CN117150298B - 基于深度学习的地铁fas火灾报警***的调试方法 - Google Patents
基于深度学习的地铁fas火灾报警***的调试方法 Download PDFInfo
- Publication number
- CN117150298B CN117150298B CN202311122909.XA CN202311122909A CN117150298B CN 117150298 B CN117150298 B CN 117150298B CN 202311122909 A CN202311122909 A CN 202311122909A CN 117150298 B CN117150298 B CN 117150298B
- Authority
- CN
- China
- Prior art keywords
- fire
- deep learning
- data
- learning model
- coefficient
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 114
- 230000006870 function Effects 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 51
- 238000012795 verification Methods 0.000 claims description 23
- 239000000523 sample Substances 0.000 claims description 19
- 239000000779 smoke Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000012468 concentrated sample Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 22
- 238000013461 design Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了基于深度学***衡数据集时，促进更好处理类别之间的样本分布不均衡。通过对数据集进行合理的采样策略和损失函数的设计，能够克服数据不平衡带来的问题，提高对火灾数据的检测能力，从而更有效地发现潜在的火灾隐患。
Description
技术领域
本发明涉及地铁火灾报警***调试技术领域，具体为基于深度学习的地铁FAS火灾报警***的调试方法。
背景技术
地铁FAS是指地铁火灾报警***(SubwayFireAlarmSystem)的缩写。它是一种应用于地铁车厢和车站的火灾检测和报警***，旨在提高地铁运行期间对火灾事件的及时识别和响应能力，以确保乘客和工作人员的安全。传统地铁火灾报警***通常使用规则基础的方法，依赖预先设定的阈值和规则进行火灾检测。然而，这种方法对于复杂的地铁环境和火灾场景往往表现不佳，容易产生误报或漏报。而深度学习技术具有优秀的特征学习能力和模式识别能力，能够自动学习和提取复杂的火灾特征，因此可以促进提高火灾检测的准确性和可靠性。
现有的深度学***衡分布。这可能使模型更倾向于预测正常情况，而对火灾情况的预测效果较差。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于深度学习的地铁FAS火灾报警***调试方法，本发明旨在提高地铁火灾预警和安全监控能力，解决传统地铁火灾报警***存在的一些问题，如误报率高、响应不及时等。通过采用深度学习技术，结合图像数据和传感器数据，该***可以更准确地检测地铁车厢内部火灾，并及时报警，有效保障乘客和工作人员的生命安全。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于深度学习的地铁FAS火灾报警***的调试方法，包括以下步骤，
按时间轴的方式采集不同地铁线路、车厢和天气条件样本数据，并采集地铁正常运行时和火灾记录发生时的视频和传感器样本数据，记录为数据集A；
对数据集A进行标注，将正常情况和历史火灾情况数据进行标注，标注包括火灾发生的时间戳、位置、火灾规模及相关影响信息；
对数据集A进行预处理后，将数据集A划分为训练集B、验证集C和测试集D；
从训练集B火灾报警***中提取火灾特征，并计算获得安全重要任务系数rwx，数据集复杂指数fz和资源深度系数sd，并将安全重要任务系数rwx，数据集复杂指数fz和资源深度系数sd拟合获得复杂网络结构系数fzwx，根据复杂网络结构系数fzwx选择相对应的网络结构和层数模型，并设置定义损失函数，以构建深度学习模型；
所述复杂网络结构系数fzwx通过以下公式进行获得：
式中，Xn表示为召回率，zq表示为准确率，F1表示为F1分数评估指标，ypzl表示为集中样本数据的总数量；
使用训练集B对深度学习模型进行训练，采用优化算法，包括SGD和Adam其中的一种算法，不断更新深度学习模型参数，使其逐渐收敛，在训练过程中，使用验证集C对深度学习模型进行验证；计算深度学习模型在验证集C上的召回率Xn和准确率zq；依据召回率Xn和准确率zq来计算监控性能系数Jkx，依据监控性能系数Jkx调整超参数配置；
使用测试集D评估深度学习模型的性能；具体方法包括计算深度学习模型在测试集D上的召回率Xn、准确率zq和F1分数评估指标，获得测试性能系数Csx，并将测试性能系数Csx和监控性能系数Jkx进行对比，获得差值Diff，针对差值Diff进行相对应的方案调试。
优选的，所述数据集A包括图像数据集A1、传感器数据集A2和历史火灾数据A3，采用安装摄像头和红外传感器来采集地铁车厢内部的图像数据，标记为图像数据A1；
采用温度传感器、烟雾传感器、气体传感器、采集车厢内部的温度数据、烟雾数据和可燃性气体泄漏数据，标记为传感器数据A2；
通过大数据采集地铁***相关部门公开发布的历史火灾记录报告数据，所述历史火灾记录报告数据包括起火原因、火灾蔓延情况、报警次数和应急处理数据，标记为历史火灾数据A3。
优选的，将数据集A以比例为70％、15％和15％的比例划分为训练集B、验证集C和测试集D；
从训练集B火灾报警***中提取火灾特征，所述火灾特征包括火线和浓烟区域强度特征、火灾光线强度变化特征、目标车厢内部物体变形特征、车厢内部温度变化特征、烟雾浓度变化特征、可燃性气体泄漏特征和火灾蔓延变化特征。
优选的，所述定义损失函数的具体方法是：
S1、对于火灾报警***，深度学习模型的输出是设置火灾发生的概率或者火灾发生的分类结果；真实标签则是根据历史火灾数据A3中的信息进行标记的；
S2、根据深度学习模型的输出和标签类型，选择设置损失函数来衡量预测值与真实值之间的差异；对于二分类，包括火灾和非火灾分类，采用二元交叉熵损失函数进行输出，若输出是火灾发生的概率值，设置使用均方误差损失函数来进行计算；
S3、将深度学***均损失或总损失，作为深度学习模型在整个训练集B上的损失；
S4、将损失函数作为优化目标，在训练过程中，利用梯度下降优化算法来调整深度学习模型的参数，使得损失函数值逐渐降低，从而使深度学习模型更好地拟合训练数据，达到更好的火灾预测效果。
优选的，所述安全重要任务系数rwx通过以下公式进行计算获得：
式中，rws表示为表示火灾报警***需要完成的重要任务数量，包括检测火焰、烟雾火灾特征的任务数量；aqx表示为火灾发生的安全程度，包括火灾预防措施覆盖率和应急响应次数；mygl表示为蔓延概率值；α、β、γ是rws、aqx和mygl的权重系数，并由用户调整设置，且α+β+γ＝1.0。
优选的，所述数据集复杂指数fz通过以下公式进行计算获得：
fz＝(N*Ce)/(C1*C2)
式中，N表示数据集中的总样本数量；Ce表示数据集的类别均衡性指数，用于衡量不同类别样本的平衡程度；使用统计指标，包括Gini系数和信息熵来度量；C1和C2是分别表示数据集的样本数量和数据分布的调节系数。
优选的，所述资源深度系数sd通过以下公式进行计算获得：
式中，ccL表示为深度学习模型的参数数量值，在神经网络中，参数是指权重和偏置，参数量越大，深度学习模型的复杂度越高；xql表示为训练和深度学习模型所需的计算资源内存需求值；jjxl表示为计算效率，计算效率包括计算时间和计算能力比。
优选的，所述召回率Xn、准确率zq和监控性能系数Jkx通过以下公式计算获得：
Xn＝TP/(TP+FN)
zq＝TP/(TP+FP)
式中，TP表示深度学***衡召回率Xn和准确率zq之间权重的系数；参数的意义为，召回率Xn和准确率zq之间存在着权衡，如果更注重较高的召回率Xn，即尽量不漏掉火灾情况，则设置增大f1，如果更注重较高的准确率zq，即尽量避免错误报警，则设置增大f2。
优选的，所述测试性能系数Csx通过以下公式进行计算获得：
式中，F1表示为测试集D上的F1分数，用于综合考虑召回率和准确率的平衡；F1分数是召回率Xn和准确率zq的调和均值，用于度量深度学习模型的综合性能；w1、w2、w3表示为F1分数、召回率Xn和准确率zq的权重系数值，且w1+w2+w3＝1.0；R表示修正常数。
优选的，计算测试性能系数Csx与监控性能系数Jkx之间的差值Diff，即Diff＝Csx-Jkx；根据差值Diff的大小和方向，用于判断深度学习模型在测试集D上的性能是否优于在验证集C上的性能；较大的正差值表示深度学习模型在测试集D上性能更优，较大的负差值可能表示深度学习模型在测试集D上性能较差；
根据差值Diff的结果，进行相应的方案调试；若测试性能系数Csx较好，即Csx>Jkx，说明深度学习模型在测试集D上的性能优于验证集C上的性能，考虑继续使用该深度学习模型；若测试性能系数Csx较差，即Csx<Jkx，则需要重新优化超参数、调整深度学习模型结构或增加更多的数据来改进深度学习模型。
(三)有益效果
本发明提供了基于深度学习的地铁FAS火灾报警***的调试方法。具备以下有益效果：
(1)该基于深度学习的地铁FAS火灾报警***的调试方法，深度学习技术具有优秀的特征学习和模式识别能力，能够自动学习和提取复杂的火灾特征，从而减少人为设定的阈值和规则对火灾检测结果的影响。相比传统的规则基础方法，基于深度学习的地铁FAS能更准确地识别火灾情况，降低误报和漏报的风险。
(2)该基于深度学习的地铁FAS火灾报警***的调试方法，地铁环境复杂多变，而深度学习模型能够通过大量样本数据自适应学习和拟合不同场景下的火灾特征，使其具备更强的适应性和鲁棒性。这样，即使面对新的或不常见的火灾情况，基于深度学习的地铁FAS也能更好地应对，提高火灾检测的效果。
(3)该基于深度学***衡数据集时，能够更好地处理类别之间的样本分布不均衡。通过对数据集进行合理的采样策略和损失函数的设计，基于深度学***衡带来的问题，提高对火灾数据的检测能力，从而更有效地发现潜在的火灾隐患。
(4)该基于深度学习的地铁FAS火灾报警***的调试方法，通过对测试性能系数Csx与监控性能系数Jkx之间的差值Diff进行比较和分析，基于深度学习的地铁FAS能够及时发现模型的优劣势，根据结果进行相应的方案调试。这使得***能够持续优化和改进，不断提高火灾检测的效果和可靠性。
附图说明
图1为本发明方法深度学习模型结构计算流程示意图；
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。
地铁FAS是指地铁火灾报警***(SubwayFireAlarmSystem)的缩写。它是一种应用于地铁车厢和车站的火灾检测和报警***，旨在提高地铁运行期间对火灾事件的及时识别和响应能力，以确保乘客和工作人员的安全。传统地铁火灾报警***通常使用规则基础的方法，依赖预先设定的阈值和规则进行火灾检测。然而，这种方法对于复杂的地铁环境和火灾场景往往表现不佳，容易产生误报或漏报。而深度学习技术具有优秀的特征学习能力和模式识别能力，能够自动学习和提取复杂的火灾特征，因此可以促进提高火灾检测的准确性和可靠性。
现有的深度学***衡分布。这可能使模型更倾向于预测正常情况，而对火灾情况的预测效果较差。
实施例1
本发明提供基于深度学习的地铁FAS火灾报警***的调试方法，请参阅图1，包括以下步骤，
按时间轴的方式采集不同地铁线路、车厢和天气条件样本数据，并采集地铁正常运行时和火灾记录发生时的视频和传感器样本数据，记录为数据集A；
对数据集A进行标注，将正常情况和历史火灾情况数据进行标注，标注包括火灾发生的时间戳、位置、火灾规模及相关影响信息；
对数据集A进行预处理后，将数据集A划分为训练集B、验证集C和测试集D；所述数据集A包括图像数据集A1、传感器数据集A2和历史火灾数据A3，采用安装摄像头和红外传感器来采集地铁车厢内部的图像数据，标记为图像数据A1；
采用温度传感器、烟雾传感器、气体传感器、采集车厢内部的温度数据、烟雾数据和可燃性气体泄漏数据，标记为传感器数据A2；
通过大数据采集地铁***相关部门公开发布的历史火灾记录报告数据，所述历史火灾记录报告数据包括起火原因、火灾蔓延情况、报警次数和应急处理数据，标记为历史火灾数据A3。
从训练集B火灾报警***中提取火灾特征，并计算获得安全重要任务系数rwx，数据集复杂指数fz和资源深度系数sd，并将安全重要任务系数rwx，数据集复杂指数fz和资源深度系数sd拟合获得复杂网络结构系数fzwx，根据复杂网络结构系数fzwx选择相对应的网络结构和层数模型，并设置定义损失函数，以构建深度学习模型；
所述复杂网络结构系数fzwx通过以下公式进行获得：
式中，Xn表示为召回率，zq表示为准确率，F1表示为F1分数评估指标，ypzl表示为集中样本数据的总数量；
使用训练集B对深度学习模型进行训练，采用优化算法，包括SGD和Adam其中的一种算法，不断更新深度学习模型参数，使其逐渐收敛，在训练过程中，使用验证集C对深度学习模型进行验证；计算深度学习模型在验证集C上的召回率Xn和准确率zq；依据召回率Xn和准确率zq来计算监控性能系数Jkx，依据监控性能系数Jkx调整超参数配置；通过计算验证集C上的召回率Xn和准确率zq，并据此计算监控性能系数Jkx，可以根据实际情况对超参数进行调整和优化，以提升深度学习模型的性能；
使用测试集D评估深度学习模型的性能；具体方法包括计算深度学习模型在测试集D上的召回率Xn、准确率zq和F1分数评估指标，获得测试性能系数Csx，并将测试性能系数Csx和监控性能系数Jkx进行对比，获得差值Diff，针对差值Diff进行相对应的方案调试。
本实施例中，通过使用深度学习模型，该方法能够从大量数据中学习到复杂的火灾特征，准确识别火焰、烟雾和温度异常等火灾迹象，从而降低误报率和漏报率，提高火灾检测的准确率；通过结合图像数据和传感器数据，深度学习模型可以综合考虑多种火灾特征，如火焰强度、烟雾密度、温度变化等，从而更全面地评估火灾风险，提高火灾预警的准确性和可靠性；
深度学习模型具有较快的推理速度，在实时性要求较高的情况下能够进行快速火灾检测和预警，及时发出警报，使地铁管理部门和乘客能够更快速地做出应急响应，保障火灾事故的最小化；
深度学习模型具有自动学习和适应能力，能够根据不同地铁线路、车厢和天气条件等实时调整模型参数，适应不同环境的火灾检测需求，提高***的稳定性和可靠性；该方法使用了优化算法如SGD和Adam来训练深度学习模型，使其逐渐收敛，同时选择合适的网络结构和层数模型，能够在相对较少的计算资源下实现高效的模型训练和推理；
该基于深度学习的地铁FAS火灾报警***的调试方法可以有效地解决现有技术中火灾检测准确率不高、实时性不足、无法综合考虑多种火灾特征等问题，提高地铁火灾报警***的性能和稳定性，保障地铁运营安全，对乘客和工作人员的生命安全起到积极的促进作用。
通过将数据集A按照比例划分为训练集B、验证集C和测试集D，确保在每个子集中都包含足够的火灾样本和正常样本。通过合理的划分比例，可以保持数据集的平衡性，有助于模型更好地学习和预测。在定义损失函数时，设置采用加权损失函数，对火灾样本和正常样本赋予不同的权重。为少数类(火灾样本)赋予较高的权重，使模型更加关注火灾情况，从而提高对火灾的预测效果。
实施例2，本实施例是在实施例1中进行的解释说明，具体的，将数据集A以比例为70％、15％和15％的比例划分为训练集B、验证集C和测试集D；按照70％、15％和15％的比例划分数据集A为训练集B、验证集C和测试集D，有助于充分利用数据，避免数据泄漏，进行模型优化和调参，以及综合评估模型的性能，从而提高地铁FAS火灾报警***的检测准确率和性能。
从训练集B火灾报警***中提取火灾特征，所述火灾特征包括火线和浓烟区域强度特征、火灾光线强度变化特征、目标车厢内部物体变形特征、车厢内部温度变化特征、烟雾浓度变化特征、可燃性气体泄漏特征和火灾蔓延变化特征。
本实施例中，通过将数据集A划分为不同的子集，确保了训练集B、验证集C和测试集D之间没有重叠的样本，避免了数据泄漏问题，确保了模型评估的准确性。使用训练集B进行深度学习模型的训练，而使用验证集C进行模型验证和调参。这样的划分方式允许了模型在训练过程中根据验证集C的表现来调整超参数和模型结构，从而优化模型的性能；使用测试集D对深度学习模型进行性能评估，计算模型在测试集D上的召回率Xn、准确率zq和F1分数评估指标，获得测试性能系数Csx。通过与验证集C上的监控性能系数Jkx进行对比，可以更全面地评估模型的性能。
实施例3，本实施例是在实施例1中进行的解释说明，具体的，所述定义损失函数的具体方法是：
S1、对于火灾报警***，深度学习模型的输出是设置火灾发生的概率或者火灾发生的分类结果；真实标签则是根据历史火灾数据A3中的信息进行标记的；通过将深度学习模型的输出设置为火灾发生的概率或分类结果，以及真实标签的根据历史火灾数据A3进行标记，损失函数能够适应火灾报警任务的特性，确保模型输出与任务需求相匹配。
S2、根据深度学习模型的输出和标签类型，选择设置损失函数来衡量预测值与真实值之间的差异；对于二分类，包括火灾和非火灾分类，采用二元交叉熵损失函数进行输出，若输出是火灾发生的概率值，设置使用均方误差损失函数来进行计算；对于二分类问题，采用二元交叉熵损失函数进行输出，能够有效区分火灾和非火灾情况，帮助模型学习正确预测火灾发生的概率或分类结果。
S3、将深度学***均损失或总损失，作为深度学习模型在整个训练集B上的损失；根据深度学习模型的输出类型，选择适当的损失函数来衡量预测值与真实值之间的差异。如果输出是火灾发生的概率值，使用均方误差损失函数来计算，这种灵活选择能够使损失函数与任务类型相匹配，有助于模型的优化。
S4、将损失函数作为优化目标，在训练过程中，利用梯度下降优化算法来调整深度学习模型的参数，使得损失函数值逐渐降低，从而使深度学习模型更好地拟合训练数据，达到更好的火灾预测效果。通过将损失函数作为优化目标，使用梯度下降优化算法来调整深度学习模型的参数，使得损失函数值逐渐降低，帮助模型更好地拟合训练数据，从而提高火灾预测效果。
本实施例中，定义损失函数的具体方法能够使深度学习模型适应火灾报警任务，区分火灾与非火灾情况，灵活选择合适的损失函数，帮助模型优化参数，从而实现更好的火灾预测效果。
实施例4，本实施例是在实施例1中进行的解释说明，具体的，所述安全重要任务系数rwx通过以下公式进行计算获得：
式中，rws表示为表示火灾报警***需要完成的重要任务数量，包括检测火焰、烟雾火灾特征的任务数量；aqx表示为火灾发生的安全程度，包括火灾预防措施覆盖率和应急响应次数；mygl表示为蔓延概率值；α、β、γ是rws、aqx和mygl的权重系数，并由用户调整设置，且α+β+γ＝1.0。
本实施例中，通过引入重要任务数量rws作为权重系数α，能够将火灾报警***需要完成的任务数量纳入考虑。重要任务通常涵盖了检测火焰、烟雾等关键特征，这些任务的数量越多，表示火灾报警***需要具备更多的功能和能力。引入火灾发生的安全程度aqx作为权重系数β，可以考虑火灾的预防措施覆盖率和应急响应次数等因素。这些因素能够影响火灾发生后的处理和控制效果，通过加权考虑，可以更全面的评估火灾报警***的性能。通过引入蔓延概率值mygl作为权重系数γ，可以考虑火灾的蔓延程度。火灾蔓延的速度和范围与火灾预警的紧急性相关，考虑了这一因素后，能够更加准确地评估火灾报警***的实际应用价值。通过计算安全重要任务系数rwx，能够综合考虑火灾报警***的重要任务数量、火灾的安全程度以及蔓延概率值，帮助优化火灾报警***的性能和预警能力，从而提高地铁FAS火灾报警***的准确性和可靠性。
实施例5，本实施例是在实施例1中进行的解释说明，具体的，所述数据集复杂指数fz通过以下公式进行计算获得：
fz＝(N*Ce)/(C1*C2)
式中，N表示数据集中的总样本数量；Ce表示数据集的类别均衡性指数，用于衡量不同类别样本的平衡程度；使用统计指标，包括Gini系数和信息熵来度量；C1和C2是分别表示数据集的样本数量和数据分布的调节系数。
本实施例中：数据集中的总样本数量N是一个重要的指标，它反映了数据集的规模和容量。较大的数据集通常能够提供更丰富的信息和更全面的样本覆盖，有助于训练更稳健和准确的深度学***衡程度。在地铁FAS火灾报警***中，火灾数据往往是少数类，正常运行数据则是多数类，导致数据集的不平衡分布。通过Ce指数，可以对不同类别样本的数量差异进行量化，有助于解决数据不平衡问题，提高模型对火灾样本的预测效果。数据集的数据分布调节系数C1和C2用于调节数据集的样本数量和数据分布情况。合理设置C1和C2的值，能够使数据集更加符合实际场景，提高深度学习模型在真实数据上的泛化能力；通过综合考虑N、Ce、C1和C2，数据集复杂指数fz能够对数据集的复杂性进行综合评估。一个复杂度适中且样本分布较为均衡的数据集有利于训练深度学习模型，并且有助于提高模型的性能和泛化能力。
通过计算数据集复杂指数fz，可以对地铁FAS火灾报警***的数据集进行全面评估，从而优化数据集的样本分布、提高数据集的质量，为深度学习模型的训练和预测效果提供支持，进一步提升地铁FAS火灾报警***的准确性和可靠性。
实施例6，本实施例是在实施例1中进行的解释说明，具体的，所述资源深度系数sd通过以下公式进行计算获得：
式中，ccL表示为深度学习模型的参数数量值，在神经网络中，参数是指权重和偏置，参数量越大，深度学习模型的复杂度越高；xql表示为训练和深度学习模型所需的计算资源内存需求值；jjxl表示为计算效率，计算效率包括计算时间和计算能力比。
本实施例中，资源深度系数sd中的ccL表示深度学***台上运行。通过sd的计算，可以对模型的计算资源需求进行评估，有助于选择合适的计算平台和硬件配置，提高模型训练的效率。资源深度系数sd中的jjxl表示计算效率，包括计算时间和计算能力比。计算效率是指在给定的计算资源下，模型能够快速高效地进行推理和预测。较高的计算效率意味着模型可以在较短的时间内完成预测任务，适用于实时应用场景。通过sd的计算，可以评估模型的计算效率，有助于选择计算速度较快的模型，提高模型在实际应用中的性能表现。
通过资源深度系数sd的计算，可以对深度学习模型的复杂性和计算性能进行全面评估，有助于选择适合实际应用场景的模型，提高地铁FAS火灾报警***的预测准确性、计算效率和实时性，进一步提升***的性能和可靠性。
实施例7，本实施例是在实施例1中进行的解释说明，具体的，所述召回率Xn、准确率zq和监控性能系数Jkx通过以下公式计算获得：
Xn＝TP/(TP+FN)
zq＝TP/(TP+FP)
式中，TP表示深度学***衡召回率Xn和准确率zq之间权重的系数；参数的意义为，召回率Xn和准确率zq之间存在着权衡，如果更注重较高的召回率Xn，即尽量不漏掉火灾情况，则设置增大f1，如果更注重较高的准确率zq，即尽量避免错误报警，则设置增大f2。
本实施例中，召回率Xn越高，说明模型能够更好地捕捉到火灾样本，降低漏报率，增强火灾检测的灵敏性和可靠性；准确率zq越高，说明模型的预测结果更准确，减少误报率，提高火灾报警***的可信度；f1和f2是用于平衡召回率Xn和准确率zq之间权重的系数。当模型需要更关注火灾检测的召回率时，增大f1的值；当模型需要更关注准确率时，增大f2的值。监控性能系数Jkx越高，说明模型在召回率和准确率之间取得更好的平衡，具备更优秀的火灾检测性能。
实施例8，本实施例是在实施例1中进行的解释说明，具体的，所述测试性能系数Csx通过以下公式进行计算获得：
式中，F1表示为测试集D上的F1分数，用于综合考虑召回率和准确率的平衡；F1分数是召回率Xn和准确率zq的调和均值，用于度量深度学习模型的综合性能；w1、w2、w3表示为F1分数、召回率Xn和准确率zq的权重系数值，且w1+w2+w3＝1.0；R表示修正常数。
本实施例中，通过计算测试性能系数Csx，可以综合考虑模型在测试集D上的召回率、准确率和F1分数，从而评估深度学***衡模型在召回率和准确率之间的权衡关系，进一步优化火灾检测***的性能。
实施例9，本实施例是在实施例1中进行的解释说明，具体的，计算测试性能系数Csx与监控性能系数Jkx之间的差值Diff，即Diff＝Csx-Jkx；根据差值Diff的大小和方向，用于判断深度学习模型在测试集D上的性能是否优于在验证集C上的性能；较大的正差值表示深度学习模型在测试集D上性能更优，较大的负差值可能表示深度学习模型在测试集D上性能较差；
根据差值Diff的结果，进行相应的方案调试；若测试性能系数Csx较好，即Csx>Jkx，说明深度学习模型在测试集D上的性能优于验证集C上的性能，考虑继续使用该深度学习模型；若测试性能系数Csx较差，即Csx<Jkx，则需要重新优化超参数、调整深度学习模型结构或增加更多的数据来改进深度学习模型。
本实施例中，通过计算并对比测试性能系数Csx与监控性能系数Jkx之间的差值Diff，可以对深度学习模型的性能表现做出客观评估，并据此采取相应的调试方案。这有助于优化深度学习模型，提高地铁FAS火灾报警***的火灾检测能力，更有效地保障乘客和地铁安全。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.基于深度学习的地铁FAS火灾报警***的调试方法，其特征在于：包括以下步骤，
按时间轴的方式采集不同地铁线路、车厢和天气条件样本数据，并采集地铁正常运行时和火灾记录发生时的视频和传感器样本数据，记录为数据集A；
对数据集A进行标注，将正常情况和历史火灾情况数据进行标注，标注包括火灾发生的时间戳、位置、火灾规模及相关影响信息；
对数据集A进行预处理后，将数据集A划分为训练集B、验证集C和测试集D；
从训练集B火灾报警***中提取火灾特征，并计算获得安全重要任务系数rwx，数据集复杂指数fz和资源深度系数sd，并将安全重要任务系数rwx，数据集复杂指数fz和资源深度系数sd拟合获得复杂网络结构系数fzwx，根据复杂网络结构系数fzwx选择相对应的网络结构和层数模型，并设置定义损失函数，以构建深度学习模型；
所述复杂网络结构系数fzwx通过以下公式进行获得：
式中，Xn表示为召回率，zq表示为准确率，F1表示为F1分数评估指标，ypzl表示为集中样本数据的总数量；
所述安全重要任务系数rwx通过以下公式进行计算获得：
式中，rws表示为表示火灾报警***需要完成的重要任务数量，包括检测火焰、烟雾火灾特征的任务数量；aqx表示为火灾发生的安全程度，包括火灾预防措施覆盖率和应急响应次数；mygl表示为蔓延概率值；α、β、γ是rws、aqx和mygl的权重系数，并由用户调整设置，且α+β+γ=1.0；
所述数据集复杂指数fz通过以下公式进行计算获得：
式中，N表示数据集中的总样本数量；Ce表示数据集的类别均衡性指数，用于衡量不同类别样本的平衡程度；使用统计指标，包括Gini系数和信息熵来度量；C1和C2是分别表示数据集的样本数量和数据分布的调节系数；
所述资源深度系数sd通过以下公式进行计算获得：
式中，ccL表示为深度学习模型的参数数量值，在神经网络中，参数是指权重和偏置，参数量越大，深度学习模型的复杂度越高；xql表示为训练和深度学习模型所需的计算资源内存需求值；jjxl表示为计算效率，计算效率包括计算时间和计算能力比；
使用训练集B对深度学习模型进行训练，采用优化算法，包括SGD和Adam其中的一种算法，不断更新深度学习模型参数，使其逐渐收敛，在训练过程中，使用验证集C对深度学习模型进行验证；计算深度学习模型在验证集C上的召回率Xn和准确率zq；依据召回率Xn和准确率zq来计算监控性能系数Jkx，依据监控性能系数Jkx调整超参数配置；
所述召回率Xn、准确率zq和监控性能系数Jkx通过以下公式计算获得：
式中，TP表示深度学***衡召回率Xn和准确率zq之间权重的系数；参数的意义为，召回率Xn和准确率zq之间存在着权衡，如果更注重较高的召回率Xn，即尽量不漏掉火灾情况，则设置增大f1，如果更注重较高的准确率zq，即尽量避免错误报警，则设置增大f2；
使用测试集D评估深度学习模型的性能；具体方法包括计算深度学习模型在测试集D上的召回率Xn、准确率zq和F1分数评估指标，获得测试性能系数Csx，所述测试性能系数Csx通过以下公式进行计算获得：
式中，F1表示为测试集D上的F1分数，用于综合考虑召回率和准确率的平衡；F1分数是召回率Xn和准确率zq的调和均值，用于度量深度学习模型的综合性能；w1、w2、w3表示为F1分数、召回率Xn和准确率zq的权重系数值，且w1+w2+w3=1.0；R表示修正常数；
并将测试性能系数Csx和监控性能系数Jkx进行对比，获得差值Diff，针对差值Diff进行相对应的方案调试。
2.根据权利要求1所述的基于深度学习的地铁FAS火灾报警***的调试方法，其特征在于：所述数据集A包括图像数据集A1、传感器数据集A2和历史火灾数据A3，采用安装摄像头和红外传感器来采集地铁车厢内部的图像数据，标记为图像数据A1；
采用温度传感器、烟雾传感器、气体传感器、采集车厢内部的温度数据、烟雾数据和可燃性气体泄漏数据，标记为传感器数据A2；
通过大数据采集地铁***相关部门公开发布的历史火灾记录报告数据，所述历史火灾记录报告数据包括起火原因、火灾蔓延情况、报警次数和应急处理数据，标记为历史火灾数据A3。
3.根据权利要求2所述的基于深度学习的地铁FAS火灾报警***的调试方法，其特征在于：将数据集A以比例为70%、15%和15%的比例划分为训练集B、验证集C和测试集D；
从训练集B火灾报警***中提取火灾特征，所述火灾特征包括火线和浓烟区域强度特征、火灾光线强度变化特征、目标车厢内部物体变形特征、车厢内部温度变化特征、烟雾浓度变化特征、可燃性气体泄漏特征和火灾蔓延变化特征。
4.根据权利要求1所述的基于深度学习的地铁FAS火灾报警***的调试方法，其特征在于：所述定义损失函数的具体方法是：
S1、对于火灾报警***，深度学习模型的输出是设置火灾发生的概率或者火灾发生的分类结果；真实标签则是根据历史火灾数据A3中的信息进行标记的；
S2、根据深度学习模型的输出和标签类型，选择设置损失函数来衡量预测值与真实值之间的差异；对于二分类，包括火灾和非火灾分类，采用二元交叉熵损失函数进行输出，若输出是火灾发生的概率值，设置使用均方误差损失函数来进行计算；
S3、将深度学***均损失或总损失，作为深度学习模型在整个训练集B上的损失；
S4、将损失函数作为优化目标，在训练过程中，利用梯度下降优化算法来调整深度学习模型的参数，使得损失函数值逐渐降低，从而使深度学习模型更好地拟合训练数据，达到更好的火灾预测效果。
5.根据权利要求1所述的基于深度学习的地铁FAS火灾报警***的调试方法，其特征在于：计算测试性能系数Csx与监控性能系数Jkx之间的差值Diff，即Diff=Csx-Jkx；根据差值Diff的大小和方向，用于判断深度学习模型在测试集D上的性能是否优于在验证集C上的性能；根据差值Diff的结果，进行相应的方案调试；若测试性能系数Csx较好，即Csx>Jkx，说明深度学习模型在测试集D上的性能优于验证集C上的性能，考虑继续使用该深度学习模型；若测试性能系数Csx较差，即Csx<Jkx，则需要重新优化超参数、调整深度学习模型结构或增加更多的数据来改进深度学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311122909.XA CN117150298B (zh) | 2023-09-01 | 2023-09-01 | 基于深度学习的地铁fas火灾报警***的调试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311122909.XA CN117150298B (zh) | 2023-09-01 | 2023-09-01 | 基于深度学习的地铁fas火灾报警***的调试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117150298A CN117150298A (zh) | 2023-12-01 |
| CN117150298B true CN117150298B (zh) | 2024-06-07 |
Family
ID=88883827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311122909.XA Active CN117150298B (zh) | 2023-09-01 | 2023-09-01 | 基于深度学习的地铁fas火灾报警***的调试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150298B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649659A (zh) * | 2023-12-07 | 2024-03-05 | 国网福建省电力有限公司漳浦县供电公司 | 一种基于深度学习的微粒识别方法及电力设备智能运维*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN114283469A (zh) * | 2021-12-14 | 2022-04-05 | 贵州大学 | 一种基于改进YOLOv4-tiny的轻量型目标检测方法及*** |
| CN114444386A (zh) * | 2022-01-19 | 2022-05-06 | 中国能源建设集团安徽省电力设计院有限公司 | 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、*** |
| CN115221964A (zh) * | 2022-07-21 | 2022-10-21 | 武汉峰锐智能科技有限公司 | 一种基于深度学习的火灾报警开集分类方法 |
| CN116108884A (zh) * | 2023-02-24 | 2023-05-12 | 北京理工大学 | 一种基于遗传算法的改进模糊神经网络火灾检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2024504529A (ja) * | 2021-01-28 | 2024-02-01 | 京東方科技集團股▲ふん▼有限公司 | 欠陥検出方法及びその装置、モデルトレーニング方法及びその装置、及び電子デバイス |
-
2023
- 2023-09-01 CN CN202311122909.XA patent/CN117150298B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN114283469A (zh) * | 2021-12-14 | 2022-04-05 | 贵州大学 | 一种基于改进YOLOv4-tiny的轻量型目标检测方法及*** |
| CN114444386A (zh) * | 2022-01-19 | 2022-05-06 | 中国能源建设集团安徽省电力设计院有限公司 | 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、*** |
| CN115221964A (zh) * | 2022-07-21 | 2022-10-21 | 武汉峰锐智能科技有限公司 | 一种基于深度学习的火灾报警开集分类方法 |
| CN116108884A (zh) * | 2023-02-24 | 2023-05-12 | 北京理工大学 | 一种基于遗传算法的改进模糊神经网络火灾检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117150298A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647539B (zh) | 一种用于车辆故障的预测方法和*** | |
| CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
| CN116625438B (zh) | 燃气管网安全在线监测***及其方法 | |
| CN117150298B (zh) | 基于深度学习的地铁fas火灾报警***的调试方法 | |
| CN110119758A (zh) | 一种用电数据异常检测及模型训练方法、装置 | |
| CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
| CN117151649A (zh) | 基于大数据分析的施工方法管控***及方法 | |
| CN117455745B (zh) | 基于多维融合数据分析的公共安全事件感知方法及*** | |
| CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
| CN118092326A (zh) | 一种基于数字孪生的厂区应急管理*** | |
| CN116311739A (zh) | 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法 | |
| CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
| CN112032567A (zh) | 一种埋地燃气管道泄漏危险度预测*** | |
| CN110598969B (zh) | 一种海上通道突发事件风险预警方法 | |
| CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及*** | |
| CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及*** | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
| CN118094278B (zh) | 一种基于电力应用场景差异的数据质检方法、装置及介质 | |
| CN117113259B (zh) | 用于安全隐患预测的煤矿状态数据处理方法及*** | |
| CN118295881B (zh) | 一种芯片栅格阵列的封装数据监管***及方法 | |
| CN118410428A (zh) | 一种地铁隧道自动化监测方法、***、设备和介质 | |
| Santos et al. | Machine Learning in Failure Prediction in Breathalyzers | |
| KR20230071565A (ko) | 재난 관측 모니터링 시스템 및 그 방법 | |
| CN118153948A (zh) | 基于深度学习的氢气储能设备泄漏故障预警方法及装置 | |
| Liu et al. | Sensor Fault Diagnosis of Air Conditioning System Based on Multi-dimension Clustering Algorithm |
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 |