CN114724323A - 一种便携式火灾现场保护智慧电子围栏的布点方法 - Google Patents
一种便携式火灾现场保护智慧电子围栏的布点方法 Download PDFInfo
- Publication number
- CN114724323A CN114724323A CN202210643398.5A CN202210643398A CN114724323A CN 114724323 A CN114724323 A CN 114724323A CN 202210643398 A CN202210643398 A CN 202210643398A CN 114724323 A CN114724323 A CN 114724323A
- Authority
- CN
- China
- Prior art keywords
- area
- points
- fire
- fence
- distribution
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 15
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 4
- 208000002177 Cataract Diseases 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 101150077543 st gene Proteins 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
- G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
- G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Emergency Management (AREA)
- Genetics & Genomics (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种便携式火灾现场保护智慧电子围栏的布点方法,属于电子围栏技术领域。所述方法包括:根据火灾区域,确定电子围栏需要进行保护的保护区域;在保护区域的拐点处、火灾现场实际环境的出入口处以及特殊位置处进行围栏装置优先布点,将保护区域划分为多个区域;建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式。采用本发明,能够对不同的火灾区域快速、准确地进行布点。
Description
技术领域
本发明涉及电子围栏技术领域,特别是指一种便携式火灾现场保护智慧电子围栏的布点方法。
背景技术
火灾危险场所在灾后需要对进入特定保护区域的人员进行预警,保护方式可以采用电子围栏搭建。围栏装置的布点可以依托于实际地区进行全边界的覆盖;也可以将保护区域的中点作为圆心画圆,将圆圈作为保护区域,对其边界进行全覆盖布点;也可在圆形边界的基础上绘制内接或外接多边形作为保护区域,并在其边界布点;也可将实际火灾区域网格化,在每个网格的端点处进行布点。
由于保护区域的环境可能较为复杂,进而导致不便于在其周围修建大量的固定式电子围栏。所以出现了带图像采集装置的用于智慧识别的便携式电子围栏。对基于智慧识别的图像采集装置(包括:摄像头),其布点规范往往是在二维图纸上利用摄像头采集范围进行布点,或根据实际场景的三维模型来进行布点。而且现有的图像采集装置大多针对于街道和社区,选择更加合适的街道路口来进行固定的布点安装。
现有的图像采集装置的布点方法大多只能针对于固定场景,如对固定场景进行三维模拟,无法及时对不同地区的火灾做到快速布点;且现有的摄像头监控等图像采集装置均为固定放置,其布点方法也是依托于现有的街道路口,不能满足于不同火灾环境下的快速布点;现有的便携式电子围栏多为物理拦截、红外线检测、定位检测、人工检测采集的图像等方式,效率较低,且准确率低。
发明内容
本发明实施例提供了便携式火灾现场保护智慧电子围栏的布点方法,能够对不同的火灾区域快速、准确地进行布点。所述技术方案如下:
根据火灾区域,确定电子围栏需要进行保护的保护区域;
在保护区域的拐点处、火灾现场实际环境的出入口处以及特殊位置处进行围栏装置优先布点,将保护区域划分为多个区域;
建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式。
进一步地,所述根据火灾区域,确定电子围栏需要进行保护的保护区域包括:
若火灾区域的面积大于等于预设的面积阈值,则采用经纬度点确定初始矩形,将火灾范围包裹在初始矩形内,将初始矩形网格化,并不断删除和火灾范围不重叠的区域,得到电子围栏需要进行保护的保护区域。
进一步地,所述若火灾区域的面积大于等于预设的面积阈值,则采用经纬度取点确定初始矩形,将火灾范围包裹在初始矩形内,将初始矩形网格化,并不断删除和火灾范围不重叠的区域,得到电子围栏需要进行保护的保护区域包括:
若火灾区域的面积大于等于预设的面积阈值,则确定火灾现场的边界轮廓,并获取边界轮廓的多个经纬度点;
将多个所述经纬度点转为平面坐标系上的点,并将各点铺设在具有明确尺寸的二维平面的矩形当中,将相邻各点在平面上用线性函数两两相连,将得到的不规则多边形区域称为火灾范围;
在二维平面图上,分别取出沿x轴和y轴的正负方向的极值点,得到四个基点,沿y轴正负方向的两个基点作水平直线,沿x轴正负方向的两个基点作与x轴垂直的垂线,将四条线相交的点所围成的区域称为初始矩形;
取初始矩形的中点为O,将初始矩形网格化,得到多个单元网格,在单元网格的四个端点中,取与中心点O的距离最远和最近之间的两个点相连,将每个单元网格分为两个直角三角形;
遍历整个初始矩形,将和火灾范围不存在重叠的直角三角形全部删除,得到电子围栏需要进行保护的保护区域。
进一步地,所述根据火灾区域,确定电子围栏需要进行保护的保护区域包括:
若火灾区域的面积小于预设的面积阈值,则获取火灾现场所处的东南西北四个极值点作为基点,将基点的经纬度转为平面坐标系的点,沿y轴正负方向的两个基点作水平直线,沿x轴正负方向的两个基点作与x轴垂直的垂线,将四条线相交的点所围成的区域称为初始矩形,将初始矩形作为电子围栏需要进行保护的保护区域。
进一步地,所述在保护区域的拐点处、火灾现场实际环境的出入口处以及特殊位置处进行围栏装置优先布点包括:
进一步地,所述建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式包括:
设每个围栏装置的视野与相邻装置视野的最大重叠距离为,最小重
叠距离为,则围栏装置间的组合方式包括:和,其中,分
别表示围栏装置的视野交叉的最大允许比例以及最小允许比例,表示围栏装置视野中
的水平距离,表示两端最小距离重叠,表示一端最大距离重叠、另一端最小距离重
叠,表示两端最大距离重叠;各组合方式满足:
将各区域中途遇到的障碍物统一设定为长方体结构,确定各区域的最小布点数量以及各区域内障碍总长度:
对建立的区域布点求解模型进行求解,获得多个能够用于布点的组合,优化初始种群;
进一步地,所述对建立的区域布点求解模型进行求解,获得多个能够用于布点的组合,优化初始种群包括:
选择组合数量大于1的最小的作为,每个区域将得到的各组合代入中,并将所得值的绝对值进行比较,从小到大排序并从小到大选出和数量相
同的组合集,从组合集中随机选取组合初始化种群中每个个体的基因,其中,初始种群中每
个个体包含个基因,每个基因的取值为随机1到,每个基因的取值代表一种组合。
进一步地,在建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式之后,所述方法包括:
在YOLOX-Darknet53模型的颈部网络,采用金字塔型特征层级取代FPN网络;
在围栏装置中,采用更新后的YOLOX-Darknet53模型进行人员检测。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,根据火灾区域,确定电子围栏需要进行保护的保护区域;在保护区域的拐点处、火灾现场实际环境的出入口处以及特殊位置处进行围栏装置优先布点,将保护区域划分为多个区域;建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式。这样,能够对不同的火灾区域快速、准确地进行布点。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1为本发明实施例提供的便携式火灾现场保护智慧电子围栏的布点方法的流程示意图;
图2为本发明实施例提供的电子围栏分块网格示意图;
图3为本发明实施例提供的经过分块处理后得到的保护区域示意图;
图4为本发明实施例提供的电子围栏装置优先布点的流程示意图;
图5为本发明实施例提供的特殊位置重要度影响因素的结构示意图;
图6为本发明实施例提供的优先布点后的围栏区域示意图;
图7为本发明实施例提供的基于遗传算法的电子围栏装置快速布点的流程示意图;
图8为本发明实施例提供的YOLOX-Darknet53模型的框架示意图;
图9为本发明实施例提供的金字塔型特征层级的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示,本发明实施例提供了一种便携式火灾现场保护智慧电子围栏的布点方法,包括:
S101,根据火灾区域,确定电子围栏需要进行保护的保护区域;
本实施例中,由于实际的火灾现场受地形及其他因素的影响,火灾区域呈现出不可控的不规则区域,难以完全贴合实际情况划定合理的保护区域。简单的圆形或矩形区域容易出现浪费占地面积,不能高效地保护火灾现场的问题。针对上述问题,本实施例,根据火灾区域的面积大小,分为两种情况进行处理:
第一种情况为火灾区域的面积大于等于预设的面积阈值,这种情况下可明确出边界轮廓,并在边界上得到多个经纬度点,则采用经纬度点确定初始矩形,将火灾范围包裹在初始矩形内,将初始矩形网格化,并不断删除和火灾范围不重叠的区域,得到电子围栏需要进行保护的保护区域;具体可以包括以下步骤:
A1,若火灾区域的面积大于等于预设的面积阈值,则确定火灾现场的边界轮廓,并获取边界轮廓的多个经纬度点;
A2,将多个所述经纬度点转为平面坐标系上的点,并将各点铺设在一个具有明确尺寸的二维平面的矩形当中,将相邻各点在平面上用线性函数两两相连,将得到的不规则多边形区域称为火灾范围;
A3,在二维平面图上,分别取出沿x轴和y轴的正负方向的极值点,得到四个基点,沿y轴正负方向的两个基点作水平直线,沿x轴正负方向的两个基点作与x轴垂直的垂线,将四条线相交的点所围成的区域称为初始矩形;
A4,取初始矩形的中点为O,将初始矩形网格化,得到多个单元网格,在单元网格的四个端点中,取与中心点O的距离最远和最近之间的两个点相连,将每个单元网格分为两个直角三角形;
如图2所示,可以将初始矩形划分为由24个小矩形组成的6×4的网格图,每个小矩形作为一个单元网格,图2中,虚线包围区域为火灾范围,黑线将初始矩形分成了多个三角形。需要强调的是:在实际应用中,对初始矩形网格化时,不限于6×4的网格,网格的规模和尺寸可以根据实际情况进行选择。
本实施例中,计算端点到中心点的距离采用欧氏距离,其公式表示为:
A5,遍历整个初始矩形,将和火灾范围不存在重叠的直角三角形全部删除,最终得到电子围栏需要进行保护的保护区域,这样得到的保护区域是由矩形和直角三角形组合成的多边形,构成简单,且贴合实际火灾范围,能够做到精准保护并便于后续的围栏布点,得到的保护区域如图3所示。
第二种情况为火灾区域的面积小于预设的面积阈值,可得到大致的边界轮廓,并且无法明确多个经纬度点,则获取火灾现场所处的东南西北四个极值点作为基点,将基点的经纬度转为平面坐标系的点,沿y轴正负方向的两个基点作水平直线,沿x轴正负方向的两个基点作与x轴垂直的垂线,将四条线相交的点所围成的区域称为初始矩形,将初始矩形作为电子围栏需要进行保护的保护区域。
S102,在保护区域的拐点处、火灾现场实际环境的出入口处以及特殊位置处进行围栏装置优先布点,将保护区域划分为多个区域;
本实施例中,每个围栏装置包括:可移动模块、信息处理模块、预警模块及检测模块;其中,
可移动模块,用于便携式移动;
检测模块,用于采集图像,对保护区域进行检测监控,其中,检测模块采用摄像头对保护区域进行检测监控;
信息处理模块,用于处理检测模块采集的图像信息,并识别图像中的人员;
预警模块,用于进行报警。
本实施例中,在进行布点之前,可以先利用三维GIS创建出虚拟地球体模型,输入
围栏装置中摄像头的相关参数,如摄像头的视场角,倾斜角、滚动角,所处高度、焦距等信
息,通过解析几何计算出围栏装置视野范围,并在三维虚拟环境种绘制出四棱锥体形状的
立体视域,随后通过不断调整参数得到最佳高度及焦距等信息,并记录此时视野中的水平
距离。
电子围栏的视野图像为一个二维平面图,为保证每个围栏装置的视野中保护区域
是相同且连续的,围栏装置在进行布点时,需要使每个摄像头的视野都存在一定的交叉。设
交叉的最大允许比例为,最小允许比例为,其中,的取值在0到0.5之间,的取值在0
到之间。
实际生活中,火灾可以发生在任何地区,而复杂的地形和特殊的环境可能无法满
足围栏装置的全部覆盖需求。所以在布点时,先对关键位置进行优先布点。本实施例中,电
子围栏的目标区域为S101所得到的保护区域边界,设保护区域边界总长度为,将整个
边界分为个区域,每个区域由一个点隔开,将点取名为围栏装置优先布点,共有个优先布点。如图4所示,优先布点的位置包括:保护区域
的拐点处、火灾现场实际环境(例如,城市居民区或工厂)的出入口处以及特殊位置处(例
如,可燃物仓库);此时,满足:
本实施例中,可以利用层次分析法(AHP)对特殊位置的重要度排序,选出个点
进行围栏装置优先布点。多级影响因素的体系结构如图5所示,设一级影响因素为人(B1)和
物(B2),二级影响因素为人口密度(C1)、人流量(C2)、重要地区(C3)和房屋密度(C4),则人
口密度、人流量和房屋密度可以表示为:
重要地区根据重要程度的不同,可以赋予不同的数值,其公式可以表示为:
由以上做出判断矩阵,求特征向量和特征值,做一致性检定,根据平方根求权重,再结合各权重算出各地方的重要度值,并做出排序。
S103,建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式。
本实施例的布点问题可以看作为是一个最佳覆盖方式的目标优化问题。在完成优
先布点的基础上,优先布点后的围栏区域示例图,如图6所示,对划分得到的个区域进行
布点,布点时需要尽可能保证在最少数量的前提下,完成保护区域边界的全覆盖并避开障
碍物。
本实施例中,为了满足保护区域的连贯性,本实施例拟将各相邻围栏装置的监控
视野进行一定的重叠。由于每个围栏装置的视野都是和相邻装置存在一定重叠的,为了便
于计算,设每个围栏装置的视野与相邻装置视野的最大重叠距离为,最小重
叠距离为,则围栏装置间的组合方式包括:和,其中,分
别表示围栏装置的视野交叉的最大允许比例以及最小允许比例,表示围栏装置视野中
的水平距离,表示两端最小距离重叠,表示一端最大距离重叠、另一端最小距离重
叠,表示两端最大距离重叠;各组合方式满足:
设各区域的边界长度为,各区域布点的最少数量为,各区域中途遇到的障碍
物统一设定为长方体结构。位于优先布点处的围栏装置,其视野会包含相邻的两个区域,假
设在各区域所占面积为,则各区域的最小布点数量以及各区域内障碍总长度
可以表示为:
其中,为覆盖程度,表示视野距离和障碍物覆盖的长度与实际区域长度的
差值;为待求解的系数,依次取;该方程组是一个区域的解,这是
一个具有多个解的方程组,一个区域可以有个解,即:通过对建立的区域布点求解模型求
解,可以得到个组合;本实施例中,一共有个区域,每个区域的解的
数量是不同的,即每个区域得到的的数量是不同的,指的是这个区域的中,哪
个区域的最小,那么这个就是;
本实施例中,以组合方式最少的区域的作为,如果此时为1,则重新
选择组合数量大于1的最小的作为,每个区域将得到的各组合代入中,并
将所得值的绝对值进行比较,从小到大排序,并从小到大选出和数量相同的组合集
(即选出前个对应的组合构成组合集),从组合集中随机选取组合初始化种
群中每个个体的基因,其中,初始种群中每个个体包含个基因,每个基因的取值为随机1
到,每个基因的取值代表一种组合,初始种群数量不能过多也不能
过少,过多会增大计算量,过小会减少多样性,一般为100到200之间,本实施例中,设定种群
数量为100。编码方式可直接采用十进制编码,或合适的二进制编码。
本实施例中,如图7所示,初始化种群后,接着对个体进行交叉、变异和种群合并;其中,
交叉是先打乱这100个个体的顺序,随机选择一个交叉点,然后1号个体和2号个体交叉,得到两个新的个体,再3号和4号个体交叉,以此类推;最后,父代种群100个旧个体经过两两交叉,就能得到100个新个体;
种群合并是把交叉变异后的100个新个体合并原种群100个旧个体,合并后种群中的个体数目为200个。
优良基因的选取可采用锦标赛选择法,打乱合并种群中个体的顺序,通过两两比
较适应度值,保留值大的个体,淘汰值小的个体,得到下一代种群。设适应
度函数为,求出适应度值大的个体作为优良个体传到下一代,适应度函数的公式可表
示为:
当种群中相同的个体达到预设的百分比时,结束迭代,选出种群中适应度最大的个体,为所求的近似最优解了,从而得到全区域的围栏装置最优布点组合,得出的结果可以用覆盖率(实际视野的覆盖距离的和全区域长度的比值)来作为检验。
本实施例中,在建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式之后,所述方法包括:
在YOLOX-Darknet53模型的颈部网络,采用金字塔型特征层级(pyramidalfeature hierarchy)取代FPN网络;
在围栏装置中,采用更新后的YOLOX-Darknet53模型进行人员检测。
如图8所示,YOLOX-Darknet53模型可拆分为输入端、(Backbone)主干网络、(Neck)颈部网络、输出层四个部分,YOLOX-Darknet53模型的输入端主要用于进行数据增强,通过随机缩放、随机裁剪、随机排布的方式进行拼接来提升检测效果;(Backbone)主干网络主要用于特征提取,这里的YOLOX-Darknet53没有池化层和全连接层,通过改变卷积核的步长来变换张量的尺寸;(Neck)颈部网络主要用于特征融合,原模型采用的是FPN网络结构,自顶向下,将高层的特征信息,通过上采样的方式进行传递融合,本实施例中,在此处做出改进;输出层主要用于分类分类,边界回归和锚点预测。
本实施例中,原YOLOX-Darknet53模型在Neck部分采用的是FPN网络结构,这个结构对于小物体的检测精度更高;但是针对于本申请的实际情况,电子围栏的监控目标只明确于人员的入侵,而人员在识别检测中属于大目标物体,并且由于远近距离不同,在尺寸方面会出现少许差异,所以对YOLOX-Darknet53模型采用预设的方式进行改进,在(Neck)颈部网络用金字塔型特征层级(pyramidal feature hierarchy)取代FPN网络,金字塔型特征层级重用由卷积计算的金字塔特征层次来进行目标位置预测,通过不同尺度的特征图进行分别预测,更好的处理目标的多尺度问题。与原有的FPN网络相比,金字塔型特征层级减少了用于融合多层特征图进行小物体预测的多余运算,如图9所示,这样,能够减少因为针对小物体检测而多出的运算,从而提高检测速度。再对改进的YOLOX-Darknet53模型进行训练,得到人员检测模型;其中,输入的是存在人员的图像,输出的是人员的图像位置。
本发明实施例所述的便携式火灾现场保护智慧电子围栏的布点方法,至少具有以下有益效果:
1)根据火灾区域的面积,确定不同的生成保护区域的方式:对于火灾区域的面积较大的区域,采用经纬度点确定初始矩形,将火灾范围包裹在初始矩形内,然后将初始矩形网格化,并不断删除和火灾范围不重叠的区域,尽可能地得到贴近实际火灾范围的保护区域,并且减少了无用的保护区域,相较于实际火灾区域,能够做到精准保护并便于后续的围栏布点;对于火灾面积较小的区域,直接采用初始矩形作为保护区域。
2)智慧电子围栏选用的是摄像头进行图像采集,摄像头视野的保护范围呈现的是立体化区域,因此,在进行布点之前,先在三维上调整好摄像头的各个参数,包括视场角,高度和焦距等,随后再在二维平面上进行布点,使得电子围栏的布点操作更加具有实用性。
3)针对复杂的地形和特殊的环境可能无法满足围栏装置的全部覆盖需求,优先在划定好的保护区域的拐点处安放围栏装置,保证保护的连续性;然后针对各出入口优先布点;最后在一些特殊位置处优先布点,并利用AHP法进行了重要度排序,保证了布点的可靠性。
4)为了满足保护区域的连贯性,本实施例拟将各相邻围栏装置的监控视野进行一定的重叠。根据重叠范围的不同,围栏装置的布置数量和摆放方式也不同。本实施例提出了一种基于遗传算法的电子围栏装置快速布点方式,在假设出出各区域的最小布点数量以后,通过建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,获得多个可用于布点的组合,优化初始种群,再建立适应度函数,通过比较各种布点方式适应度值的大小,寻找优良个体进入下一代,筛选出尽可能全覆盖并避开障碍物的布点组合方式。此方法考虑到了中途会出现的各种障碍物,并简化为长方体结构进行运算,最终可得到最佳的布点方式。
5)本实施例中,采用改进后的YOLOX-Darknet53模型进行人员检测,即:在(Neck)颈部网络部分选用了金字塔型特征层级取代FPN网络,这样,能够减少因为针对小物体检测而多出的运算,从而提高检测速度。
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 (9)
1.一种便携式火灾现场保护智慧电子围栏的布点方法,其特征在于,包括:
根据火灾区域,确定电子围栏需要进行保护的保护区域;
在保护区域的拐点处、火灾现场实际环境的出入口处以及特殊位置处进行围栏装置优先布点,将保护区域划分为多个区域;
建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式。
2.根据权利要求1所述的便携式火灾现场保护智慧电子围栏的布点方法,其特征在于,所述根据火灾区域,确定电子围栏需要进行保护的保护区域包括:
若火灾区域的面积大于等于预设的面积阈值,则采用经纬度点确定初始矩形,将火灾范围包裹在初始矩形内,将初始矩形网格化,并不断删除和火灾范围不重叠的区域,得到电子围栏需要进行保护的保护区域。
3.根据权利要求2所述的便携式火灾现场保护智慧电子围栏的布点方法,其特征在于,所述若火灾区域的面积大于等于预设的面积阈值,则采用经纬度取点确定初始矩形,将火灾范围包裹在初始矩形内,将初始矩形网格化,并不断删除和火灾范围不重叠的区域,得到电子围栏需要进行保护的保护区域包括:
若火灾区域的面积大于等于预设的面积阈值,则确定火灾现场的边界轮廓,并获取边界轮廓的多个经纬度点;
将多个所述经纬度点转为平面坐标系上的点,并将各点铺设在具有明确尺寸的二维平面的矩形当中,将相邻各点在平面上用线性函数两两相连,将得到的不规则多边形区域称为火灾范围;
在二维平面图上,分别取出沿x轴和y轴的正负方向的极值点,得到四个基点,沿y轴正负方向的两个基点作水平直线,沿x轴正负方向的两个基点作与x轴垂直的垂线,将四条线相交的点所围成的区域称为初始矩形;
取初始矩形的中点为O,将初始矩形网格化,得到多个单元网格,在单元网格的四个端点中,取与中心点O的距离最远和最近之间的两个点相连,将每个单元网格分为两个直角三角形;
遍历整个初始矩形,将和火灾范围不存在重叠的直角三角形全部删除,得到电子围栏需要进行保护的保护区域。
4.根据权利要求2所述的便携式火灾现场保护智慧电子围栏的布点方法,其特征在于,所述根据火灾区域,确定电子围栏需要进行保护的保护区域包括:
若火灾区域的面积小于预设的面积阈值,则获取火灾现场所处的东南西北四个极值点作为基点,将基点的经纬度转为平面坐标系的点,沿y轴正负方向的两个基点作水平直线,沿x轴正负方向的两个基点作与x轴垂直的垂线,将四条线相交的点所围成的区域称为初始矩形,将初始矩形作为电子围栏需要进行保护的保护区域。
7.根据权利要求1所述的便携式火灾现场保护智慧电子围栏的布点方法,其特征在于,所述建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式包括:
设每个围栏装置的视野与相邻装置视野的最大重叠距离为,最小重叠距
离为,则围栏装置间的组合方式包括:和,其中,分别表
示围栏装置的视野交叉的最大允许比例以及最小允许比例,表示围栏装置视野中的水
平距离,表示两端最小距离重叠,表示一端最大距离重叠、另一端最小距离重叠,
表示两端最大距离重叠;各组合方式满足:
将各区域中途遇到的障碍物统一设定为长方体结构,确定各区域的最小布点数量以及各区域内障碍总长度:
对建立的区域布点求解模型进行求解,获得多个能够用于布点的组合,优化初始种群;
9.根据权利要求1所述的便携式火灾现场保护智慧电子围栏的布点方法,其特征在于,在建立保护区域边界全覆盖并避开障碍物的区域布点求解模型,根据建立的区域布点求解模型,采用遗传算法,确定划分得到的各个区域的围栏装置的最佳布点方式之后,所述方法包括:
在YOLOX-Darknet53模型的颈部网络,采用金字塔型特征层级取代FPN网络;
在围栏装置中,采用更新后的YOLOX-Darknet53模型进行人员检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643398.5A CN114724323B (zh) | 2022-06-09 | 2022-06-09 | 一种便携式火灾现场保护智慧电子围栏的布点方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210643398.5A CN114724323B (zh) | 2022-06-09 | 2022-06-09 | 一种便携式火灾现场保护智慧电子围栏的布点方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114724323A true CN114724323A (zh) | 2022-07-08 |
CN114724323B CN114724323B (zh) | 2022-09-02 |
Family
ID=82232743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210643398.5A Active CN114724323B (zh) | 2022-06-09 | 2022-06-09 | 一种便携式火灾现场保护智慧电子围栏的布点方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724323B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331384A (zh) * | 2022-08-22 | 2022-11-11 | 重庆科技学院 | 基于边缘计算的作业平台火灾事故预警系统 |
CN116617614A (zh) * | 2023-07-25 | 2023-08-22 | 广东广宇科技发展有限公司 | 一种基于消防实验深度学习的消防设备布控系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1561640A (zh) * | 2001-09-27 | 2005-01-05 | 皇家飞利浦电子股份有限公司 | 用于基本计算机的视觉监视的最佳多摄像机设置 |
US20100106420A1 (en) * | 2008-03-31 | 2010-04-29 | The Boeing Company | System and method for forming optimized perimeter surveillance |
CN103630072A (zh) * | 2013-10-25 | 2014-03-12 | 大连理工大学 | 双目视觉测量系统中摄像机的布局优化方法 |
CN104332051A (zh) * | 2014-10-31 | 2015-02-04 | 重庆大学 | 城市道路rfid检测器优化布设方法 |
WO2015094014A2 (ru) * | 2013-12-16 | 2015-06-25 | Общество С Ограниченной Ответственностью "Дисикон" | Способ определения оптимальной конфигурации системы видеомониторинга леса |
US20160139242A1 (en) * | 1996-09-09 | 2016-05-19 | Dennis J. Dupray | Mobile unit location using mobile units in proximity |
CN106786568A (zh) * | 2017-03-09 | 2017-05-31 | 天津大学 | 一种配电自动化终端布点规划配置方法 |
CN107154133A (zh) * | 2017-06-22 | 2017-09-12 | 南京邮电大学 | 一种基于限定位置的区域预警方法 |
CN107241684A (zh) * | 2017-06-07 | 2017-10-10 | 深圳市创艺工业技术有限公司 | 一种火灾智能监测系统 |
CN108205868A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园防火防盗智能监控管理系统 |
US10432311B1 (en) * | 2018-08-01 | 2019-10-01 | Khalifa University of Science and Technology | Methods and systems for optimizing network catchment areas |
CN112418079A (zh) * | 2020-11-20 | 2021-02-26 | 浙江科技学院 | 基于安全等级的地图分析与寻优路径算法结合的工业建筑视频监控安装方法 |
CN113420601A (zh) * | 2021-05-27 | 2021-09-21 | 南方电网调峰调频发电有限公司 | 异常场景的监控方法、装置、计算机设备和存储介质 |
CN113489952A (zh) * | 2021-06-30 | 2021-10-08 | 电子科技大学 | 一种面向室内三维场景的视频监控设施布设方法 |
CN113963077A (zh) * | 2020-07-20 | 2022-01-21 | 中移(苏州)软件技术有限公司 | 栅格划分方法、栅格划分装置、电子设备和存储介质 |
CN114187543A (zh) * | 2021-11-29 | 2022-03-15 | 国网福建省电力有限公司建设分公司 | 一种高空电力作业场景下的安全带检测方法及系统 |
-
2022
- 2022-06-09 CN CN202210643398.5A patent/CN114724323B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160139242A1 (en) * | 1996-09-09 | 2016-05-19 | Dennis J. Dupray | Mobile unit location using mobile units in proximity |
CN1561640A (zh) * | 2001-09-27 | 2005-01-05 | 皇家飞利浦电子股份有限公司 | 用于基本计算机的视觉监视的最佳多摄像机设置 |
US20100106420A1 (en) * | 2008-03-31 | 2010-04-29 | The Boeing Company | System and method for forming optimized perimeter surveillance |
CN103630072A (zh) * | 2013-10-25 | 2014-03-12 | 大连理工大学 | 双目视觉测量系统中摄像机的布局优化方法 |
WO2015094014A2 (ru) * | 2013-12-16 | 2015-06-25 | Общество С Ограниченной Ответственностью "Дисикон" | Способ определения оптимальной конфигурации системы видеомониторинга леса |
CN104332051A (zh) * | 2014-10-31 | 2015-02-04 | 重庆大学 | 城市道路rfid检测器优化布设方法 |
CN108205868A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园防火防盗智能监控管理系统 |
CN106786568A (zh) * | 2017-03-09 | 2017-05-31 | 天津大学 | 一种配电自动化终端布点规划配置方法 |
CN107241684A (zh) * | 2017-06-07 | 2017-10-10 | 深圳市创艺工业技术有限公司 | 一种火灾智能监测系统 |
CN107154133A (zh) * | 2017-06-22 | 2017-09-12 | 南京邮电大学 | 一种基于限定位置的区域预警方法 |
US10432311B1 (en) * | 2018-08-01 | 2019-10-01 | Khalifa University of Science and Technology | Methods and systems for optimizing network catchment areas |
CN113963077A (zh) * | 2020-07-20 | 2022-01-21 | 中移(苏州)软件技术有限公司 | 栅格划分方法、栅格划分装置、电子设备和存储介质 |
CN112418079A (zh) * | 2020-11-20 | 2021-02-26 | 浙江科技学院 | 基于安全等级的地图分析与寻优路径算法结合的工业建筑视频监控安装方法 |
CN113420601A (zh) * | 2021-05-27 | 2021-09-21 | 南方电网调峰调频发电有限公司 | 异常场景的监控方法、装置、计算机设备和存储介质 |
CN113489952A (zh) * | 2021-06-30 | 2021-10-08 | 电子科技大学 | 一种面向室内三维场景的视频监控设施布设方法 |
CN114187543A (zh) * | 2021-11-29 | 2022-03-15 | 国网福建省电力有限公司建设分公司 | 一种高空电力作业场景下的安全带检测方法及系统 |
Non-Patent Citations (5)
Title |
---|
JUNHAO HUANG: "Research on the Layout of Rectangular Parts Based on Genetic Algorithm", 《2020 7TH INTERNATIONAL FORUM ON ELECTRICAL ENGINEERING AND AUTOMATION (IFEEA)》 * |
YANG LIU: "Path planning for unmanned aerial vehicle under geo-fencing and minimum safe separation constraints", 《2016 12TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA)》 * |
孙伟: "林火视频监控空间优化布局与评价技术", 《自然灾害学报》 * |
张雪芹: "GIS结合层次分析法在银行网点选址研究中的应用", 《绿色科技》 * |
徐菁: "用粒子群算法选择体育馆监测系统中传感器的最优布点", 《空间结构》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331384A (zh) * | 2022-08-22 | 2022-11-11 | 重庆科技学院 | 基于边缘计算的作业平台火灾事故预警系统 |
CN115331384B (zh) * | 2022-08-22 | 2023-06-30 | 重庆科技学院 | 基于边缘计算的作业平台火灾事故预警系统 |
CN116617614A (zh) * | 2023-07-25 | 2023-08-22 | 广东广宇科技发展有限公司 | 一种基于消防实验深度学习的消防设备布控系统 |
CN116617614B (zh) * | 2023-07-25 | 2023-10-31 | 广东广宇科技发展有限公司 | 一种基于消防实验深度学习的消防设备布控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114724323B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114724323B (zh) | 一种便携式火灾现场保护智慧电子围栏的布点方法 | |
Wang et al. | Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management | |
KR102024695B1 (ko) | 감시카메라 배치 모델링 시스템 및 방법 | |
Nsengiyumva et al. | Predicting landslide susceptibility and risks using GIS-based machine learning simulations, case of upper Nyabarongo catchment | |
CN100533486C (zh) | 一种数字城市全自动生成的方法 | |
Hermosilla et al. | Using street based metrics to characterize urban typologies | |
Liu et al. | Road selection based on Voronoi diagrams and “strokes” in map generalization | |
CN112052503A (zh) | 一种基于人工智能的商业街区建筑体块生成的方法 | |
CN108805345A (zh) | 一种基于深度卷积神经网络模型的犯罪时空风险预测方法 | |
Sahraoui et al. | Integrated GIS software for computing landscape visibility metrics | |
US20230143198A1 (en) | System and method for viewshed analysis | |
Bhuyan et al. | Mapping and characterising buildings for flood exposure analysis using open-source data and artificial intelligence | |
CN117874499B (zh) | 一种基于动态数据监测的地质灾害预警方法及系统 | |
Liu et al. | Hierarchical classification of pole‐like objects in mobile laser scanning point clouds | |
Martinez-Falero | Quantitative techniques in landscape planning | |
CN116704386B (zh) | 一种基于ai的精准应急救援方法及装置 | |
CN113516060A (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
Chen et al. | Multiscale mapping of local climate zones in Tokyo using airborne LiDAR data, GIS vectors, and Sentinel-2 imagery | |
Almeida et al. | Multilevel object-oriented classification of quickbird images for urban population estimates | |
Takizawa et al. | Deep learning model to reconstruct 3D cityscapes by generating depth maps from omnidirectional images and its application to visual preference prediction | |
CN115271564A (zh) | 一种公路边坡灾害空间危险性区划方法及终端机 | |
Castro et al. | State of the art on artificial intelligence in land use simulation | |
Tani et al. | Search methods for evacuation routes during torrential rain disasters using genetic algorithms and GIS | |
CN114842163A (zh) | 用于灾害评估的多尺度动态网格化模型构建方法 | |
Borhani et al. | Soft computing modelling of urban evolution: Tehran metropolis |
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 |