CN115083112B - 一种智能预警应急管理系统及其部署方法 - Google Patents

一种智能预警应急管理系统及其部署方法 Download PDF

Info

Publication number
CN115083112B
CN115083112B CN202211003116.1A CN202211003116A CN115083112B CN 115083112 B CN115083112 B CN 115083112B CN 202211003116 A CN202211003116 A CN 202211003116A CN 115083112 B CN115083112 B CN 115083112B
Authority
CN
China
Prior art keywords
data
library
algorithm
early warning
module
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.)
Active
Application number
CN202211003116.1A
Other languages
English (en)
Other versions
CN115083112A (zh
Inventor
尹玄鲲
冯灏
付佳
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.)
Maple Valley Chengdu Technology Co ltd
Original Assignee
Maple Valley Chengdu Technology Co ltd
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 Maple Valley Chengdu Technology Co ltd filed Critical Maple Valley Chengdu Technology Co ltd
Priority to CN202211003116.1A priority Critical patent/CN115083112B/zh
Publication of CN115083112A publication Critical patent/CN115083112A/zh
Application granted granted Critical
Publication of CN115083112B publication Critical patent/CN115083112B/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
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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—Systems or methods specially adapted for 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Signal Processing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Emergency Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种智能预警应急管理系统及其部署方法，涉及应急管理技术领域；利用网络摄像机的视频数据分析动态人群分布规律；并实时输出预测的人群密度分布的热力地图，利用历史数据和多维周边数据预测并输出管理区域的未来人群分布密度值，应急管理人员能通过此系统进行快速调度部署，快速地处置突发事件，记录并回溯处置历史；同时通过储存显示模块将管理区域的人群密度数据以热力图和文本信息的方式写入数据集，将视频数据转换成具有直观表示人群密度分布情形的热力图和文本信息数据；通过将原始数据转换成数据量小却载具有效信息的方式，不仅准确保存了数据信息，还减小了数据占用内存，利用模块库管理思路，组建高性价比的最优系统。

Description

一种智能预警应急管理系统及其部署方法
技术领域
本发明涉及应急管理技术领域，具体涉及一种智能预警应急管理系统及其部署方法。
背景技术
人群疏散属于应急管理中的一个重要方向。在一些公共场所和人群聚集密地，很容易发生突发事故，未及时做好应急管理可能引发人群恐慌、拥挤、倾倒、踩踏，造成二次伤害的安全事故。
当今，网络摄像机在广泛应急管理系统中安装使用，随着网络技术和软硬件技术的快速发展，网络摄像机的性能也在快速提高，成本则迅速下降。但是目前的应急管理系统还存在几个问题：首先，各摄像机拍摄的画面是孤立的，各摄像机之间无法自动形成空间逻辑，这样有可能出现重复监控和监控盲区，同时观察者也不能直接获得视频画面与地理位置的对应关系。其次，视频流数据量巨大，而日常应急管理系统监控中大量视频都属于无用数据，不加区别地按时间顺序存储视频数据将占用大量存储资源，导致真正有用的信息被淹没在大数据中被定期删除，造成了资源浪费和信息浪费。再次，目前各场所已经部署的摄像机网络只能用来实现实时图像监控和历史视频回溯，当遇到紧急情况或突发状况时，由于反应速度有限将形成行动延迟而耽误处置和行动时间。传统的应急管理方法不仅对原始视频数据的依赖大，需要占用大量存储资源，在遇到紧急情况或突发状况时，根据原始视频数据掌握应急资源过程繁琐、不够全面，缺乏系统管理，难以实现快速实时调动。
发明内容
本发明所要解决的技术问题是：传统的应急管理方法不仅对原始视频数据的依赖大，需要占用大量存储资源，在遇到紧急情况或突发状况时，根据原始视频数据掌握应急资源过程繁琐、不够全面，缺乏系统管理，难以实现快速实时调动。本发明目的在于提供一种智能预警应急管理系统及其部署方法，解决上述技术问题。
本发明通过下述技术方案实现：
本方案提供一种智能预警应急管理系统，包括：系统构建模块、系统组件库、采集模块和储存显示模块；
所述系统构建模块根据用户需求和管理区域的基本条件部署出分析预警中心，并从系统组件库中调取出预警分析算法、预警分析模型、历史数据集和预警硬件方案得到分析预警中心；
采集模块用于实时获取管理区域的地理数据和图像数据；
分析预警中心用于基于预警分析算法标记出图像数据中的人像位置信息，并根据地理数据将图像数据进行融合；
分析预警中心还用于基于预警分析模型对融合后的图像数据进行实时人群密度分析计算得到实时人群密度数据；
分析预警中心还用于基于预警分析模型和历史数据集（实时人群密度数据及管理区域的环境信息）对下一时刻管理区域的人群密度数据进行预测；
储存显示模块用于将管理区域的人群密度数据以热力图和文本信息的方式写入数据集，并对人群密度数据进行显示。
本方案工作原理：传统的应急管理方法不仅对原始视频数据的依赖大，需要占用大量存储资源，在遇到紧急情况或突发状况时，根据原始视频数据掌握应急资源过程繁琐、不够全面，缺乏系统管理，难以实现快速实时调动。本方案提供的一种智能预警应急管理系统，利用网络摄像机的视频数据，分析每个网格内动态人群分布规律；并实时输出每个地理网格人群密度分布的热力地图；利用历史数据和多维周边数据预测并输出管理区域的未来人群分布密度值，应急管理人员能通过此系统进行快速调度部署，可极大地方便应急管理人员及时、快速地处置突发事件，记录接报过程，回溯处置历史，预判事件发生条件，提前做好预防准备；可最大程度地减少突发事件带来的生命财产损失，极大地提升民众满意度。
传统的应急管理系统主要依靠应急管理人员实时监控视频数据来做出应急处理指令，随着视频流数据量的增加，会存储大量日常视频数据，而这些日常视频数据大部分都属于无用数据，导致真正有用的信息被淹没在大数据中，而后被定期删除；本方案通过储存显示模块将管理区域的人群密度数据以热力图和文本信息的方式写入数据集，将视频数据转换成具有直观表示人群密度分布情形的热力图和文本信息数据；通过将原始数据转换成数据量小却载具有效信息的方式，不仅准确保存了数据信息，还大大减小了数据占用内存。
另外应急管理人员需要监控多个采集装置的视频数据时，就要求应急管理人员对管理区域的环境熟悉掌握，才能及时对视频数据的地理位置进行定位，本方案以热力图和文本信息的方式同时对整个管理区域的地理数据和人口密度数据同时进行展示，为应急管理人员提供充分的应急资源信息和应急管理信息。
进一步优化方案为，所述系统组件库包括算法库、模型库、数据集库和硬件方案库；
所述算法库包括：图像数据获取算法子库、目标识别算法子库、时空对齐算法子库、预测算法子库和自定义算法子库；各算法子库中包含若干实现同类功能的算法，各算法子库中的算法可独立增加、删除和升级；
所述模型库包括：图像处理模型子库、目标识别算法模型子库、人群密度分析模型子库、预测模型子库和自定义模型子库，各模型子库中包含若干实现同类功能的模型，各模型子库中的模型可独立增加、删除和升级；
所述数据集库包括：图像数据集库、历史数据集库和外围数据集库；所述图像数据集库中包含采集模块获取的原始图像数据；所述历史数据集库中包含经分析预警中心处理得到的人群密度数据，及基于人群密度数据派生的告警数据、预案执行过程记录数据；所述外围数据集库中包含与人群密度数据时间对应的管理区域的环境信息；（如某一时刻人群密度数据对应的图像数据以外的交通信息数据、气象信息数据等，如管理区域列车、地铁等到港/离港信息数据、网约车、出租车接单信息等信息）通过对预测数据的安全风险分析评估，判断各区域安全等级，对高风险区域自动报警。
所述硬件方案库包括CPU子库、存储器子库和AI加速器子库。（CPU子库中包括通用CPU、嵌入式CPU、内存容量等选型方案；AI加速器子库中包括GPU、FPGA、专用AI加速器、对应的板载内存容量等选型方案；存储器子库中包括机械硬盘、固态硬盘、eMMC卡等不同种类及容量的选型方案。）
AI加速器是一类专门的硬件加速器或计算机系统在加速人工智能的应用，尤其是人工神经网络、机器视觉和机器学习；
FPGA表示现场可编程门阵列；eMMC卡表示提供标准接口并管理闪存的集成控制器；
进一步优化方案为，所述分析预警中心还包括预警模块和预案模块；
分析预警中心根据历史数据集将管理区域划分成多个区域，基于预警分析模型统计每个网格中人员数量，并以热力图和文本信息的方式呈现每个网格中的实时人群密度数据；
预警模块对人群密度超出预设安全值的网格区域进行自动报警，预案模块生成执行预案详细步骤；
储存显示模块显示报警信息和执行预案详细步骤。
进一步优化方案为，所述图像数据的获取方法包括：采集网络摄像机群的视频数据，通过视频取帧得到带有时间戳的图像数据。
进一步优化方案为，还包括调度模块、算法管理模块和数据管理模块；
调度模块用于调用、配置算法管理模块和数据管理模块；算法管理模块用于调用所需算法、配置参数和保存算法输出的数据；
数据管理模块用于提供算法模块和储存显示模块的数据接口，完成各模块与数据库的数据交换的管理和协调。
进一步优化方案为，储存显示模块包括前端显示模块和后端显示模块；前端显示模块面向用户，前端显示模块的显示屏幕分为实时人群密度分布热力图显示区、预测人群密度分布热力图区、预警信息播报区、预案信息广播区、图表显示区和视频显示区；前端显示模块将实时人群密度数据、预测人群密度数据、历史数据、安全等级信息、应急管理方案信息、执行预案详细步骤、预案执行进度反馈信息同时进行显示；后端显示模块面向系统运维人员，后端显示模块用于实现系统参数配置、图像数据采集设备管理、设备故障和系统异常告警。
本方案还提供一种智能预警应急管理系统部署方法，用于部署上述所述的智能预警应急管理系统；其分析预警中心部署方法包括步骤：
S1、根据用户需求和管理区域的基本条件获取关键参数，所述关键参数包括：算法处理速度
Figure 801449DEST_PATH_IMAGE001
，算法运算精度
Figure 46486DEST_PATH_IMAGE002
，图像数据采集设备台数Number，系统设计余量Margin，其中
Figure 154119DEST_PATH_IMAGE003
表示算法名称；
S2、根据关键参数确定算法模型组合、历史数据集库和备选硬件方案算力数据库；
S3、基于算法模型性能标定平台以硬件开销量最小为标准得到最优算法模型组合，并确定历史数据集；
S4、考虑图像数据采集设备台数Number和系统设计余量Margin计算目标硬件开销量，选择备选硬件方案算力数据库中与目标硬件开销量最接近的硬件方案作为预警硬件方案。
本方案根据用户需求和管理区域的基本条件部署出设计出合格的分析预警中心，便于根据不同的管理区域和用户需求，匹配建立智能预警应急管理系统，同时考虑图像数据采集设备台数Number和系统设计余量Margin计算目标硬件开销量，选择备选硬件方案算力数据库中与目标硬件开销量最接近的硬件方案作为预警硬件方案，保障智能预警应急管理系统的经济性。
进一步优化方案为，所述最优算法模型组合的获取方法包括步骤：
S31、选择一套CPU系统和AI加速器系统作为测试平台，在测试平台上分别运行算法模型组合库中的每种算法模型组合；
S32、测出每种算法模型组合处理不同像素的单张图片时，CPU和AI加速器分别承担的计算量和数据量；
S33、基于计算量和数据量得出每种算法模型组合的硬件开销量。
S34、以硬件开销量最小的算法模型组合作为最优算法模型组合。
S4包括以下子步骤：
S41、获取硬件方案库中各CPU的计算能力、AI加速器的计算能力、CRAM的数据容量和GRAM的数据容量构建备选硬件方案算力数据库，表示为：
Figure 18170DEST_PATH_IMAGE004
其中矩阵
Figure 426017DEST_PATH_IMAGE005
表示备选硬件方案算力数据库中第m种方案的硬件开销量，
Figure 982901DEST_PATH_IMAGE006
表示第m种方案中CPU的计算能力；
Figure 718775DEST_PATH_IMAGE007
表示第m种方案中AI加速器的计算能力；
Figure 278195DEST_PATH_IMAGE008
表示第m种方案中CRAM的数据容量；
Figure 415915DEST_PATH_IMAGE009
表示第m种方案中GRAM的数据容量，CRAM表示CPU的占用内存，GRAM表示AI加速器的占用内存；
S42、考虑摄像机台数和设计余量后，计算出系统硬件开销的最优值
Figure 143700DEST_PATH_IMAGE010
作为目标硬件开销量；
Figure 491504DEST_PATH_IMAGE011
其中
Figure 962937DEST_PATH_IMAGE012
为最优CPU的计算能力设计值，
Figure 79798DEST_PATH_IMAGE013
为最优AI加速器的计算能力设计值，
Figure 244063DEST_PATH_IMAGE014
表示最优CPU内存最小容量设计值，
Figure 954530DEST_PATH_IMAGE015
表示最优AI加速器内存最小容量设计值；
S43、将
Figure 88708DEST_PATH_IMAGE016
分别与备选硬件方案算力数据库中每种备选方案
Figure 201020DEST_PATH_IMAGE017
做比较，选择备选硬件方案算力数据库中与目标硬件开销量最接近的硬件方案作为预警硬件方案。
进一步优化方案为，所述历史数据集的确定方法为：
建立每种数据集与每种算法模型组合的关联性系数，所述关联性系数为1或0；当关联性系数为1时，当前算法模型组合需要调用当前数据集；当关联性系数为0时，当前算法模型组合不需要调用当前数据集；
确定最优算法模型组合后，加载所有与最优算法模型组合关联性系数为1的数据集作为历史数据集。
本方案以算法和模型为核心，根据对算法精度需求构建部署分析预警中心系统，根据软件效率构建最优的硬件组成方案，最终完成用于人群密度预测及应急管理的系统，该系统根据管理区域的摄像机部署图、摄像机型号参数和场所地图定制，可实现用最少设备管理最大面积的效果。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的一种智能预警应急管理系统及其部署方法，利用网络摄像机的视频数据，分析每个网格内动态人群分布规律；并实时输出每个地理网格人群密度分布的热力地图；利用历史数据和多维周边数据预测并输出管理区域的未来人群分布密度值，应急管理人员能通过此系统进行快速调度部署，可极大地方便应急管理人员及时、快速地处置突发事件，记录接报过程，回溯处置历史，预判事件发生条件，提前做好预防准备；可最大程度地减少突发事件带来的生命财产损失，极大地提升民众满意度；同时通过储存显示模块将管理区域的人群密度数据以热力图和文本信息的方式写入数据集，将视频数据转换成具有直观表示人群密度分布情形的热力图和文本信息数据；通过将原始数据转换成数据量小却载具有效信息的方式，不仅准确保存了数据信息，还大大减小了数据占用内存，利用模块库管理思路，组建高性价比的最优系统。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为智能预警应急管理系统结构示意图；
图2为系统软件架构组成示意图；
图3为系统硬件组成示意图；
图4为智能预警应急管理系统部署方法流程示意图；
图5为实施例3火车站项目设备组成方案示意图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提供一种智能预警应急管理系统，如图1所示，包括：系统构建模块、系统组件库、采集模块和储存显示模块；
所述系统构建模块根据用户需求和管理区域的基本条件部署出分析预警中心，并从系统组件库中调取出预警分析算法、预警分析模型、历史数据集和预警硬件方案得到分析预警中心；
采集模块用于实时获取管理区域的地理数据和图像数据；
分析预警中心用于基于预警分析算法标记出图像数据中的人像位置信息，并根据地理数据将图像数据进行融合；
分析预警中心还用于基于预警分析模型对融合后的图像数据进行实时人群密度分析计算得到实时人群密度数据；
分析预警中心还用于基于预警分析模型和历史数据集（实时人群密度数据及管理区域的环境信息）对下一时刻管理区域的人群密度数据进行预测；
储存显示模块用于将管理区域的人群密度数据以热力图和文本信息的方式写入数据集，并对人群密度数据进行显示。
所述系统组件库包括算法库、模型库、数据集库和硬件方案库；
所述算法库包括：图像数据获取算法子库、目标识别算法子库、时空对齐算法子库、预测算法子库和自定义算法子库；各算法子库中包含若干实现同类功能的算法，各算法子库中的算法可独立增加、删除和升级；
系统组件库中包含的通用算法，可利用已部署的各种品牌、型号和不同分辨率的模拟摄像机和数字摄像机完成人群识别，保证系统的高兼容性，只要接入摄像机视频数据即可开始工作。系统构建模块根据应用需求构建核心算法库、数据模型组合库和硬件方案库，计算评估，调用各库中的相应元素，输出最优系统组建方案，提高系统伸缩性、扩展性和适配性。
所述模型库包括：图像处理模型子库、目标识别算法模型子库、人群密度分析模型子库、预测模型子库和自定义模型子库，各模型子库中包含若干实现同类功能的模型，各模型子库中的模型可独立增加、删除和升级；（模型库中包含不同种类和规模的数据模型，每种模型包含如下参数：适配算法编号、模型规模、运行效率、运行精度……，库中模型各自独立，可灵活增删和升级；各模型子库中包含若干实现同类功能的模型，如目标识别算法模型子库中包含算法YOLO5.L，算法YOLO5.M和算法YOLO5.S等，其中L，M和S表示算法YOLO5内的不同模型。
所述数据集库包括：图像数据集库、历史数据集库和外围数据集库；所述图像数据集库中包含采集模块获取的原始图像数据；所述历史数据集库中包含经分析预警中心处理得到的人群密度数据，及基于人群密度数据派生的告警数据、预案执行过程记录数据；所述外围数据集库中包含与人群密度数据时间对应的管理区域的环境信息；（如某一时刻人群密度数据对应的图像数据以外的交通信息数据、气象信息数据等，如管理区域列车、地铁等到港/离港信息数据、网约车、出租车接单信息等信息）
所述数据集库还包括系统配置参数和地图数据等与系统正常工作相关的所有数据。
所述硬件方案库包括CPU子库、存储器子库和AI加速器子库。（CPU子库中包括通用CPU、嵌入式CPU、内存容量等选型方案；AI加速器子库中包括GPU、FPGA、专用AI加速器、对应的板载内存容量等选型方案；存储器子库中包括机械硬盘、固态硬盘、eMMC卡等不同种类及容量的选型方案。）
所述分析预警中心还包括预警模块和预案模块；
分析预警中心根据历史数据集将管理区域划分成多个区域，基于预警分析模型统计每个网格中人员数量，并以热力图和文本信息的方式呈现每个网格中的实时人群密度数据；
预警模块对人群密度超出预设安全值的网格区域进行自动报警，预案模块生成执行预案详细步骤；
储存显示模块显示报警信息和执行预案详细步骤。
所述图像数据的获取方法包括：采集网络摄像机群的视频数据，通过视频取帧得到带有时间戳的图像数据。
具体的本实施例利用网络摄像机群输出的视频流数据作为图像数据，选用适当的软件和硬件获取网络摄像机的视频数据，通过视频取帧得到带有时间戳的图片，分析预警中心利用人工智能算法进行图像识别，找出图像中的人，标出每个人像的像素位置。通过算法库和模型库中的数据融合实时密度分析算法实现了多摄像机图像数据的融合、时间同步、图像剪裁、空间对齐等功能。通过算法库和模型库中的密度预测算法利用多维数据，结合统计学、动力学和机器学习算法实现对未来t时刻管理区域人群密度的预测。密度预测算法利用的数据包括与被预测网格区域相关的各网格的历史人群密度数据、周边各种交通信息数据、气象信息数据等。可根据需要预测未来10秒至2000秒内任何时刻的人群密度分布趋势，误差小于±10%。速度小于0.1秒。
如图2所示，还包括调度模块、算法管理模块和数据管理模块；
所述总调度模块用于调用、配置算法管理模块和数据管理模块；数据管理模块通过数据接口与显示模块、算法管理模块、云平台等其他模块进行数据交互。
所说算法管理模块用于调用所需算法（主要有视频获取和图像识别算法、数据融合和密度分析算法及密度预测算法）、配置参数和保存算法输出的数据；
所述数据管理模块用于提供算法模块和储存显示模块的数据接口，完成各模块与数据库的数据交换的管理和协调。
所述储存显示模块包括前端显示模块和后端显示模块；
前端显示模块（显示大屏）面向用户，前端显示模块的显示屏幕分为实时人群密度分布热力图显示区、预测人群密度分布热力图区、预警信息播报区、预案信息广播区、图表显示区和视频显示区；前端显示模块将实时人群密度数据、预测人群密度数据、历史数据、安全等级信息、应急管理方案信息、执行预案详细步骤、预案执行进度反馈信息同时进行显示；
后端显示模块（后台管理）面向系统运维人员，后端显示模块用于实现系统参数配置、图像数据采集设备管理、设备故障和系统异常告警。
构成本系统硬件主要包括：主处理器系统、AI加速系统、存储系统、接口控制管理系统、模拟视频采集系统组成；如图3所示：
主处理器系统包括CPU主芯片、规模适配的内存及相应控制系统，各部件的性能和容量根据外接摄像机的数量和视频分辨率选型配置器系统；
AI加速系统用于并行处理多台摄像机同时接入的多路视频，快速完成大面积物理空间人群密度侦测的时间同步和空间对齐问题。AI加速系统包括AI加速引擎和加速缓存；AI加速系统中加速缓存的缓存容量根据管理的设备数量和空间规模匹配选型设计。
存储系统由磁性存储介质和固态硬盘组成，主要固态硬盘分别用于存放数据、操作系统和应用软件。
接口控制管理系统与主处理器系统交互，同时提供各种外设接口与周边设备相联。本实施例中设备中提供的接口包括：显示接口，支持HDMI、DVI和DP接口；存储系统接口；有线网络接口；WIFI无线接口；5G无线接口；USB接口、模拟音视频接口等其它控制接口。
模拟视频采集系统用于接收和处理模拟摄像机输入的视频流，通过多路模拟音视频接口实现音视频采集。
实施例2
本实施例还提供一种智能预警应急管理系统部署方法，用于部署实施例1所述的分析预警中心，如图4所示，包括步骤：
S1、根据用户需求和管理区域的基本条件获取关键参数，所述关键参数包括：算法处理速度
Figure 270608DEST_PATH_IMAGE001
，算法运算精度
Figure 91540DEST_PATH_IMAGE002
，图像数据采集设备台数Number，系统设计余量Margin，其中
Figure 904775DEST_PATH_IMAGE003
表示算法名称；
S2、根据关键参数确定算法模型组合库、历史数据集库和备选硬件方案算力数据库；
S3、基于算法模型性能标定平台以硬件开销量最小为标准得到最优算法模型组合，并确定历史数据集；具体的：
S31、选择一套CPU系统和AI加速器系统作为测试平台，在测试平台上分别运行算法模型组合库中的每种算法模型组合；
选择一套高性能CPU系统和AI加速器系统作为算法模型性能标定平台，配置容量足够大的系统内存和AI加速器缓存。该系统包含如下关键指标：
CPU的最大计算能力用CPUmax表示，以处理器每秒1012次浮点运算次数（TFLOPS）为计量单位，最大内存容量CRAM。
AI加速器的最大运算能力AImax，以处理器每秒1012次浮点运算次数（TFLOPS）为计量单位。最大缓存容量GRAM。在上述算法模型性能标定平台上分别运行每种可能的算法模型的组合；
S32、测出每种算法模型组合处理不同像素的单张图片时，CPU和AI加速器分别承担的计算量和数据量；（直接测量运算时的平均资源占用率）。用每种器件最大能力值乘以平均资源占用率，得出每种算法模型组合的硬件开销量。
S33、基于计算量和数据量得出每种算法模型组合的硬件开销量，构建算法模型组合硬件开销数据库。该数据库又包括若干子库，例如图像处理算力子库、目标识别算力子库、数据融合算力子库、预测算力子库等。每一个子库中包含若干具体的算法模型组合（称为一个元素）的硬件开销量。设计一套完整软件需要分别从每个子库中选出一个元素，第X子库中的第n个元素的具体硬件开销值可以用一个矩阵表示为：
Figure 996228DEST_PATH_IMAGE018
Figure 502295DEST_PATH_IMAGE019
表示X子库中n元素对CPU计算量开销，
Figure 921775DEST_PATH_IMAGE020
表示X子库中n元素对CRAM数据量开销，
Figure 663335DEST_PATH_IMAGE021
表示X子库中n元素对AI加速器计算量开销，
Figure 484661DEST_PATH_IMAGE022
表示X子库中n元素对GRAM数据量开销。
S34、以硬件开销量最小的算法模型组合作为最优算法模型组合。
根据系统设计对精度的要求选出满足要求的算法模型组合库，在所有满足要求的组合中选硬件开销量最小的组合为最优系统组件。通过下式：
Figure 161630DEST_PATH_IMAGE023
计算X子库各个算法模型组合的硬件开销量，用
Figure 193040DEST_PATH_IMAGE024
表示，选出满足精度条件的所有组合中
Figure 348078DEST_PATH_IMAGE024
值最小的算法模型组合，作为最优设计选型依据。
用矩阵
Figure 915587DEST_PATH_IMAGE025
表示选则X子库最优算法模型组合处理单张图片的硬件开销量的最优设计值：
Figure 763458DEST_PATH_IMAGE026
S4、考虑图像数据采集设备台数Number和系统设计余量Margin计算目标硬件开销量，选择备选硬件方案算力数据库中与目标硬件开销量最接近的硬件方案作为预警硬件方案。在实地部署系统时，将应用场景、精度需求、预算需求等用户需求量化，同时将各种库中的算法和模型也设定不同权重值，利用一定的规则计算，输出评分最高的系统组成方案。
S4具体包括以下子步骤：
硬件方案库中包含若干高、中、低各种性能的主流器件组合的CPU、AI加速器和各种容量的系统内存和AI加速器缓存；
S41、获取硬件方案库中各CPU的计算能力、AI加速器的计算能力、CRAM的数据容量和GRAM的数据容量构建备选硬件方案算力数据库，表示为：
Figure 157530DEST_PATH_IMAGE004
其中矩阵
Figure 240892DEST_PATH_IMAGE005
表示备选硬件方案算力数据库中第m种方案的硬件开销量，
Figure 771231DEST_PATH_IMAGE006
表示第m种方案中CPU的计算能力；
Figure 790002DEST_PATH_IMAGE007
表示第m种方案中AI加速器的计算能力；
Figure 61584DEST_PATH_IMAGE008
表示第m种方案中CRAM的数据容量；
Figure 558424DEST_PATH_IMAGE009
表示第m种方案中GRAM的数据容量；
S42、考虑摄像机台数和设计余量后，计算出系统硬件开销的最优值
Figure 474428DEST_PATH_IMAGE010
作为目标硬件开销量；
Figure 257576DEST_PATH_IMAGE011
其中
Figure 891820DEST_PATH_IMAGE012
为最优CPU的计算能力设计值，
Figure 192351DEST_PATH_IMAGE013
为最优AI加速器的计算能力设计值，
Figure 591889DEST_PATH_IMAGE014
表示最优CPU内存最小容量设计值，
Figure 421305DEST_PATH_IMAGE015
表示最优AI加速器内存最小容量设计值；
S43、将
Figure 667478DEST_PATH_IMAGE016
分别与备选硬件方案算力数据库中每种备选方案
Figure 506121DEST_PATH_IMAGE017
做比较，选择备选硬件方案算力数据库中与目标硬件开销量最接近的硬件方案作为预警硬件方案。
历史数据集的确定方法为：
建立每种数据集与每种算法模型组合的关联性系数，所述关联性系数为1或0；当关联性系数为1时，当前算法模型组合需要调用当前数据集；当关联性系数为0时，当前算法模型组合不需要调用当前数据集。
确定最优算法模型组合后，加载所有与最优算法模型组合关联性系数为1的数据集作为历史数据集，同时视频数据集是系统原始数据库必备数据集，任何系统必须加载。
本方案以算法和模型为核心，根据对算法精度需求构建部署分析预警中心系统，根据软件效率构建最优的硬件组成方案，最终完成用于人群密度预测及应急管理的系统，该系统根据管理区域的摄像机部署图、摄像机型号参数和场所地图定制，可实现用最少设备管理最大面积的效果。
实施例3
基于上一实施例，本实施例以火车站地铁出站口6000平方米区域管理为例，根据地理测绘，定位该区域所有网络摄像机坐标，选取一只位于场所中央位置的360°摄像机，三只出站口附近的单向摄像机的视频，可覆盖6000平方米区域的人群监控，实现了满足精度需求下借用最少摄像机数量。
利用地图引擎绘制该区域三维电子地图，并根据该区域人群流动量经验值和安全风险度，将区域划分为18个区域，实现网格化管理；完成操作系统和软件安装，运行环境为Ubuntu20.04。
将火车站对地铁出站口区域的管理预案及安全风险等级判断标准等数据以文本方式写入数据库，通过IP地址访问摄像机视频，利用Open-CV软件读取四台摄像机视频流，并按设定频率f（每秒1帧）完成视频抽帧；利用AI图像识别算法，使用YULO5.M算法模型完成对每帧图片的人员识别；分析选中的四台摄像机输出视频图像，将图片像素映射到地图相应坐标。
将四台摄像机视频图像剪裁拼接，进行数据融合和网格边缘修正，统计每个网格中人员数量，并以热力图+文本信息的方式在终端大屏显示每个网格中的实时人群密度，同时对人群密度超出安全值的网格区域进行自动报警并在大屏上显示系统推荐的预案内容。
将每个网格及周边网格人群密度历史数据、地铁到站信息数据等加载到预测算法中，实现对该网格人群分布趋势的预测，并给出系统设定的未来某确定时刻（例如3分钟后）对该网格人群分布密度的预测值。并用热力图和文本信息的方式将10分钟后的预测人群分布密度的预测值在终端大屏显示。
如果某网格内预测到未来某时刻人群密度超出安全警戒值，系统将在大屏中预警信息框中发布预警信息，并推荐最佳执行预案。同时显示待执行预案的详细行动步骤。
在预案的每个行动步骤后设有执行、完成按钮，行动人员开始行动时点击行动按钮，完成该步骤后点击完成按钮，从而反馈行动执行进度。
系统运行过程中每一次告警时间、告警位置、推荐预案、最终执行预案、执行每一步的开始时刻、结束时刻、设备报故障等数据无一遗漏地被存放在数据库中。
本实施案例中的数据库有两类：系统配置参数、地图数据、预案内容及安全评估数据等存入MySQL数据库。对密度数据、位置数据等对读写速度要求较高的数据采用redis数据库管理。
本实施例还根据需管理区域面积、火车站现有摄像机数量、型号和分辨率，基于实施例2的配置方法，设计了如下硬件方案：
如图5所示，关键器件：CPU为 Intel 12400F，配两片DDR416GB内存；主板为IntelB660芯片组，配一个千兆以太接口PHY、一个WIFI无线接口、一个5G无线接口、三个USB3.0口；AI加速器选用NvidiaRTX3050显卡，配GDDR6-8GB显存，配HDMI、DVI、DP显示器接口各一个；存储器选用两块1TB的固态硬盘，一块用作放置系统软件，一块用作放置数据库。
外围部件：220V交流电源、架式2U机箱，3台风冷散热器和片上散热器。
实施例4
本实施例对实施例2进行具体举例：
首先，根据用户需求和管理区域的基本条件获取的关键参数如下：
算法模型组合速度需求：
图片获取速度v1=10fps，表示图片获取算法每秒获取10帧图片；目标识别速度v2=10fps，表示目标识别算法每秒识别10帧图片；时空对齐速度v3=10fps，表示时空对齐算法每秒对齐10帧图片；
预测速度v4=1fps，表示预测算法每秒分析一次预测值；
算法模型组合精度需求：
图片获取及目标识别算法的精度为±5％；时空对齐算法的精度为±1％；预测模型的精度为±1％。
需管理摄像机台数：Number=6 表示系统将管理6台摄像机；系统设计余量Margin：Margin=30%
根据精度需求选择如下算法模型组合：
图片获取算法选取基于Open-cv平台的A1算法和A3算法；
目标识别算法选取 “YOLO5 + L”（算法YOLO5及算法YOLO5自带模型L）、“YOLO5 +M” （算法YOLO5及算法YOLO5自带模型M）；
时空对齐算法选“C1 +三维电子地图模型”（C1 算法及三维电子地图模型）或“C1算法+二维电子地图模型”（C1 算法及二维电子地图模型）；
预测模型选取“Forecast1 +mod1”（表示预测模型1及预测模型1自带mod1）模型组件或”Forecast2 +mod1” （表示预测模型2及预测模型2自带mod1）模型组件；
构建测试平台，测试各算法模型组合的硬件开销量：
测试平台硬件参数：CPU选I9-12900KF，计算能力为1.845 TFLOPS；AI加速器选择RTX3090GPU，计算能力为35.6 TFLOPS；CRAM选择DDR4-3600，容量为：32GB；GRAM选择GDDR6，容量为：24GB；
各算法模型组合的硬件开销量测试结果如下表：
Figure 131138DEST_PATH_IMAGE027
选出硬件开销最小的算法模型组合为：“A1” + “YOLO5+M”+“C1 +三维地图”+“Forecast1+mod1”，计算出最优设计值为：
Figure 521668DEST_PATH_IMAGE028
对比硬件方案库种备选方案，得出最终系统组建最优硬件方案为：
Figure 864924DEST_PATH_IMAGE029
CPU选I5-12400F；AI加速器选选RTX3050GPU；CRAM选32GB套装 DDR4-3600；GRAM选8GB，容量为：8GB。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能预警应急管理系统，其特征在于，包括：系统构建模块、系统组件库、采集模块和储存显示模块；
所述系统构建模块根据用户需求和管理区域的基本条件部署出分析预警中心，并从系统组件库中调取出预警分析算法、预警分析模型、历史数据集和预警硬件方案得到分析预警中心；
采集模块用于实时获取管理区域的地理数据和图像数据；
分析预警中心用于基于预警分析算法标记出图像数据中的人像位置信息，并根据地理数据将图像数据进行融合；
分析预警中心还用于基于预警分析模型对融合后的图像数据进行实时人群密度分析计算得到实时人群密度数据；
分析预警中心还用于基于预警分析模型和历史数据集对下一时刻管理区域的人群密度数据进行预测；
储存显示模块用于将管理区域的人群密度数据以热力图和文本信息的方式写入数据集，并对人群密度数据进行显示。
2.根据权利要求1所述的一种智能预警应急管理系统，其特征在于，所述系统组件库包括算法库、模型库、数据集库和硬件方案库；
所述算法库包括：图像数据获取算法子库、目标识别算法子库、时空对齐算法子库、预测算法子库和自定义算法子库；各算法子库中包含若干实现同类功能的算法，各算法子库中的算法可独立增加、删除和升级；
所述模型库包括：图像处理模型子库、目标识别算法模型子库、人群密度分析模型子库、预测模型子库和自定义模型子库，各模型子库中包含若干实现同类功能的模型，各模型子库中的模型可独立增加、删除和升级；
所述数据集库包括：图像数据集库、历史数据集库和外围数据集库；所述图像数据集库中包含采集模块获取的原始图像数据；所述历史数据集库中包含经分析预警中心处理得到的人群密度数据，及基于人群密度数据派生的告警数据、预案执行过程记录数据；所述外围数据集库中包含与人群密度数据时间对应的管理区域的环境信息；
所述硬件方案库包括CPU子库、存储器子库和AI加速器子库。
3.根据权利要求2所述的一种智能预警应急管理系统，其特征在于，所述分析预警中心还包括预警模块和预案模块；
分析预警中心根据历史数据集将管理区域划分成多个区域，基于预警分析模型统计每个网格中人员数量，并以热力图和文本信息的方式呈现每个网格中的实时人群密度数据；
预警模块对人群密度超出预设安全值的网格区域进行自动报警，预案模块生成执行预案详细步骤；
储存显示模块显示报警信息和执行预案详细步骤。
4.根据权利要求1所述的一种智能预警应急管理系统，其特征在于，所述图像数据的获取方法包括：采集网络摄像机群的视频数据，通过视频取帧得到带有时间戳的图像数据。
5.根据权利要求1所述的一种智能预警应急管理系统，其特征在于，还包括调度模块、算法管理模块和数据管理模块；调度模块用于调用、配置算法管理模块和数据管理模块；算法管理模块用于调用所需算法、配置参数和保存算法输出的数据；数据管理模块用于提供算法模块和储存显示模块的数据接口，完成各模块与数据库的数据交换的管理和协调。
6.根据权利要求3所述的一种智能预警应急管理系统，其特征在于，所述储存显示模块包括前端显示模块和后端显示模块；前端显示模块面向用户，前端显示模块的显示屏幕分为实时人群密度分布热力图显示区、预测人群密度分布热力图区、预警信息播报区、预案信息广播区、图表显示区和视频显示区；前端显示模块将实时人群密度数据、预测人群密度数据、历史数据、安全等级信息、应急管理方案信息、执行预案详细步骤、预案执行进度反馈信息同时进行显示；后端显示模块面向运维人员，后端显示模块用于实现参数配置、图像数据采集设备管理、设备故障和异常告警。
7.一种智能预警应急管理系统部署方法，用于部署权利要求2、3、6任意一项所述的智能预警应急管理系统，其特征在于，分析预警中心的部署方法包括步骤：
S1、根据用户需求和管理区域的基本条件获取关键参数，所述关键参数包括：算法处理速度
Figure 657746DEST_PATH_IMAGE001
，算法运算精度
Figure 524071DEST_PATH_IMAGE002
，图像数据采集设备台数Number，系统设计余量Margin，其中
Figure 908785DEST_PATH_IMAGE003
表示算法名称；
S2、根据关键参数确定算法模型组合、历史数据集库和备选硬件方案算力数据库；
S3、基于算法模型性能标定平台以硬件开销量最小为标准得到最优算法模型组合，并确定历史数据集；
S4、考虑图像数据采集设备台数Number和系统设计余量Margin计算目标硬件开销量，选择备选硬件方案算力数据库中与目标硬件开销量最接近的硬件方案作为预警硬件方案。
8.根据权利要求7所述的一种智能预警应急管理系统部署方法，其特征在于，所述最优算法模型组合的获取方法包括步骤：
S31、选择一套CPU系统和AI加速器系统作为测试平台，在测试平台上分别运行算法模型组合库中的每种算法模型组合；
S32、测出每种算法模型组合处理不同像素的单张图片时，CPU和AI加速器分别承担的计算量和数据量；
S33、基于计算量和数据量得出每种算法模型组合的硬件开销量；
S34、在满足运算精度和处理速度的前提下，以硬件开销量最小的算法模型组合作为最优算法模型组合。
9.根据权利要求7所述的一种智能预警应急管理系统部署方法，其特征在于，S4包括以下子步骤：
S41、获取硬件方案库中各CPU的计算能力、AI加速器的计算能力、CRAM的数据容量和GRAM的数据容量构建备选硬件方案算力数据库，表示为：
Figure 518758DEST_PATH_IMAGE004
其中矩阵
Figure 423260DEST_PATH_IMAGE005
表示备选硬件方案算力数据库中第m种方案的硬件开销量，
Figure 726066DEST_PATH_IMAGE006
表示第m种方案中CPU的计算能力；
Figure 332496DEST_PATH_IMAGE007
表示第m种方案中AI加速器的计算能力；
Figure 949422DEST_PATH_IMAGE008
表示第m种方案中CRAM的数据容量；
Figure 833065DEST_PATH_IMAGE009
表示第m种方案中GRAM的数据容量；其中CRAM表示CPU占用内存，GRAM表示AI加速器占用内存；
S42、考虑摄像机台数和设计余量后，计算出系统硬件开销的最优值
Figure 182138DEST_PATH_IMAGE010
作为目标硬件开销量；
Figure 151231DEST_PATH_IMAGE011
其中
Figure 230570DEST_PATH_IMAGE012
为最优CPU的计算能力设计值，
Figure 234298DEST_PATH_IMAGE013
为最优AI加速器的计算能力设计值，
Figure 19851DEST_PATH_IMAGE014
表示最优CPU内存最小容量设计值，
Figure 476240DEST_PATH_IMAGE015
表示最优AI加速器内存最小容量设计值；
Figure 356340DEST_PATH_IMAGE016
为矩阵，表示选择x子库最优算法模型组合处理单张图片的硬件开销量的最优设计值；
S43、将
Figure 948996DEST_PATH_IMAGE017
分别与备选硬件方案算力数据库中每种备选方案
Figure 639871DEST_PATH_IMAGE018
做比较，选择备选硬件方案算力数据库中与目标硬件开销量最接近的硬件方案作为预警硬件方案。
10.根据权利要求7所述的一种智能预警应急管理系统部署方法，其特征在于，所述历史数据集的确定方法为：
建立每种数据集与每种算法模型组合的关联性系数，所述关联性系数为1或0；当关联性系数为1时，当前算法模型组合需要调用当前数据集；当关联性系数为0时，当前算法模型组合不需要调用当前数据集；
确定最优算法模型组合后，加载所有与最优算法模型组合关联性系数为1的数据集作为历史数据集。
CN202211003116.1A 2022-08-22 2022-08-22 一种智能预警应急管理系统及其部署方法 Active CN115083112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211003116.1A CN115083112B (zh) 2022-08-22 2022-08-22 一种智能预警应急管理系统及其部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211003116.1A CN115083112B (zh) 2022-08-22 2022-08-22 一种智能预警应急管理系统及其部署方法

Publications (2)

Publication Number Publication Date
CN115083112A CN115083112A (zh) 2022-09-20
CN115083112B true CN115083112B (zh) 2022-11-22

Family

ID=83244948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211003116.1A Active CN115083112B (zh) 2022-08-22 2022-08-22 一种智能预警应急管理系统及其部署方法

Country Status (1)

Country Link
CN (1) CN115083112B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293465B (zh) * 2022-10-09 2023-02-14 枫树谷(成都)科技有限责任公司 一种人群密度预测方法及系统
CN115877115B (zh) * 2023-02-27 2023-06-06 山东欧通信息科技有限公司 基于大数据的弱电设备安装用安全检测系统
CN117151322A (zh) * 2023-06-21 2023-12-01 中国联合网络通信有限公司深圳市分公司 城市属性的获取方法、装置及计算机可读存储介质
CN117831254A (zh) * 2024-03-06 2024-04-05 山东捷瑞信息技术产业研究院有限公司 基于数字孪生的踩踏事故预警方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308462A (zh) * 2007-05-14 2008-11-19 国际商业机器公司 管理对共享存储器单元的存储器访问的方法和计算系统
CN105447458A (zh) * 2015-11-17 2016-03-30 深圳市商汤科技有限公司 一种大规模人群视频分析系统和方法
CN106845344A (zh) * 2016-12-15 2017-06-13 重庆凯泽科技股份有限公司 人群统计方法及装置
CN107110949A (zh) * 2014-12-30 2017-08-29 高通股份有限公司 基于无线信号信息改变相机参数
CN108073858A (zh) * 2016-11-14 2018-05-25 北京航天长峰科技工业集团有限公司 基于深度摄像机的人群聚集监控识别系统
CN109669774A (zh) * 2018-11-14 2019-04-23 新华三技术有限公司成都分公司 硬件资源的量化方法、编排方法、装置及网络设备
CN109767598A (zh) * 2019-03-04 2019-05-17 乔永清 一种用于人群密集场所的安全提示方法
CN111010546A (zh) * 2019-12-20 2020-04-14 浙江大华技术股份有限公司 监控预置点的调整方法、装置及存储介质
CN111862521A (zh) * 2019-04-28 2020-10-30 杭州海康威视数字技术股份有限公司 行为热力图生成及报警方法、装置、电子设备及存储介质
CN113284024A (zh) * 2021-04-28 2021-08-20 四川万信数字科技有限公司 一种人员密集场所智慧应急管理系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140172477A1 (en) * 2012-12-14 2014-06-19 Wal-Mart Stores, Inc. Techniques for using a heat map of a retail location to deploy employees
CN106815563B (zh) * 2016-12-27 2020-06-02 浙江大学 一种基于人体表观结构的人群数量预测方法
CN108563975B (zh) * 2017-07-31 2021-06-25 海峡创新互联网股份有限公司 一种基于深度学习的高密度人群人数估计方法
CN109815867A (zh) * 2019-01-14 2019-05-28 东华大学 一种人群密度估计和人流量统计方法
CN110097028B (zh) * 2019-05-14 2021-03-30 河北工业大学 基于三维金字塔图像生成网络的人群异常事件检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308462A (zh) * 2007-05-14 2008-11-19 国际商业机器公司 管理对共享存储器单元的存储器访问的方法和计算系统
CN107110949A (zh) * 2014-12-30 2017-08-29 高通股份有限公司 基于无线信号信息改变相机参数
CN105447458A (zh) * 2015-11-17 2016-03-30 深圳市商汤科技有限公司 一种大规模人群视频分析系统和方法
CN108073858A (zh) * 2016-11-14 2018-05-25 北京航天长峰科技工业集团有限公司 基于深度摄像机的人群聚集监控识别系统
CN106845344A (zh) * 2016-12-15 2017-06-13 重庆凯泽科技股份有限公司 人群统计方法及装置
CN109669774A (zh) * 2018-11-14 2019-04-23 新华三技术有限公司成都分公司 硬件资源的量化方法、编排方法、装置及网络设备
CN109767598A (zh) * 2019-03-04 2019-05-17 乔永清 一种用于人群密集场所的安全提示方法
CN111862521A (zh) * 2019-04-28 2020-10-30 杭州海康威视数字技术股份有限公司 行为热力图生成及报警方法、装置、电子设备及存储介质
CN111010546A (zh) * 2019-12-20 2020-04-14 浙江大华技术股份有限公司 监控预置点的调整方法、装置及存储介质
CN113284024A (zh) * 2021-04-28 2021-08-20 四川万信数字科技有限公司 一种人员密集场所智慧应急管理系统

Also Published As

Publication number Publication date
CN115083112A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115083112B (zh) 一种智能预警应急管理系统及其部署方法
CN108965826A (zh) 监控方法、装置、处理设备及存储介质
CN101631237B (zh) 一种视频监控数据存储管理系统
CN108133172A (zh) 视频中运动对象分类的方法、车流量的分析方法及装置
CN111191576A (zh) 人员行为目标检测模型构建方法、智能分析方法及系统
CN111178235A (zh) 一种目标数量确定方法、装置、设备及存储介质
CN115167530A (zh) 基于多维传感的带电作业勘察数据处理方法及系统
EP4097577A1 (en) Systems and methods for resource analysis, optimization, or visualization
CN108509495A (zh) 地震数据的处理方法及装置、存储介质、处理器
CN112633249A (zh) 一种基于轻型深度学习框架的嵌入式人流量检测方法
CN112989916A (zh) 一种结合密度估计与目标检测的人群计数方法
CN116010652B (zh) 一种非结构化视频数据处理方法和系统
CN109002746A (zh) 3d立体火灾识别方法和系统
CN115309871B (zh) 一种基于人工智能算法的工业大数据处理方法及系统
CN109669836A (zh) 智能it运维分析方法、装置、设备及可读存储介质
CN115392690A (zh) 一种智慧园区运维管理系统
CN109886234A (zh) 目标检测方法、装置、系统、电子设备、存储介质
CN113724527A (zh) 一种停车位管理方法
CN113286119A (zh) 基于Unity3D的仓库数字孪生系统，方法及设备
CN111475687A (zh) 流程数据可视化方法、装置、电子设备及可读存储介质
CN111652147A (zh) 减负构件在地下车库空心楼盖施工过程的监控系统及方法
CN103581302B (zh) 基于gis的业务信息系统和业务信息展现方法
TW200401207A (en) Status record searching device
Liao et al. Real-time Occupancy Detection Of On-street Parking Spaces Based On An Edge Device
CN117351521B (zh) 基于数字孪生的输电线鸟类检测方法、系统、介质及设备

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