CN117910811B - 基于多模态ai大模型的智慧消防管理方法及系统 - Google Patents
基于多模态ai大模型的智慧消防管理方法及系统 Download PDFInfo
- Publication number
- CN117910811B CN117910811B CN202410307263.0A CN202410307263A CN117910811B CN 117910811 B CN117910811 B CN 117910811B CN 202410307263 A CN202410307263 A CN 202410307263A CN 117910811 B CN117910811 B CN 117910811B
- Authority
- CN
- China
- Prior art keywords
- data
- fire
- model
- risk
- correction
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 181
- 238000012502 risk assessment Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims description 77
- 230000004044 response Effects 0.000 claims description 76
- 238000012549 training Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000011157 data evaluation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 238000003892 spreading Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 16
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 239000002243 precursor Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及数据处理的技术领域，公开了一种基于多模态AI大模型的智慧消防管理方法及系统。所述基于多模态AI大模型的智慧消防管理方法包括：采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据；将所述第一数据输入至消防风险评估模型中，得到消防风险预测值；基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据；本发明通过融合AI模型与大数据处理技术，显著提升消防安全监控和管理的智能化水平，有效提高了消防安全管理的科技含量和未来适应性。
Description
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种基于多模态AI大模型的智慧消防管理方法及系统。
背景技术
在现代消防管理领域，随着城市化进程的加快和建筑物密度的增加，如何有效地预防和管理火灾风险成为了一项重要的任务。传统的消防管理方法主要依赖于人工巡查和基本的消防设施，如烟雾探测器和喷水系统。这些方法虽然在一定程度上能够应对火灾事故，但在风险预测、快速响应和资源优化配置方面存在明显不足。随着技术的发展，人工智能、大数据和物联网技术的应用为消防管理提供了新的思路和手段。
目前，一些解决方案尝试通过集成视频监控和简单的数据分析功能来提升消防管理的智能化水平。这些系统能够在一定程度上实现实时监控和基本的风险预警，但它们通常缺乏对复杂环境下多种风险因素的深入分析能力。此外，这些系统往往依赖于单一类型的数据源，如视频或温度数据，忽略了消防管理中多模态数据的重要性，导致风险评估的不全面和响应策略的不精准。现有技术的主要技术缺陷在于缺乏高效的风险评估机制和灵活的响应策略。单一数据源和简单的数据分析方法无法充分理解和预测复杂环境下的消防风险，导致预警信息的不准确和响应措施的不及时。此外，现有技术缺少对消防资源配置的优化考虑，无法实现资源的高效利用，从而影响整体消防管理的效率和效果。
因此，亟需一种基于多模态AI大模型的智慧消防管理方法，消防风险的精准预测和快速响应，为现代消防管理提供一种高效、智能的新方案。
发明内容
本发明提供了一种基于多模态AI大模型的智慧消防管理方法及系统，用于解决如何实现消防风险的精准预测和快速响应的技术问题。
本发明第一方面提供了一种基于多模态AI大模型的智慧消防管理方法，所述基于多模态AI大模型的智慧消防管理方法包括：
采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据；其中，所述第一数据至少包括物品布局数据、环境数据、区域人员密度数据，所述第二数据至少包括消防设备数据；
将所述第一数据输入至消防风险评估模型中，得到消防风险预测值；其中，所述消防风险评估模型为预先构建的多模态AI大模型；
基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据；
计算第一消防监控区域和第二消防监控区域的风险相关度，得到目标风险相关系数；
将所述目标风险相关系数和所述修正后的第二数据输入至消防响应策略模型，得到对应的消防响应策略；其中，所述消防响应策略模型经过提前训练得到；
基于所述消防响应策略，从第一消防监控区域和第二消防监控区域中选取具有最高风险的监控区域作为重点监控对象。
可选的，在本发明第一方面的第一种实现方式中，所述采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据的步骤之前，包括：
获取与第一消防监控区域相关的第一训练数据；其中，第一训练数据包括训练物品布局数据、训练环境数据、训练区域人员密度数据，以及对消防设备的影响标签结果；
将所述第一训练数据输入至初始消防风险评估模型中，预测得到对消防设备的影响预测结果；
计算影响标签结果与影响预测结果之间的损失值，并迭代调整初始消防风险评估模型的模型参数，以最小化所述损失值，得到消防风险评估模型。
可选的，在本发明第一方面的第二种实现方式中，所述采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据的步骤之前，包括：
收集与消防安全相关的多源数据，将所述多源数据输入至初始构建的混合大模型中；其中，所述多源数据至少包括历史火灾数据、实时环境监测数据、建筑内人员密度和分布数据、安全设备状态数据，以及消防演练反馈数据；所述初始构建的混合大模型由环境监测子模型、历史火灾分析子模型、人员安全评估子模型、消防设施状态监测子模型、建筑特性分析子模型、消防响应模拟子模型组成，每个子模型侧重于不同的消防数据评估维度；
基于环境监测子模型，通过解析实时环境监测数据，预测导致火灾的高危环境条件，输出环境风险指标；
基于历史火灾分析子模型，通过分析历史火灾数据，识别火灾发生的模式和常见原因，输出历史风险模式指标；
基于人员安全评估子模型，根据建筑内人员密度和分布数据，评估在火灾情况下的人员疏散难度，输出人员安全指标；
通过消防设施状态监测子模型，解析安全设备状态数据，监测消防设备的工作状态，确保实时反应能力，输出设施运行效率指标；
通过建筑特性分析子模型，解析建筑物的结构和材料信息，评估火灾蔓延的潜在风险，输出建筑物风险等级；
通过消防响应模拟子模型，解析消防演练反馈数据，模拟火灾发生时的应急响应流程，预测响应效率，输出响应能力指标；
从多源数据中提取的预设的标准值；并根据构建的多模态AI大模型中各个子模型的输出与预设的标准值之间的差异，计算误差值；其中，所述误差值为预测指标与实际标准指标的偏差；
基于预设的优化策略，逐步调整多模态AI大模型中各个子模型的参数，以最小化各项误差值，完成混合大模型的训练；其中，训练完成的混合大模型用于对各个消防监控区域进行多维度的消防数据评估。
可选的，在本发明第一方面的第三种实现方式中，所述基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据，包括：
基于预设的第一修正规则，构建所述第一数据与所述第二数据之间的第一数据修正模型；
基于预设的第二修正规则，构建消防风险预测值与所述第二数据之间的第二数据修正模型；
通过所述第一数据修正模型对所述第二数据进行第一修正，得到第一安全初步修正结果；
通过所述第二数据修正模型对所述第二数据进行第二修正，得到第二安全初步修正结果；
基于预设的数据融合策略，对所述第一安全初步修正结果和所述第二安全初步修正结果进行数据融合，得到目标修正结果；
根据所述目标修正结果，对所述第二数据进行修正，得到修正后的第二数据。
可选的，在本发明第一方面的第四种实现方式中，所述预设的标准值包括在最佳安全状态下的实际环境风险指标、实际历史风险模式指标、实际人员安全指标、实际设施运行效率指标、实际建筑物风险等级、实际响应能力指标。
本发明第二方面提供了一种基于多模态AI大模型的智慧消防管理系统，所述基于多模态AI大模型的智慧消防管理系统包括：
采集模块，用于采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据；其中，所述第一数据至少包括物品布局数据、环境数据、区域人员密度数据，所述第二数据至少包括消防设备数据；
预测模块，用于将所述第一数据输入至消防风险评估模型中，得到消防风险预测值；其中，所述消防风险评估模型为预先构建的多模态AI大模型；
修正模块，用于基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据；
计算模块，用于计算第一消防监控区域和第二消防监控区域的风险相关度，得到目标风险相关系数；
输入模块，用于将所述目标风险相关系数和所述修正后的第二数据输入至消防响应策略模型，得到对应的消防响应策略；其中，所述消防响应策略模型经过提前训练得到；
选取模块，用于基于所述消防响应策略，从第一消防监控区域和第二消防监控区域中选取具有最高风险的监控区域作为重点监控对象。
本发明第三方面提供了一种基于多模态AI大模型的智慧消防管理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于多模态AI大模型的智慧消防管理设备执行上述的基于多模态AI大模型的智慧消防管理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于多模态AI大模型的智慧消防管理方法。
本发明提供的技术方案中，有益效果：本发明提供一种基于多模态AI大模型的智慧消防管理方法及系统，通过采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据；将所述第一数据输入至消防风险评估模型中，得到消防风险预测值；基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据；计算第一消防监控区域和第二消防监控区域的风险相关度，得到目标风险相关系数；将所述目标风险相关系数和所述修正后的第二数据输入至消防响应策略模型，得到对应的消防响应策略；基于所述消防响应策略，从第一消防监控区域和第二消防监控区域中选取具有最高风险的监控区域作为重点监控对象。本发明通过整合多种数据源，能够提供更为全面和精准的消防风险评估。基于多模态AI大模型的分析结果，本发明能够制定出针对性的消防响应策略，快速准确地针对高风险区域进行资源调配和预警，提高消防管理的响应速度和效率。本发明通过对风险相关度的分析，能够实现消防资源的优化配置，确保在有限的资源条件下最大化消防管理的效果，提高资源利用率。
附图说明
图1为本发明实施例中基于多模态AI大模型的智慧消防管理方法的一个实施例示意图；
图2为本发明实施例中基于多模态AI大模型的智慧消防管理系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于多模态AI大模型的智慧消防管理方法及系统。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于多模态AI大模型的智慧消防管理方法的一个实施例包括：
步骤101、采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据；其中，所述第一数据至少包括物品布局数据、环境数据、区域人员密度数据，所述第二数据至少包括消防设备数据；
可以理解的是，本发明的执行主体可以为基于多模态AI大模型的智慧消防管理系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，步骤101的具体实现如下：
采集与第一消防监控区域相关的第一数据：
a. 物品布局数据采集：利用高分辨率摄像头或激光扫描仪等装置，对第一消防监控区域内的物品布局进行实时采集与记录。物品布局数据包括物体类型、位置、大小等信息。
b. 环境数据采集：通过传感器（如温度传感器、湿度传感器等），实时采集第一消防监控区域内的环境数据，包括温度、湿度、气体浓度等相关信息。
c. 区域人员密度数据采集：利用视频监控摄像头或红外传感器等装置，对第一消防监控区域内的人员密度进行实时监测与数据采集。
采集与第二消防监控区域相关的第二数据：
a. 消防设备数据采集：通过传感器或设备状态监测系统，实时采集第二消防监控区域内的消防设备数据，包括消防栓、灭火器、烟雾报警器等的位置、状态、运行情况等信息。
划分第一消防监控区域与第二消防监控区域的目的：
区分监控范围：第一消防监控区域和第二消防监控区域拥有不同的消防风险、设备布置等情况，因此需要分开管理和监控。
针对不同需求：第一消防监控区域包括疏散通道、人员密集区域等需要重点关注的区域，而第二消防监控区域包括消防设备集中区域等特定需求。
采集第一数据至少包括物品布局数据、环境数据、区域人员密度数据的目的：
物品布局数据：了解消防监控区域内的物品布局有助于确定潜在的火灾点、疏散通道和物品燃烧性质，从而制定更合适的灭火方案。
环境数据：监测环境数据可以及时发现温度升高、气体浓度异常等火灾前兆，提高火灾预警和处理的及时性。
区域人员密度数据：了解人员密度有助于评估疏散情况和可能的人员伤亡风险，指导疏散和救援工作。
采集所述第二数据至少包括消防设备数据的目的：
确保设备运行：实时监测消防设备状态可以确保消防设备处于可用状态，保障火灾事件时的快速响应。
设备位置信息：了解消防设备的位置和类型有助于准确定位适用的灭火措施和工具，提高火灾处理的效率和准确性。
设备运行状况：监控消防设备的运行情况可以及时发现设备故障或损坏，避免在关键时刻无法正常使用。
步骤102、将所述第一数据输入至消防风险评估模型中，得到消防风险预测值；其中，所述消防风险评估模型为预先构建的多模态AI大模型；
具体的，步骤102的具体实现如下：
将所述第一数据输入至消防风险评估模型中：
a. 实时传输数据：通过网络通信技术将采集到的第一数据传输至消防风险评估模型所在的计算设备。
b. 数据预处理：对输入的第一数据进行预处理，包括数据清洗、特征提取、标准化等操作，以保证数据的质量和准确性。
c. 模型输入：将预处理后的第一数据作为输入，输入至预先构建的多模态AI大模型中进行消防风险评估。
得到消防风险预测值：
a. 模型计算：AI大模型利用输入的第一数据，在多模态融合的框架下进行计算和学习，以得到消防风险的预测值。
b. 预测结果输出：模型输出消防风险的预测值，可能是概率值、得分值或分类标签，用于指导消防应急响应决策。
举例说明：将采集到的第一数据包括物品布局数据、环境数据、区域人员密度数据导入到基于深度学习和多模态融合技术构建的消防风险评估AI模型中。模型经过训练学习后，可以提供消防风险的预测值，例如高、中、低风险等级，帮助消防人员做出有效的预防和处置措施。
步骤103、基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据；
具体的，步骤103的具体实现如下：
基于消防风险预测值对第二数据进行修正处理：
风险级别映射：将消防风险评估模型输出的预测值映射为相应的风险级别，如高、中、低风险等级。
修正规则制定：根据不同风险级别，确定修正规则，包括加强、减弱消防设备部署、检修、预警设置等操作。
数据修正处理：根据修正规则对第二数据进行相应的修正处理，调整消防设备的布置、状态、参数等信息。
举例说明：根据消防风险预测值，如果某区域被评估为高风险区域，则需要对该区域的消防设备进行加强部署和检修，设置更加灵敏的预警系统。相反，如果某区域被评估为低风险区域，则可以适度减少消防设备数量或降低警戒级别。
步骤104、计算第一消防监控区域和第二消防监控区域的风险相关度，得到目标风险相关系数；
具体的，步骤104的具体实现如下：
计算第一消防监控区域和第二消防监控区域的风险相关度：
数据准备：提取第一消防监控区域和第二消防监控区域的相关数据，包括消防设备布置、环境特征、人员密度等信息。
特征提取：从提取的数据中提取有效特征，如消防设备部署密集程度、环境气温湿度、人员密集度等特征。
风险相关度计算：利用机器学习算法或专门设计的模型，计算第一消防监控区域和第二消防监控区域之间的风险相关度，确定它们之间的联系程度。
得到目标风险相关系数后，基于计算得到的第一消防监控区域和第二消防监控区域的风险相关度，进行评估和分析，确定它们之间的影响程度。
目标风险相关系数计算：结合相关度评估结果，得出目标风险相关系数，用于评估两个监控区域之间的风险联系程度。
举例说明：通过对第一消防监控区域和第二消防监控区域的消防设备部署情况、环境特征等数据进行处理和计算，得出两个区域之间的风险相关度。进一步评估这种关系的重要程度，并计算出目标风险相关系数，用于指导消防资源的合理调配和风险管控。
步骤105、将所述目标风险相关系数和所述修正后的第二数据输入至消防响应策略模型，得到对应的消防响应策略；其中，所述消防响应策略模型经过提前训练得到；
具体的，步骤105的具体实现如下：
将目标风险相关系数和修正后的第二数据输入至消防响应策略模型：
数据输入准备：将计算得到的目标风险相关系数和修正后的第二数据进行格式化处理，以便与消防响应策略模型对接。
模型输入：将处理后的数据输入经过提前训练的消防响应策略模型，该模型已经通过大量数据进行训练和优化，能够根据输入的数据给出相应的消防响应策略。
得到对应的消防响应策略：
模型计算：消防响应策略模型根据输入的目标风险相关系数和修正后的第二数据进行计算和分析，综合考虑不同因素给出相应的消防响应策略。
策略输出：模型输出对应的消防响应策略，可能包括加强巡查频率、增派人员力量、调整预警级别等具体措施，以应对各种消防风险情况。
举例说明：通过将经过计算和修正的数据输入消防响应策略模型，模型能够根据提前训练得到的规则和算法，综合考虑风险相关性和数据信息，给出针对性的消防响应策略。比如，在高风险相关度和修正后的第二数据指示下，模型可能推荐加强巡查频率和提升预警级别。
步骤106、基于所述消防响应策略，从第一消防监控区域和第二消防监控区域中选取具有最高风险的监控区域作为重点监控对象。
具体的，步骤106的具体实现如下：
基于消防响应策略选取重点监控对象：
策略分析：根据消防响应策略中给出的具体措施和建议，分析第一消防监控区域和第二消防监控区域的各个监控区域的风险情况。
风险评估：评估各监控区域的风险等级，结合消防响应策略中的指引，确定具有最高风险的监控区域。
选取重点监控对象：
最高风险监控区域选取：从第一消防监控区域和第二消防监控区域中，选取具有最高风险的监控区域作为重点监控对象。
重点监控对象确定：确定最高风险监控区域，并确认其为重点监控对象，需重点加强监测、管理和干预措施。
举例说明：根据消防响应策略中的指引和具体措施，经过风险评估和分析，确定第一消防监控区域和第二消防监控区域中具有最高风险的监控区域，将其选取为重点监控对象。例如，根据策略推荐的加强巡查频率和增派人员等措施，确定某监控区域风险最高，成为重点监控对象。
本发明实施例中基于多模态AI大模型的智慧消防管理方法的另一个实施例包括：
所述采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据的步骤之前，包括：
获取与第一消防监控区域相关的第一训练数据；其中，第一训练数据包括训练物品布局数据、训练环境数据、训练区域人员密度数据，以及对消防设备的影响标签结果；
将所述第一训练数据输入至初始消防风险评估模型中，预测得到对消防设备的影响预测结果；
计算影响标签结果与影响预测结果之间的损失值，并迭代调整初始消防风险评估模型的模型参数，以最小化所述损失值，得到消防风险评估模型。
具体的，术语解释
消防风险评估模型：一种利用AI技术分析和预测消防风险的模型，通过处理消防相关数据（如环境数据、人员密度等），预测消防设备可能面临的风险。
训练物品布局数据：指的是在特定区域内物品摆放的数据，这些数据反映了物品布局对火灾风险的潜在影响。
训练环境数据：涵盖特定区域的环境参数，如温度、湿度等，这些因素可能影响火灾发生和蔓延的速度。
训练区域人员密度数据：指的是在特定区域内的人员分布和数量，密集的人员分布可能增加火灾时的疏散难度和风险。
影响标签结果：是对消防设备可能面临的风险进行标记的结果，用于训练消防风险评估模型。
应用场景
商业建筑消防管理：在商场、办公楼等大型建筑中，使用此技术方案对消防风险进行动态评估，提前预防火灾事故。
公共安全监控：在公共场所（如车站、机场）利用此技术方案，实时监控火灾风险，确保人员安全。
智慧城市应急管理：在智慧城市的应急管理系统中，利用此技术方案进行火灾风险预测和响应，提高城市应急处理能力。
有益效果：
准确性提高：通过对大量训练数据的分析和学习，消防风险评估模型能够更准确地预测火灾风险，为防火措施提供科学依据。
实时性能优化：该技术方案能够实时分析和响应环境变化，快速调整风险评估，以适应不断变化的消防安全需求。
预防性管理强化：通过预测潜在的火灾风险，该技术方案有助于实施更有效的预防措施，减少火灾发生的可能性。
资源优化分配：根据模型预测的风险级别，可以更有效地分配消防资源，如人员部署、消防器材的分布等。
本发明实施例中基于多模态AI大模型的智慧消防管理方法的另一个实施例包括：
所述采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据的步骤之前，包括：
收集与消防安全相关的多源数据，将所述多源数据输入至初始构建的混合大模型中；其中，所述多源数据至少包括历史火灾数据、实时环境监测数据、建筑内人员密度和分布数据、安全设备状态数据，以及消防演练反馈数据；所述初始构建的混合大模型由环境监测子模型、历史火灾分析子模型、人员安全评估子模型、消防设施状态监测子模型、建筑特性分析子模型、消防响应模拟子模型组成，每个子模型侧重于不同的消防数据评估维度；
基于环境监测子模型，通过解析实时环境监测数据，预测导致火灾的高危环境条件，输出环境风险指标；
基于历史火灾分析子模型，通过分析历史火灾数据，识别火灾发生的模式和常见原因，输出历史风险模式指标；
基于人员安全评估子模型，根据建筑内人员密度和分布数据，评估在火灾情况下的人员疏散难度，输出人员安全指标；
通过消防设施状态监测子模型，解析安全设备状态数据，监测消防设备的工作状态，确保实时反应能力，输出设施运行效率指标；
通过建筑特性分析子模型，解析建筑物的结构和材料信息，评估火灾蔓延的潜在风险，输出建筑物风险等级；
通过消防响应模拟子模型，解析消防演练反馈数据，模拟火灾发生时的应急响应流程，预测响应效率，输出响应能力指标；
从多源数据中提取的预设的标准值；并根据构建的多模态AI大模型中各个子模型的输出与预设的标准值之间的差异，计算误差值；其中，所述误差值为预测指标与实际标准指标的偏差；
基于预设的优化策略，逐步调整多模态AI大模型中各个子模型的参数，以最小化各项误差值，完成混合大模型的训练；其中，训练完成的混合大模型用于对各个消防监控区域进行多维度的消防数据评估。
具体的，术语解释
混合大模型：指一个综合了多个子模型，每个子模型专注于消防安全的不同维度（如环境监测、人员安全等）的复合型人工智能模型。
多源数据：来自多个来源的数据，包含历史火灾数据、实时环境监测数据、人员密度和分布数据、安全设备状态数据以及消防演练反馈数据，用以全面评估消防风险。
环境风险指标：根据实时环境监测数据预测的，可能导致火灾发生的环境条件风险水平。
历史风险模式指标：通过分析历史火灾数据识别的，火灾发生的模式和原因。
人员安全指标：根据建筑内人员分布评估的，在火灾情况下人员疏散的难易程度。
设施运行效率指标：通过监测当前消防设备状态得出的，设备工作状态和实时反应能力的指标。
建筑物风险等级：通过分析建筑物的结构和材料信息评估的，火灾蔓延潜在风险。
响应能力指标：通过模拟火灾应急响应流程预测的，火灾发生时的响应效率和能力。
应用场景
智能建筑管理系统：在智能建筑和楼宇中集成混合大模型，对建筑内部的消防安全进行实时监控和风险评估，提前预警潜在火灾风险。
城市消防安全监控中心：城市级别的消防安全监控中心利用混合大模型对全市范围的消防风险进行动态监控和管理，提高城市消防安全管理的效率和效果。
工业安全监管：在工业园区部署该技术方案，利用实时监控和历史风险分析优化生产环境，确保工业安全，降低事故发生率。
技术方案的进一步拓展和细化
跨域数据整合能力强化：进一步整合更广泛的数据源，如社会媒体数据、交通流量信息等，提高模型的预测准确度和全面性。
实时数据分析与处理优化：采用更高效的数据处理技术和算法，提升系统处理实时环监数据的能力，以便迅速响应突发情况。
个性化风险评估模型构建：根据不同类型的建筑物、使用性质和区域特点，开发更加精细化、个性化的风险评估模型，以满足特定需求。
智能决策支持系统集成：将混合大模型与智能决策支持系统集成，提供更具操作性的消防安全管理建议和决策依据。
有益效果
风险预警与早期发现：通过实时环境监测和历史数据分析，混合大模型能够实现对潜在火灾风险的早期识别和预警，提前采取预防措施减少损失。
综合风险评估：结合多源数据和多维度指标，全面评估消防风险，保障人员安全和财产安全。
响应效率提升：通过模拟火灾应急响应流程，评估和优化消防响应计划，提高了火灾发生时的应急响应能力和效率。
资源优化配置：根据各个子模型输出的指标，指导消防资源（如人员部署、消防器材分配等）的优化配置，提升消防资源使用的效率和有效性。
本发明实施例中基于多模态AI大模型的智慧消防管理方法的另一个实施例包括：
所述基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据，包括：
基于预设的第一修正规则，构建所述第一数据与所述第二数据之间的第一数据修正模型；
基于预设的第二修正规则，构建消防风险预测值与所述第二数据之间的第二数据修正模型；
通过所述第一数据修正模型对所述第二数据进行第一修正，得到第一安全初步修正结果；
通过所述第二数据修正模型对所述第二数据进行第二修正，得到第二安全初步修正结果；
基于预设的数据融合策略，对所述第一安全初步修正结果和所述第二安全初步修正结果进行数据融合，得到目标修正结果；
根据所述目标修正结果，对所述第二数据进行修正，得到修正后的第二数据。
具体的，重要术语的解释：
第一数据与第二数据：这些术语分别指的是与消防监控区域相关的不同类型的数据。第一数据可能涉及初始监测参数，而第二数据可能体现了在特定时间段内的环境或设备状况变化。
数据修正模型：此类模型旨在根据既定规则或预测值调整和优化数据，以更准确地反映实际情况或预测结果，从而提高数据质量或预测的准确性。
数据融合策略：指的是将来自不同源的数据或修正结果结合起来的方法，旨在提高决策或分析的准确度和可靠性。
应用场景
智能消防系统：在智能化消防管理平台中应用此技术，通过动态调整和优化监控数据，提高系统对火灾等紧急情况预测和响应的准确性和效率。
建筑物安全监管：在商业大厦、住宅区等建筑物中，通过定期和实时的数据修正过程，确保消防系统的数据反映真实的环境状态，从而优化防火监控策略。
技术方案的进一步拓展和细化：
增强数据修正模型的自适应性：开发能够基于不断变化的环境条件和数据模式自我调整参数的数据修正模型，以适应多变的消防场景和监测条件。
融合更多数据源：扩展数据修正模型，将来自物联网设备、社交媒体分析以及卫星监测的数据纳入考虑，以提供更全面的监控和评估基础。
实时数据修正与反馈机制：建立一个实时数据监测、修正和反馈机制，以便即时检测数据异常并进行修正，确保消防管理系统反应的即时性和准确性。
有益效果：
提高预测精度：通过对监控数据的实时修正，消除数据偏差和误差，从而提升消防风险预测的准确度，降低潜在的安全风险。
优化资源分配：准确的数据修正结果能够为消防资源的优化分配提供依据，确保在需要时能够快速有效地调动消防资源。
增加系统响应速度：通过实时数据修正，智慧消防管理系统能够更快地对潜在的火灾风险做出响应，减少对人员和财产的损害。
提升安全管理的智能化水平：该技术方案通过融合AI与大数据处理，显著提升消防安全监控和管理的智能化水平，有效提高了消防安全管理的科技含量和未来适应性。
本发明实施例中基于多模态AI大模型的智慧消防管理方法的另一个实施例包括：
所述预设的标准值包括在最佳安全状态下的实际环境风险指标、实际历史风险模式指标、实际人员安全指标、实际设施运行效率指标、实际建筑物风险等级、实际响应能力指标。
上面对本发明实施例中基于多模态AI大模型的智慧消防管理方法进行了描述，下面对本发明实施例中基于多模态AI大模型的智慧消防管理系统进行描述，请参阅图2，本发明实施例中基于多模态AI大模型的智慧消防管理系统一个实施例包括：
采集模块，用于采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据；其中，所述第一数据至少包括物品布局数据、环境数据、区域人员密度数据，所述第二数据至少包括消防设备数据；
预测模块，用于将所述第一数据输入至消防风险评估模型中，得到消防风险预测值；其中，所述消防风险评估模型为预先构建的多模态AI大模型；
修正模块，用于基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据；
计算模块，用于计算第一消防监控区域和第二消防监控区域的风险相关度，得到目标风险相关系数；
输入模块，用于将所述目标风险相关系数和所述修正后的第二数据输入至消防响应策略模型，得到对应的消防响应策略；其中，所述消防响应策略模型经过提前训练得到；
选取模块，用于基于所述消防响应策略，从第一消防监控区域和第二消防监控区域中选取具有最高风险的监控区域作为重点监控对象。
本发明还提供一种基于多模态AI大模型的智慧消防管理设备，所述基于多模态AI大模型的智慧消防管理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于多模态AI大模型的智慧消防管理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于多模态AI大模型的智慧消防管理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以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）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于多模态AI大模型的智慧消防管理方法，其特征在于，包括以下步骤：
采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据；其中，所述第一数据至少包括物品布局数据、环境数据、区域人员密度数据，所述第二数据至少包括消防设备数据；
将所述第一数据输入至消防风险评估模型中，得到消防风险预测值；其中，所述消防风险评估模型为预先构建的多模态AI大模型；
基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据；
计算第一消防监控区域和第二消防监控区域的风险相关度，得到目标风险相关系数；
将所述目标风险相关系数和所述修正后的第二数据输入至消防响应策略模型，得到对应的消防响应策略；其中，所述消防响应策略模型经过提前训练得到；
基于所述消防响应策略，从第一消防监控区域和第二消防监控区域中选取具有最高风险的监控区域作为重点监控对象；
所述基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据，包括：
基于预设的第一修正规则，构建所述第一数据与所述第二数据之间的第一数据修正模型；
基于预设的第二修正规则，构建消防风险预测值与所述第二数据之间的第二数据修正模型；其中，所述第一数据修正模型与所述第二数据修正模型用于基于不断变化的环境条件和数据模式自动调整参数，以适应多变的消防场景和监测条件；
通过所述第一数据修正模型对所述第二数据进行第一修正，得到第一安全初步修正结果；
通过所述第二数据修正模型对所述第二数据进行第二修正，得到第二安全初步修正结果；
基于预设的数据融合策略，对所述第一安全初步修正结果和所述第二安全初步修正结果进行数据融合，得到目标修正结果；
根据所述目标修正结果，对所述第二数据进行修正，得到修正后的第二数据。
2.根据权利要求1所述的基于多模态AI大模型的智慧消防管理方法，其特征在于，所述采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据的步骤之前，包括：
获取与第一消防监控区域相关的第一训练数据；其中，第一训练数据包括训练物品布局数据、训练环境数据、训练区域人员密度数据，以及对消防设备的影响标签结果；
将所述第一训练数据输入至初始消防风险评估模型中，预测得到对消防设备的影响预测结果；
计算影响标签结果与影响预测结果之间的损失值，并迭代调整初始消防风险评估模型的模型参数，以最小化所述损失值，得到消防风险评估模型。
3.根据权利要求1所述的基于多模态AI大模型的智慧消防管理方法，所述采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据的步骤之前，包括：
收集与消防安全相关的多源数据，将所述多源数据输入至初始构建的混合大模型中；其中，所述多源数据至少包括历史火灾数据、实时环境监测数据、建筑内人员密度和分布数据、安全设备状态数据，以及消防演练反馈数据；所述初始构建的混合大模型由环境监测子模型、历史火灾分析子模型、人员安全评估子模型、消防设施状态监测子模型、建筑特性分析子模型、消防响应模拟子模型组成，每个子模型侧重于不同的消防数据评估维度；
基于环境监测子模型，通过解析实时环境监测数据，预测导致火灾的高危环境条件，输出环境风险指标；
基于历史火灾分析子模型，通过分析历史火灾数据，识别火灾发生的模式和常见原因，输出历史风险模式指标；
基于人员安全评估子模型，根据建筑内人员密度和分布数据，评估在火灾情况下的人员疏散难度，输出人员安全指标；
通过消防设施状态监测子模型，解析安全设备状态数据，监测消防设备的工作状态，确保实时反应能力，输出设施运行效率指标；
通过建筑特性分析子模型，解析建筑物的结构和材料信息，评估火灾蔓延的潜在风险，输出建筑物风险等级；
通过消防响应模拟子模型，解析消防演练反馈数据，模拟火灾发生时的应急响应流程，预测响应效率，输出响应能力指标；
从多源数据中提取的预设的标准值；并根据构建的多模态AI大模型中各个子模型的输出与预设的标准值之间的差异，计算误差值；其中，所述误差值为预测指标与实际标准指标的偏差；
基于预设的优化策略，逐步调整多模态AI大模型中各个子模型的参数，以最小化各项误差值，完成混合大模型的训练；其中，训练完成的混合大模型用于对各个消防监控区域进行多维度的消防数据评估。
4.根据权利要求3所述的基于多模态AI大模型的智慧消防管理方法，所述预设的标准值包括在最佳安全状态下的实际环境风险指标、实际历史风险模式指标、实际人员安全指标、实际设施运行效率指标、实际建筑物风险等级、实际响应能力指标。
5.一种基于多模态AI大模型的智慧消防管理系统，其特征在于，所述基于多模态AI大模型的智慧消防管理系统包括：
采集模块，用于采集与第一消防监控区域相关的第一数据以及与第二消防监控区域相关的第二数据；其中，所述第一数据至少包括物品布局数据、环境数据、区域人员密度数据，所述第二数据至少包括消防设备数据；
预测模块，用于将所述第一数据输入至消防风险评估模型中，得到消防风险预测值；其中，所述消防风险评估模型为预先构建的多模态AI大模型；
修正模块，用于基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据；
计算模块，用于计算第一消防监控区域和第二消防监控区域的风险相关度，得到目标风险相关系数；
输入模块，用于将所述目标风险相关系数和所述修正后的第二数据输入至消防响应策略模型，得到对应的消防响应策略；其中，所述消防响应策略模型经过提前训练得到；
选取模块，用于基于所述消防响应策略，从第一消防监控区域和第二消防监控区域中选取具有最高风险的监控区域作为重点监控对象；
所述基于所述消防风险预测值，对所述第二数据进行修正处理，得到修正后的第二数据，包括：
基于预设的第一修正规则，构建所述第一数据与所述第二数据之间的第一数据修正模型；
基于预设的第二修正规则，构建消防风险预测值与所述第二数据之间的第二数据修正模型；其中，所述第一数据修正模型与所述第二数据修正模型用于基于不断变化的环境条件和数据模式自动调整参数，以适应多变的消防场景和监测条件；
通过所述第一数据修正模型对所述第二数据进行第一修正，得到第一安全初步修正结果；
通过所述第二数据修正模型对所述第二数据进行第二修正，得到第二安全初步修正结果；
基于预设的数据融合策略，对所述第一安全初步修正结果和所述第二安全初步修正结果进行数据融合，得到目标修正结果；
根据所述目标修正结果，对所述第二数据进行修正，得到修正后的第二数据。
6.一种基于多模态AI大模型的智慧消防管理设备，其特征在于，所述基于多模态AI大模型的智慧消防管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于多模态AI大模型的智慧消防管理设备执行如权利要求1-4中任一项所述的基于多模态AI大模型的智慧消防管理方法。
7.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的基于多模态AI大模型的智慧消防管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410307263.0A CN117910811B (zh) | 2024-03-18 | 2024-03-18 | 基于多模态ai大模型的智慧消防管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410307263.0A CN117910811B (zh) | 2024-03-18 | 2024-03-18 | 基于多模态ai大模型的智慧消防管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117910811A CN117910811A (zh) | 2024-04-19 |
| CN117910811B true CN117910811B (zh) | 2024-05-28 |
Family
ID=90682329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410307263.0A Active CN117910811B (zh) | 2024-03-18 | 2024-03-18 | 基于多模态ai大模型的智慧消防管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117910811B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920670A (zh) * | 2021-09-14 | 2022-01-11 | 烟台艾睿光电科技有限公司 | 消防安全监控方法、装置及系统、消防监控设备及介质 |
| CA3134230A1 (en) * | 2020-10-13 | 2022-04-13 | Emrgtech IQ, Inc. d/b/a FacilitiesIQ | Digitized automatic, fire, smoke, and egress door inspection system and methods |
| CN114386845A (zh) * | 2022-01-13 | 2022-04-22 | 江苏柯创城市技术有限公司 | 一种基于bim的智能商场消防监控处理系统 |
| CN115146540A (zh) * | 2022-07-23 | 2022-10-04 | 广东中测标准技术有限公司 | 体育场馆的消防风险仿真方法、系统、设备和存储介质 |
| CN115394033A (zh) * | 2022-08-26 | 2022-11-25 | 华能核能技术研究院有限公司 | 用于核电厂的智慧消防方法和装置 |
| CN116966468A (zh) * | 2023-07-24 | 2023-10-31 | 吉林省红英消防物联网科技股份有限公司 | 智慧消防设备监管系统 |
| CN117172969A (zh) * | 2023-08-25 | 2023-12-05 | 深圳市铁保宏泰保安服务有限公司 | 一种物业消防智慧管理方法及装置 |
| CN117371872A (zh) * | 2023-11-22 | 2024-01-09 | 宁波高专建设监理有限公司 | 一种智慧建筑智能管理方法及平台 |
| CN117649130A (zh) * | 2024-01-29 | 2024-03-05 | 深圳天益建设工程有限公司 | 智能消防安全监控系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114971409A (zh) * | 2022-06-28 | 2022-08-30 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市火灾监控预警方法及系统 |
-
2024
- 2024-03-18 CN CN202410307263.0A patent/CN117910811B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3134230A1 (en) * | 2020-10-13 | 2022-04-13 | Emrgtech IQ, Inc. d/b/a FacilitiesIQ | Digitized automatic, fire, smoke, and egress door inspection system and methods |
| CN113920670A (zh) * | 2021-09-14 | 2022-01-11 | 烟台艾睿光电科技有限公司 | 消防安全监控方法、装置及系统、消防监控设备及介质 |
| CN114386845A (zh) * | 2022-01-13 | 2022-04-22 | 江苏柯创城市技术有限公司 | 一种基于bim的智能商场消防监控处理系统 |
| CN115146540A (zh) * | 2022-07-23 | 2022-10-04 | 广东中测标准技术有限公司 | 体育场馆的消防风险仿真方法、系统、设备和存储介质 |
| CN115394033A (zh) * | 2022-08-26 | 2022-11-25 | 华能核能技术研究院有限公司 | 用于核电厂的智慧消防方法和装置 |
| CN116966468A (zh) * | 2023-07-24 | 2023-10-31 | 吉林省红英消防物联网科技股份有限公司 | 智慧消防设备监管系统 |
| CN117172969A (zh) * | 2023-08-25 | 2023-12-05 | 深圳市铁保宏泰保安服务有限公司 | 一种物业消防智慧管理方法及装置 |
| CN117371872A (zh) * | 2023-11-22 | 2024-01-09 | 宁波高专建设监理有限公司 | 一种智慧建筑智能管理方法及平台 |
| CN117649130A (zh) * | 2024-01-29 | 2024-03-05 | 深圳天益建设工程有限公司 | 智能消防安全监控系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117910811A (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766909A (zh) | 适用于舰船消防安全的智能管控系统及方法、计算机介质 | |
| CN116862199A (zh) | 基于大数据和云计算的建筑施工优化系统 | |
| CN110555617A (zh) | 一种基于物联网的建筑火灾风险实时动态定量评估方法 | |
| KR101652099B1 (ko) | 위험지도 기반 사고대응 및 사고예방 시스템 | |
| Jocelyn et al. | Contribution of dynamic experience feedback to the quantitative estimation of risks for preventing accidents: A proposed methodology for machinery safety | |
| Wang et al. | A framework for human error risk analysis of coal mine emergency evacuation in China | |
| CN114665608B (zh) | 用于变电站的智能感知巡检系统及方法 | |
| CN111178828A (zh) | 一种建筑消防安全预警的方法和系统 | |
| CN116480412A (zh) | 矿井灾害救援方法及装置 | |
| Piao et al. | Dynamic fall risk assessment framework for construction workers based on dynamic Bayesian network and computer vision | |
| KR20170081880A (ko) | 선박 건조 현장의 안전 관리 정보 자동 생성 시스템 및 방법 | |
| CN114997754A (zh) | 基于云模型及熵权法的应急预案分析方法及装置 | |
| CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
| Lu et al. | Using cased based reasoning for automated safety risk management in construction industry | |
| CN117910811B (zh) | 基于多模态ai大模型的智慧消防管理方法及系统 | |
| CN117423201A (zh) | 一种餐厅智能化消防状态监测方法及系统 | |
| CN114519834A (zh) | 一种高层火灾隐患预警方法、装置及应用 | |
| CN117853078B (zh) | 基于无人机的建筑工程施工现场动态安全报警系统及方法 | |
| CN117523499B (zh) | 基于北斗定位与感知的森林防火监测方法及系统 | |
| CN108363371B (zh) | 一种大型建筑用联合控制系统 | |
| CN116899158A (zh) | 一种基于数据采集形成多级灭火力量的联动方法和系统 | |
| CN117788223A (zh) | 一种基于多数据融合的建筑施工管理方法 | |
| Liu et al. | Intelligent early warning of on-site safety of infrastructure projects based on dynamic risk factor identification | |
| WO2022248932A1 (en) | System for making risk reduction protocol in oil and gas industry tanks | |
| Khahro et al. | Use of Artificial Intelligence in Occupational Health and Safety in Construction Industry: A Proposed Framework for Saudi Arabia |
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 |