CN114971409A - 一种基于物联网的智慧城市火灾监控预警方法及系统 - Google Patents
一种基于物联网的智慧城市火灾监控预警方法及系统 Download PDFInfo
- Publication number
- CN114971409A CN114971409A CN202210740477.8A CN202210740477A CN114971409A CN 114971409 A CN114971409 A CN 114971409A CN 202210740477 A CN202210740477 A CN 202210740477A CN 114971409 A CN114971409 A CN 114971409A
- Authority
- CN
- China
- Prior art keywords
- platform
- fire
- risk level
- data
- manual inspection
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007689 inspection Methods 0.000 claims abstract description 61
- 239000000779 smoke Substances 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims description 112
- 230000015654 memory Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000006855 networking Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 33
- 238000003062 neural network model Methods 0.000 description 28
- 239000013598 vector Substances 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 230000002457 bidirectional effect Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本说明书提供一种基于物联网的智慧城市火灾监控预警方法及系统,该方法由管理平台执行,包括:通过传感网络平台获取对象平台采集的监控数据,监控数据包括烟雾数据、温度数据、无人机影像数据、人工巡检数据,人工巡检数据基于人工巡检时间间隔获取;基于监控数据确定火灾风险等级;响应于火灾风险等级满足预设条件,通过服务平台向用户平台发出警报;响应于火灾风险等级不满足预设条件,基于火灾风险等级确定人工巡检时间间隔,人工巡检时间间隔被发送至服务平台和/或用户平台。
Description
技术领域
本说明书涉及物联网领域,特别涉及一种基于物联网的智慧城市火灾监控预警方法及系统。
背景技术
近几年来,因消防安全措施不完备造成的火灾频发,火灾会给社会及个人带来极大的财力物力损失。如今,消防管理部门重点存在安全隐患的公共场所,推广消防安全知识,人们的消防安全意识也在不断增加。
随着物联网技术的诞生,利用互联网资源,能够实现人与物相联、物与物相联,达到信息化、远程管理控制和智能化的目的。物联网逐步被应用到各种领域内,包括各种灾害预警。
本文将提供一种基于物联网的智慧城市火灾监控预警方法及系统,能够检测火灾发生概率,并在火灾发生后进行交通管制进行救援。
发明内容
本说明书一个或多个实施例提供一种基于物联网的智慧城市火灾监控预警方法,所述方法包括:管理平台通过传感网络平台获取对象平台采集的监控数据,监控数据包括烟雾数据、温度数据、无人机影像数据、人工巡检数据,人工巡检数据基于人工巡检时间间隔获取;传感网络平台对不同的对象平台获取的监控数据采用不同的传感网络分平台进行数据存储、数据处理和/或数据传输;其中,不同的传感网络分平台对应不同的区域位置;所述管理平台对不同的所述传感网络分平台获取的监控数据采用不同的管理分平台进行数据存储、数据处理和/或数据传输;基于监控数据确定火灾风险等级;响应于火灾风险等级满足预设条件,通过服务平台向用户平台发出警报;响应于火灾风险等级不满足预设条件,基于所述火灾风险等级确定所述人工巡检时间间隔,人工巡检时间间隔被发送至服务平台和/或所述用户平台。
本说明书一个或多个实施例提供一种基于物联网的智慧城市火灾监控预警系统,所述系统包括用户平台、服务平台、管理平台、传感网络平台和对象平台,所述管理平台被配置为执行以下操作:管理平台通过传感网络平台获取对象平台采集的监控数据,监控数据包括烟雾数据、温度数据、无人机影像数据、人工巡检数据,人工巡检数据基于人工巡检时间间隔获取;传感网络平台对不同的对象平台获取的监控数据采用不同的传感网络分平台进行数据存储、数据处理和/或数据传输;其中,不同的传感网络分平台对应不同的区域位置;所述管理平台对不同的所述传感网络分平台获取的监控数据采用不同的管理分平台进行数据存储、数据处理和/或数据传输;管理平台基于监控数据确定火灾风险等级;响应于火灾风险等级满足预设条件,通过服务平台向用户平台发出警报;响应于火灾风险等级不满足预设条件,基于火灾风险等级确定人工巡检时间间隔,人工巡检时间间隔被发送至服务平台和/或用户平台。
本说明书一个或多个实施例提供一种基于物联网的智慧城市火灾预警装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现本说明书任意实施例所述的基于物联网的智慧城市火灾预警方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如上述实施例中任一实施例所述的基于物联网的智慧城市火灾预警方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的基于物联网的智慧城市火灾监控预警系统的应用场景示意图;
图2是根据本说明书一些实施例所示的基于物联网的智慧城市火灾监控预警系统的示例性结构图;
图3是根据本说明书一些实施例所示的基于物联网的智慧城市火灾监控预警方法的示例性流程图;
图4是根据本说明书一些实施例所示的风险等级预测模型的示例性示意图;
图5是根据本说明书一些实施例所示的进行交通管制的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于物联网的智慧城市火灾监控预警系统的应用场景示意图。
在一些实施例中,基于物联网的智慧城市火灾监控预警系统的应用场景100可以包括采集装置110、网络120、存储器130、处理设备140和终端150。在一些实施例中,应用场景100中的组件可以经由网络120(例如无线连接、有线连接或其组合),以实现彼此连接和/或通信。例如,处理设备140可以通过网络120连接到存储器130。
采集装置110可以用于获取目标区域的相关信息。在一些实施例中,采集装置110包括烟雾传感器110-1、温度传感器110-2、无人机110-3、火灾检测设备110-4、交通监控设备110-5等。在一些实施例中,目标区域的相关信息可以是一个或多个可能或正在发生火灾的区域的用于预警或交通管制的信息。在一些实施例中,目标区域的相关信息可以包括但不限于烟雾数据、温度数据、无人机影像数据、人工巡检数据、道路状况数据等。烟雾数据可以由烟雾传感器110-1获取,温度数据可以由温度传感器110-2获取,无人机影像数据可以由无人机110-3获取,人工巡查数据可以由巡查人员所配备的火灾检测设备110-4基于人工巡检时间间隔获取,道路状况数据可以由交通监控设备110-5获取。
网络120可以包括提供能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的一个或多个组件(例如,处理设备140、存储器130和终端150)之间可以通过网络120交换信息和/或数据。网络120可以包括局域网(LAN)、广域网(WAN)、有线网络、无线网络等或其任意组合。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换点。通过这些网络接入点,应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
存储器130可以用于存储数据、指令和/或任何其他信息。在一些实施例中,存储器130可以是处理设备140的一部分。在一些实施例中,存储器130可以与应用场景100的至少一个组件(例如,处理设备140、终端150)通信。在一些实施例中,存储器130可以储存处理设备140用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。例如,存储器130可以存储用于判断火灾风险等级的预设条件。又例如,存储器130可以存储一个或多个机器学习模型。
处理设备140可以处理与火灾预警系统的应用场景100有关的信息和/或数据,以执行本说明书中描述的一个或以上功能。例如,处理设备140可以基于目标区域的烟雾数据、温度数据、无人机影像数据、人工巡检数据,确定目标区域的火灾风险等级。处理设备140可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果,并基于这些数据、信息和/或处理结果执行程序指令,以执行本说明书中描述的一个或以上功能。
终端150可以指用户所使用的一个或多个终端或软件。在一些实施例中,用户(如,火灾预警管理人员、消防员、交警、司机等)可以是终端150的所有者。在一些实施例中,终端150可以包括移动设备、平板电脑、笔记本电脑、可穿戴智能终端等或其任意组合。在一些实施例中,终端150可以为具有定位功能的设备。例如,终端150可以为火灾逃生人员的定位设备。
应当注意注应用场景100仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景100还可以包括信息源。然而,这些变化和修改不会背离本申请的范围。
物联网系统是一种包括用户平台、服务平台、管理平台、传感网络平台、对象平台中部分或全部平台的信息处理系统,其中,用户平台是整个物联网运行体系的主导者,可以用于获取用户需求。用户需求是物联网运行体系形成的基础和前提,物联网系统的各平台之间的联系均是为了满足用户的需求。服务平台是位于用户平台和管理平台之间以实现用户平台和管理平台联系的桥梁,服务平台可以为用户提供输入和输出服务。管理平台可以实现统筹、协调各功能平台(如用户平台、服务平台、传感网络平台、对象平台)之间的联系和协作,管理平台汇聚着物联网运行体系的信息,可以为物联网运行体系提供感知管理和控制管理功能;传感网络平台可以实现连接管理平台和对象平台,起着感知信息传感通信和控制信息传感通信的功能;对象平台是对感知信息生成和控制信息进行执行的功能平台。
物联网系统中信息的处理可以分为感知信息的处理流程及控制信息的处理流程,控制信息可以是基于感知信息而生成的信息。其中,感知信息的处理是由对象平台获取感知信息,并通过传感网络平台传递至管理平台,管理平台将经过计算的感知信息传输给服务平台,最后传递至用户平台,用户经过对感知信息的判断分析,生成控制信息。控制信息则是由用户平台生成并下发至服务平台,服务平台再将控制信息传递给管理平台,管理平台对控制信息进行计算处理,并通过传感网络平台下发至对象平台,进而实现对相应对象的控制。
在一些实施例中,将物联网系统应用于城市管理时,可以将其称之为智慧城市物联网系统。
图2是根据本说明书一些实施例所示的基于物联网的智慧城市火灾监控预警系统的示例性结构图。
如图2所示,基于物联网的智慧城市火灾监控预警系统200,包括用户平台210、服务平台220、管理平台230、传感网络平台240、对象平台250。在一些实施例中,基于物联网的智慧城市火灾监控预警系统200可以为服务器110的一部分或由服务器110实现。
在一些实施例中,基于物联网的智慧城市火灾监控预警系统200可以应用于火灾监控预警的多种场景。在一些实施例中,基于物联网的智慧城市火灾监控预警系统200可以通过获取监控数据。在一些实施例中,基于物联网的智慧城市火灾监控预警系统200可以基于监控数据确定火灾风险等级。
火灾监控预警的多种场景可以包括火灾风险等级预测场景、消防设备的检测场景、火灾逃生成功率预测场景等。需要说明的是以上场景仅为示例,并不对基于物联网的智慧城市火灾监控预警系统200的具体应用场景起限制作用,本领域技术人员可以在本实施例公开的内容基础上,将基于物联网的智慧城市火灾监控预警系统200应用于其他合适的任何场景。
在一些实施例中,基于物联网的智慧城市火灾监控预警系统200可以应用于火灾风险等级预测。在应用于火灾风险等级预测时,对象平台可以采集监控数据,管理平台可以基于上述信息确定火灾风险等级,进而确定不同的操作。
在一些实施例中,基于物联网的智慧城市火灾监控预警系统200可以应用于消防设备的检测。例如,基于监控数据,确定消防设备的功能是否正常、消防设备是否在保质期内等。
在一些实施例中,基于物联网的智慧城市火灾监控预警系统200可以应用于火灾逃生成功率预测。例如,管理平台可以基于传感网络分平台接收由对象平台上传的监控数据,确定火灾逃生成功率。
以下将以基于物联网的智慧城市火灾监控预警系统200应用于火灾风险等级预测场景为例,对基于物联网的智慧城市火灾监控预警系统200进行具体说明。
用户平台210可以是面向用户的服务接口。在一些实施例中,用户平台210可以接收来自用户和/或服务平台的信息。例如,用户平台210可以接收来自用户的输入。又例如,用户平台210可以接收来自服务平台的向用户反馈的信息,如,火灾风险等级、预报等。在一些实施例中,用户平台210可以被配置为将信息反馈至用户。在一些实施例中,用户平台210可以将信息发送至服务平台。
服务平台220可以是对信息进行初步处理的平台。在一些实施例中,服务平台220可以将信息传递至管理平台。例如,将监控数据传递至管理平台在一些实施例中,服务平台220可以接收管理平台发送的信息。例如,火灾风险等级、警报、人工巡检时间间隔等。
管理平台230可以是指统筹、协调各功能平台之间的联系和协作,提供感知管理和控制管理的物联网平台。
在一些实施例中,管理平台230可以生成火灾风险等级、警报、人工巡检时间间隔,并将火灾风险等级、警报、人工巡检时间间隔发送至服务平台。在一些实施例中,管理平台230可以被配置为独立式结构。独立式结构是指管理平台对不同传感网络分平台(又称传感网络分平台或传感网络子平台)的数据采用不同的管理分平台(又称管理分平台或管理子平台)进行数据存储、数据处理和/或数据传输。管理分平台基于不同的区域(如,工厂、住宅、办公区、商场等)进行设置,每个管理分平台都有对应的一个传感网络分平台,对象平台获取的数据上传至对应的传感网络分平台,进而上传至对应的管理分平台。在一些实施例中,各管理分平台可以接收相应的传感网络分平台上传的监控数据进行处理,下发获取各区域的监控数据的指令至传感网络分平台。例如,各个管理分平台可以与各传感网络平台的传感网络分平台一一对应,各管理分平台可以获取各传感网络分平台发送的各区域的监控数据。
在一些实施例中,管理平台230进一步用于:将监控数据输入风险等级预测模型以确定火灾风险等级,风险等级预测模型为机器学习模型。
在一些实施例中,管理平台230进一步用于:响应于火灾风险等级满足预设条件,对火灾事发地预设范围内的道路进行交通管制。
在一些实施例中,管理平台230进一步用于:基于火灾风险等级,将火灾风险等级对应的预设人工巡检时间间隔作为人工巡检时间间隔。
关于管理平台230的具体说明,参见图3-5及其相关描述。
传感网络平台240可以是管理平台和对象平台之间实现交互的衔接的平台。在一些实施例中,传感网络平台240可以接收管理平台发送的获取各区域的监控数据的指令。在一些实施例中,传感网络平台240可以将获取各区域的监控数据的指令发送给对象平台。在一些实施例中,传感网络平台240可以被配置为独立式结构。独立式结构是指传感网络平台对不同管理分平台的数据采用不同的传感网络分平台(又称传感网络分平台或传感网络子平台)进行数据存储、数据处理和/或数据传输。例如,各个传感网络分平台可以与各管理平台的管理分平台一一对应,各个传感网络分平台可以获取各管理分平台发送的获取各区域的监控数据的指令。
对象平台250可以是感知信息生成和控制信息最终执行的功能平台。对象平台250可以基于监控设备获取监控数据。例如,基于烟雾传感器可以获取烟雾数据。又例如,基于温度传感器可以获取温度数据。再例如,基于无人机可以获取无人机影像数据。在一些实施例中,对象平台250可以基于传感网络平台240发送的获取各区域的监控数据的指令,将获取的监控数据发送至传感网络平台240。
对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,将基于物联网的智慧城市火灾监控预警系统200移用到其他任何合适的场景下。
需要注意的是,以上对于系统及其组成部分的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个组成部分进行任意组合,或者构成子系统与其他组成部分连接。例如,各个组成部分可以共用一个存储设备,各个组成部分也可以分别具有各自的存储设备。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的基于物联网的智慧城市火灾监控预警方法的示例性流程图。在一些实施例中,流程300可以由管理平台230执行。如图3所示,流程300可以包括下述步骤:
步骤310,管理平台通过传感网络平台获取对象平台采集的监控数据。监控数据包括烟雾数据、温度数据、无人机影像数据、人工巡检数据,人工巡检数据基于人工巡检时间间隔获取。
监控数据可以指在监测火灾过程中产生的数据。例如,人工反馈的数据、设备工作过程中产生的数据等。在一些实施例中,监控数据包括烟雾数据、温度数据、无人机影像数据、人工巡检数据。
烟雾数据可以指与有毒和/或易燃气体相关的数据。例如,一氧化碳的浓度、瓦斯的浓度等。
无人机影像数据可以指由无人机进行拍摄得到的影像数据。例如,无人机对火灾事发地进行拍摄得到的视频、图片等。
人工巡检数据可以指用户和消防部门对火灾事发地进行巡检时得到的数据。例如,历史发生火灾次数、存在的安全隐患、消防设施是否完善等客观数据。又例如,群众对灭火器使用的熟练程度、群众的消防意识、消防队员的出警速度等主观数据。关于人工巡检数据的更多内容可以参见图4及其相关说明。在一些实施例中,人工巡检数据可以基于人工巡检时间间隔,由管理平台基于对象平台的用户终端进行获取。
人工巡检时间间隔可以指用户和消防部门对火灾事发地,在进行两次时间相邻的巡检时相隔的时间。
在一些实施例中,管理分平台可以通过传感网络分平台获取对象平台采集的监控数据。例如,在某个区域中,该区域中的对象平台可以获取由温度传感器采集的该区域的温度数据、由烟雾传感器采集的该区域的烟雾数据、由无人机采集的该区域的无人机影像数据、由用户终端采集的该区域的人工巡检数据,对象平台可以将获取的上述数据上传到传感网络分平台,传感网络分平台将该区域的上述数据上传给该区域对应的管理分平台。
步骤320,基于监控数据确定火灾风险等级。
火灾风险等级可以指火灾发生的概率和/或火灾的火势。火灾风险等级可以用文字和/或数字进行表示。例如,火灾发生的概率为70%、一级火灾,其中,数值越大,可以表示火灾发生的概率越大,火灾的火势越严重。
在一些实施例中,管理平台可以基于监控数据,通过预设规则,确定火灾风险等级。
在一些实施例中,管理平台可以基于风险等级预测模型,确定火灾风险等级。关于确定火灾风险等级的更多内容可以参见图4及其相关说明。
步骤330,响应于火灾风险等级满足预设条件,通过服务平台向用户平台发出警报。
预设条件可以指针对不同的火灾风险等级,预先设置的条件。例如,预设条件可以包括发生火灾时的阈值,如,若火灾风险等级超过该阈值,则会发生火灾。发生火灾时的阈值可以基于经验进行设置。
在一些实施例中,管理平台可以响应于火灾风险等级满足预设条件,通过服务平台向用户平台发出警报。发出警报的方式包括但不限于语音、文字等。发出警报的内容包括但不限于火灾发生的预警、火灾发生的位置、火势的大小等。
在一些实施例中,管理平台还可以响应于火灾风险等级满足预设条件,对火灾事发地进行管理。例如,调度火灾事发地周围的消防人员及时去灭火。又例如,控制火灾事发地的消防设施(如,自动喷水灭火装置、冷却喷淋给水系统等)启动。再例如,对火灾事发地进行交通管制。
关于交通管制的更多内容可以参见图5及其相关说明。
步骤340,响应于火灾风险等级不满足预设条件,基于火灾风险等级确定人工巡检时间间隔,人工巡检时间间隔被发送至服务平台和/或用户平台。
在一些实施例中,管理平台可以响应于火灾风险等级不满足预设条件,基于火灾风险等级确定人工巡检时间间隔,人工巡检时间间隔被发送至服务平台和/或用户平台。例如,管理平台可以基于火灾风险等级较高,确定发生火灾的风险较大,进而确定的人工巡检时间间隔为短的时间,如,半天、10小时等。又例如,管理平台可以基于火灾风险等级较低,确定发生火灾的风险较小,进而确定的人工巡检时间间隔为长的时间,如,一周、10天等。
步骤350,基于火灾风险等级,将火灾风险等级对应的预设人工巡检时间间隔作为人工巡检时间间隔。
预设人工巡检时间间隔可以指预先设置的人工巡检时间间隔。
在一些实施例中,火灾风险等级可以被设置有对应的预设人工巡检时间间隔。例如,火灾发生概率为10%,设置的对应的预设人工巡检时间间隔为十天一次;火灾发生概率为60%,设置的对应的预设人工巡检时间间隔为三天一次。
在一些实施例中,管理平台可以基于火灾风险等级,将火灾风险等级对应的预设人工巡检时间间隔作为人工巡检时间间隔。例如,仍以上述示例为例,管理平台可以基于火灾风险等级为火灾发生概率为60%,将三天一次作为人工巡检时间间隔。
通过为不同的火灾风险等级设置与其对应的人工巡检时间间隔,有助于快捷地确定人工巡检时间间隔时,提高人工巡检安排的合理性和高效性。
本说明书的一些实施例基于多种监控数据,结合物联网,可以提高火灾监控预警的准确性。同时,针对不同的火灾风险等级采取不同的措施,可以避免生命和财产的损失。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,流程300还可以包括预处理步骤。
在一些实施例中,管理平台可以将监控数据输入风险等级预测模型以确定火灾风险等级,风险等级预测模型为机器学习模型。
在一些实施例中,风险等级预测模型可以包括卷积神经网络(ConvolutionalNeural Networks,CNN)模型、长短期记忆网络(Long Short-Term Memory,LSTM)模型。
卷积神经网络模型的输入可以是无人机的影像数据,其输出可以是图像特征向量。长短期记忆网络模型的输入可以是图像特征向量、烟雾数据和温度数据,其输出可以是火灾风险等级。
风险等级预测模型可以基于训练获取。风险等级预测模型的训练可以由管理平台执行。在训练风险等级预测模型时,可以使用多个带有标签的训练样本,通过多种方法(例如,梯度下降法)进行训练,从而可以学习到模型的参数。当训练的模型满足预设条件时,训练结束,获取训练好的风险等级预测模型。其中,训练样本可以包括历史监控数据。训练样本的标签可以是历史监控数据对应的火灾风险等级。训练样本的标签可以通过人工标注进行获取。
为了更加精准地确定火灾风险等级,监控数据还可以包括更多类型的数据。在一些实施例中,监控数据还可以包括火灾事发地预设范围内的道路状况数据。
预设范围可以指在火灾事发地的周围,消防力量可以通行的道路范围。预设范围可以进行动态调整。例如,基于火灾信息进行调整,关于火灾信息的更多内容可以参见图5及其说明,如,地点A的火势小,只需较少数量的消防员,预设范围可以为地点A的消防队可以通行的道路;地点B的火势大,需要多数量消防员,预设范围为地点B、地点C的消防队可以通行的道路。又例如,基于消防队预计通行时间进行调整,如,预计t1时刻通过A道路,对A道路管制,t2时刻通过B道路,对B道路管制,并取消对A道路的管制。
道路状况数据可以指与预设范围内的道路相关的数据。道路状况数据可以包括:道路与火灾事发地的位置关系、道路的拥堵程度、道路的宽窄程度、限速信息、管制信息、位置信息等。
道路状况数据可以由管理平台基于对象平台的交通监控设备进行获取。例如,交通监控设备可以对道路拍摄图片和/或视频,管理平台可以基于交通监控设备拍摄的图片和/或视频,通过各种可行的方式,获取道路状况数据。其中,道路的拥堵程度的获取可以通过图5的说明进行获取。关于道路的拥堵程度的更多内容可以参见图5及其说明。
在一些实施例中,监控数据还可以包括人工巡检数据。人工巡检数据还可以包括基于人工巡检数据确定的评估结果。评估结果可以指对人和/或物在消防方面的表现进行评估得到的结果。评估结果可以用文字进行表示。例如,优秀、良好等。评估结果还可以用数字进行表示。例如,50、80等,其中,数值越大,表示评估结果越好。评估结果越好,表示人和/或物在消防方面的表现越优秀,如,人的消防意识高、消防设施的质量可靠等。
由于监控数据包括了更多类型的数据,为了保证风险等级预测模型的输出结果的准确性,可以设置风险等级预测模型包括其他模型。例如,深度神经网络模型、循环神经网络模型或其他自定义的模型结构等中的任意一种或组合。在一些实施例中,风险等级预测模型可以包括卷积神经网络模型、基于Transformer的双向编码器表示(BidirectionalEncoder Representations from Transformers,BERT)模型、神经网络(Neural Network,NN)模型、长短期记忆网络模型。
其中,卷积神经网络模型的输入可以是无人机的影像数据,其输出可以是图像特征向量;基于Transformer的双向编码器表示模型的输入可以是道路状况数据,其输出可以是道路特征向量;第一神经网络模型的输入可以是人工巡检数据,其输出可以是人工特征向量;第二神经网络模型的输入可以是图像特征向量、道路特征向量、人工特征向量,其输出可以是融合特征向量;长短期记忆网络模型的输入可以是融合特征向量,其输出可以是火灾风险等级。
在一些实施例中,管理平台可以基于上述数据,通过风险等级预测模型确定火灾风险等级。为了更加清楚地进行说明,以下将结合图4对风险等级预测模型进行说明。
图4是根据本说明书一些实施例所示的风险等级预测模型的示例性示意图。
如图4所示,监控数据410可以包括无人机的影像数据410-1、道路状况数据410-2、人工巡检数据410-3;风险等级预测模型420可以包括卷积神经网络模型420-1、基于Transformer的双向编码器表示模型420-2、第一神经网络模型420-3、第二神经网络模型420-4、长短期记忆网络模型420-5。
管理平台可以将监控数据410输入到风险等级预测模型420,输出得到火灾风险等级430。其中,卷积神经网络模型420-1的输入为无人机的影像数据410-1,输出为图像特征向量421;基于Transformer的双向编码器表示模型420-2的输入为道路状况数据410-2,输出为道路特征向量422;第一神经网络模型420-3的输入为人工巡检数据410-3,输出为人工特征向量423。第二神经网络模型420-4可以将图像特征向量421、道路特征向量422、人工特征向量423作为输入,以获得的输出为融合特征向量424;长短期记忆网络模型420-5将融合特征向量424作为输入,以获得的输出为火灾风险等级430。
由上述说明以及图4所示,风险等级预测模型可以包括卷积神经网络模型、基于Transformer的双向编码器表示模型、第一神经网络模型、第二神经网络模型、长短期记忆网络模型。其中,卷积神经网络模型、基于Transformer的双向编码器表示模型、第一神经网络模型的输出可以为第二神经网络模型的输入,第二神经网络模型的输出可以为长短期记忆网络模型的输入。
在一些实施例中,卷积神经网络模型、基于Transformer的双向编码器表示模型、第一神经网络模型,可以与第二神经网络模型以及长短期记忆网络模型进行联合训练获取。管理平台可以基于大量带有标签的训练样本训练初始卷积神经网络模型、初始基于Transformer的双向编码器表示模型、初始第一神经网络模型,和初始第二神经网络模型,以及初始长短期记忆网络模型。具体的,将带有标签的训练样本输入初始卷积神经网络模型、初始基于Transformer的双向编码器表示模型、初始第一神经网络模型,通过训练更新初始卷积神经网络模型的参数、初始基于Transformer的双向编码器表示模型的参数、初始第一神经网络模型的参数和初始第二神经网络模型的参数,以及初始长短期记忆网络模型的参数,直到训练的中间卷积神经网络模型的参数、中间基于Transformer的双向编码器表示模型的参数、中间第一神经网络模型的参数和中间第二神经网络模型的参数,以及中间长短期记忆网络模型的参数满足预设条件,获取训练好的卷积神经网络模型、基于Transformer的双向编码器表示模型、第一神经网络模型和第二神经网络模型,以及长短期记忆网络模型,其中,预设条件可以是损失函数小于预设阈值、收敛,或训练周期达到预设阈值。
在上述训练过程中,训练样本可以包括历史监控数据。训练样本的标签可以是历史监控数据对应的火灾风险等级。训练样本的标签可以通过人工标注进行获取。
通过上述训练方式,在一些情况下有利于解决单独训练第二神经网络模型,以及单独训练长短期记忆网络模型时难以获得标签的问题。
本说明书的一些实施例通过使用风险等级预测模型,可以提高火灾监控预警的准确性。另外,基于包括道路状况数据、人工巡检数据等多种类型的监控数据,通过使用包括多种模型的风险等级预测模型,可以使模型的输出结果,即,火灾风险等级,具有更高的精确度和可信度。
图5是根据本说明书一些实施例所示的进行交通管制的示例性示意图。
在一些实施例中,管理平台可以响应于火灾风险等级满足预设条件,对火灾事发地预设范围内的道路进行交通管制。
交通管制可以指的对道路上的车辆和/或人员通行进行的控制的措施。如图5所示,交通管制550可以包括管制时间551、限制流量552。
道路状况数据还可以包括道路的流量和道路的事故情况。如图5所示,道路状况数据510可以包括道路的流量511和道路的事故情况512。在一些实施例中,道路状况数据510还可以包括基于道路的流量511和道路的事故情况512确定的道路的拥堵程度513。
道路的事故情况可以指道路是否发生事故,以及发生的事故。例如,道路的事故情况可以包括未发生事故、发生的事故为五辆轿车追尾等。道路的事故情况可以由管理平台基于对象平台的交通监控设备进行获取。例如,交通监控设备可以对道路拍摄图片和/或视频,管理平台可以基于拍摄的图片和/或视频,通过各种可行的方式,获取道路的事故情况。
在一些实施例中,管理平台可以基于拍摄的图片和/或视频,通过识别模型,确定道路的流量。
识别模型可以指训练后的机器学习模型。在一些实施例中,识别模型可以是YOLO(You Only Look Once,YOLO)模型。在一些实施例中,识别模型可以对输入的图片和/或视频进行处理,输出为多个识别框。其中,每个识别框可以视为一个车辆和/或人员,每个识别框也可以被称为每个对象。如图5所示,识别模型511-2可以对输入的图片和/或视频511-1进行处理,输出为对象511-3。管理平台可以对对象进行统计,以确定道路的流量。
在一些实施例中,训练该识别模型时,可以使用多个带有标签的训练样本,通过多种方法(例如,梯度下降法)进行训练,从而可以学习到模型的参数。当训练的模型满足预设条件时,训练结束,获取训练好的识别模型。
训练样本可以包括拍摄的历史的图片和/或视频。训练样本的标签可以是历史的对象。训练样本的标签可以通过人工标注进行获取。
可以理解的是,道路上的车辆和行人通常情况下是移动的,同一个车辆和/或人员可能出现在不同的时间拍摄得到的图片和/或视频中。
在一些实施例中,管理平台可以将通过识别模型得到的对象输入到特征提取模型,以获得对象的特征。如图5所示,管理平台可以将对象511-3输入到特征提取模型511-4,以获得对象的特征511-5。
特征提取模型可以指训练后的机器学习模型。在一些实施例中,特征提取模型可以是卷积神经网络模型。在对特征提取模型进行训练时,可以参照识别模型的训练方法。其中,训练样本可以包括历史的通过识别模型得到的对象。训练样本的标签可以是历史的对象的特征。训练样本的标签可以通过人工标注进行获取。
在一些实施例中,管理平台可以对对象的特征进行聚类,以确定道路的流量。如图5所示,管理平台可以对对象的特征511-5进行聚类,以确定道路的流量511。例如,在一段道路视频中,第10帧图像中的某一个对象和第20帧图像中的某一个对象进行聚类后属于一个聚类中心,说明这两个对象是同一个人或同一辆车,管理平台在对第10帧图像和第20帧图像的对象进行统计时,该对象可以只统计一次。通过使用聚类可以防止在确定流量时,同一个对象被重复计算,进而可以提高确定的流量的准确性。
在一些实施例中,管理平台可以将道路的流量、道路的事故情况输入拥堵程度预测模型以确定道路的拥堵程度。如图5所示,管理平台可以将道路的流量511、道路的事故情况512输入拥堵程度预测模型520以确定道路的拥堵程度513。
拥堵程度预测模型可以指训练后的机器学习模型。在一些实施例中,拥堵程度预测模型可以是深度神经网络模型。在对拥堵程度预测模型进行训练时,可以参照识别模型的训练方法。其中,训练样本可以包括历史的道路的流量、历史的道路的事故情况。训练样本的标签可以是历史的道路的拥堵程度。训练样本的标签可以通过人工标注进行获取。
在一些实施例中,管理平台可以基于道路的拥堵程度,确定交通管制。在一些实施例中,管理平台可以基于道路的拥堵程度和消防力量,确定通行时间。如图5所示,管理平台可以基于道路的拥堵程度513和消防力量530,确定通行时间540。
消防力量可以指出警时,需要的人员、设备、车辆的数量和类型等。例如,工作经验为5年的人员10名、水罐消防车1辆、泡沫消防车3辆等。
通行时间可以指消防力量通过道路时所需的时间。例如,3辆消防车依次通过A道路所需的时间。
在一些实施例中,管理平台可以基于火灾信息,确定消防力量。火灾信息可以指与发生的火灾相关的信息,如,起火的面积、火势的大小等。例如,管理平台可以基于起火的面积大于预设的阈值,确定消防力量为更多具有工作经验的人员,以及更多的消防车。火灾信息可以由管理平台基于监控数据进行获取。例如,管理平台基于无人机影像数据,获取起火的面积、火势的大小等。
在一些实施例中,管理平台可以基于通行时间,将大于或等于通行时间的时间,确定为管制时间。如图5所示,管理平台可以基于通行时间540(如,180秒),将大于或等于通行时间的时间(如,200秒),确定为管制时间551。
在一些实施例中,管理平台可以在道路的流量大于阈值时,限制流量。如图5所示,管理平台可以基于道路的流量大于阈值,进行限制流量552。限制流量可以指限制道路上的车辆和/或人员的流量,管理平台可以通过发送临时禁止进入、绕行其它道路等指令实现限制流量。
本说明书的一些实施例对火灾事发地预设范围内的道路进行交通管制,可以提供较为顺畅的道路,为消防力量的到来以及人员的撤离提供方便,进而可以使火灾事发地的人们的人身损害和财产损失进一步降低。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书观看人所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有
±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于物联网的智慧城市火灾监控预警方法,由基于物联网的智慧城市火灾监控预警系统实现,所述基于物联网的智慧城市火灾监控预警系统包括用户平台、服务平台、管理平台、传感网络平台和对象平台,所述方法由所述管理平台执行,所述方法包括:
所述管理平台通过所述传感网络平台获取所述对象平台采集的监控数据,所述监控数据包括烟雾数据、温度数据、无人机影像数据、人工巡检数据,所述人工巡检数据基于所述人工巡检时间间隔获取;所述传感网络平台对不同的所述对象平台获取的监控数据采用不同的传感网络分平台进行数据存储、数据处理和/或数据传输;其中,所述不同的传感网络分平台对应不同的区域位置;所述管理平台对不同的所述传感网络分平台获取的监控数据采用不同的管理分平台进行数据存储、数据处理和/或数据传输;
基于所述监控数据确定火灾风险等级;
响应于所述火灾风险等级满足预设条件,通过所述服务平台向所述用户平台发出警报;
响应于所述火灾风险等级不满足预设条件,基于所述火灾风险等级确定所述人工巡检时间间隔,所述人工巡检时间间隔被发送至所述服务平台和/或所述用户平台。
2.根据权利要求1所述的方法,所述基于所述监控数据确定火灾风险等级包括:
将所述监控数据输入风险等级预测模型以确定所述火灾风险等级,所述风险等级预测模型为机器学习模型。
3.根据权利要求1所述的方法,所述方法还包括:
响应于所述火灾风险等级满足预设条件,对火灾事发地预设范围内的道路进行交通管制。
4.根据权利要求1所述的方法,所述火灾风险等级被设置有对应的预设人工巡检时间间隔,所述基于所述火灾风险等级确定人工巡检时间间隔包括:
基于所述火灾风险等级,将所述火灾风险等级对应的预设人工巡检时间间隔作为所述人工巡检时间间隔。
5.一种基于物联网的智慧城市火灾监控预警系统,其特征在于,所述基于物联网的智慧城市火灾监控预警系统包括用户平台、服务平台、管理平台、传感网络平台和对象平台,所述管理平台被配置为执行以下操作:
所述管理平台通过所述传感网络平台获取所述对象平台采集的监控数据,所述监控数据包括烟雾数据、温度数据、无人机影像数据、人工巡检数据,所述人工巡检数据基于所述人工巡检时间间隔获取;所述传感网络平台对不同的所述对象平台获取的监控数据采用不同的传感网络分平台进行数据存储、数据处理和/或数据传输;其中,所述不同的传感网络分平台对应不同的区域位置;所述管理平台对不同的所述传感网络分平台获取的监控数据采用不同的管理分平台进行数据存储、数据处理和/或数据传输;
基于所述监控数据确定火灾风险等级;
响应于所述火灾风险等级满足预设条件,通过所述服务平台向所述用户平台发出警报;
响应于所述火灾风险等级不满足预设条件,基于所述火灾风险等级确定所述人工巡检时间间隔,所述人工巡检时间间隔被发送至所述服务平台和/或所述用户平台。
6.根据权利要求5所述的系统,所述管理平台进一步用于:
将所述监控数据输入风险等级预测模型以确定所述火灾风险等级,所述风险等级预测模型为机器学习模型。
7.根据权利要求5所述的系统,所述系统还包括:
所述管理平台响应于所述火灾风险等级满足预设条件,对火灾事发地预设范围内的道路进行交通管制。
8.根据权利要求5所述的系统,所述火灾风险等级被设置有对应的预设人工巡检时间间隔,所述基于所述火灾风险等级确定人工巡检时间间隔包括:
基于所述火灾风险等级,将所述火灾风险等级对应的预设人工巡检时间间隔作为所述人工巡检时间间隔。
9.一种基于物联网的智慧城市火灾预警装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~4任一项所述的基于物联网的智慧城市火灾预警方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如权利要求1~4任一项所述的基于物联网的智慧城市火灾预警方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740477.8A CN114971409B (zh) | 2022-06-28 | 2022-06-28 | 一种基于物联网的智慧城市火灾监控预警方法及系统 |
US17/816,434 US20230419805A1 (en) | 2022-06-28 | 2022-08-01 | Methods and systems for fire monitoring and early warning in a smart city based on internet of things |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740477.8A CN114971409B (zh) | 2022-06-28 | 2022-06-28 | 一种基于物联网的智慧城市火灾监控预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114971409A true CN114971409A (zh) | 2022-08-30 |
CN114971409B CN114971409B (zh) | 2024-06-21 |
Family
ID=82965567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210740477.8A Active CN114971409B (zh) | 2022-06-28 | 2022-06-28 | 一种基于物联网的智慧城市火灾监控预警方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230419805A1 (zh) |
CN (1) | CN114971409B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272037A (zh) * | 2022-09-29 | 2022-11-01 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市区域治安管理预警方法和系统 |
CN116187984A (zh) * | 2023-04-28 | 2023-05-30 | 华能济南黄台发电有限公司 | 一种用于电厂的多维度巡检方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894133B (zh) * | 2024-03-14 | 2024-06-28 | 国网山东省电力公司鱼台县供电公司 | 一种输电线结冰报警方法及系统 |
CN117910811B (zh) * | 2024-03-18 | 2024-05-28 | 深圳原世界科技有限公司 | 基于多模态ai大模型的智慧消防管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112002095A (zh) * | 2020-07-14 | 2020-11-27 | 中国人民解放军63653部队 | 一种矿山洞内的火灾预警方法 |
CN112464813A (zh) * | 2020-11-26 | 2021-03-09 | 国网北京市电力公司 | 山火的监测方法及装置 |
CN113362553A (zh) * | 2021-06-08 | 2021-09-07 | 内蒙古工业大学 | 基于多源异构数据的草原火灾监测预警方法及装置 |
CN113971861A (zh) * | 2021-11-26 | 2022-01-25 | 安徽理工大学 | 一种基于物联网的智能火灾监控系统 |
Family Cites Families (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220164675A1 (en) * | 2013-03-13 | 2022-05-26 | Promega Corporation | Radio frequency identification system |
US9030314B2 (en) * | 2013-03-15 | 2015-05-12 | Tyco Fire & Security Gmbh | Method for inspecting and testing notification appliances in alarm systems |
US10848991B2 (en) * | 2013-12-17 | 2020-11-24 | British Telecommunications Public Limited Company | Sensor network |
US10733671B1 (en) * | 2014-04-25 | 2020-08-04 | State Farm Mutual Automobile Insurance Company | Systems and methods for predictively generating an insurance claim |
US20150367157A1 (en) * | 2014-06-23 | 2015-12-24 | Mcwane, Inc. | System, Method, Apparatus, and Computer Program Product for Testing a Vehicle Fire Suppression System |
US9977415B2 (en) * | 2015-07-03 | 2018-05-22 | Afero, Inc. | System and method for virtual internet of things (IOT) devices and hubs |
US11221731B2 (en) * | 2015-12-14 | 2022-01-11 | Afero, Inc. | System and method for sharing internet of things (IOT) devices |
US10171462B2 (en) * | 2015-12-14 | 2019-01-01 | Afero, Inc. | System and method for secure internet of things (IOT) device provisioning |
US10414052B2 (en) * | 2016-02-09 | 2019-09-17 | Cobalt Robotics Inc. | Building-integrated mobile robot |
WO2017171876A1 (en) * | 2016-04-01 | 2017-10-05 | Intel Corporation | Iot sensor fusion |
US10832665B2 (en) * | 2016-05-27 | 2020-11-10 | Centurylink Intellectual Property Llc | Internet of things (IoT) human interface apparatus, system, and method |
US20180011455A1 (en) * | 2016-07-07 | 2018-01-11 | Tyco Fire & Security Gmbh | Building Management System Method and Interface |
US10178579B2 (en) * | 2016-10-21 | 2019-01-08 | Afero, Inc. | Internet of things (IoT) system and method for selecting a secondary communication channel |
US10528120B2 (en) * | 2016-12-14 | 2020-01-07 | Sap Portals Israel Ltd. | Customized internet-of-things data packaging and brokering |
US11405452B2 (en) * | 2017-01-04 | 2022-08-02 | Sap Portals Israel Ltd. | Data routing in peer-to-peer networks |
US20200125048A1 (en) * | 2017-01-18 | 2020-04-23 | British Telecommunications Public Limited Company | Management of federated systems |
US11724399B2 (en) * | 2017-02-06 | 2023-08-15 | Cobalt Robotics Inc. | Mobile robot with arm for elevator interactions |
CN109495533B (zh) * | 2017-09-13 | 2022-04-15 | 京东方科技集团股份有限公司 | 一种智能物联网管理系统及方法 |
KR102390979B1 (ko) * | 2017-10-17 | 2022-04-26 | 삼성전자주식회사 | 외부 전자 장치의 상태에 대응하도록 IoT 장치를 제어할 수 있는 전자 장치 및 전자 장치 운용 방법 |
GB2568873B (en) * | 2017-11-23 | 2021-09-22 | Advanced Risc Mach Ltd | Distributed management system for internet of things devices and methods thereof |
US10637774B2 (en) * | 2018-01-25 | 2020-04-28 | Vmware, Inc. | Securely localized and fault tolerant processing of data in a hybrid multi-tenant internet of things system |
US10838705B2 (en) * | 2018-02-12 | 2020-11-17 | Afero, Inc. | System and method for service-initiated internet of things (IoT) device updates |
AU2019249431B2 (en) * | 2018-04-05 | 2024-07-04 | Dynamic Infrastructure Ltd. | System and method for early identification and monitoring of defects in transportation infrastructure |
US11051644B2 (en) * | 2018-04-11 | 2021-07-06 | Lawrence Silverman | Smart address identification and secure mailbox |
US20200341543A1 (en) * | 2018-04-23 | 2020-10-29 | SCRRD, Inc. | Wearable device |
WO2020007339A1 (en) * | 2018-07-04 | 2020-01-09 | Yunding Network Technology (Beijing) Co., Ltd. | Method and system for operating an electronic device |
US11082667B2 (en) * | 2018-08-09 | 2021-08-03 | Cobalt Robotics Inc. | Contextual automated surveillance by a mobile robot |
KR102120548B1 (ko) * | 2018-08-23 | 2020-06-16 | 제주대학교 산학협력단 | 클라우드 기반의 IoT 네트워크 가상화 시스템 및 네트워킹 방법 |
US11702280B2 (en) * | 2018-09-07 | 2023-07-18 | Hemal B. Kurani | Smart waste bin sensor device and methods for waste management system |
US10447786B1 (en) * | 2018-09-14 | 2019-10-15 | Afero, Inc. | Apparatus and method for temporarily loaning internet of things (IOT) devices |
US11507769B2 (en) * | 2018-12-12 | 2022-11-22 | International Business Machines Corporation | Interpreting sensor transmission patterns to analyze anomalies in a smart environment |
WO2020124067A1 (en) * | 2018-12-14 | 2020-06-18 | Carrier Corporation | Alarm management system with blockchain technology |
US11363104B2 (en) * | 2018-12-18 | 2022-06-14 | Hewlett Packard Enterprise Development Lp | Subscription based directory services for IOT devices |
CN111488955A (zh) * | 2019-01-29 | 2020-08-04 | 深圳富桂精密工业有限公司 | 消防终端、消防服务器及消防监控装置 |
US10805165B2 (en) * | 2019-02-28 | 2020-10-13 | Afero, Inc. | System and method for managing and configuring attributes of internet of things (IOT) devices |
US11061374B2 (en) * | 2019-03-06 | 2021-07-13 | Ademco Inc. | Multi-factor event sequencing and analytics systems |
US20200346751A1 (en) * | 2019-04-10 | 2020-11-05 | Rapidsos, Inc. | Unmanned aerial vehicle emergency dispatch and diagnostics data apparatus, systems and methods |
DE102019205181A1 (de) * | 2019-04-11 | 2020-10-15 | Robert Bosch Gmbh | Störungsmeldeeinrichtung, Facility-Management-Anordnung, Verfahren, Computerprogramm und maschinenlesbares Speichermedium |
US11748297B2 (en) * | 2019-04-26 | 2023-09-05 | Csub Auxiliary For Sponsored Programs Administration | Reconfigurable security hardware and methods for internet of things (IOT) systems |
CN112017410A (zh) * | 2019-05-28 | 2020-12-01 | 瑞昱半导体股份有限公司 | 事件警报器和事件警报系统 |
US11209832B2 (en) * | 2019-08-18 | 2021-12-28 | Cobalt Robotics Inc. | Elevator interactions by mobile robot |
KR102158529B1 (ko) * | 2020-01-13 | 2020-09-22 | (주)프론티스 | 확장현실과 사물인터넷기반 시설 및 산업안전에서 관제센터와 구조자 관점의 스마트생활안전 대응 제공 방법 및 시스템 |
US11576021B2 (en) * | 2020-03-23 | 2023-02-07 | Sap Se | Data processing system for detecting events and providing notifications |
EP4150935B1 (en) * | 2020-06-19 | 2023-06-07 | Motorola Solutions, Inc. | Method and device for tagging incident data captured by non-public-safety agency controlled cameras |
EP4176600A1 (en) * | 2020-07-01 | 2023-05-10 | Telefonaktiebolaget LM Ericsson (publ) | Profile handling of a communication device |
MX2023003743A (es) * | 2020-09-30 | 2023-06-22 | The Cleaver Brooks Company Inc | Sistema y metodo para predecir alarmas de apagado en calderas utilizando aprendizaje automatico. |
US20220143438A1 (en) * | 2020-11-06 | 2022-05-12 | Wildfire Shield | Systems and methods for preventing the spread of fire |
US11888716B1 (en) * | 2021-01-22 | 2024-01-30 | Samsara Inc. | Dynamic scheduling of data transmission from internet of things (IoT) devices based on density of IoT devices |
US12022574B2 (en) * | 2021-02-19 | 2024-06-25 | Johnson Controls Tyco IP Holdings LLP | Security / automation system with cloud-communicative sensor devices |
EP4075401A1 (en) * | 2021-04-15 | 2022-10-19 | Honeywell International Inc. | Determination and notification of a location of a building safety system event |
US11937160B2 (en) * | 2021-04-23 | 2024-03-19 | Priority Dispatch Corporation | System and method for emergency dispatch |
US11818801B2 (en) * | 2021-05-28 | 2023-11-14 | Hartford Fire Insurance Company | System to monitor and process risk relationship sensor data |
US11295131B1 (en) * | 2021-06-15 | 2022-04-05 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
US20230222801A1 (en) * | 2022-01-10 | 2023-07-13 | Honeywell International Inc. | Automated visual inspection of alarm system event devices |
WO2023159070A1 (en) * | 2022-02-16 | 2023-08-24 | Klimanovus Llc | Systems and methods for automatic environmental planning and decision support using artificial intelligence and data fusion techniques on distributed sensor network data |
US20230377186A1 (en) * | 2022-05-19 | 2023-11-23 | Afero, Inc. | System and method for machine learning (ml)-based iot device provisioning |
US20230379683A1 (en) * | 2022-05-19 | 2023-11-23 | Afero, Inc. | System and method for iot device identification and initialization using bluetooth advertising channels |
US20240080363A1 (en) * | 2022-09-03 | 2024-03-07 | TieJun Wang | IOT System |
-
2022
- 2022-06-28 CN CN202210740477.8A patent/CN114971409B/zh active Active
- 2022-08-01 US US17/816,434 patent/US20230419805A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112002095A (zh) * | 2020-07-14 | 2020-11-27 | 中国人民解放军63653部队 | 一种矿山洞内的火灾预警方法 |
CN112464813A (zh) * | 2020-11-26 | 2021-03-09 | 国网北京市电力公司 | 山火的监测方法及装置 |
CN113362553A (zh) * | 2021-06-08 | 2021-09-07 | 内蒙古工业大学 | 基于多源异构数据的草原火灾监测预警方法及装置 |
CN113971861A (zh) * | 2021-11-26 | 2022-01-25 | 安徽理工大学 | 一种基于物联网的智能火灾监控系统 |
Non-Patent Citations (1)
Title |
---|
张明玥;蔡特金;赵航;: "基于物联网和人工智能技术构建森林火灾预警体系思考", 绿色科技, no. 15, 15 August 2020 (2020-08-15), pages 166 - 168 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272037A (zh) * | 2022-09-29 | 2022-11-01 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市区域治安管理预警方法和系统 |
US11869110B2 (en) | 2022-09-29 | 2024-01-09 | Chengdu Qinchuan Iot Technology Co., Ltd. | Early warning method and system for regional public security management in smart city based on the internet of things |
CN116187984A (zh) * | 2023-04-28 | 2023-05-30 | 华能济南黄台发电有限公司 | 一种用于电厂的多维度巡检方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114971409B (zh) | 2024-06-21 |
US20230419805A1 (en) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114971409B (zh) | 一种基于物联网的智慧城市火灾监控预警方法及系统 | |
CN112530119B (zh) | 森林火灾应急演练评估分析系统、方法及计算机设备 | |
US11253736B2 (en) | Dispatching UAVs for wildfire surveillance | |
CN103617699B (zh) | 一种电力作业现场安全智能监护系统 | |
CN108259625A (zh) | 一种基于建筑建模和人员移动定位的逃生救援方法 | |
CN107067676B (zh) | 告警事件智能推送处理方法及装置 | |
CN116739245B (zh) | 一种智慧消防城市接警调度系统 | |
CN109961601B (zh) | 一种基于空间定位的大尺度火灾态势分析系统 | |
CN105913604A (zh) | 基于无人机的火灾发生测定方法及其装置 | |
CN111257507A (zh) | 一种基于无人机的气体浓度检测及事故预警系统 | |
CN113674123B (zh) | 一种基于大数据服务的城市应急指挥系统及方法 | |
CN114118847A (zh) | 化工园区危险源在线监测平台 | |
US20230368657A1 (en) | Methods and systems for accident rescue in a smart city based on the internet of things | |
CN112309068A (zh) | 一种基于深度学习的森林火灾预警方法 | |
CN111915823A (zh) | 消防系统、服务器及移动终端设备 | |
CN115482507A (zh) | 基于人工智能的人群聚集消防预警方法及系统 | |
CN110928305B (zh) | 用于铁路客运车站巡更机器人的巡更方法及系统 | |
CN115345371A (zh) | 一种智慧消防安全辅助决策方法 | |
CN116758441A (zh) | 一种无人机集群智能调度管理系统 | |
CN112799324B (zh) | 一种基于区块链技术的应急可视化安全监管系统 | |
CN113628172A (zh) | 一种人员手持武器智能检测算法及智慧城市安防系统 | |
CN111160780A (zh) | 调度机器人及调度方法 | |
CN115223317A (zh) | 灾害应急事件管理自动上报系统 | |
CN117975642B (zh) | 一种消防设施智能管理系统 | |
CN116739870B (zh) | 一种应急体系管理系统及方法 |
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 |