石油属于全球重要的战略资源,其需求量日益增大,国家经济的发展离不开它。由于石油具有易燃的属性,极易引发火灾、爆炸,给人民生命财产造成巨大的损失。因此,石油储运的消防工作至关重要。油库负责接收、存储和发放原油或成品油,主要由油罐区和泵房区组成,对油罐区和泵房区进行火情检测是保证油库消防安全的必要手段。近年来,随着计算机和现代通信技术的引入,油库消防设施的自动化和智能化水平显著提高,然而,目前油库火情检测手段较为单一,触发警报的偶然性较大,容易造成油库火情的误报。因此,增加对油库火情的检测手段,建立多要素融合的火情决策机制,对油库消防系统的升级与优化具有重大的意义。传统的火情检测利用感温探测器、感烟探测器等传感器完成,通过检测油库现场温度、烟气等参数判断是否有火情发生;目前,图像识别技术被应用到火情检测领域,它是通过分析监控视频图像判断是否有火焰产生,其经典的方法是通过分析颜色、透明度、形状、纹理等特征来训练分类器,而基于深度学习的方法是利用卷积神经网络模型对视频帧中的图像直接处理。据文献所知,基于火情检测传感器信号与监控视频图像识别结合的火情检测系统的研究尚不成熟。本文融合火情检测传感器信号与监控视频图像识别结果,建立多要素火情决策机制,搭建油库火情检测系统,旨在解决新疆某油库无人泵房的火灾信号本地报警问题,并完善油库消防系统。火情检测系统由感温探测器、感烟探测器、手动报警按钮、PLC系统与安防摄像头构成。火情检测系统分三部分实现:将无人泵房中的火情检测传感器信号上传至中心控制室,使油库外的中心控制室能够远程接收报警信号;绘制上位机画面,通过建立组态王记录体将报警信号同步到MySQL数据库,再利用Canal中间件实现MySQL主从复制的功能监控报警信号的变化,从而实现触发监控视频的图像处理;对火情检测传感器附近的监控图像分别进行处理,并显示出现场火情的监控图像。针对监控视频图像处理:搭建出卷积神经网络模型,采用TensorFlow框架对自建样本集进行训练;对视频帧进行双边滤波滤除噪声;先使用三帧差法与混合高斯建模算法结合准确提取火焰前景,而后得到火焰疑似区域;将火焰疑似区域调整到统一大小,作为模型的输入,得到帧处理的判定结果,处理结果为火焰时显示画面。本文搭建实验平台,实现测试流程,并验证模型的可用性。