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 PDF

Info

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
Application number
CN202210643398.5A
Other languages
English (en)
Other versions
CN114724323B (zh
Inventor
高学鸿
高深远
黄国忠
蒋慧灵
周亮
陈小龙
李浩轩
欧盛南
邓青
张磊
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210643398.5A priority Critical patent/CN114724323B/zh
Publication of CN114724323A publication Critical patent/CN114724323A/zh
Application granted granted Critical
Publication of CN114724323B publication Critical patent/CN114724323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种便携式火灾现场保护智慧电子围栏的布点方法
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：
将保护区域边界分为n个区域，每个区域由一个点m隔开，其中，点m为围栏装置优 先布点，共有
Figure 946437DEST_PATH_IMAGE001
个优先布点，
Figure 388393DEST_PATH_IMAGE002
满足：
Figure 182168DEST_PATH_IMAGE003
其中，
Figure 7036DEST_PATH_IMAGE002
为优先布点的数目，
Figure 174843DEST_PATH_IMAGE004
为保护区域的拐点处的优先布点的数目，
Figure 438465DEST_PATH_IMAGE005
为 出入口的优先布点的数目，
Figure 539276DEST_PATH_IMAGE006
为特殊位置的优先布点的数目。
进一步地，利用层次分析法对特殊位置的重要度排序，选出
Figure 597362DEST_PATH_IMAGE006
个点进行围栏装置 优先布点。
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
Figure 252466DEST_PATH_IMAGE007
，最小重 叠距离为
Figure 726303DEST_PATH_IMAGE008
，则围栏装置间的组合方式包括：
Figure 681621DEST_PATH_IMAGE009
和
Figure 441767DEST_PATH_IMAGE010
，其中，
Figure 115325DEST_PATH_IMAGE011
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，
Figure 177872DEST_PATH_IMAGE012
表示围栏装置视野中 的水平距离，
Figure 659800DEST_PATH_IMAGE013
表示两端最小距离重叠，
Figure 325268DEST_PATH_IMAGE014
表示一端最大距离重叠、另一端最小距离重 叠，
Figure 486122DEST_PATH_IMAGE015
表示两端最大距离重叠；各组合方式满足：
Figure 895238DEST_PATH_IMAGE016
Figure 559568DEST_PATH_IMAGE017
其中，
Figure 661517DEST_PATH_IMAGE018
是
Figure 44087DEST_PATH_IMAGE019
组合方式中视野未被重叠的部分的长度；
Figure 991315DEST_PATH_IMAGE020
是
Figure 306890DEST_PATH_IMAGE021
组合方式中视野 未被重叠的部分的长度；
Figure 189526DEST_PATH_IMAGE022
是
Figure 262656DEST_PATH_IMAGE023
组合方式中视野未被重叠的部分的长度；
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：
Figure 747995DEST_PATH_IMAGE024
其中，
Figure 652497DEST_PATH_IMAGE025
表示第
Figure 565089DEST_PATH_IMAGE026
个区域的边界长度，
Figure 187831DEST_PATH_IMAGE027
表示第
Figure 211282DEST_PATH_IMAGE026
个区域布点的最少数量，
Figure 970291DEST_PATH_IMAGE028
是 第
Figure 788205DEST_PATH_IMAGE026
个区域中第
Figure 644383DEST_PATH_IMAGE029
个障碍物的长度，
Figure 205946DEST_PATH_IMAGE030
为第
Figure 85040DEST_PATH_IMAGE026
个区域内障碍物总长度，
Figure 73856DEST_PATH_IMAGE031
表示第
Figure 140032DEST_PATH_IMAGE026
个区域中 障碍物的数目；
根据确定的各区域的最小布点数量、各区域内障碍总长度以及组合方式
Figure 770864DEST_PATH_IMAGE009
和
Figure 504465DEST_PATH_IMAGE010
，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：
Figure 664182DEST_PATH_IMAGE032
其中，
Figure 30704DEST_PATH_IMAGE033
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，
Figure 934069DEST_PATH_IMAGE034
为待求解的系数，
Figure 522176DEST_PATH_IMAGE035
依次取
Figure 383953DEST_PATH_IMAGE036
；
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；
建立适应度函数
Figure 424721DEST_PATH_IMAGE037
：
Figure 397357DEST_PATH_IMAGE038
打乱合并种群中个体的顺序，通过两两比较适应度值，保留适应度值大的个体，淘 汰适应度值小的个体，得到下一代种群，通过遗传算法的不断迭代，得到划分得到的
Figure 574391DEST_PATH_IMAGE002
个区 域的围栏装置的最佳布点方式。
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：
通过建立的区域布点求解模型，获得每个区域能够用于布点的多个组合，设：第
Figure 607069DEST_PATH_IMAGE026
个区域有
Figure 666292DEST_PATH_IMAGE039
个能够用于布点的组合，即：
Figure 177039DEST_PATH_IMAGE039
个
Figure 728020DEST_PATH_IMAGE040
组合，并将
Figure 931599DEST_PATH_IMAGE002
个区域中最 小的
Figure 681380DEST_PATH_IMAGE039
作为
Figure 261397DEST_PATH_IMAGE041
；
选择组合数量大于1的最小的
Figure 413024DEST_PATH_IMAGE039
作为
Figure 53084DEST_PATH_IMAGE041
，每个区域将得到的各组合代入
Figure 24582DEST_PATH_IMAGE033
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
Figure 142711DEST_PATH_IMAGE041
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
Figure 617686DEST_PATH_IMAGE002
个基因，每个基因的取值为随机1到
Figure 163068DEST_PATH_IMAGE041
，每个基因的取值代表一种
Figure 887441DEST_PATH_IMAGE040
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：
Figure 12523DEST_PATH_IMAGE042
其中，
Figure 404321DEST_PATH_IMAGE043
为点
Figure 120605DEST_PATH_IMAGE044
与点
Figure 535537DEST_PATH_IMAGE045
之间的欧氏距离。
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
Figure 136413DEST_PATH_IMAGE046
。
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
Figure 382718DEST_PATH_IMAGE047
，最小允许比例为
Figure 269903DEST_PATH_IMAGE048
，其中，
Figure 918270DEST_PATH_IMAGE047
的取值在0到0.5之间，
Figure 181892DEST_PATH_IMAGE049
的取值在0 到
Figure 282704DEST_PATH_IMAGE047
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
Figure 75210DEST_PATH_IMAGE050
，将整个 边界分为
Figure 261472DEST_PATH_IMAGE002
个区域，每个区域由一个点
Figure 797627DEST_PATH_IMAGE051
隔开，将点
Figure 752944DEST_PATH_IMAGE051
取名为围栏装置优先布点，共有
Figure 513090DEST_PATH_IMAGE001
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，
Figure 655490DEST_PATH_IMAGE002
满足：
Figure 995335DEST_PATH_IMAGE003
其中，
Figure 70738DEST_PATH_IMAGE002
为优先布点的数目，
Figure 877152DEST_PATH_IMAGE004
为保护区域的拐点处的优先布点的数目，
Figure 772426DEST_PATH_IMAGE005
为 出入口的优先布点的数目，
Figure 181542DEST_PATH_IMAGE006
为特殊位置的优先布点的数目。
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
Figure 111452DEST_PATH_IMAGE006
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：
Figure 682242DEST_PATH_IMAGE052
其中，
Figure 595971DEST_PATH_IMAGE053
表示为区域的人口密度，
Figure 277619DEST_PATH_IMAGE054
表示为区域的人口总数，
Figure 327615DEST_PATH_IMAGE055
表示为区 域的总面积，
Figure 57587DEST_PATH_IMAGE056
表示为区域的人流量，
Figure 927454DEST_PATH_IMAGE057
表示为经过人数的总量，
Figure 412793DEST_PATH_IMAGE058
表示为记录经 过人数的总时间，
Figure 317295DEST_PATH_IMAGE059
表示为区域的房屋密度，
Figure 980620DEST_PATH_IMAGE060
表示为区域内房屋的占地面积。
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：
Figure 72204DEST_PATH_IMAGE061
其中，
Figure 361234DEST_PATH_IMAGE062
表示为重要地区的重要程度。
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
Figure 385822DEST_PATH_IMAGE002
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
Figure 406999DEST_PATH_IMAGE007
，最小重 叠距离为
Figure 251458DEST_PATH_IMAGE008
，则围栏装置间的组合方式包括：
Figure 609758DEST_PATH_IMAGE009
和
Figure 223273DEST_PATH_IMAGE010
，其中，
Figure 946510DEST_PATH_IMAGE011
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，
Figure 278265DEST_PATH_IMAGE046
表示围栏装置视野中 的水平距离，
Figure 909098DEST_PATH_IMAGE023
表示两端最小距离重叠，
Figure 377119DEST_PATH_IMAGE021
表示一端最大距离重叠、另一端最小距离重 叠，
Figure 333574DEST_PATH_IMAGE019
表示两端最大距离重叠；各组合方式满足：
Figure 633186DEST_PATH_IMAGE016
Figure 67709DEST_PATH_IMAGE017
其中，
Figure 655816DEST_PATH_IMAGE018
是
Figure 986435DEST_PATH_IMAGE019
组合方式中视野未被重叠的部分的长度；
Figure 292782DEST_PATH_IMAGE020
是
Figure 265418DEST_PATH_IMAGE021
组合方式中视野 未被重叠的部分的长度；
Figure 708031DEST_PATH_IMAGE022
是
Figure 740709DEST_PATH_IMAGE023
组合方式中视野未被重叠的部分的长度；
设各区域的边界长度为
Figure 534353DEST_PATH_IMAGE025
，各区域布点的最少数量为
Figure 45100DEST_PATH_IMAGE027
，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
Figure 624111DEST_PATH_IMAGE063
，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：
Figure 765374DEST_PATH_IMAGE024
根据确定的各区域的最小布点数量、各区域内障碍总长度以及组合方式
Figure 515155DEST_PATH_IMAGE009
和
Figure 95172DEST_PATH_IMAGE015
，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：
Figure 512378DEST_PATH_IMAGE064
其中，
Figure 152438DEST_PATH_IMAGE033
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；
Figure 655094DEST_PATH_IMAGE034
为待求解的系数，
Figure 773223DEST_PATH_IMAGE035
依次取
Figure 564375DEST_PATH_IMAGE036
；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
Figure 375337DEST_PATH_IMAGE065
个解，即：通过对建立的区域布点求解模型求 解，可以得到
Figure 834131DEST_PATH_IMAGE065
个
Figure 755950DEST_PATH_IMAGE040
组合；本实施例中，一共有
Figure 147749DEST_PATH_IMAGE002
个区域，每个区域的解的 数量是不同的，即每个区域得到的
Figure 864032DEST_PATH_IMAGE065
的数量是不同的，
Figure 75702DEST_PATH_IMAGE041
指的是这
Figure 801212DEST_PATH_IMAGE002
个区域的
Figure 313096DEST_PATH_IMAGE065
中，哪 个区域的
Figure 200281DEST_PATH_IMAGE065
最小，那么这个
Figure 430405DEST_PATH_IMAGE065
就是
Figure 428448DEST_PATH_IMAGE041
；
本实施例中，以组合方式最少的区域的
Figure 794838DEST_PATH_IMAGE039
作为
Figure 852924DEST_PATH_IMAGE041
，如果此时
Figure 304765DEST_PATH_IMAGE041
为1，则重新 选择组合数量大于1的最小的
Figure 106499DEST_PATH_IMAGE039
作为
Figure 592975DEST_PATH_IMAGE041
，每个区域将得到的各组合代入
Figure 821962DEST_PATH_IMAGE033
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
Figure 761099DEST_PATH_IMAGE041
数量相同的组合集 （即选出前
Figure 366524DEST_PATH_IMAGE041
个
Figure 441928DEST_PATH_IMAGE066
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
Figure 841816DEST_PATH_IMAGE002
个基因，每个基因的取值为随机1 到
Figure 14389DEST_PATH_IMAGE041
，每个基因的取值代表一种
Figure 689084DEST_PATH_IMAGE040
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；
变异是对上一步得到的交叉后的100个新个体的每个基因进行遍历，从第1个个体 的第1位基因开始，以设定的变异概率判断是否变异，二进制编码根据编码方式进行取反， 十进制则随机变异成1到
Figure 618994DEST_PATH_IMAGE041
间的数值；
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
Figure 455363DEST_PATH_IMAGE037
，保留
Figure 103513DEST_PATH_IMAGE037
值大的个体，淘汰
Figure 50740DEST_PATH_IMAGE037
值小的个体，得到下一代种群。设适应 度函数为
Figure 835157DEST_PATH_IMAGE037
，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：
Figure 842427DEST_PATH_IMAGE038
其中，
Figure 712294DEST_PATH_IMAGE033
的值是根据基因的取值所代表的
Figure 463212DEST_PATH_IMAGE040
组合方式来计算 的，不同数字代表着不同的组合方式，因此，会得到不同的
Figure 102135DEST_PATH_IMAGE033
值。当出现
Figure 545886DEST_PATH_IMAGE065
值为1的区 域时，无论其元素取何值，该元素的
Figure 637470DEST_PATH_IMAGE033
均按这唯一的组合来计算。
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。
5.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：
将保护区域边界分为n个区域，每个区域由一个点m隔开，其中，点m为围栏装置优先布 点，共有
Figure 786190DEST_PATH_IMAGE001
个优先布点，n满足：
Figure 172172DEST_PATH_IMAGE002
其中，
Figure 296117DEST_PATH_IMAGE003
为优先布点的数目，
Figure 894589DEST_PATH_IMAGE004
为保护区域的拐点处的优先布点的数目，
Figure 53169DEST_PATH_IMAGE005
为出入口 的优先布点的数目，
Figure 78894DEST_PATH_IMAGE006
为特殊位置的优先布点的数目。
6.根据权利要求5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， 利用层次分析法对特殊位置的重要度排序，选出
Figure 814768DEST_PATH_IMAGE006
个点进行围栏装置优先布点。
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
Figure 357876DEST_PATH_IMAGE007
，最小重叠距 离为
Figure 495597DEST_PATH_IMAGE008
，则围栏装置间的组合方式包括：
Figure 833168DEST_PATH_IMAGE009
和
Figure 56339DEST_PATH_IMAGE010
，其中，
Figure 871979DEST_PATH_IMAGE011
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，
Figure 864206DEST_PATH_IMAGE012
表示围栏装置视野中的水 平距离，
Figure 649977DEST_PATH_IMAGE013
表示两端最小距离重叠，
Figure 360444DEST_PATH_IMAGE014
表示一端最大距离重叠、另一端最小距离重叠，
Figure 979775DEST_PATH_IMAGE010
表示两端最大距离重叠；各组合方式满足：
Figure 92088DEST_PATH_IMAGE015
Figure 771462DEST_PATH_IMAGE016
其中，
Figure 969225DEST_PATH_IMAGE017
是
Figure 657827DEST_PATH_IMAGE018
组合方式中视野未被重叠的部分的长度；
Figure 765591DEST_PATH_IMAGE019
是
Figure 740500DEST_PATH_IMAGE020
组合方式中视野未被 重叠的部分的长度；
Figure 159980DEST_PATH_IMAGE021
是
Figure 386693DEST_PATH_IMAGE022
组合方式中视野未被重叠的部分的长度；
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：
Figure 942440DEST_PATH_IMAGE023
其中，
Figure 229196DEST_PATH_IMAGE024
表示第
Figure DEST_PATH_IMAGE025
个区域的边界长度，
Figure 745759DEST_PATH_IMAGE026
表示第
Figure 635217DEST_PATH_IMAGE025
个区域布点的最少数量，
Figure 451995DEST_PATH_IMAGE027
是第
Figure 34286DEST_PATH_IMAGE025
个 区域中第
Figure 569304DEST_PATH_IMAGE028
个障碍物的长度，
Figure 137819DEST_PATH_IMAGE029
为第
Figure 933737DEST_PATH_IMAGE025
个区域内障碍物总长度，
Figure 550577DEST_PATH_IMAGE030
表示第
Figure 431945DEST_PATH_IMAGE025
个区域中障碍物 的数目；
根据确定的各区域的最小布点数量、各区域内障碍总长度以及组合方式
Figure 272993DEST_PATH_IMAGE009
和
Figure 64363DEST_PATH_IMAGE031
，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：
Figure DEST_PATH_IMAGE033A
其中，
Figure 958763DEST_PATH_IMAGE034
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，
Figure 202794DEST_PATH_IMAGE035
为待求解的系数，
Figure 237746DEST_PATH_IMAGE036
依次取
Figure 883622DEST_PATH_IMAGE037
；
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；
建立适应度函数
Figure 650721DEST_PATH_IMAGE038
：
Figure 116468DEST_PATH_IMAGE039
打乱合并种群中个体的顺序，通过两两比较适应度值，保留适应度值大的个体，淘汰适 应度值小的个体，得到下一代种群，通过遗传算法的不断迭代，得到划分得到的
Figure 361636DEST_PATH_IMAGE003
个区域的 围栏装置的最佳布点方式。
8.根据权利要求7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：
通过建立的区域布点求解模型，获得每个区域能够用于布点的多个组合，设：第
Figure 986652DEST_PATH_IMAGE025
个区 域有
Figure 862336DEST_PATH_IMAGE040
个能够用于布点的组合，即：
Figure 940013DEST_PATH_IMAGE040
个
Figure 316768DEST_PATH_IMAGE041
组合，并将
Figure 683376DEST_PATH_IMAGE003
个区域中最小的
Figure 854594DEST_PATH_IMAGE040
作为
Figure 294934DEST_PATH_IMAGE042
；
选择组合数量大于1的最小的
Figure 475379DEST_PATH_IMAGE040
作为
Figure 543829DEST_PATH_IMAGE042
，每个区域将得到的各组合代入
Figure 292474DEST_PATH_IMAGE034
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
Figure 79164DEST_PATH_IMAGE042
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
Figure 938667DEST_PATH_IMAGE003
个基因，每个基因的取值为随机1到
Figure 268148DEST_PATH_IMAGE042
，每个基因的取值代表一种
Figure 46748DEST_PATH_IMAGE041
组合。
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。
CN202210643398.5A 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 Active CN114724323B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (16)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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