CN112212864A - 基于深度学习的火灾场景导航方法及系统、存储介质 - Google Patents
基于深度学习的火灾场景导航方法及系统、存储介质 Download PDFInfo
- Publication number
- CN112212864A CN112212864A CN202010913778.7A CN202010913778A CN112212864A CN 112212864 A CN112212864 A CN 112212864A CN 202010913778 A CN202010913778 A CN 202010913778A CN 112212864 A CN112212864 A CN 112212864A
- Authority
- CN
- China
- Prior art keywords
- fire
- current
- information
- user
- scene
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 40
- 238000010845 search algorithm Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000003550 marker Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于深度学习的火灾场景导航方法及系统、计算机可读存储介质，该方法包括以下步骤：利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动。本发明解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。
Description
技术领域
本申请涉及导航方法技术领域，尤其涉及一种基于深度学习的火灾场景导航方法及系统、计算机可读存储介质。
背景技术
基于全球定位系统(Global Positioning System,GPS)的定位与导航系统受位置的影响较大，其仅在室外场景中具有较好的定位效果，而无法在室内场景中对用户所处的楼层及房间等进行精准的定位。基于WIFI的定位与导航系统虽然可以在室内场景中对用户所处的楼层及房间等进行精准的定位，但其受网络的影响较大，一旦网络中断就无法继续使用。同时由于火灾场景中的情况瞬息万变，简单地通过预置的模型进行导航的方法无法充分利用场景中的即时信息，这种信息的延误会极大地降低逃生者的生还概率。并且通常的路径导航都是采用先对各个不同的节点设置不同的权重，再使用传统的路径规划算法计算得到最佳路径的方法。然而，在环境形势变化迅速的火灾场景中，传统的路径规划算法无法针对不断变化的节点来选取最佳逃生路径。
发明内容
本申请实施例通过提供一种基于深度学习的火灾场景导航方法及系统、计算机可读存储介质，解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。
本申请实施例提供了一种基于深度学习的火灾场景导航方法，所述方法包括：
利用当前环境信息确定用户的当前位置；
将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；
根据所述当前火势信息及预估火势信息计算火势变化程度；
若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；
展示所述当前逃生路径，并引导用户进行移动。
在一实施例中，所述方法还包括：
获取用户周围的当前环境信息及场景内的当前火势信息；其中，所述当前环境信息用于确定用户的当前位置，所述当前火势信息用于确定当前火势并预测未来火势。
在一实施例中，所述获取用户周围的当前环境信息及场景内的当前火势信息的步骤包括：
通过混合现实设备获取用户周围的当前环境信息；
通过预先设置在场景内的火灾检测设备获取场景内的当前火势信息。
在一实施例中，在所述将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息的步骤之后还包括：
若当前未展示逃生路径，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行规划。
在一实施例中，在所述根据所述当前火势信息及预估火势信息计算火势变化程度的步骤之后还包括：
若所述火势变化程度小于预设值，则继续使用当前逃生路径。
在一实施例中，所述利用当前环境信息确定用户的当前位置的步骤包括：
利用当前环境信息中的深度信息建立当前区域模型；
使用所述当前区域模型及当前环境信息中的标识信息与场景模型进行对比，以确定用户的当前位置。
在一实施例中，所述展示所述当前逃生路径，并引导用户进行移动的步骤包括：
使用混合现实设备展示所述当前逃生路径，并引导用户进行移动。
在一实施例中，所述若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划的步骤还包括：
使用混合现实设备展示火势变化程度大于或等于预设值的区域，并对用户进行提示。
本申请实施例还提供了一种火灾场景导航系统，所述火灾场景导航系统包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的火灾场景导航程序，所述火灾场景导航程序被所述处理器执行时实现如上述的基于深度学习的火灾场景导航方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有火灾场景导航程序，所述火灾场景导航程序被处理器执行时实现如上述的基于深度学习的火灾场景导航方法的步骤。
本申请实施例中提供的一种基于深度学习的火灾场景导航方法及系统、计算机可读存储介质的技术方案，至少具有如下技术效果：
由于采用了利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动的技术手段。所以，有效解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。
附图说明
图1为本申请实施例涉及的火灾场景导航系统的示意图；
图2为本申请实施例涉及的火灾场景导航系统中的用户端设备的结构示意图；
图3为本申请实施例涉及的火灾场景导航系统中的火灾检测设备的结构示意图；
图4为本申请实施例涉及的火灾场景导航系统中的服务器的结构示意图；
图5为本申请基于深度学习的火灾场景导航方法的第一实施例的流程示意图；
图6为本申请基于深度学习的火灾场景导航方法的第二实施例的流程示意图；
图7为本申请基于深度学习的火灾场景导航方法的第三实施例的流程示意图；
图8为本申请实施例涉及的深度神经网络模型的示意图。
具体实施方式
本申请为了解决传统技术无法在火灾场景中提供实时路径导航的问题，采用了利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动的技术方案。实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。
为了更好地理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
结合图1所示，其为本申请实施例涉及的火灾场景导航系统的示意图，该系统可以包括：一个服务器、多个用户端设备和多个火灾检测设备。其中，服务器与用户端设备及火灾检测设备间通过无线通信的方式进行连接。
结合图2所示，其为本申请实施例涉及的火灾场景导航系统中的用户端设备的结构示意图，所述用户端设备可以包括：处理器101、存储器102、通信模块103、摄像头104、显示单元105等部件。本领域技术人员可以理解，图2所示的用户端设备的硬件结构并不构成对所述用户端设备的限定，所述用户端设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图2对所述用户端设备的各个部件进行具体的介绍：
处理器101是用户端设备的控制中心，连接整个用户端设备的各个部分，通过运行或执行存储在存储器102内的程序，以及调用存储在存储器102内的数据，执行用户端设备的各种功能或进行数据处理，从而对用户端设备进行整体监控。
存储器102可用于存储用户端设备的各种程序以及各种数据。存储器102主要包括存储程序区和存储数据区，其中，存储程序区至少存储了进行火灾场景导航所需的程序；存储数据区可以存储用户端设备的各种数据。
通信模块103可用于实现用户端设备与服务器间的通信。其中，采用的通信方式为无线通信，所述无线通信可以是5G或未来的其他无线通信方式。
摄像头104可用于获取用户端设备周围的环境信息。
显示单元105可用于对逃生路径等信息进行显示。
结合图3所示，其为本申请实施例涉及的火灾场景导航系统中的火灾检测设备的结构示意图，所述火灾检测设备可以包括：处理器201、存储器202、通信模块203、摄像头204、温度传感器205等部件。本领域技术人员可以理解，图3所示的火灾检测设备的硬件结构并不构成对所述火灾检测设备的限定，所述火灾检测设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图3对所述火灾检测设备的各个部件进行具体的介绍：
处理器201是火灾检测设备的控制中心，连接整个火灾检测设备的各个部分，通过运行或执行存储在存储器202内的程序，以及调用存储在存储器202内的数据，执行火灾检测设备的各种功能或进行数据处理，从而对火灾检测设备进行整体监控。
存储器202可用于存储火灾检测设备的各种程序以及各种数据。存储器202主要包括存储程序区和存储数据区，其中，存储程序区至少存储了进行火灾场景导航所需的程序；存储数据区可以存储火灾检测设备的各种数据。
通信模块203可用于实现火灾检测设备与服务器间的通信。其中，采用的通信方式为无线通信，所述无线通信可以是5G或未来的其他无线通信方式。
摄像头204可用于在火灾场景中获取火势图像信息。
温度传感器205可用于在火灾场景中获取温度信息。
结合图4所示，其为本申请实施例涉及的火灾场景导航系统中的服务器的结构示意图，所述服务器可以包括：处理器301、存储器302、通信模块303等部件。本领域技术人员可以理解，图4所示的服务器的硬件结构并不构成对所述服务器的限定，所述服务器可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图4对所述服务器的各个部件进行具体的介绍：
处理器301是服务器的控制中心，连接整个服务器的各个部分，通过运行或执行存储在存储器302内的程序，以及调用存储在存储器302内的数据，执行服务器的各种功能或进行数据处理，从而对服务器进行整体监控。
存储器302可用于存储服务器的各种程序以及各种数据。存储器302主要包括存储程序区和存储数据区，其中，存储程序区至少存储了进行火灾场景导航所需的程序；存储数据区可以存储服务器的各种数据。
通信模块303可用于实现服务器与用户端设备及火灾检测设备间的通信。其中，采用的通信方式为无线通信，所述无线通信可以是5G或未来的其他无线通信方式。
本实施例根据上述技术方案，采用了利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动的技术方案。所以，有效解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
结合图5所示，在本申请的第一实施例中，本申请的基于深度学习的火灾场景导航方法具体包括以下步骤：
步骤S110，利用当前环境信息确定用户的当前位置。
在本实施例中，所述当前环境信息可以是通过用户端设备获取的用户当前所处区域内的图像深度信息、标识信息等环境信息。其中，所述用户端设备可以是混合现实设备、增强现实(Augmented Reality,AR)设备、移动终端等便于在火灾场景中使用的能够获取当前环境信息并能够展示逃生路径的设备。
当用户处于火灾场景中时，首先需要确定用户的当前位置，从而能够根据用户的当前位置对逃生路径进行规划。由于传统的定位方式在进行定位时均存在缺陷，无法在火灾场景中对用户进行精确且稳定的定位，因此，本申请选择了利用当前环境信息来确定用户的当前位置的方法，即使用用户周围的当前环境信息与火灾场景内的整体环境信息进行对比，从而确定用户在所述火灾场景中的位置。在一实施例中，所述利用当前环境信息确定用户的当前位置的步骤可以包括以下两个步骤。
步骤S111，利用当前环境信息中的深度信息建立当前区域模型；
所述深度信息用深度图进行表示，其可以反映当前区域内的物体与用户端设备之间的距离远近。其中，所述深度图中的每个像素的取值为0至256，并且距离所述用户端设备越近的物体对应的像素的像素值就越小，其在深度图中呈现的颜色就越深；相反，距离所述用户端设备越远的物体对应的像素的像素值就越大，其在深度图中呈现的颜色就越浅。因此，通过所述当前环境信息中的深度信息，可以确定用户当前所处区域内的物体的相对位置，从而能够建立起当前区域的模型。
步骤S112，使用所述当前区域模型及当前环境信息中的标识信息与场景模型进行对比，以确定用户的当前位置。
通过使用当前环境信息中的标识信息与场景模型中预先存储的标识信息进行对比，可以确定用户当前所处的大概位置，如所处的楼层。其中，所述标识信息可以包括楼层标志信息、门牌号信息及AR识别标志信息等标识信息。而使用所述当前区域模型与场景模型进行对比，则可以得到当前区域在场景中的具体位置，并根据用户端设备与所述当前区域模型中的物体的相对位置准确地确定用户的当前位置。为了实现本步骤中的操作，需要在建筑物中预先设置可供用户端设备识别的具有特定标识信息的标识物，并且所述标识物可以使用防火材料进行制作或者进行防火处理，以避免所述标识物在火灾中损坏而无法进行识别或出现识别错误的问题。此外，还需要预先对建筑物建立场景模型，由于建筑物的场景模型较为巨大，而用户端设备的存储空间较为有限，因此无法完成对场景模型的精细加载与渲染。这时，可以使用适当的模型压缩方法以及远端云渲染的方式对场景模型进行接收、分析与加载。
步骤S120，将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息。
在本实施例中，所述当前火势信息可以是通过预先设置在火灾场景中的火灾检测设备获取的场景中各个区域当前的温度、火势图像等信息。通过所述当前火势信息可以直接了解所述火灾场景中各个区域的火势情况。所述预估火势信息为根据当前火势信息通过预测得到的下一阶段的火势信息，其反映了一段时间内火势的预估情况。通过预测得到预估火势信息，可以在接下来进行逃生路径规划时为用户提前避开可能发生的危险。
所述已训练的深度神经网络模型即为根据当前火势信息预测得到预估火势信息的预测模型。在一实施例中，所述深度神经网络模型可以如图8所示。其采用了3DCNN(Convolutional Neural Networks,卷积神经网络)结合RNN(Recurrent Neural Network,循环神经网络)的模型结构，先使用CNN对火势图像的关键帧的图像特征进行提取，再利用RNN结构对邻近帧的特征进行整合与传递。在对所述深度神经网络模型进行训练时，由于相关的数据集较少，因此可以通过场景模拟的方式来对训练数据进行收集与扩充。在使用训练数据集对所述深度神经网络模型进行训练之后，即可使用已训练的深度神经网络模型对预估火势信息进行预测。
此外，在将所述当前火势信息输入所述已训练的深度神经网络模型之前，还需要对所述当前火势信息进行处理。例如，对当前火势信息中的温度信息进行量化处理，对当前火势信息中的火势图像信息进行关键帧提取等图像预处理。
步骤S130，根据所述当前火势信息及预估火势信息计算火势变化程度。
在本实施例中，所述火势变化程度为反映火灾场景中各个区域在未来一段时间内的火势变化情况的信息。所述火势变化程度可以通过考虑当前火势信息与预估火势信息中的温度信息的变化程度进行计算，也可以通过考虑当前火势信息与预估火势信息中的火势图像信息的变化程度进行计算，还可以通过综合考虑当前火势信息与预估火势信息中的各种火势信息的变化程度进行计算。通过计算火势变化程度，可以得到火灾场景中各个区域在未来一段时间内的火势变化程度，从而能够决定是否需要对用户的当前逃生路径进行重新规划。
步骤S140，若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划。
在本实施例中，若所述火势变化程度大于或等于预设值，则意味着火灾场景中的某个区域或者某些区域的火势在未来一段时间将会发生较大的变化，这将极大影响到用户当前使用的逃生路径的安全性，因此需要根据当前位置以及预估火势信息对当前逃生路径进行重新规划。其中，所述预设值为一个根据实际情况预先进行设定的值，其可以是反映了火势变化程度对逃生路径是否有影响的临界值，也可以是比临界值更低的其它值。
所述启发式搜索算法就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在一实施例中，所述启发式搜索算法可以是A算法。此外，在利用所述启发式搜索算法对当前逃生路径进行重新规划之前，还需要对所述当前位置及预估火势信息进行处理。例如，将所述当前位置作为对火灾场景进行抽象得到的加权图中的起始点，利用预估火势信息对加权图中的节点间的权值进行更新，并将加权图作为输入数据。在对所述当前位置及预估火势信息进行处理后，即可利用所述启发式搜索算法对当前逃生路径进行重新规划，得到更新后的当前逃生路径。
步骤S150，展示所述当前逃生路径，并引导用户进行移动。
在本实施例中，在得到当前逃生路径之后，即可在用户端设备上对所述当前逃生路径进行展示，并可以通过对用户进行提示来引导用户进行移动。在一实施例中，当用户的移动偏离了当前逃生路径时，还可以通过语音等方式提示用户已经偏离当前逃生路径。
在用户进行了移动之后，系统将根据用户的移动继续重复上述步骤，直至用户逃离火灾场景。
上述方法的有益效果为采用了利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动的技术方案。所以，有效解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。
结合图6所示，在本申请的第二实施例中，本申请的基于深度学习的火灾场景导航方法具体包括以下步骤：
步骤S210，获取用户周围的当前环境信息及场景内的当前火势信息。
在本实施例中，所述当前环境信息用于确定用户的当前位置，而所述当前火势信息用于确定火灾场景中各个区域内的当前火势并用于预测未来火势。其中，所述当前环境信息可以通过用户携带的用户端设备进行获取；所述当前火势信息可以通过预先设置在火灾场景中的火灾检测设备获取。
步骤S220，利用当前环境信息确定用户的当前位置。
步骤S230，将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息。
步骤S240，若当前未展示逃生路径，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行规划。
在本实施例中，若当前未展示逃生路径，则当前可能是第一次进行逃生路径规划。由于当前不存在逃生路径，因此需要立刻进行规划得到一条初始的逃生路径，而不需要考虑当前火势与预估火势之间是否存在变化。此时，可以根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行规划。而在进行规划得到了当前逃生路径之后，即可展示所述当前逃生路径，并引导用户进行移动。
步骤S250，根据所述当前火势信息及预估火势信息计算火势变化程度。
步骤S260，若所述火势变化程度小于预设值，则继续使用当前逃生路径。
在本实施例中，若所述火势变化程度小于预设值，则意味着火灾场景中的全部区域的火势在未来一段时间都不会发生较大的变化，因此火势变化不会影响到用户当前使用的逃生路径的安全性，则不需要根据当前位置以及预估火势信息对逃生路径进行重新规划。只需要继续使用当前逃生路径并继续对所述当前逃生路径进行展示即可。
步骤S270，若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划。
步骤S280，展示所述当前逃生路径，并引导用户进行移动。
上述方法的有益效果为在第一实施例的基础上增加了获取当前环境信息及当前火势信息、对逃生路径导航中的不同情况采取不同措施的步骤。所以，有效解决了传统技术无法在火灾场景中提供实时路径导航的问题，进一步实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。
结合图7所示，在本申请的第三实施例中，本申请的基于深度学习的火灾场景导航方法具体包括以下步骤：
步骤S311，通过混合现实设备获取用户周围的当前环境信息。
在本实施例中，可以通过使用混合现实设备自身配备的深度摄像头扫描用户周围的当前区域，以获取当前区域的深度图，从而能够对当前区域建立模型。其中，所述混合现实设备可以是混合现实眼镜、混合现实头盔等便于在火灾场景中使用的混合现实设备。通过所述混合现实设备，可以在不影响用户移动的同时对用户周围的当前环境信息进行采集，极大方便了用户在火灾场景中的使用。
步骤S312，通过预先设置在场景内的火灾检测设备获取场景内的当前火势信息。
在本实施例中，可以通过预先设置在场景内的火灾检测设备获取场景内的当前火势信息。例如，可以通过预先设置在火灾场景中各个区域内的火灾检测设备中的温度传感器实时收集火灾场景中各个区域内的温度信息，通过预先设置在火灾场景中各个区域内的火灾检测设备中的摄像头实时捕捉火灾场景中各个区域内的火势图像信息。在将火灾检测设备预先设置在场景中之后，还可以将其所处的位置标注在场景模型中，以方便确定火灾检测设备获取的当前火势信息的所属区域。
步骤S320，利用当前环境信息确定用户的当前位置。
步骤S330，将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息。
步骤S340，根据所述当前火势信息及预估火势信息计算火势变化程度。
步骤S350，若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划。
步骤S360，使用混合现实设备展示火势变化程度大于或等于预设值的区域，并对用户进行提示。
在本实施例中，若所述火势变化程度大于或等于预设值，则意味着火灾场景中的某个区域或者某些区域的火势在未来一段时间将会发生较大的变化，这将极大影响到用户当前使用的逃生路径的安全性，因此在根据当前位置以及预估火势信息对逃生路径进行重新规划的同时，还可以通过向用户展示火势变化程度大于或等于预设值的区域，并提示用户避开所述区域，从而避免用户在火灾场景中移动时发生危险。而使用混合现实设备对危险区域进行展示，可以将所述危险区域的位置及对用户的提示加载到现实场景中，从而可以更好地提示用户避开所述危险区域，使得提示过程更加地方便与生动。
步骤S371，使用混合现实设备展示所述当前逃生路径，并引导用户进行移动。
在本实施例中，由于火灾产生的烟雾，火灾场景中的能见度往往较差，很多时候即便提供了逃生路径，用户也较难分辨出逃生路径所指示的方向。而通过使用混合现实设备，可以将当前逃生路径以引导模型的形式加载到现实场景中，让用户根据显示在现实场景中的引导模型展示的逃生路径进行移动，从而可以让用户在能见度较低的环境下也能够清楚地看到周围的环境并准确地按照逃生路径进行移动。
上述方法的有益效果为在第一实施例的基础上采用了混合现实设备作为用户端设备，所以，有效解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供更加清楚准确的实时路径导航的效果，从而进一步提高了用户在使用火灾场景导航时的使用体验。
基于同一发明构思，本申请实施例还提供了一种火灾场景导航系统，所述火灾场景导航系统包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的火灾场景导航程序，所述火灾场景导航程序被所述处理器执行时实现如上述的基于深度学习的火灾场景导航方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
由于本申请实施例提供的火灾场景导航系统，为实施本申请实施例的方法所采用的火灾场景导航系统，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该火灾场景导航系统的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的火灾场景导航系统都属于本申请所欲保护的范围。
基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有火灾场景导航程序，所述火灾场景导航程序被处理器执行时实现如上述的基于深度学习的火灾场景导航方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
由于本申请实施例提供的计算机可读存储介质，为实施本申请实施例的方法所采用的计算机可读存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的计算机可读存储介质都属于本申请所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的火灾场景导航方法，其特征在于，所述方法包括：
利用当前环境信息确定用户的当前位置；
将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；
根据所述当前火势信息及预估火势信息计算火势变化程度；
若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；
展示所述当前逃生路径，并引导用户进行移动。
2.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，所述方法还包括：
获取用户周围的当前环境信息及场景内的当前火势信息；其中，所述当前环境信息用于确定用户的当前位置，所述当前火势信息用于确定当前火势并预测未来火势。
3.如权利要求2所述的基于深度学习的火灾场景导航方法，其特征在于，所述获取用户周围的当前环境信息及场景内的当前火势信息的步骤包括：
通过混合现实设备获取用户周围的当前环境信息；
通过预先设置在场景内的火灾检测设备获取场景内的当前火势信息。
4.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，在所述将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息的步骤之后还包括：
若当前未展示逃生路径，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行规划。
5.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，在所述根据所述当前火势信息及预估火势信息计算火势变化程度的步骤之后还包括：
若所述火势变化程度小于预设值，则继续使用当前逃生路径。
6.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，所述利用当前环境信息确定用户的当前位置的步骤包括：
利用当前环境信息中的深度信息建立当前区域模型；
使用所述当前区域模型及当前环境信息中的标识信息与场景模型进行对比，以确定用户的当前位置。
7.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，所述展示所述当前逃生路径，并引导用户进行移动的步骤包括：
使用混合现实设备展示所述当前逃生路径，并引导用户进行移动。
8.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，所述若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划的步骤还包括：
使用混合现实设备展示火势变化程度大于或等于预设值的区域，并对用户进行提示。
9.一种火灾场景导航系统，其特征在于，所述火灾场景导航系统包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的火灾场景导航程序，所述火灾场景导航程序被所述处理器执行时实现如权利要求1至8任一项所述的基于深度学习的火灾场景导航方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有火灾场景导航程序，所述火灾场景导航程序被处理器执行时实现如权利要求1至8任一项所述的基于深度学习的火灾场景导航方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010913778.7A CN112212864A (zh) | 2020-09-02 | 2020-09-02 | 基于深度学习的火灾场景导航方法及系统、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010913778.7A CN112212864A (zh) | 2020-09-02 | 2020-09-02 | 基于深度学习的火灾场景导航方法及系统、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112212864A true CN112212864A (zh) | 2021-01-12 |
Family
ID=74050142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010913778.7A Pending CN112212864A (zh) | 2020-09-02 | 2020-09-02 | 基于深度学习的火灾场景导航方法及系统、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112212864A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113593172A (zh) * | 2021-07-27 | 2021-11-02 | 中船重工远舟（北京）科技有限公司 | 一种船舶火灾监控方法、装置及介质 |
| CN117606482A (zh) * | 2023-11-22 | 2024-02-27 | 珠海西默电气股份有限公司 | 一种集成路径导航功能的应急照明系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574386A (zh) * | 2014-12-26 | 2015-04-29 | 速感科技（北京）有限公司 | 一种基于三维环境模型匹配的室内定位方法 |
| US20160047663A1 (en) * | 2014-08-18 | 2016-02-18 | Trimble Navigation Limited | Evacuation navigation device |
| CN107941218A (zh) * | 2017-10-31 | 2018-04-20 | 天津大学 | 基于建筑结构图与消防通信系统的客用逃生室内导航系统 |
| KR101934700B1 (ko) * | 2018-07-12 | 2019-01-03 | 주식회사동우유니온 | 영상처리와 딥러닝 기반의 ai를 이용한 조기 화재감지 시스템, 서버 및 방법 |
| CN109472411A (zh) * | 2018-11-09 | 2019-03-15 | 武汉理工光科股份有限公司 | 大型商业综合体的自适应应急疏散导航系统 |
| CN110415396A (zh) * | 2019-06-24 | 2019-11-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的门禁控制方法、系统、设备及存储介质 |
| CN111489006A (zh) * | 2019-01-29 | 2020-08-04 | 深圳富桂精密工业有限公司 | 火灾发展态势预测方法、装置及计算机可存储介质 |
-
2020
- 2020-09-02 CN CN202010913778.7A patent/CN112212864A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160047663A1 (en) * | 2014-08-18 | 2016-02-18 | Trimble Navigation Limited | Evacuation navigation device |
| CN104574386A (zh) * | 2014-12-26 | 2015-04-29 | 速感科技（北京）有限公司 | 一种基于三维环境模型匹配的室内定位方法 |
| CN107941218A (zh) * | 2017-10-31 | 2018-04-20 | 天津大学 | 基于建筑结构图与消防通信系统的客用逃生室内导航系统 |
| KR101934700B1 (ko) * | 2018-07-12 | 2019-01-03 | 주식회사동우유니온 | 영상처리와 딥러닝 기반의 ai를 이용한 조기 화재감지 시스템, 서버 및 방법 |
| CN109472411A (zh) * | 2018-11-09 | 2019-03-15 | 武汉理工光科股份有限公司 | 大型商业综合体的自适应应急疏散导航系统 |
| CN111489006A (zh) * | 2019-01-29 | 2020-08-04 | 深圳富桂精密工业有限公司 | 火灾发展态势预测方法、装置及计算机可存储介质 |
| CN110415396A (zh) * | 2019-06-24 | 2019-11-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的门禁控制方法、系统、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113593172A (zh) * | 2021-07-27 | 2021-11-02 | 中船重工远舟（北京）科技有限公司 | 一种船舶火灾监控方法、装置及介质 |
| CN117606482A (zh) * | 2023-11-22 | 2024-02-27 | 珠海西默电气股份有限公司 | 一种集成路径导航功能的应急照明系统及方法 |
| CN117606482B (zh) * | 2023-11-22 | 2024-05-10 | 珠海西默电气股份有限公司 | 一种集成路径导航功能的应急照明系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109147254B (zh) | 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法 | |
| JP6893564B2 (ja) | ターゲット識別方法、装置、記憶媒体および電子機器 | |
| CN110503074B (zh) | 视频帧的信息标注方法、装置、设备及存储介质 | |
| CN110443969B (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
| CN108830837B (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
| CN110533700B (zh) | 对象跟踪方法和装置、存储介质及电子装置 | |
| CN105528587B (zh) | 目标检测的方法及装置 | |
| CN112212864A (zh) | 基于深度学习的火灾场景导航方法及系统、存储介质 | |
| CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| JP2006048629A (ja) | 光学情報を用いた状況認識方法及び装置、システム、コンピュータプログラム、記録媒体 | |
| KR20180028198A (ko) | 실시간 영상을 이용하여 위험 상황을 예측하기 위한 영상 처리 방법, 장치 및 그를 이용하여 위험 상황을 예측하는 방법, 서버 | |
| CN111027491A (zh) | 一种基于无锚点机制的火焰检测方法及装置 | |
| CN111639825A (zh) | 基于A-Star算法是森林火灾指示逃生路径方法及系统 | |
| KR20200136034A (ko) | 이미지 처리 방법, 장치, 단말 기기, 서버 및 시스템 | |
| CN110555876A (zh) | 用于确定位置的方法和装置 | |
| CN113065379B (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
| US20210035309A1 (en) | Electronic device and control method therefor | |
| CN107948721B (zh) | 推送信息的方法和装置 | |
| CN114282734A (zh) | 室内参观引导方法、装置、电子设备与存储介质 | |
| AU2021204584A1 (en) | Methods, apparatuses, devices and storage media for detecting correlated objects involved in image | |
| CN113177496A (zh) | 一种火点检测方法、装置、设备及存储介质 | |
| CN111695404B (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
| US20200311401A1 (en) | Analyzing apparatus, control method, and program | |
| CN111611836A (zh) | 基于背景消除法的船只检测模型训练及船只跟踪方法 | |
| KR102435119B1 (ko) | 머신 러닝 기반 주차 지원 장치 및 주차 지원 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |
|
| RJ01 | Rejection of invention patent application after publication |