CN111353386A - 一种基于深度学习的消防风险智能评估方法和系统 - Google Patents

Abstract

本申请实施例提供一种基于深度学习的消防风险智能评估方法和系统。该方法包括：在待评估场所设置多个传感器，传感器之间通信连接；在初始化时，每个传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断消防标识特征和消防设施特征是否符合预设消防标准；在消防标识特征和消防设施特征符合预设消防标准的情况下，记录每个消防标识和和消防设施的初始状态；传感器按照预设时间间隔对消防标识和消防设施进行采集，并判断状态是否发生改变；在消防标识和消防设施的状态发生改变时，将当前消防标识和消防设施的状态导入深度学习模型，得到第一消防风险评估结果。本申请通过提高了消防风险评估的准确性和持续性。

Description

一种基于深度学习的消防风险智能评估方法和系统

技术领域

本申请涉及智能监控领域，尤其涉及一种基于深度学习的消防风险智能评估方法和系统。

背景技术

目前，消防风险评估过程中，主要是通过消防管理部门人工定期对消防风险评估目标的各个要素进行检查评估，这样带来两个问题：一方面，人工检查评估的准确性不高，评估人员业务水平不同，对消防风险的识别能力也不同，衡量尺度的不同带来风险评估的不公允，而且也耗费了大量的人力；另一方面，人工检查评估的持续监督效果性不强，由于定期对消防风险进行评估，而不是实时进行评估，这就造成评估目标可能不是在所有时点都能保持消防风险的合格状态。例如，有的商户可能为了迎接消防风险评估，在评估人员检查评估时将各类消防设施布置到位，消防隐患暂时移除，待评估人员检查评估之后，又将消防设施移除，消防隐患死灰复燃。这种消防风险评估方式，并没有彻底清除消防隐患，没有实现消防评估的本意。

因此，亟须一种能够智能、实时进行消防风险评估的方法和系统。

发明内容

有鉴于此，本申请的目的在于提出一种基于深度学习的消防风险智能评估方法和系统，提高消防评估效率，解决目前消防评估中，不能统一评估尺度，不能持续监督评估对象的技术问题。

基于上述目的，本申请提出了一种基于深度学习的消防风险智能评估方法和系统，包括：

在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；

在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；

在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；

在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。

在一些实施例中，所述方法还包括：

在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求；

邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果；

结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。

在一些实施例中，所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态，包括：

所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；

所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。

在一些实施例中，所述视觉传感器根据所述消防设施的类型和位置向物理传感器发送存活检测信号，判断所述物理传感器是否正常工作。

在一些实施例中，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准，包括：

输入所述深度学习模型的所述消防标识特征为一个形如＜fid，text，img，pos＞的四元组，其中fid为所述消防标识的标识码，text为所述视觉标识中的文字，img为所述视觉表示中的图案，pos为所述视觉标识的张贴位置；

输入所述深度学习模型的所述消防设施特征为一个形如＜sid，pos，{p1，p2…pn}＞的三元组，其中sid为所述消防设施的标识码，pos为所述消防设施的安装位置，{p1，p2…pn}为所述消防设施的物理技术参数集合，n表示所述消防设施的物理技术参数项数。

在一些实施例中，所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变，包括：

在所述视觉传感器视觉采集消防标识或消防设施图像过程中，如果所述消防标识或消防设施存在遮挡，则等待指定时间后，再次对所述消防标识或消防设施进行视觉采集；

如果在指定等待次数后所述消防标识或消防设施仍然存在遮挡，向邻近视觉传感器发送协查请求；

所述邻近视觉传感器检查所述消防标识或消防设施是否存在遮挡，并将结果返回至所述视觉传感器；

所述视觉传感器结合所述邻近视觉传感器返回的结果，生成所述消防标识或消防设备的采集结果。

基于上述目的，本申请还提出了一种基于深度学习的消防风险智能评估系统，包括：

设置模块，用于在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；

初始模块，用于在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；

采集模块，用于在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；

第一评估模块，用于在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。

在一些实施例中，所述系统还包括：

协查模块，用于在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求；

第二评估模块，用于邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果；

结合判断模块，用于结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。

在一些实施例中，所述设置模块，包括：

视觉传感单元，用于所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；

物理传感单元，用于所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。

在一些实施例中，所述采集模块，包括：

再次采集单元，用于在所述视觉传感器视觉采集消防标识或消防设施图像过程中，如果所述消防标识或消防设施存在遮挡，则等待指定时间后，再次对所述消防标识或消防设施进行视觉采集；

协查单元，用于如果在指定等待次数后所述消防标识或消防设施仍然存在遮挡，向邻近视觉传感器发送协查请求；

返回单元，用于所述邻近视觉传感器检查所述消防标识或消防设施是否存在遮挡，并将结果返回至所述视觉传感器；

结果单元，用于所述视觉传感器结合所述邻近视觉传感器返回的结果，生成所述消防标识或消防设备的采集结果。

总的来说，本申请的思路在于，在目标区域设置多个传感器，传感器之间通过通信连接，传感器和评估中心之间通过通信连接以接收指令和数据，传感器包括视觉传感器和水压传感器；初始化时各个传感器通过深度学习识别出各个消防关键部位，对每个关键部位进行归一化处理，并记录各关键部位的状态特征；按预设时间间隔识别各个关键部位的特征是否相对于初始化时的特征发生改变；在发生改变的情况下，向邻近的一个或多个传感器发出协查请求；邻近节点将采集到的该关键部位的特征导入深度学习网络，计算得到消防风险结果，根据结果向评估人员发送评估报告。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1示出根据本发明实施例的基于深度学习的消防风险智能评估方法的流程图。

图2示出根据本发明实施例的基于深度学习的消防风险智能评估方法的流程图。

图3示出根据本发明实施例的基于深度学习的消防风险智能评估系统的构成图。

图4示出根据本发明实施例的基于深度学习的消防风险智能评估系统的构成图。

图5示出根据本发明实施例的设置模块的构成图。

图6示出根据本发明实施例的采集模块的构成图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出根据本发明实施例的基于深度学习的消防风险智能评估方法的流程图。如图1所示，该基于深度学习的消防风险智能评估方法包括：

步骤S11、在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态。

具体来说，消防风险评估过程中，关注的主要有两个指标，一个是消防标识是否正确张贴，消防标识有带有文字的警示标语，例如“注意防火”的警示标语，又如“EXIT”字样的逃生通道等，评估时需要关注这些消防标识是否张贴在相应正确的位置；另一个是消防设备是否正常工作，例如消防栓的水压是否正常，逃生照明设备的电源是否正常供应等，评估时需要检测这些消防设施的工作参数是否正常。

因此，为了评估消防标识的正确张贴和消防设施的正常工作，需要设置视觉传感器和物理传感器两类不同传感器。

在一种实施方式中，所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态，包括：

所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；

所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。

在一种实施方式中，所述视觉传感器根据所述消防设施的类型和位置向物理传感器发送存活检测信号，判断所述物理传感器是否正常工作。

具体来说，为了节省视觉传感器的成本，可以使用360旋转视角的视觉传感器，这样采集的视野更大，得到的数据量也更为丰富，可以节约普通传感器的使用数量。

另外，有的评估工作需要视觉传感器和物理传感器组合进行，例如，视觉传感器观测到消防栓摆放于正确的位置，可以通知物理传感器对该消防栓的水压进行工作参数检测。

步骤S12、在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数。

举例来说，视觉传感器可以识别消防标识的文字、图案是否正确，张贴位置、高度是否合适等；物理传感器可以识别消防设施摆放位置、姿态是否正确，物理技术参数是否能够支持其正常工作等。

在一种实施方式中，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准，包括：

输入所述深度学习模型的所述消防标识特征为一个形如＜fid，text，img，pos＞的四元组，其中fid为所述消防标识的标识码，text为所述视觉标识中的文字，img为所述视觉表示中的图案，pos为所述视觉标识的张贴位置；

输入所述深度学习模型的所述消防设施特征为一个形如＜sid，pos，{p1，p2…pn}＞的三元组，其中sid为所述消防设施的标识码，pos为所述消防设施的安装位置，{p1，p2…pn}为所述消防设施的物理技术参数集合，n表示所述消防设施的物理技术参数项数。

通过将消防识别特征和消防设施特征通过四元组和三元组的形式进行规范化输入，再借助深度学习模型，可以量化预测消防风险，对各类不同的消防风险作出整体的科学评估。

步骤S13、在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变。

具体来说，如果消防标识或消防设施在初次合格之后，被挪动、撕毁、遮挡、替换或其他改变之后，消防隐患又会出现，并没有达到消防评估的监督作用，因此，传感器需要每隔一段时间对这些消防标识和消防设施进行重复识别，判断是否发生改变。

在一种实施方式中，所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变，包括：

在所述视觉传感器视觉采集消防标识或消防设施图像过程中，如果所述消防标识或消防设施存在遮挡，则等待指定时间后，再次对所述消防标识或消防设施进行视觉采集；

如果在指定等待次数后所述消防标识或消防设施仍然存在遮挡，向邻近视觉传感器发送协查请求；

所述邻近视觉传感器检查所述消防标识或消防设施是否存在遮挡，并将结果返回至所述视觉传感器；

所述视觉传感器结合所述邻近视觉传感器返回的结果，生成所述消防标识或消防设备的采集结果。

具体来说，由于消防场所一般属于人员密集场所，人员流动比较大，消防标识或消防设施可能被移动物体或人遮挡，如果将这种“假遮挡”识别为遮挡，则会评估不准确。因此，当发现消防标识或消防设施遮挡时，视觉传感器可以等待一段时间后，再次对该消防标识或消防设施进行采集；如果重复采集多次后，仍然存在遮挡，则可以通过邻近视觉传感器的协助，确定该消防标识或消防设施是否真的存在遮挡。

步骤S14、在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。

图2示出根据本发明实施例的基于深度学习的消防风险智能评估方法的流程图。如图2所示，该基于深度学习的消防风险智能评估方法还包括：

步骤S15、在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求。

具体来说，为了防止单次评估结果的不准确，可以借助邻近的传感器对消防评估结果进行校准，从而提高消防评估的准确度。

步骤S16、邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果。

步骤S17、结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。

图3示出根据本发明实施例的基于深度学习的消防风险智能评估系统的构成图。如图3所示，该基于深度学习的消防风险智能评估系统整体可以分为：

设置模块31，用于在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；

初始模块32，用于在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；

采集模块33，用于在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；

第一评估模块34，用于在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。

图4示出根据本发明实施例的基于深度学习的消防风险智能评估系统的构成图。如图4所示，该基于深度学习的消防风险智能评估系统整体还包括：

协查模块35，用于在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求；

第二评估模块36，用于邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果；

结合判断模块37，用于结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。

图5示出根据本发明实施例的设置模块的构成图。如图5所示，该设置模块31包括：

视觉传感单元311，用于所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；

物理传感单元312，用于所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。

图6示出根据本发明实施例的采集模块的构成图。如图6所示，该采集模块33包括：

再次采集单元331，用于在所述视觉传感器视觉采集消防标识或消防设施图像过程中，如果所述消防标识或消防设施存在遮挡，则等待指定时间后，再次对所述消防标识或消防设施进行视觉采集；

协查单元332，用于如果在指定等待次数后所述消防标识或消防设施仍然存在遮挡，向邻近视觉传感器发送协查请求；

返回单元333，用于所述邻近视觉传感器检查所述消防标识或消防设施是否存在遮挡，并将结果返回至所述视觉传感器；

结果单元334，用于所述视觉传感器结合所述邻近视觉传感器返回的结果，生成所述消防标识或消防设备的采集结果。

本申请实施例各系统中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于深度学习的消防风险智能评估方法，其特征在于，包括：

在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；

在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；

在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；

在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求；

邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果；

结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。

3.根据权利要求1所述的方法，其特征在于，所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态，包括：

所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；

所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。

4.根据权利要求3所述的方法，其特征在于：

所述视觉传感器根据所述消防设施的类型和位置向物理传感器发送存活检测信号，判断所述物理传感器是否正常工作。

5.根据权利要求1所述的方法，其特征在于，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准，包括：

输入所述深度学习模型的所述消防标识特征为一个形如＜fid，text，img，pos＞的四元组，其中fid为所述消防标识的标识码，text为所述视觉标识中的文字，img为所述视觉表示中的图案，pos为所述视觉标识的张贴位置；

输入所述深度学习模型的所述消防设施特征为一个形如＜sid，pos，{p1，p2…pn}＞的三元组，其中sid为所述消防设施的标识码，pos为所述消防设施的安装位置，{p1，p2…pn}为所述消防设施的物理技术参数集合，n表示所述消防设施的物理技术参数项数。

6.根据权利要求1所述的方法，其特征在于，所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变，包括：

在所述视觉传感器视觉采集消防标识或消防设施图像过程中，如果所述消防标识或消防设施存在遮挡，则等待指定时间后，再次对所述消防标识或消防设施进行视觉采集；

如果在指定等待次数后所述消防标识或消防设施仍然存在遮挡，向邻近视觉传感器发送协查请求；

所述邻近视觉传感器检查所述消防标识或消防设施是否存在遮挡，并将结果返回至所述视觉传感器；

所述视觉传感器结合所述邻近视觉传感器返回的结果，生成所述消防标识或消防设备的采集结果。

7.一种基于深度学习的消防风险智能评估系统，其特征在于，包括：

设置模块，用于在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；

初始模块，用于在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；

采集模块，用于在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；

第一评估模块，用于在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

协查模块，用于在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求；

第二评估模块，用于邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果；

结合判断模块，用于结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。

9.根据权利要求7所述的系统，其特征在于，所述设置模块，包括：

视觉传感单元，用于所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；

物理传感单元，用于所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。

10.根据权利要求7所述的系统，其特征在于，所述采集模块，包括：

再次采集单元，用于在所述视觉传感器视觉采集消防标识或消防设施图像过程中，如果所述消防标识或消防设施存在遮挡，则等待指定时间后，再次对所述消防标识或消防设施进行视觉采集；

协查单元，用于如果在指定等待次数后所述消防标识或消防设施仍然存在遮挡，向邻近视觉传感器发送协查请求；

返回单元，用于所述邻近视觉传感器检查所述消防标识或消防设施是否存在遮挡，并将结果返回至所述视觉传感器；

结果单元，用于所述视觉传感器结合所述邻近视觉传感器返回的结果，生成所述消防标识或消防设备的采集结果。

Images