基于深度学习的火灾场景导航方法及系统、存储介质技术方案

本发明专利技术公开了一种基于深度学习的火灾场景导航方法及系统、计算机可读存储介质，该方法包括以下步骤：利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动。本发明专利技术解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。

【技术实现步骤摘要】
基于深度学习的火灾场景导航方法及系统、存储介质
本申请涉及导航方法
，尤其涉及一种基于深度学习的火灾场景导航方法及系统、计算机可读存储介质。
技术介绍
基于全球定位系统(GlobalPositioningSystem,GPS)的定位与导航系统受位置的影响较大，其仅在室外场景中具有较好的定位效果，而无法在室内场景中对用户所处的楼层及房间等进行精准的定位。基于WIFI的定位与导航系统虽然可以在室内场景中对用户所处的楼层及房间等进行精准的定位，但其受网络的影响较大，一旦网络中断就无法继续使用。同时由于火灾场景中的情况瞬息万变，简单地通过预置的模型进行导航的方法无法充分利用场景中的即时信息，这种信息的延误会极大地降低逃生者的生还概率。并且通常的路径导航都是采用先对各个不同的节点设置不同的权重，再使用传统的路径规划算法计算得到最佳路径的方法。然而，在环境形势变化迅速的火灾场景中，传统的路径规划算法无法针对不断变化的节点来选取最佳逃生路径。
技术实现思路
本申请实施例通过提供一种基于深度学习的火灾场景导航方法及系统、计算机可读存储介质，解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。本申请实施例提供了一种基于深度学习的火灾场景导航方法，所述方法包括：利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动。在一实施例中，所述方法还包括：获取用户周围的当前环境信息及场景内的当前火势信息；其中，所述当前环境信息用于确定用户的当前位置，所述当前火势信息用于确定当前火势并预测未来火势。在一实施例中，所述获取用户周围的当前环境信息及场景内的当前火势信息的步骤包括：通过混合现实设备获取用户周围的当前环境信息；通过预先设置在场景内的火灾检测设备获取场景内的当前火势信息。在一实施例中，在所述将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息的步骤之后还包括：若当前未展示逃生路径，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行规划。在一实施例中，在所述根据所述当前火势信息及预估火势信息计算火势变化程度的步骤之后还包括：若所述火势变化程度小于预设值，则继续使用当前逃生路径。在一实施例中，所述利用当前环境信息确定用户的当前位置的步骤包括：利用当前环境信息中的深度信息建立当前区域模型；使用所述当前区域模型及当前环境信息中的标识信息与场景模型进行对比，以确定用户的当前位置。在一实施例中，所述展示所述当前逃生路径，并引导用户进行移动的步骤包括：使用混合现实设备展示所述当前逃生路径，并引导用户进行移动。在一实施例中，所述若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划的步骤还包括：使用混合现实设备展示火势变化程度大于或等于预设值的区域，并对用户进行提示。本申请实施例还提供了一种火灾场景导航系统，所述火灾场景导航系统包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的火灾场景导航程序，所述火灾场景导航程序被所述处理器执行时实现如上述的基于深度学习的火灾场景导航方法的步骤。本申请实施例还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上存储有火灾场景导航程序，所述火灾场景导航程序被处理器执行时实现如上述的基于深度学习的火灾场景导航方法的步骤。本申请实施例中提供的一种基于深度学习的火灾场景导航方法及系统、计算机可读存储介质的技术方案，至少具有如下技术效果：由于采用了利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动的技术手段。所以，有效解决了传统技术无法在火灾场景中提供实时路径导航的问题，实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。附图说明图1为本申请实施例涉及的火灾场景导航系统的示意图；图2为本申请实施例涉及的火灾场景导航系统中的用户端设备的结构示意图；图3为本申请实施例涉及的火灾场景导航系统中的火灾检测设备的结构示意图；图4为本申请实施例涉及的火灾场景导航系统中的服务器的结构示意图；图5为本申请基于深度学习的火灾场景导航方法的第一实施例的流程示意图；图6为本申请基于深度学习的火灾场景导航方法的第二实施例的流程示意图；图7为本申请基于深度学习的火灾场景导航方法的第三实施例的流程示意图；图8为本申请实施例涉及的深度神经网络模型的示意图。具体实施方式本申请为了解决传统技术无法在火灾场景中提供实时路径导航的问题，采用了利用当前环境信息确定用户的当前位置；将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；根据所述当前火势信息及预估火势信息计算火势变化程度；若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；展示所述当前逃生路径，并引导用户进行移动的技术方案。实现了在火灾场景中对用户的精确定位以及对最佳逃生路线的实时选取，达到了在火灾场景中为用户提供实时路径导航的效果。为了更好地理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。结合图1所示，其为本申请实施例涉及的火灾场景导航系统的示意图，该系统可以包括：一个服务器、多个用户端设备和多个火灾检测设备。其中，服务器与用户端设备及火灾检测设备间通过无线通信的方式进行连接。结合图2所示，其为本申请实施例涉及的火灾场景导航系统中的用户端设备的结构示意图，所述用户端设备可以包括：处理器101、存储器102、通信模块103、摄像头104、显示单元105等部件。本领域技术人员可以理解，图2所示的用户端设备的硬件结构并不构成对所述用户端设备的限定，所述用户端设备可以包括比图示更多或更少的部件，或者组合某些部件，或者本文档来自技高网...

【技术保护点】
1.一种基于深度学习的火灾场景导航方法，其特征在于，所述方法包括：/n利用当前环境信息确定用户的当前位置；/n将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；/n根据所述当前火势信息及预估火势信息计算火势变化程度；/n若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；/n展示所述当前逃生路径，并引导用户进行移动。/n

【技术特征摘要】
1.一种基于深度学习的火灾场景导航方法，其特征在于，所述方法包括：
利用当前环境信息确定用户的当前位置；
将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息；
根据所述当前火势信息及预估火势信息计算火势变化程度；
若所述火势变化程度大于或等于预设值，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行重新规划；
展示所述当前逃生路径，并引导用户进行移动。


2.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，所述方法还包括：
获取用户周围的当前环境信息及场景内的当前火势信息；其中，所述当前环境信息用于确定用户的当前位置，所述当前火势信息用于确定当前火势并预测未来火势。


3.如权利要求2所述的基于深度学习的火灾场景导航方法，其特征在于，所述获取用户周围的当前环境信息及场景内的当前火势信息的步骤包括：
通过混合现实设备获取用户周围的当前环境信息；
通过预先设置在场景内的火灾检测设备获取场景内的当前火势信息。


4.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，在所述将当前火势信息输入已训练的深度神经网络模型，进行预测得到预估火势信息的步骤之后还包括：
若当前未展示逃生路径，则根据所述当前位置及预估火势信息利用启发式搜索算法对当前逃生路径进行规划。


5.如权利要求1所述的基于深度学习的火灾场景导航方法，其特征在于，在所述根据所述当前火势信息及预估火势信息计算火势变...

【专利技术属性】
技术研发人员：陈俊宏，张志宽，刘聪，田第鸿，何震宇，柳伟，
申请(专利权)人：鹏城实验室，哈尔滨工业大学深圳，
类型：发明
国别省市：广东;44