CN114519834A - 一种高层火灾隐患预警方法、装置及应用 - Google Patents
一种高层火灾隐患预警方法、装置及应用 Download PDFInfo
- Publication number
- CN114519834A CN114519834A CN202210158824.6A CN202210158824A CN114519834A CN 114519834 A CN114519834 A CN 114519834A CN 202210158824 A CN202210158824 A CN 202210158824A CN 114519834 A CN114519834 A CN 114519834A
- Authority
- CN
- China
- Prior art keywords
- fire hazard
- rise
- early warning
- index
- building
- 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
- 238000007689 inspection Methods 0.000 claims abstract description 70
- 230000008447 perception Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001960 triggered effect Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 5
- 238000013024 troubleshooting Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Alarm Systems (AREA)
Abstract
本申请提出了一种高层火灾隐患预警方法、装置及应用，包括以下步骤：采集消防安全网格治理检查数据、物联感知系统数据及视频感知系统数据形成高层火灾隐患预警原始数据库；对原始数据库进行归整处理形成基于目标高层建筑检查点位的数据资源库；依据数据资源库，分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标；依据三个指标，计算高层火灾隐患预警综合指数；依据高层火灾隐患预警综合指数的分值，将目标高层建筑火灾隐患情况按目标高层建筑的楼宇点位展示于GIS地图上并触发对应的防范预警信号。本申请具有提升高层建筑火灾隐患的防控水平，有效防范化解高层建筑重大安全风险的优点。
Description
技术领域
本申请涉及消防技术领域，特别是涉及一种高层火灾隐患预警方法、装置及应用。
背景技术
随着我国社会经济的不断繁荣发展，高层建筑从某方面来说体现了一座城市的经济实力。但随之而来的是，高层建筑成为“火灾多发场所、火灾隐患集中区、消防举报投诉高发地”，火灾风险长期处于高位，给火灾防控工作带来巨大压力与挑战。
在《建筑设计防火规范》GB50016-2014里规定：建筑高度大于27m的住宅建筑和建筑高度大于24m的非单层厂房、仓库和其他民用建筑为高层建筑。高层火灾隐患是指高层建筑不符合消防法律规范，可能导致火灾发生或火灾危害增大，并由此可能造成特大火灾事故后果和严重的社会影响。
因此，亟待一种能在社会治理层面精确高效地对高层火灾隐患进行预警的方法和装置及其应用。
发明内容
本申请实施例提供了一种高层火灾隐患预警方法、装置及应用，针对目前高层消防安全综合治理存在的诸多问题。
第一方面，本申请提供了一种高层火灾隐患预警方法，所述方法包括以下步骤：
采集消防安全网格治理检查数据、物联感知系统数据及视频感知系统数据形成高层火灾隐患预警原始数据库；
对高层火灾隐患预警原始数据库进行归整处理形成基于目标高层建筑检查点位的数据资源库；
依据目标高层建筑检查点位的数据资源库，分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标；
依据高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标，计算目标高层建筑的高层火灾隐患预警综合指数；
依据高层火灾隐患预警综合指数，将目标高层建筑火灾隐患情况按检查点位展示于GIS地图上并触发对应的防范预警信号。
进一步地，消防安全网格治理检查数据包括楼宇检查点位信息、检查日期、检查人员、发现问题类型、发现问题数量及整改问题数量；
物联感知系统数据包括物联感知设备种类、物联感知设备名称、物联感知设备编号、物联感知探测数据、物联感知设备预警信号及物联感知装置位置信息；
视频感知系统数据包括视频感知设备种类、视频感知设备名称、视频感知设备编号、视频感知探测数据、视频感知设备预警信号及视频感知设备装置位置信息。
在一种实施方式中，在“对高层火灾隐患预警原始数据库进行规整处理形成基于目标高层建筑检查点位的数据资源库”步骤中，依据检查点位将目标高层建筑的楼层平面划分为多个区域，并对每个区域按照楼宇名称、楼层数及点位序号进行一一编码形成检查点位，并分别将目标高层建筑内的物联感知设备和视频感知设备依据所属区域关联至对应最近的检查点位。
在一种实施方式中，在“分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标”步骤中，高层火灾隐患治理问题概率指标建立的具体步骤为：
获取目标高层建筑中检查点位的总数以及需查检的检查点位总数；
以目标高层建筑中检查点位的总数和需查检的检查点位总数计算出目标高层建筑的楼宇点位检查率和平均检查楼宇点位问题指数，并以该楼宇点位检查率作为目标高层建筑的火灾隐患率；
依据平均检查楼宇点位问题指数和火灾隐患率计算得到目标高层建筑的高层火灾隐患治理问题概率指标。
在一种实施方式中，以楼宇点位检查率和平均检查楼宇点位问题指数作为单个检查点位的火灾隐患。
在一种实施方式中，在“分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标”步骤中，物联感知火灾隐患指标建立的具体步骤为：
获取每个检查点位内物联感知设备的检测数据；
将检测数据按照浓度和/或温度高低划分为多个区间范围并赋值；
以赋值数据形成目标高层建筑的物联感知火灾隐患指标。
在一种实施方式中，在“分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标”步骤中，视频感知火灾隐患指标建立的具体步骤为：
获取每个检查点位的视频感知设备的视频感知数据；
利用视频识别算法对视频感知数据中易引发火灾行为和场景识别分析，输出视频感知火灾隐患指标。
在一种实施方式中，视频识别算法具体步骤包括：
获取多源视频数据，从视频数据中每一帧图像的二维空间和时间维度进行整体和局部特征提取，并对视频的整体和局部特征进行编码描述；
对视频的整体和局部特征编码建立分类特征，根据分类准则将具有不同特征的数据划分到不同类别；
对分类特征进行回归分析、聚类分析及关联分析，建立火灾隐患和相关特征的依赖关系；
基于深度学习算法，对特征提取和特征分类及分析能力进行迭代优化。
在一种实施方式中，在“计算目标高层建筑的高层火灾隐患预警综合指数”步骤中，目标高层建筑的高层火灾隐患预警综合指数的具体计算步骤为：
对高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标进行加权计算得到目标高层建筑的高层火灾隐患预警综合指数，并依据高层火灾隐患预警综合指数建立预警信息触发规则；
若触发预警信息触发规则的设定条件，自动触发预警信号并启动社会治理火灾隐患处理流程；
若未触发预警信息触发规则的设定条件，则持续更新高层火灾隐患预警综合指数。
在一种实施方式中，在“依据高层火灾隐患预警综合指数的分值，将目标高层建筑火灾隐患情况按目标高层建筑的楼宇点位展示于GIS地图上并触发对应的防范预警信号”步骤中，将每个检查点位的隐患预警分值从低到高或从高到低标识为不同颜色的多个级别，并设定每个级别的后端管控流程，其中每个级别包括一段范围的隐患预警分值，隐患预警分值为高层火灾隐患预警综合指数中每个检查点位的数值体现；
将每个检查点位按照对应级别展示于GIS地图上，以展示每个检查点位的火灾隐患情况。
第二方面，本申请提供了一种高层火灾隐患预警装置，包括：
采集单元，用于采集高层建筑排查系统数据、物联感知系统数据及视频感知系统数据形成高层火灾隐患预警原始数据库；
计算单元，用于对高层火灾隐患预警原始数据库进行归整处理形成基于目标高层建筑检查点位的数据资源库；依据目标高层建筑检查点位的数据资源库，分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标；依据高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标，计算目标高层建筑的高层火灾隐患预警综合指数；
展示单元，用于依据高层火灾隐患预警综合指数的分值，将目标高层建筑火灾隐患情况按目标高层建筑的楼宇点位展示于GIS地图上并触发对应的防范预警信号。
第三方面，本申请提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的一种高层火灾隐患预警方法。
第四方面，本申请提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的一种高层火灾隐患预警方法。
第五方面，本申请提供了一种计算机程序产品，包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行上述的一种高层火灾隐患预警方法。
本申请的主要贡献和创新点如下：
1、本申请实施例通过对消防安全网格治理检查报告、物联感知设备数据和视频感知设备数据等多种数据融合分析，全面掌握高层建筑消防安全状况识别潜在隐患，避免信息源单一造成的信息缺失、偏差或误判，实现对高层火灾隐患的精准动态监测，将火灾风险防控关口前移，更好地规范物业，单位和相关单位，从而解决了现有技术中的问题，可以做到白分开的全面检查，有效发现和排除隐患；
2、本申请实施例建立分类分层的高层火灾隐患预警模式，形成监测预警、预防预控、联动处置的管理闭环，提升高层建筑火灾隐患的防控水平，有效防范化解高层建筑重大安全风险，从而解决了现有技术中相关部门信息共享和联动不充分，高层消防安全检查结果发现的问题处置缺少协同处置等问题，能够对高层火灾隐患进行精确量化的评估，在火灾隐患预警中发挥有效作用。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的高层火灾隐患预警方法的流程图；
图2是高层火灾隐患治理问题概率指标建立的具体步骤流程图；
图3是物联感知火灾隐患指标建立的具体步骤流程图；
图4是视频感知火灾隐患指标建立的具体步骤流程图；
图5是视频识别算法具体步骤流程图；
图6是根据本申请实施例的高层火灾隐患预警装置的结构框图；
图7是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请旨在提出建立一种分类分层的高层火灾隐患预警模式，形成监测预警、预防预控、联动处置的管理闭环，提升高层建筑火灾隐患的防控水平，有效防范化解高层建筑重大安全风险。
本申请提供的一种面向社会治理的高层火灾隐患预警的方法包括以下步骤：
将高层建筑排查系统、物联感知及视频感知平台数据信息进行实时归集与治理；
根据数据治理结果，将数据归整为治理检查情况(包括检查点位数、点位总数、检查问题情况三项内容)、物联感知判断、视频感知判断三类指标数据；
根据三类指标数据，综合计算高层火灾隐患指数；
根据高层火灾隐患指数，对具有高层火灾隐患的点位通过GIS地图展示并触发防范预警信号。
更为完整地步骤中本申请实施例提供了一种高层火灾隐患预警方法，能在社会治理层面精确高效地对高层火灾隐患进行预警，具体地，参考图1，该方法包括以下步骤：
S000、采集高层建筑排查系统数据、物联感知系统数据及视频感知系统数据形成高层火灾隐患预警原始数据库，其中高层建筑排查系统数据为消防安全网格治理检查数据；
其中，消防安全网格治理检查数据包括楼宇检查点位信息、检查日期、检查人员、发现问题类型、发现问题数量及整改问题数量；
其中，物联感知系统数据包括物联感知设备种类、物联感知设备名称、物联感知设备编号、物联感知探测数据、物联感知设备预警信号及物联感知装置位置信息；
其中，视频感知系统数据包括视频感知设备种类、视频感知设备名称、视频感知设备编号、视频感知探测数据、视频感知设备预警信号及视频感知设备装置位置信息；
S100、对高层火灾隐患预警原始数据库进行归整处理形成基于目标高层建筑检查点位的数据资源库；
其中，依据检查点位将目标高层建筑的楼层平面划分为多个区域，并对每个区域按照楼宇名称、楼层数及点位序号进行一一编码形成检查点位，并分别将目标高层建筑内的物联感知设备和视频感知设备依据所属区域关联至对应最近的检查点位；
在本实施例中，按照检查点位，将高层建筑楼层平面划分为若干区域，并设定为一点一编码，按照楼宇名称缩写、楼层、点位序号，对检查点位进行统一编码(如一栋高层建筑，每一层楼的同一朝向区域为一个点位，因为同一朝向人流组织较为通畅，根据灭火条件和风险等级来说，当高层建筑出现火灾，消防员利用同一消防登高面，可以直接进入相同朝向的楼层，即同一区域/点位，划分为同一区域，同时将其检查数据设置为同一个点位)；
S200、依据目标高层建筑检查点位的数据资源库，分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标；
其中，如图2所示，高层火灾隐患治理问题概率指标建立的具体步骤为：
S210、获取目标高层建筑中检查点位的总数以及需查检的检查点位总数；
S220、以目标高层建筑中检查点位的总数和需查检的检查点位总数计算出目标高层建筑的楼宇点位检查率和平均检查楼宇点位问题指数，并以该楼宇点位检查率作为目标高层建筑的火灾隐患率；
S230、依据平均检查楼宇点位问题指数和火灾隐患率计算得到目标高层建筑的高层火灾隐患治理问题概率指标；以楼宇点位检查率和平均检查楼宇点位问题指数作为单个检查点位的火灾隐患；
其中，如图3所示，物联感知火灾隐患指标建立的具体步骤为：
S240、获取每个检查点位内物联感知设备的检测数据；
S250、将检测数据按照浓度和/或温度高低划分为多个区间范围并赋值；
S260、以赋值数据形成目标高层建筑的物联感知火灾隐患指标；
其中，如图4所示，视频感知火灾隐患指标建立的具体步骤为：
S270、获取每个检查点位的视频感知设备的视频感知数据；
S280、利用视频识别算法对视频感知数据中易引发火灾行为和场景识别分析，输出视频感知火灾隐患指标；
优选地，如图5所示，视频识别算法具体步骤包括：
S281、获取多源视频数据，从视频数据中每一帧图像的二维空间和时间维度进行整体和局部特征提取，并对视频的整体和局部特征进行编码描述；
S282、采用级联分类器对视频的整体和局部特征编码建立分类特征，根据分类准则将具有不同特征的数据划分到不同类别；
其中，分类特征包括物体特征、人脸特征、行为特征和场景特征，细分为：消防器材丢失、消防设施破坏、消防设备打开、电瓶车进电梯、燃烧物品、安全出口堵塞等；
S283、对分类特征进行回归分析、聚类分析及关联分析，建立火灾隐患和相关特征的依赖关系；
主要是对火灾隐患进行针对性提出预警，与火灾隐患指数计算没有关系，通过对特征分析归类是为了更好地处理点位上的火灾隐患问题，对特征归类同时有利于提高视频感知能力；
S284、利用基于神经网络的深度学习算法，对特征提取和特征分类及分析能力进行迭代优化；
不仅限于本实施例公开的视觉识别算法，也可以是其他能够起到同样效果的算法，这里不做限定；
S300、依据高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标，计算目标高层建筑的高层火灾隐患预警综合指数；
其中，目标高层建筑的高层火灾隐患预警综合指数的具体计算步骤为：
S310、对高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标进行加权计算得到目标高层建筑的高层火灾隐患预警综合指数，并依据高层火灾隐患预警综合指数建立预警信息触发规则；
其中，计算公式为：
Tn＝W1*P1n+W2*P2n+W3*P3n；
其中，W1表示高层火灾隐患治理问题概率指标权重，W2表示物联感知火灾隐患指标权重，W3表示视频感知火灾隐患指标权重。(指标权重为1/3)。
S320、若触发预警信息触发规则的设定条件，自动触发预警信号并启动社会治理火灾隐患处理流程；若未触发预警信息触发规则的设定条件，则持续更新高层火灾隐患预警综合指数；
其中，根据预警指数建立预警信息触发规则，如当P2n>3或P3n>3时，表示可能存在火灾情况，直接向相关部门触发预警信号，启动社会治理火灾隐患处置流程。否则计算预警指数Tn，Tn分值越大表示在n点位的高层火灾隐患越高 S400、依据高层火灾隐患预警综合指数的分值，将目标高层建筑火灾隐患情况按目标高层建筑的楼宇点位展示于GIS地图上并触发对应的防范预警信号。
其中，通过高斯分布视图将每个检查点位的隐患预警分值从低到高或从高到低标识为不同颜色的多个级别，并设定每个级别的后端管控流程，其中每个级别包括一段范围的隐患预警分值，隐患预警分值为高层火灾隐患预警综合指数中每个检查点位的数值体现；
将每个检查点位按照对应级别展示于GIS地图上，以展示每个检查点位的火灾隐患情况。
优选地，在步骤S400中，级别为红、黄、绿三个等级，将一个标准差范围内的楼宇点位信息以红色点位在GIS地图上展示，表示n点位存在较高的火灾隐患风险，启动社会治理火灾隐患排查流程；
将两个标准差范围内的楼宇点位信息以黄色在GIS地图展示，表示n点位存在一定的火灾隐患风险，启动社会治理火灾隐患摸底流程；
将三个标准差范围内的楼宇点位信息以绿色在GIS地图上展示，表示火灾隐患较低，通过常规治理关注即可。
优选地，在步骤S200中，根据高层建筑排查系统的消防安全网格治理检查数据，设定高层火灾隐患治理问题概率指标P1n，并且根据所述高层火灾隐患治理问题概率指标从所有数据中筛选出对应所述高层火灾隐患治理问题概率指标的值，具体为：
筛选同一点位最近一次检查日期的检查表，统计检查出的问题数量；
统计当前日期和最近检查日期的日期差；
以检查问题的数量和日期差相乘，并汇总统计所有已检查点位的上述乘积，定义为问题检查情况指标Qn。n表示编号为n的点位。其中，检查问题的数量与日期差的乘积，反映问题整改的效率，同时也可以反映火灾隐患程度，当乘积越大，证明火灾隐患越大，乘积越小，火灾隐患越小。
统计检查楼宇点位总数N；
以所述检查楼宇点位总数作为分子，检查楼宇点位总数为分母，计算出平均检查楼宇点位的问题指数X，X＝Qn/N；
统计需检查楼宇点位总数M；
以所述检查楼宇点位总数N为分母，需检查楼宇点位总数M为分子，计算检查率Y,Y＝M/N。发现有问题的点位，可以得出有问题的点位数占总点位数比例。
具体来说，现代高层建筑为钢筋混凝土结构，当某个点位(楼中某区域) 具有火灾隐患，发生火灾，蔓延程度为该区域或者上下楼层，或上2个楼层，消防相应速度内，正常火灾不会影响整栋大楼安全，所以按照点位检查率，可以判断整栋大楼的火灾隐患，即设定整栋大楼被火灾湮没的值设定为100％，检查率为10％，检查率≈火灾隐患概率≈火灾损害率。
根据上述，可得以下几个数值：
Qn：代表n点位的问题数量；
X：平均检查楼宇点位的问题指数；
Y：楼宇点位检查率，即整个楼宇的火灾隐患率。
每一个区域(点位)，当火灾发生时我们将对火灾影响情况划分，可分为四种类型：基础环境特征，消防基础设施(如消防栓，逃生通道等)，灭火救援能力，以及管理和安全教育，当一栋大楼发生火灾，每个点位所具备的对火灾情况影响的设备及能力，均可通用。同理，每个点位的火灾隐患，同样也是整个大楼的火灾隐患。
所以单个点位的火灾隐患为总火灾隐患+单点位火灾隐患，即P1n＝Qn+X。
因此整栋大楼的火灾隐患为P1＝Y＝M/N。
以平均检查楼宇点位的问题指数为分子，检查率为分母，计算高层火灾隐患治理问题概率指标P1n＝X/Y。
优选地，步骤S200中，通过独立烟感、温感、气感智能物联感知设备对室内烟雾浓度、温度、有害气体浓度等进行探测并提供监测结果数据；
将监测结果数据按照无异常、低浓度(温度)、较低浓度(温度)、高浓度(温度)、超高浓度(温度)划分为5个区间范围，分别以0、1、2、3、4、 5进行赋值；
物联感知火灾隐患指标P2n＝{0，1，2，3，4，5}。n表示第n个点位。
优选地，在步骤S200中，通过采集关键点位的监控卡口监控设备、电梯口和电梯内监控设备、消防设备关键点位监控设备、消防通道监控设备等视频感知数据，利用视频识别算法，对消防通道堵塞、消防设备破坏、消防设备丢失、违规充电、违规使用明火等易引发火灾的行为和场景进行自动识别和智能分析，进行预警研判，输出视频感知火灾隐患指标P3n。
实施例二
基于相同的构思，参考图6，本申请还提出了一种高层火灾隐患预警装置，包括：
采集单元301，用于采集高层建筑排查系统数据、物联感知系统数据及视频感知系统数据形成高层火灾隐患预警原始数据库；
计算单元302，用于对高层火灾隐患预警原始数据库进行归整处理形成基于目标高层建筑检查点位的数据资源库；依据目标高层建筑检查点位的数据资源库，分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标；依据高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标，计算目标高层建筑的高层火灾隐患预警综合指数；
展示单元303，用于依据高层火灾隐患预警综合指数的分值，将目标高层建筑火灾隐患情况按目标高层建筑的楼宇点位展示于GIS地图上并触发对应的防范预警信号。
实施例三
本实施例还提供了一种电子装置，参考图7，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemo ry，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-Onl yMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-Only Memory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-Acc essMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessM emory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMe mory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRa ndom-AccessMemory，简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种高层火灾隐患预警方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是检查点位编码、具体位置、检查日期、检查人员、发现问题数量、整改问题数量、物联设备名称、物联感知设备种类、物联设备编号、物联感知探测的结果数据、物联感知设备预警信号、物联感知装置位置、视频设备名称、视频感知设备种类、视频设备编号、视频感知探测数据、视频感知设备预警信号、视频感知设备装置位置等。
实施例四
本申请提供了一种可读存储介质，如U盘或硬盘等，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的一种高层火灾隐患预警方法。
实施例五
本申请提供了一种计算机程序产品，包括软件代码部分，当计算机程序产品在计算机上被运行时，软件代码部分用于执行上述的一种高层火灾隐患预警方法。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以作出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种高层火灾隐患预警方法，其特征在于，包括以下步骤：
采集消防安全网格治理检查数据、物联感知系统数据及视频感知系统数据形成高层火灾隐患预警原始数据库；
对高层火灾隐患预警原始数据库进行归整处理形成基于目标高层建筑检查点位的数据资源库；
依据所述目标高层建筑检查点位的数据资源库，分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标；
依据所述高层火灾隐患治理问题概率指标、所述物联感知火灾隐患指标及所述视频感知火灾隐患指标，计算所述目标高层建筑的高层火灾隐患预警综合指数；
依据所述高层火灾隐患预警综合指数，将目标高层建筑火灾隐患情况按所述检查点位展示于GIS地图上并触发对应的防范预警信号。
2.根据权利要求1所述的一种高层火灾隐患预警方法，其特征在于，
所述消防安全网格治理检查数据包括楼宇检查点位信息、检查日期、检查人员、发现问题类型、发现问题数量及整改问题数量；
所述物联感知系统数据包括物联感知设备种类、物联感知设备名称、物联感知设备编号、物联感知探测数据、物联感知设备预警信号及物联感知装置位置信息；
所述视频感知系统数据包括视频感知设备种类、视频感知设备名称、视频感知设备编号、视频感知探测数据、视频感知设备预警信号及视频感知设备装置位置信息。
3.根据权利要求1或2所述的一种高层火灾隐患预警方法，其特征在于，在“对高层火灾隐患预警原始数据库进行规整处理形成基于目标高层建筑检查点位的数据资源库”步骤中，依据所述检查点位将目标高层建筑的楼层平面划分为多个区域，并对每个所述区域按照楼宇名称、楼层数及点位序号进行一一编码形成检查点位，并分别将所述目标高层建筑内的物联感知设备和视频感知设备依据所属区域关联至对应最近的检查点位。
4.根据权利要求1或2所述的一种高层火灾隐患预警方法，其特征在于，在“分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标”步骤中，所述高层火灾隐患治理问题概率指标建立的具体步骤为：
获取所述目标高层建筑中检查点位的总数以及需查检的检查点位总数；
以所述目标高层建筑中检查点位的总数和所述需查检的检查点位总数计算出所述目标高层建筑的楼宇点位检查率和平均检查楼宇点位问题指数，并以该楼宇点位检查率作为所述目标高层建筑的火灾隐患率；
依据所述平均检查楼宇点位问题指数和所述火灾隐患率计算得到所述目标高层建筑的高层火灾隐患治理问题概率指标。
5.根据权利要求4所述的一种高层火灾隐患预警方法，其特征在于，以所述楼宇点位检查率和所述平均检查楼宇点位问题指数作为单个所述检查点位的火灾隐患。
6.根据权利要求1或2所述的一种高层火灾隐患预警方法，其特征在于，在“分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标”步骤中，所述物联感知火灾隐患指标建立的具体步骤为：
获取每个所述检查点位内物联感知设备的检测数据；
将所述检测数据按照浓度和/或温度高低划分为多个区间范围并赋值；
以所述赋值数据形成所述目标高层建筑的物联感知火灾隐患指标。
7.根据权利要求1或2所述的一种高层火灾隐患预警方法，其特征在于，在“分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标”步骤中，所述视频感知火灾隐患指标建立的具体步骤为：
获取每个所述检查点位的视频感知设备的视频感知数据；
利用视频识别算法对所述视频感知数据中易引发火灾行为和场景识别分析，输出所述视频感知火灾隐患指标。
8.根据权利要求7所述的一种高层火灾隐患预警方法，其特征在于，所述视频识别算法具体步骤包括：
获取多源视频数据，从所述视频数据中每一帧图像的二维空间和时间维度进行整体和局部特征提取，并对所述视频的整体和局部特征进行编码描述；
对所述视频的整体和局部特征编码建立分类特征，根据分类准则将具有不同特征的数据划分到不同类别；
对分类特征进行回归分析、聚类分析及关联分析，建立火灾隐患和相关特征的依赖关系；
基于深度学习算法，对特征提取和特征分类及分析能力进行迭代优化。
9.根据权利要求1或2所述的一种高层火灾隐患预警方法，其特征在于，在“计算所述目标高层建筑的高层火灾隐患预警综合指数”步骤中，所述目标高层建筑的高层火灾隐患预警综合指数的具体计算步骤为：
对所述高层火灾隐患治理问题概率指标、所述物联感知火灾隐患指标及所述视频感知火灾隐患指标进行加权计算得到所述目标高层建筑的高层火灾隐患预警综合指数，并依据所述高层火灾隐患预警综合指数建立预警信息触发规则；
若触发所述预警信息触发规则的设定条件，自动触发预警信号并启动社会治理火灾隐患处理流程；
若未触发所述预警信息触发规则的设定条件，则持续更新所述高层火灾隐患预警综合指数。
10.根据权利要求1或2所述的一种高层火灾隐患预警方法，其特征在于，在“依据所述高层火灾隐患预警综合指数的分值，将目标高层建筑火灾隐患情况按所述目标高层建筑的楼宇点位展示于GIS地图上并触发对应的防范预警信号”步骤中，将每个所述检查点位的隐患预警分值从低到高或从高到低标识为不同颜色的多个级别，并设定每个级别的后端管控流程，其中每个级别包括一段范围的隐患预警分值，所述隐患预警分值为所述高层火灾隐患预警综合指数中每个所述检查点位的数值体现；
将每个所述检查点位按照对应级别展示于GIS地图上，以展示每个所述检查点位的火灾隐患情况。
11.一种高层火灾隐患预警装置，其特征在于，包括：
采集单元，用于采集高层建筑排查系统数据、物联感知系统数据及视频感知系统数据形成高层火灾隐患预警原始数据库；
计算单元，用于对高层火灾隐患预警原始数据库进行归整处理形成基于目标高层建筑检查点位的数据资源库；依据所述目标高层建筑检查点位的数据资源库，分别建立高层火灾隐患治理问题概率指标、物联感知火灾隐患指标及视频感知火灾隐患指标；依据所述高层火灾隐患治理问题概率指标、所述物联感知火灾隐患指标及所述视频感知火灾隐患指标，计算所述目标高层建筑的高层火灾隐患预警综合指数；
展示单元，用于依据所述高层火灾隐患预警综合指数的分值，将目标高层建筑火灾隐患情况按所述目标高层建筑的楼宇点位展示于GIS地图上并触发对应的防范预警信号。
12.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至10任一所述的一种高层火灾隐患预警方法。
13.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至10任一项所述的一种高层火灾隐患预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210158824.6A CN114519834A (zh) | 2022-02-21 | 2022-02-21 | 一种高层火灾隐患预警方法、装置及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210158824.6A CN114519834A (zh) | 2022-02-21 | 2022-02-21 | 一种高层火灾隐患预警方法、装置及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114519834A true CN114519834A (zh) | 2022-05-20 |
Family
ID=81598853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210158824.6A Pending CN114519834A (zh) | 2022-02-21 | 2022-02-21 | 一种高层火灾隐患预警方法、装置及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114519834A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115271659A (zh) * | 2022-07-28 | 2022-11-01 | 南京戴尔塔智能制造研究院有限公司 | 一种基于视频分析的城市火灾隐患预警方法及系统 |
-
2022
- 2022-02-21 CN CN202210158824.6A patent/CN114519834A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115271659A (zh) * | 2022-07-28 | 2022-11-01 | 南京戴尔塔智能制造研究院有限公司 | 一种基于视频分析的城市火灾隐患预警方法及系统 |
| CN115271659B (zh) * | 2022-07-28 | 2024-02-02 | 南京戴尔塔智能制造研究院有限公司 | 一种基于视频分析的城市火灾隐患预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555617B (zh) | 一种基于物联网的建筑火灾风险实时动态定量评估方法 | |
| CN113379267B (zh) | 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质 | |
| CN112614293B (zh) | 一种基于边缘计算的电力物联网安全预警方法及系统 | |
| CN110458482A (zh) | 一种基于大数据的消防安全评价能力构建方法 | |
| CN113988530A (zh) | 一种非煤矿山安全风险评估分级方法及系统 | |
| CN111754715B (zh) | 一种消防应急响应方法、装置及系统 | |
| CN103679558A (zh) | 电动汽车充换电站火灾风险数据评估方法 | |
| CN111178828A (zh) | 一种建筑消防安全预警的方法和系统 | |
| CN116612440B (zh) | 一种基于机器视觉的建筑工程安全监测方法、设备及介质 | |
| CN114997754B (zh) | 基于云模型及熵权法的应急预案分析方法及装置 | |
| CN114519834A (zh) | 一种高层火灾隐患预警方法、装置及应用 | |
| CN116480412A (zh) | 矿井灾害救援方法及装置 | |
| Chen et al. | Building vulnerability assessment in seismic areas using ensemble learning: A Nepal case study | |
| CN117114406A (zh) | 一种基于设备数据汇聚的应急事件智慧预警方法及系统 | |
| Zhang et al. | ARIMA model-based fire rescue prediction | |
| Zhang et al. | Analysis and research on fire safety of university dormitory based on Bayesian network | |
| CN117151478A (zh) | 一种基于卷积神经网络的化工企业风险预警方法及系统 | |
| CN117670028A (zh) | 基于物联网监测的除尘系统风险动态评估及分级预警方法 | |
| CN110928752A (zh) | 空管台站健康度评估方法、装置及设备 | |
| CN110659399B (zh) | 突发事件演化图显示方法和装置 | |
| CN113807587B (zh) | 一种基于多梯核深度神经网络模型积分预警方法以及系统 | |
| CN115660922A (zh) | 一种基于物联网的智慧安消一体化预警管理系统 | |
| CN114358514A (zh) | 消防安全风险量化方法、装置及存储介质 | |
| RU2709155C1 (ru) | Система оценки безопасности опасного производственного объекта | |
| CN117057601B (zh) | 基于物联网的非煤矿山安全监测预警系统 |
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 |