CN115081255A - 厂区事故伤害的处理方法、系统、终端设备及介质 - Google Patents
厂区事故伤害的处理方法、系统、终端设备及介质 Download PDFInfo
- Publication number
- CN115081255A CN115081255A CN202210996040.0A CN202210996040A CN115081255A CN 115081255 A CN115081255 A CN 115081255A CN 202210996040 A CN202210996040 A CN 202210996040A CN 115081255 A CN115081255 A CN 115081255A
- Authority
- CN
- China
- Prior art keywords
- accident
- abnormal
- source
- aerial vehicle
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012545 processing Methods 0.000 title claims abstract description 73
- 230000002159 abnormal effect Effects 0.000 claims abstract description 196
- 238000004088 simulation Methods 0.000 claims abstract description 78
- 238000007689 inspection Methods 0.000 claims abstract description 49
- 208000012260 Accidental injury Diseases 0.000 claims abstract description 47
- 230000007613 environmental effect Effects 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004880 explosion Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 238000009795 derivation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003949 liquefied natural gas Substances 0.000 description 1
- 239000003915 liquefied petroleum gas Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种厂区事故伤害的处理方法、系统、终端设备以及计算机可读存储介质，该厂区事故伤害的处理方法包括：通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；若是，则确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；针对所述异常危险源进行模拟仿真得到仿真结果；将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。本发明能够对异常危险源进行自动应急处理，保障危险源的安全性。
Description
技术领域
本发明涉及数据处理技术领域，尤其是涉及一种厂区事故伤害的处理方法、系统、终端设备以及计算机可读存储介质。
背景技术
港口集装箱、防火堤以及能源储罐区等都属于重大危险源，在重大危险源处发生灾害的可能性更高。目前普遍通过人工方式对各个重大危险源进行定期排查，此种方式加重了监测成本，并且通过人工巡查方式降低了排查准确性，无法及时发现潜在风险，进而无法保障重大危险源的安全性。
发明内容
本发明的主要目的在于提供一种厂区事故伤害的处理方法、系统、终端设备以及计算机可读存储介质，旨在对异常危险源进行自动应急处理，保障危险源的安全性。
为实现上述目的，本发明提供一种厂区事故伤害的处理方法，所述厂区事故伤害的处理包括：
通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；
若是，则确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；
针对所述异常危险源进行模拟仿真得到仿真结果；
将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。
可选地，所述通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数的步骤，包括：
通过无人机内置的预训练的深度学习神经网络，利用所述无人机搭载的AI摄像头采集异常危险源对应的异常特征参数；
根据所述异常特征参数，并结合无人机内置的事故伤害分类准则，确定所述异常危险源对应的事故伤害类型；
通过所述无人机搭载的环境感知装置，识别所述异常危险源所处环境的包含温度、湿度、风速和风向的环境参数。
可选地，所述通过所述中控室调度平台对异常危险源进行应急处理的步骤，包括：
根据所述仿真结果、所述事故伤害类型和所述环境参数，通过所述中控室调度平台生成事故预警单，其中，所述事故预警单包括：事发时间、事发地点、事故伤害类型和危险等级；
基于所述事故预警单，构建所述异常危险源和所述异常危险源所导致灾害事故的知识图谱得到事故处置方案、事故消防路线和无关人员疏散路线；
将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源导致的灾事故进行处理。
可选地，在所述将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源事故进行处理的步骤之后，还包括：
通过所述无人机搭载的AI摄像头获取现场事故处置动态，并针对现场事故处置动态进行图片提取操作得到目标图片，并将所述目标图片转为文字文本；
将所述目标图片和所述文字文本通过厂区内预置的5G基站实时反馈至所述中控室调度平台。
可选地，在所述确定执行当前异常危险源巡检任务的无人机的步骤之后，还包括：
通过所述无人机搭载的AI摄像头，识别所述异常危险源的泄漏介质类型和危险源储蓄量；
所述针对所述异常危险源进行模拟仿真得到仿真结果的步骤，包括：
根据所述泄漏介质类型和所述危险源储蓄量，通过内置TNT当量法的算法模型的无人机，针对所述异常危险源的泄漏事故进行模拟仿真得到仿真结果，其中，所述仿真结果包括：泄漏扩散影响范围、热辐射影响范围和爆炸超压影响范围。
可选地，在所述确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数的步骤之前，还包括：
通过快速随机搜索树RRT算法规划无人机的巡检路线，以按照所述巡检路线执行异常危险源巡检任务。
可选地，所述确定执行当前异常危险源巡检任务的无人机的步骤，可以包括：
将通过所述固定式摄像头采集的所述异常危险源的图片文件和/或视频文件发送至所述中控室调度平台；
根据所述图片文件和/或所述视频文件，通过所述中控室调度平台确定能够执行当前异常危险源巡检任务的无人机。
为实现上述目的，本发明还提供一种厂区事故伤害的处理系统，所述厂区事故伤害的处理系统，包括：
确定模块，用于通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；
获取模块，用于确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；
模拟仿真模块，用于针对所述异常危险源进行模拟仿真得到仿真结果；
应急处理模块，用于将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。
其中，本发明厂区事故伤害的处理系统的各个功能模块各自在运行时均实现如上所述的厂区事故伤害的处理方法的步骤。
为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的厂区事故伤害的处理程序，所述厂区事故伤害的处理程序被所述处理器执行时实现如上所述的厂区事故伤害的处理方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有厂区事故伤害的处理程序，所述厂区事故伤害的处理程序被处理器执行时实现如上所述的厂区事故伤害的处理方法的步骤。
此外，为实现上述目的，本发明还提供计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上所述的厂区事故伤害的处理方法的步骤。
本发明提供一种厂区事故伤害的处理方法、系统、终端设备、计算机可读存储介质以及计算机程序产品，通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；若是，则确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；针对所述异常危险源进行模拟仿真得到仿真结果；将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。
相比于现有技术中通过人工排查方式对危险源进行巡查的方式，在本发明中，将固定摄像头和无人机巡检进行结合，根据固定摄像头确定异常危险源后，将派遣无人机进一步巡检，并通过中控室调度平台对异常危险源进行防控和应对。因此，本发明能够及时对危险源的可能导致的灾害事故进行事前预警和事后防控，尽可能在灾害事故演变进程中靠近的时间节点对灾害事故进行处理，以最大程度地减少灾害事故可能导致的次生衍生问题，同时对灾害事故进行针对性处理，极大提升事故处理效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明厂区事故伤害的处理方法一实施例的流程示意图；
图3为本发明厂区事故伤害的处理系统一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
需要说明的是，本发明实施例终端设备可以是用于实现厂区事故伤害处理的终端设备，该终端设备具体可以是智能手机、个人计算机和服务器等。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及厂区事故伤害的处理程序。操作系统是管理和控制设备硬件和软件资源的程序，支持厂区事故伤害的处理程序以及其它软件或程序的运行。在图1所示的设备中，用户接口1003主要用于与客户端进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001可以用于调用存储器1005中存储的厂区事故伤害的处理程序，并执行以下操作：
通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；
若是，则确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；
针对所述异常危险源进行模拟仿真得到仿真结果；
将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。
进一步地，处理器1001还可以用于调用存储器1005中存储的厂区事故伤害的处理程序，还执行以下操作：
通过无人机内置的预训练的深度学习神经网络，利用所述无人机搭载的AI摄像头采集异常危险源对应的异常特征参数；
根据所述异常特征参数，并结合无人机内置的事故伤害分类准则，确定所述异常危险源对应的事故伤害类型；
通过所述无人机搭载的环境感知装置，识别所述异常危险源所处环境的包含温度、湿度、风速和风向的环境参数。
进一步地，处理器1001还可以用于调用存储器1005中存储的厂区事故伤害的处理程序，还执行以下操作：
根据所述仿真结果、所述事故伤害类型和所述环境参数，通过所述中控室调度平台生成事故预警单，其中，所述事故预警单包括：事发时间、事发地点、事故伤害类型和危险等级；
基于所述事故预警单，构建所述异常危险源和所述异常危险源所导致灾害事故的知识图谱得到事故处置方案、事故消防路线和无关人员疏散路线；
将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源导致的灾事故进行处理。
进一步地，在所述将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源事故进行处理的步骤之后，处理器1001还可以用于调用存储器1005中存储的厂区事故伤害的处理程序，还执行以下操作：
通过所述无人机搭载的AI摄像头获取现场事故处置动态，并针对现场事故处置动态进行图片提取操作得到目标图片，并将所述目标图片转为文字文本；
将所述目标图片和所述文字文本通过厂区内预置的5G基站实时反馈至所述中控室调度平台。
进一步地，在所述确定执行当前异常危险源巡检任务的无人机的步骤之后，处理器1001还可以用于调用存储器1005中存储的厂区事故伤害的处理程序，还执行以下操作：
通过所述无人机搭载的AI摄像头，识别所述异常危险源的泄漏介质类型和危险源储蓄量；
处理器1001还可以用于调用存储器1005中存储的厂区事故伤害的处理程序，还执行以下操作：
根据所述泄漏介质类型和所述危险源储蓄量，通过内置TNT当量法的算法模型的无人机，针对所述异常危险源的泄漏事故进行模拟仿真得到仿真结果，其中，所述仿真结果包括：泄漏扩散影响范围、热辐射影响范围和爆炸超压影响范围。
进一步地，在所述确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数的步骤之前，处理器1001还可以用于调用存储器1005中存储的厂区事故伤害的处理程序，还执行以下操作：
通过快速随机搜索树RRT算法规划无人机的巡检路线，以按照所述巡检路线执行异常危险源巡检任务。
进一步地，处理器1001还可以用于调用存储器1005中存储的厂区事故伤害的处理程序，还执行以下操作：
将通过所述固定式摄像头采集的所述异常危险源的图片文件和/或视频文件发送至所述中控室调度平台；
根据所述图片文件和/或所述视频文件，通过所述中控室调度平台确定能够执行当前异常危险源巡检任务的无人机。
参照图2，图2为本发明厂区事故伤害的处理方法第一实施例的流程示意图。
在本实施例中，提供了厂区事故伤害的处理的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以不同于此处的顺序执行所示出或描述的步骤。
本实施例中的厂区事故伤害的处理方法，包括以下步骤：
步骤S10，通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；
步骤S20，若是，则确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；
考虑到在厂区和仓库等存放易燃易爆或者可能导致灾害事故的危险物，一般在存储危险物的区域都会安装固定摄像头，以对重大危险源进行实时检监控。但是，仅通过固定摄像头无法满足重大危险源的全面监测预警需求，另外，若是通过固定摄像头捕获到危险源存在异常，比如危险源泄漏、危险源区域出现明火、危险源区域出现异常人员等情况，需要进一步派遣维修人员进行进一步排查和维修，此种方式无法及时对危险源的潜在风险进行针对性检修，降低了事故处理效率，增加了事故进一步恶化的可能，且人工成本较高。
而在本实施例中，一方面，终端设备利用危险源区域中的固定式摄像头实时监测该危险源区域是否存在异常危险源，另一方面，若是通过固定式摄像头监测到可能存在异常危险源时，终端设备将派遣能够执行当前异常危险源巡检任务的无人机，通过无人机进行进一步精细巡检，其中，异常危险源包括但不限于在危险源区域内出现明火报警、危险源区域内存在异常人员和危险源区域出现未记载于数据库的新物质。
在此基础上，终端设备将通过无人机，对固定摄像头采集的异常危险源进行进一步巡检，确定当前异常危险源对应的事故伤害类型，同时，获取异常危险源所处环境的环境参数。
值得注意的是，本实施例中的厂区事故伤害的处理方法除了能够适用于厂区事故巡检和处理之外，同时也能够适用于物体打击、高空作业、危险化学品火灾爆炸和动火作业等事故场景。因此，本发明能够普遍适用于各类型事故场景。
步骤S30，针对所述异常危险源进行模拟仿真得到仿真结果；
为了对异常危险源可能导致的灾害事故进行精准防控和应对，终端设备可针对该异常危险源进行模拟仿真。
具体地，例如，可针对该异常危险源的爆炸场景进行模拟仿真，比如，爆炸场景中的泄漏扩散影响范围、热辐射影响范围和爆炸超压影响范围等，使得终端设备能够根据仿真结果对异常危险源可能导致的灾害事故进行防控，尽可能在灾害事故演变进程中靠近的时间节点对灾害事故进行处理，以最大程度地减少灾害事故可能导致的次生衍生问题。
步骤S40，将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。
终端设备在对异常危险源进行模拟仿真得到对应的仿真结果后，将仿真结果、识别的事故伤害类型以及通过无人机采集的危险源所处环境的环境参数，打包发送至后端的中控室调度平台，中控室调度平台可根据当前的危险源事故类型派遣对应的抢修队伍进行事故应急处理，其中，危险源事故类型除了可以包括危险源泄漏、爆炸等，还可以包括在危险源区域发生的物体打击和机械伤害等事故类型。
由于危险源事故类型不同，导致的灾害事故类型也不同，并且事故处理所需设备和物资也不同。因此，在本实施例中能够通过中控室调度平台危险源事故类型派遣对应的抢修队伍，以对灾害事故进行针对性处理，极大提升事故处理效率。
在本实施例中，终端设备利用危险源区域中的固定式摄像头实时监测该危险源区域是否存在异常危险源，若是通过固定式摄像头监测到可能存在异常危险源时，终端设备将派遣能够执行当前异常危险源巡检任务的无人机，以通过无人机进行进一步精细巡检。为了对异常危险源可能导致的灾害事故进行精准防控和应对，终端设备可针对该异常危险源进行模拟仿真。终端设备在对异常危险源进行模拟仿真得到对应的仿真结果后，将仿真结果、通过无人机识别的事故伤害类型和通过无人机采集的危险源所处环境的环境参数，打包发送至后端应急指令平台，后端的中控室调度平台可根据当前的危险源事故类型派遣对应的抢修队伍进行事故应急处理
相比于现有技术中通过人工排查方式对危险源进行巡查的方式，在本发明中，将固定摄像头和无人机巡检进行结合，根据固定摄像头确定异常危险源后，将派遣无人机进一步巡检，并通过中控室调度平台对异常危险源进行防控和应对。因此，本发明能够及时对危险源的可能导致的灾害事故进行事前预警和事后防控，尽可能在灾害事故演变进程中靠近的时间节点对灾害事故进行处理，以最大程度地减少灾害事故可能导致的次生衍生问题，同时对灾害事故进行针对性处理，极大提升事故处理效率。
基于本发明厂区事故伤害的处理方法的第一实施例，提出本发明厂区事故伤害的处理方法的第二实施例。
在本实施例中，上述步骤S20中，“通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数”，可以包括：
步骤S201，通过无人机内置的预训练的深度学习神经网络，利用所述无人机搭载的AI摄像头采集异常危险源对应的异常特征参数；
步骤S202，根据所述异常特征参数，并结合无人机内置的事故伤害分类准则，确定所述异常危险源对应的事故伤害类型；
步骤S203，通过所述无人机搭载的环境感知装置，识别所述异常危险源所处环境的包含温度、湿度、风速和风向的环境参数。
终端设备在确定执行异常危险源巡检任务的无人机后，无人机将前往按照预设飞行航线直接前往该异常危险源处，一方面可通过搭载的AI摄像头识别异常危险源的泄漏介质类型和危险源储蓄量等参数危险源参数，另一方面，也可通过无人机内置的预训练的深度学习神经网络，利用所述无人机搭载的AI摄像头采集异常危险源对应的异常特征参数，其中，异常特征参数可以包括，有潜在风险可能导致灾害事故发生的特征参数，比如，明火、坍塌等。在此基础上，终端设备能够根据上述异常特征参数，同时参考无人机内置的事故伤害分类准则，比如，企业职工伤亡事故分类标准，确定当前异常危险源的事故伤害类型。
具体地，例如，无人机巡检拍摄到正在进行高空作业的两人，在脚架上没有系安全带，存在高空坠落隐患。此时，无人机进一步对作业人员的穿戴（比如安全帽、安全服、安全靴）、系安全带部位进行重点扫描，若是识别发现作业人员没有系安全带，将提取事故隐患的异常特征参数（比如，安全带脱钩、断裂等特征），根据上述异常特征参数匹配数据库中的事故类型，按照内置的事故伤害分类准则，判别当前异常危险源对应的可能导致事故的事故伤害类型。
另外，终端设备还需要通过搭载环境感知装置的无人机，识别危险源所处环境的环境参数，环境参数包括但不限于：当前的温度、湿度、风速和风向，以结合当前的环境参数，进行异常危险源的事前预警和事后防控。
进一步地，上述步骤S40中，“通过所述中控室调度平台对异常危险源进行应急处理”，可以包括：
步骤S401，根据所述仿真结果、所述事故伤害类型和所述环境参数，通过所述中控室调度平台生成事故预警单，其中，所述事故预警单包括：事发时间、事发地点、事故伤害类型、泄漏介质类型和危险等级；
步骤S402，基于所述事故预警单，构建所述异常危险源和所述异常危险源所导致灾害事故的知识图谱得到事故处置方案、事故消防路线和无关人员疏散路线；
步骤S403，将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源事故进行处理。
终端设备在获取到无人机回传的仿真结果、事故伤害类型和环境参数后，通过中控室调度平台，生成当前灾害事故的事故预警单，在该事故预警单中包括但不限于事发时间、事发地点、事故伤害类型和危险等级。进而，根据该事故预警单，构建当前异常危险源和当前异常危险源可能导致灾害事故的知识图谱得到事故处置方案、事故消防路线和无关人员疏散路线，以快速应对灾害事故。在此基础上，将该事故处置方案、事故消防路线和无关人员疏散路线，通过该中控室调度平台，发送至对应的移动端，由移动端的企业消防队伍和抢救维修队伍进行灾害事故的现场处理。
需要说明的是，在本实施例中，可将该事故处置方案以事故处置指令卡方式发送至移动端，比如，中控室调度平台能够智能匹配专项灾害事故处理部，即救援团队，并根据事故处置方案形成专项灾害事故处理部各成员单位的事故处置指令卡。
在此基础上，待指挥官命令，即可逐个将事故处置指令卡下发或者一键下达成员单位，而成员单位能够通过移动端APP，实时反馈事故处置进程，形成任务闭环，以提升灾害事故的处置效率。
进一步地，上述步骤S403，“将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源事故进行处理”之后，还可以包括：
步骤S404，通过所述无人机搭载的AI摄像头获取现场事故处置动态，并针对现场事故处置动态进行图片提取操作得到目标图片，并将所述目标图片转为文字文本；
步骤S405，将所述目标图片和所述文字文本通过厂区内预置的5G基站实时反馈至所述中控室调度平台。
终端设备当派遣救援团队，根据事故处置方案、事故消防路线和无关人员疏散路线进行现场事故处理时，将进一步利用无人机搭载的AI摄像头，进对异常危险源灾害事故的处理进度进行实时监测，比如，针对通过AI摄像头采集的事故处置动态（图片或者视频）进行图片提取操作得到目标图片，并将该目标图片转为文字文本。进而，将上述目标图片和文字文本，通过厂区内预置的5G基站，以4G/5G/WiFi方式实时反馈至中控室调度平台，使得后台主控人员能够对事故处理进度进行实时掌控。
在本实施例中，终端和设备通过无人机内置的预训练的深度学习神经网络，利用所述无人机搭载的AI摄像头采集异常危险源对应的异常特征参数，同时参考无人机内置的事故伤害分类准则，比如，企业职工伤亡事故分类标准，确定当前异常危险源的事故伤害类型。终端设备还需要通过搭载环境感知装置的无人机，识别危险源所处环境的环境参数。终端设备中控室调度平台，生成当前灾害事故的事故预警单，根据该事故预警单，构建当前异常危险源和当前异常危险源可能导致灾害事故的知识图谱得到事故处置方案、事故消防路线和无关人员疏散路线，以快速应对灾害事故。
在本发明中，通过无人机能够采集异常危险源的相关参数，并由无人机对异常危险源所导致的灾害事故进行模拟仿真，并将仿真结果发送至中控室调度平台，有中控室调度平台确定事故处置方案、事故消防路线和无关人员疏散路线，并派遣救援团队进行现场事故处理。因此，本发明能够对危险源的可能导致的灾害事故进行事前预警和事后防控，自动匹配与当前灾害事故一致的处置方案，实现了对灾害事故进行针对性处理，极大提升事故处理效率。
基于本发明厂区事故伤害的处理方法的第一实施例和第二实施例，提出本发明厂区事故伤害的处理方法的第三实施例。
在本实施例中，上述步骤S20，“确定执行当前异常危险源巡检任务的无人机”之后，还可以包括：
步骤S50，通过所述无人机搭载的AI摄像头，识别所述异常危险源的泄漏介质类型和危险源储蓄量；
在通过固定摄像头确定异常危险源，并派遣能够执行异常危险源巡检任务的无人机后，若是此时危险源事故类型为危险源泄漏事故，终端设备将进一步通过无人机搭载的AI摄像头识别危险源的泄漏介质类型和危险源储蓄量等危险源参数，以根据包含泄漏介质类型和危险源储蓄量的危险源参数，预测当前危险源泄漏事故可能导致的后果，并采取对应的事故预防措施。
进一步地，上述步骤S30中，“针对所述异常危险源进行模拟仿真得到仿真结果”，可以包括：
步骤S301，根据所述泄漏介质类型和所述危险源储蓄量，通过内置TNT当量法的算法模型的无人机，针对所述异常危险源的泄漏事故进行模拟仿真得到仿真结果，其中，所述仿真结果包括：泄漏扩散影响范围、热辐射影响范围和爆炸超压影响范围。
终端设备在通过无人机识别到异常危险源的泄漏介质类型和危险源储蓄量以及异常危险源所处环境的环境参数后，由于预先在无人机中内置了TNT当量法的算法模型，因此，可利用无人机，根据泄漏介质类型、危险源储蓄量以及环境参数等，针对当前的异常危险源的泄漏事故进行模拟仿真得到仿真结果，其中，仿真结果包括但不限于泄漏扩散影响范围、热辐射影响范围和爆炸超压影响范围。
需要说明的是，在本实施例中，无人机在识别到异常危险源的相关参数后，直接针对异常危险源可能导致的灾害事故进行模拟仿真并得到仿真结果，以将该仿真结果发送至中控室调度平台，提升了灾害事故处理效率。除此之外，若是无人机由于电池原因等无法实时进行数据处理，也可将获取到异常危险源的相关参数回传至中控室调度平台，由中控室调度平台进行仿真数据和数据分析等。可见，在本实施例中，实现了关于异常危险源的灵活处理，避免了由于无人机原因所导致的灾害事故处理效率低下问题。
另外，在上述步骤S50，“通过所述无人机搭载的AI摄像头，识别所述异常危险源的泄漏介质类型和危险源储蓄量”之前，还可以包括：
步骤S60，通过所述危险源区域内的危险源报警装置、危险源警示标志和危险源类型对所述AI摄像头进行预训练，以通过预训练的AI摄像头识别所述危险源区域中的异常危险源。
终端设备在通过AI摄像头识别异常危险源的泄漏介质类型和危险源储蓄量之前，需要预先对AI摄像头进行预训练，比如，训练AI摄像头智能识别危险源区域内的危险源报警装置、危险源警示标志和危险源类型等，其中，危险源报警装置包括但不限于易燃易爆气体报警仪、有毒有害气体报警仪等泄漏检测仪器。而危险源类型包括但不限于汽油、柴油、液化天然气和液化石油气等。在此基础上，终端设备能够利用预训练后的AI摄像头执行异常危险源巡检任务。
进一步地，上述步骤S20，“确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数”之前，还可以包括：
步骤S70，通过快速随机搜索树RRT算法规划无人机的巡检路线，以按照所述巡检路线执行异常危险源巡检任务。
无人机在执行事故巡检任务时，需要结合不同的事故场景，通过快速随机搜索树RRT算法规划和调整无人机的巡检路线，以适用于各类型的事故场景。
具体地，例如，当利用无人机巡检重大危险区域时，在规划无人机巡检路线，可针对潜在明火风险区域进行多次巡检，并且考虑到重大危险源厂区严禁明火，无人机需要具备良好的防爆性能；而利用无人机巡检大型港区时，在规划无人机巡检路线时，需要考虑无人机续航和避障问题，并且无人机在巡检时，还需进行下沉飞行，以查看港口集装箱细节，因此，规划巡检路线时还需考虑下沉飞行。
进一步地，上述步骤S20中，“确定执行当前异常危险源巡检任务的无人机”，可以包括：
步骤S201，将通过所述固定式摄像头采集的所述异常危险源的图片文件和/或视频文件发送至所述中控室调度平台；
步骤S202，根据所述图片文件和/或所述视频文件，通过所述中控室调度平台确定能够执行当前异常危险源巡检任务的无人机。
需要说明的是，在本实施例中，通过固定摄像头、无人机和中控室调度平台，共同构成了厂区事故伤害的处理系统。
在此基础上，终端设备在通过固定摄像头确定危险源区域中是否存在异常危险源时，可将固定式摄像头采集的异常危险源的图片文件和/或视频文件，结合固定摄像头参数，比如，固定摄像头位置信息，发送至中控室调度平台，由中控室调度平台自动匹配能够执行当前异常危险源巡检任务的，且处于空闲状态的无人机，以派遣该无人机执行巡检任务。
在本实施例中，用无人机搭载的AI摄像头，进对异常危险源灾害事故的处理进度进行实时监测，并将监测结果通过4G/5G/WiFi方式实时反馈至中控室调度平台。终端设备在通过固定摄像头确定危险源区域中是否存在异常危险源后，可将固定式摄像头采集的异常危险源的图片文件和/或视频文件，结合固定摄像头参数，比如，固定摄像头位置信息，发送至中控室调度平台，由中控室调度平台自动匹配能够执行当前异常危险源巡检任务的，且处于空闲状态的无人机，以派遣该无人机执行巡检任务。通过搭载环境感知装置的无人机，识别危险源所处环境的环境参数，环境参数包括但不限于：当前的温度、湿度、风速和风向，以结合当前的环境参数，进行异常危险源的事前预警和事后防控。
因此，本发明能够及时对危险源的可能导致的灾害事故进行事前预警和事后防控，尽可能在灾害事故演变进程中靠近的时间节点对灾害事故进行处理，以最大程度地减少灾害事故可能导致的次生衍生问题，同时对灾害事故进行针对性处理，极大提升事故处理效率。
此外，本发明实施例还提出一种厂区事故伤害的处理系统，参照图3，图3为本发明厂区事故伤害的处理一实施例的功能模块示意图。如图3所示，本发明厂区事故伤害的处理系统，包括：
确定模块10，用于通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；
获取模块20，用于确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；
模拟仿真模块30，用于针对所述异常危险源进行模拟仿真得到仿真结果；
应急处理模块40，用于将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。
进一步地，所述获取模块20，包括：
采集单元，用于通过无人机内置的预训练的深度学习神经网络，利用所述无人机搭载的AI摄像头采集异常危险源对应的异常特征参数；
事故伤害类型确定单元，用于根据所述异常特征参数，并结合无人机内置的事故伤害分类准则，确定所述异常危险源对应的事故伤害类型；
识别单元，用于通过所述无人机搭载的环境感知装置，识别所述异常危险源所处环境的包含温度、湿度、风速和风向的环境参数。
进一步地，所述应急处理模块，包括：
事故预警单生成单元，用于根据所述仿真结果、所述事故伤害类型和所述环境参数，通过所述中控室调度平台生成事故预警单，其中，所述事故预警单包括：事发时间、事发地点、事故伤害类型和危险等级；
构建单元，用于基于所述事故预警单，构建所述异常危险源和所述异常危险源所导致灾害事故的知识图谱得到事故处置方案、事故消防路线和无关人员疏散路线；
下发单元，用于将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源导致的灾事故进行处理。
进一步地，所述厂区事故伤害的处理系统，还包括：
转化模块，用于通过所述无人机搭载的AI摄像头获取现场事故处置动态，并针对现场事故处置动态进行图片提取操作得到目标图片，并将所述目标图片转为文字文本；
反馈模块，用于将所述目标图片和所述文字文本通过厂区内预置的5G基站实时反馈至所述中控室调度平台。
进一步地，所述厂区事故伤害的处理系统，还包括：
识别模块，用于通过所述无人机搭载的AI摄像头，识别所述异常危险源的泄漏介质类型和危险源储蓄量；
所述模拟仿真模块，包括：
模拟仿真单元，用于根据所述泄漏介质类型和所述危险源储蓄量，通过内置TNT当量法的算法模型的无人机，针对所述异常危险源的泄漏事故进行模拟仿真得到仿真结果，其中，所述仿真结果包括：泄漏扩散影响范围、热辐射影响范围和爆炸超压影响范围。
进一步地，所述厂区事故伤害的处理系统，还包括：
规划模块，用于通过快速随机搜索树RRT算法规划无人机的巡检路线，以按照所述巡检路线执行异常危险源巡检任务。
进一步地，所述获取模块20，包括：
发送单元，用于将通过所述固定式摄像头采集的所述异常危险源的图片文件和/或视频文件发送至所述中控室调度平台；
无人机确定单元，用于根据所述图片文件和/或所述视频文件，通过所述中控室调度平台确定能够执行当前异常危险源巡检任务的无人机。
本发明厂区事故伤害的处理系统的各个功能模块的具体实施方式与上述厂区事故伤害的处理方法各实施例基本相同，在此不做赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有厂区事故伤害的处理程序，所述厂区事故伤害的处理程序被处理器执行时实现如上所述的厂区事故伤害的处理方法的步骤。
本发明厂区事故伤害的处理系统和计算机可读存储介质的各实施例，均可参照本发明厂区事故伤害的处理方法各个实施例，此处不再赘述。
此外，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如以上厂区事故伤害的处理方法的任一项实施例所述的厂区事故伤害的处理方法的步骤。
本发明计算机程序产品的具体实施例与上述厂区事故伤害的处理方法的各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种厂区事故伤害的处理方法，其特征在于，所述厂区事故伤害的处理方法包括：
通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；
若是，则确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；
针对所述异常危险源进行模拟仿真得到仿真结果；
将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。
2.如权利要求1所述的厂区事故伤害的处理方法，其特征在于，所述通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数的步骤，包括：
通过无人机内置的预训练的深度学习神经网络，利用所述无人机搭载的AI摄像头采集异常危险源对应的异常特征参数；
根据所述异常特征参数，并结合无人机内置的事故伤害分类准则，确定所述异常危险源对应的事故伤害类型；
通过所述无人机搭载的环境感知装置，识别所述异常危险源所处环境的包含温度、湿度、风速和风向的环境参数。
3.如权利要求1所述的厂区事故伤害的处理方法，其特征在于，所述通过所述中控室调度平台对异常危险源进行应急处理的步骤，包括：
根据所述仿真结果、所述事故伤害类型和所述环境参数，通过所述中控室调度平台生成事故预警单，其中，所述事故预警单包括：事发时间、事发地点、事故伤害类型和危险等级；
基于所述事故预警单，构建所述异常危险源和所述异常危险源所导致灾害事故的知识图谱得到事故处置方案、事故消防路线和无关人员疏散路线；
将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源导致的灾害事故进行处理。
4.如权利要求3所述的厂区事故伤害的处理方法，其特征在于，在所述将所述事故处置方案、所述事故消防路线和所述无关人员疏散路线下发至参与事故处理的企业消防队伍和抢救维修队伍，以对厂区内的异常危险源事故进行处理的步骤之后，还包括：
通过所述无人机搭载的AI摄像头获取现场事故处置动态，并针对现场事故处置动态进行图片提取操作得到目标图片，并将所述目标图片转为文字文本；
将所述目标图片和所述文字文本通过厂区内预置的5G基站实时反馈至所述中控室调度平台。
5.如权利要求1所述的厂区事故伤害的处理方法，其特征在于，在所述确定执行当前异常危险源巡检任务的无人机的步骤之后，还包括：
通过所述无人机搭载的AI摄像头，识别所述异常危险源的泄漏介质类型和危险源储蓄量；
所述针对所述异常危险源进行模拟仿真得到仿真结果的步骤，包括：
根据所述泄漏介质类型和所述危险源储蓄量，通过内置TNT当量法的算法模型的无人机，针对所述异常危险源的泄漏事故进行模拟仿真得到仿真结果，其中，所述仿真结果包括：泄漏扩散影响范围、热辐射影响范围和爆炸超压影响范围。
6.如权利要求1所述的厂区事故伤害的处理方法，其特征在于，在所述确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数的步骤之前，还包括：
通过快速随机搜索树RRT算法规划无人机的巡检路线，以按照所述巡检路线执行异常危险源巡检任务。
7.如权利要求1所述的厂区事故伤害的处理方法，其特征在于，所述确定执行当前异常危险源巡检任务的无人机的步骤，可以包括：
将通过所述固定式摄像头采集的所述异常危险源的图片文件和/或视频文件发送至所述中控室调度平台；
根据所述图片文件和/或所述视频文件，通过所述中控室调度平台确定能够执行当前异常危险源巡检任务的无人机。
8.一种厂区事故伤害的处理系统，其特征在于，所述厂区事故伤害的处理系统包括：
确定模块，用于通过厂区内危险源区域中的固定式摄像头确定所述危险源区域中是否存在异常危险源；
获取模块，用于确定执行当前异常危险源巡检任务的无人机，并通过所述无人机获取确定所述异常危险源对应的事故伤害类型和所述异常危险源所处环境的环境参数；
模拟仿真模块，用于针对所述异常危险源进行模拟仿真得到仿真结果；
应急处理模块，用于将所述仿真结果、所述事故伤害类型和所述环境参数发送至中控室调度平台，通过所述中控室调度平台对异常危险源进行应急处理。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的厂区事故伤害的处理程序，所述厂区事故伤害的处理程序被所述处理器执行时实现如权利要求1至7中任一项所述的厂区事故伤害的处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有厂区事故伤害的处理程序，所述厂区事故伤害的处理程序被处理器执行时实现如权利要求1至7中任一项所述的厂区事故伤害的处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210996040.0A CN115081255A (zh) | 2022-08-19 | 2022-08-19 | 厂区事故伤害的处理方法、系统、终端设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210996040.0A CN115081255A (zh) | 2022-08-19 | 2022-08-19 | 厂区事故伤害的处理方法、系统、终端设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115081255A true CN115081255A (zh) | 2022-09-20 |
Family
ID=83245261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210996040.0A Pending CN115081255A (zh) | 2022-08-19 | 2022-08-19 | 厂区事故伤害的处理方法、系统、终端设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081255A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169600A (zh) * | 2017-05-12 | 2017-09-15 | 广州中国科学院工业技术研究院 | 识别重大危险源的方法、系统、存储介质及计算机设备 |
| CN113052382A (zh) * | 2021-03-29 | 2021-06-29 | 江苏坤云信息科技有限公司 | 基于三维模型的危险源爆炸事故大数据模拟预警应急系统 |
| CN113110579A (zh) * | 2021-04-16 | 2021-07-13 | 深圳市艾赛克科技有限公司 | 基于热辐射的无人机巡检方法、装置、无人机及存储介质 |
| CN114118847A (zh) * | 2021-12-03 | 2022-03-01 | 中国计量大学 | 化工园区危险源在线监测平台 |
| CN114240116A (zh) * | 2021-12-09 | 2022-03-25 | 北京华企动力信息技术有限公司 | 一种人工智能风险监控预警系统 |
-
2022
- 2022-08-19 CN CN202210996040.0A patent/CN115081255A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169600A (zh) * | 2017-05-12 | 2017-09-15 | 广州中国科学院工业技术研究院 | 识别重大危险源的方法、系统、存储介质及计算机设备 |
| CN113052382A (zh) * | 2021-03-29 | 2021-06-29 | 江苏坤云信息科技有限公司 | 基于三维模型的危险源爆炸事故大数据模拟预警应急系统 |
| CN113110579A (zh) * | 2021-04-16 | 2021-07-13 | 深圳市艾赛克科技有限公司 | 基于热辐射的无人机巡检方法、装置、无人机及存储介质 |
| CN114118847A (zh) * | 2021-12-03 | 2022-03-01 | 中国计量大学 | 化工园区危险源在线监测平台 |
| CN114240116A (zh) * | 2021-12-09 | 2022-03-25 | 北京华企动力信息技术有限公司 | 一种人工智能风险监控预警系统 |
Non-Patent Citations (1)
| Title |
|---|
| 赵振宇: ""GIS与无人机辅助技术在工业事故中的应用"", 《中国应急救援》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106127411A (zh) | 一种基于智能眼镜的电力作业辅助方法及系统 | |
| US20150264547A1 (en) | Disaster Information Management Apparatus, Disaster Information System, Disaster Information Management Method, Disaster Information Management Program, Portable Terminal, Control Method of Portable Terminal, and Control Program of Controlling Operation of Portable Terminal | |
| CN115204752B (zh) | 突发事件应急处置方案生成方法、系统、装置及存储介质 | |
| CN108490889A (zh) | 基于te模型的智能工厂安全大数据数据源发生方法及装置 | |
| CN111028473B (zh) | 校园安全监控联动识别系统 | |
| KR102195174B1 (ko) | 웨어러블 카메라를 이용한 건설안전 모니터링 시스템 | |
| CN116151626B (zh) | 风险管控能力评测方法、系统、电子设备及存储介质 | |
| CN115063091A (zh) | 危险货物运输事故的处理方法、系统、设备与存储介质 | |
| Kas et al. | Using unmanned aerial vehicles and robotics in hazardous locations safely | |
| CN112532727A (zh) | 车间内煤气区域人员安全防护系统 | |
| CN108960547A (zh) | 应急预案辅助管理系统 | |
| KR102226675B1 (ko) | 스마트 안전 관리 시스템 및 그 방법 | |
| Botti et al. | A framework for preventing and managing risks in confined spaces through IOT technologies | |
| CN113935645A (zh) | 基于标识解析技术的高风险作业管控系统及方法 | |
| WO2019025938A1 (en) | CONFINED SPACE CONFIGURATION AND OPERATIONS MANAGEMENT SYSTEM | |
| CN115083167A (zh) | 车辆泄漏事故的预警方法、系统、终端设备及介质 | |
| CN113727214A (zh) | 大气污染的巡查方法、装置、设备及存储介质 | |
| CN113569718A (zh) | 提醒方法、装置、设备、系统和存储介质 | |
| CN109859085A (zh) | 安全预警方法及相关产品 | |
| CN115081255A (zh) | 厂区事故伤害的处理方法、系统、终端设备及介质 | |
| CN115146933A (zh) | 危险源爆炸事故的处理方法、系统、设备与存储介质 | |
| CN112613619A (zh) | 车间内煤气区域安全作业管理系统 | |
| CN115953033A (zh) | 城市安全事件的事中处理方法、装置、系统及存储介质 | |
| CN116880262A (zh) | 基于智能装备的安全管控方法及系统 | |
| KR20210095386A (ko) | 모바일 기반의 작업 허가 방법 및 이를 이용한 she 시스템 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220920 |
|
| RJ01 | Rejection of invention patent application after publication |