CN113902963B - 一种隧道火灾检测能力的评估方法及装置 - Google Patents

Abstract

本发明公开了一种隧道火灾检测能力的评估方法及装置。其中，该方法包括：获取影响因素数据；根据所述影响因素数据，提取量化影响因子；根据所述量化影响因子和预设评估指标，训练评估模型；通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。本发明解决了现有技术中的火灾检测方法不能全方面的覆盖所有的影响因子，并且无法将火灾影响因子进行量化操作，得到更加精准的火灾评价结果的技术问题。

Description

一种隧道火灾检测能力的评估方法及装置

技术领域

本发明涉及数据检测评估领域，具体而言，涉及一种隧道火灾检测能力的评估方法及装置。

背景技术

随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。

目前，在隧道火灾检测领域，通常利用火灾的影响因子对实际获取的信息和输入特征向量进行评价，通过火灾评价算法得到评价结果，但是传统的火灾检测方法不能全方面的覆盖所有的影响因子，并且无法将火灾影响因子进行量化操作，得到更加精准的火灾评价结果。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种隧道火灾检测能力的评估方法及装置，以至少解决现有技术中的火灾检测方法不能全方面的覆盖所有的影响因子，并且无法将火灾影响因子进行量化操作，得到更加精准的火灾评价结果的技术问题。

根据本发明实施例的一个方面，提供了一种隧道火灾检测能力的评估方法，包括：获取影响因素数据；根据所述影响因素数据，提取量化影响因子；根据所述量化影响因子和预设评估指标，训练评估模型；通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。

可选的，所述根据所述影响因素数据，提取量化影响因子包括：将所述影响因素数据拆分为若干影响因素；将每个所述影响因素量化为集合，生成所述量化影响因子。

可选的，在所述根据所述量化影响因子和预设评估指标，训练评估模型之前，所述方法还包括：获取精确率阈值和召回率阈值；根据所述精确率阈值和召回率阈值生成所述预设评估指标。

可选的，所述根据所述量化影响因子和预设评估指标，训练评估模型包括：利用所述量化影响因子训练精确率计算模型和召唤率计算模型；根据所述预设评估指标和所述精确率计算模型和召唤率计算模型，生成所述评估模型。

根据本发明实施例的另一方面，还提供了一种隧道火灾检测能力的评估装置，包括：获取模块，用于获取影响因素数据；提取模块，用于根据所述影响因素数据，提取量化影响因子；训练模块，用于根据所述量化影响因子和预设评估指标，训练评估模型；评估模块，用于通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。

可选的，所述提取模块包括：拆分单元，用于将所述影响因素数据拆分为若干影响因素；量化单元，用于将每个所述影响因素量化为集合，生成所述量化影响因子。

可选的，所述装置还包括：获取模块，还用于获取精确率阈值和召回率阈值；指标模块，用于根据所述精确率阈值和召回率阈值生成所述预设评估指标。

可选的，所述训练模块包括：训练单元，用于利用所述量化影响因子训练精确率计算模型和召唤率计算模型；生成单元，用于根据所述预设评估指标和所述精确率计算模型和召唤率计算模型，生成所述评估模型。

根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种隧道火灾检测能力的评估方法。

根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种隧道火灾检测能力的评估方法。

在本发明实施例中，采用获取影响因素数据；根据所述影响因素数据，提取量化影响因子；根据所述量化影响因子和预设评估指标，训练评估模型；通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果的方式，解决了现有技术中的火灾检测方法不能全方面的覆盖所有的影响因子，并且无法将火灾影响因子进行量化操作，得到更加精准的火灾评价结果的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种隧道火灾检测能力的评估方法的流程图；

图2是根据本发明实施例的一种隧道火灾检测能力的评估装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种隧道火灾检测能力的评估方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

图1是根据本发明实施例的一种隧道火灾检测能力的评估方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取影响因素数据。

具体的，本发明实施例为了解决现有技术中的火灾检测方法不能全方面的覆盖所有的影响因子，并且无法将火灾影响因子进行量化操作，得到更加精准的火灾评价结果的技术问题，首先对于火灾的影响因素数据需要进行获取和采集，用到的采集器可以是多传感器集成隧道采集器，采集隧道中的火灾影响因子，分析和总结隧道车辆火灾检测能力的影响因素，包括时间、季节、天气、车型、车速、起火位置等。

步骤S104，根据所述影响因素数据，提取量化影响因子。

可选的，所述根据所述影响因素数据，提取量化影响因子包括：将所述影响因素数据拆分为若干影响因素；将每个所述影响因素量化为集合，生成所述量化影响因子。

具体的，本发明实施例为了将影响因素提取与量化，1）提取影响因素。分析和总结隧道车辆火灾检测能力的影响因素，包括时间、季节、天气、车型、车速、起火位置等。2）量化影响因素：时间量化为集合T={t₀,t₁…t_imax},t_i∈T,i∈[0,i_max]；季节量化为集合S={S₀,S₁…S_jmax},S_j∈S,j∈[0,j_max]；天气量化为集合W={W₀,W₁…W_kmax},Wk∈W,k∈[0,k_max]；车速量化为集合V={V₀,V₁…V_omax},V_o∈V,o∈[0,o_max]；车型量化为集合F={f₀,f₁…f_pmax},f_p∈F,p∈[0,p_max]；起火位置量化为集合D={d₀,d₁…dqmax},d_q∈D,q∈[0,q_max]。

步骤S106，根据所述量化影响因子和预设评估指标，训练评估模型。

具体的，当本发明实施例获取到了量化影响因子之后，需要根据预设评估指标来帮主分析量化影响因子，从而对评估模型进行训练，训练评估模型需要将量化影响因子和预设评估指标作为输入特征向量进行利用，并基于若干历史数据的基础之上，得到最终的评估模型。

可选的，在所述根据所述量化影响因子和预设评估指标，训练评估模型之前，所述方法还包括：获取精确率阈值和召回率阈值；根据所述精确率阈值和召回率阈值生成所述预设评估指标。

可选的，所述根据所述量化影响因子和预设评估指标，训练评估模型包括：利用所述量化影响因子训练精确率计算模型和召唤率计算模型；根据所述预设评估指标和所述精确率计算模型和召唤率计算模型，生成所述评估模型。

具体的，评估模型由以下步骤计算得出：1）选择特定场景。选择一个特定场景，确定该场景下所有影响因素的取值集合Q₁={t_i1,s_j1,w_k1,v_o1,f_p1,d_q1}，按照同样方式选择其他n种不同场景，得到所有测试场景下影响因素集合Q={Q₁,Q₂…Q_n}。2）确定训练数据来源。挑选m种摄像头单元、设备、终端和服务端等包含隧道火灾检测能力的设备与系统为视频检测能力评估算法学习数据做支撑。3）训练数据采集。在选择的n中不同场景下对m项设备同时进行隧道火灾检测，按照以下方式识别精确率（查准率）与召回率（查全率）。精确率

，其中TP为火灾被正确识别为火灾的次数，FP为未发生火灾却被识别成火灾的次数。召回率

，其中FN为火灾未被识别为火灾的次数。

经过测试可得出精确率矩阵

和召回率矩阵

，其中P_i∈M_p,R_i∈M_R,i∈[0,n]。P_i为第i种测试场景下的测试结果精准率集合，P_i={P_i0,P_i1…P_im},P_ij∈P_i,j∈[0,m]。Ri为第i种测试场景下的测试结果召回率集合，R_i={r_i0,r_i1…r_im},r_ij∈R_i,j∈[0,m]。在P_i中提取最大值P_imax和最小值P_imin，形成精确率最大矩阵

和精确率最小矩阵

。在R_i中提取最大值R_imax和最小值R_imin，形成召回率最大矩阵

和召回率最小矩阵

。

4）模型训练。使用深度学习方法训练评估模型，共训练4种模型，训练算法输入参数为nx6矩阵M_q,输出参数为nx1矩阵M_pmax、M_pmin、M_Rmax、M_Rmin，

训练得出的4种模型，分别为：

精确率上限参考计算模型I_pmax=f_pmax(t_i,s_j,w_k,v_o,f_p,d_q)，

精确率下限参考计算模型I_pmin=f_pmin(t_i,s_j,w_k,v_o,f_p,d_q)，

召回率上限参考计算模型I_Rmax=f_Rmax(t_i,s_j,w_k,v_o,f_p,d_q)，

召回率下限参考计算模型I_Rmin=f_Rmin(t_i,s_j,w_k,v_o,f_p,d_q)。

上述模型均采用传统DNN神经网络模型，6层级展开模型进行配置和输出。

上述模型能够计算得出任意场景下火灾视频检测能力范围，精确率评估参考范围为(I_pmin, I_pmax)，召回率评估参考范围为(I_Rmin, I_Rmax)。

步骤S108，通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。

具体的，根据本发明实施例获取到的火灾检测能力评估模型，为了应用该评估模型，需要对隧道灯火灾检测能力进行评估工作，并根据隧道的各种影响数据作为特征向量的输入，并经过模型计算之后输出相关的评估结果，其中，评估结果可以是通过评分的方式对隧道整体的火灾检测能力进行评估打分，也可以是从实际应用场景的多维度触发，评估隧道火灾检测能力的多种情况。

通过上述实施例，解决了现有技术中的火灾检测方法不能全方面的覆盖所有的影响因子，并且无法将火灾影响因子进行量化操作，得到更加精准的火灾评价结果的技术问题。

实施例二

图2是根据本发明实施例的一种隧道火灾检测能力的评估装置的结构框图，如图2所示，该装置包括：

获取模块20，用于获取影响因素数据。

具体的，本发明实施例为了解决现有技术中的火灾检测方法不能全方面的覆盖所有的影响因子，并且无法将火灾影响因子进行量化操作，得到更加精准的火灾评价结果的技术问题，首先对于火灾的影响因素数据需要进行获取和采集，用到的采集器可以是多传感器集成隧道采集器，采集隧道中的火灾影响因子，分析和总结隧道车辆火灾检测能力的影响因素，包括时间、季节、天气、车型、车速、起火位置等。

提取模块22，用于根据所述影响因素数据，提取量化影响因子。

可选的，所述提取模块包括：拆分单元，用于将所述影响因素数据拆分为若干影响因素；量化单元，用于将每个所述影响因素量化为集合，生成所述量化影响因子。

具体的，本发明实施例为了将影响因素提取与量化，1）提取影响因素。分析和总结隧道车辆火灾检测能力的影响因素，包括时间、季节、天气、车型、车速、起火位置等。2）量化影响因素：时间量化为集合T={t₀,t₁…t_imax},t_i∈T,i∈[0,i_max]，其中长变量为t_imax；季节量化为集合S={S₀,S₁…S_jmax},S_j∈S,j∈[0,j_max]；天气量化为集合W={W₀,W₁…W_kmax},Wk∈W,k∈[0,k_max]；车速量化为集合V={V₀,V₁…V_omax},V_o∈V,o∈[0,o_max]；车型量化为集合F={f₀,f₁…f_pmax},f_p∈F,p∈[0,p_max]；起火位置量化为集合D={d₀,d₁…dqmax},d_q∈D,q∈[0,q_max]。其中，imax为长变量因子，Timax为狭长因子。

训练模块24，用于根据所述量化影响因子和预设评估指标，训练评估模型。

具体的，当本发明实施例获取到了量化影响因子之后，需要根据预设评估指标来帮主分析量化影响因子，从而对评估模型进行训练，训练评估模型需要将量化影响因子和预设评估指标作为输入特征向量进行利用，并基于若干历史数据的基础之上，得到最终的评估模型。

可选的，所述装置还包括：获取模块，还用于获取精确率阈值和召回率阈值；指标模块，用于根据所述精确率阈值和召回率阈值生成所述预设评估指标。

可选的，所述训练模块包括：训练单元，用于利用所述量化影响因子训练精确率计算模型和召唤率计算模型；生成单元，用于根据所述预设评估指标和所述精确率计算模型和召唤率计算模型，生成所述评估模型。

具体的，评估模型由以下步骤计算得出：1）选择特定场景。选择一个特定场景，确定该场景下所有影响因素的取值集合Q₁={t_i1,s_j1,w_k1,v_o1,f_p1,d_q1}，按照同样方式选择其他n种不同场景，得到所有测试场景下影响因素集合Q={Q₁,Q₂…Q_n}。2）确定训练数据来源。挑选m种摄像头单元、设备、终端和服务端等包含隧道火灾检测能力的设备与系统为视频检测能力评估算法学习数据做支撑。3）训练数据采集。在选择的n中不同场景下对m项设备同时进行隧道火灾检测，按照以下方式识别精确率（查准率）与召回率（查全率）。精确率

，其中TP为火灾被正确识别为火灾的次数，FP为未发生火灾却被识别成火灾的次数。召回率

，其中FN为火灾未被识别为火灾的次数。

经过测试可得出精确率矩阵

和召回率矩阵

，其中P_i∈M_p,R_i∈M_R,i∈[0,n]。P_i为第i种测试场景下的测试结果精准率集合，P_i={P_i0,P_i1…P_im},P_ij∈P_i,j∈[0,m]。Ri为第i种测试场景下的测试结果召回率集合，R_i={r_i0,r_i1…r_im},r_ij∈R_i,j∈[0,m]。在P_i中提取最大值P_imax和最小值P_imin，形成精确率最大矩阵

和精确率最小矩阵

。在R_i中提取最大值R_imax和最小值R_imin，形成召回率最大矩阵

和召回率最小矩阵

。

4）模型训练。使用深度学习方法训练评估模型，共训练4种模型，训练算法输入参数为nx6矩阵M_q,输出参数为nx1矩阵M_pmax、M_pmin、M_Rmax、M_Rmin，

训练得出的4种模型，分别为：

精确率上限参考计算模型I_pmax=f_pmax(t_i,s_j,w_k,v_o,f_p,d_q)，

精确率下限参考计算模型I_pmin=f_pmin(t_i,s_j,w_k,v_o,f_p,d_q)，

召回率上限参考计算模型I_Rmax=f_Rmax(t_i,s_j,w_k,v_o,f_p,d_q)，

召回率下限参考计算模型I_Rmin=f_Rmin(t_i,s_j,w_k,v_o,f_p,d_q)。

上述模型能够计算得出任意场景下火灾视频检测能力范围，精确率评估参考范围为(I_pmin, I_pmax)，召回率评估参考范围为(I_Rmin, I_Rmax)。

评估模块26，用于通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。

具体的，根据本发明实施例获取到的火灾检测能力评估模型，为了应用该评估模型，需要对隧道灯火灾检测能力进行评估工作，并根据隧道的各种影响数据作为特征向量的输入，并经过模型计算之后输出相关的评估结果，其中，评估结果可以是通过评分的方式对隧道整体的火灾检测能力进行评估打分，也可以是从实际应用场景的多维度触发，评估隧道火灾检测能力的多种情况。

根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种隧道火灾检测能力的评估方法。

具体的，上述方法包括：获取影响因素数据；根据所述影响因素数据，提取量化影响因子；根据所述量化影响因子和预设评估指标，训练评估模型；通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。

根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种隧道火灾检测能力的评估方法。

具体的，上述方法包括：获取影响因素数据；根据所述影响因素数据，提取量化影响因子；根据所述量化影响因子和预设评估指标，训练评估模型；通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。

通过上述实施例，解决了现有技术中的火灾检测方法不能全方面的覆盖所有的影响因子，并且无法将火灾影响因子进行量化操作，得到更加精准的火灾评价结果的技术问题。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，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一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种隧道火灾检测能力的评估方法，其特征在于，包括：

获取影响因素数据；

根据所述影响因素数据，提取量化影响因子；

根据所述量化影响因子和预设评估指标，训练评估模型,其中，所述训练评估模型包括：使用深度学习方法训练评估模型，共训练4种模型，训练算法输入参数为n*6矩阵M_q,输出参数为n*1矩阵M_Pmax、M_Pmin、M_Rmax、M_Rmin，

训练得出的4种模型，分别为：

精确率上限参考计算模型I_Pmax=f_Pmax(t_i,s_j,w_k,v_o,f_p,d_q)，

精确率下限参考计算模型I_Pmin=f_Pmin(t_i,s_j,w_k,v_o,f_p,d_q)，

召回率上限参考计算模型I_Rmax=f_Rmax(t_i,s_j,w_k,v_o,f_p,d_q)，

召回率下限参考计算模型I_Rmin=f_Rmin(t_i,s_j,w_k,v_o,f_p,d_q) ，其中，时间量化为集合T={t₀,t₁…t_imax},t_i∈T,i∈[0,imax]；季节量化为集合S={s₀,s₁…s_jmax},s_j∈S,j∈[0,jmax]；天气量化为集合W={w₀, w ₁…w _kmax}, w _k∈W,k∈[0,kmax]；车速量化为集合V={v₀, v ₁…v _omax}, v _o∈V,o∈[0,omax]；车型量化为集合F={f₀,f₁…f_pmax},f_p∈F,p∈[0,pmax]；起火位置量化为集合D={d₀,d₁…d_qmax},d_q∈D,q∈[0,qmax]；

通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述影响因素数据，提取量化影响因子包括：

将所述影响因素数据拆分为若干影响因素；

将每个所述影响因素量化为集合，生成所述量化影响因子。

3.根据权利要求1所述的方法，其特征在于，在所述根据所述量化影响因子和预设评估指标，训练评估模型之前，所述方法还包括：

获取精确率阈值和召回率阈值；

根据所述精确率阈值和召回率阈值生成所述预设评估指标。

4.根据权利要求1所述的方法，其特征在于，所述根据所述量化影响因子和预设评估指标，训练评估模型包括：

利用所述量化影响因子训练精确率计算模型和召唤率计算模型；

根据所述预设评估指标和所述精确率计算模型和召唤率计算模型，生成所述评估模型。

5.一种隧道火灾检测能力的评估装置，其特征在于，包括：

获取模块，用于获取影响因素数据；

提取模块，用于根据所述影响因素数据，提取量化影响因子；

训练模块，用于根据所述量化影响因子和预设评估指标，训练评估模型根据所述量化影响因子和预设评估指标，训练评估模型,其中，所述训练评估模型包括：使用深度学习方法训练评估模型，共训练4种模型，训练算法输入参数为n*6矩阵M_q,输出参数为n*1矩阵M_Pmax、M_Pmin、M_Rmax、M_Rmin，

训练得出的4种模型，分别为：

精确率上限参考计算模型I_Pmax=f_Pmax(t_i,s_j,w_k,v_o,f_p,d_q)，

精确率下限参考计算模型I_Pmin=f_Pmin(t_i,s_j,w_k,v_o,f_p,d_q)，

召回率上限参考计算模型I_Rmax=f_Rmax(t_i,s_j,w_k,v_o,f_p,d_q)，

召回率下限参考计算模型I_Rmin=f_Rmin(t_i,s_j,w_k,v_o,f_p,d_q) ，其中，时间量化为集合T={t₀,t₁…t_imax},t_i∈T,i∈[0,imax]；季节量化为集合S={s₀,s₁…s_jmax},s_j∈S,j∈[0,jmax]；天气量化为集合W={w₀, w ₁…w _kmax}, w _k∈W,k∈[0,kmax]；车速量化为集合V={v₀, v ₁…v _omax}, v _o∈V,o∈[0,omax]；车型量化为集合F={f₀,f₁…f_pmax},f_p∈F,p∈[0,pmax]；起火位置量化为集合D={d₀,d₁…d_qmax},d_q∈D,q∈[0,qmax]；

评估模块，用于通过所述评估模型对隧道火灾的检测能力进行评估，得到评估结果。

6.根据权利要求5所述的装置，其特征在于，所述提取模块包括：

拆分单元，用于将所述影响因素数据拆分为若干影响因素；

量化单元，用于将每个所述影响因素量化为集合，生成所述量化影响因子。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

获取模块，还用于获取精确率阈值和召回率阈值；

指标模块，用于根据所述精确率阈值和召回率阈值生成所述预设评估指标。

8.根据权利要求5所述的装置，其特征在于，所述训练模块包括：

训练单元，用于利用所述量化影响因子训练精确率计算模型和召唤率计算模型；

生成单元，用于根据所述预设评估指标和所述精确率计算模型和召唤率计算模型，生成所述评估模型。

9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。

10.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。

Images