CN114444386A - 一种基于bim和深度学习的火灾预警以及灾后楼板损伤预测方法、*** - Google Patents
一种基于bim和深度学习的火灾预警以及灾后楼板损伤预测方法、*** Download PDFInfo
- Publication number
- CN114444386A CN114444386A CN202210058118.4A CN202210058118A CN114444386A CN 114444386 A CN114444386 A CN 114444386A CN 202210058118 A CN202210058118 A CN 202210058118A CN 114444386 A CN114444386 A CN 114444386A
- Authority
- CN
- China
- Prior art keywords
- fire
- bim
- floor
- information
- early warning
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000009970 fire resistant effect Effects 0.000 claims abstract description 9
- 239000000779 smoke Substances 0.000 claims description 40
- 238000011176 pooling Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 32
- 230000000007 visual effect Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000010365 information processing Effects 0.000 claims description 15
- 239000007921 spray Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000005507 spraying Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 37
- 238000012360 testing method Methods 0.000 description 7
- 238000007706 flame test Methods 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000009429 distress Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011241 protective layer Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法、***，通过采集监控区域内不同位置的图像信息，对所述图像信息进行预处理，形成第一数据集；将所述第一数据集的图像信息输入至火灾识别神经网络模型；基于所述第一置信度参数判断是否发生火灾；若发生火灾，则进行消防报警；识别所述火灾对应的火焰信息；将所述火焰信息输入至基于BIM的楼板耐火损伤模型，预测楼板承载力的损伤程度。本发明，基于图像信息和深度学习算法实时进行火灾监控，对可燃物等潜在威胁进行预警；同时将火灾预警信息融入BIM建筑信息化模型从而对于火焰位置以及相关的楼板损伤威胁，以及基于BIM进行精确的消防措施，进一步保障了生命财产安全。
Description
技术领域
本发明涉及火灾预警及消防技术领域，具体涉及一种基于BIM和深度学习的火灾预警方法、***。
背景技术
火灾对人民的生命财产安全造成巨大的安全隐患，火灾预警及消防***时建筑安防***的重要组成部分。传统的火灾监测***通过温度传感器、烟雾传感器等采集相关数据判断火灾发生，往往响应速度较慢，且对距离较远的火焰特别是无烟火焰识别效率很低，无法保证火灾监测的准确性和时效性。同时传统的消防***在火灾发生时会开启整个建筑或整层的消防自喷淋装置，无法进行精确灭火，对于火势较小的情况下会对其他区域造成不必要的财产损失，在火灾发生时，也无法规划逃生路径对现场人员进行逃生指示。一种基于BIM和深度学习的火灾预警及消防***，根据图像等信息和深度学习算法实时进行火灾监控，对可燃物等潜在威胁进行预警，同时将火灾预警信息融入BIM建筑信息化模型，充分利用BIM模型的三维可视化，以及协同的特点，规划逃生路径帮助人员逃生，同时进行精确灭火，保障了生命财产安全。
发明内容
有鉴于此，本发明提供了一种基于BIM和深度学习的火灾预警方法、***，通过根据图像等信息和深度学习算法实时进行火灾监控，对可燃物等潜在威胁进行预警，同时将火灾预警信息融入BIM建筑信息化模型，从而解决灭火不精确以及对于楼板安全隐患的识别不到位的技术问题。
本发明的技术方案如下：
一种基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，包括：
采集监控区域内不同位置的图像信息，对所述图像信息进行预处理，形成第一数据集；
将所述第一数据集的图像信息输入至火灾识别神经网络模型，获取第一置信度参数；
基于所述第一置信度参数判断是否发生火灾；若发生火灾，则进行消防报警；
识别所述火灾对应的火焰信息；将所述火焰信息输入至基于BIM的楼板耐火损伤模型，预测楼板承载力的损伤程度。
优选的，所述将所述图像信息输入至火灾识别神经网络模型，获取第一置信度参数，包括：
将所述第一数据集中的原始图像尺寸压缩裁剪至256×256×3，通过两个视觉深度卷积层C1、C2进行卷积计算，卷积核数为3×3，通道数为100，步长数为1，填充数为1；
输出的结果通过池化层P1进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C3、C4、C5进行卷积计算，卷积核数为3×3，卷积核数为128，通道数为100，步长数为1，填充数为1；
输出的结果通过池化层P2进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C6、C7、C8进行卷积计算，卷积核数为3×3，通道数为200，步长数为1，填充数为1；
输出的结果通过池化层P3进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C9、C10、C11进行卷积计算，卷积核数为3×3，通道数为400，步长数为1，填充数为1；
输出的结果通过池化层P4进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过四个视觉深度卷积层C12、C13、C14、C15进行卷积计算，卷积核数为3×3，通道数为400，步长数为1，填充数为1；
输出的结果通过池化层P5进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过全连接层F1进行计算，通道数为4000；输出的结果通过全连接层F2进行计算，通道数为1000；
输出的结果通过全连接层F3进行计算，通道数为100；输出的结果通过全连接层F4进行计算，通道数5；输出的结果通过softmax函数归一化指数层进行计算，输出置信度Rn(n＝1,2,3...,5)。
优选的，所述第一置信度参数为输出矩阵Rn；
所述基于所述第一置信度参数判断是否发生火灾，包括：若输出矩阵Rn中的最大值max(Rn)＝R1或max(Rn)＝R2或max(Rn)＝R3则判定发生火灾；若中的最大值max(Rn)＝R4或max(Rn)＝R5则判定无火灾。
优选的，所述火灾识别神经网络模型包括训练过程；
所述训练过程包括权重调整阶段，其任务就是根据损失函数的偏差值来对参数进行调整，直到模型收敛，达到目标预测准确率，所述损失函数如下：
规则1：L＝LCE(yi,yi *)+αLMSE(yi,yi *)
规则2：
规则3：
其中，L是损失函数且L≥0，y是真实分布即样本的真实标记，y*是预测分布，LCE是交叉熵损失函数，LMSE是均方差损失函数，α是权重值，为了调整均方差损失函数的值在整个损失函数中的比重，N为训练批次数，C为类别数目。
优选的，所述对所述图像信息进行预处理，包括采用可变边界框对图像信息进行预处理。
优选的，所述火焰信息，包括：火焰的真实长度a,真实宽度b，真实高度c，火焰和楼板间的距离x；将楼板的特征参数和火焰特征参数进行合并得到合并参数X，并采用特征缩放,使参数的值在[-1,1]之间。
优选的，所述将所述火焰信息输入至基于BIM的楼板耐火损伤模型，预测楼板承载力的损伤程度，包括，采用线性回归模型预测楼板承载力损伤程度：
规则1：f(x)＝wTX+b
规则2：D＝f(x)/Q
其中，f(x)是预测的楼板承载力，wT是权重参数，X为合并参数，b为偏移量，Q为楼板在火灾发生前的初始承载力强度，D是承载力损伤程度特征值。
优选的，所述若发生火灾，则进行消防报警，还包括：触发消防报警器报警；触发消防喷淋***中的电磁阀，开启火灾发生处的消防喷淋头进行灭火；开启逃生路径上的逃生指示牌。
此外，还提出一种采用上述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法执行的火灾预警与消防***，其特征在于，所述***包括：基于摄像头、红外热成像仪、烟雾探测器、视频信息存储器和烟雾信息存储器的火灾监测模块；火灾信息处理***；计算机智能终端；BIM模型存储器；可视化终端；云端服务器；消防***控制终端，以及基于消防喷淋***、消防报警器、广播和逃生指示牌的消防救援模块。
在本发明的方案中，基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，通过采集监控区域内不同位置的图像信息，对所述图像信息进行预处理，形成第一数据集；将所述第一数据集的图像信息输入至火灾识别神经网络模型，获取第一置信度参数；基于所述第一置信度参数判断是否发生火灾；若发生火灾，则进行消防报警；识别所述火灾对应的火焰信息；将所述火焰信息输入至基于BIM的楼板耐火损伤模型，预测楼板承载力的损伤程度，从而进一步进行相应的预警。本发明，在基于图像信息和深度学习算法实时进行火灾监控，对可燃物等潜在威胁进行预警；同时将火灾预警信息融入BIM建筑信息化模型从而对于火焰位置以及相关的楼板损伤威胁进行进一步预测以及预警，以及基于BIM进行精确的消防措施，进一步保障了生命财产安全。
附图说明
图1为本发明实施例中基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法流程图；
图2为本发明实施例中基于BIM和深度学习的火灾预警与消防***结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施一种基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，包括：
采集监控区域内不同位置的图像信息，对所述图像信息进行预处理，形成第一数据集；
将所述第一数据集的图像信息输入至火灾识别神经网络模型，获取第一置信度参数；
基于所述第一置信度参数判断是否发生火灾；若发生火灾，则进行消防报警；
识别所述火灾对应的火焰信息；将所述火焰信息输入至基于BIM的楼板耐火损伤模型，预测楼板承载力的损伤程度。
优选的，所述将所述图像信息输入至火灾识别神经网络模型，获取第一置信度参数，包括：
将所述第一数据集中的原始图像尺寸压缩裁剪至256×256×3，通过两个视觉深度卷积层C1、C2进行卷积计算，卷积核数为3×3，通道数为100，步长数为1，填充数为1；
输出的结果通过池化层P1进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C3、C4、C5进行卷积计算，卷积核数为3×3，卷积核数为128，通道数为100，步长数为1，填充数为1；
输出的结果通过池化层P2进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C6、C7、C8进行卷积计算，卷积核数为3×3，通道数为200，步长数为1，填充数为1；
输出的结果通过池化层P3进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C9、C10、C11进行卷积计算，卷积核数为3×3，通道数为400，步长数为1，填充数为1；
输出的结果通过池化层P4进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过四个视觉深度卷积层C12、C13、C14、C15进行卷积计算，卷积核数为3×3，通道数为400，步长数为1，填充数为1；
输出的结果通过池化层P5进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过全连接层F1进行计算，通道数为4000；输出的结果通过全连接层F2进行计算，通道数为1000；
输出的结果通过全连接层F3进行计算，通道数为100；输出的结果通过全连接层F4进行计算，通道数5；输出的结果通过softmax函数归一化指数层进行计算，输出置信度Rn(n＝1,2,3...,5)。
具体地，本实施例，通过事先建立不同可燃物的火焰图像数据集，建立并训练基于深度学习的火灾识别神经网络模型(FireR-Net)，该模型具有判断是否发生火灾，以及发生火灾时得出可燃物信息的能力，并将该模型储存在火灾信息处理***中。
进一步的，通过网络下载、火焰拍摄和火焰试验录制的方式获取不同可燃物的火焰视频和图像，并根据不同可燃物进行标记得到原始训练数据集S，标记类型分为5个类分别为：无烟火焰、有烟火焰、烟气、光源、背景；采用图像编码压缩、图像增强、图像填充、随机擦除和图像变换的方式进行图像处理对原始训练数据集S进行拓展，并将训练数据集S打乱，采用交叉验证法，将训练数据集S均分成K份，轮流选择其中的K-1份作为训练集，剩余的一份作为验证集SV，通过火焰试验录制的方式获取不同可燃物的火焰视频，并进行标记得到测试数据集ST。数据集S中包含30000张被标记的图片信息，测试数据集ST中包含3000张被标记的图片信息。
进一步的，通过火焰试验录制的方式获取不同可燃物的火焰视频，且视频需要在不同的背景环境下录制，包括室内不同功能房间内进行拍摄，确保图像的差异性，需从视频中提取图像信息，方法为抓取视频中若干帧下的图像，抓取间隔为d帧。
规则1：d>12n，n为正整数且n∈[5,10]
进一步的，通过训练数据集S和深度学习模型训练火灾信息处理***，通过测试数据集ST检测火灾信息处理***识别火焰的能力，若判断准确率小于95％，则对深度学习模型就行反复优化。
进一步，设定：
规则1：
规则2：h'(n)＝mR(h(n))
规则3：mR(x)＝max(ax,x)，其中a<-0.001
规则4：
规则5：F＝WP+b
规则6：
其中f表示原始图像经压缩裁剪后的图像信息矩阵、g表示视觉深度卷积层矩阵，h(n)表示f和g进行卷积运算得到的结果，mR(x)表示一种mRelu激活函数，用于去除卷积运算结果中的过拟合和部分，其不同于传统的Relu函数，mR(x)能保留图像局部细微的特征，h'(n)表示经过激活函数运算后的卷积运算的结果，矩阵P表示池化层的运算结果，池化层不改变卷积层的层数，池化层的作用在于增大感受野防止过拟合，以及减小模型的运算量，提高运算速度，
表示对矩阵h'(n)进行步长为2的运算，且池化核数为2×2。矩阵F表示全连接层的计算结果，其中W表示权重矩阵，b表示偏差矩阵，Rn表示置信度，通过softmax归一化指数运算得到，是一种常见的多分类器模型。
所述基于深度学习的火灾识别神经网络模型(FireR-Net)的详细结构如下表所示：
优选的，所述火灾识别神经网络模型包括训练过程；
所述训练过程包括权重调整阶段，其任务就是根据损失函数的偏差值来对参数进行调整，直到模型收敛，达到目标预测准确率，所述损失函数如下：
规则1：L＝LCE(yi,yi *)+αLMSE(yi,yi *)
规则2：
规则3：
其中，L是损失函数且L≥0，y是真实分布即样本的真实标记，y*是预测分布，LCE是交叉熵损失函数，LMSE是均方差损失函数，α是权重值，为了调整均方差损失函数的值在整个损失函数中的比重，N为训练批次数，C为类别数目。
进一步的，根据L的值是否不断趋于0来判断梯度下降的程度，对深度学习模型进行前向传递，采用RMSprop优化器来调整权重矩阵W。
规则1：
规则2：
其中wi是权重矩阵中的元素，θi是定义值用来改变wi的梯度，β是超参数，γ为学习率。RMSprop优化器区别于传统SGD(随机梯度下降)优化器的地方在于，学习率是可以不断调整的，更容易找到损失函数的最小值。
优选的，所述第一置信度参数为输出矩阵Rn；
所述基于所述第一置信度参数判断是否发生火灾，包括：若输出矩阵Rn中的最大值max(Rn)＝R1或max(Rn)＝R2或max(Rn)＝R3则判定发生火灾；若中的最大值max(Rn)＝R4或max(Rn)＝R5则判定无火灾。
优选的，所述对所述图像信息进行预处理，包括采用可变边界框对图像信息进行预处理。
进一步的，可变边框的特征包含基点、尺度和宽高三个特征。可变边界框的基点在图像的像素点上滑动，进行密集采样。设输入图像的宽和高尺寸为W和H，分别以图像的每个像素为基点生成大小不同的边界框，边界框的数量为Num。
规则1：
规则2：
规则3：Num＝WH(n+m-1)
其中X是可变边界框的宽度，Y是可变边界框的高度，ψ是大小比例具有n种，s是宽高比具有m种。通过控制基点的位置，大小比例的值和宽高比的值得到Num个大小不同的边界框。
进一步的，将Num个边界框内框定的图像，输入到基于深度学习的火灾识别神经网络模型(FireR-Net)中进行预测。对于每一张图片将得到输出矩阵Rn，其中包含了每一类预测结果的置信度，若输出矩阵的最大值max(Rn)＝R4或max(Rn)＝R5则对该边界框进行舍弃，同时设定一个阈值λ，若max(Rn)<λ则对该边界框进行舍弃。
进一步的，采用Jaccard参数衡量可变边界框之间的相似度，即二者交集大小除以二者并集大小。
规则1：
规则2：J(μ,ν)∈(0,1)
其中J为交并比。
进一步的，对剩余的边界框所框定的图像，采用NMS非极大抑制的方法，搜索局部极大值，对火焰进行识别和定位。根据置信度的值将剩余的边界框所框定的图像进行降序排列，得到一个降序矩阵K，设置一个空的优选边界框矩阵L用来存放优选边界框。
规则1：比较降序矩阵K中K1和K2的交并比J值，若J(μ,ν)>κ，则对K2进行舍弃。若J(μ,ν)≤κ则对K2进行保留。
规则2：比较降序矩阵K中K1和K3的交并比J值，重复规则1的操作直到历遍整个矩阵K，将K1移动到优选边界框矩阵L中。
重复规则1和规则2直到降序矩阵K中所有的边界框数值转移到优选边界框矩阵L中，L中的优选边界框及为识别出的火灾信息和其位置信息，包含可变边框的尺寸，基点的坐标。
优选的，所述火焰信息，包括：火焰的真实长度a,真实宽度b，真实高度c，火焰和楼板间的距离x；将楼板的特征参数和火焰特征参数进行合并得到合并参数X，并采用特征缩放,使参数的值在[-1,1]之间。
进一步的，根据BIM模型信息得出火灾所发生的的房间尺寸信息，及房间的长为A，宽为B，高为C。
进一步的，依次根据L中的优选边界框的尺寸得出火焰的真实长度a，真实宽度b和真实高度c，并设置一个折减系数
规则1：
规则2：
规则3：
进一步的，将火焰的真实长度，真实宽度和真实高度输入到BIM模型中，BIM模型计算火焰到楼板的距离x。
进一步的，建立并训练基于BIM的楼板耐火损伤模型，在火灾情况下，火焰通过热传导、热辐射和热对流的方式将温度传递给楼板。楼板是建筑屋内重要的结构构件，用于直接承载建筑物的各种物体，在火灾中由于大量热量聚集在上方，楼板往往受损严重。需要我们在火灾后及时了解楼板的损伤情况并及时的采取加固措施。
进一步的，楼板中含有温度传感器，应变传感器，通过温度传感器得到楼板板底温度值，通过应变传感器得到混凝土应变、版面钢筋应变和板底钢筋应变。
进一步的，基于BIM的楼板耐火损伤模型中，BIM楼板模型中包含有楼板的特征参数有楼板的保护层厚度，混凝土强度等级，钢筋强度，板跨比，混凝土应变，板面钢筋应变，板底钢筋应变，板面配筋率，板挠度，板底温度，以此作为楼板耐火损伤模型中的参数，再引入火焰特征参数及火焰的真实长度a,真实宽度b，真实高度c，火焰和楼板间的距离x。将楼板的特征参数和火焰特征参数进行合并得到合并参数X，并采用特征缩放,使参数的值在[-1,1]之间。
进一步的，通过文献查阅和试验的方式得到数据集Z，采用交叉验证法，将训练数据集Z均分成K份，轮流选择其中的K-1份作为训练集，剩余的一份作为验证集ZV，通过火焰试验录制的方式获取不同可燃物的火焰视频，并进行标记得到测试数据集ZT。
优选的，所述将所述火焰信息输入至基于BIM的楼板耐火损伤模型，预测楼板承载力的损伤程度，包括，采用线性回归模型预测楼板承载力损伤程度：
规则1：f(x)＝wTX+b
规则2：D＝f(x)/Q
其中，f(x)是预测的楼板承载力，wT是权重参数，X为合并参数，b为偏移量，Q为楼板在火灾发生前的初始承载力强度，D是承载力损伤程度特征值。
进一步的，基于BIM的楼板耐火损伤模型的训练过程包括权重调整阶段，其任务就是根据损失函数的偏差值来对参数进行调整，采用Huber Loss损失函数，所述损失如下：
规则1：
规则2：
其中L为损失函数，y表示真实值，f(x)表示预测值，δ为超参数。
进一步的，采用梯度下降法对模型的进行权重调整直到收敛。
规则1：
其中w为权重参数，N为训练批次数，α为学习率。
进一步的，基于BIM的楼板耐火损伤模型的训练完毕，可以预测楼板承载力的损伤程度。
进一步的，将识别到的火焰信息参数包含火焰的真实长度a,真实宽度b，真实高度c，火焰和楼板间的距离x，和楼板的BIM模型参数包含楼板的保护层厚度，混凝土强度等级Q，钢筋强度q，板跨比λ，混凝土应变ε1，板面钢筋应变ε2，板底钢筋应变ε3，板面配筋率ρ，板挠度γ。输入到基于BIM的楼板耐火损伤模型中，得到楼板承载力损伤程度特征值D。
优选的，所述若发生火灾，则进行消防报警，还包括：触发消防报警器报警；触发消防喷淋***中的电磁阀，开启火灾发生处的消防喷淋头进行灭火；开启逃生路径上的逃生指示牌。
此外，如图2所示，本发明还提出一种采用上述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法执行的火灾预警与消防***，其特征在于，所述***包括：基于摄像头、红外热成像仪、烟雾探测器、视频信息存储器和烟雾信息存储器的火灾监测模块；火灾信息处理***；计算机智能终端；BIM模型存储器；可视化终端；云端服务器；消防***控制终端，以及基于消防喷淋***、消防报警器、广播和逃生指示牌的消防救援模块。
具体地，计算机智能终端从BIM模型存储器中读取建筑BIM模型，将通过火灾信息处理***得到的火灾信息、燃烧物种类信息、和摄像头编号信息写入BIM模型中进行融合。
进一步的，计算机智能终端从烟雾信息存储器中读取烟雾信息，并写入BIM模型中进行融合。
进一步的，计算机智能终端根据融合的BIM信息进行消防***调度和逃生路径规划，形成消防指令传递给消防***控制终端。
进一步的，消防***控制终端通过接受计算机智能终端的指令，通过消防喷淋***中的电磁阀，开启火灾发生处的消防喷淋头进行灭火，同时开启烟雾蔓延处的消防喷零头，通过电磁阀控制喷淋流量的大小。
进一步的，消防***控制终端控制开启逃生路径上的逃生指示牌，对人员的疏散进行指导。
进一步的，消防***控制终端控制开启广播，对人员的疏散进行指导。
进一步的，计算机智能终端将融合的BIM模型传递至可视化终端进行展示，此时融合的BIM模型中包含的信息有、建筑BIM模型、火灾信息、燃烧物种类信息、摄像头编号信息、烟雾信息、烟雾探测器编号信息、消防***调度信息和逃生路径规划信息。
进一步的，可视化终端将可视化信息传递给云端，消防救援人员和逃生人员可通过手机等移动设备，实施查看火灾情况和逃生路线。
进一步的，逃生人员可通过手机等移动设备与云端连接，并在BIM模型中标记自己的位置，并可发出求救信息，BIM模型将会显示逃生人员的位置信息，便于消防人员进行救援。
如图2所示，本发明涉及的一种基于BIM和深度学习的火灾预警及消防***，包括火灾信息处理***、BIM模型信息存储器、计算机智能终端、消防***控制终端、消防喷淋***、视频信息存储器、烟雾信息存储器、可视化终端、云端服务器、移动设备、摄像头、烟雾探测器、排风扇、广播、逃生指示牌、消防排烟窗。其中摄像头和烟雾探测器实时获取建筑内的图像和烟雾信息数据；火灾信息处理***通过视频信息存储器获得图像数据，通过烟雾数据存储器获得烟雾数据，根据内置的深度学习算法判断是否发生火灾，燃烧物信息以及火灾发生的位置；计算机智能终端从BIM模型存储器中获取建筑BIM三维模型，从火灾信息处理***中获取火灾信息和位置信息，从烟雾数据存储器中获取烟雾信息，进行消防***调度和逃生路径规划，同时将火灾信息、烟雾信息、消防***调度和逃生路径规划信息融合到建筑BIM三维模型中；消防***控制终端通过读取计算机智能终端的调度指令和逃生路径规划指令控制消防报警器和火灾发生位置的消防喷淋***进行精确化灭火，同时开启烟雾蔓延处的消防喷零头，通过电磁阀控制喷淋流量的大小，并控制逃生指示牌和广播帮助现场人员逃生，同时打开消防排烟窗和排风扇；计算机智能终端将融合的BIM三维模型输入可视化终端进行可视化展示；消防救援人员和逃生人员可通过手机等移动设备，实施查看火灾情况和逃生路线；逃生人员可通过手机等移动设备与云端连接，并在BIM模型中标记自己的位置，并可发出求救信息，BIM模型将会显示逃生人员的位置信息，便于消防人员进行救援。本发明实现了通过图像信息和烟雾信息进行火灾预警和消防救援，通过图像和深度学习神经网络模型可快速准确的判断是否发生火灾，获取火灾信息和位置信息，通过将建筑BIM三维模型与火灾信息、位置信息和烟雾信息相融合，可对建筑内的消防***进行精确调度，对发生火灾的地方进行精准灭火，控制排风扇和消防排烟窗及时排除有害烟气降低伤亡，并可进行逃生路线规划，控制逃生指示牌和广播指示逃生路径，同时将火灾调度信息和逃生路线规划信息融入BIM模型，进行可视化展示，有助于消防人员快速高效的掌握火灾情况部署救援计划，有助于逃生人员寻找逃生路径进行逃生。本发明可有效提高建筑火灾灭火和救援的效率，减少火灾造成的财产和生命损失。
在建筑的每一个房间内需安装至少一个摄像头，且拍摄范围能覆盖房间内的各个角落，同时需布置若干个烟雾探测器。建筑的公共区域需间隔布置摄像头和烟雾探测器，确保拍摄范围能覆盖房间内的各个角落。摄像头采集不同区域的图像信息并储存在视频信息存储器中，烟雾探测器采集烟雾信息并储存在烟雾信息存储器中。
建立建筑BIM信息模型，建模软件使用的是Autodesk公司的Revit软件，建立的模型包括建筑的墙、柱、梁、楼板、门、窗、摄像头、消防喷淋***等构件，建立的BIM信息模型存储在BIM模型存储器中。
建立不同可燃物的火焰图像数据集，建立并训练基于深度学习的火灾识别神经网络模型(FireR-Net)，该模型具有判断是否发生火灾，以及发生火灾时得出可燃物信息的能力，并将该模型储存在火灾信息处理***中。
通过网络下载和火焰试验录制的方式获取不同可燃物的火焰视频和图像，并根据不同可燃物进行标注得到原始训练数据集S；采用图像编码压缩、图像增强和复原、图像变换的方式进行图像处理对原始训练数据集S进行拓展，获取4个子训练数据集S1、S2、S3和S4。通过火焰试验录制的方式获取不同可燃物的火焰视频，并根据不同可燃物进行标注得到测试数据集T。通过训练数据集S、S1、S2、S3和S4和深度学习模型训练火灾信息处理***，通过测试数据集T检测活在信息处理***识别火焰的能力，若判断准确率小于95％，则对深度学习模型就行反复优化。
通过深度模型训练后的火灾信息处理***，能判断是否发生火灾、燃烧物种类信息，以及通过摄像头的编号信息，并传递给计算机智能终端。计算机智能终端从烟雾信息存储器中读取烟雾信息，并写入BIM模型中进行融合。计算机智能终端从BIM模型存储器中读取建筑BIM模型，将通过火灾信息处理***得到的火灾信息、燃烧物种类信息、和摄像头编号信息写入BIM模型中进行融合。
计算机智能终端根据融合的BIM信息进行消防***调度和逃生路径规划，形成消防指令传递给消防***控制终端。消防***控制终端通过接受计算机智能终端的指令，通过消防喷淋***中的电磁阀，开启火灾发生处的消防喷淋头进行灭火，同时开启烟雾蔓延处的消防喷零头，通过电磁阀控制喷淋流量的大小。消防***控制终端控制开启逃生路径上的逃生指示牌，对人员的疏散进行指导。消防***控制终端控制开启广播，对人员的疏散进行指导。
计算机智能终端将融合的BIM模型传递至可视化终端进行展示，此时融合的BIM模型中包含的信息有、建筑BIM模型、火灾信息、燃烧物种类信息、摄像头编号信息、烟雾信息、烟雾探测器编号信息、消防***调度信息和逃生路径规划信息。可视化终端将可视化信息传递给云端，消防救援人员和逃生人员可通过手机等移动设备，实施查看火灾情况和逃生路线。逃生人员可通过手机等移动设备与云端连接，并在BIM模型中标记自己的位置，并可发出求救信息，BIM模型将会显示逃生人员的位置信息，便于消防人员进行救援。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，包括：
采集监控区域内不同位置的图像信息，对所述图像信息进行预处理，形成第一数据集；
将所述第一数据集的图像信息输入至火灾识别神经网络模型，获取第一置信度参数；
基于所述第一置信度参数判断是否发生火灾；若发生火灾，则进行消防报警；
识别所述火灾对应的火焰信息；将所述火焰信息输入至基于BIM的楼板耐火损伤模型，预测楼板承载力的损伤程度。
2.根据权利要求1所述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，所述将所述图像信息输入至火灾识别神经网络模型，获取第一置信度参数，包括：
将所述第一数据集中的原始图像尺寸压缩裁剪至256×256×3，通过两个视觉深度卷积层C1、C2进行卷积计算，卷积核数为3×3，通道数为100，步长数为1，填充数为1；
输出的结果通过池化层P1进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C3、C4、C5进行卷积计算，卷积核数为3×3，卷积核数为128，通道数为100，步长数为1，填充数为1；
输出的结果通过池化层P2进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C6、C7、C8进行卷积计算，卷积核数为3×3，通道数为200，步长数为1，填充数为1；
输出的结果通过池化层P3进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过三个视觉深度卷积层C9、C10、C11进行卷积计算，卷积核数为3×3，通道数为400，步长数为1，填充数为1；
输出的结果通过池化层P4进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过四个视觉深度卷积层C12、C13、C14、C15进行卷积计算，卷积核数为3×3，通道数为400，步长数为1，填充数为1；
输出的结果通过池化层P5进行范围内最大值计算，池化核数为2×2，步长为2；输出的结果通过全连接层F1进行计算，通道数为4000；输出的结果通过全连接层F2进行计算，通道数为1000；
输出的结果通过全连接层F3进行计算，通道数为100；输出的结果通过全连接层F4进行计算，通道数5；输出的结果通过softmax函数归一化指数层进行计算，输出置信度Rn(n＝1,2,3...,5)。
3.根据权利要求1或2所述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，所述第一置信度参数为输出矩阵Rn；
所述基于所述第一置信度参数判断是否发生火灾，包括：若输出矩阵Rn中的最大值max(Rn)＝R1或max(Rn)＝R2或max(Rn)＝R3则判定发生火灾；若中的最大值max(Rn)＝R4或max(Rn)＝R5则判定无火灾。
4.根据权利要求1或2所述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，所述火灾识别神经网络模型包括训练过程；
所述训练过程包括权重调整阶段，其任务就是根据损失函数的偏差值来对参数进行调整，直到模型收敛，达到目标预测准确率，所述损失函数如下：
规则1：L＝LCE(yi,yi *)+αLMSE(yi,yi *)
规则2：
规则3：
其中，L是损失函数且L≥0，y是真实分布即样本的真实标记，y*是预测分布，LCE是交叉熵损失函数，LMSE是均方差损失函数，α是权重值，为了调整均方差损失函数的值在整个损失函数中的比重，N为训练批次数，C为类别数目。
5.根据权利要求1所述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，所述对所述图像信息进行预处理，包括采用可变边界框对图像信息进行预处理。
6.根据权利要求1所述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，所述火焰信息，包括：火焰的真实长度a,真实宽度b，真实高度c，火焰和楼板间的距离x；将楼板的特征参数和火焰特征参数进行合并得到合并参数X，并采用特征缩放,使参数的值在[-1,1]之间。
7.根据权利要求1所述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，所述将所述火焰信息输入至基于BIM的楼板耐火损伤模型，预测楼板承载力的损伤程度，包括，采用线性回归模型预测楼板承载力损伤程度：
规则1：f(x)＝wTX+b
规则2：D＝f(x)/Q
其中，f(x)是预测的楼板承载力，wT是权重参数，X为合并参数，b为偏移量，Q为楼板在火灾发生前的初始承载力强度，D是承载力损伤程度特征值。
8.根据权利要求1所述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，所述若发生火灾，则进行消防报警，还包括：触发消防报警器报警；触发消防喷淋***中的电磁阀，开启火灾发生处的消防喷淋头进行灭火；开启逃生路径上的逃生指示牌。
9.一种火灾预警与消防***，用于执行权利要求1-8任一项所述的基于BIM和深度学习的火灾预警以及灾后楼板损伤预测方法，其特征在于，所述***包括：基于摄像头、红外热成像仪、烟雾探测器、视频信息存储器和烟雾信息存储器的火灾监测模块；火灾信息处理***；计算机智能终端；BIM模型存储器；可视化终端；云端服务器；消防***控制终端，以及基于消防喷淋***、消防报警器、广播和逃生指示牌的消防救援模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210058118.4A CN114444386A (zh) | 2022-01-19 | 2022-01-19 | 一种基于bim和深度学习的火灾预警以及灾后楼板损伤预测方法、*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210058118.4A CN114444386A (zh) | 2022-01-19 | 2022-01-19 | 一种基于bim和深度学习的火灾预警以及灾后楼板损伤预测方法、*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114444386A true CN114444386A (zh) | 2022-05-06 |
Family
ID=81367848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210058118.4A Pending CN114444386A (zh) | 2022-01-19 | 2022-01-19 | 一种基于bim和深度学习的火灾预警以及灾后楼板损伤预测方法、*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114444386A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115178400A (zh) * | 2022-08-01 | 2022-10-14 | 重庆大学 | 一种智能喷浆机器人、喷浆***及方法 |
| CN117150298A (zh) * | 2023-09-01 | 2023-12-01 | 中国电建集团江西省水电工程局有限公司 | 基于深度学习的地铁fas火灾报警***的调试方法 |
| CN117635643A (zh) * | 2023-12-05 | 2024-03-01 | 中南大学 | 改进的双重注意力网络的室内火灾及可燃物自动识别方法 |
-
2022
- 2022-01-19 CN CN202210058118.4A patent/CN114444386A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115178400A (zh) * | 2022-08-01 | 2022-10-14 | 重庆大学 | 一种智能喷浆机器人、喷浆***及方法 |
| CN117150298A (zh) * | 2023-09-01 | 2023-12-01 | 中国电建集团江西省水电工程局有限公司 | 基于深度学习的地铁fas火灾报警***的调试方法 |
| CN117150298B (zh) * | 2023-09-01 | 2024-06-07 | 中国电建集团江西省水电工程局有限公司 | 基于深度学习的地铁fas火灾报警***的调试方法 |
| CN117635643A (zh) * | 2023-12-05 | 2024-03-01 | 中南大学 | 改进的双重注意力网络的室内火灾及可燃物自动识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114444386A (zh) | 一种基于bim和深度学习的火灾预警以及灾后楼板损伤预测方法、*** | |
| Zhang et al. | Discovering worst fire scenarios in subway stations: A simulation approach | |
| US20110112660A1 (en) | Fire protection device, method for protecting against fire, and computer program | |
| CN111369071A (zh) | 一种基于疏散时间预测和火灾探测模型的智慧疏导***和方法 | |
| KR102011342B1 (ko) | 소방 안전 점검 방법 및 시스템 | |
| US20220167142A1 (en) | Digital twin disaster management system customized for underground public areas | |
| CN111639825B (zh) | 基于A-Star算法的森林火灾指示逃生路径方法及*** | |
| CN114971409B (zh) | 一种基于物联网的智慧城市火灾监控预警方法及*** | |
| JP2007521455A (ja) | Ｃｔ−アナリスト：空中からの化学的、生物学的、放射線学的（ｃｂｒ）な脅威を、ゼロ遅延かつ高い忠実度で緊急事態評価を行うためのソフトウェアシステム | |
| KR20220071880A (ko) | 지하공동구 맞춤형 디지털트윈 재난 관리 시스템 | |
| KR20220061312A (ko) | 레일로봇장치가 구비된 딥러닝 기반의 건물 관리 시스템 | |
| CN111915823A (zh) | 消防***、服务器及移动终端设备 | |
| CN115482507A (zh) | 基于人工智能的人群聚集消防预警方法及*** | |
| CN116704694A (zh) | 高速公路隧道火灾自动防控方法及应急处置管理*** | |
| Wang et al. | Effectiveness evaluation of Internet of Things-aided firefighting by simulation | |
| CN116363825B (zh) | 用于展示火情蔓延趋势的方法及装置、电子设备、介质 | |
| KR102449203B1 (ko) | 안전상태정보 관리 방법 | |
| KR20150089313A (ko) | 화재 및 폭발 위험 시설물의 관리를 위한 소방 방재 지도 제작 방법 및 그 시스템 | |
| CN116704693A (zh) | 基于物联网的多摄像头联动确认起火点的方法及*** | |
| Restas | Disaster management with resource optimization supported by drone applications | |
| KR20240040434A (ko) | 오탐지 방지 기능을 구비한 스마트 재난 감지 시스템 | |
| CN114067065A (zh) | 一种逃生路线可视化***及逃生方法 | |
| Li | Intelligent Science Empowers: Building Fire Protection Technology Development | |
| CN111160780A (zh) | 调度机器人及调度方法 | |
| Fujita et al. | Collapsed Building Detection Using Multiple Object Tracking from Aerial Videos and Analysis of Effective Filming Techniques of Drones |
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 |