CN114494944A - 火灾危险等级的确定方法、装置、设备及存储介质 - Google Patents
火灾危险等级的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114494944A CN114494944A CN202111640215.6A CN202111640215A CN114494944A CN 114494944 A CN114494944 A CN 114494944A CN 202111640215 A CN202111640215 A CN 202111640215A CN 114494944 A CN114494944 A CN 114494944A
- Authority
- CN
- China
- Prior art keywords
- determining
- flame
- fire
- scene
- risk
- 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 50
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 10
- 230000003068 static effect Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 239000000779 smoke Substances 0.000 description 18
- 238000002485 combustion reaction Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Fire-Detection Mechanisms (AREA)
- Fire Alarms (AREA)
Abstract
本公开提出一种火灾危险等级的确定方法、装置、设备及存储介质,涉及人工智能技术领域,具体方案为:获取火灾现场的视频数据;根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型;根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。由此,可以基于计算机视觉的方法对火灾现场进行静态视频摘要,目标检测以及场景识别,确定出火灾现场的人员数量、火焰颜色、火焰趋势及场景类型等有效评估因素,进而根据每种危险评估因素的特点确定出火灾现场的危险度,能够准确、实时地对火灾现场的危险程度做出分级,非常有利于决策者的实际管理。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种火灾危险等级的确定方法、装置、计算机设备及存储介质。
背景技术
在发生火灾时,决策者往往需要根据火灾的危险程度做出合理的决策,火灾现场的场景类型、火灾规模、火灾位置、附近的可燃物类型和人员数量等都是影响火灾危险程度的重要因素,能否及时地正确判断火灾的危险程度往往成为决策者能否做出合理决策的重要因素。
相关技术中,可以基于感温和感烟探测技术获取火灾现场的温度信息以及烟雾浓度信息,以对火灾做出报警,然而这种方式考虑到的火灾现场的有效信息过少,因而无法准确确定火灾现场的危险程度。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开提供了一种火灾危险等级的确定方法、装置、系统以及存储介质。
根据本公开的第一方面,提供了一种火灾危险等级的确定方法,包括:
获取火灾现场的视频数据;
根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型;
根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。
根据本公开的第二方面,提供了一种火灾危险等级的确定装置,包括:
获取模块,用于获取火灾现场的视频数据;
第一确定模块,用于根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型;
第二确定模块,用于根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述第一方面中任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行所述第一方面中任一项所述的方法。
本公开第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本公开第一方面实施例提出的方法。
本公开所提供的火灾危险等级的确定方法、装置、设备,至少存在以下有益效果:
本公开实施例中,首先获取火灾现场的视频数据,然后根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型,之后根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。由此,可以基于计算机视觉的方法对火灾现场进行静态视频摘要,目标检测以及场景识别,确定出火灾现场的人员数量、火焰颜色、火焰趋势及场景类型等有效评估因素,进而根据每种危险评估因素的特点确定出火灾现场的危险度,能够准确、实时地对火灾现场的危险程度做出分级,非常有利于决策者的实际管理。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本公开一实施例提出的火灾危险等级的确定方法的流程示意图;
图2是本公开又一实施例提出的火灾危险等级的确定方法的流程示意图;
图3为本公开提供的一种火灾危险等级的确定装置的结构框图;
图4是用来实现本公开的火灾危险等级的确定方法的电子设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本公开,而不能理解为对本公开的限制。相反,本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
其中,可以说明的是,本实施例的火灾危险等级的确定方法的执行主体为火灾危险等级的确定装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在计算机设备中,计算机设备可以包括但不限于终端、服务器端等,下面将以火灾危险等级的确定装置作为执行主体来对本公开提出的火灾危险等级的确定方法进行说明,在此不进行限定。
图1是本公开一实施例提出的火灾危险等级的确定方法的流程示意图。
如图1所示,该火灾危险等级的确定方法,包括:
S101,获取火灾现场的视频数据。
需要说明的是,在发生火灾时,火灾现场的视频和图像记录了非常多的现场有效信息,比如场景类型、火灾规模、火灾位置、可燃物类型和人员数量等,这些信息都是影响决策者初始策略的重要因素。
本公开中,可以通过摄像装置获取火灾的视频数据,其可以为视频流,之后对视频中的画面进行检测和分析,以提取关键有效信息,进而分析火灾的危险程度。
S102,根据视频数据,确定火灾现场的人员数量、火焰颜色、火焰趋势及场景类型。
具体的,在获取到视频数据之后,本公开中,可以对视频数据进行关键帧提取,比如可以从视频帧序列中将场景过渡的开始或者结束的代表性帧预测出来,从而该装置可以将这些代表性帧作为关键帧进行分析。
具体的,可以使用长短期记忆模型(Long Short-Term Memory,LSTM)来发现视频帧序列中前后图像样本之间的相互关系,进而挖掘样本中的图像代表帧作为关键帧。
其中,关键帧的数量可以根据不同的设置而变化,本公开在此对关键帧的数量不做限定。
需要说明的是,由于关键帧是包含火灾现场的清晰的火灾起始画面,因而本公开中,该装置可以对每个关键帧进行解析,以确定每个关键帧对应的火灾现场的人员数量、火焰颜色、火焰趋势及场景类型。
其中,火焰颜色可以为无色、白色、灰色以及黑色,在此不做限定。
其中,场景类型可以分为商业区、办公间、住宅、场馆区、街道区、室外活动区以及自然环境等类场景,在此不进行限定。
可选的,本公开中,可以通过预先训练生成的神经网络模型对关键帧进行检测,以确定每个关键帧对应的人员数量、火焰颜色、场景类型以及火焰检测框的对角线长度。
举例来说,可以利用Faster R-CNN算法以Resnet-50作为基础神经网络对任一场景数据集中商业区、办公间、住宅、场馆区、街道区、室外活动区以及自然环境等类场景的图像进行训练,然后将训练后的神经网络作为本发明的场景分类神经网络模型。
通过将关键帧输入该分类神经网络模型,可以确定每个关键帧对应的场景类型标签,比如商业区、办公间以及住宅,在此不做限定。
可选的,还可以采用预先训练生成的目标识别模型对关键帧进行检测,以输出每个关键帧对应的时间信息、人员数量以及火焰检测框的对角线长度。
比如,可以通过yolov4算法对烟雾、火焰以及人员进行检测,本公开中,可以预先使用任一火焰烟雾场景数据集为基础进行预训练,通过使用海量张带有标注的烟雾火焰图片对基础神经网络模型进行训练,可以得到目标识别模型。
可选的,可以将关键帧输入至目标识别模型中,以输出每个关键帧对应的时间信息、人员数量以及火焰检测框的对角线长度。
具体的,在确定了每个关键帧对应的火焰检测框对应的对角线长度之后,可以确定每个关键帧对应的火焰趋势,比如初始阶段燃烧、发展阶段燃烧、全面燃烧以及下降阶段燃烧。
具体的,可以根据每个关键帧,确定其对应的临近参考关键帧,比如前两帧,根据当前的关键帧以及临近参考关键帧的火焰检测框的对角线长度,也即火焰的大小和时间信息,该装置可以确定每个关键帧对应的火焰趋势。
S103,根据人员数量、火焰颜色、火焰趋势及场景类型,确定火灾的危险等级。
可以理解的是,为了解决对火灾现场危险程度的评估问题,根据公共安全三角形理论,突发事件和承载体共同决定着事故的危险程度。火灾作为突发事件,事发地点和事发地点的人群作为承载体共同影响着火灾的危险程度。而火灾又由火焰趋势和烟雾来决定,烟雾可以根据现场的烟雾颜色来判断。故火灾的危险程度可以由烟雾颜色、人员数量、火焰趋势和场景类型共同决定。
具体的,可以为人员数量、火焰颜色、火焰趋势及场景类型分别确定对应的危险系数,然后根据每种指标对应的权重,确定最终的危险评估值,可选的,可以对危险度进行重分类,从而确定火灾现场最终的危险等级,比如一般危险、较大危、重大危险、特重大危险,在此不进行限定。
本公开实施例中,首先获取火灾现场的视频数据,然后根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型,之后根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。由此,可以基于计算机视觉的方法对火灾现场进行静态视频摘要,目标检测以及场景识别,确定出火灾现场的人员数量、火焰颜色、火焰趋势及场景类型等有效评估因素,进而根据每种危险评估因素的特点确定出火灾现场的危险度,能够准确、实时地对火灾现场的危险程度做出分级,非常有利于决策者的实际管理。
图2是本公开一实施例提出的火灾危险等级的确定方法的流程示意图。
如图2所示,该火灾危险等级的确定方法,包括:
S201,获取火灾现场的视频数据。
需要说明的是,步骤S201的具体实现方式可以参照上述实施例,在此不进行赘述。
S202,根据视频数据中每帧图像的清晰度、包含的内容及各帧图像间的时间间隔,确定视频数据中的关键帧。
需要说明的是,视频数据可以对应的是视频帧序列,也即视频流信息,本公开中,可以利用视频静态摘要技术对视频中冗余和模糊的帧进行过滤和筛选,从而获得视频信息的有效帧,也即关键帧。
具体的,可以根据每帧图像的清晰程度以及包含的内容,也即信息量的大小还有各帧图像之间的时间间隔,确定视频帧序列中的关键帧。
其中,关键帧也即具有代表程度的画面,更有利于反映火灾现场的各个因素。
优选的,可以利用LSTM算法,对视频流进行静态视频摘要,除了清晰、信息丰富且冗余较少的帧,还需要记录关键帧对应的时间信息以及关键帧的数量。另在外,在提取关键帧时,关键帧与关键帧的时间间隔应设置某一阈值,从而可以用来防止信息减少过多,影响判断。
S203,对关键帧进行解析,以确定火灾现场的人员数量、火焰颜色、火焰趋势及场景类型。
可选的,本公开中,可以通过预先训练生成的神经网络模型对关键帧进行检测,以确定每个关键帧对应的人员数量、火焰颜色、场景类型以及火焰检测框的对角线长度。
举例来说,可以利用Faster R-CNN算法以Resnet-50作为基础神经网络对任一场景数据集中商业区、办公间、住宅、场馆区、街道区、室外活动区以及自然环境等类场景的图像进行训练,然后将训练后的神经网络作为本发明的场景分类神经网络模型。
通过将关键帧输入该分类神经网络模型,可以确定每个关键帧对应的场景类型标签,比如商业区、办公间以及住宅,在此不做限定。
可选的,还可以采用预先训练生成的目标识别模型对关键帧进行检测,以输出每个关键帧对应的时间信息、人员数量以及火焰检测框的对角线长度。
比如,可以通过yo l ov4算法对烟雾、火焰以及人员进行检测,本公开中,可以预先使用任一火焰烟雾场景数据集为基础进行预训练,通过使用海量张带有标注的烟雾火焰图片对基础神经网络模型进行训练,可以得到目标识别模型。
可选的,可以将关键帧输入至目标识别模型中,以输出每个关键帧对应的时间信息、人员数量以及火焰检测框的对角线长度。
优选的,可以对每个关键帧进行解析,以确定每个关键帧中包含的火焰检测框对应的对角线长度,然后根据每个关键帧间的时间间隔及每个关键帧中包含的火焰检测框对应的对角线长度,确定火焰趋势。
其中,火焰趋势的判断可以是根据火灾开始后画面中火焰检测框大小变化来判断的。比如,可以提取当前帧的前两个关键帧的火焰检测框对角线大小为参考。举例来说,若假设当前关键帧对应时间为Ty,火焰检测框对角线长为Dy,当前帧的前两帧对应的时间为Ty-1,Ty-2,对角线长为Dy-1,Dy-2。
需要说明的是,初始阶段对应一个斜率较低的单调区间上升的凹函数,由于斜率较低,所以斜率低于某个阈值视为火焰燃烧的初始阶段;发展阶段火焰框大小变化对应一个单调区间上升的凹函数;而全面燃烧阶段则对应凸函数或与时间轴平行的一次函数;下降阶段则对应单调区间下降函数。
若当前帧和前两个关键帧的火焰检测框对角线长度和关键帧对应的时间满足以下关系(1),则可以确定当前帧火焰处于初始阶段。
其中,δ为预设的斜率阈值。
若当前帧和前两个关键帧的火焰检测框对角线长度和关键帧对应的时间满足以下关系(2),则可以确定当前帧火焰处于发展阶段。
若当前帧和前两个关键帧的火焰检测框对角线长度和关键帧对应的时间满足以下关系(3),则可以确定当前帧火焰处于全面燃烧阶段。
若当前帧和前两个关键帧的火焰检测框对角线长度和关键帧对应的时间满足以下关系(4),则可以确定当前帧火焰处于下降阶段。
DY<DY-1<DY-2 (4)
S204,根据火焰颜色,确定第一危险系数。
需要说明的是,烟的颜色取决于可燃物的种类,通过烟雾的颜色可以辅助判断现场的火灾燃烧程度以及危险程度。
其中,第一危险系数可以为根据火焰颜色的危险性所确定的系数。
其中,白烟,温度最低、火势不大,设置为一般危险系数。
其中,灰烟,最不可轻视,极为可能为闷烧,也可能是高温待燃,设置为较大危险系数。
其中,黄绿烟,有可能是有毒性的化学物质燃烧,设置为重大危险系数。
其中,黑烟,温度最高、通常在火烧得最猛烈时发生,烟中还夹杂着熊熊火焰,是火灾中最危险的时期,设置为特重大危险系数。
需要说明的是,对于不同的危险系数,可以为其确定不同的对应值,比如一般危险系数可以对应[0,0.25]范围内的值,对于较大危险系数,其可以对应(0.25,0.5]范围内的值,对于重大危险系数,其可以对应(0.5,0.75]范围内的值,对于特重大危险系数,其可以对应(0.75,1]范围内的值。
需要说明的是,上述举例仅为一种示意性说明,本公开在此不进行限定。
S205,根据火焰趋势,确定第二危险系数。
需要说明的是,火焰所处的阶段对应着不同的危险程度,通常火灾的初期阶段危险程度较低,但需要警惕火焰的轰燃;全面燃烧阶段现场温度最高,也是最危险的阶段;在下降阶段,火势会逐渐变小,温度逐渐降低,危险程度也会减少。
因而,可以将火焰趋势的下降阶段对应的危险系数确定为一般危险系数,将火焰趋势的初期阶段对应的危险系数确定为较大危险系数,将火焰趋势的发展阶段对应的危险系数确定为重大危险系数,将火焰趋势的全面燃烧阶段对应的危险系数确定为特重大危险系数。
需要说明的是,对于不同的危险系数,可以为其确定不同的对应值,比如一般危险系数可以对应[0,0.25]范围内的值,对于较大危险系数,其可以对应(0.25,0.5]范围内的值,对于重大危险系数,其可以对应(0.5,0.75]范围内的值,对于特重大危险系数,其可以对应(0.75,1]范围内的值。
S206,根据场景类型,确定第三危险系数。
其中,第三危险系数可以为根据场景类型对应的危险性所确定的。
更具体的,第三风险系数可以是按照可燃物分布和种类的随机性、火源的随机性、人类活动条件在本公开系数体系标准下进行设定的,具体为商业区、办公间、住宅、场馆区、街道区、自然环境以及室外活动区。
其中,商业区、办公间为一类,对应一级危险系数;住宅为一类,对应二级危险系数;场馆区、街道区为一类,对应三级危险系数;自然环境以及室外活动区为一类,对应四级危险系数。
需要说明的是,对于不同的危险系数,可以为其确定不同的对应值,比如一级危险系数可以对应[0,0.25]范围内的值,对于二级危险系数,其可以对应(0.25,0.5]范围内的值,对于三级危险系数,其可以对应(0.5,0.75]范围内的值,对于四级危险系数,其可以对应(0.75,1]范围内的值。
需要说明的是,上述举例仅为一种示意性说明,本公开在此不进行限定。
S207,根据人员数量,确定第四危险系数。
需要说明的是,人员数量多意味着有更高的人员伤亡风险,所以人员数量的检测也是有必要的。
其中,第四危险系数可以为根据人员数量所确定的危险系数。
本公开中,可以基于火灾现场的人数,设置对应的危险系数,比如在确定了火灾现场的人数为P之后,若P小于10,则可以确定危险系数为初级危险系数,若P处于[10,50),则可以确定危险系数为中级危险系数,若P处于[50,100),则可以确定危险系数为高级危险系数,若P大于等于100,则可以确定危险系数为特重大危险系数。
需要说明的是,对于不同的危险系数,可以为其确定不同的对应值,比如初级危险系数可以对应[0,0.25]范围内的值,对于中级危险系数,其可以对应(0.25,0.5]范围内的值,对于高级危险系数,其可以对应(0.5,0.75]范围内的值,对于特重大危险系数,其可以对应(0.75,1]范围内的值。
需要说明的是,上述举例仅为一种示意性说明,本公开在此不进行限定。
S208,根据第一危险系数、第二危险系数、第三危险系数以及第四危险系数,确定危险等级。
可以理解的是,火灾从引燃增长至高峰再至火势渐缓的过程,以及其破坏程度、危险程度都与火灾场景有着密切的联系,场景中不同的建筑结构、火灾荷载情况、火灾蔓延可能性、热释放速率等因素对于现场风险评估有着极大的影响。人造环境相较自然场景通常有着更丰富的可燃物种类、更多样的燃烧特性和更狭小的空间,依此将城市火灾场景按照风险隐患分为商业区、办公间、住宅、场馆区、街道区、自然环境以及室外活动区,利用场景识别算法将关键帧分入上述类别,并对应其场景风险系数,作为风险评估基础。
可选的,可以根据预设的参考权重,及第一危险系数、第二危险系数、第三危险系数以及第四危险系数,确定危险等级。
需要说明的是,对于每个危险系数,都可以预设有相对应的参考权重,比如对于第一危险系数,可以设置有对应火焰颜色的参考权重,对于第二危险系数,可以设置有对应火焰趋势的参考权重,对于第三危险系数,可以设置有对应人员数量的参考权重,对于第四危险系数,可以设置有对应场景类型的参考权重。
举例来说,设置第一危险系数为A,其对应的参考权重为a1,第二危险系数为B,其对应的参考权重为a2,第三危险系数为C,其对应的参考权重为a3,第四危险系数为D,其对应的参考权重为a4,则可以确定危险评估值为S=A*a1+B*a2+C*a3+D*a4。
在确定了危险评估值之后,则可以根据S所在的范围,确定其对应的危险等级,比如一般危险、较大危险、重大危险、特重大危险,在此不进行限定。
本公开实施例中,首先获取火灾现场的视频数据,然后根据所述视频数据中每帧图像的清晰度、包含的内容及各帧图像间的时间间隔,确定所述视频数据中的关键帧,对所述关键帧进行解析,以确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型,之后根据所述火焰颜色,确定第一危险系数,根据所述火焰趋势,确定第二危险系数,根据所述场景类型,确定第三危险系数,根据所述人员数量,确定第四危险系数,根据所述第一危险系数、所述第二危险系数、所述第三危险系数以及所述第四危险系数,确定危险等级。由此,可以提取火灾现场视频数据的有效帧和有效参考信息,根据人员数量、火焰颜色、火焰趋势及场景类型等重要因素,对火灾现场的危险程度进行分级,从而及时地帮助决策者做出正确决策。
如图3所示,该火灾危险等级的确定装置300包括:获取模块310,第一确定模块320、第二确定模块330。
获取模块,用于获取火灾现场的视频数据;
第一确定模块,用于根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型;
第二确定模块,用于根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。
可选的,所述第一确定模块,包括:
第一确定单元,用于根据所述视频数据中每帧图像的清晰度、包含的内容及各帧图像间的时间间隔,确定所述视频数据中的关键帧;
解析单元,用于对所述关键帧进行解析,以确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型。
可选的,所述解析单元,具体用于:
对每个所述关键帧进行解析,以确定每个所述关键帧中包含的火焰检测框对应的对角线长度;
根据每个所述关键帧间的时间间隔及每个所述关键帧中包含的火焰检测框对应的对角线长度,确定所述火焰趋势。
可选的,所述第二确定模块,包括:
第二确定单元,用于根据所述火焰颜色,确定第一危险系数;
第三确定单元,用于根据所述火焰趋势,确定第二危险系数;
第四确定单元,用于根据所述场景类型,确定第三危险系数;
第五确定单元,用于根据所述人员数量,确定第四危险系数;
第六确定单元,用于根据所述第一危险系数、所述第二危险系数、所述第三危险系数以及所述第四危险系数,确定危险等级。
可选的,所述第六确定单元,具体用于:
根据预设的参考权重,及所述第一危险系数、第二危险系数、第三危险系数以及第四危险系数,确定危险等级。
本公开实施例中,首先获取火灾现场的视频数据,然后根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型,之后根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。由此,可以基于计算机视觉的方法对火灾现场进行静态视频摘要,目标检测以及场景识别,确定出火灾现场的人员数量、火焰颜色、火焰趋势及场景类型等有效评估因素,进而根据每种危险评估因素的特点确定出火灾现场的危险度,能够准确、实时地对火灾现场的危险程度做出分级,非常有利于决策者的实际管理。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如火灾危险等级的确定方法。例如,在一些实施例中,火灾危险等级的确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的火灾危险等级的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行火灾危险等级的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(AS I C)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtua l Pr i vate Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
本公开实施例中,首先获取火灾现场的视频数据,然后根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型,之后根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。由此,可以基于计算机视觉的方法对火灾现场进行静态视频摘要,目标检测以及场景识别,确定出火灾现场的人员数量、火焰颜色、火焰趋势及场景类型等有效评估因素,进而根据每种危险评估因素的特点确定出火灾现场的危险度,能够准确、实时地对火灾现场的危险程度做出分级,非常有利于决策者的实际管理。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,应包含在本公开保护范围之内。
Claims (13)
1.一种火灾危险等级的确定方法,其特征在于,包括:
获取火灾现场的视频数据;
根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型;
根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。
2.如权利要求1所述的方法,其特征在于,所述根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型,包括:
根据所述视频数据中每帧图像的清晰度、包含的内容及各帧图像间的时间间隔,确定所述视频数据中的关键帧;
对所述关键帧进行解析,以确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型。
3.如权利要求2所述的方法,其特征在于,所述对所述关键帧进行解析,以确定所述火灾现场的火焰趋势,包括:
对每个所述关键帧进行解析,以确定每个所述关键帧中包含的火焰检测框对应的对角线长度;
根据每个所述关键帧间的时间间隔及每个所述关键帧中包含的火焰检测框对应的对角线长度,确定所述火焰趋势。
4.根据权利要求1-3任一所述的方法,其特征在于,所述根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级,包括:
根据所述火焰颜色,确定第一危险系数;
根据所述火焰趋势,确定第二危险系数;
根据所述场景类型,确定第三危险系数;
根据所述人员数量,确定第四危险系数;
根据所述第一危险系数、所述第二危险系数、所述第三危险系数以及所述第四危险系数,确定危险等级。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一危险系数、第二危险系数、第三危险系数以及第四危险系数,确定危险等级,包括:
根据预设的参考权重,及所述第一危险系数、第二危险系数、第三危险系数以及第四危险系数,确定危险等级。
6.一种火灾危险等级的确定装置,其特征在于,包括:
获取模块,用于获取火灾现场的视频数据;
第一确定模块,用于根据所述视频数据,确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型;
第二确定模块,用于根据所述人员数量、火焰颜色、火焰趋势及场景类型,确定所述火灾的危险等级。
7.如权利要求6所述的装置,其特征在于,所述第一确定模块,包括:
第一确定单元,用于根据所述视频数据中每帧图像的清晰度、包含的内容及各帧图像间的时间间隔,确定所述视频数据中的关键帧;
解析单元,用于对所述关键帧进行解析,以确定所述火灾现场的人员数量、火焰颜色、火焰趋势及场景类型。
8.如权利要求7所述的装置,其特征在于,所述解析单元,具体用于:
对每个所述关键帧进行解析,以确定每个所述关键帧中包含的火焰检测框对应的对角线长度;
根据每个所述关键帧间的时间间隔及每个所述关键帧中包含的火焰检测框对应的对角线长度,确定所述火焰趋势。
9.根据权利要求6-8任一所述的装置,其特征在于,所述第二确定模块,包括:
第二确定单元,用于根据所述火焰颜色,确定第一危险系数;
第三确定单元,用于根据所述火焰趋势,确定第二危险系数;
第四确定单元,用于根据所述场景类型,确定第三危险系数;
第五确定单元,用于根据所述人员数量,确定第四危险系数;
第六确定单元,用于根据所述第一危险系数、所述第二危险系数、所述第三危险系数以及所述第四危险系数,确定危险等级。
10.根据权利要求9所述的装置,其特征在于,所述第六确定单元,具体用于:
根据预设的参考权重,及所述第一危险系数、第二危险系数、第三危险系数以及第四危险系数,确定危险等级。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够实现如权利要求1至5中任一项所述的火灾危险等级的确定方法。
12.一种计算机可读存储介质,当所述计算机可读存储介质中的指令由服务器的处理器执行时,使得服务器能够执行如权利要求1至5中任一项所述的火灾危险等级的确定方法。
13.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1至5中任一项所述的火灾危险等级的确定方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111640215.6A CN114494944A (zh) | 2021-12-29 | 2021-12-29 | 火灾危险等级的确定方法、装置、设备及存储介质 |
PCT/CN2022/142553 WO2023125588A1 (zh) | 2021-12-29 | 2022-12-27 | 火灾危险等级的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111640215.6A CN114494944A (zh) | 2021-12-29 | 2021-12-29 | 火灾危险等级的确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494944A true CN114494944A (zh) | 2022-05-13 |
Family
ID=81507858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111640215.6A Pending CN114494944A (zh) | 2021-12-29 | 2021-12-29 | 火灾危险等级的确定方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114494944A (zh) |
WO (1) | WO2023125588A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125588A1 (zh) * | 2021-12-29 | 2023-07-06 | 北京辰安科技股份有限公司 | 火灾危险等级的确定方法及装置 |
CN116824462A (zh) * | 2023-08-30 | 2023-09-29 | 贵州省林业科学研究院 | 一种基于视频卫星的森林智能防火方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597603B (zh) * | 2023-07-19 | 2023-10-10 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警系统及其控制方法 |
CN117409193B (zh) * | 2023-12-14 | 2024-03-12 | 南京深业智能化系统工程有限公司 | 一种烟雾场景下的图像识别方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324064B (zh) * | 2011-08-25 | 2013-06-19 | 陈�光 | 基于传感带的动态火灾风险评估方法与系统 |
CN103065413B (zh) * | 2012-12-13 | 2016-01-20 | 中国电子科技集团公司第十五研究所 | 获取火灾等级信息的方法及装置 |
US9710867B2 (en) * | 2015-03-20 | 2017-07-18 | Tata Consultancy Services, Ltd. | Computer implemented system and method for determining geospatial fire hazard rating of an entity |
CN109800961A (zh) * | 2018-12-27 | 2019-05-24 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾救援决策方法、装置、存储介质及终端设备 |
CN111681355A (zh) * | 2020-06-03 | 2020-09-18 | 安徽沧浪网络科技有限公司 | 一种适用智慧校园的安防系统 |
CN114494944A (zh) * | 2021-12-29 | 2022-05-13 | 北京辰安科技股份有限公司 | 火灾危险等级的确定方法、装置、设备及存储介质 |
-
2021
- 2021-12-29 CN CN202111640215.6A patent/CN114494944A/zh active Pending
-
2022
- 2022-12-27 WO PCT/CN2022/142553 patent/WO2023125588A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125588A1 (zh) * | 2021-12-29 | 2023-07-06 | 北京辰安科技股份有限公司 | 火灾危险等级的确定方法及装置 |
CN116824462A (zh) * | 2023-08-30 | 2023-09-29 | 贵州省林业科学研究院 | 一种基于视频卫星的森林智能防火方法 |
CN116824462B (zh) * | 2023-08-30 | 2023-11-07 | 贵州省林业科学研究院 | 一种基于视频卫星的森林智能防火方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023125588A1 (zh) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114494944A (zh) | 火灾危险等级的确定方法、装置、设备及存储介质 | |
CN109522819B (zh) | 一种基于深度学习的火灾图像识别方法 | |
CN110648490B (zh) | 适用于嵌入式平台的多因子火焰识别方法 | |
CN107547555A (zh) | 一种网站安全监测方法及装置 | |
US20160098478A1 (en) | Document sorting system, document sorting method, and document sorting program | |
CN111126293A (zh) | 一种火焰和烟雾异常情况检测方法及系统 | |
CN114237087A (zh) | 监控系统预警方法、装置及计算机可读存储介质 | |
Wong et al. | Experimental study of video fire detection and its applications | |
KR20090006397A (ko) | 동영상 유통 환경에서 유해 동영상의 다단계 차단 시스템및 방법 | |
CN106603999A (zh) | 视频监控报警方法与系统 | |
CN112948897B (zh) | 一种基于drae与svm相结合的网页防篡改检测方法 | |
CN106775219B (zh) | 一种光标联动方法和装置 | |
CN112153373A (zh) | 明厨亮灶设备的故障识别方法、装置及存储介质 | |
CN114155457A (zh) | 基于火焰动态识别的控制方法及控制装置 | |
CN113299034B (zh) | 一种适应多场景的火焰识别预警方法 | |
CN108537990A (zh) | 一体机欺诈判断方法、装置、设备及计算机可读存储介质 | |
CN117197658A (zh) | 基于多情境生成图像的建筑火灾多目标检测方法与系统 | |
CN117093822A (zh) | 基于产业知识图谱的产业大脑数据分析平台 | |
CN110659399B (zh) | 突发事件演化图显示方法和装置 | |
CN116503494A (zh) | 一种红外图像生成方法、装置、设备以及存储介质 | |
CN110503005A (zh) | 基于智慧社区的吸烟检测方法、系统及其存储介质 | |
CN103593938B (zh) | 一种基于视频图像纵向特征的火灾检测方法 | |
CN114446002B (zh) | 火灾在线监测方法、装置、介质及系统 | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
CN114862479A (zh) | 信息推送方法、装置、电子设备和介质 |
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 |