CN111080027A - 一种动态逃生指引方法及*** - Google Patents
一种动态逃生指引方法及*** Download PDFInfo
- Publication number
- CN111080027A CN111080027A CN201911365696.7A CN201911365696A CN111080027A CN 111080027 A CN111080027 A CN 111080027A CN 201911365696 A CN201911365696 A CN 201911365696A CN 111080027 A CN111080027 A CN 111080027A
- Authority
- CN
- China
- Prior art keywords
- path
- escape
- dynamic
- picture
- real time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000000779 smoke Substances 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 241000287107 Passer Species 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于安全疏散技术领域,涉及一种动态逃生指引方法及***。该方法包括离线训练阶段和在线动态逃生指引阶段;所述离线训练阶段基于图像识别得到路径安全状态识别模型;所述在线动态逃生指引阶段实时获取通行区的图片,输入所述路径安全状态识别模型,判断路径是否安全,如某路径不安全,实时将由所处场景抽象成的无向图中,对应的不安全路径的权值改为无穷大;基于最短路径算法实时对修改后的无向图进行避开不安全路径的最短路径规划,并按照规划出的最短路径,实时动态地进行逃生指引。本发明能够实现最短逃生路径的实时动态求解,并据此进行逃生指引,由此解决现有技术难以实时动态进行逃生指引的技术问题。
Description
技术领域
本发明属于安全疏散技术领域,更具体地,涉及一种动态逃生指引方法及***,其既能适用于大型交通枢纽中的实时、动态逃生指引,也能适用于一般场景下的实时、动态逃生指引。
背景技术
近年来,各大城市均建设了许多地下综合体一类的大型交通枢纽场所,这些场所具有内部空间大、结构复杂、人员密度大等特点。随着交通枢纽数量的急剧增长、规模的逐步扩张和愈加复杂的内部结构,直接导致了疏散路径长、疏散路线复杂的弊端,进而造成人员疏散行动混乱,疏散时间长、疏散效率低。面对火灾、恐怖袭击、踩踏和地震等突发事件,人们对逃生指引***提出了新的更高的要求。
为了解决上述问题,有学者提出了利用蚁群算法,直接将人数作为因变量进行逃生路径模拟计算,从而直接根据人数不同规划不同的逃生路径。该方法对于小范围内人数固定的场所进行事前规划的效果较好。但是,由于蚁群算法收敛速度慢、易陷入局部最优,一般需要较长的搜索时间,而且该方法容易出现停滞现象,即搜索进行到一定程度后,所有个体发现的解完全一致,不能对解空间进一步进行搜索,不利于发现更好的解,因此对于大型交通枢纽场所的实时逃生路线,存在如下问题:
(1)由于大型交通枢纽场所的人数是实时动态变化的,无法实时统计,且高峰期和低峰期人数差异巨大,而蚁群算法训练过程中的起始蚂蚁数量是固定的,且需要遍历所有蚂蚁,因此蚂蚁数量直接决定算法求解效率,数量越多求解越慢,实时性越差,采用蚁群算法实时基于人数进行路径规划难以适应大型交通枢纽场所的实际场景需求;
(2)由于大型交通枢纽场所通道众多,人数分布也不可控,当危险来临之际,特别是在逃生路径出现突发事故时,部分的通道和空间很大可能上将因某些问题不可使用,例如大火阻隔、倒塌物堵塞、人群骚乱拥堵或者发生了踩踏等等。而蚁群算法的本质就在于模仿蚂蚁习性,以最多蚂蚁选择的路径作为最优路径,反而更容易引导人群聚集于同一逃生路径上导致拥堵,发生危险。
(3)此外,由于目前基于蚁群算法的全局最优路径规划均属于事前规划,采用的应急疏散标志灯具大部分按照预先规划好的路径,以静态的、不可变的单体形式存在,在紧急疏散时,常常会出现逃生盲区,甚至造成误导现象。
上述原因均使得大型交通枢纽场所的逃生路径,难以实时动态地进行规划和调整。
为此,亟需能够实时、动态进行疏散逃生指引的方法及***,以实现“安全、准确、迅速”地引导人员逃生。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种动态逃生指引方法及***,其目的在于,基于深度学习的图像识别技术实时监控和识别交通枢纽中的空间及通道的可用状态,并据此实时动态修正场景无向图中对应路径的权值,然后直接利用最短路径算法快速求解出最短逃生路径,实现最短逃生路径的实时动态求解,并据此进行逃生指引,由此解决现有技术难以实时动态进行逃生指引的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种动态逃生指引方法,包括离线训练阶段和在线动态逃生指引阶段:
所述离线训练阶段,采用火焰图片与无火图片、有人图片与无人图片、人员摔倒、拥堵图片与人员正常通行图片,以及塌陷、塌堵图片与正常场景图片中的至少一种组合,对神经网络进行训练,得到路径安全状态识别模型;
所述在线动态逃生指引阶段包括如下步骤:
步骤1:实时获取通行区的图片,输入所述路径安全状态识别模型,判断路径是否安全,如某路径不安全,转步骤2;
步骤2:实时将由所处场景抽象成的无向图中,对应的不安全路径的权值改为无穷大;
步骤3:基于最短路径算法实时对步骤2修改后的无向图进行避开不安全路径的最短路径规划,并按照规划出的最短路径,实时动态地进行逃生指引。
进一步地,所述神经网络采用既有底层网络进行迁移训练,从而快速获得路径安全状态识别模型。
进一步地,将底层网络的学习率调小,同时将上层网络的学习率调大。
进一步地,步骤1中,人员拥堵造成路径不安全的识别方式采用如下至少一种:
(1)若在离线训练阶段采用有人图片与无人图片进行训练,则在步骤1中记录某一通行区在单位时间内所述路径安全状态识别模型识别出的通行人员的数量,与对应通行区设计的最大通行容量进行比较,超出最大通行容量则视为该通行区的路径不安全;
(2)若在离线训练阶段采用人员摔倒图片与人员正常通行图片进行训练,则在步骤1中,识别出有人员摔倒时即视为对应的路径不安全;
(3)若在离线训练阶段采用人员拥堵图片与人员正常通行图片进行训练,则在步骤1中,直接识别出是否存在人员拥堵。
进一步地,步骤2中所述无向图按照如下方式抽象获得:将所有需要进行路径选择的路口抽象成点,相邻的点与点之间按照正常情况下可通行的路径进行连线构成一幅无向图,连线的权值设为相邻两路口之间的距离,因此,无向图包含从起点到终点的所有路口节点编号,路口之间的距离,以及路口之间的可通行路径。
进一步地,将无向图中的逃生起点位置用十进制矩阵s进行表示,终点位置用十进制矩阵t进行表示,起点与终点之间的距离采用十进制矩阵weights进行表示,采用的最短路径算法为dijkstra算法;通过实时更新十进制矩阵weights,利用dijkstra算法快速计算出绕过不安全路径的最短安全路径。
进一步地,步骤1中还包括从场景中的温度和/或烟雾传感器收取火焰、烟雾信息,从而更为准确、全面地判断路径安全状态。
为了实现上述目的,本发明还提供了一种动态逃生指引方法,在未发生险情时,以各个路口为起点,预先为各个路口规划多条通往同一或不同出口的全局最优逃生路线;
紧急疏散时,预先规划的多条逃生路线全部或者多路开放以分散逃生人员,同时采用如前任意一项所述的动态逃生指引方法,实时监控每条逃生路线上各个路口节点之间路径的安全性,以在预先规划的全局最优逃生路线基础上,根据路况变化实时动态地进行逃生路径的二次规划及指引,从而绕过不安全路径。
为了实现上述目的,本发明还提供了一种动态逃生指引***,包括处理器、路径安全状态识别模型以及动态逃生指引程序模块;
所述路径安全状态识别模型是通过如前任意一项所述的动态逃生指引方法中的离线训练阶段进行离线训练获得;
所述动态逃生指引程序模块在被所述处理器调用时,执行如前任意一项所述的动态逃生指引方法中的步骤1~3。
进一步地,包括:摄像头、指示灯以及无线连接模块;
多个所述摄像头分布于逃生路径对应的监控区域,用于拍摄监控范围内的图像,并通过无线连接模块上传至所述处理器;
多个所述指示灯分布于逃生通道中,通过无线连接模块接收处理器的指向指令;
所述处理器实时根据路径规划结果向各个所述指示灯发布指向指令,实现逃生路径的动态规划与指引。
总体而言,本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明的方法基于离线训练的路径安全状态识别模型进行路径安全性的判断,并针对不安全路径实时修改场景无向图,从而可以配合最短路径算法,实时避开危险路径而选择新的安全路径,实现逃生路径的实时动态规划及指引,具有智能化、动态化、实时化的特点,适用于各种大中小型场景,尤其适用于具有复杂路径和逃生人员状况的大型交通枢纽。
(2)基于迁移训练相比于无基础训练,可以提高离线训练的效率,快速获得准确率高的路径安全状态识别模型。
(3)由于隐藏层设计多了,就需要大量的训练集,导致越发容易发生过拟合,且需要海量的运算资源;但假如隐藏层的设计少了,准确率就不高,容易发生欠拟合,因此,本发明在迁移训练基础上,进一步通过将底层网络的学习率调小,同时将上层网络的学习率调大的方式,可以在不降低准确性的前提下,减少训练集的使用数量,进一步提高训练效率。
(4)多种不同的路径安全状态识别方式既可以针对不同通道的使用性质独立使用,也可以搭配使用,识别更加灵活全面。
(5)基于图论方法将场景抽象为无向图,可以简单直观地展示场景内的出入口和各种可行路径,简化后续的路径计算过程,而dijkstra算法的复杂度低,计算延迟低,可以实现近乎实时的路径规划,提高逃生效率。
(6)本发明的***基于图像处理技术,通过计算机的深度学习,实时自动辨别交通枢纽内的空间和通道是否可用,进而规划最优路径,并通过无线或有线数据链路(优选无线数据链路以避免因线路损毁造成的监控失灵),控制显示终端,最终在终端屏幕上显示可逃生方向或路线等,从而快速、正确地指引人们逃离事故现场。此外,由于采用图像识别方式,可以直接兼容和调用交通枢纽中的监控摄像头(即无需增添新的其他的监控设备)。因此本发明的***具有构思新颖、结构简单、经济实用、鲁棒性强、自动化程度高等突出特点。
附图说明
图1是本发明的***流程框图;
图2是本发明采用的迁移训练神经网络结构组成示意;
图3是以地下综合体为例基于图论抽象出无向图的演示;
图4是一个简化场景下的无向图示例;
图5是摄像机布局示意图,图中的三角形位置表示摄像机安装位置,左侧三角形为摄像机1,右侧三角形为摄像机2;
图6是摄像机1检测到通道9→10着火时,从出发点8到终点6的最短路径示意;inf表示对应通道的权重为无穷大;
图7是摄像机2检测到通道5→6着火时,从出发点8到终点6的最短路径示意;
图8是两个摄像机同时检测到着火时从出发点8到终点6的最短路径示意。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明利用深度学习算法对图像进行识别和分类,主要目的在于识别出明火、烟雾、建筑物局部垮塌、通道阻塞、人员拥挤等情况,然后根据这些信息动态地生成逃生路径,指引人们逃生。
而卷积神经网络(CNN)正是目前最为常用且有效的用于图像分类的深度学习网络,如图2所示,主要通过卷积运算对局部特征进行提取,然后将许多的低阶特征进行整合,识别出整体特征。当然,在实际的操作中,为了更好、更准确地实现分类的目的,优选地,本发明还添加了许多不同类型的层以加强其辨别的准确度,例如图像输入层、卷积层、全池化层、ReLU层、softmax层、dropout层、全连接层、图像输出层等等。
但在应用过程中,还是存在如下困难:隐藏层设计多了,就需要大量的训练集,导致越发容易发生过拟合,且需要海量的运算资源。但假如隐藏层的设计少了,准确率就不高,容易发生欠拟合。综合以上两点,本发明选用迁移学习方式,运用已经训练好的底层网络(例如AlexNet、vgg、GoogLeNet),同时对后面的全连接层和输出层进行修改,并且将前几层(即底层网络)的学习速率调慢,将最后几层(即上层网络)的学习速度加快。通过这样的方式,我们只需要相对较小的训练集就可以得到比较好的训练结果。
基于上述构思,如图1所示,本发明优选实施例的一种动态逃生指引方法,包括离线训练阶段和在线动态逃生指引阶段。
所述离线训练阶段,采用火焰图片与无火图片、有人图片与无人图片、人员摔倒、拥堵图片与人员正常通行图片,以及塌陷、塌堵图片与正常场景图片中的至少一种组合,对神经网络进行训练,得到路径安全状态识别模型。优选地,所述神经网络采用既有底层网络进行迁移训练,从而快速获得路径安全状态识别模型。优选地,将底层网络的学习率调小,同时将上层网络的学习率调大。
所述在线动态逃生指引阶段包括如下步骤:
步骤1:实时获取通行区的图片,输入所述路径安全状态识别模型,判断路径是否安全,如某路径不安全,转步骤2。
优选地,对于人员拥堵造成路径不安全的识别方式采用如下至少一种:
(1)若在离线训练阶段采用有人图片与无人图片进行训练,则在步骤1中记录某一通行区在单位时间内所述路径安全状态识别模型识别出的通行人员的数量,与对应通行区设计的最大通行容量进行比较,超出最大通行容量则视为该通行区的路径不安全。
(2)若在离线训练阶段采用人员摔倒图片与人员正常通行图片进行训练,则在步骤1中,识别出有人员摔倒时即视为对应的路径不安全。
(3)若在离线训练阶段采用人员拥堵图片与人员正常通行图片进行训练,则在步骤1中,直接识别出是否存在人员拥堵。
步骤2:实时将由所处场景抽象成的无向图中,对应的不安全路径的权值改为无穷大;所述无向图按照如下方式抽象获得:将所有需要进行路径选择的路口抽象成点,相邻的点与点之间按照正常情况下可通行的路径进行连线构成一幅无向图,连线的权值设为相邻两路口之间的距离,因此,无向图包含从起点到终点的所有路口节点编号,路口之间的距离,以及路口之间的可通行路径。
优选地,将无向图中的逃生起点位置用十进制矩阵s进行表示,终点位置用十进制矩阵t进行表示,起点与终点之间的距离采用十进制矩阵weights进行表示。
最短路径算法包括Dijkstra算法,Bellman-Ford算法,Floyd算法和SPFA算法等。本发明优选的最短路径算法为dijkstra算法;根据路径安全状态识别结果,实时更新十进制矩阵weights中对应路径的权重,然后利用dijkstra算法快速计算出绕过不安全路径的最短安全路径。
步骤3:基于最短路径算法实时对步骤2修改后的无向图进行避开不安全路径的最短路径规划,并按照规划出的最短路径,实时动态地进行逃生指引。
下面以一个更为具体的例子,对本发明的方法及***进行详细的介绍。
离线训练阶段:在一个具体的案例中,采用了一个25层架构的卷积神经网络,其结构层次示意如下:
由于卷积神经网络的训练是离线完成,具体的网络结构并没有特殊限制,工程人员自行搭建全新网络结构进行无基础训练亦可,只要不影响在线使用即可。
以火焰识别为例,上述神经网络模型的实际训练结果如下:
迭代训练成绩表
可见从第250次迭代开始,火焰识别准确率就已经达到了100%,训练效率和准确率极高。其他如人员识别、塌堵(因建筑物局部倒塌形成堵塞)识别、塌陷识别、拥堵识别、摔倒识别等,训练思路类似,不再赘述。
关于路径规划:在线动态逃生的关键在于路径的规划,而路径规划的基础必然是建筑结构内部所有已知的出入口及通道,因此先对建筑结构的抽象与简化进行介绍:
将建筑物内部的所有需要进行路径选择的路口抽象成点,通过点与点的连接构成一幅无向图,连线的权值即为两路口之间的距离,以完成建筑物的路径信息数字化,以地下综合体为例,其抽象为无向图的过程如图3所示,图中略去了权值。在无向图中,任意一个路口均可以作为起点或终点,因此路径规划方式非常灵活。
在路径抽象简化的过程中,计算机可以抓住建筑物的核心特点,忽略与路径无关的无用信息,并且通过图论的形式巧妙地将立体的建筑转化成平面或立体的点线图形。因此该方法适用于所有的大中小型场景,乃至大型复杂交通枢纽,尤其是现在日益复杂的地下空间以及超大型建筑的模拟。当需要进行路径规划时,只要根据不同建筑物的结构特点构造不同建筑的地图矩阵即可。
为便于说明和理解,如图4所示,本例选择了一个更为简单的平面无向图来代替图3的地下综合体。图4采用数字化矩阵表示如下:
s=[1 1 1 2 2 2 3 3 4 5 5 6 6 6 7 8 9 9 10 11 11 13 14]
t=[2 3 4 3 5 8 4 6 7 6 9 7 10 11 12 9 10 14 11 12 13 15 15]
weights=[30 10 30 30 20 20 30 20 20 20 20 20 10 20 20 10 10 10 10 2020 20 20]
该矩阵中,将无向图中的逃生起点位置用矩阵s进行表示,终点位置用矩阵t进行表示,起点与终点之间的距离采用矩阵weights进行表示。若记s、t、weights中的元素按从左到右的顺序依次为si、ti、weightsi,则weightsi表示si到ti的距离,i=1、2、…、23。
建筑物正常状态下的无向图预先生成并存储,然后可以直接在在线动态逃生指引阶段进行调用。
在线动态逃生指引阶段:
步骤1:以图5的摄像机布置为例(通常全部通道均可布置摄像机,本例只是为了简单说明故只以两个摄像机为例),通过摄像机1、摄像机2分别实时获取路径9→10和路径5→6的图片,输入所述路径安全状态识别模型,判断路径是否安全,如某路径不安全,转步骤2;
步骤2:实时将由所处场景抽象成的无向图中,对应的不安全路径的权值改为无穷大,如图6~8所示,不安全的路径用inf进行标记;
步骤3:基于最短路径算法实时对步骤2修改后的无向图进行避开不安全路径的最短路径规划,并按照规划出的最短路径,实时动态地进行逃生指引,下面以Dijkstra算法进行举例。
在该动态逃生指引的过程中,一般需要***及时有效地完成信息的收集处理和反馈,故我们在该***中未使用蚁群算法来计算最短路径,以避免因处理速度过慢而无法及时地给予逃生者正确路径指示的情况,而选择使用Dijkstra算法,以确保***能够较快地完成路径规划与指示。在具体操作时,可以通过MATLAB软件来实现Dijkstra算法,并完成最优路径的规划,该过程实际上可以直接在MATLAB中设定s、t和weights后自动计算,故不赘述。
如图5~8所示,为路径9→10和路径5→6分别以及同时不可通行的情况,以及对应情况下求解出的从路口8到达路口6需要绕过不安全路径的最短逃生路径。当某一通道内的摄像头检测到火情时,该通道长度将立即变为无穷大(图中所示Inf),即无法通过。同时,计算机将根据更新后的权重,计算出最短、最优路径(图中粗线箭头所示逃生路径)绕过事故路段,供人员逃生。
在其他实施例中,为了确保逃生路径能够尽量做到全局最优化,结合离线训练可以在场景完全正常的时候进行这一特点,本发明还提供了一种动态逃生指引方法,可以在未发生险情时,以各个路口为起点,预先为各个路口规划多条通往同一或不同出口的全局最优逃生路线。此时规划全局最优逃生路线的方法不限,任意算法均可,例如各种遗传算法、粒子群算法、蚁群算法、最短路径算法等等。全局最优逃生路线不一定要求逃生距离绝对最短,也可以是最短和次短,以尽量在一开始就合理分散人群逃生路线,减少人群拥堵。
紧急疏散时,预先规划的多条逃生路线全部或者多路开放以分散逃生人员,同时采用优选实施例的方法,实时监控每条逃生路线上各个路口节点之间路径的安全性,以在预先规划的全局最优逃生路线基础上,根据路况变化实时动态地进行逃生路径的二次规划及指引,从而绕过不安全路径。
这种将离线全局优化与在线动态规划指引相结合的方式,既能够实时动态引导人员逃生,又可以在紧急情况下尽可能保持逃生路线的全局最优性,从而全面提高逃生几率。
本发明还提供了一种动态逃生指引***,包括处理器、路径安全状态识别模型、动态逃生指引程序模块、摄像头、显示终端以及无线连接模块。所述路径安全状态识别模型是通过离线训练获得;所述动态逃生指引程序模块在被所述处理器调用时,进行逃生路径的动态规划指引。无线连接模块可以是5G网络模块、wifi模块、蓝牙模块等。
优选地,显示终端采用Arduino控制的LED点阵。Arduino是一款开源的单片机。一方面可以连接无线数传模块,组成无线通信链路,与上位机进行通信;另一方面可以控制LED点阵,生成动态的指示标识。Arduino还可以使用蓄电池进行供电。即使建筑物内断电,通迅线路被破坏,该***依然可以正常工作。当大型交通枢纽内出现火灾等事故时,摄像头及时捕捉火灾发生情况,并传输给中心电脑处理信息、规划出最佳逃生路径,再利用Arduino,通过无线数传模块接收信息,控制LED显示屏中各显示点的明灭,使LED显示屏呈现出指引正确逃生方向的箭头或其他信息。
在其他实施例中,还可以使用该建筑物内部摄像头拍照所获照片作为训练集,来增加神经网络识别的准确性和适用性,尤其是在消防演习、逃生演习过程中,非常容易搜集到当前场景合适的训练样本。并且还可以通过分类识别人像以及相应的摄像头安装位置来推断受困人群所处位置,同时自动将信息上传至消防中心,辅助急救人员进行抢救。
在其他实施例中,还可以摄像头图像识别为主,同时辅以温度、烟雾传感器共同作用,来收集更全面的信息,更加准确地判断路径安全状态,以便更加合理地进行路径规划。
在其他实施例中,还可以从单纯追求路径最短规划进化为综合考虑通道容量、疏散速度后使得疏散总时间最短,例如基于图像识别技术通过人体典型特征(例如头部)进行人员计数,从而判断通道人员数量,与通道最大容量进行比较,以及基于人脸识别技术(同样是通过卷积神经网络离线训练实现)实时记录逃生人员出现在不同指定位置(可以以摄像头安装位置为参照)的时间,从而计算出疏散速度,然后将人群向通道容量小、疏散速度快的路径上进行指引。
在其他实施例中,用于安全指引的显示终端,还可以是显示屏或地面投影灯、全息投影设备等,而不是单纯地依靠LED灯指示路径。例如,直接通过壁挂显示屏或者地面投影灯、全息投影等,简洁直观地反应建筑物实时受灾情况并绘制图形,还可以设置语音提醒功能,避免人们在逃生过程中因慌乱、烟雾等因素忽视显示终端。
总体而言,本发明的动态逃生指引***实用性强,以实际应用为导向,完成了从理论构思、算法到终端的全部设计,具有很强的真实场景适应能力。本发明首次提出使用图像识别技术进行动态疏散。现有的逃生指引***中大多采用复杂的烟雾、温度传感器进行火情识别,忽略了对已有摄像头的使用,并且并不能识别人员拥堵、建筑塌陷等同样会导致路径失效的情况。本发明将基于深度神经网络的图像识别引入***之中,不仅减少了传感器的使用,还可以直接接入场景中已有的摄像机进行使用,提高了效率,简化了***,加强了可靠性。此外,图像识别的可拓展性很强,可以适应多种不同的任务,例如:定位拥堵人群、识别倒塌物堵塞路段等能力。本发明还通过把握建筑物内部的关键信息,利用图论的相关知识概念建立起建筑的抽象地图,方便结合路径安全状态的变化,进行路径规划的动态设计。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种动态逃生指引方法,其特征在于,包括离线训练阶段和在线动态逃生指引阶段:
所述离线训练阶段,采用火焰图片与无火图片、有人图片与无人图片、人员摔倒、拥堵图片与人员正常通行图片,以及塌陷、塌堵图片与正常场景图片中的至少一种组合,对神经网络进行训练,得到路径安全状态识别模型;
所述在线动态逃生指引阶段包括如下步骤:
步骤1:实时获取通行区的图片,输入所述路径安全状态识别模型,判断路径是否安全,如某路径不安全,转步骤2;
步骤2:实时将由所处场景抽象成的无向图中,对应的不安全路径的权值改为无穷大;
步骤3:基于最短路径算法实时对步骤2修改后的无向图进行避开不安全路径的最短路径规划,并按照规划出的最短路径,实时动态地进行逃生指引。
2.如权利要求1所述的一种动态逃生指引方法,其特征在于,所述神经网络采用既有底层网络进行迁移训练,从而快速获得路径安全状态识别模型。
3.如权利要求2所述的一种动态逃生指引方法,其特征在于,将底层网络的学习率调小,同时将上层网络的学习率调大。
4.如权利要求1~3任意一项所述的一种动态逃生指引方法,其特征在于,步骤1中,人员拥堵造成路径不安全的识别方式采用如下至少一种:
(1)若在离线训练阶段采用有人图片与无人图片进行训练,则在步骤1中记录某一通行区在单位时间内所述路径安全状态识别模型识别出的通行人员的数量,与对应通行区设计的最大通行容量进行比较,超出最大通行容量则视为该通行区的路径不安全;
(2)若在离线训练阶段采用人员摔倒图片与人员正常通行图片进行训练,则在步骤1中,识别出有人员摔倒时即视为对应的路径不安全;
(3)若在离线训练阶段采用人员拥堵图片与人员正常通行图片进行训练,则在步骤1中,直接识别出是否存在人员拥堵。
5.如权利要求1~3任意一项所述的一种动态逃生指引方法,其特征在于,步骤2中所述无向图按照如下方式抽象获得:将所有需要进行路径选择的路口抽象成点,相邻的点与点之间按照正常情况下可通行的路径进行连线构成一幅无向图,连线的权值设为相邻两路口之间的距离,因此,无向图包含从起点到终点的所有路口节点编号,路口之间的距离,以及路口之间的可通行路径。
6.如权利要求5所述的一种动态逃生指引方法,其特征在于,将无向图中的逃生起点位置用十进制矩阵s进行表示,终点位置用十进制矩阵t进行表示,起点与终点之间的距离采用十进制矩阵weights进行表示,采用的最短路径算法为dijkstra算法;通过实时更新十进制矩阵weights,利用dijkstra算法快速计算出绕过不安全路径的最短安全路径。
7.如权利要求1~3任意一项所述的一种动态逃生指引方法,其特征在于,步骤1中还包括从场景中的温度和/或烟雾传感器收取火焰、烟雾信息,从而更为准确、全面地判断路径安全状态。
8.一种动态逃生指引方法,其特征在于,在未发生险情时,以各个路口为起点,预先为各个路口规划多条通往同一或不同出口的全局最优逃生路线;
紧急疏散时,预先规划的多条逃生路线全部或者多路开放以分散逃生人员,同时采用如权利要求1~7任意一项所述的动态逃生指引方法,实时监控每条逃生路线上各个路口节点之间路径的安全性,以在预先规划的全局最优逃生路线基础上,根据路况变化实时动态地进行逃生路径的二次规划及指引,从而绕过不安全路径。
9.一种动态逃生指引***,其特征在于,包括处理器、路径安全状态识别模型以及动态逃生指引程序模块;
所述路径安全状态识别模型是通过权利要求1~7任意一项所述的动态逃生指引方法中的离线训练阶段进行离线训练获得;
所述动态逃生指引程序模块在被所述处理器调用时,执行权利要求1~7任意一项所述的动态逃生指引方法中的步骤1~3。
10.如权利要求9所述的一种动态逃生指引***,其特征在于,包括:摄像头、显示终端以及无线或有线连接模块;
多个所述摄像头分布于逃生路径对应的监控区域,用于拍摄监控范围内的图像,并通过无线连接模块上传至所述处理器;
多个所述显示终端分布于逃生通道中,通过无线或有线连接模块接收处理器的指向指令;
所述处理器实时根据路径规划结果向各个所述显示终端发布指向指令,实现逃生路径的动态规划与指引。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365696.7A CN111080027A (zh) | 2019-12-26 | 2019-12-26 | 一种动态逃生指引方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365696.7A CN111080027A (zh) | 2019-12-26 | 2019-12-26 | 一种动态逃生指引方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080027A true CN111080027A (zh) | 2020-04-28 |
Family
ID=70318060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911365696.7A Pending CN111080027A (zh) | 2019-12-26 | 2019-12-26 | 一种动态逃生指引方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080027A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112006678A (zh) * | 2020-09-10 | 2020-12-01 | 齐鲁工业大学 | 基于AlexNet和迁移学习相结合的心电图异常识别方法及*** |
CN112461253A (zh) * | 2020-11-05 | 2021-03-09 | 深圳慧拓无限科技有限公司 | 一种应急撤离路径规划方法、装置、介质及电子设备 |
CN113485206A (zh) * | 2021-08-06 | 2021-10-08 | 时代云英(重庆)科技有限公司 | 一种可扩展的物联网***及方法 |
CN114067507A (zh) * | 2021-11-08 | 2022-02-18 | 深圳正为格智能科技有限公司 | 一种适应环境进行变换的智能消防指示牌控制*** |
CN114550624A (zh) * | 2021-08-18 | 2022-05-27 | 成都华迈通信技术有限公司 | 一种用于暴恐环境的逃生指引*** |
CN114627601A (zh) * | 2022-02-23 | 2022-06-14 | 广东交通职业技术学院 | 地铁乘客应急逃生引导方法、***、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011083023A1 (de) * | 2011-09-20 | 2013-03-21 | Robert Bosch Gmbh | Evakuierungssystem zur Planung von Fluchtwegen in einem Gebäude, Verfahren sowie Computerprogramm |
CN103776452A (zh) * | 2014-01-13 | 2014-05-07 | 华中科技大学 | 基于人员特征的火灾疏散路径导航方法 |
CN105561492A (zh) * | 2014-11-07 | 2016-05-11 | 开利公司 | 人的行为统计信息动态获取终端、疏散***和方法 |
CN106845679A (zh) * | 2016-12-12 | 2017-06-13 | 梁健宁 | 一种应急疏散自动智能生成*** |
CN108692728A (zh) * | 2018-04-26 | 2018-10-23 | 哈尔滨工业大学深圳研究生院 | 基于cad建筑图和计算机视觉识别的室内导航方法及*** |
CN109101694A (zh) * | 2018-07-16 | 2018-12-28 | 山东师范大学 | 一种安全疏散标志引导的人群行为仿真方法及*** |
CN109543631A (zh) * | 2018-11-28 | 2019-03-29 | 公安部沈阳消防研究所 | 一种基于机器学习的火灾图像探测报警方法 |
-
2019
- 2019-12-26 CN CN201911365696.7A patent/CN111080027A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011083023A1 (de) * | 2011-09-20 | 2013-03-21 | Robert Bosch Gmbh | Evakuierungssystem zur Planung von Fluchtwegen in einem Gebäude, Verfahren sowie Computerprogramm |
CN103776452A (zh) * | 2014-01-13 | 2014-05-07 | 华中科技大学 | 基于人员特征的火灾疏散路径导航方法 |
CN105561492A (zh) * | 2014-11-07 | 2016-05-11 | 开利公司 | 人的行为统计信息动态获取终端、疏散***和方法 |
CN106845679A (zh) * | 2016-12-12 | 2017-06-13 | 梁健宁 | 一种应急疏散自动智能生成*** |
CN108692728A (zh) * | 2018-04-26 | 2018-10-23 | 哈尔滨工业大学深圳研究生院 | 基于cad建筑图和计算机视觉识别的室内导航方法及*** |
CN109101694A (zh) * | 2018-07-16 | 2018-12-28 | 山东师范大学 | 一种安全疏散标志引导的人群行为仿真方法及*** |
CN109543631A (zh) * | 2018-11-28 | 2019-03-29 | 公安部沈阳消防研究所 | 一种基于机器学习的火灾图像探测报警方法 |
Non-Patent Citations (1)
Title |
---|
张斌 等: "基于多路径负载均衡的智能楼宇火灾应急疏散策略研究", 《研究与发展》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112006678A (zh) * | 2020-09-10 | 2020-12-01 | 齐鲁工业大学 | 基于AlexNet和迁移学习相结合的心电图异常识别方法及*** |
CN112461253A (zh) * | 2020-11-05 | 2021-03-09 | 深圳慧拓无限科技有限公司 | 一种应急撤离路径规划方法、装置、介质及电子设备 |
CN113485206A (zh) * | 2021-08-06 | 2021-10-08 | 时代云英(重庆)科技有限公司 | 一种可扩展的物联网***及方法 |
CN114550624A (zh) * | 2021-08-18 | 2022-05-27 | 成都华迈通信技术有限公司 | 一种用于暴恐环境的逃生指引*** |
CN114550624B (zh) * | 2021-08-18 | 2024-02-06 | 成都华迈通信技术有限公司 | 一种逃生指引*** |
CN114067507A (zh) * | 2021-11-08 | 2022-02-18 | 深圳正为格智能科技有限公司 | 一种适应环境进行变换的智能消防指示牌控制*** |
CN114627601A (zh) * | 2022-02-23 | 2022-06-14 | 广东交通职业技术学院 | 地铁乘客应急逃生引导方法、***、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080027A (zh) | 一种动态逃生指引方法及*** | |
CN110047240B (zh) | 一种基于物联网的智能消防警示导引***与方法 | |
Gu et al. | A metaverse-based teaching building evacuation training system with deep reinforcement learning | |
Zhang et al. | IoT-based positive emotional contagion for crowd evacuation | |
CN109185743B (zh) | 一种智能消防应急灯*** | |
CN110737989A (zh) | 一种平行智能应急协同方法、***及电子装备 | |
CN105404231A (zh) | 一种基于物联网的智能楼宇监控管理*** | |
CN114353804B (zh) | 火灾应急疏散路径规划方法、装置、智能终端及存储介质 | |
CN1963878A (zh) | 高层建筑火灾智能监测预警预报装置 | |
CN115752490B (zh) | 基于大数据和定位技术的安全出行路径优化方法及*** | |
CN115545359B (zh) | 一种面向复杂建筑火灾的动态智能疏散方法及装置 | |
Liu et al. | A survey of crowd evacuation on passenger ships: Recent advances and future challenges | |
CN116402243A (zh) | 一种应急疏散路径规划方法、装置、终端及存储介质 | |
CN112488401A (zh) | 一种火灾逃生路线指引方法及*** | |
CN113947014A (zh) | 基于bim的隧道火灾应急救援方法、终端及存储介质 | |
CN114972639A (zh) | 一种适用于智慧园区的火情监测*** | |
Bahamid et al. | Intelligent robot-assisted evacuation: A review | |
CN115018283A (zh) | 工业园区智能化消防管理方法 | |
CN116805444A (zh) | 分布式命名导航行人行车预警方法、***和装置 | |
CN105096661B (zh) | 基于垂直剖面视图的空中交通流管理***与方法 | |
Wu et al. | A framework of intelligent evacuation guidance system for large building | |
KR102592101B1 (ko) | 인공지능 기반 건축구조물 내의 최적 대피경로 안내시스템 및 안내방법 | |
CN115240101A (zh) | 一种基于场景分析的医疗样本转送监督*** | |
Zhang et al. | An optimized multisource bilinear convolutional neural network model for flame image identification of coal mine | |
Wang et al. | Dijkstra algorithm based building evacuation recognition computing and iot system design and implementation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |