CN117392395B - 隧道温度分布预测方法、装置、计算机设备及存储介质 - Google Patents
隧道温度分布预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117392395B CN117392395B CN202311666756.5A CN202311666756A CN117392395B CN 117392395 B CN117392395 B CN 117392395B CN 202311666756 A CN202311666756 A CN 202311666756A CN 117392395 B CN117392395 B CN 117392395B
- Authority
- CN
- China
- Prior art keywords
- fire
- temperature
- tensor
- point
- center point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 description 15
- 108091006146 Channels Proteins 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种隧道温度分布预测方法、装置、计算机设备及存储介质,属于温度预测技术领域。该方法包括:根据隧道中火灾点位置,确定火灾中心点以及火灾关联点,并获取隧道内的历史火灾图像以及温度数据;根据历史火灾图像以及温度数据生成初始图像张量和温度张量,将初始图像张量输入特征提取模型,得到目标图像张量;根据初始图像张量、温度张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列并输入温度预测模型,得到火灾中心点的预测温度;根据各温度张量、各火灾关联点的预设参数及温度预测模型,确定各关联点的预测温度。本申请可以达到提高温度预测结果的准确率以及提高温度预测的效率,为灾后人员疏散提供指导性依据的效果。
Description
技术领域
本申请涉及温度预测技术领域,具体而言,涉及一种隧道温度分布预测方法、装置、计算机设备及存储介质。
背景技术
在隧道中,由于隧道内部结构的特点,一旦发生火灾,其危害性非常大。同时,在火灾发生之后,如果不能及时掌握隧道内的温度分布情况,则可能导致造成进一步的严重后果。因此,如何在隧道发生火灾后准确获知隧道内的温度分布情况以相应采取有效的处理措施,是亟待解决的问题。
现有技术中,通过计算机获取隧道发生火灾时隧道内各温度传感器的历史时刻的温度数据,根据隧道中各温度传感器的历史温度数据的变化趋势预测隧道内未来温度分布情况。然而,根据现有技术预测隧道未来温度分布情况,易受隧道内温度传感器的分布情况以及分布数量的影响,使得预测结果准确率低且预测效率低下,对火灾发生后隧道人员疏散并无建设性意义。
发明内容
本申请的目的在于提供一种隧道温度分布预测方法、装置、计算机设备及存储介质,可以达到提高温度预测结果的准确率以及提高温度预测的效率,为灾后人员疏散提供指导性依据的效果。
本申请的实施例是这样实现的:
本申请实施例的第一方面,提供一种隧道温度分布预测方法,包括:
根据隧道中的火灾点位置,确定多个位置点,多个位置点包括:火灾中心点以及多个火灾关联点;
获取隧道的多个历史时刻的火灾图像以及隧道中各温度传感器在各历史时刻的温度信息;
根据多个历史时刻的火灾图像,生成各历史时刻对应的初始图像张量,并根据各温度传感器在各历史时刻的温度信息,生成各温度传感器对应的温度张量;
根据各历史时刻对应的初始图像张量以及预先训练得到的特征提取模型,得到隧道的目标图像张量;
根据目标图像张量、火灾中心点的温度传感器对应的温度张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列,并将火灾中心点的当前特征序列输入预先训练得到的温度预测模型进行预测处理,得到火灾中心点的预测温度,其中,火灾中心点的位置权重张量基于火灾中心点的预设参数计算得到;
根据各温度传感器的温度张量、各火灾关联点的预设参数以及温度预测模型,确定各火灾关联点的预测温度。
作为一种可能的实现方式,根据各历史时刻对应的初始图像张量以及预先训练得到的特征提取模型,得到隧道的目标图像张量,包括:
将各历史时刻对应的初始图像张量输入特征提取模型进行特征提取,得到各历史时刻对应的处理后张量;
对各历史时刻对应的处理后张量进行拼接处理,得到拼接后张量;
将拼接后张量输入特征提取模型进行特征提取,得到隧道的目标图像张量。
作为一种可能的实现方式,根据初始图像张量、各温度传感器的温度张量以及火灾中心点的位置权重信息,生成火灾中心点的特征序列,包括:
根据火灾中心点的位置信息以及各温度传感器的位置信息,确定是否存在与火灾中心点的距离满足预设条件的第一温度传感器;
若是,则根据目标图像张量、第一温度传感器的温度张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列;
若否,则根据目标图像张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列。
作为一种可能的实现方式,根据各温度传感器的温度张量、各火灾关联点的预设参数以及温度预测模型,确定各火灾关联点的预测温度,包括:
根据各火灾关联点的第一预设参数以及各火灾关联点与火灾中心点的距离,生成各火灾关联点的位置权重张量;
将火灾中心点的特征序列作为初始的当前特征序列;
遍历各火灾关联点,针对遍历到的当前火灾关联点,根据各温度传感器的温度张量、当前火灾关联点的位置权重张量、当前火灾关联点的前一位置点的温度权重张量以及当前特征序列,生成新的当前特征序列,将新的当前特征序列输入温度预测模型进行预测处理,得到当前火灾关联点的预测温度,并根据当前火灾关联点的预测温度以及当前火灾关联点的第二预设参数,生成当前火灾关联点的温度权重张量。
作为一种可能的实现方式,根据各火灾关联点的第一预设参数以及各火灾关联点与火灾中心点的距离,生成各火灾关联点的位置权重张量,包括:
将火灾关联点与火灾中心点的距离与第一预设参数中的权重参数相乘,得到权重与距离乘积;
将权重与距离乘积与第一预设参数中的偏置参数相乘,得到火灾关联点的位置权重张量。
作为一种可能的实现方式,根据各温度传感器的温度张量、当前火灾关联点的位置权重张量、当前火灾关联点的前一位置点的温度权重张量以及当前特征序列,生成新的当前特征序列,包括:
根据当前火灾关联点的位置信息以及各温度传感器的位置信息,确定是否存在与当前火灾关联点的距离满足预设条件的第二温度传感器;
若是,则将前一位置点的温度权重张量、第二温度传感器的温度张量以及当前火灾关联点的位置权重张量依次添加至当前特征序列的尾部,得到新的当前特征序列;
若否,则将前一位置点的温度权重张量以及当前火灾关联点的位置权重张量依次添加至当前特征序列的尾部,得到新的当前特征序列。
作为一种可能的实现方式,根据当前火灾关联点的预测温度以及当前火灾关联点的第二预设参数,生成当前火灾关联点的温度权重张量,包括:
将当前火灾关联点的预测与第二预设参数中的权重参数相乘,得到权重与温度乘积;
将权重与温度乘积与第二预设参数中的偏置参数相乘,得到火灾关联点的温度权重张量。
本申请实施例的第二方面,提供了一种隧道温度分布预测装置,该隧道温度分布预测装置包括:
确定模块,用于根据隧道中的火灾点位置,确定多个位置点,多个位置点包括:火灾中心点以及多个火灾关联点;
获取模块,用于获取隧道的多个历史时刻的火灾图像以及隧道中各温度传感器在各历史时刻的温度信息;
生成模块,用于根据多个历史时刻的火灾图像,生成各历史时刻对应的初始图像张量,并根据各温度传感器在各历史时刻的温度信息,生成各温度传感器对应的温度张量;
提取模块,根据各历史时刻对应的初始图像张量以及预先训练得到的特征提取模型,得到隧道的目标图像张量;
生成模块,还用于根据目标图像张量、火灾中心点的温度传感器对应的温度张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列,并将火灾中心点的当前特征序列输入预先训练得到的温度预测模型进行预测处理,得到火灾中心点的预测温度,其中,火灾中心点的位置权重张量基于火灾中心点的预设参数计算得到;
预测模块,用于根据各温度传感器的温度张量、各火灾关联点的预设参数以及温度预测模型,确定各火灾关联点的预测温度。
本申请实施例的第三方面,提供了一种计算机设备,该计算机设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,当计算机程序被处理器执行时实现上述第一方面所述的隧道温度分布预测方法。
本申请实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,当计算机程序被处理器执行时实现上述第一方面所述的隧道温度分布预测方法。
本申请实施例的有益效果包括:
本申请实施例提供的一种隧道温度分布预测方法,在隧道发生火灾后,通过隧道中的火灾点位置,确定隧道中火灾点中心点,并根据火灾中心点以及预设距离确定火灾关联点,获取隧道发生火灾时多个历史时刻的火灾图像以及隧道中各温度传感器在多个火灾时刻的温度信息,经由张量转换单元将多个历史时刻的火灾图像转换成对应的初始图像张量,并经由张量转换单元将各温度传感器在历史时刻的温度信息转换成各温度传感器对应的温度张量,将初始图像张量输入预先训练得到的特征提取模型中,得到隧道的目标图像张量,根据训练系统训练的火灾中心点对应的位置权重参数以及位置偏置参数确定火灾中心点的位置权重张量,将目标图像张量、火灾中心点的温度张量以及火灾中心点的位置权重张量作为火灾中心点的特征序列输入温度预测模型,温度预测模型输出火灾中心点的特有特征,根据预测系统中的温度权重参数以及温度偏置参数,计算火灾中心点的特有特征对应的预测温度;根据隧道的目标图像张量、各火灾关联点的温度张量以及各火灾关联点的位置权重张量,预测各火灾关联点的未来温度。其中,本申请提供的隧道温度分布预测将隧道的历史火灾图像、各温度传感器的历史温度数据以及隧道内火灾位置点等结合,转换成张量数据经由特征提取模型和温度预测模型批量处理,确定隧道的未来温度分布情况,这样可以提高温度预测的准确率以及提高温度预测的效率。如此,可以达到提高温度预测结果的准确率以及提高温度预测的效率,为灾后人员疏散提供指导性依据的效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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。
图1为本申请实施例提供的第一种隧道温度分布预测方法的流程图;
图2为本申请实施例提供的第二种隧道温度分布预测方法的流程图;
图3为本申请实施例提供的第三种隧道温度分布预测方法的流程图;
图4为本申请实施例提供的第四种隧道温度分布预测方法的流程图;
图5为本申请实施例提供的第五种隧道温度分布预测方法的流程图;
图6为本申请实施例提供的一种训练温度分布预测系统的流程图;
图7为本申请实施例提供的一种温度分布预测的系统流程图;
图8为本申请实施例提供的一种温度分布预测装置的结构示意图;
图9为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
目前,经常会通过计算机采集隧道发生火灾时隧道内各温度传感器的历史温度数据,计算机根据各温度传感器的历史温度数据的变化趋势预测隧道内未来的温度分布情况。然而,这种方案易受隧道内温度传感器的分布情况以及布设数量的影响,这就造成了温度分布预测结果准确率低下。另外,这种方案需要对各个温度传感器的历史温度数据的变化趋势逐一分析确定各个温度传感器所在位置的温度变化趋势,进而预测各个温度传感器的未来的温度,这样就使得温度预测效率低下。
为此,本申请实施例提供了隧道温度分布预测方法,根据隧道中火灾点位置,确定火灾中心点以及火灾关联点,获取发生火灾的隧道的历史时刻的火灾图像以及温度传感器在历史时刻的温度数据,将历史时刻的火灾图像经由计算机转换成对应的初始图像张量,将历史时刻的温度数据转换成对应的温度张量,将初始图像张量输入预先训练得到的特征提取模型获得隧道的目标图像张量,将目标图像张量、温度张量以及各位置点对应的位置权重张量作为各位置点的特征序列输入温度预测模型,输出各位置点对应的预测温度结果。其中,本申请提供的预测方法将隧道的历史火灾图像、历史温度数据以及各位置点的重要度结合作为各位置点的特征序列,并通过预先训练得到的特征提取模型和温度预测模型对这些特征进行批量处理,确定各位置点对应的预测温度,可以达到提高温度预测结果的准确率以及提高温度预测的效率,为灾后人员疏散提供指导性依据的效果。
本申请实施例提供的隧道温度分布预测方法可以运行于计算机设备也可以是服务器,当隧道温度分布预测方法运行于计算机设备中时,在计算机设备中集成预先训练得到的特征提取模型以及温度预测模型,还需要在计算机设备中布设张量转换单元,张量转换单元用于将隧道内的历史时刻的火灾图像以及历史时刻各温度传感器的温度数据转换成对应的张量,特征提取模型用于对张量进一步细化提取各位置对应的特有特征数据,温度预测模型根据各位置点的特征序列预测各位置点未来的温度分布情况。
作为一种可选的实施方式,本申请实施例提供的隧道温度分布预测方法应用于火灾发生后或者火灾已经发生之后的时间内,对隧道内的未来温度分布情况做一个预测,消防人员可以根据预测的温度分布情况疏散隧道内人员,可以有效减少人员的损伤。
本申请实施例以应用在计算机设备中的隧道温度分布预测方法为例进行说明。但不表明本申请实施例仅能应用于计算机设备中。
下面对本申请实施例提供的隧道温度分布预测方法进行详细地解释说明。
图1为本申请提供的一种隧道温度分布预测方法的流程图,该方法可以应用于计算机设备,参见图1,本申请实施例提供一种隧道温度分布预测方法,包括:
S101、根据隧道中的火灾点位置,确定多个位置点,多个位置点包括:火灾中心点以及多个火灾关联点。
可选地,隧道中的火灾点位置用于指示隧道内发生火灾的位置,火灾点位置可用于指示火灾发生波及的范围,如隧道内发生火灾时,火灾波及的范围为50米,则火灾波及的50米范围内均为火灾点位置。
可选地,隧道中发生火灾时,火灾波及的范围包含火灾中心点以及部分火灾关联点,火灾中心点可视为火灾发生时火灾的起燃点位置,火灾关联点是指与火灾中心点按预设距离均匀分布的位置点,火灾关联点用于指示除火灾点之外发生火灾的位置以及火灾发生未来可能波及的位置,一场火灾发生时,火灾波及的范围内仅有一个火灾中心点,但可以有多个火灾关联点。
值得说明的是,预设距离是人为设定的,预设距离可以是1米、3米、5米等,本申请对此不做具体限定,预设距离越小预测温度分布结果越连贯,温度分布情况预测越准确。
示例性地,预设隧道A的长度为L米,火灾发生位置波及范围为M米范围内,火灾起燃点位置位于隧道A的中心点,以火灾中心点为中心点从隧道的左入口到右出口建立坐标系,预设距离为m米,则火灾中心点位置为(0,0),将火灾中心点编号为0,火灾中心点的左侧火灾关联点位置分别为(m,0)、(2m,0)……(L/2,0),火灾中心点的右侧火灾关联点位置分别为(-m,0)、(-2m,0)……(-L/2,0),将火灾关联点(m,0)编号为1,将火灾关联点(-m,0)编号为-1等。
S102、获取隧道的多个历史时刻的火灾图像以及隧道中各温度传感器在各历史时刻的温度信息。
可选地,为了保障隧道行驶的安全性,隧道建设完成后可在隧道内布设温度传感器以监测隧道的实时温度。其次,隧道的侧壁上布设有摄像设备,摄像设备可以实时采集隧道内的图像,摄像设备可以是红外相机,也可以是其他相机设备,本申请对此不做具体限定。隧道中的摄像设备以及隧道中的温度传感器均与计算机设备通信连接,摄像设备实时采集隧道中的图像并将隧道图像上传至计算机设备,温度传感器实时采集隧道中的温度并将温度数据上传至计算机设备。
值得说明的是,历史时刻为隧道中发生火灾的时间,历史时刻可以是1秒,本申请以历史时刻为1秒为例。
可选地,当隧道中发生火灾时,摄像设备实时采集隧道中的火灾图像,并将历史时刻采集的火灾图像上传至计算机设备,同时温度传感器也将历史时刻的温度信息上传至计算机设备,温度信息用于指示温度传感器所在位置的温度,温度信息包括温度传感器所在的位置数据以及温度传感器所在位置的温度数据。
值得说明的是,摄像设备为高分辨率的相机,摄像设备的分辨率为RGB三通道相机设备,每个通道的像素点为1920×1080,每秒拍摄图片的频率为每秒24帧图像,摄像设备用于拍摄隧道内火焰的燃烧情况。
S103、根据多个历史时刻的火灾图像,生成各历史时刻对应的初始图像张量,并根据各温度传感器在各历史时刻的温度信息,生成各温度传感器对应的温度张量。
可选地,多个历史时刻可以是5分钟、10分钟、15分钟等,历史时刻取样的次数越多,温度预测结果越准确,本申请以多个历史时刻为10分钟为例,但不表示只能取样10分钟的隧道中的火灾图像,本申请对此不做具体限定。
可选地,初始图像张量是指张量转换单元将采集的多个历史时刻的火灾图像转换成对应的图像张量,张量是指将抽象图像像素数据转换成数组数据或数量数据,将抽象数据转换成具体数字的过程。
示例性地,隧道A中发生火灾,计算机设备获取火灾发生10分钟内的火灾图像,火灾图像为RGB图像,每个通道的像素点为1920×1080,每秒拍摄图片的频率为每秒24帧图像,将隧道A中1秒内的火灾图像按照R、G、B通道顺序进行拼接,并将各通道的像素横向铺设,得到隧道A在火灾发生1秒内的初始图像张量为(3,1080,46080),将隧道A中600秒内的火灾图像按照R、G、B通道顺序进行拼接,并将各通道的像素横向铺设,可以得到隧道A在火灾发生600秒内的600个初始图像张量,其中,3表示火灾图像为3通道,1080表示火灾图像的纵向像素,46080=1920×24表示1秒内火灾图像的横向拼接,初始图像张量为三维张量。
值得说明的是,初始图像张量为三维张量,初始图像张量从分辨率、像素以及频率等三个维度描述火灾图像,初始图像张量用于指示每个历史时刻的初始火灾图像的图像特征。
可选地,计算机设备获取隧道中各温度传感器上传的温度数据,并通过计算机设备中的张量转换单元将隧道中各温度传感器的温度数据转换成对应的温度张量,温度张量用于指示温度传感器的温度数据对应的数值大小。值得说明的是,温度张量为一维的数据,用于指示各温度传感器对应的温度数据。
示例性地,隧道A中发生火灾,计算机设备获取火灾发生10分钟内的各温度传感器的温度数据,各温度传感器采集温度数据的频率为每秒采集一次,计算机设备在600秒内获取到隧道A中温度传感器X的温度数据有600个,计算机设备中的张量转换单元将温度传感器X的温度数据转换成对应的温度张量(600),其中,600表示温度传感器X的600个数据。
S104、根据各历史时刻对应的初始图像张量以及预先训练得到的特征提取模型,得到隧道的目标图像张量。
可选地,特征提取模型是基于多次采样隧道中的历史时刻采样的火灾图像学习训练得到的,特征提取模型包含火灾中心点以及多个火灾关联点对应的训练得到的图像特征参数,将隧道发生火灾后历史时刻对应的初始图像张量输入特征提取模型可以得到隧道的目标图像向量,目标图像向量用于指示隧道内各个历史时刻对应的特有的图像特征,目标图像向量为一个特有的图像特征。
可选地,特征提取模型为预先训练得到的神经网络模型,特征提取模型可以是RNN模型中的一种,本申请以特征提取模型为ResNet模型为例,但不表示特征提取模型只可以是ResNet模型,本申请对此不做具体限定。
可选地,特征提取模型包含多个卷积层以及训练好的图像参数,卷积层层数可由用户自主设定,图像参数是基于历史数据训练得到的。
示例性地,设置特征提取模型ResNet的卷积层为34层,设置ResNet模型的输出张量大小为(600),预先训练得到的特征提取模型中存在对应的各位置点的训练参数,训练参数包括:预设图像权重参数和预设图像偏置参数,将隧道发生火灾600秒内600个初始图像张量(3,1080,46080)输入ResNet模型可以得到一个张量大小为(600)的目标图像张量。
S105、根据目标图像张量、火灾中心点的温度传感器对应的温度张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列,并将火灾中心点的当前特征序列输入预先训练得到的温度预测模型进行预测处理,得到火灾中心点的预测温度,其中,火灾中心点的位置权重张量基于火灾中心点的预设参数计算得到。
可选地,火灾中心点的预设参数包括火灾中心点特有位置权重参数以及火灾中心点特有位置偏置参数,温度预测训练过程中可以训练得到火灾中心点的特有位置训练参数以及各火灾关联点对应的特有位置训练参数,根据火灾中心点的特有位置训练参数以及火灾中心点的位置距离可以确定火灾中心点的位置特征,该位置特征即为火灾中心点的位置权重张量,根据各火灾关联点对应的特有位置训练参数以及各火灾关联点的位置距离可以确定各火灾关联点的位置特征,该位置特征即为各火灾关联点的位置权重张量。
可选地,温度预测模型是基于特征提取模型训练输出的图像特征学习训练得到的,温度预测模型包含火灾中心点以及多个火灾关联点对应的训练得到的温度特征参数,按照隧道的目标图像张量、火灾中心点的温度传感器对应的温度张量以及火灾中心点的位置权重张量的特征顺序输入温度预测模型,可以确定火灾中心点的融合特征,进而确定火灾中心点的未来温度分布情况。
可选地,温度预测模型为预先训练得到的神经网络模型,温度预测模型可以是LSTM模型中的一种,本申请以特征模型为BiLSTM模型为例,但不表示温度预测模型只可以是BiLSTM模型,本申请对此不做具体限定。
可选地,温度预测模型包含多个隐藏层以及训练好的温度参数,隐藏层大小可由用户自主设定,温度参数是基于历史数据训练得到的。
示例性地,设置温度训练模型BiLSTM的隐藏层大小为(300),设置BiLSTM模型的输入张量大小为(600),输出张量大小为(300),预先训练得到的温度预测模型中存在对应的各位置点的训练参数,训练参数包括:预设温度权重参数和预设温度偏置参数,将隧道发生火灾600秒内隧道的目标图像张量、火灾中心点的温度张量以及火灾中心点的位置张量输入BiLSTM模型,可以得到火灾中心点的预测温度值。
值得注意的是,若火灾中心点没有温度传感器,则火灾中心点没有温度张量,按照目标图像张量、火灾中心点的位置权重张量的特征顺序输入温度预测模型,预测火灾中心点的未来温度。
S106根据各温度传感器的温度张量、各火灾关联点的预设参数以及温度预测模型,确定各火灾关联点的预测温度。
可选地,根据各火灾关联点遍历前的所有温度传感器的温度张量、所有已遍历的火灾关联点的位置权重张量、所有已遍历的火灾关联点的未来温度权重张量、当前火灾关联点的温度张量以及当前火灾关联点的位置权重张量确定该火灾关联点的特征序列,其中,特征序列按照遍历顺序中已遍历的火灾中心点以及多个火灾关联点的特征顺序排列,并将当前火灾关联点的温度张量、当前火灾关联点的位置权重张量加至特征序列的尾部,更新特征序列并输入温度预测模型,确定当前火灾关联点的预测温度。
在本申请实施例中,在隧道发生火灾后,通过隧道中的火灾点位置,确定隧道中火灾点中心点,并根据火灾中心点以及预设距离确定火灾关联点,获取隧道发生火灾时多个历史时刻的火灾图像以及隧道中各温度传感器在多个火灾时刻的温度信息,经由张量转换单元将多个历史时刻的火灾图像转换成对应的初始图像张量,并经由张量转换单元将各温度传感器在历史时刻的温度信息转换成各温度传感器对应的温度张量,将初始图像张量输入预先训练得到的特征提取模型中,得到隧道的目标图像张量,根据训练系统训练的火灾中心点对应的位置权重参数以及位置偏置参数确定火灾中心点的位置权重张量,将目标图像张量、火灾中心点的温度张量以及火灾中心点的位置权重张量作为火灾中心点的特征序列输入温度预测模型,温度预测模型输出火灾中心点的特有特征,根据预测系统中的温度权重参数以及温度偏置参数,计算火灾中心点的特有特征对应的预测温度;根据隧道的目标图像张量、各火灾关联点的温度张量以及各火灾关联点的位置权重张量,预测各火灾关联点的未来温度。其中,本申请提供的隧道温度分布预测将隧道的历史火灾图像、各温度传感器的历史温度数据以及隧道内火灾位置点等结合,转换成张量数据经由特征提取模型和温度预测模型批量处理,确定隧道的未来温度分布情况,这样可以提高温度预测的准确率以及提高温度预测的效率。如此,可以达到提高温度预测结果的准确率以及提高温度预测的效率,为灾后人员疏散提供指导性依据的效果。
一种可能的实现方式中,参见图2,步骤S104的操作具体可以为:
S201、将各历史时刻对应的初始图像张量输入特征提取模型进行特征提取,得到各历史时刻对应的处理后张量。
可选地,处理后张量是指特征提取模型对初始图像张量处理后得到的图像张量,将各历史时刻对应的初始图像张量输入特征提取模型,特征提取模型处理后输出各历史时刻对应的处理后张量。
示例性地,将隧道A发生火灾600秒对应600个初始图像张量大小均为(93,1080,46080)输入ResNet模型,ResNet模型对每个初始图像张量进行处理,得到600个处理后的张量,处理后张量的大小均为(600)。
值得注意的是,特征提取模型处理后的张量均为一维数据。
S202、对各历史时刻对应的处理后张量进行拼接处理,得到拼接后张量。
可选地,张量转换单元对各历史时刻对应的处理后张量进行拼接,可以得到拼接后张量,如将隧道A发生火灾600秒对应的600个处理后张量进行拼接,其中每个处理后张量的大小为(600),则得到一个拼接后张量,拼接后张量的大小为(600,600),拼接后张量为二维数据。
S203、将拼接后张量输入特征提取模型进行特征提取,得到隧道的目标图像张量。
可选地,将拼接后张量输入特征提取模型再次进行特征提取,可以得到隧道的各个历史时刻对应的目标图像张量,目标图像张量用于指示各历史时刻特有的图像特征。如将拼接后张量输入ResNet模型,ResNet模型对拼接后张量进行特征提取,拼接后张量的大小为(600,600),则ResNet模型输出一个目标图像张量,目标图像张量的大小为(600)。
一种可能的实现方式中,参见图3,步骤S105的操作具体可以为:
S301、根据火灾中心点的位置信息以及各温度传感器的位置信息,确定是否存在与火灾中心点的距离满足预设条件的第一温度传感器。
可选地,火灾中心点的位置信息根据火灾点位置确定,以火灾中心点的位置建立坐标系,火灾中心点的位置坐标为(0,0),各温度传感器向计算机设备上传历史时刻的温度数据的同时,上传各自的位置信息,根据火灾中心点的位置信息以及各温度传感器的位置信息,可以确定火灾中心点是否存在温度传感器的温度数据作为温度预测参考数据。
可选地,预设条件是由用户自主设定的,预设条件可以是与火灾中心点的距离小于0.1米、与火灾中心点的距离小于0.3米等,本申请对此不做具体限定。
可选地,第一温度传感器为火灾中心点对应的温度传感器,不为任何指定的温度传感器。
示例性地,若火灾中心点的位置坐标为(0,0),预设条件为与火灾中心点的距离小于0.1米,温度传感器a的位置坐标为(0.05,0),温度传感器a与火灾中心点之间的距离为0.05米,满足预设条件,则温度传感器a可作为火灾中心点的第一温度传感器;若温度传感器b的位置坐标为(0.3,0),温度传感器b与火灾中心点之间的距离为0.3米,不满足预设条件,则火灾中心点没有对应的第一温度传感器。
S302、若是,则根据目标图像张量、第一温度传感器的温度张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列。
可选地,若隧道中布设的温度传感器存在与火灾中心点之间的距离满足预设条件,则火灾中心点存在对应的第一温度传感器,将第一温度传感器的多个历史时刻的温度数据对应的温度张量作为火灾中心点的温度张量。
可选地,按照隧道的目标图像张量、第一温度传感器对应的温度张量以及火灾中心点对应的位置权重张量的顺序生成火灾中心点对应的特征序列,火灾中心点的特征序列包含隧道的目标图像特征、火灾中心点的温度特征以及火灾中心点的特有位置特征。
S303、若否,则根据目标图像张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列。
可选地,若隧道中布设的温度传感器不存在与火灾中心点之间的距离满足预设条件,则火灾中心点没有对应的第一温度传感器,即火灾中心点不存在对应的温度张量。
可选地,按照隧道的目标图像张量、火灾中心点对应的位置权重张量的顺序生成火灾中心点对应的特征序列,火灾中心点的特征序列包含隧道的目标图像特征以及火灾中心点的特有位置特征。
一种可能的实现方式中,参见图4,步骤S106的操作具体可以为:
S401、根据各火灾关联点的第一预设参数以及各火灾关联点与火灾中心点的距离,生成各火灾关联点的位置权重张量。
可选地,火灾关联点的第一预设参数是由温度预测模型训练过程中训练得到的,第一预设参数用于指示各火灾关联点所在位置所特有的位置特征,第一预设参数包括预设位置权重参数以及预设位置偏置参数。
可选地,根据各火灾关联点的预设位置权重参数、预设位置偏置参数以及各火灾关联点与火灾中心点的距离可以确定各火灾关联点的位置去权重张量,位置权重张量用于指示该火灾关联点所在位置的位置特征。
S402、将火灾中心点的特征序列作为初始的当前特征序列。
可选地,初始的当前特征序列用于指示各火灾关联点的特征序列的序列头目,各火灾关联点的当前特征序列均包含火灾中心点的特征序列。
S403、遍历各火灾关联点,针对遍历到的当前火灾关联点,根据各温度传感器的温度张量、当前火灾关联点的位置权重张量、当前火灾关联点的前一位置点的温度权重张量以及当前特征序列,生成新的当前特征序列,将新的当前特征序列输入温度预测模型进行预测处理,得到当前火灾关联点的预测温度,并根据当前火灾关联点的预测温度以及当前火灾关联点的第二预设参数,生成当前火灾关联点的温度权重张量。
可选地,遍历隧道中的所有火灾关联点,并将火灾中心点的特征序列作为其后遍历的所有火灾关联点的特征序列的初始特征序列,并按照遍历的顺序将已遍历的火灾关联点的特征序列依次加入初始特征序列并更新,且在每个火灾关联点的特征序列的尾部加入该火灾关联点的未来温度权重张量,形成当前特征序列。
可选地,将当前遍历到的火灾关联点的温度张量、火灾关联点的位置权重张量依次加入当前特征序列的尾部得到新的当前特征序列,将新的当前特征序列输入温度预测模型进行预测可以得到当前遍历的火灾关联点的未来温度。
可选地,第二预设参数包括:温度权重参数和温度偏置参数,根据当前遍历的火灾关联点的预测温度、温度权重参数以及温度偏置参数可以确定当前遍历的火灾关联点的未来温度特征。
一种可能的实现方式中,上述步骤S401的操作具体可以为:
将火灾关联点与火灾中心点的距离与第一预设参数中的权重参数相乘,得到权重与距离乘积;
将权重与距离乘积与第一预设参数中的偏置参数相乘,得到火灾关联点的位置权重张量。
F=[X]×W+B(1)
可选地,根据上述公式(1)可以确定各火灾关联点的位置权重张量,[X]为火灾关联点与火灾中心点的距离,W为训练得到的各火灾关联点的位置权重参数,B为训练得到的各火灾关联点的位置偏置参数,其中W的大小为(1,600),B的大小为(600)。
示例性地,已知火灾关联点c的位置为(c,0),火灾关联点c与火灾中心点0之间的距离为c×g,根据公式(1)可得,火灾关联点c的位置权重张量Fc=[c×g]×Wc+Bc =(600),得到火灾中心点c的位置权重张量Fc的大小为(600)。
一种可能的实现方式中,参见图5,步骤S403的操作具体可以为:
S501、根据当前火灾关联点的位置信息以及各温度传感器的位置信息,确定是否存在与当前火灾关联点的距离满足预设条件的第二温度传感器。
可选地,火灾关联点的位置信息根据火灾关联点与火灾中心点的距离确定,如火灾中心点的位置坐标为(0,0),火灾关联点h与火灾中心点的距离为m,则火灾关联点h的位置坐标为(m,0)。
可选地,根据当前火灾关联点的位置信息与各温度传感器的位置信息是否满足预设条件限定的距离,确定当前火灾关联点是否存在第二温度传感器,第二温度传感器为当前火灾关联点对应的温度传感器,不为任何指定的温度传感器。
S502、若是,则将前一位置点的温度权重张量、第二温度传感器的温度张量以及当前火灾关联点的位置权重张量依次添加至当前特征序列的尾部,得到新的当前特征序列。
可选地,若隧道中布设的温度传感器存在与当前火灾关联点之间的距离满足预设条件,则当前火灾关联点存在对应的第二温度传感器,将第二温度传感器的多个历史时刻的温度数据对应的温度张量作为当前火灾关联点的温度张量。
可选地,计算已遍历的各火灾关联点的温度权重张量,并将各火灾关联点的温度权重张量添加至其对应的特征序列的尾部,将当前遍历的火灾关联点的温度张量以及对应的位置权重张量依次添加至前一已遍历的火灾关联点的特征序列的尾部,得到当前遍历的火灾遍历点的特征序列。
S503、若否,则将前一位置点的温度权重张量以及当前火灾关联点的位置权重张量依次添加至当前特征序列的尾部,得到新的当前特征序列。
可选地,若隧道中布设的温度传感器不存在与当前火灾关联点之间的距离满足预设条件,则当前火灾关联点不存在对应的第二温度传感器。
可选地,计算已遍历的各火灾关联点的温度权重张量,并将各火灾关联点的温度权重张量添加至其对应的特征序列的尾部,将当前遍历的火灾关联点对应的位置权重张量依次添加至前一已遍历的火灾关联点的特征序列的尾部,得到当前遍历的火灾遍历点的特征序列。
一种可能的实现方式中,上述步骤S403的操作具体可以为:
将当前火灾关联点的预测与第二预设参数中的权重参数相乘,得到权重与温度乘积;
将权重与温度乘积与第二预设参数中的偏置参数相乘,得到火灾关联点的温度权重张量。
PQ=BO×WF+BF(2)
可选地,根据上述公式(2)可以确定各火灾关联点的温度权重张量,BO为火灾关联点特有的火灾特征,WF为训练得到的各火灾关联点对应的温度权重参数为,BF为训练得到的各火灾关联点对应的温度偏置参数,其中,训练得到的温度权重参数WF的大小为(300,60),训练得到的温度偏置参数BF的大小为(60),其中60用于指示预测未来60秒的温度。
示例性地,已知火灾关联点c的火灾特征BOc的大小为(300),根据公式(2)可得,火灾关联点c的温度权重张量PQc=BOc×WFc+BFc =(60),得到火灾中心点c的温度权重张量PQc的大小为(60)。
图6为本申请提供的一种训练温度分布预测系统的流程图,参见图6,本申请提供的温度分布预测系统的训练过程具体如下:当隧道中发生火灾时,计算机设备实时获取隧道中多个历史时刻的火灾视频图像,计算机设备中的张量转换单元将接收的火灾视频图像转换成对应的初始图像张量,并将初始图像张量输入特征提取模型中得到各个历史时刻的火灾图像所特有的目标图像张量,其中,特征提取模型包含火灾中心点以及多个火灾关联点对应的初始图像特征参数。
可选地,根据火灾中心点对应的预设位置权重参数以及预设偏置参数,确定火灾中心点的位置权重张量;根据火灾中心点所在位置布设的温度传感器的历史时刻的温度数据生成火灾中心点的温度张量;根据特征提取模型输出的目标图像张量、火灾中心点的温度张量以及火灾中心点的位置权重张量生成火灾中心点的特征序列,并将该特征序列输入温度预测模型中,温度预测模型根据特征序列生成火灾中心点的特有火灾特征,并根据预设的温度权重参数、预设的温度偏置参数预测火灾中心点的温度数据,使用损失函数计算预测温度数据与实际温度数据之间的误差,对初始图像特征参数、预设的温度权重参数、预设的温度偏置参数进行梯度计算并更新。
可选地,根据各火灾关联点对应的预设位置权重参数以及预设偏置参数确定各火灾关联点的位置权重张量,根据各火灾关联点所在位置的温度传感器的历史时刻的温度数据生成各火灾关联点对应的温度张量;根据特征提取模型输出的隧道的目标图像张量、在该火灾关联点之前遍历的各火灾关联点以及火灾中心点的温度张量和位置权重张量以及未来温度张量、该火灾关联点对应的温度张量、该火灾关联点的位置权重张量作为该火灾关联点的当前特征序列输入温度预测模型,温度预测模型根据当前特征序列生成该火灾关联点的特有火灾特征,并根据预设的温度权重参数、预设的温度偏置参数预测该火灾关联点的温度数据,使用损失函数计算预测温度数据与实际温度数据之间的误差,对初始图像特征参数、预设的温度权重参数、预设的温度偏置参数进行梯度计算并更新。
作为一种可选的实施方式,训练温度分布预测系统的具体实施例如下:
(1)建设一条实验隧道M,该实验隧道M的长度为L米,假设实验隧道M的中心为火灾中心点,以火灾中心点为原点建立坐标系,火灾中心点的坐标为(0,0),以隧道的左方向为坐标轴的正方向,隧道的右方向为坐标轴的负方向,隧道的左边缘为(L/2,0),隧道的右边缘为(-L/2,0),以预设距离为g米,确定各火灾关联点的位置,在各个火灾关联点以及火灾中心点布设温度传感器,根据各火灾关联点的位置对该位置布设的温度传感器进行编号,若在实验隧道M的中央以左按照g米布设了m个温度传感器,则在实验隧道M的中央以右也按照g米布设m个温度传感器,火灾中心点的温度传感器编号为0,隧道的左边缘温度传感器编号为m,隧道的右边缘温度传感器编号为-m,并在火灾中心点的隧道侧壁上安装一个高分辨率的摄像机,摄像机的分辨率为RGB三通道的相机,每个通道的像素点为1920×1080,每秒可录制24帧图像,摄像机正对火灾中心点,拍摄实验隧道M内的火焰燃烧情况。
(2)在火灾中心点0上放置燃烧物,对燃烧物进行燃烧,并实时获取实验隧道M内的火灾图像,若取样时间为600秒,则获取的火灾图像集合P包含600秒的火灾图像,其中每秒包含24帧图像,每帧图像包含RGB三通道,每个通道的像素点为1920×1080,同时计算机设备还获取实验隧道中布设的每个温度传感器的温度数据,每个温度传感器采集温度数据的频率为每秒采集一次,600秒内每个传感器对应有600个温度数据,计算机设备中的张量转换单元将每秒的24帧数据按照R、G、B的顺序拼接,并按照像素点横向铺设得到一个初始图像张量,初始图像张量的大小为(3,1080,46080),在600秒内对应有600个初始图像张量,初始图像张量的大小相同,但初始图像张量包含的图像特征不同;张量转换单元将各温度传感器对应的温度数据转换成对应的温度张量,每个温度传感器对应有一个温度张量,温度张量R的大小为(600),温度张量的大小相同,但其包含的温度数值不同。
(3)特征提取模型采用ResNet模型,温度预测模型采用BiLSTM模型,设置ResNet模型的卷积层为34层,输出张量大小为(600),内部可训练参数使用正态分布随机初始化;设置BiLSTM模型的输入张量大小为(600),隐藏层大小为(300),输出张量大小为(300),内部可训练参数使用正态分布随机初始化。
(4)采用ResNet模型对步骤(1)的600个初始图像张量(3,1080,46080)进行处理,得到600个处理后张量,处理后张量大小为(600),张量转换单元对处理后张量进行拼接,得到一个拼接后张量,拼接后张量大小为(600,600),将拼接后张量(600,600)输入ResNet模型得到一个目标图像张量,目标图像张量Q的大小为(600)。
(5)设置火灾中心点0的可训练位置权重参数为W、可训练位置偏置参数为B,其中W的大小为(1,600),B的大小为(600),根据公式F=[0]×W+B计算得到F=[0]×W+B=(600),得到火灾中心点0的位置权重张量F的大小为(600)。
(6)若火灾中心点存在对应的温度传感器,则按照目标图像张量、火灾中心点的温度张量以及火灾中心点的位置权重张量的顺序组成火灾中心点的特征序列LT={Q,R,F};若火灾中心点不存在对应的温度传感器时,则火灾中心点对应的特征序列为LT={Q,F},将火灾中心点的特征序列LT输入BiLSTM模型中,得到火灾中心点的火灾特征张量BO,火灾特征张量BO的大小为(300)。
(7)设置可训练温度权重参数WF和可训练温度偏置参数BF,可训练温度权重参数WF的大小为(300,60),可训练温度偏置参数BF的大小为(60),其中60用于指示预测未来60秒的温度,根据公式PQ=BO×WF+BF=(60)。
(8)根据PQ=(60)包含的数值索引火灾中心点未来60秒内的温度数据,将火灾中心点未来60秒的温度按照时间排列,得到火灾中心点预测温度序列Y,利用MSEloss损失函数计算火灾中心点未来60秒的温度传感器的真实温度值Z与预测温度值之间误差loss=MSEloss(Y,Z)。
(9)使用Adam优化器,设置学习率为0.0002,对可训练位置权重参数W、可训练位置偏置参数B、可训练温度权重参数WF、可训练温度偏置参数BF、ResNet模型的内部可训练参数以及BiLSTM模型的内部可训练参数进行梯度计算并更新参数。
(10)将编号为c的温度传感器发生火灾后600秒内的温度数据生成对应温度张量Rc,温度张量Rc的大小为(600),对编号为c的温度传感器所表示的火灾关联点设置对应的可训练位置权重参数为Wc、可训练位置偏置参数为Bc,其中Wc的大小为(1,600),Bc的大小为(600),根据公式Fc=[c×g]×Wc+Bc计算得到Fc=[c×g]×Wc+Bc=(600),得到火灾关联点c的位置权重张量Fc的大小为(600),并放入LT列表的尾部,根据新生成的LT列表输入BiLSTM模型,得到火灾关联点c未来60秒的预测温度。
(11)设置火灾关联点c可训练温度权重参数WFc和可训练温度偏置参数BFc,可训练温度权重参数WFc的大小为(300,60),可训练温度偏置参数BFc的大小为(60),其中60用于指示预测未来60秒的温度,根据公式PQc=BOc×WFc+BFc=(60),PQc为火灾关联点c的未来温度对应的特征,并将PQc放入LT的尾部。
(12)若c=z-dire时,其中dire=1,dire表示向隧道的左边缘延伸,则将火灾关联点z所在位置的温度传感器z火灾发生后600秒的温度数据生成对应的温度张量Rz为(600),并将Rz放入LT的尾部,设置火灾关联点z对应的可训练位置权重参数为Wz、可训练位置偏置参数为Bz,其中Wz的大小为(1,600),Bz的大小为(600),根据公式Fz=[z×g]×Wz+Bz计算得到Fz=[z×g]×Wz+Bz=(600),得到火灾关联点z的位置权重张量Fz的大小为(600),并放入LT列表的尾部,根据新生成的LT列表输入BiLSTM模型,得到火灾关联点z的特有火灾特征。
(13)根据步骤(7)设置的可训练温度权重参数WF的大小为(300,60),可训练温度偏置参数BF的大小为(60),计算得到火灾关联点z的未来60秒的温度PQz=BOz×WF+BF=(60),根据PQz索引火灾关联点的未来60秒温度,并将未来60秒的温度按照时间排列,得到火灾中心点预测温度序列Yz,利用MSEloss损失函数计算火灾关联点z未来60秒的温度传感器的真实温度值Zz与预测温度值之间误差loss(z)=MSEloss(Yz,Zz)。
(14)使用Adam优化器,设置学习率为0.0002,对可训练位置权重参数Wc、可训练位置偏置参数Bc、可训练温度权重参数WFc、可训练温度偏置参数BFc、可训练位置权重参数为Wz、可训练位置偏置参数为Bz、ResNet模型的内部可训练参数以及BiLSTM模型的内部可训练参数进行梯度计算并更新参数。
(15)若z=dire×m,m为隧道最边缘的温度传感器,令dire=-1,再次执行步骤(10)-(11),直至遍历次数大于等于20,将训练得到的ResNet模型的内部可训练参数、BiLSTM模型的内部可训练参数、可训练位置权重参数Wc、可训练位置偏置参数Bc、可训练温度权重参数WFc、可训练温度偏置参数BFc、可训练位置权重参数为Wz、可训练位置偏置参数为Bz、可训练位置权重参数W、可训练位置偏置参数B、可训练温度权重参数WF以及可训练温度偏置参数BF进行保存。
图7为本申请提供的一种温度分布预测的系统流程图,参见图7,本申请提供的温度分布预测系统的预测过程具体如下:当隧道中发生火灾时,计算机设备实时获取隧道中多个历史时刻的火灾视频图像,计算机设备中的张量转换单元将接收的火灾视频图像转换成对应的初始图像张量,并将初始图像张量输入特征提取模型中得到各个历史时刻的火灾图像所特有的目标图像张量,其中,特征提取模型包含火灾中心点以及多个火灾关联点对应的初始图像特征参数。
可选地,根据火灾中心点对应的特有位置权重参数以及特有偏置参数,确定火灾中心点的位置权重张量;根据火灾中心点所在位置布设的温度传感器的历史时刻的温度数据生成火灾中心点的温度张量;根据特征提取模型输出的目标图像张量、火灾中心点的温度张量以及火灾中心点的位置权重张量生成火灾中心点的特征序列,并将该特征序列输入温度预测模型中,温度预测模型根据特征序列生成火灾中心点的特有火灾特征,并根据训练得到的温度权重参数、训练得到的温度偏置参数预测火灾中心点的温度数据。
可选地,根据各火灾关联点对应的训练得到的位置权重参数以及训练得到的偏置参数确定各火灾关联点的位置权重张量,根据各火灾关联点所在位置的温度传感器的历史时刻的温度数据生成各火灾关联点对应的温度张量;根据特征提取模型输出的隧道的目标图像张量、在该火灾关联点之前遍历的各火灾关联点以及火灾中心点的温度张量和位置权重张量以及未来温度张量、该火灾关联点对应的温度张量、该火灾关联点的位置权重张量作为该火灾关联点的当前特征序列输入温度预测模型,温度预测模型根据当前特征序列生成该火灾关联点的特有火灾特征,并根据训练得到的温度权重参数、训练得到的温度偏置参数预测该火灾关联点的温度数据。
下述对用以执行的本申请所提供隧道温度分布预测方法的装置、设备及计算机可读存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图8是本申请实施例提供的一种隧道温度分布预测装置的结构示意图,参见图8,该装置包括:
确定模块801,用于根据隧道中的火灾点位置,确定多个位置点,多个位置点包括:火灾中心点以及多个火灾关联点;
获取模块802,用于获取隧道的多个历史时刻的火灾图像以及隧道中各温度传感器在各历史时刻的温度信息;
生成模块803,用于根据多个历史时刻的火灾图像,生成各历史时刻对应的初始图像张量,并根据各温度传感器在各历史时刻的温度信息,生成各温度传感器对应的温度张量;
提取模块804,根据各历史时刻对应的初始图像张量以及预先训练得到的特征提取模型,得到隧道的目标图像张量;
生成模块803,还用于根据目标图像张量、火灾中心点的温度传感器对应的温度张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列,并将火灾中心点的当前特征序列输入预先训练得到的温度预测模型进行预测处理,得到火灾中心点的预测温度,其中,火灾中心点的位置权重张量基于火灾中心点的预设参数计算得到;
预测模块805,用于根据各温度传感器的温度张量、各火灾关联点的预设参数以及温度预测模型,确定各火灾关联点的预测温度。
作为一种可选的实施方式,上述提取模块804具体用于:
将各历史时刻对应的初始图像张量输入特征提取模型进行特征提取,得到各历史时刻对应的处理后张量;
对各历史时刻对应的处理后张量进行拼接处理,得到拼接后张量;
将拼接后张量输入特征提取模型进行特征提取,得到隧道的目标图像张量。
作为一种可选的实施方式,上述生成模块803具体用于:
根据火灾中心点的位置信息以及各温度传感器的位置信息,确定是否存在与火灾中心点的距离满足预设条件的第一温度传感器;
若是,则根据目标图像张量、第一温度传感器的温度张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列;
若否,则根据目标图像张量以及火灾中心点的位置权重张量,生成火灾中心点的特征序列。
作为一种可选的实施方式,上述预测模块805具体用于:
根据各火灾关联点的第一预设参数以及各火灾关联点与火灾中心点的距离,生成各火灾关联点的位置权重张量;
将火灾中心点的特征序列作为初始的当前特征序列;
遍历各火灾关联点,针对遍历到的当前火灾关联点,根据各温度传感器的温度张量、当前火灾关联点的位置权重张量、当前火灾关联点的前一位置点的温度权重张量以及当前特征序列,生成新的当前特征序列,将新的当前特征序列输入温度预测模型进行预测处理,得到当前火灾关联点的预测温度,并根据当前火灾关联点的预测温度以及当前火灾关联点的第二预设参数,生成当前火灾关联点的温度权重张量。
作为一种可选的实施方式,上述预测模块805具体还用于:
将火灾关联点与火灾中心点的距离与第一预设参数中的权重参数相乘,得到权重与距离乘积;
将权重与距离乘积与第一预设参数中的偏置参数相乘,得到火灾关联点的位置权重张量。
作为一种可选的实施方式,上述预测模块805具体还用于:
根据当前火灾关联点的位置信息以及各温度传感器的位置信息,确定是否存在与当前火灾关联点的距离满足预设条件的第二温度传感器;
若是,则将前一位置点的温度权重张量、第二温度传感器的温度张量以及当前火灾关联点的位置权重张量依次添加至当前特征序列的尾部,得到新的当前特征序列;
若否,则将前一位置点的温度权重张量以及当前火灾关联点的位置权重张量依次添加至当前特征序列的尾部,得到新的当前特征序列。
作为一种可选的实施方式,上述预测模块805具体还用于:
将当前火灾关联点的预测与第二预设参数中的权重参数相乘,得到权重与温度乘积;
将权重与温度乘积与第二预设参数中的偏置参数相乘,得到火灾关联点的温度权重张量。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图9是本申请实施例提供的一种计算机设备的结构示意图。参见图9,计算机设备包括:存储器901、处理器902,存储器901中存储有可在处理器902上运行的计算机程序,处理器902执行计算机程序时,实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
可选地,本申请还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述任一隧道温度分布预测方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种隧道温度分布预测方法,其特征在于,包括:
根据隧道中的火灾点位置,确定多个位置点,所述多个位置点包括:火灾中心点以及多个火灾关联点;
获取所述隧道的多个历史时刻的火灾图像以及所述隧道中各温度传感器在各所述历史时刻的温度信息;
根据所述多个历史时刻的火灾图像,生成各历史时刻对应的初始图像张量,并根据各温度传感器在各历史时刻的温度信息,生成各温度传感器对应的温度张量;
根据各历史时刻对应的初始图像张量以及预先训练得到的特征提取模型,得到所述隧道的目标图像张量;
根据所述目标图像张量、所述火灾中心点的温度传感器对应的温度张量以及所述火灾中心点的位置权重张量,生成所述火灾中心点的特征序列,并将所述火灾中心点的当前特征序列输入预先训练得到的温度预测模型进行预测处理,得到所述火灾中心点的预测温度,其中,所述火灾中心点的位置权重张量基于所述火灾中心点的预设参数计算得到;
根据各温度传感器的温度张量、各所述火灾关联点的预设参数以及所述温度预测模型,确定各所述火灾关联点的预测温度。
2.根据权利要求1所述的隧道温度分布预测方法,其特征在于,所述根据各历史时刻对应的初始图像张量以及预先训练得到的特征提取模型,得到所述隧道的目标图像张量,包括:
将各历史时刻对应的初始图像张量输入所述特征提取模型进行特征提取,得到各历史时刻对应的处理后张量;
对各历史时刻对应的处理后张量进行拼接处理,得到拼接后张量;
将所述拼接后张量输入所述特征提取模型进行特征提取,得到所述隧道的目标图像张量。
3.根据权利要求1所述的隧道温度分布预测方法,其特征在于,所述根据所述目标图像张量、各温度传感器的温度张量以及所述火灾中心点的位置权重信息,生成所述火灾中心点的特征序列,包括:
根据所述火灾中心点的位置信息以及各温度传感器的位置信息,确定是否存在与所述火灾中心点的距离满足预设条件的第一温度传感器;
若是,则根据所述目标图像张量、所述第一温度传感器的温度张量以及所述火灾中心点的位置权重张量,生成所述火灾中心点的特征序列;
若否,则根据所述目标图像张量以及所述火灾中心点的位置权重张量,生成所述火灾中心点的特征序列。
4.根据权利要求1所述的隧道温度分布预测方法,其特征在于,所述根据各温度传感器的温度张量、各所述火灾关联点的预设参数以及所述温度预测模型,确定各所述火灾关联点的预测温度,包括:
根据各火灾关联点的第一预设参数以及各火灾关联点与所述火灾中心点的距离,生成各火灾关联点的位置权重张量;
将所述火灾中心点的特征序列作为初始的当前特征序列;
遍历各所述火灾关联点,针对遍历到的当前火灾关联点,根据各温度传感器的温度张量、所述当前火灾关联点的位置权重张量、所述当前火灾关联点的前一位置点的温度权重张量以及所述当前特征序列,生成新的当前特征序列,将所述新的当前特征序列输入所述温度预测模型进行预测处理,得到所述当前火灾关联点的预测温度,并根据所述当前火灾关联点的预测温度以及所述当前火灾关联点的第二预设参数,生成所述当前火灾关联点的温度权重张量。
5.根据权利要求4所述的隧道温度分布预测方法,其特征在于,所述根据各火灾关联点的第一预设参数以及各火灾关联点与所述火灾中心点的距离,生成各火灾关联点的位置权重张量,包括:
将所述火灾关联点与所述火灾中心点的距离与所述第一预设参数中的权重参数相乘,得到权重与距离乘积;
将所述权重与距离乘积与所述第一预设参数中的偏置参数相乘,得到所述火灾关联点的位置权重张量。
6.根据权利要求4所述的隧道温度分布预测方法,其特征在于,所述根据各温度传感器的温度张量、所述当前火灾关联点的位置权重张量、所述当前火灾关联点的前一位置点的温度权重张量以及所述当前特征序列,生成新的当前特征序列,包括:
根据所述当前火灾关联点的位置信息以及各温度传感器的位置信息,确定是否存在与所述当前火灾关联点的距离满足预设条件的第二温度传感器;
若是,则将所述前一位置点的温度权重张量、所述第二温度传感器的温度张量以及所述当前火灾关联点的位置权重张量依次添加至所述当前特征序列的尾部,得到所述新的当前特征序列;
若否,则将所述前一位置点的温度权重张量以及所述当前火灾关联点的位置权重张量依次添加至所述当前特征序列的尾部,得到所述新的当前特征序列。
7.根据权利要求4所述的隧道温度分布预测方法,其特征在于,所述根据所述当前火灾关联点的预测温度以及所述当前火灾关联点的第二预设参数,生成所述当前火灾关联点的温度权重张量,包括:
将所述当前火灾关联点的预测与所述第二预设参数中的权重参数相乘,得到权重与温度乘积;
将所述权重与温度乘积与所述第二预设参数中的偏置参数相乘,得到所述火灾关联点的温度权重张量。
8.一种隧道温度分布预测装置,其特征在于,所述装置包括:
确定模块,用于根据隧道中的火灾点位置,确定多个位置点,所述多个位置点包括:火灾中心点以及多个火灾关联点;
获取模块,用于获取所述隧道的多个历史时刻的火灾图像以及所述隧道中各温度传感器在各所述历史时刻的温度信息;
生成模块,用于根据所述多个历史时刻的火灾图像,生成各历史时刻对应的初始图像张量,并根据各温度传感器在各历史时刻的温度信息,生成各温度传感器对应的温度张量;
提取模块,根据各历史时刻对应的初始图像张量以及预先训练得到的特征提取模型,得到所述隧道的目标图像张量;
生成模块,还用于根据所述目标图像张量、所述火灾中心点的温度传感器对应的温度张量以及所述火灾中心点的位置权重张量,生成所述火灾中心点的特征序列,并将所述火灾中心点的当前特征序列输入预先训练得到的温度预测模型进行预测处理,得到所述火灾中心点的预测温度,其中,所述火灾中心点的位置权重张量基于所述火灾中心点的预设参数计算得到;
预测模块,用于根据各温度传感器的温度张量、各所述火灾关联点的预设参数以及所述温度预测模型,确定各所述火灾关联点的预测温度。
9.一种计算机设备,其特征在于,包括:存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述权利要求1至7任一项所述的方法的步骤。
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计算机程序,该计算机程序被处理器执行时,实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666756.5A CN117392395B (zh) | 2023-12-07 | 2023-12-07 | 隧道温度分布预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666756.5A CN117392395B (zh) | 2023-12-07 | 2023-12-07 | 隧道温度分布预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392395A CN117392395A (zh) | 2024-01-12 |
CN117392395B true CN117392395B (zh) | 2024-02-06 |
Family
ID=89465064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311666756.5A Active CN117392395B (zh) | 2023-12-07 | 2023-12-07 | 隧道温度分布预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392395B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569428A (zh) * | 2021-08-26 | 2021-10-29 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 隧洞异常检测方法、装置及系统 |
CN113849998A (zh) * | 2021-09-25 | 2021-12-28 | 北京杜普信科技有限公司 | 一种基于bim的隧道火灾预警处理方法及系统 |
CN115100846A (zh) * | 2022-05-09 | 2022-09-23 | 山东金宇信息科技集团有限公司 | 一种隧道内的道路事故预测方法、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108538038A (zh) * | 2018-05-31 | 2018-09-14 | 京东方科技集团股份有限公司 | 火灾告警方法和装置 |
-
2023
- 2023-12-07 CN CN202311666756.5A patent/CN117392395B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569428A (zh) * | 2021-08-26 | 2021-10-29 | 华能西藏雅鲁藏布江水电开发投资有限公司 | 隧洞异常检测方法、装置及系统 |
CN113849998A (zh) * | 2021-09-25 | 2021-12-28 | 北京杜普信科技有限公司 | 一种基于bim的隧道火灾预警处理方法及系统 |
CN115100846A (zh) * | 2022-05-09 | 2022-09-23 | 山东金宇信息科技集团有限公司 | 一种隧道内的道路事故预测方法、设备及介质 |
Non-Patent Citations (1)
Title |
---|
白振鹏 ; 李炎锋 ; 张鹏 ; 王致远 ; 冯姗 ; 樊宪来 ; .隧道火灾温度分布的多元回归预测分析.消防科学与技术.2018,(第10期),8-10. * |
Also Published As
Publication number | Publication date |
---|---|
CN117392395A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311685B (zh) | 一种基于imu与单目图像的运动场景重构无监督方法 | |
CN110458895A (zh) | 图像坐标系的转换方法、装置、设备及存储介质 | |
JP6879894B2 (ja) | 物体の流動の状態を求めるシステム及び方法、並びに非一時的コンピューター可読記憶媒体 | |
US8284292B2 (en) | Probability distribution constructing method, probability distribution constructing apparatus, storage medium of probability distribution constructing program, subject detecting method, subject detecting apparatus, and storage medium of subject detecting program | |
JP2018022343A (ja) | 画像処理装置、および画像処理方法 | |
CN110276321A (zh) | 一种遥感视频目标跟踪方法及系统 | |
CN112967388A (zh) | 三维时序图像神经网络模型的训练方法和装置 | |
CN104199084B (zh) | 一种基于热红外异常信号与小波神经网络的地震预测方法 | |
CN117392395B (zh) | 隧道温度分布预测方法、装置、计算机设备及存储介质 | |
Zhang et al. | Research on engineering vehicle target detection in aerial photography environment based on YOLOX | |
KR101653174B1 (ko) | 파장가변 다이오드 레이저 흡수 분광학에 기초하여 가스 농도 재구성을 위한 베이지안 접근방식 | |
JP2009545223A (ja) | イベント検出方法及び上記方法を用いたビデオ監視システム | |
Caley et al. | Environment prediction from sparse samples for robotic information gathering | |
CN111476062A (zh) | 车道线检测方法、装置、电子设备及驾驶系统 | |
CN112528825A (zh) | 一种基于图像识别的车站乘客招援服务方法 | |
CN114485417B (zh) | 一种结构振动位移识别方法及系统 | |
CN114022638A (zh) | 一种电力设备多源异构数据三维可视化方法 | |
CN114429490A (zh) | 一种基于互补注意力的行人轨迹预测方法及系统 | |
CN114282294A (zh) | 一种基于数字孪生的医院建筑震害预测方法及系统 | |
Workman et al. | Augmenting depth estimation with geospatial context | |
JP4977238B2 (ja) | ケーブル弛み検知装置、ケーブル弛み検知方法およびケーブル弛み検知プログラム | |
JP2021071919A (ja) | 道路監視装置 | |
CN110766722A (zh) | 一种红外运动目标成像跟踪仿真方法 | |
KR102600548B1 (ko) | 구조물 건전성 경보 시스템 및 이를 이용한 경보 방법 | |
CN113486772B (zh) | 人体姿态估计模型训练方法、估计方法、装置和设备 |
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 |