一种应用于高层建筑的消防方法及系统与流程

本发明涉及人工智能技术领域，尤其涉及一种应用于高层建筑的消防方法及系统。

背景技术：

随着我国经济社会的快速发展，城镇化战略的加速推进，人口必将逐步向城市集中，高层建筑是城市化发展的必然产物。然而高层建筑的消防问题，一直是一道世界性难题。

现有技术中，发生火灾险情后，会及时通知消防人员，但是消防人员赶到现场一般需要一段时间，尤其是在交通繁忙时段、需要经过交通繁忙路段时，消防人员需要花费更多的时间达到现场，即使消防人员及时赶到现场，也会存在因楼层过高、电梯无法使用等原因导致无法及时赶到着火点的问题，这会导致险情大面积蔓延。

技术实现要素：

有鉴于此，本发明提供一种应用于高层建筑的消防方法及系统，用于解决人工灭火时存在的因无法及时进行灭火操作导致火势蔓延的问题。

为解决上述技术问题，本发明提供一种应用于高层建筑的消防方法，包括：

获取高层建筑的预设消防单元区域内的消防状态识别信息，所述消防状态识别信息包括：图像传感器采集到的信息、一氧化碳传感器采集到的信息、二氧化碳传感器采集到的信息、烟雾传感器采集到的信息、可燃气体传感器采集到的、光线传感器采集到的信息和温度传感器采集到的信息中的至少之一；

将所述预设消防单元区域内的消防状态识别信息输入基于深度学习的消防险情判别模型，根据所述消防险情判别模型的输出结果，确定所述预设消防单元区域内是否发生险情；

在确定所述预设消防单元区域内发生险情的情况下，控制无人机从所述预设消防单元区域内的窗户或门进入室内进行灭火操作。

可选的，所述将所述预设消防单元区域内的消防状态识别信息输入基于深度学习的消防险情判别模型，根据所述消防险情判别模型的输出结果，确定所述预设消防单元区域内是否发生险情，包括：

根据所述消防险情判别模型的输出结果以及所述预设消防单元区域对应的权重值，确定所述预设消防单元区域内是否发生险情，所述权重值是预先根据所述预设消防单元区域内的三维环境信息和/或物品材料信息确定。

可选的，所述消防险情判别模型包括稀疏自编码器和softsign回归层，其中，所述稀疏自编码器用于从所述消防状态识别信息中提取有效的稀疏特征，所述softsign回归层用于基于所述稀疏自编码器提取的稀疏特征输出所述预设消防单元区域内发生险情的概率。

可选的，所述方法还包括：

接收所述无人机在进入室内之后采集的声音信息和/或图像信息，根据所述声音信息和/或图像信息，确定是否存在被困人员；

若确定存在被困人员，则将所述声音信息和/或所述图像信息发送至所述高层建筑的消防指挥中心。

可选的，所述方法还包括：

获取所述高层建筑的消防逃生通道内各个区域的所述消防状态识别信息；

根据各个所述区域的消防状态识别信息确定各个所述区域内是否存在险情，并预估各个所述区域内发生险情的概率；

根据确定的结果以及预估的结果，规划逃生路径；

将规划的所述逃生路径发送至所述高层建筑内的通信终端。

可选的，所述根据确定的结果以及预估的结果，规划逃生路径之后，还包括：

控制所述逃生路径所包括的消防逃生通道区域内的喷淋设备工作。

本发明还提供一种应用于高层建筑的消防系统，包括：

用于设置于高层建筑的预设消防单元区域内的传感器，所述传感器用于采集所述预设消防单元区域内的消防状态识别信息，所述传感器包括：图像传感器、一氧化碳传感器、二氧化碳传感器、烟雾传感器、可燃气体传感器、光线传感器和温度传感器中的至少之一；

智能消防控制器，用于获取所述传感器采集到的所述预设消防单元区域内的消防状态识别信息，输入至基于深度学习的消防险情判别模型，根据所述消防险情判别模型的输出结果，确定所述预设消防单元区域内是否发生险情；在确定所述预设消防单元区域内发生险情的情况下，控制无人机从所述预设消防单元区域内的窗户或门进入室内进行灭火操作；

无人机，用于根据所述智能消防控制器的控制，从发生险情的所述预设消防单元区域内的窗户或门进入室内进行灭火操作。

可选的，所述无人机还用于在进入室内之后采集声音信息和/或图像信息，并发送至所述智能消防控制器；

所述智能消防控制器，还用于根据所述声音信息和/或图像信息，确定是否存在被困人员，并在确定存在被困人员的情况下，将所述声音信息和/或所述图像信息发送至所述高层建筑的消防指挥中心。

可选的，所述消防系统，还包括：

用于设置于所述高层建筑的消防逃生通道内各个区域的传感器；

所述智能消防控制器，还用于根据所述区域内的传感器采集得到的消防状态识别信息，确定各个所述区域是否存在险情，并预估各个所述区域内发生险情的概率；根据确定的结果以及预估的结果，规划逃生路径；并将规划的所述逃生路径发送至所述高层建筑内的通信终端。

可选的，所述消防系统还包括：用于设置于消防逃生通道区域内的喷淋设备；

所述智能消防控制器，还用于控制规划的所述逃生路径所包括的消防逃生通道区域内的所述喷淋设备工作。

本发明的上述技术方案的有益效果如下：

可以利用基于深度学习的消防险情判别模型，实时判断预设消防单元区域内是否发生险情，并在确定发生险情的情况下，及时控制无人机从预设消防单元区域内的窗户或门进入室内进行灭火操作，与有人员发现发生险情后拨打消防救援电话，然后等待消防人员赶过来进行消防救援相比，灭火救援操作更加及时，避免火势蔓延造成更多的损失，而且及时救援避免火势蔓延还可以避免救援难度的增加。

附图说明

为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明中的一种应用于高层建筑的消防方法的流程示意图；

图2为本发明中的另一种应用于高层建筑的消防方法的流程示意图；

图3为本发明中的又一种应用于高层建筑的消防方法的流程示意图；

图4为本发明中的一种应用于高层建筑的消防系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。

请参阅图1，本发明实施例提供了一种应用于高层建筑的消防方法，包括：

步骤101：获取高层建筑的预设消防单元区域内的消防状态识别信息，所述消防状态识别信息包括：图像传感器采集到的信息、一氧化碳传感器采集到的信息、二氧化碳传感器采集到的信息、烟雾传感器采集到的信息、可燃气体传感器采集到的、光线传感器采集到的信息和温度传感器采集到的信息中的至少之一；

其中，预设消防单元区域可以是预先根据高层建筑的内部结构和/或用途等进行划分的。该预设消防单元区域可以不包括消防逃生通道。

步骤102：将所述预设消防单元区域内的消防状态识别信息输入基于深度学习的消防险情判别模型，根据所述消防险情判别模型的输出结果，确定所述预设消防单元区域内是否发生险情；

步骤103：在确定所述预设消防单元区域内发生险情的情况下，控制无人机从所述预设消防单元区域内的窗户或门进入室内进行灭火操作。

本发明实施例中，可以利用基于深度学习的消防险情判别模型，实时判断预设消防单元区域内是否发生险情，并在确定发生险情的情况下，及时控制无人机从预设消防单元区域内的窗户或门进入室内进行灭火操作，与有人员发现发生险情后拨打消防救援电话，然后等待消防人员赶过来进行消防救援相比，灭火救援操作更加及时，避免火势蔓延造成更多的损失，而且及时救援避免火势蔓延还可以避免救援难度的增加。

另外，传统火灾预警系统多采用单一火情探测器，单一温感探测器存在灵敏度偏低的缺陷，对于大多数火灾，探测器探测到明显温升时，火势往往己经蔓延开了，而传统单一烟感探测器则存在烟谱范围较窄的不足，常出现漏报或错报等情况。本发明实施例可以采用多种传感器联合使用，提高险情判断的准确性。

可选的，所述将所述预设消防单元区域内的消防状态识别信息输入基于深度学习的消防险情判别模型，根据所述消防险情判别模型的输出结果，确定所述预设消防单元区域内是否发生险情，包括：

根据所述消防险情判别模型的输出结果以及所述预设消防单元区域对应的权重值，确定所述预设消防单元区域内是否发生险情，所述权重值是预先根据所述预设消防单元区域内的三维环境信息和/或物品材料信息确定。

本发明实施例中为了进一步提高火灾发生点的识别准确率，避免因识别错误导致无人机在错误的地方进行灭火操作，而耽误真正着火点的救援，可以预先针对每个预设消防单元区域设置与该预设消防单元区域相适配的权重值，该权重值表示该预设消防单元区域发生火灾的概率。例如，如果该预设消防单元区域存在较多的可燃物品，则将其权重值设置得较大，否则将其权重值设置的较小。

具体的，可以将所述消防险情判别模型的输出结果与所述预设消防单元区域对应的权重值相乘，得到用于确定所述预设消防单元区域内是否发生险情的最终结果。在根据最终结果确定所述预设消防单元区域内是否发生险情时，可以将最终结果与一预设阈值进行比较，当最终结果大于该预设阈值时，则确定所述预设消防单元区域内发生险情，否则确定没有发生险情。

可选的，所述权重值可以采用如下方式计算：

β＝vtanh(w[h，s] ux b)

其中，h为一神经网络的隐状态变量，s为该神经网络的细胞状态变量，v、w、u和b为神经网络的可训练参数，x为神经网络的输入，[]表示连接操作。该神经网络可以是卷积神经网络、长短时记忆神经网络(lstm)、玻尔兹曼机、径向基神经网络或深度自动编码器等，具体可以根据实际情况选择。

可选的，所述消防险情判别模型包括稀疏自编码器和softsign回归层，其中，所述稀疏自编码器用于从所述消防状态识别信息中提取有效的稀疏特征，所述softsign回归层用于基于所述稀疏自编码器提取的稀疏特征输出所述预设消防单元区域内发生险情的概率。

本发明实施例提供的消防险情判别模型可以快速地得出判断结果，且对处理器的处理能力要求不高。

其中，所述稀疏自编码器是自编码器的改进模型，通过在训练过程中对隐藏层添加特定条件来获得稀疏特征。本发明实施例中可以使用leaky-relu作为激活函数。所述稀疏自编码器从所述消防状态识别信息中提取有效的稀疏特征包括两个阶段：一、消防状态识别信息x映射到隐藏层z；二、通过解码和重构z来生成并输出稀疏特征y。这个两个阶段可以采用如下公式表示：z＝f(wen be),y＝f(wdn bd)，其中we和wd是编码器和解码器的权重矩阵，be和bd是偏移矢量。稀疏自编码器训练过程是通过bp算法来调整参数(we、wd、be和bd)进而最小化代价函数c(n,y),c(n,y)表示重建层和输入层之间的误差。在重建层重构输入特征的同时，可以在隐藏层中提取输入向量的压缩特征，这些特征对于判别险情是更为有效的。

其它可选的具体实施方式中，还可以选取典型模型alexnet作为所述消防险情判别模型的基础模型，依据深度连接思想，将alexnet模型中的前、中、末端卷积层的输出特征取出，通过深度连接方式构成一个包容前、中、末端卷积层输出特征的复合特征。接着，对该复合特征进行池化和全连接操作，使得输出特征变为多维度的特征向量，最后通过分类器进行分类决策。

可选的，请参阅图2，所述消防方法，还包括：

步骤104：接收所述无人机在进入室内之后采集的声音信息和/或图像信息，根据所述声音信息和/或图像信息，确定是否存在被困人员；

步骤105：若确定存在被困人员，则将所述声音信息和/或所述图像信息发送至所述高层建筑的消防指挥中心。

高层建筑一旦发生火灾，对其中的被困人员进行救援是最重要的任务之一。但是，现有技术中，需要消防人员逐层逐间地排查是否有被困人员，不仅效率低下，而且对消防人员自身的人身安全也是极大地挑战。本发明实施例中，无人机在进入发生险情的预设消防单元区域的室内进行灭火操作时还能采集声音信息和/或图像信息，以根据无人机采集的声音信息和/或图像信息判断是否存在被困人员，并在判断存在被困人员的情况下，将无人机采集的声音信息和/或所述图像信息发送至所述高层建筑的消防指挥中心，以使得消防人员可以及时对被困人员进行救援。

另外，本发明实施例中，所述无人机在进入预设消防单元区域中进行灭火操作时，还可以携带防毒面具、防火毯、灭火器之类的救援物资，以使得被困人员能够利用无人机携带的救援物资进行自救。

可选的，所述无人机还可以从窗口拍摄室内的图像信息和/或采集声音信息，并判断室内是否存在被困人员，以协助消防人员进行被困人员的排查。

可选的，请参阅图3，所述消防方法还包括：

步骤301：获取所述高层建筑的消防逃生通道内各个区域的所述消防状态识别信息；

步骤302：根据各个所述区域的消防状态识别信息确定各个所述区域内是否存在险情，并预估各个所述区域内发生险情的概率；

步骤303：根据确定的结果以及预估的结果，规划逃生路径；

步骤304：将规划的所述逃生路径发送至所述高层建筑内的通信终端。

其中，所述消防状态识别信息同上述预设消防单元区域内的消防状态识别信息，包括：图像传感器采集到的信息、一氧化碳传感器采集到的信息、二氧化碳传感器采集到的信息、烟雾传感器采集到的信息、可燃气体传感器采集到的、光线传感器采集到的信息和温度传感器采集到的信息中的至少之一。

高层建筑发生火灾，首先要做的是火灾现场人员的安全疏散。火灾发生后，现场会比较混乱，而且消防逃生通道内可能存在杂物导致火情同时发生，影响火灾现场人员的及时安全撤离。本发明实施例中，在火情发生后，及时识别消防逃生通道内各个区域是否存在险情，并预估各个区域内即将发生险情的概率，在规划逃生路径时优先考虑目前尚未发生险情且未来发生险情概率较低的区域。从而使得火灾现场人员在按照规划出的逃生路径逃生时，遇到火情阻塞的概率较低，逃生更加迅速安全。

在将规划的逃生路径发送至高层建筑内的通信终端时，可以利用服务区域包括该高层建筑的基站向与该基站连接的所有通信终端发送规划的所述逃生路径，还可以利用高层建筑的室内基站向与该室内基站连接的所有通信终端发送规划的所述逃生路径。

其它可选的具体实施方式中，根据确定的结果以及预估的结果，规划逃生路径之后，还可以控制消防逃生通道内的消防指示牌指示规划出的所述逃生路径。

具体的，在根据各个所述区域的消防状态识别信息确定各个所述区域内是否存在险情时，可以利用上述的消防险情判别模型来确定。

而在预估各个所述区域内发生险情的概率时，可以利用区域险情预测模型来进行预估。

所述区域险情预测模型是根据多个预设消防单元区域和/或消防逃生通道的区域之间的空间相关性信息建立。预设消防单元区域和/或消防逃生通道的区域之间的空间相关性信息是根据邻接矩阵和消防状态识别信息矩阵确定的，邻接矩阵可以根据预设消防单元区域和/或消防逃生通道的区域之间具有相邻关系的区域之间的距离确定。

另外，所述区域险情预测模型包括多层受限玻尔兹曼机(rbm)，rbm包括可见层和隐藏层，层间节点全连接，层内节点无连接，并且可见层与隐藏层节点都是二元变量，即每个节点只取0或1这两种状态，rbm模型结构简单、表示能力强、易于推理。对于一个有n个可见层节点，m个隐藏层节点的rbm模型，使用vi表示第i个可见层节点的状态，hj表示第j个隐藏层节点的状态，vi,hj通过能量函数e定义状态的概率分布：

其中，wij、ai、bj是rbm模型的参数，wij是可见节点i与隐藏层节点j的连接权值；ai、bj分别表示可见层节点、隐藏层节点的偏置值。本发明实施例中在训练所述区域险情预测模型时使用对比散度算法进行。

所述区域险情预测模型还可以包括bp网络，多层受限玻尔兹曼机的输出作为所述bp网络的输入。该bp网络中的一个隐藏层的传递函数参数为s型正切函数，另一个隐藏层的传递函数参数为s型对数函数，输出层的传递函数为线性函数。本发明实施例提供的区域险情预测模型在训练样本较少时，也能够训练出精度高的模型。

下面以区域险情预测模型包括两层rbm和一层bp、两个rbm为全连接、bp网络为单连接为例说明模型的训练过程：

训练样本组成影响因子矩阵在第一层rbm可见层v1输入，根据rbm的特点在隐藏层h1得到因子的特征表达，同样该隐藏层可以再次作为第一层rbm的输入得到v1*，根据重构误差来描述对第一层rbm的训练效果，等满足精度要求后，第一层rbm训练完成；此时h1作为第二层rbm的可见层输入，继续重复第二个rbm训练，满足要求后完成第二层rbm的训练；h2的训练结果为bp网络的输入因子，经过一层隐藏层后根据bp误差后向传播算法微调网络权重，最终得出发生险情的概率。

其它可选的具体实施方式中，所述区域险情预测模型包括三个融合网络和一个第一bp网络，三个融合网络的输出作为第一bp网络的输入，三个融合网络分别为：dbn-bp融合网络、rnn-bp融合网络和lstm-bp融合网络，dbn-bp融合网络是在dbn网络(深度置信网络)最顶层的rbm上方添加一层bp神经网络(这里称为第二bp神经网络)构成，rnn-bp融合网络是在rnn网络(循环神经网络)的隐藏层与输出层之间加上一层bp神经网络(这里称为第三bp神经网络)构成，lstm-bp融合网络是在lstm网络(长短期记忆网络)的隐藏层与输出层之间加上一层bp神经网络(这里称为第四bp神经网络)构成。

本发明实施例中，还可以每隔预设时长则重新获取所述高层建筑的消防逃生通道内各个区域的所述消防状态识别信息；重新根据各个所述区域的消防状态识别信息确定各个所述区域内是否存在险情，并预估各个所述区域内发生险情的概率；并根据重新确定的结果以及重新预估的结果，重新规划逃生路径。

可选的，所述根据确定的结果以及预估的结果，规划逃生路径之后，还包括：

控制所述逃生路径所包括的消防逃生通道区域内的喷淋设备工作。

本发明实施例中，还在消防逃生通道区域内设置喷淋设备，不仅可以起到降温作用，还可以在一定程度上消除烟雾，降低逃生人员由于吸入有害气体的概率，提高逃生的成功率。

请参阅图4，本发明实施例还提供一种应用于高层建筑的消防系统，包括：

用于设置于高层建筑的预设消防单元区域内的传感器401，所述传感器401用于采集所述预设消防单元区域内的消防状态识别信息，所述传感器401包括：图像传感器、一氧化碳传感器、二氧化碳传感器、烟雾传感器、可燃气体传感器、光线传感器和温度传感器中的至少之一；

智能消防控制器402，用于获取所述传感器401采集到的所述预设消防单元区域内的消防状态识别信息，输入至基于深度学习的消防险情判别模型，根据所述消防险情判别模型的输出结果，确定所述预设消防单元区域内是否发生险情；在确定所述预设消防单元区域内发生险情的情况下，控制无人机从所述预设消防单元区域内的窗户或门进入室内进行灭火操作；

无人机403，用于根据所述智能消防控制器402的控制，从发生险情的所述预设消防单元区域内的窗户或门进入室内进行灭火操作。

本发明实施例中，可以利用基于深度学习的消防险情判别模型，实时判断预设消防单元区域内是否发生险情，并在确定发生险情的情况下，及时控制无人机403从预设消防单元区域内的窗户或门进入室内进行灭火操作，与有人员发现发生险情后拨打消防救援电话，然后等待消防人员赶过来进行消防救援相比，灭火救援操作更加及时，避免火势蔓延造成更多的损失，而且及时救援避免火势蔓延还可以避免救援难度的增加。

可选的，所述无人机403还用于在进入室内之后采集声音信息和/或图像信息，并发送至所述智能消防控制器402；

所述智能消防控制器402，还用于根据所述声音信息和/或图像信息，确定是否存在被困人员，并在确定存在被困人员的情况下，将所述声音信息和/或所述图像信息发送至所述高层建筑的消防指挥中心。

可选的，所述消防系统还包括：

用于设置于所述高层建筑的消防逃生通道内各个区域的传感器；

所述智能消防控制器402，还用于根据所述区域内的传感器采集得到的消防状态识别信息，确定各个所述区域是否存在险情，并预估各个所述区域内发生险情的概率；根据确定的结果以及预估的结果，规划逃生路径；并将规划的所述逃生路径发送至所述高层建筑内的通信终端。

可选的，所述消防系统还包括：用于设置于消防逃生通道区域内的喷淋设备；

所述智能消防控制器402，还用于控制规划的所述逃生路径所包括的消防逃生通道区域内的所述喷淋设备工作。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。