CN113283817B - 一种灾害评估方法及系统 - Google Patents

一种灾害评估方法及系统 Download PDF

Info

Publication number
CN113283817B
CN113283817B CN202110818060.4A CN202110818060A CN113283817B CN 113283817 B CN113283817 B CN 113283817B CN 202110818060 A CN202110818060 A CN 202110818060A CN 113283817 B CN113283817 B CN 113283817B
Authority
CN
China
Prior art keywords
affected
explosion
influence
node
area
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
Application number
CN202110818060.4A
Other languages
English (en)
Other versions
CN113283817A (zh
Inventor
刘卫华
刘驰
李露
胡新礼
肖平军
肖俊
干学伍
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.)
Optical Valley Technology Co ltd
Original Assignee
Optical Valley Technology 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 Optical Valley Technology Co ltd filed Critical Optical Valley Technology Co ltd
Priority to CN202110818060.4A priority Critical patent/CN113283817B/zh
Publication of CN113283817A publication Critical patent/CN113283817A/zh
Application granted granted Critical
Publication of CN113283817B publication Critical patent/CN113283817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种灾害评估方法及系统。该方法包括：获取爆炸物和受影响事物，将爆炸物和受影响事物投影至GIS系统中，并构建爆炸影响图。通过爆炸影响图中各个节点的影响关系设置边权值，通过边权值获得爆炸传播矩阵。通过受影响人员在爆炸影响图中的位置和度获得人员向量。根据爆炸传播矩阵和人员向量评估灾害影响等级。本发明通过爆炸影响图反映了爆炸物与受影响事物的影响关系，爆炸传播矩阵结合受影响人员的人员向量有效评估灾害影响等级。

Description

一种灾害评估方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种灾害评估方法及系统。
背景技术
在一些人员管理环境中，如监狱等场所，因为人员类型越来越复杂，管理也存在一定困难。复杂混乱的管理或是不可抗力因素容易在存在危险源的场所造成灾害危险，产生爆炸。灾害危险源造成的爆炸灾害会严重损害了相关人员的生命安全和企业的经济效益。为了减小灾害的发生，需要定期在监狱中开展演练模拟活动，提高人员的防范意识，提升管理和防范的直观性和便捷性，实现在发生爆炸等灾害时在监所警察的指挥下进行应急疏散过程。为了对应急疏散过程的效果进行评估，相关部门或组织需要以损失评估的形式提供准确和及时的数据获取灾害的位置和影响，以便及时分析灾害影响程度，评估疏散过程的效果。
在现有技术中，通过灾害危险源的具体参数和性质分析预测造成的灾害影响等级。但是爆炸灾害发生是无法预料的，爆炸范围内的人员分布或者其他事物分布都会影响爆炸灾害的影响程度。通过参数分析的灾害影响程度无法及时准确的获取当爆炸发生时爆炸范围内的受影响事物，不能及时获得准确的灾害影响等级。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种灾害评估方法及系统，所采用的技术方案具体如下：
本发明提出了一种灾害评估方法，所述方法包括：
获取爆炸物的爆炸范围；获取所述爆炸物范围内的受影响事物，将所述爆炸物和所述受影响事物投影至GIS系统中，获得每个所述受影响事物的投影区域；所述受影响事物包括受影响人员；
以GIS系统中的所述爆炸物和所述受影响事物作为节点；连接所述爆炸物节点和所述受影响事物节点，获得受影响事物节点的影响区域，连接所述受影响事物节点的所述影响区域内的所述受影响事物节点，获得爆炸影响图；所述爆炸影响图中不存在跨节点的连接线；
以与所述爆炸物节点相连的所述受影响事物节点作为直接受影响事物；根据所述爆炸物节点和所述直接受影响事物节点间的连接线长度和所述投影区域的面积计算所述爆炸影响图 的直接边权值；根据所述爆炸影响图内所述受影响事物节点之间的度和节点的最大连接线长度获得间接边权值；根据所述直接边权值和所述间接边权值获得爆炸传播矩阵；
根据所述受影响人员在所述爆炸影响图中与所述爆炸物节点的距离和度获得人员受影响程度；每个人员的所述人员受影响程度构成人员向量；
根据所述爆炸传播矩阵和所述人员向量评估灾害影响等级。
进一步地，所述获得所述受影响事物的影响区域包括：
根据指向所述受影响事物节点的所述连接线的长度和所述受影响事物节点在所述爆炸影响图中的层数获得影响区域半径；以指向所述受影响事物节点的所述连接线的方向为中心线，根据所述影响区域半径和预设角度构建扇形区域作为所述影响区域。
进一步地，所述根据所述爆炸物节点和所述直接受影响事物节点间的连接线长度和所述投影区域的面积计算所述爆炸影响图 的直接边权值包括：通过直接边权值公式获得所述直接边权值，所述直接边权值公式为：
Figure 867591DEST_PATH_IMAGE001
其中，
Figure 850853DEST_PATH_IMAGE002
为所述直接边权值，
Figure 952932DEST_PATH_IMAGE003
为所述爆炸物节点与所述直接受影响事物 节点的所述连接线方向上的所述爆炸范围的长度，
Figure 259411DEST_PATH_IMAGE004
为所述爆炸物节点与所述直接受影响 事物节点的所述连接线的长度，
Figure 839776DEST_PATH_IMAGE005
为所述直接受影响事物的所述投影区域的面积，
Figure 638230DEST_PATH_IMAGE006
为第 一权重，
Figure 12842DEST_PATH_IMAGE007
为第二权重。
进一步地，所述根据所述爆炸影响图内所述受影响事物节点间的度和节点的最大连接线长度获得间接边权值包括：
通过节点影响值公式获得所述受影响事物的节点影响值；以两个所述受影响事物的所述节点影响值的乘积作为所述间接边权值；所述节点影响值公式为：
Figure 580352DEST_PATH_IMAGE008
其中，
Figure 54321DEST_PATH_IMAGE009
为目标节点的所述节点影响值，
Figure 921827DEST_PATH_IMAGE010
为所述目标节点的出度，
Figure 772234DEST_PATH_IMAGE011
为所述目 标节点的所述影响区域内的所述受影响事物节点间的差异度，
Figure 53305DEST_PATH_IMAGE012
为所述目标节点的所述 影响区域内最大的所述连接线的长度，
Figure 167017DEST_PATH_IMAGE013
为第三权重，
Figure 533538DEST_PATH_IMAGE014
为第四权重，
Figure 781111DEST_PATH_IMAGE015
为第五权重。
进一步地，所述根据所述直接边权值和所述间接边权值获得爆炸传播矩阵包括：
结合所述直接边权值和所述间接边权值将所述爆炸影响图构建为树结构图；所述树结构图的根节点为所述爆炸物，其他节点为所述受影响事物，所述根节点到叶节点的路径为一条爆炸传播链；通过多条所述路径获得爆炸传播矩阵。
进一步地，所述获得所述爆炸传播矩阵之后包括：
将所述爆炸传播矩阵送入神经网络中，获得嵌入向量；
根据所述嵌入向量和所述人员向量评估灾害影响等级。
进一步地，所述神经网络包括：
所述神经网络的损失函数分为数值损失函数和长度损失函数；当所述爆炸传播矩阵数值为零时结合所述数值损失函数和惩罚系数调整损失值；结合所述长度损失函数和映射因子调整所述爆炸传播矩阵的长度损失值。
进一步地，所述获得人员受影响程度包括：通过人员受影响程度公式获得所述人员受影响程度，所述人员受影响程度公式包括：
Figure 116273DEST_PATH_IMAGE016
其中，
Figure 932045DEST_PATH_IMAGE017
为所述人员受影响程度，
Figure 317021DEST_PATH_IMAGE018
为所述受影响人员的出度，
Figure 712492DEST_PATH_IMAGE019
为所述受影响人 员的入度，
Figure 968156DEST_PATH_IMAGE020
为所述受影响人员在所述爆炸影响图中的层数，
Figure 548304DEST_PATH_IMAGE021
为所述受影响人员在所述 爆炸影响图中与所述爆炸物节点的距离。
进一步地，所述根据所述嵌入向量和所述人员向量评估灾害影响等级包括：
将所述嵌入向量和所述人员向量送入灾害评估网络中，输出灾害影响等级。
本发明还提出了一种灾害评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种灾害评估方法的步骤。
本发明具有如下有益效果：
1.在本发明实施例中，通过爆炸物和受影响事物的影响特性，构建了爆炸影响图。通过爆炸影响图表示爆炸灾害的影响传播链，形象准确的表达了爆炸灾害对受影响事物的影响。
2.在本发明实施例中，受影响人员在爆炸影响图中与爆炸物的距离表示了爆炸物对受影响人员的直接影响，受影响人员在爆炸影响图的度表示了爆炸物对受影响人员的间接影响。通过直接影响和间接影响构成人员向量，使得在后续分析时更准确表达爆炸物的灾害影响等级。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种灾害评估方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种灾害评估方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的一种灾害评估方法及系统的具体方案。
本发明实施例的应用场景为监狱环境模型中的爆炸物的爆炸模拟过程。通过虚拟场景模型中模拟现实爆炸情况，在虚拟场景模型中对爆炸灾害进行评估。
请参阅图1，其示出了本发明一个实施例提供的一种灾害评估方法流程图，该方法包括：
步骤S1：获取爆炸物的爆炸范围；获取爆炸物范围内的受影响事物，将爆炸物和受影响事物投影至GIS系统中，获得每个受影响事物的投影区域。
在爆炸模拟过程开始时，可根据爆炸物检测技术获得爆炸物参数，然后对爆炸过程进行模拟，获得爆炸范围。在本发明实施例中，爆炸物检测采用体探测技术和痕量探测技术获取爆炸物参数。通过对爆炸物参数进行有限元分析进行爆炸模拟，通过对应查表获取爆炸物类别，模拟出爆炸过程，获得爆炸范围。
在本发明实施例中，在监狱环境中部署多个监控设备，监控设备选用高分辨率广角相机，对监狱内环境进行全覆盖拍摄。在模拟爆炸发生过程时，通过监控设备获取的监控图片对监狱环境模型提供数据，获得爆炸范围内的受影响事物。受影响事物包括受影响人员和物体。在本发明实施例中，3D目标检测采用基于深度学习和单目视觉的YOLO3D模型对监控图片进行3D目标检测，获取爆炸范围内的受影响事物的3D包围框。在其他实施例中，可选用如M3D-RPN、SSD-6D、Mono3D++等的其他网络进行目标检测。
GIS系统融合了倾斜摄影，BIM、激光点云等多源异构数据，包含了场景下的建筑、设施模型。将爆炸物和受影响事物投影至GIS系统中，获得受影响事物的投影区域。在本发明实施例中，通过计算监控图像的单应性矩阵，利用监控图像四点和GIS地面位置四点进行透视变换，获得爆炸物和受影响事物在GIS系统中的位置。以受影响事物的3D包围框的四个角点在GIS系统中的区域作为投影区域。通过叠加分析获得爆炸范围内的受影响事物的位置。叠加分析是GIS系统中的空间分析功能，在统一空间参考系统下，通过对数据的进行一系列集合运算，产生新数据。
步骤S2：以爆炸物和受影响事物作为节点；连接爆炸物节点和受影响事物节点，获得受影响事物节点的影响区域，连接受影响事物节点的影响区域内的受影响事物节点，获得爆炸影响图。
在GIS系统中，以爆炸物和受影响事物作为节点，因为爆炸物发生爆炸对事物的影响方向是以爆炸物为中心，向四周发散的，因此连接爆炸物节点和受影响事物节点。进一步获得受影响事物的影响区域，连接受影响事物节点的影响区域内的其他受影响事物节点，获得爆炸影响图，爆炸影响图中不存在跨节点的连接线。爆炸影响图反映了爆炸物与受影响事物、受影响事物和受影响事物之间的影响关系。
在本发明实施例中，分别以爆炸物和受影响事物的投影区域的质心为节点。认为连接线过除两端节点外的节点对应的投影区域为跨节点连接线。
影响区域的划分具体包括：
根据指向受影响事物节点的连接线的长度和受影响事物节点在爆炸影响图中的层数获得影响区域半径。具体通过影响区域半径公式获得影响区域半径，影响区域半径公式包括：
Figure 753065DEST_PATH_IMAGE022
其中，
Figure 748965DEST_PATH_IMAGE023
为影响区域半径，
Figure 859135DEST_PATH_IMAGE004
为指向受影响事物节点的连接线的长度，
Figure 751130DEST_PATH_IMAGE024
为受影响事 物节点在爆炸影响图中的层数。
层数表示受影响事物的影响层次，在一条爆炸传播链中，直接受影响事物为第一层，经过爆炸的传播，存在多层的间接受影响事物。
以指向所述受影响事物节点的所述连接线的方向为扇形区域的中心线，根据所述 影响区域半径和预设扇形角度构建扇形区域作为影响区域。在本发明实施例中，预设的扇 形角度为
Figure 313960DEST_PATH_IMAGE025
。
步骤S3：以爆炸物节点相连的受影响事物作为直接受影响事物，根据爆炸物节点和直接受影响事物节点的连接线长度和投影区域的面积计算爆炸影响图 的直接边权值；根据爆炸影响图内受影响事物节点间的度和节点的最大连接线长度获得间接边权值；根据直接边权值和所述间接边权值获得爆炸传播矩阵。
爆炸物对受影响事物的影响分为直接影响和间接影响。在爆炸影响图中爆炸物与直接影响事物的边权值为直接边权值，直接影响事物与间接影响事物、或间接影响事物与其他间接影响事物的边权值为间接边权值。
具体的，直接影响为爆炸物与直接受影响事物之间的影响，在爆炸影响图中根据直接边权值反应直接影响程度。通过直接边权值公式获得所述直接边权值，直接边权值公式为：
Figure 707026DEST_PATH_IMAGE001
其中，
Figure 824367DEST_PATH_IMAGE002
为直接边权值，
Figure 152842DEST_PATH_IMAGE003
为爆炸物节点与直接受影响事物节点的连接线 方向上的爆炸范围的长度，
Figure 140652DEST_PATH_IMAGE004
为爆炸物节点与直接受影响事物节点的连接线的长度，
Figure 806251DEST_PATH_IMAGE005
为直 接受影响事物的投影区域的面积，
Figure 625433DEST_PATH_IMAGE006
为第一权重，
Figure 859231DEST_PATH_IMAGE007
为第二权重。在本发明实施例中，
Figure 384935DEST_PATH_IMAGE006
设置为0.6，
Figure 995170DEST_PATH_IMAGE007
设置为0.4。
爆炸范围的长度是指爆炸物节点沿着直接受影响事物节点的连接线方向与爆炸范围边界的交点的长度。
直接边权值反映爆炸物与直接影响事物的直接影响程度，距离爆炸物越近，受影响的投影面积越大，则受到爆炸物的直接影响程度越大。
间接影响为受影响事物之间的影响，在爆炸影响图中可根据节点的度和连接线的最大连接长度特征获得节点的节点影响值，以两个节点的节点影响值的乘积作为间接边权值。节点影响值具体通过节点影响值公式获得，节点影响值公式为：
Figure 200018DEST_PATH_IMAGE008
其中，
Figure 604716DEST_PATH_IMAGE009
为目标节点的节点影响值，
Figure 629435DEST_PATH_IMAGE010
为目标节点的出度，
Figure 636837DEST_PATH_IMAGE011
为目标节点的影响 区域内的所述受影响事物节点间的差异度，
Figure 317697DEST_PATH_IMAGE012
为目标节点的影响区域内最大的连接线的 长度，
Figure 424455DEST_PATH_IMAGE013
为第三权重，
Figure 375618DEST_PATH_IMAGE014
为第四权重，
Figure 327656DEST_PATH_IMAGE015
为第五权重。在本发明实施例中
Figure 229798DEST_PATH_IMAGE013
设置为0.3，
Figure 773037DEST_PATH_IMAGE014
设置为0.25，
Figure 647714DEST_PATH_IMAGE015
设置为0.45。
在爆炸影响图中一个节点的出度越大表示该节点在图中的影响性越大。
在本发明实施例中，
Figure 996918DEST_PATH_IMAGE011
使用接近方向性反映同一影响区域内的受影响事物节点间 的差异度，具体公式为：
Figure 906230DEST_PATH_IMAGE026
其中，
Figure 491144DEST_PATH_IMAGE023
为影响区域的半径，
Figure 587538DEST_PATH_IMAGE027
为目标节点在影响区域内与第
Figure 678116DEST_PATH_IMAGE028
个连接的受影响事 物之间的距离。需要说明的是，当
Figure 300990DEST_PATH_IMAGE010
为零时，
Figure 389294DEST_PATH_IMAGE011
也为零。
影响区域内最大的连接线的长度
Figure 363197DEST_PATH_IMAGE012
反应了爆炸影响图中节点的传播影响力，
Figure 42485DEST_PATH_IMAGE012
越大，说明传播影响力越大。反映了受影响事物对其他受影响事物的间接影响范围大小。
获得爆炸影响图中所有节点间的边权值，根据爆炸影响图中的直接边权值和间接边权值获得爆炸传播矩阵。爆炸传播矩阵表示爆炸发生时爆炸物与受影响事物以及受影响事物与受影响事物之间的传播情况。
优选的，结合直接边权值和间接边权值将爆炸影响图构建为树结构图。树结构图的根节点为爆炸物，其他节点为受影响事物。根节点到叶节点的路径为一条爆炸传播链，路径内的节点数量为爆炸传播链的传播长度。通过树结构图中多条路径获得爆炸传播矩阵。
在本发明实施例中，为了规范爆炸传播矩阵的尺寸，根据经验值设置爆炸影响图中爆炸物与直接受影响事物的连接线最大条数N1为24，爆炸传播链最大条数N2为32，爆炸传播链的最大传播长度N3为16。则爆炸传播矩阵的大小为32*16*24，对于长度不够16的爆炸传播链用零补齐。在爆炸传播矩阵中每一行代表一个爆炸传播链，矩阵中的值为爆炸影响图的边权值，每行的第一个值为直接影响边权值，其他为间接边权值。
为了便于后续对爆炸传播矩阵的分析，在获得爆炸传播矩阵的后利用图嵌入技术对爆炸影响图进行特征映射。图嵌入技术是一种将图数据映射为低维稠密向量的过程，能够很好的解决图数据维度多不便于分析特征的问题。在本发明实施例中采用整图嵌入，对于一个爆炸影响图可以得到一个嵌入向量。
优选的，将爆炸传播矩阵送入神经网络中获得嵌入向量，在本发明实施例中神经网络使用自编码网络，具体包括：
1）以爆炸传播矩阵作为训练数据，将训练数据经过归一化等预处理后输入神经网络中。
2）自编码网络采用编码-解码结构。编码器和解码器中卷积都选用二维卷积，可以使得神经网络学习每个爆炸传播链与爆炸传播链之间的关系与每个爆炸子链与子链之间的关系。编码器提取输入数据的特征获得特征图，特征图经过Flatten展平操作后得到嵌入向量，在本发明实施例中嵌入向量的维数为128维。嵌入向量经过Reshape重塑形状操作输入至解码器中进行上采样与特征拟合，输出处理后的爆炸传播矩阵。
3）损失函数采用分布度量损失函数：
Figure 395231DEST_PATH_IMAGE029
其中，
Figure 451174DEST_PATH_IMAGE030
为在预测的爆炸传播矩阵第
Figure 381215DEST_PATH_IMAGE028
个通道位置
Figure 875913DEST_PATH_IMAGE031
处的边权值，
Figure 614324DEST_PATH_IMAGE032
为爆炸传 播矩阵第
Figure 915204DEST_PATH_IMAGE028
个通道位置
Figure 598120DEST_PATH_IMAGE031
处的边权值，
Figure 37454DEST_PATH_IMAGE033
为惩罚系数，
Figure 895951DEST_PATH_IMAGE034
为爆炸传播矩阵的第
Figure 356013DEST_PATH_IMAGE028
个通 道第
Figure 791805DEST_PATH_IMAGE035
条爆炸传播链的预测长度，
Figure 491952DEST_PATH_IMAGE036
为爆炸传播矩阵的第
Figure 798431DEST_PATH_IMAGE028
个通道第
Figure 101499DEST_PATH_IMAGE035
条爆炸传播链的 预测长度，
Figure 759007DEST_PATH_IMAGE037
为映射因子。在本发明实施例中，
Figure 133619DEST_PATH_IMAGE033
设置为2，
Figure 701129DEST_PATH_IMAGE037
设置为8。
该损失函数前一项表示，当爆炸传播链中矩阵值为0时，表示在网络中的处理在此位置无影响，因此引入惩罚系数调整损失值，提高了网络的拟合效果。后一项通过映射因子调整爆炸传播链长度的损失值，避免因为前一项损失很小但爆炸传播链不同的现象，保证网络学习的有效性。
通过神经网络获得爆炸影响图的嵌入向量，实现原数据的高效压缩，减少存储时占用的空间，并加快后续分析速度。
步骤S4：根据受影响人员在爆炸影响图中与爆炸物节点的距离和度获得人员受影响程度；每个人员的受影响程度构成人员向量。
在灾害影响评估中，爆炸灾害对人员的影响是不可忽视的，受影响人员在爆炸影响图中的位置和度能够反映出爆炸灾害对受影响人员的人员受影响程度。
具体的，通过人员受影响程度公式获得人员受影响程度，人员受影响程度公式包括：
Figure 780292DEST_PATH_IMAGE016
其中，
Figure 534884DEST_PATH_IMAGE017
为人员受影响程度，
Figure 385290DEST_PATH_IMAGE018
为受影响人员的出度，
Figure 931940DEST_PATH_IMAGE019
为受影响人员的入度，
Figure 170286DEST_PATH_IMAGE035
为 受影响人员在所述爆炸影响图中的层数，
Figure 412174DEST_PATH_IMAGE021
为受影响人员在所述爆炸影响图中与爆炸物节 点的距离。
人员受影响程度可以有效反映出爆炸对每个人员造成的影响，距离表示爆炸对人员的直接影响，度和层数表示爆炸对人员的间接影响。人员受影响程度越大表示爆炸对人员所造成的影响越大。
将每个受影响人员的人员受影响程度组成人员向量。在本发明实施例中，人员向量长度设置为32，受影响人员数量不足32的用零补齐，人员向量中的元素值为升序排列的每个人员的受影响程度。
步骤S5：根据爆炸传播矩阵和人员向量评估灾害影响等级。
爆炸传播矩阵表示爆炸对受影响事物的整体影响，人员向量表示爆炸对人员的影响。在灾害发生时需要优先考虑人员的生命安全，因此通过爆炸传播矩阵和人员向量共同分析灾害影响等级。
优选的，将嵌入向量和人员向量送入灾害评估网络中，输出灾害影响等级。灾害评估网络具体包括：
1）灾害评估网络包括三个全连接网络。多个全连接网络可以保证序列张量充分映 射到特征空间。将嵌入向量输入至第一全连接网络中，输入形状为
Figure 382448DEST_PATH_IMAGE038
,
Figure 924550DEST_PATH_IMAGE039
为网络输入的 样本批尺寸，
Figure 599377DEST_PATH_IMAGE040
为嵌入维数。人员向量输入至第二全连接网络中，输入形状为
Figure 125298DEST_PATH_IMAGE041
,
Figure 786349DEST_PATH_IMAGE039
为网 络输入的样本批尺寸，
Figure 53731DEST_PATH_IMAGE042
为人员向量长度。
2）第一全连接网络和第二全连接网络拟合得到两个向量，将两个向量进行融合获得融合向量。将融合向量输入至第三全连接网络后经过Softmax函数进行分类。在本发明实施例中灾害影响等级设置为四个等级，分别为无影响、低影响、中影响和高影响，分别标注为0,1,2,3。
3）损失函数采用交叉熵损失函数。
结合灾害影响等级，将爆炸模拟展示到GIS系统中，体现出灾害随时间的状态变化和空间的蔓延过程，对应急疏散过程的效果评估起到了良好的参考意义。通过在监狱内进行的爆炸模拟演练，可以提升监狱人员的安全意识，提高突发事件的应急能力，通过模拟爆炸过程获得的灾害影响等级对爆炸模拟演练的应急疏散程度进一步评估，提高监狱人员的安全意识，提高突发事件的应急能力，使得爆炸模拟演练更科学化、标准化和智能化。
需要说明的是，在灾害发生时相关部门制定应急救援措施也应遵循灾害过程的时空特征进行合理规划。
综上所述，本发明实施例获取爆炸物和受影响事物，将爆炸物和受影响事物投影至GIS系统中，并构建爆炸影响图。通过爆炸影响图中各个节点的影响关系设置边权值，通过边权值获得爆炸传播矩阵。通过受影响人员在爆炸影响图中的位置和度获得人员向量。根据爆炸传播矩阵和人员向量评估灾害影响等级。
本发明还提出了一种灾害评估系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现任意一项一种灾害评估方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种灾害评估方法，其特征在于，所述方法包括：
获取爆炸物的爆炸范围；获取所述爆炸范围内的受影响事物，将所述爆炸物和所述受影响事物投影至GIS系统中，获得每个所述受影响事物的投影区域；所述受影响事物包括受影响人员；
以GIS系统中的所述爆炸物和所述受影响事物作为节点；连接所述爆炸物节点和所述受影响事物节点，获得受影响事物节点的影响区域，连接所述受影响事物节点的所述影响区域内的所述受影响事物节点，获得爆炸影响图；所述爆炸影响图中不存在跨节点的连接线；
以与所述爆炸物节点相连的所述受影响事物节点作为直接受影响事物；根据所述爆炸物节点和所述直接受影响事物节点间的连接线长度和所述投影区域的面积计算所述爆炸影响图的直接边权值；根据所述爆炸影响图内所述受影响事物节点之间的度和节点的最大连接线长度获得间接边权值；根据所述直接边权值和所述间接边权值获得爆炸传播矩阵；
根据所述受影响人员在所述爆炸影响图中与所述爆炸物节点的距离和度获得人员受影响程度；每个人员的所述人员受影响程度构成人员向量；
根据所述爆炸传播矩阵和所述人员向量评估灾害影响等级。
2.根据权利要求1所述的一种灾害评估方法，其特征在于，所述获得所述受影响事物的影响区域包括：
根据指向所述受影响事物节点的所述连接线的长度和所述受影响事物节点在所述爆炸影响图中的层数获得影响区域半径；
以指向所述受影响事物节点的所述连接线的方向为中心线，根据所述影响区域半径和预设角度构建扇形区域作为所述影响区域；
其中，所述层数为所述爆炸影响图中所述受影响事物节点的影响层次，所述直接受影响事物节点为第一层，通过爆炸的传播，所述爆炸影响图存在多层间接受影响事物；
所述影响区域半径包括：根据所述影响区域半径获取公式获得所述影响区域半径；所述影响区域半径获取公式包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 408544DEST_PATH_IMAGE002
为所述影响区域半径，
Figure DEST_PATH_IMAGE003
为指向所述受影响事物节点的所述连接线的长度，
Figure 507122DEST_PATH_IMAGE004
为所述层数。
3.根据权利要求1所述的一种灾害评估方法，其特征在于，所述根据所述爆炸物节点和所述直接受影响事物节点间的连接线长度和所述投影区域的面积计算所述爆炸影响图的直接边权值包括：通过直接边权值公式获得所述直接边权值，所述直接边权值公式为：
Figure DEST_PATH_IMAGE005
其中，
Figure 872245DEST_PATH_IMAGE006
为所述直接边权值，
Figure DEST_PATH_IMAGE007
为所述爆炸物节点与所述直接受影响事物节点的所述连接线方向上的所述爆炸范围的长度，
Figure 901512DEST_PATH_IMAGE003
为所述爆炸物节点与所述直接受影响事物节点的所述连接线的长度，
Figure 580755DEST_PATH_IMAGE008
为所述直接受影响事物的所述投影区域的面积，
Figure DEST_PATH_IMAGE009
为第一权重，
Figure 775982DEST_PATH_IMAGE010
为第二权重。
4.根据权利要求1所述的一种灾害评估方法，其特征在于，所述根据所述爆炸影响图内所述受影响事物节点间的度和节点的最大连接线长度获得间接边权值包括：
通过节点影响值公式获得所述受影响事物的节点影响值；以两个所述受影响事物的所述节点影响值的乘积作为所述间接边权值；所述节点影响值公式为：
Figure DEST_PATH_IMAGE011
其中，
Figure 797158DEST_PATH_IMAGE012
为目标节点的所述节点影响值，
Figure DEST_PATH_IMAGE013
为所述目标节点的出度，
Figure 77836DEST_PATH_IMAGE014
为所述目标节点的所述影响区域内的所述受影响事物节点间的差异度，
Figure DEST_PATH_IMAGE015
为所述目标节点的所述影响区域内最大的所述连接线的长度，
Figure 91928DEST_PATH_IMAGE016
为第三权重，
Figure DEST_PATH_IMAGE017
为第四权重，
Figure 908706DEST_PATH_IMAGE018
为第五权重。
5.根据权利要求1所述的一种灾害评估方法，其特征在于，所述根据所述直接边权值和所述间接边权值获得爆炸传播矩阵包括：
结合所述直接边权值和所述间接边权值将所述爆炸影响图构建为树结构图；所述树结构图的根节点为所述爆炸物，其他节点为所述受影响事物，所述根节点到叶节点的路径为一条爆炸传播链；通过多条所述路径获得爆炸传播矩阵。
6.根据权利要求1所述的一种灾害评估方法，其特征在于，所述获得所述爆炸传播矩阵之后包括：
将所述爆炸传播矩阵送入神经网络中，获得嵌入向量；
根据所述嵌入向量和所述人员向量评估灾害影响等级。
7.根据权利要求6所述的一种灾害评估方法，其特征在于，所述神经网络包括：
所述神经网络的损失函数分为数值损失函数和长度损失函数；当所述爆炸传播矩阵数值为零时结合所述数值损失函数和惩罚系数调整损失值；结合所述长度损失函数和映射因子调整所述爆炸传播矩阵的长度损失值。
8.根据权利要求1所述的一种灾害评估方法，其特征在于，所述获得人员受影响程度包括：通过人员受影响程度公式获得所述人员受影响程度，所述人员受影响程度公式包括：
Figure DEST_PATH_IMAGE019
其中，
Figure 333740DEST_PATH_IMAGE020
为所述人员受影响程度，
Figure DEST_PATH_IMAGE021
为所述受影响人员的出度，
Figure 852446DEST_PATH_IMAGE022
为所述受影响人员的入度，
Figure DEST_PATH_IMAGE023
为所述受影响人员在所述爆炸影响图中的层数，
Figure 155382DEST_PATH_IMAGE024
为所述受影响人员在所述爆炸影响图中与所述爆炸物节点的距离。
9.根据权利要求6所述的一种灾害评估方法，其特征在于，所述根据所述嵌入向量和所述人员向量评估灾害影响等级包括：
将所述嵌入向量和所述人员向量送入灾害评估网络中，输出灾害影响等级。
10.一种灾害评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
CN202110818060.4A 2021-07-20 2021-07-20 一种灾害评估方法及系统 Active CN113283817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110818060.4A CN113283817B (zh) 2021-07-20 2021-07-20 一种灾害评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110818060.4A CN113283817B (zh) 2021-07-20 2021-07-20 一种灾害评估方法及系统

Publications (2)

Publication Number Publication Date
CN113283817A CN113283817A (zh) 2021-08-20
CN113283817B true CN113283817B (zh) 2021-09-21

Family

ID=77286802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110818060.4A Active CN113283817B (zh) 2021-07-20 2021-07-20 一种灾害评估方法及系统

Country Status (1)

Country Link
CN (1) CN113283817B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017028445A (ja) * 2015-07-21 2017-02-02 日本電信電話株式会社 信頼性評価装置、信頼性評価方法、及びプログラム
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280553B (zh) * 2018-02-24 2020-10-02 中山大学 基于gis-神经网络集成的山洪灾害风险区划及预测方法
CN111985819B (zh) * 2020-08-23 2024-04-30 哈尔滨理工大学 一种工业粉尘涉爆风险评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017028445A (ja) * 2015-07-21 2017-02-02 日本電信電話株式会社 信頼性評価装置、信頼性評価方法、及びプログラム
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于GIS的爆炸灾害数值模拟与应急损失评估;李天祺;《灾害学》;20100930;全文 *
基于图论的高铁牵引系统故障传播分析与危害性评估;徐溪;《万方数据库》;20171231;全文 *
生命线系统级联失效路径及节点重要度分析;周方明;《万方数据库》;20131231;全文 *

Also Published As

Publication number Publication date
CN113283817A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN111626350B (zh) 目标检测模型训练方法、目标检测方法及装置
Mas et al. Recent advances in agent-based tsunami evacuation simulations: case studies in Indonesia, Thailand, Japan and Peru
Zhang et al. Image engineering
Kamilaris et al. Disaster monitoring using unmanned aerial vehicles and deep learning
Tian [Retracted] Immersive 5G Virtual Reality Visualization Display System Based on Big‐Data Digital City Technology
Ervin et al. Landscape visibility computation: necessary, but not sufficient
US20140122399A1 (en) Apparatus and methods for activity-based plasticity in a spiking neuron network
CN111325319B (zh) 一种神经网络模型的检测方法、装置、设备及存储介质
US20140122400A1 (en) Apparatus and methods for activity-based plasticity in a spiking neuron network
US11893538B1 (en) Intelligent system and method for assessing structural damage using aerial imagery
CN110826453A (zh) 一种通过提取人体关节点坐标的行为识别方法
US11094134B1 (en) System and method for generating synthetic data
Pravia et al. Generation of a fundamental data set for hard/soft information fusion
Janakiramaiah et al. RETRACTED ARTICLE: Automatic alert generation in a surveillance systems for smart city environment using deep learning algorithm
US9076032B1 (en) Specularity determination from images
CN112966589A (zh) 一种在危险区域的行为识别方法
Kaur et al. Convolutional neural network based hurricane damage detection using satellite images
Kalyani et al. Efficient crowd counting model using feature pyramid network and ResNeXt
Samani et al. Anomaly detection with vision-based deep learning for epidemic prevention and control
CN113283817B (zh) 一种灾害评估方法及系统
Van Ackere et al. Extracting dimensions and localisations of doors, windows, and door thresholds out of mobile Lidar data using object detection to estimate the impact of floods
CN114863352B (zh) 基于视频分析的人员群体行为监控方法
JP2021529407A (ja) 対象物の種類および状態を判定する方法
Zhan et al. A High-precision Forest Fire Smoke Detection Approach Based on DRGNet to Remote Sensing Through Uavs
Pagou et al. Shapefile-based multi-agent geosimulation and visualization of building evacuation scenario

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