CN117010532A - 基于多模态深度学习的综合管廊火灾趋势预测方法 - Google Patents
基于多模态深度学习的综合管廊火灾趋势预测方法 Download PDFInfo
- Publication number
- CN117010532A CN117010532A CN202311278143.4A CN202311278143A CN117010532A CN 117010532 A CN117010532 A CN 117010532A CN 202311278143 A CN202311278143 A CN 202311278143A CN 117010532 A CN117010532 A CN 117010532A
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- pipe gallery
- real
- area
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 59
- 230000007480 spreading Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于多模态深度学习的综合管廊火灾趋势预测方法,涉及了火灾预测技术领域,构建多维度采集网络用于采集管廊实时环境数据,所述管廊实时环境数据包括图像数据、视频数据以及传感相关数据;将图像数据、视频数据以及传感相关数据进行特征融合,进而生成若干个模态数据集,获取模态数据集并提取模态关键特征,进而构建特征火灾趋势图;根据特征火灾趋势图构建火灾趋势预测模型,并通过训练数据集训练出最佳火灾趋势预测模型,进而预测出综合管廊对应各子区域的火灾发生风险,生成相应的火势预警信号发送至相关人员处,由相关人员进行应急监管,从而通过多模态深度学习实现对综合管廊火灾趋势的预测。
Description
技术领域
本发明涉及火灾预测技术领域,具体是基于多模态深度学习的综合管廊火灾趋势预测方法。
背景技术
多模态深度学习(Multimodal Deep Learning)是人工智能的一个子领域,其重点是开发能够同时处理和学习多种类型数据的模型,这些数据类型,或称模态,可以包括文本、图像、音频、视频和传感器数据等,通过结合这些不同的模式,多模态深度学习旨在创建更强大和多功能的人工智能***,能够更好地理解、解释复杂的现实世界数据并采取行动。
综合管廊作为城市基础设施的重要组成部分,承载着电力、通信、水务等重要管线的运输。然而,由于各种原因,综合管廊火灾事故时有发生,威胁着城市的安全与稳定,因此,如何通过多模态深度学习技术来预测综合管廊的火灾趋势,提前做出预警,并采取相应的应对措施,保障综合管廊的安全运行,从而提高火灾的预防和应急响应能力,是我们目前亟须考虑的问题。
发明内容
为了解决上述问题,本发明的目的在于提供基于多模态深度学习的综合管廊火灾趋势预测方法。
本发明的目的可以通过以下技术方案实现:基于多模态深度学习的综合管廊火灾趋势预测方法,包括以下步骤:
步骤S1:构建多维度采集网络用于采集管廊实时环境数据,所述管廊实时环境数据包括图像数据、视频数据以及传感相关数据;
步骤S2:将图像数据、视频数据以及传感相关数据进行特征融合,进而生成若干个模态数据集,获取模态数据集并提取模态关键特征,进而构建特征火灾趋势图;
步骤S3:根据特征火灾趋势图构建火灾趋势预测模型,并通过训练数据集训练出最佳火灾趋势预测模型,进而预测出综合管廊对应各布局监测点位的火灾发生风险,生成相应的火势预警信号发送至相关人员处,由相关人员进行应急监管。
进一步的,构建所述多维度采集网络的过程包括:
设置采集目标,采集目标对应采集不同数据类型的维度数据,采集目标包括第一采集目标、第二采集目标和第三采集目标,数据类型有对应的类型标识,数据类型包括图像帧数据和文本字符数据,图像帧数据包括不同的帧数目;
当采集目标为第一采集目标或第二采集目标时,对应采集的维度数据为图像帧数据,根据图像帧数据的帧数目,相应关联第一采集目标或第二采集目标,并对应设置第一采集子网络和第二采集子网络,赋予相应的类型标识,进而将图像帧数据封装为静态图像帧数据或动态图像帧数据;
当采集目标为第三采集目标时,设置第三采集子网络采集文本字符数据并封装为文本字符数据包,赋予相应类型标识;
所述第一采集子网络、第二采集子网络以及第三采集子网络有对应的网络通信序列,设置安全通信许可序列对照表和通信交互周期,进而构建多维度采集网络。
进一步的,采集所述管廊实时环境数据的过程包括:
所述管廊实时环境数据包括图像数据、视频数据以及传感相关数据,获取综合管廊对应的管廊布局图并选取若干个布局监测点位,在布局监测点位上放置全景摄录设备以及不同类型的传感器,通过全景摄录设备获取若干个布局监测点位处对应的图像数据以及视频数据,并依次遍历分配相应的类型标识;通过不同类型的传感器相应采集各布局监测点位的管廊实时温度、管廊实时湿度和管廊实时烟雾浓度,并分配相应类型标识,将不同类型标识对应的图像数据、视频数据和传感相关数据传输至相应的第一采集子网络、第二采集子网络和第三采集子网络,将图像数据、视频数据以及传感相关数据转换为预设的标准格式。
进一步的,根据所述特征融合生成所述模态数据集的过程包括:
所述图像数据包括若干个管廊子区域环境图,将每个管廊子区域环境图转换为相应的热力图,将管廊子区域环境图分割为若干个像素区域,每个像素区域有对应的热力值,设置热力敏感值,根据热力值和热力敏感值的大小关系,标记像素区域为风险预警区域和安全区域,进而生成单目图像特征矩阵;
所述视频数据包括若干个管廊子区域全景视频,每个管廊子区域全景视频对应有若干个静态图像帧,对静态图像帧灰度化处理,生成若干个灰度子图,获取灰度子图所对应的像素单元区域,获取每个像素单元区域的RGB值,根据每个像素单元区域的RGB值获取其相对应的灰度值,汇总每个灰度子图对应的若干个像素单元区域的灰度值,进而生成整个灰度子图的整图灰度值,设置异常灰度区间,根据像素单元区域和异常灰度区间的关系生成若干个灰度子图矩阵,获取同一个管廊子区域全景视频对应的若干个灰度子图矩阵并封装为矩阵集合,获取矩阵集合的平均灰度子图矩阵;
所述管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度设置有对应的告警阈值,当管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度超过对应的告警阈值时,则生成异常数据集;获取同一个布局监测点位的单目图像特征矩阵、平均灰度子图矩阵以及异常数据集,进而生成若干个布局监测点位所对应的模态数据集。
进一步的,所述特征火灾趋势图的构建过程包括:
所述模态数据集有对应的模态关键特征,模态关键特征包括区域火灾概率特征、区域火灾点位特征以及区域火灾面积特征;
所述区域火灾概率特征和区域火灾面积特征有对应的区域特征系数λ1和λ2,根据区域特征系数与预设的概率区间、面积估算区间进行比对判断,特征系数λ1与不同概率区间的区间数值进行比对判断,进而确定各布局监测点位的火势蔓延概率;特征系数λ2与不同面积估算区间的面积数值范围进行比对判断,进而确定各布局监测点位的过火趋势面积;
获取每个布局监测点位所对应的区域火灾点位特征,所述区域火灾点位特征记录了各布局监测点位详细的着火点位置,标记布局监测点位的位置为一级位置,相应的各着火点位置为二级位置,进而形成若干个火灾定位序列,根据火势蔓延概率、过火趋势面积以及火灾定位序列构建出每个布局监测点位的火灾趋势子图,汇总若干个火灾趋势子图,进而构建整个综合管廊的特征火灾趋势图。
进一步的,构建所述火灾趋势预测模型的过程包括:
将特征火灾趋势图中的火灾趋势子图对应的火势蔓延概率作为第一建模参数,将过火趋势面积作为第二建模参数,所述第一建模参数关联的火势蔓延概率包括低风险蔓延概率、中风险蔓延概率以及高风险蔓延概率,获取不同火势蔓延概率对应蔓延概率的数值作为第一坐标项,获取第二建模参数所对应的面积估算区间,进而获取过火趋势面积,所述过火趋势面积有相应的火势蔓延面积的占比分数值,将火势蔓延面积的占比分数值作为第二坐标项;根据第一坐标项和第二坐标项生成若干个建模坐标,建立笛卡尔坐标,将若干个建模坐标映射至笛卡尔坐标上,生成若干个建模矢量向量,根据若干个建模矢量向量构建火灾趋势预测模型。
进一步的,训练出所述最佳火灾趋势预测模型的过程包括:
获取若干份数的管廊实时环境数据,设置训练份数和测试份数,所述训练份数和测试份数对应的管廊实时环境数据设置有初始比例,将测试份数对应的管廊实时环境数据作为测试数据,并将测试数据输入火灾趋势预测模型中,获取火灾趋势预测模型的预测拟合准确度ZQ,将训练份数对应的管廊实时环境数据作为训练数据,输入至火灾趋势预测模型中,获取实时预测拟合准确度ZQ`;
若ZQ≥ZQ`,则更改训练份数和测试份数的初始比例,增加训练份数的比例占比,作为新的训练数据输入至火灾趋势预测模型中,获取新的相应的实时预测拟合准确度ZQ`,直到ZQ<ZQ`;
当ZQ<ZQ`时,将实时预测拟合准确度与预测的最佳拟合区间进行从属判断,记最佳拟合区间为Δ,若ZQ`∈Δ,将此时对应的火灾趋势预测模型标记为最佳火灾趋势预测模型,否则,继续通过训练集训练火灾趋势预测模型,直到ZQ`∈Δ,重复对应操作;
通过最佳火灾趋势预测模型,标定出综合管廊对应各布局监测点位的火灾发生风险,所述火灾发生风险关联有对应的风险权重因子。
进一步的,生成所述火势预警信号并进行应急监管的过程包括:
预设风险程度界定值,风险程度界定值包括一级风险程度、二级风险程度以及三级风险程度,分别记为Dt1,Dt2以及Dt3,获取综合管廊对应各布局监测点位的风险权重因子,记为Br;
所述预警信号包括一级预警信号、二级预警信号和三级预警信号;
若Br∈Dt1,则对应一级预警信号,赋予一级监管优先级;
若Br∈Dt2,则对应二级预警信号,赋予二级监管优先级;
若Br∈Dt3,则对应三级预警信号,赋予三级监管优先级;
将不同预警信号上传至管理员处,由管理员根据预警信号对应的火情风险安排相关人员进行监管,相关人员按照一级监管优先级、二级监管优先级和三级监管优先级由高至低的顺序,将对应的综合管廊不同布局监测点位的火情风险及时消除,并生成相应的工作记录发送至管理员处。
与现有技术相比,本发明的有益效果是:
1、传统火灾预测的数据来源通常比较单一,而通过多模态深度学***均值的操作,更能代表一段时间综合管廊相应布局监测点位的环境状态;
2、在数据采集阶段,构建多维度采集网络,多维度采集网络所包括的不同采集子网络采集识别相应类型标识,进行相应维度数据的采集,一定程度上保证了采集高效有序的进行,有效避免了采集冲突,不同类型的数据进入采集子网络后,进行数据格式的统一,降低了后续数据分析的难度;
3、根据特征火灾趋势图构建火灾趋势预测模型,并通过改变所设置的训练份数与测试份数的比例,来改变火灾趋势预测模型的实时预测拟合准确度,当达到设置的最佳拟合区间时,生成最佳火灾趋势预测模型,通过这种不断的训练,提升了建模和后续火灾预测的准确性,获取最佳火灾趋势预测模型标定出综合管廊对应各布局监测点位的火灾发生风险,进而生成相应等级的预警信号,并分配不同等级的监管优先级,管理员根据监管优先级作出相关人员的安排,将对应的综合管廊不同布局监测点位的火情风险及时消除,保障了综合管廊的安全,一定程度上提高火灾的预防和应急响应能力。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅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的前提下所得到的所有其他实施方式,都属于本发明所保护的范围。
如图1所示,基于多模态深度学习的综合管廊火灾趋势预测方法,包括以下步骤:
步骤S1:构建多维度采集网络用于采集管廊实时环境数据,所述管廊实时环境数据包括图像数据、视频数据以及传感相关数据;
步骤S2:将图像数据、视频数据以及传感相关数据进行特征融合,进而生成若干个模态数据集,获取模态数据集并提取模态关键特征,进而构建特征火灾趋势图;
步骤S3:根据特征火灾趋势图构建火灾趋势预测模型,并通过训练数据集训练出最佳火灾趋势预测模型,进而预测出综合管廊对应各布局监测点位的火灾发生风险,生成相应的火势预警信号发送至相关人员处,由相关人员进行应急监管。
具体的,构建所述多维度采集网络的过程包括:
设置采集目标,所述采集目标对应采集着不同数据类型的维度数据;
所述采集目标包括第一采集目标、第二采集目标以及第三采集目标,所述数据类型有对应的类型标识,所述类型标识包括P、V以及D,所述数据类型对应的维度数据包括图像帧数据和文本字符数据;
所述图像帧数据有不同的帧数目,记帧数目为Z,有Z≥1,且Z为整数;
采集目标、数据类型的类型标识以及相对应的维度数据的关联关系如下:
当采集目标为第一采集目标或第二采集目标时,对应采集的维度数据为图像帧数据,具体的,若图像帧数据对应的帧数目Z=1,则关联第一采集目标,设置第一采集子网络,将帧数目为1的图像帧数据封装为静态图像帧数据,并赋予类型标识P;
若图像帧数据对应的帧数目Z>1,则关联第二采集目标,设置第二采集子网络,设置放映间隔,将帧数目为2及以上的图像帧数据封装为动态图像帧数据,并赋予类型标识V;
当采集目标为第三采集目标时,对应采集的维度数据为文本字符数据,同步设置一个第三采集子网络,将对应采集到的文本字符数据封装为文本字符数据包,并赋予类型标识D;
需要说明的是,所述类型标识作为后续管廊实时环境数据不同类型数据的验证标识,即类型标识为P的数据只能进入第一采集子网络,相应的,V和D对应的数据只能分别进入第二采集子网络和第三采集子网络;
所述第一采集子网络、第二采集子网络以及第三采集子网络统称为采集子网络,每个采集子网络有对应的网络通信序列,设置安全通信许可序列对照表,所述安全通信许可序列对照表包括了各个采集子网络建立安全通信时网络通信序列的对照关系;
对建立安全通信后的第一采集子网络、第二采集子网络以及第三采集子网络,设置通信交互周期,记为T,在T对应的时间内,两两安全通信,构建多维度采集网络,在T时间以外,将各采集子网络接入所预设的云监管网络,由云监管网络进行临时异步缓存,到达T所述时间内,将临时异步缓存的数据传输至多维度采集网络;
需要说明的是,所述静态图像帧数据、动态图像帧数据以及文本字符数据包,对应着后续将要采集的管廊实时环境数据的不同类型的数据,图像帧数目为一,则表示静态的图像数据,大于一则连续播放则形成动态的视频数据,后续传感器采集到的传感相关数据皆为文本字符类数据,且静态图像帧数据、动态图像帧数据以及文本字符数据包设置了相应的标准格式,统一格式降低了后续数据分析的难度,而安全通信许可序列对照表的设置,则起到了防止外部未经许可的网络个体来构建虚拟通信网络,进而接入多维度采集网络进行数据非法获取,设置通信交互周期,在通信交互周期内,构建并运行多维度采集网络,通信交互周期外,则由云监管网络进行临时异步缓存,降低了通信开销;
具体的,采集所述管廊实时环境数据的过程包括:
构建多维度采集网络后,通过多维度采集网络采集管廊实时环境数据;
所述管廊实时环境数据包括图像数据、视频数据以及传感相关数据,管廊实时环境数据的产生载体为综合管廊,获取综合管廊对应的管廊布局图,并根据管廊布局图选取若干个布局监测点位;
在所述布局监测点位上放置全景摄录设备以及不同类型的传感器,所述传感器的类型包括温度传感器、湿度传感器以及烟雾浓度传感器;
通过全景摄录设备获取若干个布局监测点位处对应的图像数据以及视频数据,遍历图像数据依次分配类型标识P,遍历视频数据依次分配类型标识V;
所述传感相关数据包括管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度,通过温度传感器、湿度传感器以及烟雾浓度传感器分别采集相应的管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度,为每个布局监测点位所对应的传感相关数据进行顺序遍历,并分配类型标识D;
将类型标识P所对应的图像数据传输至多维度采集网络中的第一采集子网络,将类型标识V对应的视频数据传输至多维度采集网络中的第二采集子网络,将类型标识D对应的传感相关数据传输至多维度采集网络中的第三采集子网络;
各采集子网络有对应预设的标准格式,将图像数据、视频数据以及传感相关数据转换为相应的标准格式;
具体的,根据所述特征融合生成所述模态数据集的过程包括:
获取转换为标准格式后的图像数据、视频数据以及传感相关数据;
所述图像数据包括若干个管廊子区域环境图,编号为i,有i=1,2,3,……,n,其中n为大于0的自然数,所述视频数据为管廊子区域全景视频,其数目也为若干个,对其进行编号,记为j,则有j=1,2,3,……m,其中m为大于0的自然数;
获取若干个所述编号i对应的管廊子区域环境图,并转换为相应的热力图,将管廊子区域环境图分割为若干个像素区域,对像素区域行、列编号,记为<X1,Y1>,其中X1为像素区域在热力图上的行编号,Y1为列编号,X1∈[0,30),Y1∈[0,30),且X1和Y1为整数;
每个像素区域有对应的热力值,记为h=H<X1,Y1>,设置热力敏感值,记为H`,当h≥H`时,将对应的像素区域标记为风险预警区域,关联一个“1”标记;当h<H`时,将对应的像素区域标记为安全区域,关联一个“0”标记,汇总“1”标记和“0”标记,生成单目图像特征矩阵,记为R1,有R1=[Ω1,Ω2],其中Ω1和Ω2分别为映射“0”和“1”的相应集合,即Ω1集合对应记录着所有“0”标记在单目图像特征矩阵中的位置,Ω2集合对应记录着所有“1”标记在单目图像特征矩阵中的位置;
获取每个编号j所对应的管廊子区域全景视频,并分别抽帧处理为编号j的管廊子区域全景视频对应的若干个连续的静态图像帧,对所述若干个静态图像帧进行灰度化处理,生成若干个灰度子图,获取灰度子图所对应的像素单元区域,进而获取每个像素单元区域的灰度值,灰度值的获取过程如下:每个静态图像帧有对应的像素单元区域,获取每个像素单元区域的RGB值,记为RGB=<R,G,B>,根据每个像素单元区域的RGB值获取其相对应的灰度值,记为G`,对R、G和B分别设置相应的灰度占比权重,并分别记为WR、WG以及WB,则有G`=R*WR+G*WG+B*WB;
汇总每个灰度子图对应的若干个像素单元区域的灰度值,进而生成整个灰度子图的整图灰度值,获取若干个灰度子图对应的整图灰度值,设置异常灰度区间,记为υ,进行整图灰度值所包括的若干个灰度值G`与异常灰度区间υ之间的从属关系判断;
若G`∈υ,则标记灰度子图所对应的像素单元区域为异常图像点区,将灰度值的数值作为异常图像点区的特征矩阵构建数值;
若G`∉υ,则标记灰度子图所对应的像素单元区域为正常图像点区,将数值1作为正常图像点区的特征矩阵构建数值;
汇总若干个异常图像点区和正常图像点区以及对应的特征矩阵构建数值,并依次顺序映射至预设的空矩阵中,进而生成若干个灰度子图矩阵,记为R2,获取同一个管廊子区域全景视频映射的若干个灰度子图矩阵R2,并封装为矩阵集合,记为{Ω},遍历所述矩阵集合{Ω}中所包括的若干个灰度子图矩阵R2,并对灰度子图矩阵R2取平均操作,进而生成矩阵集合{Ω}的平均灰度子图矩阵,标记为R2`;
所述管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度设置有对应的告警阈值,当管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度超过对应的告警阈值时,则生成异常数据集存储相应的管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度等数据;
将同一个布局监测点位的单目图像特征矩阵、平均灰度子图矩阵以及异常数据集,分别作为待融合特征参数,进而融合生成若干个布局监测点位所对应的模态数据集;
需要说明的是,同一个布局监测点位所对应的单目图像特征矩阵、平均灰度子图矩阵以及异常数据集作为模态数据集,参考了多种方式来源所采集的不同类型数据,对于后续特征火灾趋势图的构建具有更高的精准度;其中平均灰度子图矩阵是通过若干个灰度子图矩阵取平均值的方式获取的,更能代表一段时间的对应布局监测点位的综合管廊环境状况;
具体的,所述特征火灾趋势图的构建过程包括:
获取每个布局监测点位对应的模态数据集,所述模态数据集有对应的模态关键特征,所述模态关键特征包括区域火灾概率特征、区域火灾点位特征以及区域火灾面积特征;
所述区域火灾概率特征和区域火灾面积特征有对应的区域特征系数,分别记相应的区域特征系数为λ1和λ2,根据区域特征系数与预设的概率区间、面积估算区间进行比对判断,进而预估并生成不同布局监测点位的火灾趋势子图;
需要说明的是,预设的概率区间和面积估算区间是获取该布局监测点位的历史数据生成的;
所述概率区间包括概率区间一、概率区间二以及概率区间三,所述面积估算区间包括低风险蔓延面积区间、中等风险蔓延面积区间以及高风险蔓延面积区间;
概率区间一、概率区间二以及概率区间三对应的区间数值分别为[d1,d1`],[d2,d2`]和[d3,d3`],低风险蔓延面积区间、中等风险蔓延面积区间以及高风险蔓延面积区间对应的面积数值范围分别记为Ara1、Ara2以及Ara3;
特征系数λ1与概率区间的区间数值进行比对判断,进而确定各布局监测点位的火势蔓延概率;
若λ1∈[d1,d1`],则对应概率区间一,标记火势蔓延概率为低风险蔓延概率;
若λ1∈[d2,d2`],则对应概率区间二,标记火势蔓延概率为中风险蔓延概率;
若λ1∈[d3,d3`],则对应概率区间三,标记火势蔓延概率为高风险蔓延概率;
特征系数λ2与面积估算区间的面积数值范围进行比对判断,进而确定各布局监测点位的过火趋势面积;
若λ2∈Ara1,则对应低风险蔓延面积区间,标记过火趋势面积为“小趋势过火”;
若λ2∈Ara2,则对应中等风险蔓延面积区间,标记过火趋势面积为“一般趋势过火”;
若λ2∈Ara3,则对应高风险蔓延面积区间,标记过火趋势面积为“严重趋势过火”;
获取每个布局监测点位所对应的区域火灾点位特征,所述区域火灾点位特征记录了各布局监测点位详细的着火点位置,标记布局监测点位的位置为一级位置,相应的各着火点位置为二级位置,分别记为L1和L2,进而形成若干个火灾定位序列,记为L,有L=<L1,L2>;
根据火势蔓延概率、过火趋势面积以及火灾定位序列构建出每个布局监测点位的火灾趋势子图,汇总若干个火灾趋势子图,进而构建整个综合管廊的特征火灾趋势图;
需要说明的是,每个火灾定位序列对应着一个火灾趋势子图,一级位置和二级位置这种一对多关系,一定程度上起到了分级定位的作用,先通过一级位置确定火灾预测的大致位置,再通过二级位置定位出详细的若干个着火点,提升了确定综合管廊火灾位置的精细度;
具体的,构建所述火灾趋势预测模型的过程包括:
获取特征火灾趋势图,并解构出特征火灾趋势图所包括的若干个火灾趋势子图,将火灾趋势子图对应的火势蔓延概率作为第一建模参数,将过火趋势面积作为第二建模参数;
设置有效建模参数筛选程序,所述有效建模参数筛选程序包括第一建模有效参数和第二建模有效参数,将不符合第一建模有效参数和第二建模有效参数相对应的第一建模参数、第二建模参数筛除;
需要说明的是,筛除不符合的第一建模参数、第二建模参数,一定程度上避免了采取错误或无效的数据进行建模,导致构建出来的模型的拟合度下降;
通过第一建模参数和第二建模参数构建火灾趋势预测模型;
构建过程如下:获取第一建模参数所关联的特征系数λ1对应的概率区间,进而获取对应火势蔓延概率的具体内容,所述具体内容即低风险蔓延概率、中风险蔓延概率以及高风险蔓延概率相对应的蔓延概率,记蔓延概率为P,P有对应的数值,所述数值的范围为(0,1),将蔓延概率P的数值作为第一坐标项;
获取第二建模参数所关联的特征系数λ2对应的面积估算区间,进而相应的获取过火趋势面积所对应的火势蔓延面积的占比分数值,记为S,S取值为S1,S2以及S3,当λ2∈Ara1时,S取值S1,λ2∈Ara2时,S取值S2,λ2∈Ara3时,S取值S3,S∈(0,1),且S为实数,即S为0-1之间的实数,表示火势蔓延的面积部分占获取到的总面积分数大小,将火势蔓延面积的占比分数值作为第二坐标项;
汇总若干个相对应的第一坐标项和第二坐标项,进而生成若干个建模坐标,建立笛卡尔坐标,将若干个建模坐标映射至笛卡尔坐标上生成若干个建模矢量向量,每个所述建模矢量向量有对应的火灾趋势概率,根据若干个建模矢量向量构建出初步的火灾趋势预测模型;
具体的,训练出所述最佳火灾趋势预测模型的过程包括:
获取若干份数的管廊实时环境数据,设置训练份数和测试份数,所述训练份数和测试份数对应的管廊实时环境数据的初始比例为1:9,所述初始比例可进行更改;
将测试份数对应的管廊实时环境数据作为测试数据,并将测试数据输入火灾趋势预测模型中,通过测试数据获取火灾趋势预测模型的预测拟合准确度,记为ZQ;
将训练份数对应的管廊实时环境数据作为训练数据,输入至火灾趋势预测模型中,获取实时预测拟合准确度,记为ZQ`;
若ZQ≥ZQ`,则更改训练份数和测试份数的初始比例,增加训练份数的比例占比,作为新的训练数据输入至火灾趋势预测模型中,获取新的相应的实时预测拟合准确度ZQ`,直到ZQ<ZQ`;
当ZQ<ZQ`时,将实时预测拟合准确度与预测的最佳拟合区间进行从属判断,记最佳拟合区间为Δ,若ZQ`∈Δ,将此时对应的火灾趋势预测模型标记为最佳火灾趋势预测模型,否则,继续通过训练集训练火灾趋势预测模型,直到ZQ`∈Δ,重复对应操作;
通过所述最佳火灾趋势预测模型,标定出综合管廊对应各布局监测点位的火灾发生风险,所述火灾发生风险关联有对应的风险权重因子,通过风险权重因子进行相应的预测;
具体的,生成所述火势预警信号并安排相关人员进行应急监管的过程包括:
预设有风险程度界定值,所述风险程度界定值包括一级风险程度、二级风险程度以及三级风险程度,分别记为Dt1,Dt2以及Dt3,获取综合管廊对应各布局监测点位的风险权重因子,记为Br;
所述预警信号包括一级预警信号、二级预警信号和三级预警信号;
若Br∈Dt1,则对应一级预警信号,一级预警信号代表着应急监管的最高级别,相应的火情风险也最高,赋予一级监管优先级;
若Br∈Dt2,则对应二级预警信号,二级预警信号对应的火情风险低于一级预警信号,相应赋予二级监管优先级;
若Br∈Dt3,则对应三级预警信号,三级预警信号对应的火情风险低于二级预警信号,相应赋予三级监管优先级;
将不同预警信号上传至管理员处,由管理员根据预警信号对应的火情风险安排相关人员进行监管,相关人员按照一级监管优先级>二级监管优先级>三级监管优先级的顺序,将对应的综合管廊不同布局监测点位的火情风险及时消除,并生成相应的工作记录发送至管理员处;
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法精神和范围。
Claims (8)
1.基于多模态深度学习的综合管廊火灾趋势预测方法,其特征在于,包括以下步骤:
步骤S1:构建多维度采集网络用于采集管廊实时环境数据,所述管廊实时环境数据包括图像数据、视频数据以及传感相关数据;
步骤S2:将图像数据、视频数据以及传感相关数据进行特征融合,进而生成若干个模态数据集,获取模态数据集并提取模态关键特征,进而构建特征火灾趋势图;
步骤S3:根据特征火灾趋势图构建火灾趋势预测模型,并通过训练数据集训练出最佳火灾趋势预测模型,进而预测出综合管廊对应各布局监测点位的火灾发生风险,生成相应的火势预警信号发送至相关人员处,由相关人员进行应急监管。
2.根据权利要求1所述的基于多模态深度学习的综合管廊火灾趋势预测方法,其特征在于,构建所述多维度采集网络的过程包括:
设置采集目标,采集目标对应采集不同数据类型的维度数据,采集目标包括第一采集目标、第二采集目标和第三采集目标,数据类型有对应的类型标识,数据类型包括图像帧数据和文本字符数据,图像帧数据包括不同的帧数目;
当采集目标为第一采集目标或第二采集目标时,对应采集的维度数据为图像帧数据,根据图像帧数据的帧数目,相应关联第一采集目标或第二采集目标,并对应设置第一采集子网络和第二采集子网络,赋予相应的类型标识,进而将图像帧数据封装为静态图像帧数据或动态图像帧数据;
当采集目标为第三采集目标时,设置第三采集子网络采集文本字符数据并封装为文本字符数据包,赋予相应类型标识;
所述第一采集子网络、第二采集子网络以及第三采集子网络有对应的网络通信序列,设置安全通信许可序列对照表和通信交互周期,进而构建多维度采集网络。
3.根据权利要求2所述的基于多模态深度学习的综合管廊火灾趋势预测方法,其特征在于,采集所述管廊实时环境数据的过程包括:
所述管廊实时环境数据包括图像数据、视频数据以及传感相关数据,获取综合管廊对应的管廊布局图并选取若干个布局监测点位,在布局监测点位上放置全景摄录设备以及不同类型的传感器,通过全景摄录设备获取若干个布局监测点位处对应的图像数据以及视频数据,并依次遍历分配相应的类型标识;通过不同类型的传感器相应采集各布局监测点位的管廊实时温度、管廊实时湿度和管廊实时烟雾浓度,并分配相应类型标识,将不同类型标识对应的图像数据、视频数据和传感相关数据传输至相应的第一采集子网络、第二采集子网络和第三采集子网络,将图像数据、视频数据以及传感相关数据转换为预设的标准格式。
4.根据权利要求3所述的基于多模态深度学习的综合管廊火灾趋势预测方法,其特征在于,根据所述特征融合生成所述模态数据集的过程包括:
所述图像数据包括若干个管廊子区域环境图,将每个管廊子区域环境图转换为相应的热力图,将管廊子区域环境图分割为若干个像素区域,每个像素区域有对应的热力值,设置热力敏感值,根据热力值和热力敏感值的大小关系,标记像素区域为风险预警区域和安全区域,进而生成单目图像特征矩阵;
所述视频数据包括若干个管廊子区域全景视频,每个管廊子区域全景视频对应有若干个静态图像帧,对静态图像帧灰度化处理,生成若干个灰度子图,获取灰度子图所对应的像素单元区域,获取每个像素单元区域的RGB值,根据每个像素单元区域的RGB值获取其相对应的灰度值,汇总每个灰度子图对应的若干个像素单元区域的灰度值,进而生成整个灰度子图的整图灰度值,设置异常灰度区间,根据像素单元区域和异常灰度区间的关系生成若干个灰度子图矩阵,获取同一个管廊子区域全景视频对应的若干个灰度子图矩阵并封装为矩阵集合,获取矩阵集合的平均灰度子图矩阵;
所述管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度设置有对应的告警阈值,当管廊实时温度、管廊实时湿度以及管廊实时烟雾浓度超过对应的告警阈值时,则生成异常数据集;获取同一个布局监测点位的单目图像特征矩阵、平均灰度子图矩阵以及异常数据集,进而生成若干个布局监测点位所对应的模态数据集。
5.根据权利要求4所述的基于多模态深度学习的综合管廊火灾趋势预测方法,其特征在于,所述特征火灾趋势图的构建过程包括:
所述模态数据集有对应的模态关键特征,模态关键特征包括区域火灾概率特征、区域火灾点位特征以及区域火灾面积特征;
所述区域火灾概率特征和区域火灾面积特征有对应的区域特征系数λ1和λ2,根据区域特征系数与预设的概率区间、面积估算区间进行比对判断,特征系数λ1与不同概率区间的区间数值进行比对判断,进而确定各布局监测点位的火势蔓延概率;特征系数λ2与不同面积估算区间的面积数值范围进行比对判断,进而确定各布局监测点位的过火趋势面积;
获取每个布局监测点位所对应的区域火灾点位特征,所述区域火灾点位特征记录了各布局监测点位详细的着火点位置,标记布局监测点位的位置为一级位置,相应的各着火点位置为二级位置,进而形成若干个火灾定位序列,根据火势蔓延概率、过火趋势面积以及火灾定位序列构建出每个布局监测点位的火灾趋势子图,汇总若干个火灾趋势子图,进而构建整个综合管廊的特征火灾趋势图。
6.根据权利要求5所述的基于多模态深度学习的综合管廊火灾趋势预测方法,其特征在于,构建所述火灾趋势预测模型的过程包括:
将特征火灾趋势图中的火灾趋势子图对应的火势蔓延概率作为第一建模参数,将过火趋势面积作为第二建模参数,所述第一建模参数关联的火势蔓延概率包括低风险蔓延概率、中风险蔓延概率以及高风险蔓延概率,获取不同火势蔓延概率对应蔓延概率的数值作为第一坐标项,获取第二建模参数所对应的面积估算区间,进而获取过火趋势面积,所述过火趋势面积有相应的火势蔓延面积的占比分数值,将火势蔓延面积的占比分数值作为第二坐标项;根据第一坐标项和第二坐标项生成若干个建模坐标,建立笛卡尔坐标,将若干个建模坐标映射至笛卡尔坐标上,生成若干个建模矢量向量,根据若干个建模矢量向量构建火灾趋势预测模型。
7.根据权利要求6所述的基于多模态深度学习的综合管廊火灾趋势预测方法,其特征在于,训练出所述最佳火灾趋势预测模型的过程包括:
获取若干份数的管廊实时环境数据,设置训练份数和测试份数,所述训练份数和测试份数对应的管廊实时环境数据设置有初始比例,将测试份数对应的管廊实时环境数据作为测试数据,并将测试数据输入火灾趋势预测模型中,获取火灾趋势预测模型的预测拟合准确度ZQ,将训练份数对应的管廊实时环境数据作为训练数据,输入至火灾趋势预测模型中,获取实时预测拟合准确度ZQ`;
若ZQ≥ZQ`,则更改训练份数和测试份数的初始比例,增加训练份数的比例占比,作为新的训练数据输入至火灾趋势预测模型中,获取新的相应的实时预测拟合准确度ZQ`,直到ZQ<ZQ`;
当ZQ<ZQ`时,将实时预测拟合准确度与预测的最佳拟合区间进行从属判断,记最佳拟合区间为Δ,若ZQ`∈Δ,将此时对应的火灾趋势预测模型标记为最佳火灾趋势预测模型,否则,继续通过训练集训练火灾趋势预测模型,直到ZQ`∈Δ,重复对应操作;
通过最佳火灾趋势预测模型,标定出综合管廊对应各布局监测点位的火灾发生风险,所述火灾发生风险关联有对应的风险权重因子。
8.根据权利要求7所述的基于多模态深度学习的综合管廊火灾趋势预测方法,其特征在于,生成所述火势预警信号并进行应急监管的过程包括:
预设风险程度界定值,风险程度界定值包括一级风险程度、二级风险程度以及三级风险程度,分别记为Dt1,Dt2以及Dt3,获取综合管廊对应各布局监测点位的风险权重因子,记为Br;
所述预警信号包括一级预警信号、二级预警信号和三级预警信号;
若Br∈Dt1,则对应一级预警信号,赋予一级监管优先级;
若Br∈Dt2,则对应二级预警信号,赋予二级监管优先级;
若Br∈Dt3,则对应三级预警信号,赋予三级监管优先级;
将不同预警信号上传至管理员处,由管理员根据预警信号对应的火情风险安排相关人员进行监管,相关人员按照一级监管优先级、二级监管优先级和三级监管优先级由高至低的顺序,将对应的综合管廊不同布局监测点位的火情风险及时消除,并生成相应的工作记录发送至管理员处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278143.4A CN117010532B (zh) | 2023-10-07 | 2023-10-07 | 基于多模态深度学习的综合管廊火灾趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278143.4A CN117010532B (zh) | 2023-10-07 | 2023-10-07 | 基于多模态深度学习的综合管廊火灾趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117010532A true CN117010532A (zh) | 2023-11-07 |
CN117010532B CN117010532B (zh) | 2024-02-02 |
Family
ID=88562187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311278143.4A Active CN117010532B (zh) | 2023-10-07 | 2023-10-07 | 基于多模态深度学习的综合管廊火灾趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010532B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576632A (zh) * | 2024-01-16 | 2024-02-20 | 山东金桥保安器材有限公司 | 基于多模态ai大模型的电网监控火灾预警***及方法 |
CN117690278A (zh) * | 2024-02-02 | 2024-03-12 | 长沙弘汇电子科技有限公司 | 一种基于图像识别的地质灾害预警*** |
CN117711127A (zh) * | 2023-11-08 | 2024-03-15 | 金舟消防工程(北京)股份有限公司 | 一种消防***方法及*** |
CN118015198A (zh) * | 2024-04-09 | 2024-05-10 | 电子科技大学 | 一种基于卷积神经网络图像处理的管廊火灾风险评估方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865918A (zh) * | 2015-03-20 | 2015-08-26 | 成都吉普斯能源科技有限公司 | 基于gis的电力监控*** |
JP2018072881A (ja) * | 2016-10-24 | 2018-05-10 | ホーチキ株式会社 | 火災監視システム |
CN112885028A (zh) * | 2021-01-27 | 2021-06-01 | 北京市新技术应用研究所 | 综合管廊应急联动处置方法 |
CN112906491A (zh) * | 2021-01-26 | 2021-06-04 | 山西三友和智慧信息技术股份有限公司 | 一种基于多模态融合技术的森林火灾检测方法 |
CN113128412A (zh) * | 2021-04-22 | 2021-07-16 | 重庆大学 | 一种基于深度学习及火灾监控视频的火灾趋势预测方法 |
CN113486697A (zh) * | 2021-04-16 | 2021-10-08 | 成都思晗科技股份有限公司 | 基于空基多模态图像融合的森林烟火监测方法 |
CN113962282A (zh) * | 2021-08-19 | 2022-01-21 | 大连海事大学 | 一种基于改进YOLOv5L+DeepSort的船舶机舱火灾实时检测***及方法 |
CN114511243A (zh) * | 2022-02-22 | 2022-05-17 | 哈尔滨工业大学(深圳) | 一种基于物联网监测的火灾风险动态评估的方法及*** |
EP4083867A1 (en) * | 2021-04-29 | 2022-11-02 | Yasar Universitesi | Recurrent trend predictive neural network for multi-sensor fire detection |
CN115310774A (zh) * | 2022-07-13 | 2022-11-08 | 国网安徽省电力有限公司信息通信分公司 | 一种作业现场环境资源感知方法及*** |
KR20230053355A (ko) * | 2021-10-14 | 2023-04-21 | 주식회사 아이뷰테크놀로지 | 이중영상 카메라 및 인공지능을 이용한 화재 예측 시스템 및 방법 |
US20230152487A1 (en) * | 2021-11-18 | 2023-05-18 | Gopal Erinjippurath | Climate Scenario Analysis And Risk Exposure Assessments At High Resolution |
CN116310927A (zh) * | 2022-09-09 | 2023-06-23 | 西安中核核仪器股份有限公司 | 基于深度学习的多源数据分析火灾监测与识别方法及*** |
-
2023
- 2023-10-07 CN CN202311278143.4A patent/CN117010532B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865918A (zh) * | 2015-03-20 | 2015-08-26 | 成都吉普斯能源科技有限公司 | 基于gis的电力监控*** |
JP2018072881A (ja) * | 2016-10-24 | 2018-05-10 | ホーチキ株式会社 | 火災監視システム |
CN112906491A (zh) * | 2021-01-26 | 2021-06-04 | 山西三友和智慧信息技术股份有限公司 | 一种基于多模态融合技术的森林火灾检测方法 |
CN112885028A (zh) * | 2021-01-27 | 2021-06-01 | 北京市新技术应用研究所 | 综合管廊应急联动处置方法 |
CN113486697A (zh) * | 2021-04-16 | 2021-10-08 | 成都思晗科技股份有限公司 | 基于空基多模态图像融合的森林烟火监测方法 |
CN113128412A (zh) * | 2021-04-22 | 2021-07-16 | 重庆大学 | 一种基于深度学习及火灾监控视频的火灾趋势预测方法 |
EP4083867A1 (en) * | 2021-04-29 | 2022-11-02 | Yasar Universitesi | Recurrent trend predictive neural network for multi-sensor fire detection |
CN113962282A (zh) * | 2021-08-19 | 2022-01-21 | 大连海事大学 | 一种基于改进YOLOv5L+DeepSort的船舶机舱火灾实时检测***及方法 |
KR20230053355A (ko) * | 2021-10-14 | 2023-04-21 | 주식회사 아이뷰테크놀로지 | 이중영상 카메라 및 인공지능을 이용한 화재 예측 시스템 및 방법 |
US20230152487A1 (en) * | 2021-11-18 | 2023-05-18 | Gopal Erinjippurath | Climate Scenario Analysis And Risk Exposure Assessments At High Resolution |
CN114511243A (zh) * | 2022-02-22 | 2022-05-17 | 哈尔滨工业大学(深圳) | 一种基于物联网监测的火灾风险动态评估的方法及*** |
CN115310774A (zh) * | 2022-07-13 | 2022-11-08 | 国网安徽省电力有限公司信息通信分公司 | 一种作业现场环境资源感知方法及*** |
CN116310927A (zh) * | 2022-09-09 | 2023-06-23 | 西安中核核仪器股份有限公司 | 基于深度学习的多源数据分析火灾监测与识别方法及*** |
Non-Patent Citations (3)
Title |
---|
SANDIP JANA 等: "Hybrid Ensemble Based Machine Learning for Smart Building Fire Detection Using Multi Modal Sensor Data", 《FIRE TECHNOLOGY》, vol. 59, pages 473 * |
唐艳华: "多因素作用下狭长受限空间电缆火蔓延规律及烟流特性研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 03, pages 026 - 53 * |
王新迪 等: "基于时空大数据与卫星图像的城市火灾风险预测", 《计算机工程》, vol. 49, no. 06, pages 242 - 249 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711127A (zh) * | 2023-11-08 | 2024-03-15 | 金舟消防工程(北京)股份有限公司 | 一种消防***方法及*** |
CN117576632A (zh) * | 2024-01-16 | 2024-02-20 | 山东金桥保安器材有限公司 | 基于多模态ai大模型的电网监控火灾预警***及方法 |
CN117576632B (zh) * | 2024-01-16 | 2024-05-03 | 山东金桥保安器材有限公司 | 基于多模态ai大模型的电网监控火灾预警***及方法 |
CN117690278A (zh) * | 2024-02-02 | 2024-03-12 | 长沙弘汇电子科技有限公司 | 一种基于图像识别的地质灾害预警*** |
CN117690278B (zh) * | 2024-02-02 | 2024-04-26 | 长沙弘汇电子科技有限公司 | 一种基于图像识别的地质灾害预警*** |
CN118015198A (zh) * | 2024-04-09 | 2024-05-10 | 电子科技大学 | 一种基于卷积神经网络图像处理的管廊火灾风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117010532B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117010532B (zh) | 基于多模态深度学习的综合管廊火灾趋势预测方法 | |
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
Zaurin et al. | Integration of computer imaging and sensor data for structural health monitoring of bridges | |
WO2019107614A1 (ko) | 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템 | |
CN111191576A (zh) | 人员行为目标检测模型构建方法、智能分析方法及*** | |
CN111160125A (zh) | 基于铁路监控的铁路异物入侵检测方法 | |
CN110232379A (zh) | 一种车辆姿态检测方法及*** | |
CN112491796A (zh) | 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法 | |
CN103065124B (zh) | 一种烟检测方法、装置及火灾检测装置 | |
CN107295230A (zh) | 一种基于红外热像仪的微型目标物移动侦测装置及方法 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN111339905A (zh) | 基于深度学习及多视角的cim井盖状态视觉检测*** | |
CN111428694A (zh) | 基于区块链的智慧工地异常烟雾监测*** | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测*** | |
CN106709905A (zh) | 一种基于双目视觉图像的防振锤故障在线检测识别方法 | |
CN107481260A (zh) | 一种区域人群滞留检测方法、装置和存储介质 | |
CN110379036A (zh) | 变电站智能巡检识别方法、***、装置及存储介质 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检***及巡检方法 | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN106683074B (zh) | 一种基于雾霾特性的图像篡改检测方法 | |
Fan et al. | A thermal infrared and visible images fusion based approach for multitarget detection under complex environment | |
CN114065969A (zh) | 基于Lora前端感知终端的全息感知故障分析诊断方法及*** | |
CN116305498B (zh) | 隧道数字孪生建模指标判断网络模型构建方法、分析方法 | |
CN111414501A (zh) | 基于区块链与cim的木材易燃风险预测*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |