CN111414501A - 基于区块链与cim的木材易燃风险预测系统 - Google Patents

Abstract

本发明公开了一种基于区块链与CIM的木材易燃风险预测系统。该系统包括：木材区域分割编码器、木材区域分割解码器、木材易燃风险编码器、全连接层，系统还包括计算集群，计算集群中所有节点加载木材易燃风险预测深度神经网络所需参数，对于图像采集单元发送的图像数据，在计算集群中配置木材易燃风险预测区块链私链，并执行网络推理，得到木材易燃风险预测结果，并发送至城市区域信息模型。利用本发明，在木材易燃风险预测中，不仅结果反馈多元，而且提高了预测精度和数据处理过程中安全性能。

Description

基于区块链与CIM的木材易燃风险预测系统

技术领域

本发明涉及区块链、人工智能、CIM、智慧工地技术领域，具体涉及一种基于区块链与CIM的木材易燃风险预测系统。

背景技术

木材是现代建筑工地中不可或缺的重要材料，目前工地中所使用的木材都经过了防腐处理、成品装配和表面修饰等多种工序的处理。无论是木材本身，还是其表面的刨花木屑，抛光粉尘以及其中存在的易燃易爆的液体胶料存在其中，都会产生巨大的火灾隐患。一旦发生火灾，由于其材质的本质属性，燃烧猛烈，蔓延发展快，后果不堪设想。因此，不论是工地还是其他经常有木材堆积的场所，对木材易燃风险进行估计十分必要。

目前虽然工地内已经配备了监控摄像头，但这些摄像头只记录不判断，没有充分发挥其作用，只能通过事后的视频回放来调查异常情况及取证，没有对采集的图像进行处理，也就无法实时判断及报警。近年来有方案也采用深度学习的方法对图像进行分类，从而判断当前画面中是否有木材堆积的信息。若只判别木材有无堆积，只能从单一方面预估木材易燃风险，这种估计往往不够准确，不利于大规模实际应用。而且，目前的监督系统通常只返回异常结果，结果反馈单一。并且，用于计算的系统，信息易被泄露、安全性能较低。因此，现有木材易燃风险预测领域存在结果反馈单一、预测精度低、安全性能较低的问题。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于区块链与CIM的木材易燃风险预测系统，不仅结果反馈多元，而且提高了预测精度和数据处理过程中安全性能。

一种基于区块链与CIM的木材易燃风险预测系统，该系统包括：

木材区域分割编码器，用于对监控区域彩色图像编码提取特征，得到木材区域语义特征图；

木材区域分割解码器，用于对木材区域语义特征图解码表征，得到木材区域遮罩；

木材易燃风险编码器，用于对监控区域热成像与木材区域遮罩点对点相乘后得到的特征图进行特征提取，得到木材易燃风险特征；

全连接层，用于对木材易燃风险特征进行加权分类，得到木材易燃风险预测结果；

木材区域分割编码器、木材区域分割解码器、木材易燃风险编码器、全连接层是木材易燃风险预测深度神经网络的主要组成模块；

系统还包括服务器集群，服务器集群中所有节点加载木材易燃风险预测深度神经网络所需参数，对于图像采集单元发送的图像数据，在服务器集群中配置木材易燃风险预测区块链私链，并执行网络推理，得到木材易燃风险预测结果，并发送至城市区域信息模型。

进一步地，木材区域遮罩是二值图像，用于区分木材区域与背景元素。

进一步地，对于图像采集单元发送的图像数据，在服务器集群中配置木材易燃风险预测区块链私链包括：对于图像采集单元发送的图像数据，从服务器集群中选择多个可用节点，将分别分布于不同可用节点的木材区域分割编码器、木材分割解码器、木材易燃风险编码器、全连接层是木材易燃风险预测深度神经网络所需参数作为对应节点区块的区块数据，按照木材易燃风险预测深度神经网络推理顺序将区块连接，生成木材易燃风险预测区块链私链。

进一步地，区块链私链中的区块对其要传输至下一区块的神经网络推理中间结果数据进行加密，对其从上一区块接收到的神经网络推理中间结果数据进行解密。

进一步地，区块采用RSA加密机制进行加密、解密操作。

进一步地，对木材区域分割编码器、木材区域分割解码器、木材易燃风险编码器、全连接层分别进行适当细分，将分别分布于不同节点的细分后的每一模块的参数作为区块数据，按照木材易燃风险预测深度神经网络推理顺序，生成木材易燃风险预测区块链私链。

进一步地，图像采集单元采集的图像数据包括监控区域彩色图像以及监控区域热成像。

进一步地，城市区域信息模型是基于CIM技术构建的信息模型，包括城市的某一个区域内需要监测场所的场景建模信息、监控区域信息、木材易燃风险预测结果信息；系统还包括可视化单元，利用可视化单元进行城市区域信息模型的可视化。

进一步地，可视化单元包括：

初始化模块，用于从城市区域信息模型获取需要监测场所的场景建模信息，结合Web GIS技术对城市区域信息模型进行渲染，展示在前台Web页面，得到城市区域信息模型的初始展示结果；

数据获取模块，用于从城市区域信息模型获取监控区域信息、木材易燃风险预测结果；

木材易燃风险可视化模块，用于从根据监控区域信息的地理位置将监控区域信息、木材易燃风险预测结果匹配至初始展示结果中，并根据异常预警信息对监控区域进行警示标记。

本发明与现有技术相比，具有以下有益效果：

1.本发明的木材易燃风险预测考虑到木材自身的温度信息，利用热成像进行预测，因此，该预测结果更加准确有效，能够更好地帮助管理者做好工地施工的统筹和安排，提高施工效率。

2.本发明的深度神经网络利用语义分割技术将木材区域从热成像中分割出来，能够提高网络的预测精度。

3.本发明基于区块链技术，对木材易燃风险预测深度神经网络进行合理划分，针对每个网络推理请求，动态生成区块链私链，相比于传统的单机执行，不仅提高了系统的并行性能，而且具有更好的容错性能。

4.本发明的区块链私链根据服务器集群中可用节点实时生成，不易被篡改和攻击，具有更高的保密性能。

5.本发明对网络推理区块链私链之间的数据进行加密，防止区块链私链区块之间传输数据的泄露，保证传输数据的保密性，而且张量混淆加密操作计算方便，计算量小，在提高保密性能的同时不会增加系统负担。

6.本发明基于CIM技术设计城市区域信息模型存储木材易燃风险预测结果，并对城市区域信息模型进行可视化，相比于传统的结果反馈，本发明的反馈结果更加多元化，包括工地区域三维展示、警示标记、监控区域图像，能够使监管人员更加清晰明确地了解区域内木材易燃风险情况。

附图说明

图1为本发明系统的神经网络结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种基于区块链与CIM的木材易燃风险预测系统。首先，通过彩色面阵相机提取图像特征，获得当前施工区域木材的遮罩图像，同时采用热成像传感器，获取当前区域的热成像信息，最终预测木材易燃风险的信息。图1为本发明系统的神经网络结构图。下面通过具体实施例来进行说明。

实施例一：

基于区块链与CIM的木材易燃风险预测系统，该系统基于城市区域信息模型进行木材易燃风险预测。城市区域信息模型包括需要监测场所的场景建模信息、监控区域信息、木材易燃风险预测数据。

具体地，建筑信息模型(Building Information Modeling)是应用于建筑工程设计、建造、管理的数据化新工具，该信息模型集成了建筑项目周期内所有建筑数据。结合WebGIS等技术使用可视化软件可以实现建筑信息模型的可视化，为建筑设计、建筑管理提供便利。CIM(City Information Modeling，城市信息模型)是BIM的进一步升级，将建模范围由单个或多个建筑模型扩展到整个城市的三维建模，可以对整个城市的建筑、交通、道路等场景进行三维建模、展示以及管理。

本发明结合CIM对木材易燃风险预测结果进行实时展示，并为监管人员提供预警信息。因此，本发明设计了城市区域信息模型。城市区域信息模型基于CIM技术，包括城市内或城市的某一个区域内需要监测场所的场景建模信息、监控区域信息、木材易燃风险预测结果。其中，场景建模信息包括监测区域建筑物信息、路面等各种场景信息，这些类型信息中同时包含相应的地理位置信息，结合Web GIS技术通过可视化软件可以对监测区域的三维场景进行还原展示。监控区域信息包括监控区域地理位置信息、监控视觉传感器地理位置信息、监控视觉传感器摄取的图像、坐标变换矩阵。监控区域信息用于在可视化城市信息模型中还原监控区域图像。坐标变化矩阵用于将监控图像转换为可视化效果更好的图像，例如俯视图等。将木材易燃风险预测数据集成到匹配的监控区域，以供监管人员查看。在本发明中，木材易燃风险预测结果实时传输至城市区域信息模型。

下面对如何获得木材易燃风险数据进行详细说明。本发明通过对传感器采集到的一系列数据进行处理，采用深度学习的方法，提取传感器感知信息的特征，达到预测木材易燃风险的目的。本发明的木材易燃风险预测深度神经网络包括木材区域语义分割子网络和木材易燃风险预测子网络。木材区域语义分割子网络包括木材区域分割编码器、木材区域分割解码器；木材区域分割编码器用于对监控区域彩色图像编码提取特征，得到木材区域语义特征图；木材区域分割解码器，用于对木材区域语义特征图解码表征，得到木材区域遮罩。木材易燃风险预测子网络包括木材易燃风险编码器、全连接层；木材易燃风险编码器，用于对监控区域热成像与木材区域遮罩点对点相乘后得到的特征图进行特征提取，得到木材易燃风险特征；全连接层，用于对木材易燃风险特征进行加权分类，得到预测的木材易燃风险。

需要说明的是，当木材温度持续上升时，火灾隐患也在持续的增加。当达到燃点时，火灾隐患是最大的。因此，本发明中采用的彩色面阵相机和热成像相机，在实施过程中首先需要将两种传感器联合标定，使两个相机传感器处在同一坐标系下，为后续的坐标映射做准备。其中，多相机联合标定技术是公知的，实施者可选用适当的方案实施。实施者也可以选择具有RGB传感器与热成像传感器二合一的智能传感器的图像采集单元。

本发明所述的木材区域语义分割子网络，如图1所示：首先通过木材区域分割编码器EncoderA提取木材遮罩的木材区域语义特征图FeatureMapA，将得到的木材语义特征图输入木材区域分割解码器DecoderA，即可得到木材区域遮罩。需要说明的是，木材区域的遮罩不但包含了当前像素是否为木材，而且还间接的得到了木材堆放的具体位置信息。

在训练过程中，木材区域语义分割子网络输入的是彩色图片，输出是木材堆放区域的遮罩信息，监督信息是经过人工标注的二值图像。所述二值图像指的是，木材区域的像素值标注为1，其他的背景像素信息标注为0。采用交叉熵损失对网络进行训练，即可得到木材的遮罩信息。至此，完成木材区域遮罩信息的提取。

本发明的木材易燃风险预测子网络，如图1所示：首先需要对木材区域遮罩与热成像相机的图像每点的像素值做乘法操作。需要说明的是，热成像相机是对物体表面的温度进行测量后，渲染成热图的方式显示。图像颜色越深代表物体表面温度越高。举例说明：遮罩信息是由0和1组成的二值图像，其中0代表背景信息，1代表木材遮罩信息。针对每个像素位置，将遮罩信息与热成像信息相乘，任何数与0相乘结果仍为0，任何数与1相乘结果是数值本身。最终在热成像图像中加强木材区域的表示信息，抑制背景区域的表示信息。从而得到了信息增强后的特征图FeatureMapB。进一步的，经过木材易燃风险编码器EncoderB提取热成像信息的特征，再通过全连接层FC，最终获得当前木材易燃风险值。需要说明的是，如果木材易燃风险编码器输出的是二维特征图，那么需要进行展平flatten操作。

在训练过程中，木材易燃风险预测子网络输入的是当前区域的热成像信息，输出是当前木材易燃风险值，监督信息是经过人工标注的每张图像样本的木材易燃风险。采用常用的交叉熵损失进行参数更新，对输入热成像图片进行分类，最终获得木材易燃风险。需要说明的是，本发明将木材易燃风险分为四个等级：索引0代表不易燃，索引1代表低易燃风险，索引2代表中等易燃风险，索引3代表高易燃风险。至此，完成木材易燃等级的划分。实施者可以根据实施场景的木材热成像温度自行设定等级。

在神经网络中，编码器用于对输入的多通道二维数据进行特征提取，解码器用于对得到的特征图进行上采样还原。编码器、解码器可以有多种实现，本发明为了兼顾大小目标的尺寸，建议采用沙漏网络来提取特征，实施者也可根据图像大小和显存占用选取合适的神经网络内部的模块设计，如Residual Block、Bottleneck Block、CNN Block等。本发明的编码器、解码器、全连接网络具体采用何种网络设计，实施者可以根据具体实施需求选择，其模块化思想为本发明保护内容。

为了提高本发明系统的保密性能，防止数据泄露，本发明结合区块链技术设计了区块链私链。

在此，针对本发明区块链技术与DNN技术结合进行详细阐述。区块链采用块分割数据，使用链式数据结构，将数据作为块进行验证和存储，整个数据结构汇总不存在中心化的硬件和管理机构，实现了去中心化。一代区块链技术主要在分布式账本上进行应用，二代区块链技术主要实现智能合约，三代区块链技术可以将区块链思想与其他领域技术结合，有越来越多的呈现形式，更加注重为系统功能服务。区块链私链完整地继承了公链的特性，而且私链没有博弈机制的束缚，更关注实际应用的数据传输、加解密处理，能够更好地与其他领域的技术结合。对于人工智能中的深度神经网络计算而言，不必要存储中间结果数据，保留链式的逻辑以匹配神经网络前向传播的原理。

本发明考虑到了若将数据直接上传到进行处理，上传过程以及处理过程会产生明文的图像数据内容泄露问题，因此使用区块链私链的形式，将深度神经网络的不同模块作为区块，进行分散的推理，并对区块之间传输的数据进行加密处理，从而实现并行推理、容错、防止数据泄露的优秀性能。

基于上述思想，首先需要将木材易燃风险预测深度神经网络进行模块划分，将木材区域分割编码器、木材区域分割解码器、木材易燃风险编码器、全连接层作为网络的不同模块。如此，根据图1中所示的神经网络的推理顺序，即可得到木材易燃风险预测深度神经网络推理链。

系统还包括服务器集群，服务器集群中的所有节点载入木材易燃风险预测深度神经网络所需权重、参数；针对每一个木材易燃风险预测深度神经网络推理请求，从服务器集群中选择多个可用节点，将分别分布于不同可用节点的木材区域分割编码器、木材区域分割解码器、木材易燃风险编码器、全连接层所需权重、参数作为对应节点的区块数据。如此可以得到分布于不同节点的木材区域分割编码器区块、木材区域分割解码器区块、木材易燃风险编码器区块、全连接层区块。根据木材易燃风险预测深度神经网络推理顺序，将上述区块连接，生成木材易燃风险预测区块链私链，并执行木材易燃风险预测深度神经网络推理。区块链私链的链序与神经网络推理链序是一致的，神经网络推理链序如图1所示。

在选择可用节点以及进行节点排序时，优选地，对服务器集群中可用的节点进行随机排序，从中挑选与区块数相同个数的计算节点。具体地，每台计算设备生成一个随机数，共N个(N为计算节点个数)，将这N个随机数按照从大到小的顺序进行排序，得到其数值大小索引，前述步骤已经将网络划分为4个模块，因此选择随机数序列前4个随机数的排序索引，其索引对应的计算设备组成了链式推理选择的节点链序。例如，可用节点有6个，按照前述得到的前4个随机数的排序索引取一节点，将节点中木材区域分割编码器所需权重等参数作为区块数据，得到第一区块；按照排序索引取第二个节点，将节点中木材区域分割解码器所需权重等参数作为区块数据，得到第二区块，并与第一区块链接，以此类推，根据神经网络推理顺序，生成了对应的木材易燃风险预测区块链私链。由此可见，在服务器集群中可以同时存在多个针对不同请求生成的木材易燃风险预测区块私链，并且，该区块私链是动态生成的，不易被攻击破解，保密性能更好。在根据推理顺序得到区块链私链后，同时根据推理顺序对推理请求进行网络推理计算。

神经网络的某些模块很难一次性放进一个节点，即某些模块的运算量较大，很难在短时间内完成计算。因此，可以事先将区块即上述编码器、解码器进一步切分。对于进一步切分的粒度，实施者可以根据具体实施情况进行调整。在本实施例中，优选地，将木材区域分割编码器切分为3块，将木材区域分割解码器切分为3块，将木材易燃风险编码器分为3块，全连接层分为4块。如此，根据神经网络的推理顺序，即可得到更加细分的木材易燃风险预测深度神经网络推理链。相应地，针对每一个木材易燃风险预测深度神经网络推理请求，从服务器集群中选择多个可用节点，将分别分布于不同可用节点的细分后的木材区域分割编码器、木材区域分割解码器、木材易燃风险编码器、全连接层的子模块所需权重、参数作为区块数据，根据木材易燃风险预测深度神经网络推理顺序，生成木材易燃风险预测区块链私链。

同时，可以将图像采集单元作为区块，将其加入区块链私链，也就是说将彩色相机端与热成像相机端加入区块链私链，其中的相机参数作为区块数据。这样做的目的是通过后续的加密策略保证图像采集单元的输出是保密的，不易被截获、篡改。也可以将接收木材易燃风险数据的监控中心所在节点加入区块链私链，这样做的目的是保证监控中心与服务器集群之间数据传输的安全性。

此外，还可以将监控区域热成像与木材区域遮罩点对点相乘操作单独作为一个区块，降低神经网络结构与其他操作之间的耦合度。然而，如果考虑到降低区块链私链的复杂度，可以将该操作置于木材易燃风险编码器所在的区块。实施者可以根据实施环境具体选择相应的方式。

进一步地，为了保证各个区块所接收到数据的完整性和安全性，防止在数据在传输过程中被攻击和篡改，需要对区块间传输的数据进行加密。也就是说，区块链私链节点到节点之间的数据传输是需要使用加密手段的，在此优选地使用RSA加密机制。

下面对本发明区块节点采用的RSA加密机制进行说明。由于数据张量每个元素的值大多为浮点数，本发明只对其整数部分进行加密，小数部分保持与原始数据相等。加密密钥生成方式为：首先随机生成两个素数，假设为p＝3，q＝11，则两数乘积为n＝p*q＝33，且f(p,q)＝(p-1)*(q-1)＝20，取e的值与f(p,q)的值互质，假设为e＝3，则形成加密密钥(e,n)＝(3,33)。

加密过程为：假设当前需要加密的数字为a，需要乘e次来加密，每次的乘积若大于n，则用乘积除以n并取余数，用余数继续乘以a，直到乘以e次结束。假设a＝5，则加密后的数字为26。

解密密钥生成方式为：利用算法Extended Euclidean，输入参数:p，q，e即3，11，3，则可得到解密参数为(7,33)。解密过程与加密过程类似，区别在于密钥值的不同。前述a的值假设为5，经过加密参数加密后为26，经过上述规则得到解密参数并对26进行解密后可得5，即恢复了原来的数据。

由于接收木材易燃风险预测结果的监控中心是可信的，因此，可以由监控中心定期广播不同的p,q来生成新的密钥。实施者应当知道，具体何时更新密钥，即p,q的值为何值，可按情况而定，何时更新、如何更新有多种公知方法，例如定时更新、手动更新。

将上述加密算法应用到所有区块之间待传输的数据，完成对数据的加密操作。在数据输入到下一个区块之后，按照加密规则的逆向推理对其进行解密，从而完成了数据在计算节点之间的加密传输。

需要说明的是，木材易燃风险预测深度神经网络模块之间即区块之间传输数据所需的加密参数应由可信节点生成。该可信节点可以是固定的，例如可以设置主节点，或由监控中心定期广播加密参数和分配表，以防加密参数被破解。然而，固定可信节点容易被攻击，因此，本发明提供另一种实施方式，由服务器集群中执行区块链私链的最后一个区块所在节点生成下一推理请求所需加密参数，并广播至服务器集群中所有节点、终端集群以及监控中心。终端集群即图像采集单元构成的集群，可以是相机集群。

为了直观地呈现工地区域的CIM信息状态，使工地管理者能够直观地获取当前区域的摄像机感知信息以及网络预测木材易燃风险的信息，本发明结合Web GIS可视化技术，将上述CIM信息模型通过Web GIS技术在Web进行展示。当应用到智慧工地场景时，对城市某一区域的工地场景进行建模即可。

可视化单元，用于从城市区域信息模型获取数据，结合Web GIS对城市区域信息模型进行渲染，将木材易燃风险预测信息展示在前台Web页面。包括：初始化模块、数据获取模块、木材易燃风险可视化模块。

初始化模块，用于从城市区域信息模型获取工地场景建模信息，结合Web GIS技术对城市区域信息模型进行渲染，展示在前台Web页面，得到城市区域信息模型的初始展示结果。

数据获取模块，用于从城市区域信息模型获取监控区域信息、木材易燃风险预测信息。

木材易燃风险可视化模块，用于从根据监控区域信息的地理位置将监控区域信息、木材易燃风险信息匹配至初始展示结果中，并根据异常预警信息对监控区域进行警示标记。

当预测到有木材易燃风险较高时，可以发出异常预警信息，根据监控区域的位置在可视化结果中进行警示标记，以便监管人员按照其地理位置坐标采取相应的预防与急救措施。

以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于区块链与CIM的木材易燃风险预测系统，其特征在于，该系统包括：

木材区域分割编码器，用于对监控区域彩色图像编码提取特征，得到木材区域语义特征图；

木材区域分割解码器，用于对木材区域语义特征图解码表征，得到木材区域遮罩；

木材易燃风险编码器，用于对监控区域热成像与木材区域遮罩点对点相乘后得到的特征图进行特征提取，得到木材易燃风险特征图；

全连接层，用于对木材易燃风险特征图进行加权分类，得到木材易燃风险预测结果；

木材区域分割编码器、木材区域分割解码器、木材易燃风险编码器、全连接层是木材易燃风险预测深度神经网络的主要组成模块；

系统还包括服务器集群，服务器集群中所有节点加载木材易燃风险预测深度神经网络所需参数，对于图像采集单元发送的图像数据，在服务器集群中配置木材易燃风险预测区块链私链，并执行网络推理，得到木材易燃风险预测结果，并发送至城市区域信息模型。

2.如权利要求1所述的系统，其特征在于，所述木材区域遮罩是二值图像，用于区分木材区域与背景元素。

3.如权利要求1所述的系统，其特征在于，所述对于图像采集单元发送的图像数据，在计算集群中配置木材易燃风险预测区块链私链包括：对于图像采集单元发送的图像数据，从服务器集群中选择多个可用节点，将分别分布于不同可用节点的木材区域分割编码器、木材分割解码器、木材易燃风险编码器、全连接层是木材易燃风险预测深度神经网络所需参数作为对应节点区块的区块数据，按照木材易燃风险预测深度神经网络推理顺序将区块连接，生成木材易燃风险预测区块链私链。

4.如权利要求1-3任一项所述的系统，其特征在于，所述区块链私链中的区块对其要传输至下一区块的神经网络推理中间结果数据进行加密，对其从上一区块接收到的神经网络推理中间结果数据进行解密。

5.如权利要求4所述的系统，其特征在于，所述区块采用RSA加密机制进行加密、解密操作。

6.如权利要求4所述的系统，其特征在于，对木材区域分割编码器、木材区域语义分割解码器、木材易燃风险编码器、全连接层分别进行适当细分，将分别分布于不同节点的细分后的每一模块的参数作为区块数据，按照木材易燃风险预测深度神经网络推理顺序，生成木材易燃风险预测区块链私链。

7.如权利要求1所述的系统，其特征在于，所述图像采集单元采集的图像数据包括监控区域彩色图像以及监控区域热成像。

8.如权利要求1所述的系统，其特征在于，城市区域信息模型是基于CIM技术构建的信息模型，包括城市需要监测区域的场景建模信息、监控区域信息、木材易燃风险预测结果信息；系统还包括可视化单元，利用可视化单元进行城市区域信息模型的可视化。

9.如权利要求8所述的系统，其特征在于，所述可视化单元包括：

初始化模块，用于从城市区域信息模型获取需要监测区域的场景建模信息，结合WebGIS技术对城市区域信息模型进行渲染，展示在前台Web页面，得到城市区域信息模型的初始展示结果；

数据获取模块，用于从城市区域建筑信息模型获取监控区域信息、木材易燃风险预测结果；

木材易燃风险可视化模块，用于从根据监控区域信息的地理位置将监控区域信息、木材易燃风险预测结果匹配至初始展示结果中，并根据异常预警信息对监控区域进行警示标记。

Images