一种基于深度学习的消防风险智能评估方法和系统技术方案

本申请实施例提供一种基于深度学习的消防风险智能评估方法和系统。该方法包括：在待评估场所设置多个传感器，传感器之间通信连接；在初始化时，每个传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断消防标识特征和消防设施特征是否符合预设消防标准；在消防标识特征和消防设施特征符合预设消防标准的情况下，记录每个消防标识和和消防设施的初始状态；传感器按照预设时间间隔对消防标识和消防设施进行采集，并判断状态是否发生改变；在消防标识和消防设施的状态发生改变时，将当前消防标识和消防设施的状态导入深度学习模型，得到第一消防风险评估结果。本申请通过提高了消防风险评估的准确性和持续性。

【技术实现步骤摘要】
一种基于深度学习的消防风险智能评估方法和系统
本申请涉及智能监控领域，尤其涉及一种基于深度学习的消防风险智能评估方法和系统。
技术介绍
目前，消防风险评估过程中，主要是通过消防管理部门人工定期对消防风险评估目标的各个要素进行检查评估，这样带来两个问题：一方面，人工检查评估的准确性不高，评估人员业务水平不同，对消防风险的识别能力也不同，衡量尺度的不同带来风险评估的不公允，而且也耗费了大量的人力；另一方面，人工检查评估的持续监督效果性不强，由于定期对消防风险进行评估，而不是实时进行评估，这就造成评估目标可能不是在所有时点都能保持消防风险的合格状态。例如，有的商户可能为了迎接消防风险评估，在评估人员检查评估时将各类消防设施布置到位，消防隐患暂时移除，待评估人员检查评估之后，又将消防设施移除，消防隐患死灰复燃。这种消防风险评估方式，并没有彻底清除消防隐患，没有实现消防评估的本意。因此，亟须一种能够智能、实时进行消防风险评估的方法和系统。
技术实现思路
有鉴于此，本申请的目的在于提出一种基于深度学习的消防风险智能评估方法和系统，提高消防评估效率，解决目前消防评估中，不能统一评估尺度，不能持续监督评估对象的技术问题。基于上述目的，本申请提出了一种基于深度学习的消防风险智能评估方法和系统，包括：在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。在一些实施例中，所述方法还包括：在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求；邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果；结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。在一些实施例中，所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态，包括：所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。在一些实施例中，所述视觉传感器根据所述消防设施的类型和位置向物理传感器发送存活检测信号，判断所述物理传感器是否正常工作。在一些实施例中，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准，包括：输入所述深度学习模型的所述消防标识特征为一个形如＜fid，text，img，pos＞的四元组，其中fid为所述消防标识的标识码，text为所述视觉标识中的文字，img为所述视觉表示中的图案，pos为所述视觉标识的张贴位置；输入所述深度学习模型的所述消防设施特征为一个形如＜sid，pos，{p1，p2…pn}＞的三元组，其中sid为所述消防设施的标识码，pos为所述消防设施的安装位置，{p1，p2…pn}为所述消防设施的物理技术参数集合，n表示所述消防设施的物理技术参数项数。在一些实施例中，所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变，包括：在所述视觉传感器视觉采集消防标识或消防设施图像过程中，如果所述消防标识或消防设施存在遮挡，则等待指定时间后，再次对所述消防标识或消防设施进行视觉采集；如果在指定等待次数后所述消防标识或消防设施仍然存在遮挡，向邻近视觉传感器发送协查请求；所述邻近视觉传感器检查所述消防标识或消防设施是否存在遮挡，并将结果返回至所述视觉传感器；所述视觉传感器结合所述邻近视觉传感器返回的结果，生成所述消防标识或消防设备的采集结果。基于上述目的，本申请还提出了一种基于深度学习的消防风险智能评估系统，包括：设置模块，用于在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；初始模块，用于在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；采集模块，用于在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；第一评估模块，用于在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。在一些实施例中，所述系统还包括：协查模块，用于在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求；第二评估模块，用于邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果；结合判断模块，用于结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。在一些实施例中，所述设置模块，包括：视觉传感单元，用于所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；物理传感单元，用于所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。在一些实施例中，所述采集模块，包括：再次采集单元，用于在所述视觉传感器视觉采集消防标识或消防设施图像过程中，如果所述消防标识或消防设施存在遮挡，则等待指定时间后，再次对所述消防标识或消防设施进行视觉采集；协查单元，用于如果在指定等待次数后所述消防本文档来自技高网...

【技术保护点】
1.一种基于深度学习的消防风险智能评估方法，其特征在于，包括：/n在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；/n在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；/n在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；/n在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。/n

【技术特征摘要】
1.一种基于深度学习的消防风险智能评估方法，其特征在于，包括：
在待评估场所设置多个传感器，所述传感器之间通信连接，所述传感器和评估中心之间通过通信连接；所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态；
在初始化时，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准；所述消防标识特征包括消防标识的图案、文字和位置；所述消防设施特征包括消防设施的位置、物理技术参数；
在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，记录每个所述消防标识和和消防设施的初始状态；所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变；
在所述消防标识和消防设施的状态发生改变时，将当前所述消防标识和消防设施的状态导入所述深度学习模型，得到第一消防风险评估结果。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述消防标识特征和所述消防设施特征符合预设消防标准的情况下，向邻近的传感器发送针对指定目标的协查请求；
邻近的传感器接收到所述协查请求后，对所述指定目标进行状态采集，并导入所述深度学习模型，得到第二消防风险评估结果；
结合所述第一消防分线评估结果和所述第二消防风险评估结果，判断所述待评估场所消防风险水平是否达标。


3.根据权利要求1所述的方法，其特征在于，所述传感器包括视觉传感器和物理传感器，采集所述待评估场所中消防标识和消防设施的状态，包括：
所述视觉传感器按照指定时间间隔360度旋转视角拍摄所述待测场所中的视觉图像，并识别所述视觉图像中消防标识的文字、图案和位置，以及消防设施的类型和位置；
所述物理传感器与消防设施相连接，按照指定时间间隔采集所述消防设施的物理技术参数，并判断所述消防设施是否处于正常物理状态。


4.根据权利要求3所述的方法，其特征在于：
所述视觉传感器根据所述消防设施的类型和位置向物理传感器发送存活检测信号，判断所述物理传感器是否正常工作。


5.根据权利要求1所述的方法，其特征在于，每个所述传感器识别出消防标识特征和消防设施特征，并通过深度学习模型判断所述消防标识特征和所述消防设施特征是否符合预设消防标准，包括：
输入所述深度学习模型的所述消防标识特征为一个形如＜fid，text，img，pos＞的四元组，其中fid为所述消防标识的标识码，text为所述视觉标识中的文字，img为所述视觉表示中的图案，pos为所述视觉标识的张贴位置；
输入所述深度学习模型的所述消防设施特征为一个形如＜sid，pos，{p1，p2…pn}＞的三元组，其中sid为所述消防设施的标识码，pos为所述消防设施的安装位置，{p1，p2…pn}为所述消防设施的物理技术参数集合，n表示所述消防设施的物理技术参数项数。


6.根据权利要求1所述的方法，其特征在于，所述传感器按照预设时间间隔对所述消防标识和消防设施进行采集，并判断状态是否发生改变，包括：
在所述视觉传感器视觉采集消防标识或消防设施图...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：重庆特斯联智慧科技股份有限公司，
类型：发明
国别省市：重庆;50