基于深度学习的公共标识系统和方法技术方案

本发明专利技术公开了基于深度学习的公共标识系统和方法，涉及标识系统技术领域，包括路线获取模块、数据采集模块、分析模块、路线规划模块、动态调控模块以及评估模块；数据采集模块在写字楼发生火灾时，基于深度学习技术实时采集逃生路线楼道中摄像头图像数据，基于传感设备获取逃生路线楼道中的传感数据，分析模块综合分析图像数据以及传感数据后，为逃生路线楼道建立状态系数，路线规划模块结合状态系数以及公共标识位置信息更新逃生路线，动态调控模块依据更新后的逃生路线信息调控公共标识的显示内容。本发明专利技术能够在写字楼发生火灾时，结合逃生路线的状况来实时调节公共标识的显示内容，从而保障人员的安全逃生。从而保障人员的安全逃生。从而保障人员的安全逃生。

【技术实现步骤摘要】
基于深度学习的公共标识系统和方法


[0001]本专利技术涉及标识系统
，具体涉及基于深度学习的公共标识系统和方法。

技术介绍

[0002]写字楼是指专门用于办公的建筑物或建筑群，它通常是为各种企事业单位提供办公场所的商业地产项目，写字楼的主要功能是提供办公场所，为企业、机构和个人提供办公空间，它通常配备了办公设施和设备，以满足工作和业务需求；由于写字楼中会设置有多条逃生楼道，用于写字楼发生紧急状况时提供逃生作用，因此，通常会设置公共标识用于指引人员逃生和疏散，保障写字楼内人员的生命安全，能够在紧急情况下提供明确的逃生指引和信息。
[0003]现有技术存在以下不足：现有写字楼中的公共标识通常为固定内容显示，即将多个标识依据指引路线设置后，仅显示对应逃生楼道的方位，当写字楼发生火灾时，公共标识不能结合逃生楼道的传感数据发生相应改变（例如，当某一逃生楼道存在异常时，公共标识内容不能发生改变并提醒人员改变逃生路线），从而会导致人员无法逃生或引发更大的安全事故问题；基于此，本专利技术提出基于深度学习的公共标识系统和方法，能够在写字楼发生火灾时，实时结合楼道状况进行内容更新，保障人员的安全逃生。

技术实现思路

[0004]本专利技术的目的是提供基于深度学习的公共标识系统和方法，以解决
技术介绍
中不足。
[0005]为了实现上述目的，本专利技术提供如下技术方案：基于深度学习的公共标识系统，包括路线获取模块、数据采集模块、分析模块、路线规划模块、动态调控模块以及评估模块；路线获取模块：用于获取写字楼中的逃生路线，并基于逃生路线生成公共标识位置；数据采集模块：在写字楼发生火灾时，基于深度学习技术实时采集逃生路线楼道中摄像头图像数据，基于传感设备获取逃生路线楼道中的传感数据；分析模块：综合分析图像数据以及传感数据后，为逃生路线楼道建立状态系数；路线规划模块：结合状态系数以及公共标识位置信息更新逃生路线；动态调控模块：依据更新后的逃生路线信息调控公共标识的显示内容；评估模块：用于写字楼定期进行消防演练时，基于疏散结果评估公共标识系统效果。
[0006]在一个优选的实施方式中，所述数据采集模块获取的图像数据包括人员密度浮动系数，传感数据包括烟雾浓度标准差指数以及区域温度上升率。
[0007]在一个优选的实施方式中，所述分析模块综合分析人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率后，为逃生路线楼道建立状态系数zt
x
，计算表达式为：
[0008]式中，md
f
为人员密度浮动系数，yw
d
为烟雾浓度标准差指数，wd
s
为区域温度上升率，、、分别为人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率的比例系数，且、、均大于0。
[0009]在一个优选的实施方式中，所述人员密度浮动系数的计算表达式为：
[0010]为逃生路线楼道内的人员实时密度，为人员从楼道出口离开的时段，为人员从楼道进口进入的时段。
[0011]在一个优选的实施方式中，所述烟雾浓度标准差指数的获取逻辑为：计算逃生路线楼道的烟雾浓度标准差ywb和烟雾浓度平均值；若烟雾浓度平均值≤浓度阈值，且烟雾浓度标准差ywb≤标准差阈值，yw
d
=0.2；若烟雾浓度平均值≤浓度阈值，且烟雾浓度标准差ywb＞标准差阈值，yw
d
=0.4；若烟雾浓度平均值＞浓度阈值，表明该逃生路线整体的烟雾浓度不达标，yw
d
=0.8。
[0012]在一个优选的实施方式中，所述烟雾浓度标准差ywb的计算表达式为：
[0013]式中，，n表示逃生路线中楼道的数量，YW
i
是不同楼道中的烟雾浓度，是烟雾浓度平均值。
[0014]在一个优选的实施方式中，所述区域温度上升率的计算表达式为：
[0015]式中，wd1为t1时刻的温度，wd0为t0时刻的温度，t1为结束监测时间点，t0为开始监测时间点。
[0016]在一个优选的实施方式中，消防演练结束后，所述评估模块获取人员疏散时长，即
开始疏散到最后一位人员离开写字楼的时间，将人员疏散时长减去预计时长得到时间差，若时间差≤0，评估公共标识系统的使用效果好，若时间差＞0，评估公共标识系统的使用效果差，需要对公共标识系统进行优化。
[0017]本专利技术还提供基于深度学习的公共标识方法，其特征在于：所述方法包括以下步骤：S1：获取写字楼中的逃生路线，并基于逃生路线生成公共标识位置，依据公共标识位置信息在写字楼相应位置布置公共标识；S2：在写字楼发生火灾时，基于深度学习技术实时采集逃生路线楼道中摄像头图像数据，基于传感设备获取逃生路线楼道中的传感数据；S3：综合分析图像数据以及传感数据后，为逃生路线楼道建立状态系数；S4：结合状态系数以及公共标识位置信息更新逃生路线，依据更新后的逃生路线信息调控公共标识的显示内容；S5：写字楼定期进行消防演练时，基于疏散结果评估公共标识系统效果，并依据评估结果对公共标识系统进行优化。
[0018]在上述技术方案中，本专利技术提供的技术效果和优点：1、本专利技术通过数据采集模块在写字楼发生火灾时，基于深度学习技术实时采集逃生路线楼道中摄像头图像数据，基于传感设备获取逃生路线楼道中的传感数据，分析模块综合分析图像数据以及传感数据后，为逃生路线楼道建立状态系数，路线规划模块结合状态系数以及公共标识位置信息更新逃生路线，动态调控模块依据更新后的逃生路线信息调控公共标识的显示内容，该公共标识系统能够在写字楼发生火灾时，结合逃生路线的状况来实时调节公共标识的显示内容，从而保障人员的安全逃生。
附图说明
[0019]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术的系统模块图。
具体实施方式
[0021]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0022]实施例1：请参阅图1所示，本实施例所述基于深度学习的公共标识系统，包括路线获取模块、数据采集模块、分析模块、路线规划模块、动态调控模块以及评估模块；路线获取模块：用于获取写字楼中的逃生路线，并基于逃生路线生成公共标识位置，公共标识位置信息发送至管理员以及路线规划模块，管理员依据公共标识位置信息在写字楼相应位置布置公共标识；建筑平面图导入：将写字楼的建筑平面图导入到路线获取模块中；平面图应包含
楼层布局、楼道、出口位置等信息；路线规划：在路线获取模块中，使用路径本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的公共标识系统，其特征在于：包括路线获取模块、数据采集模块、分析模块、路线规划模块、动态调控模块以及评估模块；路线获取模块：用于获取写字楼中的逃生路线，并基于逃生路线生成公共标识位置；数据采集模块：在写字楼发生火灾时，基于深度学习技术实时采集逃生路线楼道中摄像头图像数据，基于传感设备获取逃生路线楼道中的传感数据；分析模块：综合分析图像数据以及传感数据后，为逃生路线楼道建立状态系数；路线规划模块：结合状态系数以及公共标识位置信息更新逃生路线；动态调控模块：依据更新后的逃生路线信息调控公共标识的显示内容；评估模块：用于写字楼定期进行消防演练时，基于疏散结果评估公共标识系统效果。2.根据权利要求1所述的基于深度学习的公共标识系统，其特征在于：所述数据采集模块获取的图像数据包括人员密度浮动系数，传感数据包括烟雾浓度标准差指数以及区域温度上升率。3.根据权利要求2所述的基于深度学习的公共标识系统，其特征在于：所述分析模块综合分析人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率后，为逃生路线楼道建立状态系数zt
x
，计算表达式为：；式中，md
f
为人员密度浮动系数，yw
d
为烟雾浓度标准差指数，wd
s
为区域温度上升率，、、分别为人员密度浮动系数、烟雾浓度标准差指数以及区域温度上升率的比例系数，且、、均大于0。4.根据权利要求3所述的基于深度学习的公共标识系统，其特征在于：所述人员密度浮动系数的计算表达式为：；为逃生路线楼道内的人员实时密度，为人员从楼道出口离开的时段，为人员从楼道进口进入的时段。5.根据权利要求4所述的基于深度学习的公共标识系统，其特征在于：所述烟雾浓度标准差指数的获取逻辑为：计算逃生路线楼道的烟雾浓度标准差ywb和烟雾浓度平均值；若烟雾浓度平均值≤浓度阈值，...

【专利技术属性】
技术研发人员：陈永权，邹传瑜，
申请(专利权)人：中国标准化研究院，
类型：发明
国别省市：