CN117237804B - 基于联邦学习的烟火识别***及方法 - Google Patents
基于联邦学习的烟火识别***及方法 Download PDFInfo
- Publication number
- CN117237804B CN117237804B CN202311194171.8A CN202311194171A CN117237804B CN 117237804 B CN117237804 B CN 117237804B CN 202311194171 A CN202311194171 A CN 202311194171A CN 117237804 B CN117237804 B CN 117237804B
- Authority
- CN
- China
- Prior art keywords
- building
- smoke
- fire
- identification
- groups
- 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 29
- 239000000779 smoke Substances 0.000 claims abstract description 385
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 23
- 230000002776 aggregation Effects 0.000 claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000013461 design Methods 0.000 claims description 72
- 238000012549 training Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 12
- 206010000369 Accident Diseases 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Alarm Systems (AREA)
Abstract
本发明提供了基于联邦学习的烟火识别***及方法，涉及数据处理技术领域，通过对烟火识别建筑信息集进行筛选获得无效烟火识别数据并进一步获得初始识别子网络和优化烟火识别数据构建H个建筑物烟火识别子网络，并通过联邦聚合生成目标烟火识别子网络；基于所述目标烟火识别子网络监测获得烟火风险事件集合后进一步进行烟火识别建筑的建筑消防布局优化。解决了现有技术存在对于城市建筑物烟火识别精度和准确度较差，导致城市建筑烟火识别对于火灾事故处理的及时性和有效性提高作用较弱的技术问题。达到了获得具有高烟火识别精度和识别结果可信度的烟火识别子网络，为进行建筑物烟火风险事件的及时有效处理提供保障的技术效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于联邦学习的烟火识别***及方法。
背景技术
在城市中，由于当前烟火识别***的精度较低，无法准确识别建筑物上的烟火迹象，这给火灾事故的及时处理和有效控制带来了不利影响，若如无法准确识别出建筑物的烟火迹象，可能会延误烟火扑灭行动的时间，导致火情失控，进而造成更大的人员伤亡和财产损失并对周围环境造成更大威胁。综上所述，现阶段存在对于城市建筑物烟火识别精度和准确度较差，导致城市建筑烟火识别对于火灾事故处理的及时性和有效性提高作用较弱的技术问题。
发明内容
本申请提供了基于联邦学习的烟火识别***及方法，用于针对解决现有技术存在对于城市建筑物烟火识别精度和准确度较差，导致城市建筑烟火识别对于火灾事故处理的及时性和有效性提高作用较弱的技术问题。
鉴于上述问题，本申请提供了基于联邦学习的烟火识别***及方法。
本申请的第一个方面，提供了基于联邦学习的烟火识别***，所述***包括：建筑信息交互模块，用于基于预设烟火识别区域交互确定烟火识别建筑信息集，其中，所述烟火识别建筑信息集中包括K个初始烟火识别建筑和K组烟火识别数据，K为正整数；数据筛选执行模块，用于预设训练数据筛选阈值，并基于所述训练数据筛选阈值遍历所述K组烟火识别数据，获得M组无效烟火识别数据，其中，所述M组无效烟火识别数据映射于M个无效烟火识别建筑，M为小于K的正整数；相似建筑合并模块，用于获得H个优化烟火识别建筑，其中，所述H个优化烟火识别建筑映射于H组优化烟火识别数据，所述H个优化烟火识别建筑通过对所述M个无效烟火识别建筑和H个初始烟火识别建筑进行建筑相似性分析获取，其中，H为正整数，H+M=K；识别网络构建模块，用于预构建初始烟火识别子网络，并将所述初始烟火识别子网络同步至所述H个优化烟火识别建筑，获得H个初始识别子网络；识别网络训练模块，用于获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得；联邦聚合执行模块，用于对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络；监测窗口设定模块，用于预设烟火风险监测窗口，并基于所述目标烟火识别子网络进行所述K个初始烟火识别建筑的烟火风险监测，获得烟火风险事件集合；消防布局优化模块，用于基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化。
本申请的第二个方面，提供了基于联邦学习的烟火识别方法，所述方法包括：基于预设烟火识别区域交互确定烟火识别建筑信息集，其中，所述烟火识别建筑信息集中包括K个初始烟火识别建筑和K组烟火识别数据，K为正整数；预设训练数据筛选阈值，并基于所述训练数据筛选阈值遍历所述K组烟火识别数据，获得M组无效烟火识别数据，其中，所述M组无效烟火识别数据映射于M个无效烟火识别建筑，M为小于K的正整数；获得H个优化烟火识别建筑，其中，所述H个优化烟火识别建筑映射于H组优化烟火识别数据，所述H个优化烟火识别建筑通过对所述M个无效烟火识别建筑和H个初始烟火识别建筑进行建筑相似性分析获取，其中，H为正整数，H+M=K；预构建初始烟火识别子网络，并将所述初始烟火识别子网络同步至所述H个优化烟火识别建筑，获得H个初始识别子网络；获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得；对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络；预设烟火风险监测窗口，并基于所述目标烟火识别子网络进行所述K个初始烟火识别建筑的烟火风险监测，获得烟火风险事件集合；基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的方法通过基于预设烟火识别区域交互确定烟火识别建筑信息集，其中，所述烟火识别建筑信息集中包括K个初始烟火识别建筑和K组烟火识别数据，K为正整数；预设训练数据筛选阈值，并基于所述训练数据筛选阈值遍历所述K组烟火识别数据，获得M组无效烟火识别数据，其中，所述M组无效烟火识别数据映射于M个无效烟火识别建筑，M为小于K的正整数；获得H个优化烟火识别建筑，其中，所述H个优化烟火识别建筑映射于H组优化烟火识别数据，所述H个优化烟火识别建筑通过对所述M个无效烟火识别建筑和H个初始烟火识别建筑进行建筑相似性分析获取，其中，H为正整数，H+M=K；预构建初始烟火识别子网络，并将所述初始烟火识别子网络同步至所述H个优化烟火识别建筑，获得H个初始识别子网络；获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得；对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络；预设烟火风险监测窗口，并基于所述目标烟火识别子网络进行所述K个初始烟火识别建筑的烟火风险监测，获得烟火风险事件集合；基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化。达到了在保障建筑物的烟火识别数据隐私性的基础上，获得具有高烟火识别精度和识别结果可信度的烟火识别子网络，为进行建筑物烟火风险事件的及时有效处理提供保障的技术效果。
附图说明
图1为本申请提供的基于联邦学习的烟火识别方法流程示意图；
图2为本申请提供的基于联邦学习的烟火识别方法中生成目标烟火识别子网络的流程示意图；
图3为本申请提供的基于联邦学习的烟火识别方法中进行建筑消防布局优化的流程示意图；
图4为本申请提供的基于联邦学习的烟火识别***的结构示意图。
附图标记说明：建筑信息交互模块1，数据筛选执行模块2，相似建筑合并模块3，识别网络构建模块4，识别网络训练模块5，联邦聚合执行模块6，监测窗口设定模块7，消防布局优化模块8。
具体实施方式
本申请提供了基于联邦学习的烟火识别***及方法，用于针对解决现有技术存在对于城市建筑物烟火识别精度和准确度较差，导致城市建筑烟火识别对于火灾事故处理的及时性和有效性提高作用较弱的技术问题。达到了在保障建筑物的烟火识别数据隐私性的基础上，获得具有高烟火识别精度和识别结果可信度的烟火识别子网络，为进行建筑物烟火风险事件的及时有效处理提供保障的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合相关规定。
下面，将参考附图对本发明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的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，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。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示，本申请提供了基于联邦学习的烟火识别方法，所述方法包括：
A100:基于预设烟火识别区域交互确定烟火识别建筑信息集，其中，所述烟火识别建筑信息集中包括K个初始烟火识别建筑和K组烟火识别数据，K为正整数；
A200:预设训练数据筛选阈值，并基于所述训练数据筛选阈值遍历所述K组烟火识别数据，获得M组无效烟火识别数据，其中，所述M组无效烟火识别数据映射于M个无效烟火识别建筑，M为小于K的正整数；
具体而言，在本实施例中，所述烟火识别区域为计划共同进行建筑物烟火风险识别的区域，例如所述烟火识别区域为10*10KM的局部区域。
基于预设烟火识别区域进行城市划分，获得若干个实际的烟火识别区域，基于此，随机选择其一进行建筑物信息交互，确定烟火识别建筑信息集，所述烟火识别建筑信息集中包括K个初始烟火识别建筑和K组烟火识别数据，K为正整数，所述烟火识别数据为每个初始烟火识别建筑历史发生的全部烟火事件的图像。
应理解的，在进行用于根据图像进行建筑物烟火风险识别的识别子网络训练时，为确保识别子网络输出准确度，对于参与识别子网络训练时数据有数量要求，基于此，本实施例设定用于评价烟火识别数据是否满足对应初始烟火识别数据的识别子网络训练所需数据量的所述训练数据筛选阈值，所述训练数据筛选阈值的数值本实施例不做特定限制，可根据实际识别子网络训练精度需求进行设定。
基于所述训练数据筛选阈值遍历所述K组烟火识别数据，获得数据量不满足所述训练数据筛选阈值的M组无效烟火识别数据，所述M组无效烟火识别数据映射于M个无效烟火识别建筑，M为小于K的正整数，所述M个无效烟火识别建筑无法独立基于已有数据进行烟火识别所用识别子网络的训练，基于此，本实施例在识别确定所述M个无效烟火识别建筑后，采用相似建筑物的识别子网络训练用数据互通使用的方式，以补全所述M个无效烟火识别建筑的识别子网络训练数据需求。
A300:获得H个优化烟火识别建筑，其中，所述H个优化烟火识别建筑映射于H组优化烟火识别数据，所述H个优化烟火识别建筑通过对所述M个无效烟火识别建筑和H个初始烟火识别建筑进行建筑相似性分析获取，其中，H为正整数，H+M=K；
在一个实施例中，获得H个优化烟火识别建筑，其中，所述H个优化烟火识别建筑映射于H组优化烟火识别数据，所述H个优化烟火识别建筑通过对所述M个无效烟火识别建筑和H个初始烟火识别建筑进行建筑相似性分析获取，本申请提供的方法步骤A300还包括：
A310:预构建建筑相似度识别模块；
A320:交互获得K组初始建筑设计信息，其中，所述K组初始建筑设计信息与所述K个初始烟火识别建筑一一映射；
A330:获得M组无效建筑设计信息和H组初始建筑设计信息，其中，所述M组无效建筑设计信息以所述M个无效烟火识别建筑为基准，拆分所述K组初始建筑设计信息获得；
A340:获得M组建筑相似指数序列，其中，所述M组建筑相似指数序列通过将所述M组无效建筑设计信息和所述H组初始建筑设计信息同步至所述建筑相似度识别模块进行建筑物相似度分析获得，其中，所述M组建筑相似指数序列中每组建筑相似指数序列包括H个建筑相似指数；
A350:基于所述M组建筑相似指数序列进行极值提取，获得M个最优烟火识别建筑；
A360:基于所述M个最优烟火识别建筑对应调用M组初始建筑设计信息，并将所述M组初始建筑设计信息与所述M组无效建筑设计信息进行建筑虚拟合并，获得所述H个优化烟火识别建筑。
在一个实施例中，预构建建筑相似度识别模块，本申请提供的方法步骤A310还包括：
A311:所述建筑相似度识别模块包括建筑特征识别单元、建筑特征比对单元和建筑相似度计算单元；
A312:获得多组样本建筑设计信息；
A313:预设建筑特征识别规则，其中，所述建筑特征识别规则包括N项建筑特征识别指标，N为正整数；
A314:基于所述建筑特征识别规则对所述多组样本建筑设计信息进行建筑特征识别标记，获得多组样本建筑特征信息集；
A315:基于CNN神经网络构建所述建筑特征识别单元，并采用所述多组样本建筑设计信息和所述多组样本建筑特征信息集进行所述建筑特征识别单元的监督训练；
A316:在所述建筑特征比对单元预构建三维坐标系，对所述建筑特征识别单元输出的建筑特征信息组进行特征比对，获得N个建筑特征相似度，其中，所述N个建筑特征相似度与所述N项建筑特征识别指标一一映射；
A317:在所述建筑相似度计算单元预配置建筑特征权重分配，其中，所述建筑特征权重分配包括N项建筑特征指标权重，其中，所述N项建筑特征指标权重与所述N项建筑特征识别指标一一映射；
A318:将所述N个建筑特征相似度输入所述建筑相似度计算单元，在所述建筑相似度计算单元中，与所述N项建筑特征指标权重进行计算，获得建筑相似指数。
具体而言，在本实施例中，预构建建筑相似度识别模块，所述建筑相似度识别模块可以根据两个建筑物的建筑外观形状、建筑高度等信息进行两个建筑物的相似性评价，在本实施例中，所述建筑相似度识别模块的构建方法如下，所述建筑相似度识别模块包括建筑特征识别单元、建筑特征比对单元和建筑相似度计算单元。
所述建筑特征识别单元用于在获得建筑物的设计信息的基础上，进行具有建筑相似识别价值的建筑特征提取。所述建筑特征识别单元构建过程如下，获得多组样本建筑设计信息，所述样本建筑设计信息包括但不限于立面图、剖面图、平面图。
预设建筑特征识别规则，其中，所述建筑特征识别规则包括N项建筑特征识别指标，N为正整数，示例性的所述建筑特征识别指标包括但不限于建筑外观形状、建筑高度、建筑体量、建筑框架。
基于所述建筑特征识别规则，采用人工对所述多组样本建筑设计信息进行建筑特征识别标记，获得多组样本建筑特征信息集。基于CNN（循环）神经网络构建所述建筑特征识别单元，并将所述多组样本建筑设计信息和所述多组样本建筑特征信息集采用8:1:1的数据划分方式，标识划分为训练集、测试集和验证集进行所述建筑特征识别单元的监督训练、测试和验证，直至所述建筑特征识别单元的输出准确度符合预设准确度要求。
所述建筑特征比对单元中预构建用于比对两个建筑物识别特征重合度作为两个建筑物识别特征的相似度的三维坐标系，对所述建筑特征识别单元输出的N组建筑特征信息组进行特征比对，获得N个建筑特征相似度，所述N个建筑特征相似度与所述N项建筑特征识别指标一一映射。
所述建筑相似度计算单元用于对所述N个建筑特征相似度进行综合计算，以获得两个建筑物的整体相似度指数，为提高所获真题相似度指数的可信性，本实施例在所述建筑相似度计算单元预配置建筑特征权重分配，所述建筑特征权重分配包括N项建筑特征指标权重，所述N项建筑特征指标权重与所述N项建筑特征识别指标一一映射，本实施例根据所述N项建筑特征识别指标在美学及应用学中对于建筑物的影响程度、重要度设定所述N项建筑特征指标权重。
将所述N个建筑特征相似度输入所述建筑相似度计算单元，在所述建筑相似度计算单元中，与所述N项建筑特征指标权重进行计算，获得建筑相似指数。
在构建所述建筑相似度识别模块后，本实施例基于所述建筑相似度识别模块进行M个无效烟火识别建筑和H个初始烟火识别建筑的建筑相似性分析。
应理解的，本实施例将M个无效烟火识别建筑和H个初始烟火识别建筑进行分组，获得无重复的M*H组无效烟火识别建筑-初始烟火识别建筑。
交互获得所述K个初始烟火识别建筑的K组初始建筑设计信息，以所述M个无效烟火识别建筑为基准，拆分所述K组初始建筑设计信息获得M组无效建筑设计信息，以及对应于H个的初始烟火识别建筑的H组初始建筑设计信息。
基于无重复的M*H组无效烟火识别建筑-初始烟火识别建筑获得无重复的M*H组无效建筑设计信息-初始建筑设计信息。通过将无重复的M*H组无效建筑设计信息-初始建筑设计信息逐一同步至所述建筑相似度识别模块进行建筑物相似度分析获得M组建筑相似指数序列。应理解的，所述M组建筑相似指数序列中每组建筑相似指数序列包括H个建筑相似指数，且H个建筑相似指数按照相似指数数值由大到小排序。基于所述M组建筑相似指数序列进行相似指数极大值提取，获得M个建筑相似指数极大值对应的M个最优烟火识别建筑，所述最优烟火识别建筑即与无效烟火识别建筑的建筑相似度最高的某个初始烟火识别建筑。
基于所述M个最优烟火识别建筑对应调用M组初始建筑设计信息，并将所述M组初始建筑设计信息与所述M组无效建筑设计信息进行建筑虚拟合并，获得H组优化烟火识别数据和所述H个优化烟火识别建筑。
本实施例通过根据建筑相似度进行相同建筑的数据合并，从而实现了辅助数据量较小的建筑物进行独立的烟火识别的识别子网络的构建及训练的技术效果。
A400:预构建初始烟火识别子网络，并将所述初始烟火识别子网络同步至所述H个优化烟火识别建筑，获得H个初始识别子网络；
具体而言，在本实施例中，对K个初始烟火识别建筑进行独立的烟火识别的识别子网络其构建基本逻辑相同，基于此，本实施例预构建初始烟火识别子网络，并将所述初始烟火识别子网络同步至所述H个优化烟火识别建筑的建筑物烟火识别管理模块中获得H个初始识别子网络，本实施例在后续说明书中，详细阐述所述初始烟火识别子网络的结构。
A500:获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得；
在一个实施例中，获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得，本申请提供的方法步骤A500还包括：
A510:基于所述H组优化烟火识别数据和所述H个初始识别子网络调用获得第一优化烟火识别数据和第一初始识别子网络；
A520:所述第一优化烟火识别数据中包括多张建筑物烟火情况图像；
A530:所述第一初始识别子网络包括解码器模块和编码器模块；
A540:对所述多张建筑物烟火情况图像进行烟火特征标识，获得多组样本烟火特征；
A550:采用所述多张建筑物烟火情况图像和所述多组样本烟火特征进行所述解码器模块和所述编码器模块的训练，完成第一建筑物烟火识别子网络的构建；
A560:以此类推，采用所述H组优化烟火识别数据构建获得所述H个建筑物烟火识别子网络。
具体而言，在本实施例中，所述初始烟火识别子网络包括解码器模块和编码器模块，且由于所述H组优化烟火识别数据和所述H个初始识别子网络的训练方法具有一致性，本实施例基于所述H组优化烟火识别数据和所述H个初始识别子网络随机调用获得第一优化烟火识别数据和第一初始识别子网络，通过详细阐述基于第一初始识别子网络的构建第一建筑物烟火识别子网络的方法，进行H个建筑物烟火识别子网络构建方法的代表性阐述。
所述第一优化烟火识别数据中包括多张建筑物烟火情况图像，基于人工进行烟火图像区域的标识处理，对所述多张建筑物烟火情况图像进行烟火特征标识，获得多组样本烟火特征。
所述第一初始识别子网络包括解码器模块和编码器模块；
将所述多张建筑物烟火情况图像和所述多组样本烟火特征标识划分为训练集、测试集和验证集进行所述解码器模块和所述编码器模块的多轮次训练，直至识别精度高于预设值以完成第一建筑物烟火识别子网络的构建。以此类推，采用所述H组优化烟火识别数据构建获得所述H个建筑物烟火识别子网络。本实施例通过基于每个建筑物的独立历史数据进行对应建筑物烟火识别子网络的构建，为后续将H个优化烟火识别建筑作为参与方使用联邦学习框架进行联邦学习以获得参数可信度更高的所述目标烟火识别子网络作为所述H个优化烟火识别建筑的烟火智能识别监控用途，提供构建基础。
A600:对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络；
在一个实施例中，如图2所示，对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络，本申请提供的方法步骤A600还包括：
A610:对所述H个建筑物烟火识别子网络进行参数提取，获得H个子网络参数；
A620:预构建联邦聚合算法，并基于所述联邦聚合算法进行所述H个子网络参数的聚合处理，获得目标全局子网络参数；
A630:将所述目标全局子网络参数下发至所述H个建筑物烟火识别子网络进行参数更新，获得所述目标烟火识别子网络。
具体而言，在本实施例中，前文所述联邦学习框架为预构建的联邦聚合算法，所述联邦聚合算法联邦用于将多个参与方的子网络（模型）参数进行参数均值计算。
本实施对所述H个建筑物烟火识别子网络进行参数提取，获得H个子网络参数，其中，每个子网络参数的指标具有一致性，基于所述联邦聚合算法进行所述H个子网络参数的同指标聚合处理和均值计算，获得同指标均值参数集合构成的目标全局子网络参数。将所述目标全局子网络参数下发至所述H个建筑物烟火识别子网络进行对应参数更新，获得所述目标烟火识别子网络，所述目标烟火识别子网络的识别精度高于H个建筑物烟火识别子网络中任一一个。
本实施例基于联邦学习，实现了在保障K组烟火识别数据的数据隐私性的基础上，构建获得高识别精度的目标烟火识别子网络的技术效果。
A700:预设烟火风险监测窗口，并基于所述目标烟火识别子网络进行所述K个初始烟火识别建筑的烟火风险监测，获得烟火风险事件集合；
具体而言，应理解的，建筑物内的消防装备应该根据建筑物各个区域的烟火事件发生情况进行消防装备分布的适应性调整，以提高烟火事件识别后消除的及时性。
基于此，本实施例预设烟火风险监测窗口，进行一定时间段内的建筑物烟火事件发生情况的采集，例如所述烟火风险监测窗口用于进行一年内建筑物烟火事件的发生位置以及处理耗时的采集记录。
基于所述目标烟火识别子网络进行所述K个初始烟火识别建筑的烟火风险监测，获得烟火风险事件集合，所述烟火风险事件集合包括K组烟火事件位置信息和烟火事件处理耗时信息。
A800:基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化。
在一个实施例中，如图3所示，基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化，本申请提供的方法步骤A800还包括：
A810:交互确定所述K个初始烟火识别建筑的K个初始建筑消防布局；
A820:以所述烟火风险事件集合为基准，交互获得风险事件位置信息集和风险事件处理耗时集；
A830:基于所述风险事件位置信息集进行所述K个初始烟火识别建筑的消防布局优化，获得K个优化建筑消防布局；
A840:基于所述风险事件处理耗时集进行所述K个初始烟火识别建筑的消防工具优化，获得K个目标建筑消防布局；
A850:采用所述K个目标建筑消防布局进行所述K个初始建筑消防布局的调整处理。
具体而言，在本实施例中，交互确定所述K个初始烟火识别建筑的K个初始建筑消防布局。对K组烟火事件位置信息和烟火事件处理耗时信息进行组别取消，获得风险事件位置信息集和风险事件处理耗时集。
基于所述风险事件位置信息集进行风险事件发生位置特征识别，基于风险事件发生位置进行所述K个初始烟火识别建筑的消防布局的适应性优化，基于消费设备的布局优化调整，以实现获得当前无消防管理死角的所述K个优化建筑消防布局。
基于风险时间位置信息集获得对应的各个风险事件位置特征的风险事件处理耗时，基于所述风险事件处理耗时集对所述K个优化建筑消防布局的进行对应位置的消费设备增减处理，完成消防工具优化，获得无消防设备工具不足的所述K个目标建筑消防布局；采用所述K个目标建筑消防布局进行所述K个初始建筑消防布局的调整处理。
本实施例通过根据多建筑物的烟火风险事件发生位置和处理耗时情况进行建筑物的消防布局适应性调整，实现了提高区域内建筑物安全等级的技术效果。
在一个实施例中，本申请提供的方法步骤还包括：
A910:预设数据更新阈值；
A920:基于所述数据更新阈值对所述目标烟火识别子网络进行动态更新，获得更新烟火识别子网络；
A930:将所述更新烟火识别子网络多轮次同步至所述K个初始烟火识别建筑的建筑物烟火识别管理模块。
具体而言，应理解的，随着时间的推移，现实世界的情况可能发生变化，这可能导致识别子网络的性能下降，基于此，本实施通过周期性地对识别子网络进行更新和重新训练，可以利用新数据纠正识别子网络中的错误和缺陷，提高识别子网络的准确性和鲁棒性。
在本实施例中，所述数据更新周期既就是进行数据采集的周期，例如数据更新阈值为12个月。基于所述数据更新阈值获得所述K个初始烟火识别建筑的K组新增烟火识别数据。
采用所述K组新增烟火识别数据采用步骤A100~A700相同方法，进行识别子网络构建及联邦学习，以对所述目标烟火识别子网络进行动态更新，获得更新烟火识别子网络，并将所述更新烟火识别子网络多轮次同步至所述K个初始烟火识别建筑的建筑物烟火识别管理模块，所述建筑物烟火识别管理模块布设于所述K个初始烟火识别建筑，并与所述K个初始烟火识别建筑的建筑监控相连接，以进行建筑物烟火的实时动态识别。本实施例实现了提高烟火识别子网络的识别精准性的技术效果。
实施例二
基于与前述实施例中基于联邦学习的烟火识别方法相同的发明构思，如图4所示，本申请提供了基于联邦学习的烟火识别***，其中，所述***包括：
建筑信息交互模块1，用于基于预设烟火识别区域交互确定烟火识别建筑信息集，其中，所述烟火识别建筑信息集中包括K个初始烟火识别建筑和K组烟火识别数据，K为正整数；
数据筛选执行模块2，用于预设训练数据筛选阈值，并基于所述训练数据筛选阈值遍历所述K组烟火识别数据，获得M组无效烟火识别数据，其中，所述M组无效烟火识别数据映射于M个无效烟火识别建筑，M为小于K的正整数；
相似建筑合并模块3，用于获得H个优化烟火识别建筑，其中，所述H个优化烟火识别建筑映射于H组优化烟火识别数据，所述H个优化烟火识别建筑通过对所述M个无效烟火识别建筑和H个初始烟火识别建筑进行建筑相似性分析获取，其中，H为正整数，H+M=K；
识别网络构建模块4，用于预构建初始烟火识别子网络，并将所述初始烟火识别子网络同步至所述H个优化烟火识别建筑，获得H个初始识别子网络；
识别网络训练模块5，用于获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得；
联邦聚合执行模块6，用于对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络；
监测窗口设定模块7，用于预设烟火风险监测窗口，并基于所述目标烟火识别子网络进行所述K个初始烟火识别建筑的烟火风险监测，获得烟火风险事件集合；
消防布局优化模块8，用于基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化。
在一个实施例中，所述***还包括：
相似识别执行单元，用于预构建建筑相似度识别模块；
设计信息交互单元，用于交互获得K组初始建筑设计信息，其中，所述K组初始建筑设计信息与所述K个初始烟火识别建筑一一映射；
设计信息拆分单元，用于获得M组无效建筑设计信息和H组初始建筑设计信息，其中，所述M组无效建筑设计信息以所述M个无效烟火识别建筑为基准，拆分所述K组初始建筑设计信息获得；
相似建筑识别单元，用于获得M组建筑相似指数序列，其中，所述M组建筑相似指数序列通过将所述M组无效建筑设计信息和所述H组初始建筑设计信息同步至所述建筑相似度识别模块进行建筑物相似度分析获得，其中，所述M组建筑相似指数序列中每组建筑相似指数序列包括H个建筑相似指数；
相似序列提取单元，用于基于所述M组建筑相似指数序列进行极值提取，获得M个最优烟火识别建筑；
建筑虚拟合并单元，用于基于所述M个最优烟火识别建筑对应调用M组初始建筑设计信息，并将所述M组初始建筑设计信息与所述M组无效建筑设计信息进行建筑虚拟合并，获得所述H个优化烟火识别建筑。
在一个实施例中，所述***还包括：
模块构成设定单元，用于所述建筑相似度识别模块包括建筑特征识别单元、建筑特征比对单元和建筑相似度计算单元；
样本数据获得单元，用于获得多组样本建筑设计信息；
识别规则设定单元，用于预设建筑特征识别规则，其中，所述建筑特征识别规则包括N项建筑特征识别指标，N为正整数；
建筑特征标记单元，用于基于所述建筑特征识别规则对所述多组样本建筑设计信息进行建筑特征识别标记，获得多组样本建筑特征信息集；
特征识别训练单元，用于基于CNN神经网络构建所述建筑特征识别单元，并采用所述多组样本建筑设计信息和所述多组样本建筑特征信息集进行所述建筑特征识别单元的监督训练；
特征比对构建单元，用于在所述建筑特征比对单元预构建三维坐标系，对所述建筑特征识别单元输出的建筑特征信息组进行特征比对，获得N个建筑特征相似度，其中，所述N个建筑特征相似度与所述N项建筑特征识别指标一一映射；
特征权重分配单元，用于在所述建筑相似度计算单元预配置建筑特征权重分配，其中，所述建筑特征权重分配包括N项建筑特征指标权重，其中，所述N项建筑特征指标权重与所述N项建筑特征识别指标一一映射；
相似指数计算单元，用于将所述N个建筑特征相似度输入所述建筑相似度计算单元，在所述建筑相似度计算单元中，与所述N项建筑特征指标权重进行计算，获得建筑相似指数。
在一个实施例中，所述***还包括：
信息调用执行单元，用于基于所述H组优化烟火识别数据和所述H个初始识别子网络调用获得第一优化烟火识别数据和第一初始识别子网络；
烟火图像获得单元，用于所述第一优化烟火识别数据中包括多张建筑物烟火情况图像；
模块组成获得单元，用于所述第一初始识别子网络包括解码器模块和编码器模块；
烟火特征标识单元，用于对所述多张建筑物烟火情况图像进行烟火特征标识，获得多组样本烟火特征；
识别网络构建单元，用于采用所述多张建筑物烟火情况图像和所述多组样本烟火特征进行所述解码器模块和所述编码器模块的训练，完成第一建筑物烟火识别子网络的构建；
网络集合生成单元，用于以此类推，采用所述H组优化烟火识别数据构建获得所述H个建筑物烟火识别子网络。
在一个实施例中，所述***还包括：
参数提取执行单元，用于对所述H个建筑物烟火识别子网络进行参数提取，获得H个子网络参数；
聚合算法构建单元，用于预构建联邦聚合算法，并基于所述联邦聚合算法进行所述H个子网络参数的聚合处理，获得目标全局子网络参数；
参数更新执行单元，用于将所述目标全局子网络参数下发至所述H个建筑物烟火识别子网络进行参数更新，获得所述目标烟火识别子网络。
在一个实施例中，所述***还包括：
消防布局调用单元，用于交互确定所述K个初始烟火识别建筑的K个初始建筑消防布局；
风险信息调用单元，用于以所述烟火风险事件集合为基准，交互获得风险事件位置信息集和风险事件处理耗时集；
消防布局优化单元，用于基于所述风险事件位置信息集进行所述K个初始烟火识别建筑的消防布局优化，获得K个优化建筑消防布局；
消防工具优化单元，用于基于所述风险事件处理耗时集进行所述K个初始烟火识别建筑的消防工具优化，获得K个目标建筑消防布局；
消防布局调整单元，用于采用所述K个目标建筑消防布局进行所述K个初始建筑消防布局的调整处理。
在一个实施例中，所述***还包括：
更新阈值设定单元，用于预设数据更新阈值；
信息更新执行单元，用于基于所述数据更新阈值对所述目标烟火识别子网络进行动态更新，获得更新烟火识别子网络；
管理模块更新单元，用于将所述更新烟火识别子网络多轮次同步至所述K个初始烟火识别建筑的建筑物烟火识别管理模块。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中，通过各种不限类型的计算机处理器识别计算机指令或程序，进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作的任何改进和修饰，皆应落入本发明的专利保护范围。
Claims (7)
1.基于联邦学习的烟火识别***，其特征在于，所述***包括：
建筑信息交互模块，用于基于预设烟火识别区域交互确定烟火识别建筑信息集，其中，所述烟火识别建筑信息集中包括K个初始烟火识别建筑和K组烟火识别数据，K为正整数；
数据筛选执行模块，用于预设训练数据筛选阈值，并基于所述训练数据筛选阈值遍历所述K组烟火识别数据，获得M组无效烟火识别数据，其中，所述M组无效烟火识别数据映射于M个无效烟火识别建筑，M为小于K的正整数；
相似建筑合并模块，用于获得H个优化烟火识别建筑，其中，所述H个优化烟火识别建筑映射于H组优化烟火识别数据，所述H个优化烟火识别建筑通过对所述M个无效烟火识别建筑和H个初始烟火识别建筑进行建筑相似性分析获取，其中，H为正整数，H+M=K；
识别网络构建模块，用于预构建初始烟火识别子网络，并将所述初始烟火识别子网络同步至所述H个优化烟火识别建筑，获得H个初始识别子网络；
识别网络训练模块，用于获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得；
联邦聚合执行模块，用于对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络；
监测窗口设定模块，用于预设烟火风险监测窗口，并基于所述目标烟火识别子网络进行所述K个初始烟火识别建筑的烟火风险监测，获得烟火风险事件集合；
消防布局优化模块，用于基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化；
相似识别执行单元，用于预构建建筑相似度识别模块；
设计信息交互单元，用于交互获得K组初始建筑设计信息，其中，所述K组初始建筑设计信息与所述K个初始烟火识别建筑一一映射；
设计信息拆分单元，用于获得M组无效建筑设计信息和H组初始建筑设计信息，其中，所述M组无效建筑设计信息以所述M个无效烟火识别建筑为基准，拆分所述K组初始建筑设计信息获得；
相似建筑识别单元，用于获得M组建筑相似指数序列，其中，所述M组建筑相似指数序列通过将所述M组无效建筑设计信息和所述H组初始建筑设计信息同步至所述建筑相似度识别模块进行建筑物相似度分析获得，其中，所述M组建筑相似指数序列中每组建筑相似指数序列包括H个建筑相似指数；
相似序列提取单元，用于基于所述M组建筑相似指数序列进行极值提取，获得M个最优烟火识别建筑；
建筑虚拟合并单元，用于基于所述M个最优烟火识别建筑对应调用M组初始建筑设计信息，并将所述M组初始建筑设计信息与所述M组无效建筑设计信息进行建筑虚拟合并，获得所述H个优化烟火识别建筑。
2.如权利要求1所述的***，其特征在于，预构建建筑相似度识别模块，所述***还包括：
模块构成设定单元，用于所述建筑相似度识别模块包括建筑特征识别单元、建筑特征比对单元和建筑相似度计算单元；
样本数据获得单元，用于获得多组样本建筑设计信息；
识别规则设定单元，用于预设建筑特征识别规则，其中，所述建筑特征识别规则包括N项建筑特征识别指标，N为正整数；
建筑特征标记单元，用于基于所述建筑特征识别规则对所述多组样本建筑设计信息进行建筑特征识别标记，获得多组样本建筑特征信息集；
特征识别训练单元，用于基于CNN神经网络构建所述建筑特征识别单元，并采用所述多组样本建筑设计信息和所述多组样本建筑特征信息集进行所述建筑特征识别单元的监督训练；
特征比对构建单元，用于在所述建筑特征比对单元预构建三维坐标系，对所述建筑特征识别单元输出的建筑特征信息组进行特征比对，获得N个建筑特征相似度，其中，所述N个建筑特征相似度与所述N项建筑特征识别指标一一映射；
特征权重分配单元，用于在所述建筑相似度计算单元预配置建筑特征权重分配，其中，所述建筑特征权重分配包括N项建筑特征指标权重，其中，所述N项建筑特征指标权重与所述N项建筑特征识别指标一一映射；
相似指数计算单元，用于将所述N个建筑特征相似度输入所述建筑相似度计算单元，在所述建筑相似度计算单元中，与所述N项建筑特征指标权重进行计算，获得建筑相似指数。
3.如权利要求1所述的***，其特征在于，获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得，所述***还包括：
信息调用执行单元，用于基于所述H组优化烟火识别数据和所述H个初始识别子网络调用获得第一优化烟火识别数据和第一初始识别子网络；
烟火图像获得单元，用于所述第一优化烟火识别数据中包括多张建筑物烟火情况图像；
模块组成获得单元，用于所述第一初始识别子网络包括解码器模块和编码器模块；
烟火特征标识单元，用于对所述多张建筑物烟火情况图像进行烟火特征标识，获得多组样本烟火特征；
识别网络构建单元，用于采用所述多张建筑物烟火情况图像和所述多组样本烟火特征进行所述解码器模块和所述编码器模块的训练，完成第一建筑物烟火识别子网络的构建；
网络集合生成单元，用于以此类推，采用所述H组优化烟火识别数据构建获得所述H个建筑物烟火识别子网络。
4.如权利要求3所述的***，其特征在于，对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络，所述***还包括：
参数提取执行单元，用于对所述H个建筑物烟火识别子网络进行参数提取，获得H个子网络参数；
聚合算法构建单元，用于预构建联邦聚合算法，并基于所述联邦聚合算法进行所述H个子网络参数的聚合处理，获得目标全局子网络参数；
参数更新执行单元，用于将所述目标全局子网络参数下发至所述H个建筑物烟火识别子网络进行参数更新，获得所述目标烟火识别子网络。
5.如权利要求1所述的***，其特征在于，基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化，所述***还包括：
消防布局调用单元，用于交互确定所述K个初始烟火识别建筑的K个初始建筑消防布局；
风险信息调用单元，用于以所述烟火风险事件集合为基准，交互获得风险事件位置信息集和风险事件处理耗时集；
消防布局优化单元，用于基于所述风险事件位置信息集进行所述K个初始烟火识别建筑的消防布局优化，获得K个优化建筑消防布局；
消防工具优化单元，用于基于所述风险事件处理耗时集进行所述K个初始烟火识别建筑的消防工具优化，获得K个目标建筑消防布局；
消防布局调整单元，用于采用所述K个目标建筑消防布局进行所述K个初始建筑消防布局的调整处理。
6.如权利要求1所述的***，其特征在于，所述***还包括：
更新阈值设定单元，用于预设数据更新阈值；
信息更新执行单元，用于基于所述数据更新阈值对所述目标烟火识别子网络进行动态更新，获得更新烟火识别子网络；
管理模块更新单元，用于将所述更新烟火识别子网络多轮次同步至所述K个初始烟火识别建筑的建筑物烟火识别管理模块。
7.基于联邦学习的烟火识别方法，其特征在于，所述方法包括：
基于预设烟火识别区域交互确定烟火识别建筑信息集，其中，所述烟火识别建筑信息集中包括K个初始烟火识别建筑和K组烟火识别数据，K为正整数；
预设训练数据筛选阈值，并基于所述训练数据筛选阈值遍历所述K组烟火识别数据，获得M组无效烟火识别数据，其中，所述M组无效烟火识别数据映射于M个无效烟火识别建筑，M为小于K的正整数；
获得H个优化烟火识别建筑，其中，所述H个优化烟火识别建筑映射于H组优化烟火识别数据，所述H个优化烟火识别建筑通过对所述M个无效烟火识别建筑和H个初始烟火识别建筑进行建筑相似性分析获取，其中，H为正整数，H+M=K；
预构建初始烟火识别子网络，并将所述初始烟火识别子网络同步至所述H个优化烟火识别建筑，获得H个初始识别子网络；
获得H个建筑物烟火识别子网络，其中，所述H个建筑物烟火识别子网络通过采用所述H组优化烟火识别数据进行所述H个初始识别子网络的监督训练获得；
对所述H个建筑物烟火识别子网络进行联邦聚合，生成目标烟火识别子网络；
预设烟火风险监测窗口，并基于所述目标烟火识别子网络进行所述K个初始烟火识别建筑的烟火风险监测，获得烟火风险事件集合；
基于所述烟火风险事件集合进行所述K个初始烟火识别建筑的建筑消防布局优化；
预构建建筑相似度识别模块；
交互获得K组初始建筑设计信息，其中，所述K组初始建筑设计信息与所述K个初始烟火识别建筑一一映射；
获得M组无效建筑设计信息和H组初始建筑设计信息，其中，所述M组无效建筑设计信息以所述M个无效烟火识别建筑为基准，拆分所述K组初始建筑设计信息获得；
获得M组建筑相似指数序列，其中，所述M组建筑相似指数序列通过将所述M组无效建筑设计信息和所述H组初始建筑设计信息同步至所述建筑相似度识别模块进行建筑物相似度分析获得，其中，所述M组建筑相似指数序列中每组建筑相似指数序列包括H个建筑相似指数；
基于所述M组建筑相似指数序列进行极值提取，获得M个最优烟火识别建筑；
基于所述M个最优烟火识别建筑对应调用M组初始建筑设计信息，并将所述M组初始建筑设计信息与所述M组无效建筑设计信息进行建筑虚拟合并，获得所述H个优化烟火识别建筑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311194171.8A CN117237804B (zh) | 2023-09-15 | 2023-09-15 | 基于联邦学习的烟火识别***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311194171.8A CN117237804B (zh) | 2023-09-15 | 2023-09-15 | 基于联邦学习的烟火识别***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237804A CN117237804A (zh) | 2023-12-15 |
| CN117237804B true CN117237804B (zh) | 2024-02-13 |
Family
ID=89097887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311194171.8A Active CN117237804B (zh) | 2023-09-15 | 2023-09-15 | 基于联邦学习的烟火识别***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237804B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109068272A (zh) * | 2018-08-30 | 2018-12-21 | 北京三快在线科技有限公司 | 相似用户识别方法、装置、设备及可读存储介质 |
| CN111131771A (zh) * | 2019-12-12 | 2020-05-08 | 中国科学院深圳先进技术研究院 | 一种视频监控*** |
| CN111666856A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 |
| WO2021189906A1 (zh) * | 2020-10-20 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
| CN116307138A (zh) * | 2023-03-01 | 2023-06-23 | 中国科学院上海微***与信息技术研究所 | 基于联邦学习的电气火灾预警方法、装置、终端及介质 |
| CN116612595A (zh) * | 2023-02-15 | 2023-08-18 | 南京林业大学 | 一种基于联邦学习的森林火灾预测方法及*** |
-
2023
- 2023-09-15 CN CN202311194171.8A patent/CN117237804B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109068272A (zh) * | 2018-08-30 | 2018-12-21 | 北京三快在线科技有限公司 | 相似用户识别方法、装置、设备及可读存储介质 |
| CN111131771A (zh) * | 2019-12-12 | 2020-05-08 | 中国科学院深圳先进技术研究院 | 一种视频监控*** |
| CN111666856A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 |
| WO2021189906A1 (zh) * | 2020-10-20 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
| CN116612595A (zh) * | 2023-02-15 | 2023-08-18 | 南京林业大学 | 一种基于联邦学习的森林火灾预测方法及*** |
| CN116307138A (zh) * | 2023-03-01 | 2023-06-23 | 中国科学院上海微***与信息技术研究所 | 基于联邦学习的电气火灾预警方法、装置、终端及介质 |
Non-Patent Citations (4)
| Title |
|---|
| A Federated Learning Approach to Anomaly Detection in Smart Buildings;Raed Abdel Sater 等;《ACM Transactions on Internet of Things》;第2卷(第4期);1-23 * |
| Distributed Fire Detection and Localization Model Using Federated Learning;Yue Hu 等;《Mathematics》;1-19 * |
| Federated learning for smart cities:A comprehensive survey;Sharnil Pandya 等;《Sustainable Energy Technologies and Assessments》;1-13 * |
| 基于联邦学习的火灾图像检测算法;杨帆 等;《陕西科技大学学报》;第40卷(第6期);184-191 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237804A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Soft fuzzy rough sets and its application in decision making | |
| CN110222406B (zh) | 一种基于任务阶段复杂性的无人机自主能力评估方法 | |
| CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
| CN103793853A (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
| CN107967487A (zh) | 一种基于证据距离和不确定度的冲突数据融合方法 | |
| Wang et al. | Research on fault diagnosis expert system based on the neural network and the fault tree technology | |
| CN108830335A (zh) | 光伏电站故障预警方法及*** | |
| CN107632590A (zh) | 一种基于优先级的底事件排序方法 | |
| CN117237804B (zh) | 基于联邦学习的烟火识别***及方法 | |
| CN117575319B (zh) | 一种评估城市洪涝灾害等级的方法及*** | |
| CN104793492B (zh) | 一种基于熵和灰关联度的室内环境特征提取方法 | |
| CN108761263A (zh) | 一种基于证据理论的故障诊断*** | |
| CN113449966B (zh) | 一种石膏板设备巡检方法及*** | |
| CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
| CN111652102B (zh) | 一种输电通道目标物辨识方法及*** | |
| CN106529725A (zh) | 一种基于萤火虫算法和som网络的瓦斯突出预测方法 | |
| CN108345975A (zh) | 一种油库失效风险评估方法及装置 | |
| Xi et al. | A method for marine human error probability estimate: APJE-SLIM | |
| Bhinge et al. | An Intelligent Machine Monitoring System Using Gaussian Process Regression for Energy Prediction | |
| Peng et al. | Research conflict problems of DS evidence and its application in multi-sensor information fusion technology | |
| Wen et al. | Detection of Research Front Topic Based on Data of NSF Artificial Intelligence Project | |
| PENG et al. | Evaluation of Unmanned Ground Equipment Based on Improved Cloud Model Method | |
| Zhihong et al. | The fast estimation model of project cost based on BP neural network | |
| Xu et al. | Human factors analysis to Yangtze River water traffic accidents based on fault tree | |
| Ren et al. | Research on road traffic system safety evaluation based on catastrophe control model |
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 |