一种基于物联网监测的火灾风险动态评估的方法及系统

1.本技术涉及火灾风险评估技术领域，特别是一种基于物联网监测的火灾风险动态评估的方法及系统。


背景技术：

2.随着城市规模的提升和科技的发展，引起建筑物火灾的原因逐渐变得多元化，对建筑物的消防管理的难度也随之提升。火灾风险评估的准确性可以有效地帮助消防管理人员对建筑物的火灾风险的把控，根据现有情况提出针对性的消防方案。
3.在软件还不发达的时代，国内对火灾风险的评估在很大程度上依据对建筑物的日常检查表，而其缺少实时的数据，无法对建筑物进行有效的监管，无法进行科学的管理，这阻碍了对建筑物的有效消防监管。随着计算机技术和软件工程的进步，通过分析各个实体之间的联系，可以建立建筑火灾风险评估系统的实体关系图，这能够有效地建立数据库对建筑物进行有效的火灾风险评估。但是数据库的使用，只是减少了管理成本和人力成本，火灾风险的准确评估仍然存在很大的挑战。
4.国外学者较早地关注了火灾风险评估领域。在上世纪70年代，有欧洲学者开始使用统计学方法来研究火灾的频次和建筑属性之间关系。
5.近年来，随着数理理论基础的提升，机器学习算法也有了很大的突破，越来越多的机器学习算法应用于建筑物的火灾风险评估。例如：将事故树和事件树分析应用于火灾风险评估，通过分析火灾发生的因素、消防设施和各种火灾场景特征来评估火灾风险；将贝叶斯网络和动态火灾评估相结合，由网络模型和有向无环图相结合，根据贝叶斯思想，在网络中加入先验知识，这是有利于使用其来处理不确定性问题。但是这些方法都存在以下问题：
6.1、网络的参数难以调整，这导致模型性难以达到最优；
7.2、采用较多的历史数据，这对模型的性能要求很高，做到动态评估很困难。


技术实现要素：

8.鉴于所述问题，提出了本技术以便提供克服所述问题或者至少部分地解决所述问题的一种基于物联网监测的火灾风险动态评估的方法及系统，包括：
9.一种基于物联网监测的火灾风险动态评估的方法，所述方法应用于通过人工智能模型建立建筑物的相关信息与对应的火灾风险等级之间的对应关系；其中，所述人工智能模型包括第一模型；
10.所述第一模型包括第一神经网络和第二神经网络，所述对应关系包括第一关系和第二关系，所述相关信息包括目标建筑中目标区域的温度、烟雾浓度、危险气体浓度、环境监控数据以及对应的目标建筑的基本参数；
11.所述方法包括：
12.获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息；
13.获取目标建筑中目标区域的当前环境信息，并通过由所述第一神经网络预建立的第一关系确定出与所述当前环境信息所对应的当前环境信息处理结果；其中，所述当前环境信息包括当前火源是否存在信息、当前烟雾浓度、当前危险气体浓度和目标建筑的当前基本参数；所述当前环境信息处理结果包括当前火源是否存在信息处理结果、当前烟雾浓度处理结果、当前危险气体浓度处理结果和目标建筑的当前基本参数处理结果；
14.通过第二神经网络预建立的第二关系确定出与所述当前环境信息处理结果所对应的目标建筑中目标区域的当前火灾风险等级。
15.进一步地，所述第一模型还包括第三神经网络，所述对应关系还包括第三关系；所述获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息的步骤，包括：
16.获取目标建筑中目标区域的当前温度和当前环境监控数据，并通过由所述第三神经网络预建立的第三关系确定出与所述当前温度所对应的当前热力图；
17.依据所述当前热力图和所述当前环境监控数据生成当前火源是否存在信息。
18.进一步地，所述方法还包括：
19.通过所述第一神经网络建立目标建筑中目标区域的环境信息与环境信息处理结果的所述第一关系。
20.进一步地，所述第一神经网络包括第一子神经网络、第二子神经网络、第三子神经网络和第四子神经网络；所述第一关系包括第一子关系、第二子关系、第三子关系和第四子关系；所述通过所述第一神经网络建立目标建筑中目标区域的环境信息与环境信息处理结果的所述第一关系的步骤，包括：
21.通过所述第一子神经网络建立火源是否存在信息与火源是否存在信息处理结果之间的第一子关系；
22.通过所述第二子神经网络建立烟雾浓度与烟雾浓度处理结果之间的第二子关系；
23.通过所述第三子神经网络建立危险气体浓度与危险气体浓度处理结果之间的第三子关系；
24.通过所述第四子神经网络建立目标建筑的基本参数与目标建筑的基本参数处理结果之间的第四子关系。
25.进一步地，所述方法还包括：
26.通过所述第二神经网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与目标建筑中目标区域的火灾风险等级的所述第二关系。
27.进一步地，所述第二神经网络包括第一预测子网络和第二预测子网络，所述第二关系包括第五子关系和第六子关系；所述通过所述第二神经网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与目标建筑中目标区域的火灾风险等级的所述第二关系的步骤，包括：
28.通过所述第一预测子网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与综合处理结果之间的第五子关系；
29.通过所述第二预测子网络建立综合处理结果与火灾风险等级之间的第六子关系。
30.进一步地，所述第二神经网络还包括第三预测子网络，所述第二关系还包括第七子关系；当所述第二神经网络输出所述火灾风险等级为预设的火灾风险等级时，调用所述第三预测子网络；所述方法还包括：
31.当所述火灾风险等级为危险级或破坏级时，通过所述第三预测子网络预建立的第七子关系确定出与所述当前火灾风险等级为危险级或破坏级的目标区域所对应的当前危险区域坐标。
32.本发明还提供一种基于物联网监测的火灾风险动态评估的系统，所述系统应用于通过人工智能模型建立建筑物的相关信息与对应的火灾风险等级之间的对应关系；其中，所述人工智能模型包括第一模型；
33.所述第一模型包括第一神经网络和第二神经网络，所述对应关系包括第一关系和第二关系，所述相关信息包括目标建筑中目标区域的温度、烟雾浓度、危险气体浓度、环境监控数据以及对应的目标建筑的基本参数；
34.所述系统包括：
35.当前火源是否存在信息生成模块，用于获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息；
36.当前处理结果确定模块，用于获取目标建筑中目标区域的当前环境信息，并通过由所述第一神经网络预建立的第一关系确定出与所述当前环境信息所对应的当前环境信息处理结果；其中，所述当前环境信息包括当前火源是否存在信息、当前烟雾浓度、当前危险气体浓度和目标建筑的当前基本参数；所述当前环境信息处理结果包括当前火源是否存在信息处理结果、当前烟雾浓度处理结果、当前危险气体浓度处理结果和目标建筑的当前基本参数处理结果；
37.当前火灾风险等级确定模块，用于通过第二神经网络预建立的第二关系确定出与所述当前环境信息处理结果所对应的目标建筑中目标区域的当前火灾风险等级。
38.本发明还提供一种计算机设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的基于物联网监测的火灾风险动态评估的方法的步骤。
39.本发明还提供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计算机程序，所述计算机程序被处理器执行时实现如上所述的基于物联网监测的火灾风险动态评估的方法的步骤。
40.本技术具有以下优点：
41.在本技术的实施例中，通过人工智能模型建立建筑物的相关信息与对应的火灾风险等级之间的对应关系；其中，所述人工智能模型包括第一模型；所述第一模型包括第一神经网络和第二神经网络，所述对应关系包括第一关系和第二关系，所述相关信息包括目标建筑中目标区域的温度、烟雾浓度、危险气体浓度、环境监控数据以及对应的目标建筑的基本参数；获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息；获取目标建筑中目标区域的当前环境信息，并通过由所述第一神经网络预建立的第一关系确定出与所述当前环境信息所对应的当前环境信息处理结果；其中，所述当前环境信息包括当前火源是否存在信息、当前烟雾
浓度、当前危险气体浓度和目标建筑的当前基本参数；所述当前环境信息处理结果包括当前火源是否存在信息处理结果、当前烟雾浓度处理结果、当前危险气体浓度处理结果和目标建筑的当前基本参数处理结果；通过第二神经网络预建立的第二关系确定出与所述当前环境信息处理结果所对应的目标建筑中目标区域的当前火灾风险等级。通过物联网实时获取建筑物当前的环境信息，为后续动态评估火灾风险提供了数据基础，通过神经网络实时动态评估出建筑物的火灾风险等级，可以对建筑物进行有效的监管。
附图说明
42.为了更清楚地说明本技术的技术方案，下面将对本技术的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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
43.图1是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的步骤流程图；
44.图2a是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的下位机的结构示意图；
45.图2b是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的下位机与上位机的连接拓扑图；
46.图3是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的多模态注意力神经网络的结构示意图；
47.图4是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的火源是否存在信息生成模块的结构示意图；
48.图5是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的增强卷积神经网络的结构示意图；
49.图6是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的综合处理模块的结构示意图；
50.图7a是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的安全区域的热力图与环境监控数据结合的可视化示意图；
51.图7b是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的安全区域的火灾风险等级的预测示意图；
52.图8a是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的危险区域的热力图与环境监控数据结合的可视化示意图；
53.图8b是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法的危险区域的火灾风险等级的预测示意图；
54.图9是本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的系统的结构框图；
55.图10是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
56.为使本技术的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
57.需要说明的是，参照图2，在本发明任一实施例中，包括上位机和下位机，下位机的功能为实时收集建筑物环境的相关数据，上位机的功能为分析建筑物环境的实时数据，并评估建筑物不同区域的火灾风险等级和判断建筑物的危险区域。本技术可选用操作系统为ubuntu的工控机作为上位机硬件部分，上位机软件部分由人工智能模型组成，选用多模态注意力神经网络(multi-modality and attention neural network，mmann)，其网络结构参照图3，由温度处理模块、图片处理模块、烟雾浓度处理模块、气体浓度处理模块、建筑物属性分析模块和综合处理模块组成，用于共同分析数据；所述下位机由单片机、wifi模块和4种传感器组成，其中，4种传感器分别为：温湿度传感器、烟雾传感器、气体检测传感器和摄像头模组。
58.图2a为下位机硬件连接结构示意图，4种传感器分别连接单片机的一端，单片机的另一端连接wifi传输模块；图2b为下位机与上位机的连接拓扑图，首先4种传感器实时收集环境信息并将数据发送至单片机，单片机整理各类数据后，通过wifi模块定时发送给上位机。由于收集到的环境信息的编码方式不同，上位机需要对各类信息进行不同的预处理，再输入多模态注意力神经网络，预测火灾风险等级和危险区域坐标。
59.参照图1，示出了本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的方法；
60.所述方法包括：
61.s110、获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息；
62.s120、获取目标建筑中目标区域的当前环境信息，并通过由所述第一神经网络预建立的第一关系确定出与所述当前环境信息所对应的当前环境信息处理结果；其中，所述当前环境信息包括当前火源是否存在信息、当前烟雾浓度、当前危险气体浓度和目标建筑的当前基本参数；所述当前环境信息处理结果包括当前火源是否存在信息处理结果、当前烟雾浓度处理结果、当前危险气体浓度处理结果和目标建筑的当前基本参数处理结果；
63.s130、通过第二神经网络预建立的第二关系确定出与所述当前环境信息处理结果所对应的目标建筑中目标区域的当前火灾风险等级。
64.在本技术的实施例中，通过人工智能模型建立建筑物的相关信息与对应的火灾风险等级之间的对应关系；其中，所述人工智能模型包括第一模型；所述第一模型包括第一神经网络和第二神经网络，所述对应关系包括第一关系和第二关系，所述相关信息包括目标建筑中目标区域的温度、烟雾浓度、危险气体浓度、环境监控数据以及对应的目标建筑的基本参数；所述方法包括：获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息；获取目标建筑中目标区域的当前环境信息，并通过由所述第一神经网络预建立的第一关系确定出与所述当前环境信息所对应的当前环境信息处理结果；其中，所述当前环境信息包括当前火源是否存在
信息、当前烟雾浓度、当前危险气体浓度和目标建筑的当前基本参数；所述当前环境信息处理结果包括当前火源是否存在信息处理结果、当前烟雾浓度处理结果、当前危险气体浓度处理结果和目标建筑的当前基本参数处理结果；通过第二神经网络预建立的第二关系确定出与所述当前环境信息处理结果所对应的目标建筑中目标区域的当前火灾风险等级。通过物联网实时获取建筑物当前的环境信息，为后续动态评估火灾风险提供了数据基础，通过神经网络实时动态评估出建筑物的火灾风险等级，可以对建筑物进行有效的监管。
65.下面，将对本示例性实施例中一种基于物联网监测的火灾风险动态评估的方法作进一步地说明。
66.如所述步骤s110所述，获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息。
67.在本发明一实施例中，可以结合下列描述进一步说明步骤s110所述“获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息”的具体过程。
68.在本发明一实施例中，所述第一模型还包括第三神经网络，所述对应关系还包括第三关系。
69.如下列步骤所述，获取目标建筑中目标区域的当前温度和当前环境监控数据，并通过由所述第三神经网络预建立的第三关系确定出与所述当前温度所对应的当前热力图。
70.作为一种示例，建筑物内的温度是判断火灾风险等级的重要指标，利用人工神经网络算法来分析建筑物中不同区域的温度对应的热力图规律，通过人工神经网络的自学习、自适应特性找到目标区域的温度与热力图间的映射规律。
71.本发明提出了温度处理模块，该温度处理模块主要由第三神经网络组成，通过所述第三神经网络建立温度与热力图之间的第三关系，达到向模块输入温度数据后能够得到对应热力图的效果。第三神经网络可以选用全连接神经网络(fully connected neural network，fcnn)，其输入大小为32
×
1，32表示32个温度传感器的值。全连接层由5层隐藏层组成，隐藏层的神经元个数都为2048，隐藏层的激活函数采用relu，最后将输出层的神经元转化为一个224
×
224的二维矩阵作为热力图，公式如下所示：
72.map＝reshape(f(a(f(a(f(a(f(a(f(a(x)))))))))))
ꢀꢀ
(1)
73.a(x)＝wx b
ꢀꢀ
(2)
74.其中，公式(1)表示温度经过全连接神经网络处理生成热力图；公式(2)即a(x)表示隐藏层的线性计算，w是权重矩阵，进行线性变换，b是偏置；f(*)是激活函数relu；reshape(*)函数是将一维数据转化成大小的矩阵；map表示生成的热力图。
75.在本技术一实施例中，第三神经网络的输入数据为目标建筑中目标区域的温度，温度按照时间顺序定时输入到全连接神经网络模型中，从而使第三神经网络从理论上既可以从过去的温度数据中获取信息，也可以根据最新记录的温度数据来调整热力图输出。第三神经网络的输出为当前温度所对应的热力图。
76.在训练第三神经网络时，通过对大量建筑物的不同区域温度情况(包括但不限于如下的一种或多种：零下10℃-10℃、10℃-30℃、30℃-40℃、40℃-200℃等)对应的热力图汇总收集，选取若干不同区域对应的温度及热力图作为样本数据，并结合预存的专家经验信息，对神经网络进行训练。例如：搜集不同地点的建筑物的温度数据及对应的热力图；以
及，搜集同一建筑物在不同时间段的温度数据及对应的热力图；以及，搜集同一建筑物在不同使用情况下的温度数据及对应的热力图。由此，通过多种途径收集数据，有利于增加数据的量，提升人工神经网络的学习能力，进而提升确定的对应关系的精准性和可靠性。
77.利用人工神经网络算法，通过调整网络结构及网络节点间的权值，使神经网络拟合不同区域对应的温度及热力图之间的关系，最终使神经网络能准确拟合出不同建筑的不同区域对应的温度及热力图的对应关系。
78.温度处理模块使用第三神经网络来识别建筑物目标区域当前的温度数据以及输出热力图的任务。需要说明的是，温度数据由温湿度传感器在建筑物中的目标区域进行采集，再通过wifi模块将温度数据上传至上位机中，作为第一子神经网络的输入，其中，wifi模块优选为esp8266模块。
79.在一具体实现中，在训练好的第三神经网络后，可以将其用于对建筑物中不同区域的当前温度数据来生成对应的当前热力图。在建筑物中每50m2分别安装32个温湿度传感器，用于收集这块区域内的当前温度，便于得到目标区域更接近真实的当前温度分布，其中，温湿度传感器的硬件选型为dht11模块。每个温湿度传感器将采集到的当前温度数据上传给单片机后，单片机通过wifi模块，每间隔5分钟将数据发送给上位机，其中，单片机之间发送数据的时间间隔差为秒，n为建筑物中下位机的数量，通过定时发送建筑物环境的动态数据，为后续上位机动态评估火灾风险提供了数据基础。
80.如下列步骤所述，依据所述当前热力图和所述当前环境监控数据生成当前火源是否存在信息。
81.需要说明的是，所述当前环境监控数据由摄像头模组在建筑物中进行采集，再通过wifi模块将环境监控数据上传至上位机中。
82.作为一种示例，参照图4，本发明提出了火源是否存在信息生成模块，对通过摄像头模组采集到的当前环境监控数据进行裁剪，再与所述热力图在通道维度进行拼接，得到当前火源是否存在信息，通过所述当前火源是否存在信息可以得到该图片区域内的详细的当前温度信息和当前明火使用情况，数据的融合促进了网络模型准确性的提升。
83.在一具体实现中，在建筑物中每50m2安装一个摄像头，收集这块区域内的当前环境监控数据，便于更好地检测建筑物内的明火使用情况，所述摄像头模组的硬件选型为ov7670模块。每个摄像头将采集到的当前环境监控数据上传给单片机后，单片机通过wifi模块，每间隔5分钟将数据发送给上位机，其中，单片机之间发送数据的时间间隔差为秒，n为建筑物中下位机的数量，通过定时发送建筑物环境的动态数据，为后续上位机动态评估火灾风险提供了数据基础。
84.如所述步骤s120所述，获取目标建筑中目标区域的当前环境信息，并通过由所述第一神经网络预建立的第一关系确定出与所述当前环境信息所对应的当前环境信息处理结果；其中，所述当前环境信息包括当前火源是否存在信息、当前烟雾浓度、当前危险气体浓度和目标建筑的当前基本参数；所述当前环境信息处理结果包括当前火源是否存在信息处理结果、当前烟雾浓度处理结果、当前危险气体浓度处理结果和目标建筑的当前基本参数处理结果。
85.在本发明一实施例中，可以结合下列描述进一步说明步骤s120所述“获取目标建筑中目标区域的当前环境信息，并通过由所述第一神经网络预建立的第一关系确定出与所述当前环境信息所对应的当前环境信息处理结果；其中，所述当前环境信息包括当前火源是否存在信息、当前烟雾浓度、当前危险气体浓度和目标建筑的当前基本参数；所述当前环境信息处理结果包括当前火源是否存在信息处理结果、当前烟雾浓度处理结果、当前危险气体浓度处理结果和目标建筑的当前基本参数处理结果”的具体过程。
86.在本发明一实施例中，所述第一模型包括第一神经网络和第二神经网络，所述对应关系包括第一关系和第二关系，所述相关信息包括目标建筑中目标区域的温度、烟雾浓度、危险气体浓度、环境监控数据以及对应的目标建筑的基本参数。
87.如下列步骤所述，通过所述第一神经网络建立目标建筑中目标区域的环境信息与环境信息处理结果的所述第一关系。
88.在本发明一实施例中，可以结合下列描述进一步说明步骤“通过所述第一神经网络建立目标建筑中目标区域的环境信息与环境信息处理结果的所述第一关系”的具体过程。
89.在本发明一实施例中，所述第一神经网络包括第一子神经网络、第二子神经网络、第三子神经网络和第四子神经网络；所述第一关系包括第一子关系、第二子关系、第三子关系和第四子关系。
90.如下列步骤所述，通过所述第一子神经网络建立火源是否存在信息与火源是否存在信息处理结果之间的第一子关系。
91.作为一种示例，本发明提出图像处理模块，该图像处理模块主要由第一子神经网络组成，用于对火源是否存在信息进行预处理，利用人工神经网络算法来分析建筑物中不同区域的火源是否存在信息对应的火源是否存在信息处理结果规律。
92.在一具体实现中，参照图5，第一子神经网络可以选用增强卷积神经网络(improved convolutional neural network)，增强卷积神经网络的网络架构设计借鉴了encoder-decoder(编码－解码)的思想，这可以在不损失性能的情况下有效减少计算量。增强卷积神经网络结构示意如图5所示，其分为主干网络和支路网络，其中，主干网络有10层卷积层、3层池化层和3层上采样层；支路网络中，每条支路上只有一层卷积层。增强卷积神经网络的输入大小为4
×
224
×
224，4表示输入的图片数据和热力图的通道数之和，224
×
224表示图片的分辨率。所有卷积层的卷积核均为3
×
3，池化层采用平均池化，分辨率降为原来的一半，上采样层采用转置卷积，分辨率变为原来的两倍。主干上的第2、3、4和5层卷积层后的输出结果分别输入至支路卷积层中进行特征增强，之后和第6、7、8和9层卷积层的特征进行融合。最后对提取的特征进行池化和展平处理，得到最终的结果，最后的输出大小为588
×
1。公式如下所示：
93.f1＝g(i
input
)
ꢀꢀ
(3)
94.f2＝z(g(f1))
ꢀꢀ
(4)
95.f
′2＝z(g(f2))
ꢀꢀ
(5)
96.f3＝z(g(p(f2)))
ꢀꢀ
(6)
97.f
′3＝z(g(f3))
ꢀꢀ
(7)
98.f4＝z(g(p(f3)))
ꢀꢀ
(8)
99.f
′4＝z(g(f4))
ꢀꢀ
(9)
100.f5＝z(g(p(f4)))
ꢀꢀ
(10)
101.f
′5＝z(g(f5))
ꢀꢀ
(11)
102.f6＝z(g(f5))
ꢀꢀ
(12)
[0103]voutput
＝r(g(z(g(up(z(g(up(z(g(up(f6 f
′5) f
′4))) f
′3))) f
′2))))
ꢀꢀ
(13)
[0104]
其中，公式(3)表示输入i
input
经过第1层卷积层计算得到特征f1，公式(4)表示特征f1经过第2层卷积层计算得到特征f2，公式(5)表示特征f2经过支路卷积层计算得到f
′2，公式(6)表示特征f2经过池化层和第3层卷积层计算得到特征f3，公式(7)表示特征f3经过支路卷积层计算得到特征f
′3，公式(8)表示特征f3经过池化层和第4层卷积层计算得到特征f4，公式(9)表示特征f4经过支路卷积层计算得到特征f
′4，公式(10)表示特征f4经过池化层和第5层卷积层计算得到特征f5，公式(11)表示特征f5经过支路卷积层计算得到特征f
′5，公式(12)表示特征f5经过第6层卷积层计算得到特征f6；公式(13)表示特征f6、特征f
′2、特征f
′3、特征f
′4和特征f
′5经过上采样层和第6、7、8和9层卷积层和下采样层计算，并将二维特征展平为一维向量，得到输出向量v
output
；g表示卷积层的卷积运算，z表示激活函数relu，p表示池化层的平均池化运算，up表示上采样层转置卷积运算，r表示平均池化运算并将二维矩阵展平为一维向量运算。
[0105]
作为一种示例，在训练第一子神经网络时，使用目标建筑的不同区域的大量火源是否存在信息作为训练集的输入，使用训练集中的火源是否存在信息的每个数据所对应的火源是否存在信息处理结果作为每个对应数据点对应的训练输出，从而构建第一子神经网络的结构，并对其有监督的训练。在训练好第一子神经网络后，可以将其用于对建筑物中不同区域的火源是否存在信息来生成对应的火源是否存在信息处理结果。
[0106]
如下列步骤所述，通过所述第二子神经网络建立烟雾浓度与烟雾浓度处理结果之间的第二子关系。
[0107]
作为一种示例，在训练第二子神经网络时，收集建筑物中不同区域的烟雾浓度及烟雾浓度处理结果作为样本数据，对第二子神经网络进行训练。例如：样本搜集：不同建筑物在同一时间的烟雾浓度及对应的烟雾浓度处理结果；以及，同一建筑物在不同时间的烟雾浓度对应的烟雾浓度处理结果等。在训练好第二子神经网络后，可以将其用于对建筑物中不同区域的烟雾浓度来生成对应的烟雾浓度处理结果。
[0108]
在一具体实现中，在建筑物中每50m2安装32个烟雾浓度传感器，收集这块区域内烟雾浓度，便于得到这块更接近真实烟雾浓度分布，其硬件选型为mq-2传感器模块。每个烟雾浓度传感器将采集到的烟雾浓度上传给单片机后，单片机通过wifi模块，每间隔5分钟将数据发送给上位机，其中，单片机之间发送数据的时间间隔差为秒，n为建筑物中下位机的数量，通过定时发送建筑物环境的动态数据，为后续上位机动态评估火灾风险提供了数据基础。
[0109]
如下列步骤所述，通过所述第三子神经网络建立危险气体浓度与危险气体浓度处理结果之间的第三子关系；
[0110]
作为一种示例，在训练第三子神经网络时，收集建筑物中不同区域的危险气体浓度及危险气体浓度处理结果作为样本数据，对第三子神经网络进行训练。例如：样本搜集：
在建筑物火灾发生前收集易燃易爆气体(如乙醇、甲烷和液化气等)的浓度；在建筑物火灾发生后收集特殊气体(如一氧化碳和二氧化碳等)的浓度。在训练好第三子神经网络后，可以将其用于对建筑物中不同区域的危险气体浓度来生成对应的危险气体浓度处理结果。
[0111]
在一具体实现中，由于自然世界中易燃易爆气体和危险气体的多样性，因此在建筑物中每50m2区域分别安装32个3种不同类型的气体检测传感器，分别收集建筑物中不同位置的甲烷、乙醇、液化气、一氧化碳和二氧化碳气体的浓度，可以更准确地分析不同危险气体给建筑物带来的隐患，其中，3种气体传感器的硬件选型分别为mq-3模块、mq-5模块和mq-7模块。每个气体传感器将采集到的温度数据上传给单片机后，单片机通过wifi模块，每间隔5分钟将数据发送给上位机，其中，单片机之间发送数据的时间间隔差为秒，n为建筑物中下位机的数量，通过定时发送建筑物环境的动态数据，为后续上位机动态评估火灾风险提供了数据基础。
[0112]
如下列步骤所述，通过所述第四子神经网络建立目标建筑的基本参数与目标建筑的基本参数处理结果之间的第四子关系。
[0113]
作为一种示例，在训练第四子神经网络时，收集目标建筑的基本参数及目标建筑的基本参数处理结果作为样本数据，对第四子神经网络进行训练。其中，目标建筑的基本参数包括但不限于建筑物的类型、消防设施、建筑物面积和建筑物使用年限等。在训练好第四子神经网络后，可以将其用于对建筑物中不同区域的危险气体浓度来生成对应的危险气体浓度处理结果。
[0114]
在一具体实现中，本发明提出烟雾浓度处理模块、危险气体浓度处理模块和建筑物属性分析模块，上述模块分别由第二子神经网络、第三子神经网络和第四子神经网络组成，上述第二子神经网络、第三子神经网络和第四子神经网络均可以选用网络结构相同的全连接神经网络(fully connected neural network)，分别用于对烟雾浓度数据、危险气体浓度数据和目标建筑的基本参数进行分析，上述全连接神经网络的输入大小为32
×
1，共有5层隐藏层，每个隐藏层的神经元个数为6144，隐藏层神经元的激活函数采用sigmoid函数；输出层的神经元个数为588，公式如下所示：
[0115]
out＝f(a(f(a(f(a(f(a(f(a(x))))))))))
ꢀꢀ
(14)
[0116]
a(x)＝wx b
ꢀꢀ
(15)
[0117]
其中，公式(14)表示烟雾浓度数据、危险气体浓度数据或目标建筑的基本参数经过全连接神经网络进行分析；公式(15)即a(x)表示隐藏层的线性计算；w是权重矩阵；b是偏置；f(*)是隐藏层神经元的激活函数sigmoid函数，out是全连接神经网络的输出。
[0118]
如所述步骤s130所述，通过第二神经网络预建立的第二关系确定出与所述当前环境信息处理结果所对应的目标建筑中目标区域的当前火灾风险等级。
[0119]
在本发明一实施例中，可以结合下列描述进一步说明步骤s130所述“通过第二神经网络预建立的第二关系确定出与所述当前环境信息处理结果所对应的目标建筑中目标区域的当前火灾风险等级”的具体过程。
[0120]
在发明一实施例中，所述第一模型包括第一神经网络和第二神经网络，所述对应关系包括第一关系和第二关系，所述相关信息包括目标建筑中目标区域的温度、烟雾浓度、危险气体浓度、环境监控数据以及对应的目标建筑的基本参数。
[0121]
如下列步骤所述，通过所述第二神经网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与目标建筑中目标区域的火灾风险等级的所述第二关系。
[0122]
在本发明一实施例中，可以结合下列描述进一步说明步骤“通过所述第二神经网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与目标建筑中目标区域的火灾风险等级的所述第二关系”的具体过程。
[0123]
在本发明一实施例中，所述第二神经网络包括第一预测子网络和第二预测子网络，所述第二关系包括第五子关系和第六子关系。
[0124]
如下列步骤所述，通过所述第一预测子网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与综合处理结果之间的第五子关系。
[0125]
在一具体实现中，参照图6，本发明提出了综合处理模块，该综合处理模块主要由第二神经网络组成，第二神经网络包括第一预测子网络，第一预测子网络可以选用注意力机制网络，注意力机制网络由自注意力函数组成，达到向神经网络输入火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果后能够得到综合处理结果的效果，其公式如下所示：
[0126]
out
attention
＝f
self-attention
(wqx,wkx,wvx)
ꢀꢀ
(16)
[0127][0128]
其中，公式(16)表示输入x做自注意力计算，f
self-attention
(*)表示自注意力函数，wq、wk、wv分别表示三个不同矩阵，在进行三次不同的线性变换之后再输入至自注意力函数中；公式(17)表示f
self-attention
(*)的计算过程，softmax(*)表示softmax函数，d表示归一化因子。
[0129]
通过将火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果之和作为第一预测子网络的输入，生成综合处理结果，通过注意力机制网络，可以找到更重要的神经元，进而给输入数据赋予更大的权重，可以极大地提高网络模型的性能。
[0130]
作为一种示例，在训练第一预测子网络时，收集建筑物中不同区域的火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果作为样本数据，对第一预测子网络进行训练。在训练好第一预测子网络后，可以将其用于对建筑物中不同区域的火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果来生成对应的综合处理结果。
[0131]
如下列步骤所述，通过所述第二预测子网络建立综合处理结果与火灾风险等级之间的第六子关系。
[0132]
在一具体实现中，第二神经网络还包括第二预测子网络，第二预测子网络为火灾风险等级预测网络，其可以选用全连接神经网络(fully connected neural network)，网络的输入大小为588
×
1，共有5层隐藏层，隐藏层的神经元个数为6,144，隐藏层神经元的激活函数采用sigmoid函数；输出层的神经元个数为4。其公式如下：
[0133]
out
等级
＝f(a(f(a(f(a(f(a(f(a(out
attention
))))))))))
ꢀꢀꢀꢀꢀꢀ
(18)
[0134]
a(x)＝wx b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0135]
其中，out
attention
表示注意力机制网络的输出；公式(18)表示注意力机制网络的输出经过全连接神经网络对火灾风险等级的预测；out
等级
表示预测的火灾风险等级。公式(19)即a(x)表示某层隐藏层的线性计算，w是权重矩阵，b是偏置；f(*)是隐藏层神经元的激活函数sigmoid函数。
[0136]
作为一种示例，在训练第二预测子网络时，收集建筑物中不同区域的综合处理结果作为样本数据，对第二预测子网络进行训练。在训练好第二预测子网络后，可以将其用于对建筑物中不同区域的综合处理结果来生成对应的火灾风险等级。
[0137]
在一具体实现中，对建筑物中不同区域预测的火灾风险等级可以分为4级，分别为：1级、安全的；2级、临界的；3级、危险的；4级、破坏的；其对应的预防措施为：1级、正常；2级、需要确保措施实施；3级、采取应急措施；4级、整改。
[0138]
在本发明一实施例中，可以结合下列描述进一步说明所述“通过所述第二神经网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与目标建筑中目标区域的火灾风险等级的所述第二关系”的具体过程。
[0139]
在本发明一实施例中，所述第二神经网络包括第三预测子网络，所述第二关系包括第七子关系；当所述第二神经网络输出所述火灾风险等级为预设的火灾风险等级时，调用所述第三预测子网络。
[0140]
如下列步骤所述，当所述火灾风险等级为危险级或破坏级时，通过所述第三预测子网络预建立的第七子关系确定出与所述当前火灾风险等级为危险级或破坏级的目标区域所对应的当前危险区域坐标。
[0141]
作为一种示例，第二神经网络还包括第三预测子网络，第三预测子网络的作用是当所述第二预测子网络预测到目标建筑存在危险级或破坏级的区域时，对当前危险区域坐标进行预测。第三预测子网络为危险区域坐标预测网络，其也可以选用与第二预测子网络相同网络结构的全连接神经网络，其公式如下：
[0142]
out
坐标
＝f(a(f(a(f(a(f(a(f(a(out
attention
))))))))))
ꢀꢀꢀ
(20)
[0143]
a(x)＝wx b
ꢀꢀꢀꢀꢀ
(21)
[0144]
其中，out
attention
表示注意力机制网络的输出；公式(20)表示注意力机制网络的输出经过全连接神经网络对危险区域的预测，out
坐标
表示预测的危险区域的四个坐标；公式(21)即a(x)表示某层隐藏层的线性计算，w是权重矩阵，b是偏置；f(x)是隐藏层神经元的激活函数sigmoid函数。
[0145]
作为一种示例，在训练第三预测子网络时，收集目标建筑物中不同区域的火灾风险等级作为样本数据，对第三预测子网络进行训练。在训练好第三预测子网络后，可以将其用于对目标建筑物中不同区域的火灾风险等级来生成对应的危险区域坐标，并用矩形将危险区域标注出。
[0146]
在一具体实施例中，以监管的建筑物的两个区域为例，图7a和图7b为监管的建筑物的同一片区域，其中，图7a是上位机中温度处理模块输出的热力图与环境监控数据相结合的可视化示意图，图7b表示多模态神经网络的输出，此时当前区域安全，且火灾风险等级
为1。
[0147]
图8a和图8b为监管的建筑物的另一片区域，其中，图8a为下位机中温度处理模块输出的热力图与环境监控数据相结合的可视化示意图，图8b表示多模态注意力神经网络的输出，此时当前区域危险，且火灾风险等级为4，通过本是实施例提供的方法识别出图中有危险区域且将多模态注意力神经网络预测的坐标用矩形进行标注。
[0148]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0149]
参照图9，示出了本技术一实施例提供的一种基于物联网监测的火灾风险动态评估的系统；所述系统应用于通过人工智能模型建立建筑物的相关信息与对应的火灾风险等级之间的对应关系；其中，所述人工智能模型包括第一模型；
[0150]
所述第一模型包括第一神经网络和第二神经网络，所述对应关系包括第一关系和第二关系，所述相关信息包括目标建筑中目标区域的温度、烟雾浓度、危险气体浓度、环境监控数据以及对应的目标建筑的基本参数；
[0151]
具体包括：
[0152]
当前火源是否存在信息生成模块910，用于获取目标建筑中目标区域的当前温度和当前环境监控数据，并依据所述当前温度和所述当前环境监控数据生成当前火源是否存在信息；
[0153]
当前处理结果确定模块920，用于获取目标建筑中目标区域的当前环境信息，并通过由所述第一神经网络预建立的第一关系确定出与所述当前环境信息所对应的当前环境信息处理结果；其中，所述当前环境信息包括当前火源是否存在信息、当前烟雾浓度、当前危险气体浓度和目标建筑的当前基本参数；所述当前环境信息处理结果包括当前火源是否存在信息处理结果、当前烟雾浓度处理结果、当前危险气体浓度处理结果和目标建筑的当前基本参数处理结果；
[0154]
当前火灾风险等级确定模块930，用于通过第二神经网络预建立的第二关系确定出与所述当前环境信息处理结果所对应的目标建筑中目标区域的当前火灾风险等级。
[0155]
在本发明一实施例中，所述当前火源是否存在信息生成模块910，包括：
[0156]
当前温度处理模块，用于获取目标建筑中目标区域的当前温度，并通过由所述第三神经网络预建立的第三关系确定出与所述当前温度所对应的当前热力图；
[0157]
当前火源是否存在信息生成模块，用于依据所述当前热力图和所述当前环境监控数据生成当前火源是否存在信息。
[0158]
在本发明一实施例中，所述当前处理结果确定模块920，包括：
[0159]
第一关系确定模块，用于通过所述第一神经网络建立目标建筑中目标区域的环境信息与环境信息处理结果的所述第一关系。
[0160]
在本发明一实施例中，所述第一关系确定模块，包括：
[0161]
第一子关系确定子模块，用于通过所述第一子神经网络建立火源是否存在信息与火源是否存在信息处理结果之间的第一子关系；
[0162]
第二子关系确定子模块，用于通过所述第二子神经网络建立烟雾浓度与烟雾浓度处理结果之间的第二子关系；
[0163]
第三子关系确定子模块，用于通过所述第三子神经网络建立危险气体浓度与危险
气体浓度处理结果之间的第三子关系；
[0164]
第四子关系确定子模块，用于通过所述第四子神经网络建立目标建筑的基本参数与目标建筑的基本参数处理结果之间的第四子关系。
[0165]
在本发明一实施例中，所述当前火灾风险等级确定模块930，包括：
[0166]
第二关系确定模块，用于通过所述第二神经网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与目标建筑中目标区域的火灾风险等级的所述第二关系。
[0167]
在本发明一实施例中，所述第二关系确定模块，包括：
[0168]
第五子关系确定子模块，用于通过所述第一预测子网络建立火源是否存在信息处理结果、烟雾浓度处理结果、危险气体浓度处理结果和目标建筑的基本参数处理结果与综合处理结果之间的第五子关系；
[0169]
第六子关系确定子模块，用于通过所述第二预测子网络建立综合处理结果与火灾风险等级之间的第六子关系。
[0170]
在本发明一实施例中，所述当前火灾风险等级确定模块930，还包括：
[0171]
第七子关系确定模块，用于当所述火灾风险等级为危险级或破坏级时，通过所述第三预测子网络预建立的第七子关系确定出与所述当前火灾风险等级为危险级或破坏级的目标区域所对应的当前危险区域坐标。
[0172]
参照图10，示出了本技术的一种基于物联网监测的火灾风险动态评估的方法的计算机设备，具体可以包括如下：
[0173]
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
[0174]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、音视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0175]
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0176]
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本技术各实施例的功能。
[0177]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模
块42通常执行本技术所描述的实施例中的功能和/或方法。
[0178]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过i/o接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan))，广域网(wan)和/或公共网络(例如因特网)通信。如图10所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图10中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统34等。
[0179]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种基于物联网监测的火灾风险动态评估的方法。
[0180]
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术所有实施例提供的一种基于物联网监测的火灾风险动态评估的方法。
[0181]
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0182]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0183]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如java、smalltalk、c ，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0184]
尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例范围的所有变更和修改。
[0185]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0186]
以上对本技术所提供的一种基于物联网监测的火灾风险动态评估的方法及系统，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。