端，进而执行喷淋操作或者报警操作。
[0048] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0049] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0050] 图1是本发明电路示意图；
[0051] 图2是本发明方法流程图；
[0052] 图3是本发明实施效果图。
具体实施方式
[0053] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0054] 如图1所示，本发明公开一种全天候消防火灾巡逻预警监控系统，包括：控制终端温度信号端连接温度传感器信号发送端，控制终端烟雾信号端连接烟雾传感器信号发送端，控制终端短路控制端连接短路控制器工作信号端，控制终端喷水信号端连接喷水控制器工作信号端，控制终端楼道监控信号接收端连接楼道监控系统信号发送端，控制终端电梯监控信号接收端连接电梯监控系统信号发送端，控制终端消防通道监控信号接收端连接消防通道监控系统信号发送端。通过楼道监控系统对楼道中发生的明火图像进行实时观测，根据相应的分析检测方法获取火源图像的检测图片进行后续的比对处理，并触发喷水控制器进行喷淋操作，同时通过短路控制器切断工作电源。
[0055] 优选的，所述控制终端数据传输端连接远程终端数据接收端。
[0056] 如图2所示，本发明还公开一种全天候消防火灾图像检测方法，包括如下步骤：
[0057] S1，将全部监控系统的原始图像进行汇总收集，将出现噪声的图像进行图像预处理，通过局部特征均值方法改机图像度量权重系数；
[0058] S2，对改进图像度量权重系数的特征图像进行图像纹理边界匹配；
[0059] S3，将图像纹理边界匹配后的特征图像通过特征点提取方法进行火焰纹理特征提取。
[0060] 优选的，所述S1局部特征均值方法包括：
[0061] S1-1，将收集的监控系统图像进行预处理得到图像集合M＝{m(t)+n(t)|t∈T}，T为时间序列，m(t)为白天连续变化图像集合，n(t)为夜晚连续变化图像集合，该集合为按照时间序列形成的图像集合，从而获取图像集合中动态图像集合，按照时间顺序进行排序；
[0062] 将连续图像特征变换与灰度关联性指标去噪相融合形成权值重构，从图像特征纹理进行扫描，由改进图像度量权重系数计算为：
[0063] Z(x,y)＝[ζld(x,y)ζdt(x,y)ζxf(x,y)]·[ωld(x,y)ωdt(x,y)ωxf(x,y)][0064] ζld(x,y)是楼道连续图像特征变换因子，ζdt(x,y)是电梯连续图像特征变换因子，ζxf(x,y)是消防通道连续图像特征变换因子，ωld(x,y)是楼道灰度关联性指标去噪因子，ωdt(x,y)是电梯灰度关联性指标去噪因子，ωxf(x,y)是消防通道灰度关联性指标去噪因子，x和y为图像特征坐标值；
[0065] 通过改进图像度量权重系数获取正常图像和异常图像的相关度距离，[0066]
[0067] 其中，C为图片相关度能量值；M为相关度调节系数；ω为关联性指标系数；t为图片排序时间；φ为时间间隔差值，函数r(*)为进度函数，表示图片特征在一个周期内突变的越显著对其形成相关度距离越远，提炼图片特征相关度越强。
[0068] S1-2，将通过相关度距离测算之后的图像特征划分为连续的图像序列，每个序列包含N张图片；获得依次序列图像特征P1,P2,...,PN和监控系统图像特征序列对(P'1,P'2),(P'2,P'3),...,(P'L-1,P'L)；监控系统获取图像序列为L张图片，监控系统图像特征序列对是根据原始采集的图像特征形成的集合，区分图像特征显著纹理变化起始点；
[0069] 将相关度距离测算之后的图像特征中以像素a为中心，尺寸大小为x×y的图像像素集逐行排列，
[0070] 将K做为相关度距离测算之后的图像特征所有像素的集合；
[0071] 其中，以中心像素a形成的图像特征向量为：
[0072] Va(l)＝Kx(l+1)+Ky(l)+γ·Kx(l+1)·Ky(l),l＝1,2,···,N-1，
[0073] Kx为x轴相关度距离测算之后的图像特征像素值，Ky为y轴相关度距离测算之后的图像特征像素值，γ为误差调节系数；
[0074] 相关度距离测算之后的图像特征在进行像素逐行扫描时，以x轴和y轴为坐标的相关度距离测算之后的图像特征划分为连续的图像序列特征关联度；
[0075]
[0076] 其中ρ为传播系数。
[0077] 优选的，所述S2进行图像纹理边界匹配包括：
[0078] S2-1，根据改进图像度量权重系数计算的相关度距离图像特征P1,P2,...,PN里的RGB颜色变化均值Ravg、Gavg和Bavg；计算当前监控系统图像特征颜色变化度AVGL并存储结果；
[0079] S2-2，，将当前监控系统图像特征颜色变化度AVGL与监控系统图像特征的平均颜色变化度MID比较，当变化阈值大于等于Q时，则判断为疑似异常图像纹理边界特征，如果变化阈值小于Q时，则判断为正常图像纹理特征；
[0080] 通过
[0081]
[0082]
[0083]
[0084]
[0085] 通过对改进图像度量权重系数计算的相关度距离图像特征P1,P2,...,PN里的RGB颜色变化均值Ravg、Gavg和Bavg的计算之后，求解监控系统图像特征颜色变化度AVGL；最终根据当前监控系统图像特征颜色变化度AVGL与监控系统图像特征的平均颜色变化度MID比较，获取异常图像纹理特征。
[0086] 如图3所示，通过实验证明，进一步执行所述S3的步骤：
[0087] S3-1，将图像纹理边界匹配后的特征图像以帧像素点为中心，对其半径为R的圆上若干个像素点进行逐点采样，得到以帧像素点为中心的特征图像序列值，形成特征图像采样点，将相邻点的颜色变化度与该采样点灰度值求平均，计算加权后的特征图像采样点灰度值，将特征图像采样点灰度值进行编码，形成编码定义：
[0088]
[0089]
[0090] 其中调节系数α、β∈(0,1)，对第i张图像的纵向图像像素点ri-1和横向图像像素点si+1在间隔两张图像状态下的分布比例，以及对第j张图像的纵向图像像素点rj+1和横向图像像素点sj-1在间隔两张图像状态下的分布比例，通过间隔图像特征阈值u为该编码定义进行比例调节，图像纹理再现频率g对间隔两张图像状态下的分布比例的灰度值编码进行计算，vi,j为采样点的影响权值，η(t)为采样点灰度值的影响因子，间隔两张图像状态对图像纹理特征的贡献值比较明显，因此通过间隔两张图像的编码定义获取图像纹理边界的贡献度，；
[0091] S3-2，对于图像纹理边界匹配后的特征图像的每个像素点，在均匀分布在半径为R的圆上的W个像素点中，对第i张图像的纵向图像像素点ri-1和横向图像像素点si+1在间隔两张图像状态下的分布比例，以及对第j张图像的纵向图像像素点rj+1和横向图像像素点sj-1在间隔两张图像状态下的分布比例，分别计算R，W的CODgrey(i,j)编码值；
[0092] 利用火焰纹理特征提取公式：
[0093]
[0094] 其中f(*)为火焰纹理特征提取函数，k∈[0,K]，h∈[0,H]其中，大写K为第i和第j张图像中形成的最大图片差异值，大写H为第i和第j张图像中形成的最大图片纹理特征差异值，该图片差异值是未检测到火焰纹理特征的图片差异数值，该图片纹理特征差异值是检测到火焰纹理特征的图片差异数值；
[0095] S3-3，在监控系统的图像特征点像素的获取范围中，每个像素点计算其梯度的模和趋势方向向量；每个图像特征像素点对该图像特征像素点的梯度模值和高斯圆窗联合加权决定；梯度直方图峰值最高的方向被指定为特征点的主方向，由于距离视频图像特征点越近的子区域像素对特征点进行描述时的贡献越大，为了增强提取火焰纹理特征变化的鲁棒性，提取出的火焰纹理特征图像通过滤镜进行反色处理，能够进一步校验火焰纹理特征图像的真实性，然后再对基于该提取公式收集的图像特征进行归一化计算，先进行一次归一化从而滤除光线变化干扰；二次归一化，从而消除阴影变化。
[0096] 根据火焰纹理特征提取方法将匹配的疑似火焰图像传输到控制终端进行反馈，从而有控制终端执行喷淋操作或者报警操作。此时，远程终端根据历史档案数据以及远程监控数据对采取的喷淋操作或者报警操作进行远程监控。
[0097] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
