CN112949157A - 消防数据分析方法、装置、计算机装置及存储介质 - Google Patents

消防数据分析方法、装置、计算机装置及存储介质 Download PDF

Info

Publication number
CN112949157A
CN112949157A CN201911277669.4A CN201911277669A CN112949157A CN 112949157 A CN112949157 A CN 112949157A CN 201911277669 A CN201911277669 A CN 201911277669A CN 112949157 A CN112949157 A CN 112949157A
Authority
CN
China
Prior art keywords
fire
fighting
fire fighting
condition information
data
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
Application number
CN201911277669.4A
Other languages
English (en)
Inventor
王士承
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongfujin Precision Electronics Tianjin Co Ltd
Original Assignee
Hongfujin Precision Electronics Tianjin Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hongfujin Precision Electronics Tianjin Co Ltd filed Critical Hongfujin Precision Electronics Tianjin Co Ltd
Priority to CN201911277669.4A priority Critical patent/CN112949157A/zh
Priority to US16/844,335 priority patent/US11803745B2/en
Publication of CN112949157A publication Critical patent/CN112949157A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C2/00—Fire prevention or containment
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C99/00—Subject matter not provided for in other groups of this subclass
    • A62C99/009—Methods or equipment not provided for in groups A62C99/0009 - A62C99/0081
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Public Health (AREA)
  • Fire-Extinguishing By Fire Departments, And Fire-Extinguishing Equipment And Control Thereof (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供一种消防数据分析方法、消防数据分析装置、计算机装置及计算机存储介质，所述方法包括，获取待评估场所的消防状况信息，所述消防状况信息中的项目包括环境状态信息、物品状态信息、人员数量；将所述消防状况信息输入到预设的分析模型，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。通过所述方法可以使消防数据分析以更加快速、准确的方式进行。

Description

消防数据分析方法、装置、计算机装置及存储介质
技术领域
本发明涉及消防数据分析领域，具体涉及一种消防数据分析方法、消防数据分析装置、计算机装置及计算机存储介质。
背景技术
任何消防技术的实施，都必须计算消防投入数据。在进行火灾预防与控制技术分析时，如何在满足消防安全性能的前提下，让消防投入数据最小、火灾损失数据最小、总损失成本降到最低是急需解决的技术问题。现有的消防数据分析方法多采用数学统计表格分析为基础来研究消防投入数据和火灾损失的之间的关系，现有的消防数据分析方法计算速度慢、准确率低。
发明内容
鉴于以上内容，有必要提出一种消防数据分析方法及装置、计算机装置和计算机存储介质，消防数据分析以更加快速、准确的方式进行。
本申请的第一方面提供一种消防数据分析方法，所述方法包括：
获取待评估场所的消防状况信息，所述消防状况信息中的项目包括环境状态信息、物品状态信息、人员数量；
将所述消防状况信息输入到预设的分析模型，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。
优选地，所述方法还包括：
比较所述输出的消防投入数据与实际的消防投入数据；
若所述输出的消防投入数据小于所述实际消防投入数据，则输出所述待评估场所的实际消防投入数据过高的提示信息；
若所述输出的消防投入数据大于所述实际消防投入数据，则输出所述待评估场所的消防投入数据过低的提示信息。
优选地，所述方法还包括：
若所述输出的消防投入数据大于所述实际消防投入数据，根据所述待评估场所的消防状况信息输出改善意见，其中所述改善意见的获取方法包括：
在预设查询表中查找所述待评估场所的消防状况信息中的不同项目对应的消防状况设计要求，其中所述预设查询表中记录了在符合消防安全标准的情况下，单位面积所需的消防状况信息；
判断所述待评估场所的消防状况信息中的项目是否符合所述消防状况设计要求；
若不符合，则将所述消防状况设计要求作为所述改善意见进行输出。
优选地，所述预设的分析模型的生成方法包括：
获取不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据，并对每一所述场所的消防状况信息和消防投入数据、火灾损失数据对应存储；
将所述多个场所的消防状况信息、消防输入数据、火灾损失数据分为训练集和验证集；
建立基于神经网络的分析模型，并利用所述训练集对所述基于神经网络的分析模型的参数进行训练，其中将所述训练集中的消防状况信息作为所述模型的输入数据，消防输入数据、火灾损失数据作为所述模型的输出数据；
利用所述验证集对训练后的基于神经网络的分析模型进行验证，并根据验证结果统计得到所述模型的预测准确率；
判断所述模型的预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，则将训练完成的所述基于神经网络的分析模型作为所述预设的分析模型。
优选地，所述方法还包括：
若所述基于神经网络的分析模型预测准确率小于所述预设阈值，则调整所述神经网络算法的结构，并利用所述训练集重新对调整后的基于神经网络的分析模型进行训练，其中，所述基于神经网络的分析模型的结构包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种；
利用所述验证集对调整后的基于神经网络的分析模型进行验证，并根据验证结果重新统计调整后的基于神经网络的分析模型预测准确率，并判断调整后的基于神经网络的分析模型的预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，则将调整后的基于神经网络的分析模型作为所述预设的分析模型；及
若所述重新统计得到的模型预测准确率小于所述预设阈值，则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值。
优选地，所述不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据的获取方法包括：
获取任一场所的消防状况信息，根据所述预设查询表判断所述场所的消防状况是否符合消防安全标准；
若符合，则根据所述消防状况信息计算所述场所的消防输入数据，并通过火灾数值仿真系统对所述场所进行不同火灾场景下的仿真，并计算所述不同火灾场景下所述场所的火灾损失数据。
优选地，所述通过火灾数值仿真系统对所述场所进行不同火灾场景下的仿真，并计算所述不同火灾场景下所述场所的火灾损失数据的方法包括：
设置所述场所中每一可燃物的可燃时间和可燃比例，并按照预设比例对所述可燃物进行分割，分割后的每一小块表示所述可燃物在火灾中单位时间内损失的最小金额；
根据所述可燃物的可燃时间、可燃比例、在火灾中单位时间内损失的最小金额计算不同消防状况信息下所述场所的火灾损失数据。
本申请的第二方面提供一种消防数据分析装置，所述装置包括：
获取模块，用于获取待评估场所的消防状况信息，所述消防状况信息中的项目包括环境状态信息、物品状态信息、人员数量；
分析模块，用于将所述消防状况信息输入到预设的分析模型，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。
本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前所述消防数据分析方法。
本申请的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述消防数据分析方法。
本发明消防数据分析方法、消防数据分析装置、计算机装置及计算机存储介质，通过将待评估场所的消防状况信息输入到预设的分析模型中进行分析，输出所述待评估场所在预设的火灾场景中总损失最少情况下所需的消防投入数据和/或火灾损失数据。通过所述方法可以快速准确的计算出在火灾中，总损失最小的情况下所需的消防投入数据和/或火灾损失数据。
附图说明
图1是本发明实施例一提供的消防数据分析方法的应用环境架构示意图。
图2是本发明实施例二提供的消防数据分析方法流程图。
图3是本发明实施例三提供的消防数据分析装置的结构示意图。
图4是本发明实施例四提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
参阅图1所示，为本发明实施例一提供的消防数据分析方法的应用环境架构示意图。
本发明中的消防数据分析方法应用在用户终端1中，所述用户终端1和一个计算机装置2通过网络建立通信连接。所述网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。所述用户终端1用于获取待评估场所的消防状况信息，利用所述消防状况信息分析所述场所的消防投入数据和火灾损失数据，所述计算机装置2用于存储不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据。
所述用户终端1可以为安装有消防数据分析软件的电子设备，例如个人电脑、平板电脑等。
所述计算机装置2是可以为存储有不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据的电子设备，例如个人电脑、服务器等，其中，所述服务器可以是单一的服务器、服务器集群或云服务器等。
在本发明又一实施方式中，所述不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据也可以存储于用户终端1中。
实施例二
请参阅图2所示，是本发明第二实施例提供的消防数据分析方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1、获取待评估场所的消防状况信息。
所述消防状况信息包括疏散人员数量、环境状态信息、物品状态信息。其中所述环境状态信息可以包括固定式消防设施信息、移动式消防设施信息，例如：消防警报器、烟雾报警器、天花板消防喷淋头、火灾探测器、室内消火栓、室外消火栓的数量和摆放位置等。所述物品状态消息包括待评估场所内的可燃性物品，例如制造设备、材料、办公电脑、家具的数量和摆放位置等。
一个实施方式中，所述待评估场所的消防状况信息获取方式可以包括：接收用户输入的所述待评估场所的疏散人员数量、消防设施的种类和数量、可燃物品的种类和数量等消防状况信息。
另一个实施方式中，所述消防状况信息获取方法还可以是通过接收多个摄像装置采集的待评估场所的多张图像，通过图像识别方法识别所述图像中人员数量、消防设施的种类和数量、可燃物品的种类和数量等消防状况信息。
步骤S2、将所述消防状况信息输入到预设的分析模型，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。
所述预设的分析模型的生成方法包括以下步骤：
(1)获取不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据，并对每一所述场所的消防状况信息和消防投入数据、火灾损失数据对应存储。
所述不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据的获取方法包括：
a)获取任一场所的消防状况信息，根据所述预设查询表判断所述场所的消防状况是否符合消防安全标准。
所述预设查询表中记录了在符合消防安全标准的情况下，单位面积所需的消防状况信息，例如单位面积内消防报警器的数量、天花板消防喷淋头的数量；单位面积内人员的数量、与所述人员数量相匹配的灭火器、防毒面具的数量；单位面积内易燃品的数量，与所述易燃品相匹配的消火栓、灭火器的数量等。
b)若符合，则根据所述消防状况信息计算所述场所的消防输入数据，并通过火灾数值仿真系统对所述场所进行不同火灾场景下的仿真，并计算所述不同火灾场景下所述场所的火灾损失数据。
所述消防输入数据的计算方法包括查询消防状况信息中的环境状态信息、物品状态信息中各个物品的价值，并根据所述价值计算所述场所的消防输入数据。
所述火灾损失数据的计算方法包括设置所述场所中每一可燃物的可燃时间和可燃比例，并按照预设比例对所述可燃物进行分割，分割后的每一小块表示所述可燃物在火灾中单位时间内损失的最小金额；根据所述可燃物的可燃时间、可燃比例、在火灾中单位时间内损失的最小金额计算不同消防状况信息下所述场所的火灾损失数据。
例如将一台机床进行64等分，所述机床的价值是64万，每一等分的价值为1万，每一等分的燃烧时间是2分钟。按照机床所处的消防状况信息，计算所述机床在一场火灾中的损失。例如所述机床在具有天花板消防喷淋头的场所中的火灾损失数据，以及所述机床在仅有一个灭火器的场所中火灾损失数据。依次方法，可以计算出任意场所的火灾损失数据。
(2)将所述多个场所的消防状况信息、消防输入数据、火灾损失数据分为训练集和验证集。
(3)建立基于神经网络的分析模型，并利用所述训练集对所述基于神经网络的分析模型的参数进行训练，其中将所述训练集中的消防状况信息作为所述模型的输入数据，消防输入数据、火灾损失数据作为所述模型的输出数据。
(4)利用所述验证集对训练后的基于神经网络的分析模型进行验证，并根据验证结果统计得到所述模型的预测准确率。
(5)判断所述模型的预测准确率是否小于预设阈值。
(6)若所述模型预测准确率不小于所述预设阈值，则将训练完成的所述基于神经网络的分析模型作为所述预设的分析模型。
在一些实施方式中，所述步骤还包括：
(7)若所述基于神经网络的分析模型预测准确率小于所述预设阈值，则调整所述神经网络算法的结构，并利用所述训练集重新对调整后的基于神经网络的分析模型进行训练，其中，所述基于神经网络的分析模型的结构包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
(8)利用所述验证集对调整后的基于神经网络的分析模型进行验证，直至所述重新统计得到的模型预测准确率不小于所述预设阈值，则将调整后的基于神经网络的分析模型作为所述预设的分析模型。
以上预设的分析模型的生成方法中的步骤根据实际需要步骤的顺序可以改变，某些步骤可以省略。所述生成方法可以在线完成，也可以离线完成。
根据待评估场所的消防状况信息，将所述消防状况信息输入预设的分析模型，输出所述待评估场所的消防投资成本、火灾损失数据成本。
将所述消防状况信息输入至所述预设的分析模型之前，所述方法还包括：
将所述待评估场所的消防状况信息进行数值化处理，按照所述分析模型按照预设比例将所述消防状况中的项目映射到0到1的区间。
例如，所述分析模型所能分析的人员数量是2000人，待评估场所的人员数量是500人，则将则根据待评估场所的人员数量与所述分析模型所能分析的人员数量之间的比值0.4作为消防状况信息的第一分析项目输入数据输入到所述分析模型。
又如，所述分析模型中所能分析的环境状态信息中的天花板消防喷淋头的数量是1000个，待评估场所的天花板消防喷淋头的数量是100个，则将则根据待评估场所的天花板消防喷淋头数量与所述分析模型所能分析的天花板消防喷淋头数量之间的比值0.1作为消防状况信息中的第二分析项目输入数据输入到所述分析模型。
通过所述方法从而将所述消防状况信息中的多个项目进行数值化。
将数值化后的消防状况信息使用预设的分析模型进行分析，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。所述分析模型按照预设比例将消防投入数据与火灾损失数据映射到0到1的区间。例如，所述分析模型所能分析的消防投入数据是3000万、火灾损失数据为5000万，将待评估场所的消防状况信息输入到所述分析模型中分析后得出，所述待评估场所的消防投入数据为0.3、火灾损失数据为0.5，通过所述预设比例计算后，所述待评估场所的消防投入数据为900万，火灾损失数据为2500万。
在一实施方式中，所述步骤S2还包括：
比较所述输出的消防投入数据与实际的消防投入数据；
若所述输出的消防投入数据小于所述实际消防投入数据，则输出所述待评估场所的实际消防投入数据过高的提示信息；
若所述输出的消防投入数据大于所述实际消防投入数据，则输出所述待评估场所的消防投入数据过低的提示信息。
在又一实施方式中，所述步骤S2还可以包括，所述根据所述待评估场所的消防状况信息提供改善意见的方法包括：
若所述输出的消防投入数据大于所述实际消防投入数据，根据所述待评估场所的消防状况信息输出改善意见，其中所述改善意见的获取方法包括：
在预设查询表中查找所述待评估场所的消防状况信息中的不同项目对应的消防状况设计要求，其中所述预设查询表中记录了在符合消防安全标准的情况下，单位面积所需的消防状况信息；
判断所述待评估场所的消防状况信息中的项目是否符合所述消防状况设计要求；
若不符合，则将所述消防状况设计要求作为所述改善意见进行输出。
例如，经过预设的分析模型分析的所述待评估场所的消防投入数据大于所述实际消防投入数据，则在预设查询标中查找所述待评估场所的单位面积内消防报警器的数量、天花板消防喷淋头的数量；单位面积内人员的数量、与所述人员数量相匹配的灭火器、防毒面具的数量；单位面积内易燃品的数量，与所述易燃品相匹配的消火栓、灭火器的数量是否与预设查询表中记录的符合安全消防标准下消防物品的数量一致，若不一致，则输出所述待评估场所所需消防物品的名称及数量。
上述图2详细介绍了本发明的消防数据分析方法，下面结合第3-4图，对实现所述消防数据分析方法的软件装置的功能模块以及实现所述消防数据分析方法的硬件装置架构进行介绍。
应所述了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
实施例三
图3为本发明消防数据分析装置较佳实施例的结构图。
在一些实施例中，消防数据分析装置10运行于计算机装置中。所述计算机装置通过网络连接了多个用户终端。所述消防数据分析装置10可以包括多个由程序代码段所组成的功能模块。所述消防数据分析装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述至少一个处理器所执行，以实现消防数据分析功能。
本实施例中，所述消防数据分析装置10根据其所执行的功能，可以被划分为多个功能模块。参阅图3所示，所述功能模块可以包括：获取模块101、分析模块102。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述获取模块101，用于获取待评估场所的消防状况信息。
所述消防状况信息包括疏散人员数量、环境状态信息、物品状态信息。其中所述环境状态信息可以包括固定式消防设施信息、移动式消防设施信息，例如：消防警报器、烟雾报警器、天花板消防喷淋头、火灾探测器、室内消火栓、室外消火栓的数量和摆放位置等。所述物品状态消息包括待评估场所内的可燃性物品，例如制造设备、材料、办公电脑、家具的数量和摆放位置等。
一个实施方式中，所述待评估场所的消防状况信息获取方式可以包括：接收用户输入的所述待评估场所的疏散人员数量、消防设施的种类和数量、可燃物品的种类和数量等消防状况信息。
另一个实施方式中，所述消防状况信息获取方法还可以是通过接收多个摄像装置采集的待评估场所的多张图像，通过图像识别方法识别所述图像中人员数量、消防设施的种类和数量、可燃物品的种类和数量等消防状况信息。
所述分析模块102，用于将所述消防状况信息输入到预设的分析模型，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。
所述预设的分析模型的生成方法包括以下步骤：
(1)获取不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据，并对每一所述场所的消防状况信息和消防投入数据、火灾损失数据对应存储。
所述不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据的获取方法包括：
a)获取任一场所的消防状况信息，根据所述预设查询表判断所述场所的消防状况是否符合消防安全标准。
所述预设查询表中记录了在符合消防安全标准的情况下，单位面积所需的消防状况信息，例如单位面积内消防报警器的数量、天花板消防喷淋头的数量；单位面积内人员的数量、与所述人员数量相匹配的灭火器、防毒面具的数量；单位面积内易燃品的数量，与所述易燃品相匹配的消火栓、灭火器的数量等。
b)若符合，则根据所述消防状况信息计算所述场所的消防输入数据，并通过火灾数值仿真系统对所述场所进行不同火灾场景下的仿真，并计算所述不同火灾场景下所述场所的火灾损失数据。
所述消防输入数据的计算方法包括查询消防状况信息中的环境状态信息、物品状态信息中各个物品的价值，并根据所述价值计算所述场所的消防输入数据。
所述火灾损失数据的计算方法包括设置所述场所中每一可燃物的可燃时间和可燃比例，并按照预设比例对所述可燃物进行分割，分割后的每一小块表示所述可燃物在火灾中单位时间内损失的最小金额；根据所述可燃物的可燃时间、可燃比例、在火灾中单位时间内损失的最小金额计算不同消防状况信息下所述场所的火灾损失数据。
例如将一台机床进行64等分，所述机床的价值是64万，每一等分的价值为1万，每一等分的燃烧时间是2分钟。按照机床所处的消防状况信息，计算所述机床在一场火灾中的损失。例如所述机床在具有天花板消防喷淋头的场所中的火灾损失数据，以及所述机床在仅有一个灭火器的场所中火灾损失数据。依次方法，可以计算出任意场所的火灾损失数据。
(2)将所述多个场所的消防状况信息、消防输入数据、火灾损失数据分为训练集和验证集。
(3)建立基于神经网络的分析模型，并利用所述训练集对所述基于神经网络的分析模型的参数进行训练，其中将所述训练集中的消防状况信息作为所述模型的输入数据，消防输入数据、火灾损失数据作为所述模型的输出数据。
(4)利用所述验证集对训练后的基于神经网络的分析模型进行验证，并根据验证结果统计得到所述模型的预测准确率。
(5)判断所述模型的预测准确率是否小于预设阈值。
(6)若所述模型预测准确率不小于所述预设阈值，则将训练完成的所述基于神经网络的分析模型作为所述预设的分析模型。
在一些实施方式中，所述步骤还包括：
(7)若所述基于神经网络的分析模型预测准确率小于所述预设阈值，则调整所述神经网络算法的结构，并利用所述训练集重新对调整后的基于神经网络的分析模型进行训练，其中，所述基于神经网络的分析模型的结构包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
(8)利用所述验证集对调整后的基于神经网络的分析模型进行验证，直至所述重新统计得到的模型预测准确率不小于所述预设阈值，则将调整后的基于神经网络的分析模型作为所述预设的分析模型。
以上预设的分析模型的生成方法中的步骤根据实际需要步骤的顺序可以改变，某些步骤可以省略。所述生成方法可以在线完成，也可以离线完成。
根据待评估场所的消防状况信息，将所述消防状况信息输入预设的分析模型，输出所述待评估场所的消防投资成本、火灾损失数据成本。
将所述消防状况信息输入至所述预设的分析模型之前，所述方法还包括：
将所述待评估场所的消防状况信息进行数值化处理，按照所述分析模型按照预设比例将所述消防状况中的项目映射到0到1的区间。
例如，所述分析模型所能分析的人员数量是2000人，待评估场所的人员数量是500人，则将则根据待评估场所的人员数量与所述分析模型所能分析的人员数量之间的比值0.4作为消防状况信息的第一分析项目输入数据输入到所述分析模型。
又如，所述分析模型中所能分析的环境状态信息中的天花板消防喷淋头的数量是1000个，待评估场所的天花板消防喷淋头的数量是100个，则将则根据待评估场所的天花板消防喷淋头数量与所述分析模型所能分析的天花板消防喷淋头数量之间的比值0.1作为消防状况信息中的第二分析项目输入数据输入到所述分析模型。
使用所述方法从而将所述消防状况信息中的多个项目进行数值化处理。
将数值化后的消防状况信息使用预设的分析模型进行分析，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。所述分析模型按照预设比例将消防投入数据与火灾损失数据映射到0到1的区间。例如，所述分析模型所能分析的消防投入数据是3000万、火灾损失数据为5000万，将待评估场所的消防状况信息输入到所述分析模型中分析后得出，所述待评估场所的消防投入数据为0.3、火灾损失数据为0.5，通过所述预设比例计算后，所述待评估场所的消防投入数据为900万，火灾损失数据为2500万。
在一实施方式中，所述分析模块102还包括：
比较所述输出的消防投入数据与实际的消防投入数据；
若所述输出的消防投入数据小于所述实际消防投入数据，则输出所述待评估场所的实际消防投入数据过高的提示信息；
若所述输出的消防投入数据大于所述实际消防投入数据，则输出所述待评估场所的消防投入数据过低的提示信息。
在又一实施方式中，所述分析模块102还可以包括，所述根据所述待评估场所的消防状况信息提供改善意见的方法包括：
若所述输出的消防投入数据大于所述实际消防投入数据，根据所述待评估场所的消防状况信息输出改善意见，其中所述改善意见的获取方法包括：
在预设查询表中查找所述待评估场所的消防状况信息中的不同项目对应的消防状况设计要求，其中所述预设查询表中记录了在符合消防安全标准的情况下，单位面积所需的消防状况信息；
判断所述待评估场所的消防状况信息中的项目是否符合所述消防状况设计要求；
若不符合，则将所述消防状况设计要求作为所述改善意见进行输出。
例如，经过预设的分析模型分析的所述待评估场所的消防投入数据大于所述实际消防投入数据，则在预设查询标中查找所述待评估场所的单位面积内消防报警器的数量、天花板消防喷淋头的数量；单位面积内人员的数量、与所述人员数量相匹配的灭火器、防毒面具的数量；单位面积内易燃品的数量，与所述易燃品相匹配的消火栓、灭火器的数量是否与预设查询表中记录的符合安全消防标准下消防物品的数量一致，若不一致，则输出所述待评估场所所需消防物品的名称及数量。
实施例四
图4为本发明计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如消防数据分析程序。所述处理器30执行所述计算机程序40时实现上述消防数据分析方法实施例中的步骤，例如图2所示的步骤S1～S2所描述的内容。或者，所述处理器30执行所述计算机程序40时实现上述消防数据分析装置实施例中各模块/单元的功能，例如图3中的单元101-102。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图3中的获取模块101、分析模块102。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，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，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，所述处理器30利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应所述理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，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相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种消防数据分析方法，其特征在于，所述方法包括：
获取待评估场所的消防状况信息，所述消防状况信息中的项目包括环境状态信息、物品状态信息、人员数量；
将所述消防状况信息输入到预设的分析模型，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。
2.如权利要求1所述的消防数据分析方法，其特征在于，所述方法还包括：
比较所述输出的消防投入数据与实际的消防投入数据；
若所述输出的消防投入数据小于所述实际消防投入数据，则输出所述待评估场所的实际消防投入数据过高的提示信息；
若所述输出的消防投入数据大于所述实际消防投入数据，则输出所述待评估场所的消防投入数据过低的提示信息。
3.如权利要求2所述的消防数据分析方法，其特征在于，所述方法还包括：
若所述输出的消防投入数据大于所述实际消防投入数据，根据所述待评估场所的消防状况信息输出改善意见，其中所述改善意见的获取方法包括：
在预设查询表中查找所述待评估场所的消防状况信息中的不同项目对应的消防状况设计要求，其中所述预设查询表中记录了在符合消防安全标准的情况下，单位面积所需的消防状况信息；
判断所述待评估场所的消防状况信息中的项目是否符合所述消防状况设计要求；
若不符合，则将所述消防状况设计要求作为所述改善意见进行输出。
4.如权利要求1所述的消防数据分析方法，其特征在于，所述预设的分析模型的生成方法包括：
获取不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据，并对每一所述场所的消防状况信息和消防投入数据、火灾损失数据对应存储；
将所述多个场所的消防状况信息、消防输入数据、火灾损失数据分为训练集和验证集；
建立基于神经网络的分析模型，并利用所述训练集对所述基于神经网络的分析模型的参数进行训练，其中将所述训练集中的消防状况信息作为所述模型的输入数据，消防输入数据、火灾损失数据作为所述模型的输出数据；
利用所述验证集对训练后的基于神经网络的分析模型进行验证，并根据验证结果统计得到所述模型的预测准确率；
判断所述模型的预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，则将训练完成的所述基于神经网络的分析模型作为所述预设的分析模型。
5.如权利要求4所述的消防数据分析方法，其特征在于，所述方法还包括：
若所述基于神经网络的分析模型预测准确率小于所述预设阈值，则调整所述神经网络算法的结构，并利用所述训练集重新对调整后的基于神经网络的分析模型进行训练，其中，所述基于神经网络的分析模型的结构包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种；
利用所述验证集对调整后的基于神经网络的分析模型进行验证，并根据验证结果重新统计调整后的基于神经网络的分析模型预测准确率，并判断调整后的基于神经网络的分析模型的预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，则将调整后的基于神经网络的分析模型作为所述预设的分析模型；及
若所述重新统计得到的模型预测准确率小于所述预设阈值，则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值。
6.如权利要求4所述的消防数据分析方法，其特征在于，所述不同场所在不同火灾场景下的消防状况信息、消防投入数据、火灾损失数据的获取方法包括：
获取任一场所的消防状况信息，根据所述预设查询表判断所述场所的消防状况是否符合消防安全标准；
若符合，则根据所述消防状况信息计算所述场所的消防输入数据，并通过火灾数值仿真系统对所述场所进行不同火灾场景下的仿真，并计算所述不同火灾场景下所述场所的火灾损失数据。
7.如权利要求6所述的消防数据分析方法，其特征在于，所述通过火灾数值仿真系统对所述场所进行不同火灾场景下的仿真，并计算所述不同火灾场景下所述场所的火灾损失数据的方法包括：
设置所述场所中每一可燃物的可燃时间和可燃比例，并按照预设比例对所述可燃物进行分割，分割后的每一小块表示所述可燃物在火灾中单位时间内损失的最小金额；
根据所述可燃物的可燃时间、可燃比例、在火灾中单位时间内损失的最小金额计算不同消防状况信息下所述场所的火灾损失数据。
8.一种消防数据分析装置，其特征在于，所述装置包括：
获取模块，用于获取待评估场所的消防状况信息，所述消防状况信息中的项目包括环境状态信息、物品状态信息、人员数量；
分析模块，用于将所述消防状况信息输入到预设的分析模型，输出所述待评估场所在预设的火灾场景中，总损失最少情况下所需的消防投入数据和/或火灾损失数据。
9.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的消防数据分析方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的消防数据分析方法。
CN201911277669.4A 2019-12-11 2019-12-11 消防数据分析方法、装置、计算机装置及存储介质 Pending CN112949157A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911277669.4A CN112949157A (zh) 2019-12-11 2019-12-11 消防数据分析方法、装置、计算机装置及存储介质
US16/844,335 US11803745B2 (en) 2019-12-11 2020-04-09 Terminal device and method for estimating firefighting data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911277669.4A CN112949157A (zh) 2019-12-11 2019-12-11 消防数据分析方法、装置、计算机装置及存储介质

Publications (1)

Publication Number Publication Date
CN112949157A true CN112949157A (zh) 2021-06-11

Family

ID=76234350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911277669.4A Pending CN112949157A (zh) 2019-12-11 2019-12-11 消防数据分析方法、装置、计算机装置及存储介质

Country Status (2)

Country Link
US (1) US11803745B2 (zh)
CN (1) CN112949157A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113656459A (zh) * 2021-08-17 2021-11-16 北京城建设计发展集团股份有限公司 一种消防应用呈现方法与系统
CN114999097A (zh) * 2022-06-07 2022-09-02 中联科锐消防科技有限公司 一种格栅吊顶内感烟火灾探测器有效性的评估方法及系统
CN115146540A (zh) * 2022-07-23 2022-10-04 广东中测标准技术有限公司 体育场馆的消防风险仿真方法、系统、设备和存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079401B (zh) * 2023-08-15 2024-06-07 江苏鑫赛德智慧建设有限公司 一种基于消防物联网的远程监测预警方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004334760A (ja) * 2003-05-12 2004-11-25 Shimizu Corp 火災リスク評価システムおよび火災リスク評価方法
US20050055249A1 (en) * 2003-09-04 2005-03-10 Jonathon Helitzer System for reducing the risk associated with an insured building structure through the incorporation of selected technologies
US20180053401A1 (en) * 2016-08-22 2018-02-22 Rapidsos, Inc. Predictive analytics for emergency detection and response management
CN108805398A (zh) * 2018-04-25 2018-11-13 深圳市中电数通智慧安全科技股份有限公司 一种建筑消防安全评估的方法、装置及移动终端
US20190012904A1 (en) * 2016-06-08 2019-01-10 Sts Defence Limited Predicting temperature rise event
CN109377435A (zh) * 2018-09-18 2019-02-22 深圳市中电数通智慧安全科技股份有限公司 一种配置消防设备的方法、装置及设备
CN109767125A (zh) * 2019-01-14 2019-05-17 上海瑞眼科技有限公司 一种建筑物的智能化消防安全评估方法及设备
CN110046837A (zh) * 2019-05-20 2019-07-23 北京唐芯物联网科技有限公司 一种基于人工智能的消防管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555388A (zh) * 2019-08-06 2019-12-10 浙江大学 基于cnn和lstm的心内异常激动点定位模型构建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004334760A (ja) * 2003-05-12 2004-11-25 Shimizu Corp 火災リスク評価システムおよび火災リスク評価方法
US20050055249A1 (en) * 2003-09-04 2005-03-10 Jonathon Helitzer System for reducing the risk associated with an insured building structure through the incorporation of selected technologies
US20190012904A1 (en) * 2016-06-08 2019-01-10 Sts Defence Limited Predicting temperature rise event
US20180053401A1 (en) * 2016-08-22 2018-02-22 Rapidsos, Inc. Predictive analytics for emergency detection and response management
CN108805398A (zh) * 2018-04-25 2018-11-13 深圳市中电数通智慧安全科技股份有限公司 一种建筑消防安全评估的方法、装置及移动终端
CN109377435A (zh) * 2018-09-18 2019-02-22 深圳市中电数通智慧安全科技股份有限公司 一种配置消防设备的方法、装置及设备
CN109767125A (zh) * 2019-01-14 2019-05-17 上海瑞眼科技有限公司 一种建筑物的智能化消防安全评估方法及设备
CN110046837A (zh) * 2019-05-20 2019-07-23 北京唐芯物联网科技有限公司 一种基于人工智能的消防管理系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
H. TAKEDA等: "Simplified Fire Growth Models for Risk-Cost Assessment in Apartment Buildings", JOURNAL OF FIRE PROTECTION ENGINEERING, vol. 4, no. 2, 31 December 1992 (1992-12-31), pages 53 - 66 *
KHALED ALUTAIBI等: "A fire management decision support systems to minimise economic losses- a case study in a petrochemical complex", INT. J. CRITICAL INFRASTRUCTURES, vol. 14, no. 2, 13 September 2018 (2018-09-13), pages 120 - 39 *
V. R. BECK 等: "The Development of a Risk-Cost Assessment Model for the Evaluation of Fire Safety in Buildings", FIRE SAFETY SCIENCE-PROCEEDINGS OF THE FOURTH INTERNATIONAL SYMPOSIUM, 1 January 1998 (1998-01-01), pages 817 - 828 *
YOU-WEI ZHANG: "Research on cost-benefit evaluation model for performance-based fire safety design of buildings", 2015 INTERNATIONAL CONFERENCE ON PERFORMANCE-BASED FIRE AND FIRE PROTECTION ENGINEERING, 13 September 2016 (2016-09-13), pages 537 - 543 *
姚瑶等: "神经网络集成方法在火灾分析中的应用", 武警学院学报, vol. 28, no. 12, 31 December 2012 (2012-12-31), pages 20 - 21 *
李达志: "灭火器配置点及数量的设计", 工业安全与环保, no. 12, 31 December 2006 (2006-12-31), pages 6 - 7 *
杨鹤: "大型化工企业消防安全投入最优化分析", 中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑), no. 08, 15 August 2010 (2010-08-15), pages 026 - 18 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113656459A (zh) * 2021-08-17 2021-11-16 北京城建设计发展集团股份有限公司 一种消防应用呈现方法与系统
CN114999097A (zh) * 2022-06-07 2022-09-02 中联科锐消防科技有限公司 一种格栅吊顶内感烟火灾探测器有效性的评估方法及系统
CN115146540A (zh) * 2022-07-23 2022-10-04 广东中测标准技术有限公司 体育场馆的消防风险仿真方法、系统、设备和存储介质

Also Published As

Publication number Publication date
US20210182668A1 (en) 2021-06-17
US11803745B2 (en) 2023-10-31

Similar Documents

Publication Publication Date Title
CN112949157A (zh) 消防数据分析方法、装置、计算机装置及存储介质
CN113128013A (zh) 环境状态分析方法、装置、计算机装置及存储介质
US20200005540A1 (en) Systems, methods, and apparatus for managing augmented reality environments
CN105205155A (zh) 一种大数据犯罪同伙的筛查系统和方法
CN113128012A (zh) 灾害保障资源计算方法、装置、计算机装置及存储介质
CN111507552A (zh) 深度学习方法、系统、服务器及可读存储介质
CN110996066B (zh) 事故回溯方法及装置
CN113515837A (zh) 仿真测试平台的建立方法、装置和电子设备
CN112434238A (zh) 网页质量检测方法、装置、电子设备及存储介质
CN114120221A (zh) 基于深度学习的环境核查方法、电子设备及存储介质
CN111382986B (zh) 学生管理方法及装置、计算机装置和计算机可读存储介质
CN112667638B (zh) 动态报表生成方法、装置、终端设备及可读存储介质
CN116664520B (zh) 一种电子产品的智能检测系统
TWI737074B (zh) 消防資料分析方法、裝置、電腦裝置及存儲介質
CN112565380B (zh) 一种消防物联网数据接入方法及系统
TWI737105B (zh) 災害保障資源計算方法、裝置、電腦裝置及存儲介質
TWI743640B (zh) 環境狀態分析方法、裝置、電腦裝置及存儲介質
CN111382626B (zh) 视频中违规图像的检测方法、装置、设备及存储介质
CN110324292B (zh) 身份验证装置、身份验证方法及计算机存储介质
CN114065816A (zh) 一种消防服装的智能数据监测方法及系统
CN106878761A (zh) 直播互动方法、装置及服务器
CN111723469A (zh) 一种基于孪生数据的数字画像建模方法及系统
CN113076451A (zh) 异常行为识别和风险模型库的建立方法、装置及电子设备
CN113051128B (zh) 功耗检测方法、装置、电子设备及存储介质
TWI668587B (zh) 身份驗證裝置、身份驗證方法及電腦存儲介質

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
CB02 Change of applicant information

Address after: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin

Applicant after: Fulian precision electronics (Tianjin) Co.,Ltd.

Address before: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin

Applicant before: HONGFUJIN PRECISION ELECTRONICS (TIANJIN) Co.,Ltd.

CB02 Change of applicant information