CN116976566A - 基于深度学习的公共标识系统和方法 - Google Patents
基于深度学习的公共标识系统和方法 Download PDFInfo
- Publication number
- CN116976566A CN116976566A CN202311226352.4A CN202311226352A CN116976566A CN 116976566 A CN116976566 A CN 116976566A CN 202311226352 A CN202311226352 A CN 202311226352A CN 116976566 A CN116976566 A CN 116976566A
- Authority
- CN
- China
- Prior art keywords
- escape route
- public identification
- corridor
- route
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000001276 controlling effect Effects 0.000 claims abstract description 7
- 230000001105 regulatory effect Effects 0.000 claims abstract description 6
- 239000000779 smoke Substances 0.000 claims description 51
- 230000000694 effects Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于深度学习的公共标识系统和方法,涉及标识系统技术领域,包括路线获取模块、数据采集模块、分析模块、路线规划模块、动态调控模块以及评估模块;数据采集模块在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据,分析模块综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数,路线规划模块结合状态系数以及公共标识位置信息更新逃生路线,动态调控模块依据更新后的逃生路线信息调控公共标识的显示内容。本发明能够在写字楼发生火灾时,结合逃生路线的状况来实时调节公共标识的显示内容,从而保障人员的安全逃生。
Description
技术领域
本发明涉及标识系统技术领域,具体涉及基于深度学习的公共标识系统和方法。
背景技术
写字楼是指专门用于办公的建筑物或建筑群,它通常是为各种企事业单位提供办公场所的商业地产项目,写字楼的主要功能是提供办公场所,为企业、机构和个人提供办公空间,它通常配备了办公设施和设备,以满足工作和业务需求;
由于写字楼中会设置有多条逃生楼道,用于写字楼发生紧急状况时提供逃生作用,因此,通常会设置公共标识用于指引人员逃生和疏散,保障写字楼内人员的生命安全,能够在紧急情况下提供明确的逃生指引和信息。
现有技术存在以下不足:
现有写字楼中的公共标识通常为固定内容显示,即将多个标识依据指引路线设置后,仅显示对应逃生楼道的方位,当写字楼发生火灾时,公共标识不能结合逃生楼道的传感数据发生相应改变(例如,当某一逃生楼道存在异常时,公共标识内容不能发生改变并提醒人员改变逃生路线),从而会导致人员无法逃生或引发更大的安全事故问题;
基于此,本发明提出基于深度学习的公共标识系统和方法,能够在写字楼发生火灾时,实时结合楼道状况进行内容更新,保障人员的安全逃生。
发明内容
本发明的目的是提供基于深度学习的公共标识系统和方法,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:基于深度学习的公共标识系统,包括路线获取模块、数据采集模块、分析模块、路线规划模块、动态调控模块以及评估模块;
路线获取模块:用于获取写字楼中的逃生路线,并基于逃生路线生成公共标识位置;
数据采集模块:在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据;
分析模块:综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数;
路线规划模块:结合状态系数以及公共标识位置信息更新逃生路线;
动态调控模块:依据更新后的逃生路线信息调控公共标识的显示内容;
评估模块:用于写字楼定期进行消防演练时,基于疏散结果评估公共标识系统效果。
在一个优选的实施方式中,所述数据采集模块获取的图像数据包括人员密度浮动系数,传感数据包括烟雾浓度标准差指数以及区域温度上升率。
在一个优选的实施方式中,所述分析模块综合分析人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率后,为逃生路线楼道建立状态系数ztx,计算表达式为:
式中,mdf为人员密度浮动系数,ywd为烟雾浓度标准差指数,wds为区域温度上升率,、/>、/>分别为人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率的比例系数,且/>、/>、/>均大于0。
在一个优选的实施方式中,所述人员密度浮动系数的计算表达式为:
为逃生路线楼道内的人员实时密度,/>为人员从楼道出口离开的时段,/>为人员从楼道进口进入的时段。
在一个优选的实施方式中,所述烟雾浓度标准差指数的获取逻辑为:
计算逃生路线楼道的烟雾浓度标准差ywb和烟雾浓度平均值;
若烟雾浓度平均值≤浓度阈值,且烟雾浓度标准差ywb≤标准差阈值,ywd=0.2;
若烟雾浓度平均值≤浓度阈值,且烟雾浓度标准差ywb>标准差阈值,ywd=0.4;
若烟雾浓度平均值>浓度阈值,表明该逃生路线整体的烟雾浓度不达标,ywd=0.8。
在一个优选的实施方式中,所述烟雾浓度标准差ywb的计算表达式为:
式中,,n表示逃生路线中楼道的数量,YWi是不同楼道中的烟雾浓度,/>是烟雾浓度平均值。
在一个优选的实施方式中,所述区域温度上升率的计算表达式为:
式中,wd1为t1时刻的温度,wd0为t0时刻的温度,t1为结束监测时间点,t0为开始监测时间点。
在一个优选的实施方式中,消防演练结束后,所述评估模块获取人员疏散时长,即开始疏散到最后一位人员离开写字楼的时间,将人员疏散时长减去预计时长得到时间差,若时间差≤0,评估公共标识系统的使用效果好,若时间差>0,评估公共标识系统的使用效果差,需要对公共标识系统进行优化。
本发明还提供基于深度学习的公共标识方法,其特征在于:所述方法包括以下步骤:
S1:获取写字楼中的逃生路线,并基于逃生路线生成公共标识位置,依据公共标识位置信息在写字楼相应位置布置公共标识;
S2:在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据;
S3:综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数;
S4:结合状态系数以及公共标识位置信息更新逃生路线,依据更新后的逃生路线信息调控公共标识的显示内容;
S5:写字楼定期进行消防演练时,基于疏散结果评估公共标识系统效果,并依据评估结果对公共标识系统进行优化。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过数据采集模块在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据,分析模块综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数,路线规划模块结合状态系数以及公共标识位置信息更新逃生路线,动态调控模块依据更新后的逃生路线信息调控公共标识的显示内容,该公共标识系统能够在写字楼发生火灾时,结合逃生路线的状况来实时调节公共标识的显示内容,从而保障人员的安全逃生。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的系统模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:请参阅图1所示,本实施例所述基于深度学习的公共标识系统,包括路线获取模块、数据采集模块、分析模块、路线规划模块、动态调控模块以及评估模块;
路线获取模块:用于获取写字楼中的逃生路线,并基于逃生路线生成公共标识位置,公共标识位置信息发送至管理员以及路线规划模块,管理员依据公共标识位置信息在写字楼相应位置布置公共标识;
建筑平面图导入:将写字楼的建筑平面图导入到路线获取模块中;平面图应包含楼层布局、楼道、出口位置等信息;
路线规划:在路线获取模块中,使用路径规划算法对写字楼的逃生路线进行规划;该算法可以考虑楼层间的连接、楼道宽度、紧急出口位置等因素,确保规划出的路线是最佳的疏散路径;
紧急出口识别:路线获取模块需要识别写字楼中的紧急出口位置;这可以通过在平面图中标记紧急出口或使用图像识别技术自动识别;
路线数据提取:将规划好的逃生路线数据提取出来,包括每层楼的路径、楼梯位置、紧急出口等信息;
公共标识位置生成:根据提取的路线数据,在每层楼的逃生路线上合理安置公共标识位置;这些标识可以是指示标识、紧急出口标志、疏散指示标识等,帮助人员识别逃生路径;
电子地图生成:根据路线和公共标识位置,生成电子地图或导航图;这样的地图可以在紧急情况下显示在电子显示屏、应用程序或导航设备上,帮助人员实时获取逃生路线和指引。
数据采集模块:在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据,并将图像数据以及传感数据发送至分析模块。
分析模块:综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数,并将状态系数发送至路线规划模块以及评估模块。
路线规划模块:结合状态系数以及公共标识位置信息更新逃生路线,更新后的逃生路线信息发送至动态调控模块。
动态调控模块:动态调控模块依据更新后的逃生路线信息调控公共标识的显示内容,显示内容包括指引方向以及显示逃生通道。
评估模块:用于写字楼定期进行消防演练时,基于疏散结果评估公共标识系统效果,并依据评估结果对公共标识系统进行优化。
本申请通过数据采集模块在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据,分析模块综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数,路线规划模块结合状态系数以及公共标识位置信息更新逃生路线,动态调控模块依据更新后的逃生路线信息调控公共标识的显示内容,该公共标识系统能够在写字楼发生火灾时,结合逃生路线的状况来实时调节公共标识的显示内容,从而保障人员的安全逃生。
本申请中,公共标识为可动态调节内容的公共标识牌,起到更加灵活和实用的作用,以应对紧急情况和不同的逃生需求,具有以下特点:
1)实时路径指引:动态公共标识可以根据实时的图像识别和路径规划结果,动态更新显示内容,指引人们朝着最安全的逃生路径前进;这意味着在紧急情况下,标识系统可以实时调整指引,确保人员选择的路线是最佳的;
2)紧急通道可变:根据实际情况,动态公共标识可以指示哪些通道是紧急通道,以便人们快速找到并使用;在某些紧急情况下,可能需要临时开启一些平时不对公众开放的通道,动态标识可以实时更新这些信息;
3)疏散路线调整:如果在紧急情况下某些逃生通道不可用或出现堵塞,动态公共标识可以及时更新疏散路线,指引人们选择其他安全的通道。
实施例2:在写字楼发生火灾时,数据采集模块基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据,并将图像数据以及传感数据发送至分析模块。
数据采集模块基于深度学习技术实时采集逃生路线楼道中摄像头图像数据包括以下步骤:
摄像头设置:在逃生路线和楼道中设置摄像头,以实时监测人员的位置和移动;摄像头应该覆盖所有可能的逃生通道和紧急出口;
数据采集:摄像头将持续拍摄楼道中的图像,将图像数据传输到数据采集模块;
数据预处理:在数据采集模块中,对实时获取的图像数据进行预处理;这可能包括图像去噪、尺寸调整、颜色转换等操作,以确保数据的质量和格式适用于后续的深度学习模型输入;
实时图像识别:利用深度学习技术,例如卷积神经网络(CNN)或目标检测算法,对预处理后的图像进行实时图像识别;
数据存储:将实时图像识别的结果存储到数据库或持久化存储设备中,以便后续分析和路径规划;
图像标注:在实际逃生路线中,可能有一些已知的紧急出口和逃生通道,这些信息可以在数据采集模块中进行图像标注;图像标注可以帮助深度学习模型学习并理解逃生路线中的重要特征;
数据更新:数据采集模块应该持续更新图像数据,确保实时性和准确性;在逃生路线和楼道中的摄像头图像数据应该实时采集并传输到数据处理模块,以及时更新逃生路径和导向信息。
获取的图像数据包括人员密度浮动系数,传感数据包括烟雾浓度标准差指数以及区域温度上升率。
分析模块综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数,并将状态系数发送至路线规划模块以及评估模块。
分析模块综合分析人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率后,为逃生路线楼道建立状态系数ztx,计算表达式为:
式中,mdf为人员密度浮动系数,ywd为烟雾浓度标准差指数,wds为区域温度上升率,、/>、/>分别为人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率的比例系数,且/>、/>、/>均大于0。
本申请中:
人员密度浮动系数的计算表达式为:
为逃生路线楼道内的人员实时密度,/>为人员从楼道出口离开的时段,/>为人员从楼道进口进入的时段,人员密度浮动系数,说明楼道当前人员实时密度呈现一个衰减的状况,则该逃生路线楼道越适合逃生,可避免拥堵现象。
烟雾浓度标准差指数的获取逻辑为:
计算逃生路线楼道的烟雾浓度标准差ywb,表达式为:
式中,,n表示逃生路线中楼道的数量,YWi是不同楼道中的烟雾浓度,/>是烟雾浓度平均值;
若烟雾浓度平均值≤浓度阈值,且烟雾浓度标准差ywb≤标准差阈值,表明该逃生路线整体的烟雾浓度达标且稳定,ywd=0.2;
若烟雾浓度平均值≤浓度阈值,且烟雾浓度标准差ywb>标准差阈值,表明该逃生路线整体的烟雾浓度达标,但不稳定(即可能有部分楼道烟雾浓度不达标),ywd=0.4;
若烟雾浓度平均值>浓度阈值,表明该逃生路线整体的烟雾浓度不达标,ywd=0.8。
本实施例中,通过计算逃生路线楼道的烟雾浓度标准差,并结合阈值判断逃生路线的整体烟雾浓度状况,分析更为全面。
区域温度上升率的计算表达式为:
式中,wd1为t1时刻的温度,wd0为t0时刻的温度,t1为结束监测时间点,t0为开始监测时间点,当逃生路线中,任一区域温度上升率过大时,表明火灾很可能向该逃生路线蔓延,因此,需要及时更换逃生路线。
路线规划模块结合状态系数以及公共标识位置信息更新逃生路线,更新后的逃生路线信息发送至动态调控模块,具体为:
路线规划模块获取每条逃生路线的状态系数ztx后,将所有逃生路线依据状态系数ztx由大到小进行排序,并更新排序表,状态系数ztx越大,表明逃生路线越适合逃生,因此,逃生路线在排序表中排名越靠前,逃生路线越适合逃生;
路线规划模块将所有逃生路线排序后,结合公共标识位置信息获取写字楼中逃生路线的数量重新规划逃生路线。
动态调控模块:动态调控模块依据更新后的逃生路线信息调控公共标识的显示内容,显示内容包括指引方向以及显示逃生通道,具体为:
1)路线解析:动态调控模块对接收到的逃生路线信息进行解析和处理,提取出需要在公共标识上显示的指引方向、逃生通道位置等关键信息;
2)指引方向生成:根据路线解析的结果,动态调控模块生成指引方向,包括箭头指示、文字提示等;指引方向应该简单明了,以便人们快速理解,并按照最佳逃生路径前进;
3)逃生通道显示:动态调控模块根据逃生路线信息,确定哪些逃生通道是可用的,并在公共标识上显示这些逃生通道的位置和状态;这些通道可以用特殊的标识或颜色突出显示,以引导人员选择合适的通道逃生;
4)数据更新:动态调控模块需要持续接收和处理实时的逃生路线信息,以确保公共标识上的显示内容始终是最新的和准确的;
5)显示内容控制:动态调控模块控制公共标识上显示内容的方式和时机,确保人员能够在需要时看到正确的指引和信息;这可以通过控制电子显示屏的内容、语音提示系统或其他多媒体展示设备实现。
由于写字楼发生火灾时,火灾存在不可控因素,例如可能火灾会快速蔓延等,各条逃生路线中的图像数据以及传感数据均为实时监测,当火灾快速蔓延时,可能之间支持逃生的逃生路线会变为不支持逃生,不过由于各个楼层之间均会设置公共标识,且楼层之间是相互连通的,因此,当逃生路线不适合逃生时,位于该逃生路线上的所有公共标识同时更改内容,以便于人员在楼层间更换更合适的逃生路线。
写字楼定期进行消防演练时,评估模块基于疏散结果评估公共标识系统效果,并依据评估结果对公共标识系统进行优化包括以下步骤:
在消防演练结束后,评估模块获取人员疏散时长,即开始疏散到最后一位人员离开写字楼的时间,将人员疏散时长减去预计时长得到时间差,若时间差≤0,评估公共标识系统的使用效果好,若时间差>0,评估公共标识系统的使用效果差,需要对公共标识系统进行优化,优化包括重新确定公共标识的放置位置等。
实施例3:本实施例所述基于深度学习的公共标识方法,所述方法包括以下步骤:
获取写字楼中的逃生路线,并基于逃生路线生成公共标识位置,依据公共标识位置信息在写字楼相应位置布置公共标识,在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据,综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数,结合状态系数以及公共标识位置信息更新逃生路线,依据更新后的逃生路线信息调控公共标识的显示内容,写字楼定期进行消防演练时,基于疏散结果评估公共标识系统效果,并依据评估结果对公共标识系统进行优化。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.基于深度学习的公共标识系统,其特征在于:包括路线获取模块、数据采集模块、分析模块、路线规划模块、动态调控模块以及评估模块;
路线获取模块:用于获取写字楼中的逃生路线,并基于逃生路线生成公共标识位置;
数据采集模块:在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据;
分析模块:综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数;
路线规划模块:结合状态系数以及公共标识位置信息更新逃生路线;
动态调控模块:依据更新后的逃生路线信息调控公共标识的显示内容;
评估模块:用于写字楼定期进行消防演练时,基于疏散结果评估公共标识系统效果。
2.根据权利要求1所述的基于深度学习的公共标识系统,其特征在于:所述数据采集模块获取的图像数据包括人员密度浮动系数,传感数据包括烟雾浓度标准差指数以及区域温度上升率。
3.根据权利要求2所述的基于深度学习的公共标识系统,其特征在于:所述分析模块综合分析人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率后,为逃生路线楼道建立状态系数ztx,计算表达式为:
;
式中,mdf为人员密度浮动系数,ywd为烟雾浓度标准差指数,wds为区域温度上升率,、/>、/>分别为人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率的比例系数,且/>、、/>均大于0。
4.根据权利要求3所述的基于深度学习的公共标识系统,其特征在于:所述人员密度浮动系数的计算表达式为:
;
为逃生路线楼道内的人员实时密度,/>为人员从楼道出口离开的时段,为人员从楼道进口进入的时段。
5.根据权利要求4所述的基于深度学习的公共标识系统,其特征在于:所述烟雾浓度标准差指数的获取逻辑为:
计算逃生路线楼道的烟雾浓度标准差ywb和烟雾浓度平均值;
若烟雾浓度平均值≤浓度阈值,且烟雾浓度标准差ywb≤标准差阈值,ywd=0.2;
若烟雾浓度平均值≤浓度阈值,且烟雾浓度标准差ywb>标准差阈值,ywd=0.4;
若烟雾浓度平均值>浓度阈值,表明该逃生路线整体的烟雾浓度不达标,ywd=0.8。
6.根据权利要求5所述的基于深度学习的公共标识系统,其特征在于:所述烟雾浓度标准差ywb的计算表达式为:
;
式中,,n表示逃生路线中楼道的数量,YWi是不同楼道中的烟雾浓度,/>是烟雾浓度平均值。
7.根据权利要求6所述的基于深度学习的公共标识系统,其特征在于:所述区域温度上升率的计算表达式为:
;
式中,wd1为t1时刻的温度,wd0为t0时刻的温度,t1为结束监测时间点,t0为开始监测时间点。
8.根据权利要求7所述的基于深度学习的公共标识系统,其特征在于:消防演练结束后,所述评估模块获取人员疏散时长,即开始疏散到最后一位人员离开写字楼的时间,将人员疏散时长减去预计时长得到时间差,若时间差≤0,评估公共标识系统的使用效果好,若时间差>0,评估公共标识系统的使用效果差,需要对公共标识系统进行优化。
9.基于深度学习的公共标识方法,其特征在于:所述方法包括以下步骤:
S1:获取写字楼中的逃生路线,并基于逃生路线生成公共标识位置,依据公共标识位置信息在写字楼相应位置布置公共标识;
S2:在写字楼发生火灾时,基于深度学习技术实时采集逃生路线楼道中摄像头图像数据,基于传感设备获取逃生路线楼道中的传感数据;
S3:综合分析图像数据以及传感数据后,为逃生路线楼道建立状态系数;
S4:结合状态系数以及公共标识位置信息更新逃生路线,依据更新后的逃生路线信息调控公共标识的显示内容;
S5:写字楼定期进行消防演练时,基于疏散结果评估公共标识系统效果,并依据评估结果对公共标识系统进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226352.4A CN116976566B (zh) | 2023-09-22 | 2023-09-22 | 基于深度学习的公共标识系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226352.4A CN116976566B (zh) | 2023-09-22 | 2023-09-22 | 基于深度学习的公共标识系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976566A true CN116976566A (zh) | 2023-10-31 |
CN116976566B CN116976566B (zh) | 2023-12-22 |
Family
ID=88473307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226352.4A Active CN116976566B (zh) | 2023-09-22 | 2023-09-22 | 基于深度学习的公共标识系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976566B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170059343A1 (en) * | 2015-08-28 | 2017-03-02 | The Boeing Company | System and methods for real-time escape route planning for fire fighting and natural disasters |
US20180144465A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for medical procedures |
CN108710976A (zh) * | 2018-05-30 | 2018-10-26 | 深圳市城市公共安全技术研究院有限公司 | 动态逃生路线生成方法、服务器、及系统 |
CN110766092A (zh) * | 2019-10-31 | 2020-02-07 | 浪潮金融信息技术有限公司 | 一种自助终端设备上多视觉设备集成的方法 |
CN113639755A (zh) * | 2021-08-20 | 2021-11-12 | 江苏科技大学苏州理工学院 | 一种基于深度强化学习的火灾现场逃生-救援联合系统 |
CN116187105A (zh) * | 2023-04-27 | 2023-05-30 | 广东广宇科技发展有限公司 | 一种基于数字孪生技术的火灾疏散规划方法及系统 |
-
2023
- 2023-09-22 CN CN202311226352.4A patent/CN116976566B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170059343A1 (en) * | 2015-08-28 | 2017-03-02 | The Boeing Company | System and methods for real-time escape route planning for fire fighting and natural disasters |
US20180144465A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Deep learning medical systems and methods for medical procedures |
CN108710976A (zh) * | 2018-05-30 | 2018-10-26 | 深圳市城市公共安全技术研究院有限公司 | 动态逃生路线生成方法、服务器、及系统 |
CN110766092A (zh) * | 2019-10-31 | 2020-02-07 | 浪潮金融信息技术有限公司 | 一种自助终端设备上多视觉设备集成的方法 |
CN113639755A (zh) * | 2021-08-20 | 2021-11-12 | 江苏科技大学苏州理工学院 | 一种基于深度强化学习的火灾现场逃生-救援联合系统 |
CN116187105A (zh) * | 2023-04-27 | 2023-05-30 | 广东广宇科技发展有限公司 | 一种基于数字孪生技术的火灾疏散规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116976566B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107289949B (zh) | 一种基于人脸识别技术的室内导识装置及方法 | |
JP2024009835A (ja) | 映像処理システム、映像処理方法及び映像処理プログラム | |
CN109034036B (zh) | 一种视频分析方法、教学质量评估方法及系统、计算机可读存储介质 | |
US20150186378A1 (en) | System for identifying, monitoring and ranking incidents from social media | |
Feng et al. | Development and evaluation of a VR research tool to study wayfinding behaviour in a multi-story building | |
CN111814601A (zh) | 一种将目标检测与人体姿态估计相结合的视频分析方法 | |
KR20140092526A (ko) | 대피시뮬레이션을 제공하는 재난대피 시스템 및 방법 | |
CN115660429B (zh) | 适用于水泥智能制造的数据处理方法及装置 | |
CN109871973B (zh) | 一种城市地下综合管廊智能引导方法及系统 | |
WO2018156404A1 (en) | A control system and control method for building | |
CN111080027A (zh) | 一种动态逃生指引方法及系统 | |
CN115545359B (zh) | 一种面向复杂建筑火灾的动态智能疏散方法及装置 | |
CN111639825A (zh) | 基于A-Star算法是森林火灾指示逃生路径方法及系统 | |
CN115546903B (zh) | 一种校园学生行为风险预警方法及系统 | |
CN108682003A (zh) | 一种产品质量检测方法 | |
JP2017090965A (ja) | 群衆分類装置、その方法、及び、そのプログラム | |
CN116976566B (zh) | 基于深度学习的公共标识系统和方法 | |
CN113313895B (zh) | 一种楼宇逃生自适应导向系统及其控制方法 | |
CN111915823A (zh) | 消防系统、服务器及移动终端设备 | |
Najmanová et al. | Experimental data about the evacuation of preschool children from nursery schools, Part I: Pre-movement behaviour | |
CN117495110A (zh) | 消防救援风险评估方法、装置、设备及可读存储介质 | |
Tang et al. | Investigation of fire-fighting evacuation indication system in industrial plants based on virtual reality technology | |
KR102602439B1 (ko) | 인공지능 기반 cctv 촬영 이미지 정보를 이용한 이안류 탐지 방법 및 그 장치 | |
CN111242010A (zh) | 一种基于边缘ai的判断并识别乱扔垃圾人员身份的方法 | |
CN114743333B (zh) | 一种智能楼宇消防安全控制系统 |
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 |