消防设备辅助安装方法以及系统、电子设备、存储介质技术方案

本申请公开了一种消防设备辅助安装方法以及系统、电子设备、存储介质。该方法包括获取预设消防空间内的目标图像；通过预先训练的目标检测模型，得到所述目标图像的识别结果，其中，所述目标检测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本图像、所述样本图像中的预设特征标签，所述样本图像是通过机器人在所述预设消防空间内的SLAM数据建立的地图重建数据；根据所述识别结果以及所述消防设备的型号信息，得到所述消防设备的待安装位置以及数量。本申请解决了消防评估以及安装过程，处理效率低下且存在错误及遗漏的技术问题。通过本申请基于神经网络的目标识别模型实现了辅助消防设备安装以及评估。及评估。及评估。

【技术实现步骤摘要】
消防设备辅助安装方法以及系统、电子设备、存储介质


[0001]本申请涉及机器学习、消防安全领域，具体而言，涉及一种基于神经网络的消防设备辅助安装方法以及装置、电子设备、存储介质。

技术介绍

[0002]为了保证电脑机房、设备机房、高级物理及化学实验室中的消防安全，需要在这些目标消防空间中安装部署消防设备。
[0003]相关技术中，消防设备的安装评估基本依赖于技术人员的经验和计算，通常会存在遗漏、计算错误、耗时较长等问题。
[0004]针对相关技术中消防评估以及安装过程，处理效率低下且存在错误及遗漏的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本申请的主要目的在于提供一种基于神经网络的消防设备辅助安装方法以及系统、电子设备、存储介质，以解决消防评估以及安装过程，处理效率低下且存在错误及遗漏的问题。
[0006]为了实现上述目的，根据本申请的一个方面，提供了一种基于神经网络的消防设备辅助安装方法。
[0007]根据本申请的基于神经网络的消防设备辅助安装方法包括：获取预设消防空间内的目标图像；通过预先训练的目标检测模型，得到所述目标图像的识别结果，其中，所述目标检测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本图像、所述样本图像中的预设特征标签，所述样本图像是通过机器人在所述预设消防空间内的SLAM数据建立的地图重建数据；根据所述识别结果以及所述消防设备的型号信息，得到所述消防设备的待安装位置以及数量。
[0008]进一步地，所述预先训练的目标检测模型，包括：根据所述地图重建数据中的三维网格或点云地图，得到经过标注后作为训练样本的多组图像数据；使用所述多组数据通过机器学习进行训练，得到基于R
‑
CNN或YOLO神经网络的所述目标检测模型。
[0009]进一步地，所述经过标注后作为训练样本的多组图像数据包括：预先标注出的所述预设消防空间中地图数据的实体材质以及结构特征；和/或，预先标注出的所述预设消防空间中地图数据的实体比热容信息特征。
[0010]进一步地，所述经过标注后作为训练样本的多组图像数据包括：预先标注出的所述预设消防空间中的消防安全风险点特征。
[0011]进一步地，所述根据所述识别结果以及所述消防设备的型号信息，得到所述消防设备的待安装位置以及数量之后，还包括：根据实际的到所述消防设备的安装位置以及数量，判断所述消防设备的安装位置以及数量是否符合消防安全条件；如果判断所述消防设备的安装位置以及数量已符合消防安全条件，则输出评价结果；如果判断所述消防设备的
安装位置以及数量未符合消防安全条件，则输出安装部署建议。
[0012]进一步地，所述获取预设消防空间内的目标图像包括：通过图像采集装置获取在所述预设消防空间内采集的图像信息；根据预设消防安装条件，筛选出所述图像信息得到所述目标图像，其中，所述预设消防安装条件至少包括如下之一：空间、结构、材质、火情点。
[0013]进一步地，所述根据所述识别结果以及所述消防设备的型号信息，得到所述消防设备的待安装位置以及数量，包括：根据所述识别结果中的多个安装位置以及所述消防设备的型号信息，判断每个所述安装位置与所述消防设备的型号信息是否匹配；如果不匹配，则重新确定所述安装位置；如果匹配，则根据匹配结果确定所述消防设备的待安装数量。
[0014]为了实现上述目的，根据本申请的另一方面，提供了一种基于神经网络的消防设备辅助安装装置。
[0015]根据本申请的基于神经网络的消防设备辅助安装装置包括：获取模块，用于获取预设消防空间内的目标图像；目标检测模块，用于通过预先训练的目标检测模型，得到所述目标图像的识别结果，其中，所述目标检测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本图像、所述样本图像中的预设特征标签，所述样本图像是通过机器人在所述预设消防空间内的SLAM数据建立的地图重建数据；结果输出模块，用于根据所述识别结果以及所述消防设备的型号信息，得到所述消防设备的待安装位置以及数量。
[0016]根据本申请的另一方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于区块链的工业互联网标识信息解析方法的步骤。
[0017]根据本申请的再一方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于区块链的工业互联网标识信息解析方法的步骤。
[0018]在本申请实施例中基于神经网络的消防设备辅助安装方法以及装置，采用获取预设消防空间内的目标图像的方式，通过通过预先训练的目标检测模型，得到所述目标图像的识别结果，所述目标检测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本图像、所述样本图像中的预设特征标签，所述样本图像是通过机器人在所述预设消防空间内的SLAM数据建立的地图重建数据，达到了根据所述识别结果以及所述消防设备的型号信息，得到所述消防设备的待安装位置以及数量的目的，从而实现了基于神经网络的目标识别模型辅助消防设备安装的技术效果，进而解决了消防评估以及安装过程，处理效率低下且存在错误及遗漏的技术问题。
附图说明
[0019]构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0020]图1是根据本申请实施例的基于神经网络的消防设备辅助安装方法实施的系统结构示意图；
[0021]图2是根据本申请实施例的基于神经网络的消防设备辅助安装方法流程示意图；
[0022]图3是根据本申请实施例的基于神经网络的消防设备辅助安装装置结构示意图；
[0023]图4是根据本申请优选实施例的基于神经网络的消防设备辅助安装方法流程示意图。
具体实施方式
[0024]为了使本
的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0025]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，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。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种消防设备辅助安装方法，其特征在于，包括：获取预设消防空间内的目标图像；通过预先训练的目标检测模型，得到所述目标图像的识别结果，其中，所述目标检测模型为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本图像、所述样本图像中的预设特征标签，所述样本图像是通过机器人在所述预设消防空间内的SLAM数据建立的地图重建数据；根据所述识别结果以及所述消防设备的型号信息，得到所述消防设备的待安装位置以及数量。2.根据权利要求1所述的方法，其特征在于，所述预先训练的目标检测模型，包括：根据所述地图重建数据中的三维网格或点云地图，得到经过标注后作为训练样本的多组图像数据；使用所述多组数据通过机器学习进行训练，得到基于R
‑
CNN或YOLO神经网络的所述目标检测模型。3.根据权利要求2所述的方法，其特征在于，所述经过标注后作为训练样本的多组图像数据包括：预先标注出的所述预设消防空间中地图数据的实体材质以及结构特征；和/或，预先标注出的所述预设消防空间中地图数据的实体比热容信息特征。4.根据权利要求2所述的方法，其特征在于，所述经过标注后作为训练样本的多组图像数据包括：预先标注出的所述预设消防空间中的消防安全风险点特征。5.根据权利要求1所述的方法，其特征在于，所述根据所述识别结果以及所述消防设备的型号信息，得到所述消防设备的待安装位置以及数量之后，还包括：根据实际的到所述消防设备的安装位置以及数量，判断所述消防设备的安装位置以及数量是否符合消防安全条件；如果判断所述消防设备的安装位置以及数量已符合消防安全条件，则输出评价结果；如果判断所述消防设备的安装位置以及数量未符合消防安全条件，则输出...

【专利技术属性】
技术研发人员：冯斌，左晨，
申请(专利权)人：北京达氟安全科技有限公司，
类型：发明
国别省市：