基于知识推理的主动救援决策方法及装置

1.本发明涉及计算机技术领域，尤其涉及一种基于知识推理的主动救援决策方法及装置。


背景技术：

2.现有的救援决策都是基于专家经验制定的，根据专家的经验对灾情现场进行分析判断，从而确定救援决策。
3.现有的基于专家经验制定的救援决策，是通过人为的决策。现场情景往往非常复杂，针对不同的场景通常需要不同的救援方式和救援设备，需要人为储备大量的专业经验和背景知识。


技术实现要素：

4.本发明提供一种基于知识推理的主动救援决策方法及装置，用以解决现有技术中在针对灾情场景的救援决策时，需要依赖储备大量的专业经验和背景知识的技术专家进行认为判定，导致人力成本高的技术问题。
5.本发明提供一种基于知识推理的主动救援决策方法，包括：
6.获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；
7.从灾情知识图谱中确定所述多个灾情状态类别对应的多个灾情实体，并分别确定各灾情实体与所述灾情知识图谱中各实体的相似度；
8.根据所述各灾情状态类别对应的类别概率，以及所述相似度，从所述灾情知识图谱的各实体中确定目标实体，并将所述目标实体的实体信息作为救援决策结果。
9.根据本发明提供的一种基于知识推理的主动救援决策方法，所述多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别。
10.根据本发明提供的一种基于知识推理的主动救援决策方法，所述获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率，包括：
11.将所述灾情场景图像输入视觉感知模型，得到所述视觉感知模型输出的灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；
12.所述视觉感知模型是基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的灾情状态类别标签，对初始视觉感知模型进行训练得到的。
13.根据本发明提供的一种基于知识推理的主动救援决策方法，所述灾情场景图像中的多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别的情况下，还包括：
14.基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的建筑物受损状态类别标签对初始视觉感知模型的第一分类器进行训练，得到所述第一分类器的损失值；
15.基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的建筑物材质类
别标签对初始视觉感知模型的第二分类器进行训练，得到所述第二分类器的损失值；
16.确定所述第一分类器的损失值与所述第二分类器的损失值的相加值，在所述相加值最小的情况下，确定所述视觉感知模型收敛；
17.所述视觉感知模型是联合第一分类器和第二分类器得到的。
18.根据本发明提供的一种基于知识推理的主动救援决策方法，所述分别确定各灾情实体与所述灾情知识图谱中各实体的相似度，包括：
19.根据所述灾情知识图谱中任意两个实体的相似度，构建实体相似度矩阵；
20.根据所述实体相似度矩阵，从所述灾情知识图谱中分别确定各灾情实体与所述灾情知识图谱中各实体的相似度。
21.根据本发明提供的一种基于知识推理的主动救援决策方法，所述确定所述灾情知识图谱中任意两个实体的相似度，包括：
22.根据所述灾情知识图谱中的各实体，确定所述各实体的实体向量，并确定各实体向量间的向量距离；
23.根据所述向量距离，确定所述灾情知识图谱中任意两个实体的相似度。
24.本发明还提供一种基于知识推理的主动救援决策装置，包括：
25.灾情状态类别确定模块，用于获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；
26.相似度确定模块，用于从灾情知识图谱中确定所述多个灾情状态类别对应的多个灾情实体，并分别确定各灾情实体与所述灾情知识图谱中各实体的相似度；
27.救援决策结果确定模块，用于根据所述各灾情状态类别对应的类别概率，以及所述相似度，从所述灾情知识图谱的各实体中确定目标实体，并将所述目标实体的实体信息作为救援决策结果。
28.本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于知识推理的主动救援决策方法。
29.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于知识推理的主动救援决策方法。
30.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于知识推理的主动救援决策方法。
31.本发明提供的基于知识推理的主动救援决策方法及装置，通过获取灾情场景图像中的多个灾情状态类别，根据各灾情状态类别对应的类别概率，以及各灾情状态类别与灾情知识图谱中各实体的相似度，从知识图谱中确定目标实体，作为救援决策结果，实现了根据灾情场景图像即可主动确定救援决策结果，使决策者不需要储备大量的专业知识，降低人力成本的同时提升了救援决策的效率。
附图说明
32.为了更清楚地说明本发明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简要地说明，显而易见地，下面描述中的附图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
获得其他的附图。
33.图1是本发明提供的基于知识推理的主动救援决策方法的流程示意图；
34.图2是应用本发明提供的基于知识推理的主动救援决策方法的流程示意图；
35.图3是应用本发明提供的基于知识推理的主动救援决策方法的装置结构示意图；
36.图4是本发明提供的基于知识推理的主动救援决策装置的结构示意图；
37.图5是本发明提供的电子设备的结构示意图。
具体实施方式
38.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
39.图1为本发明提供的基于知识推理的主动救援决策方法的流程示意图。参照图1，本发明提供的基于知识推理的主动救援决策方法可以包括：
40.步骤110，获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；
41.步骤120，从灾情知识图谱中确定所述多个灾情状态类别对应的多个灾情实体，并分别确定各灾情实体与所述灾情知识图谱中各实体的相似度；
42.步骤130，根据所述各灾情状态类别对应的类别概率，以及所述相似度，从所述灾情知识图谱的各实体中确定目标实体，并将所述目标实体的实体信息作为救援决策结果。
43.本发明提供的基于知识推理的主动救援决策方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)或个人计算机(personal computer，pc)等，本发明不作具体限定。
44.下面以计算机执行本发明提供的基于知识推理的主动救援决策方法为例，详细说明本发明的技术方案。
45.在步骤110中，在灾情发生后，获取灾情场景图像，并根据灾情场景图像，获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率。
46.灾情场景图像指的是灾情发生后，灾情场景的受灾状态图像。灾情可以包括地震灾情、海啸灾情等自然灾害，也可以是房屋倒塌、建筑物损毁等人为导致的灾害。
47.灾情状态类别用于反映灾情场景图像中的灾情情况。灾情状态类别可以包括建筑物受损状态类别以及建筑物材质类别等。通过对灾情状态类别的分析，可以实现对灾情场景中受灾情况进行确定，从而可以确定需要采取的救援决策。
48.可选地，可以通过训练后的分类器，对灾情场景图像中的灾情状态类别进行分类。从而确定灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率。
49.在步骤120中，构建灾情知识图谱，从预先构建的灾情知识图谱中确定多个灾情状
态类别对应的多个灾情实体。将各灾情实体中的每一个灾情实体分别与灾情知识图谱中每一个实体进行相似度计算，确定各灾情实体与灾情知识图谱中各实体的相似度。
50.知识图谱(knowledge graph)，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
51.灾情知识图谱是基于灾情场景中可能出现的所有灾情状态类别以及各灾情状态类别对应的救援策略确定的。通过构建各灾情状态类别的实体，以及各实体对应的关系，确定灾情知识推理关系的灾情知识图谱。其中，救援策略包括救援措施、救援方法和救援设备。
52.可以理解的是，在确定灾情场景中的灾情状态类别后，由于灾情知识图谱是基于灾情状态类别构建的，所以可以确定灾情知识图谱中灾情状态类别对应的实体。根据灾情知识图谱中灾情状态类别对应的实体，可以从灾情知识图谱中确定各灾情状态类别对应实体的救援措施、救援方法和救援设备相关的实体，从而最终实现根据灾情知识图谱的知识推理的方式，对灾情场景中的救援决策的确定。
53.在步骤130中，根据步骤110中确定的各灾情状态类别对应的类别概率，以及步骤120中确定的各灾情实体中的每一个灾情实体分别与灾情知识图谱中每一个实体的相似度，从灾情知识图谱的各实体中确定目标实体，并将目标实体的实体信息作为救援决策结果。
54.可以理解的是，各灾情状态类别对应的类别概率反应的是各灾情状态类别的可能性。例如，若灾情场景图像中包含的灾情状态类别为建筑物倾斜、建筑物局部坍塌以及废墟，而灾情状态类别中的建筑物局部坍塌类别的概率最大，则对于该灾情场景图像，说明建筑物坍塌的可能性最大。
55.由于灾情知识图谱是基于灾情场景中可能出现的所有灾情状态类别以及各灾情状态类别对应的救援策略确定的，所以可以根据各灾情状态类别以及各灾情实体与灾情知识图谱中各实体的相似度，从灾情知识图谱中确定目标实体，并将目标实体的实体信息作为该灾情场景图像中的救援决策结果。
56.可选地，由于救援策略包括救援措施、救援方法和救援设备。所以，最终确定的目标实体可以包括多个。可以从灾情知识图谱中确定多个实体从而最终确定救援决策结果，即确定救援措施对应的实体、救援方法对应的实体以及救援设备对应的实体，将确定的多个目标实体的实体信息作为救援决策结果。
57.可选地，在灾情场景图像中的多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别，确定救援决策结果可以包括：
58.对于输入的灾情场景图像xi，特征提取器f旨在提取图像xi对应的全局特征描述f(xi)，通过分类器g1和g2分别获取输入图像的多个建筑物受损状态类别以及多个建筑物材质类别以及各类别对应的类别概率。分类器g1会根据全局特征描述f(xi)预测图像中可能包含建筑物受损状态类别{1,
…
,k
′
}中每种类别以及类别对应的概率g1(f(xi))，g2会根据全局特征描述f(xi)预测图像中可能包含建筑物材质{k
′
1,
…
,k}中每种类别以及类别对应的概率g2(f(xi))。
59.对于图像xi，最终确定的救援决策值c(xi)为：
[0060][0061]
其中，j为灾情状态类别，包括多个建筑物受损状态类别以及多个建筑物材质类别；g1(f(xi))j为灾情状态类别j的建筑物受损状态类别的类别概率，g2(f(xi))j为灾情状态类别j的建筑物材质类别的类别概率；map(j)为类别j在灾情知识图谱中对应的灾情实体，u为灾情知识图谱中的所有实体中根据需要设置的部分实体集合，u为实体集合u中的任意实体，a(map(j),u)为u中的任意实体u与类别j在灾情知识图谱中对应的灾情实体的相似度。
[0062]
具体地，可以根据需要设置u中包含的灾情知识图谱的实体。例如，若确定u为灾情知识图谱中所有救援设备相关的实体，则可以从集合u中确定满足要求的所有救援设备。
[0063]
确定满足救援决策值c(xi)满足需求的部分实体u为目标实体，从而实现对目标实体的确定。例如，在确定实体集合u中所有实体的救援决策值c(xi)后，可以对确定的所有救援决策值c(xi)从大到小进行排序，选取前五个救援决策值c(xi)对应的实体u为目标实体。
[0064]
本发明实施例提供的基于知识推理的主动救援决策方法，通过获取灾情场景图像中的多个灾情状态类别，根据各灾情状态类别对应的类别概率，以及各灾情状态类别与灾情知识图谱中各实体的相似度，从灾情知识图谱中确定目标实体，作为救援决策结果，实现了根据灾情场景图像即可主动确定救援决策结果，使决策者不需要储备大量的专业知识，降低人力成本的同时提升了救援决策的效率。
[0065]
在一个实施例中，多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别。
[0066]
对于灾情场景，建筑物受损状态可以直接反应该灾情场景受灾的严重程度。建筑物受损状态类别可以包括建筑物倾斜、建筑物局部坍塌、废墟等。对于灾情场景，不同材质的建筑物需要使用不同材质的救援工具以及救援方式，可以通过建筑物材质确定针对当前灾情场景对应的救援策略。其中，建筑物材质类别可以包括木头、石头、砖头以及钢筋混凝土等。
[0067]
可以理解的是，通过对灾情场景图像中多个建筑物受损状态类别以及多个建筑物材质类别的确定，可以实现对灾情场景中建筑物受灾情况的确定，以及根据受灾情况和建筑物材料，确定对应的救援决策结果。
[0068]
本发明实施例提供的基于知识推理的主动救援决策方法，通过确定灾情场景图像中的多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别，根据建筑物受损状态实现了对灾情场景受损状态的确定，根据建筑物材质类别实现了对救援决策的进一步判定。根据建筑物受损状态类别以及建筑物材质类别实现了对救援决策的准确判定。
[0069]
在一个实施例中，获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率，包括：将所述灾情场景图像输入视觉感知模型，得到所述视觉感知模型输出的灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；所述视觉感知模型是基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的灾情状态类别标签，对视觉感知模型进行训练得到的。
[0070]
将灾情场景图像输入视觉感知模型，根据视觉感知模型，对灾情场景图像中的灾
情状态类别进行识别，得到视觉感知模型输出的灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率。
[0071]
视觉感知模型为有监督的模型，基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的灾情状态类别标签，对初始视觉感知模型视觉感知模型进行训练后，得到视觉感知模型。
[0072]
可选地，视觉感知模型可以为训练后的分类器，通过分类器实现对灾情场景图像中的灾情状态类别的分类，确定灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率。
[0073]
本发明实施例提供的基于知识推理的主动救援决策方法，通过构建视觉感知模型，实现对灾情场景图像中的灾情状态类别的分类，确定灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率，为后续根据灾情状态类别以及对应的类别概率确定救援决策结果的提供了基础。
[0074]
在一个实施例中，灾情场景图像中的多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别的情况下，还包括：基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的建筑物受损状态类别标签对初始视觉感知模型的第一分类器进行训练，得到所述第一分类器的损失值；基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的建筑物材质类别标签对初始视觉感知模型的第二分类器进行训练，得到所述第二分类器的损失值；确定所述第一分类器的损失值与所述第二分类器的损失值的相加值，在所述相加值最小的情况下，确定所述视觉感知模型收敛；所述视觉感知模型是联合第一分类器和第二分类器得到的。
[0075]
灾情场景图像中的多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别的情况下，需要针对建筑物受损状态以及建筑物材质类别分别进行类别分类以及类别概率确定。
[0076]
通过第一分类器和第二分类器构建视觉感知模型，实现对建筑物受损状态以及建筑物材质类别的分别分类。
[0077]
建视觉感知模型由特征提取器f与两个分类器g1和g2组成。对于输入的灾情场景图像xi，特征提取器f旨在提取图像xi对应的全局特征描述f(xi)，通过分类器g1和g2分别获取输入图像的多个建筑物受损状态类别以及多个建筑物材质类别以及各类别对应的类别概率。分类器g1会根据全局特征描述f(xi)预测图像中可能包含建筑物受损状态类别{1,
…
,k
′
}中每种类别以及类别对应的概率g1(f(xi))，g2会根据全局特征描述f(xi)预测图像中可能包含建筑物材质{k
′
1,
…
,k}中每种类别以及类别对应的概率g2(f(xi))。为了使得视觉感知模型对图像能有比较准确的预测结果，确定第一分类器的损失值与所述第二分类器的损失值的相加值即视觉感知模型损失值lc为：
[0078][0079]
其中，n为灾情场景图像样本中图像的数量，xi为灾情场景图像样本第i张图像，z
ij
∈{0,1}，当图像xi中包含第j类时z
ij
＝1，否则z
ij
＝0，g1(f(xi))j为灾情状态类别j的建筑物受损状态类别的类别概率，g2(f(xi))j为灾情状态类别j的建筑物材质类别的类别概率。
[0080]
在第一分类器的损失值与所述第二分类器的损失值的相加值lc最小的情况下，确定由第一分类器和第二分类器构成的视觉感知模型收敛。
[0081]
本发明实施例提供的基于知识推理的主动救援决策方法，灾情场景图像中的多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别的情况下，通过第一分类器和第二分类器构建视觉感知模型，并进行训练，为后续实现对救援决策结果的确定提供了基础。
[0082]
在一个实施例中，分别确定各灾情实体与所述灾情知识图谱中各实体的相似度，包括：根据所述灾情知识图谱中任意两个实体的相似度，构建实体相似度矩阵；根据所述实体相似度矩阵，从灾情知识图谱中分别确定各灾情实体与所述灾情知识图谱中各实体的相似度。
[0083]
对于灾情知识图谱中的所有实体，计算所有实体中任意两个实体的相似度，根据任意两个实体的相似度，构建实体相似度矩阵。
[0084]
可以理解的是，在确定相似度矩阵，以及各灾情实体后，可以通过查询实体相似度矩阵，快速获取各灾情实体与所述灾情知识图谱中各实体的相似度。
[0085]
本发明实施例提供的基于知识推理的主动救援决策方法，通过灾情知识图谱中任意两个实体的相似度，构建实体相似度矩阵，根据所述实体相似度矩阵，通过查询实体相似度矩阵，快速获取各灾情实体与灾情知识图谱中各实体的相似度。
[0086]
在一个实施例中，确定所述灾情知识图谱中任意两个实体的相似度，包括：根据所述灾情知识图谱中的各实体，确定所述各实体的实体向量，并确定各实体向量间的向量距离；根据所述向量距离，确定所述灾情知识图谱中任意两个实体的相似度。
[0087]
根据灾情知识图谱中的各实体，首先确定各实体的向量表示。
[0088]
可选的，对于灾情知识图谱s中的任意三元组(h,l,t)，由l标记的边所产生的函数关系对应于一种映射变换，即当三元组(h,l,t)成立时(t应该是h l的最近邻)，即约束h l≈t。否则，h l应该远离t。根据基于能量的框架，对于一些不相似的度量d，三元组的能量等于d(h l,t)。为了学习这种映射变换，通过训练集中最小化一个基于边界度量的排序损失lg确定：
[0089][0090]
s'
(h,l,t)
＝{(h',l,t)|h'∈e}∪{(h,l,t')|t'∈e}
[0091]
其中，(h,l,t)为灾情知识图谱中满足映射变换的三元组，(h',l,t')为灾情知识图谱任意不满足映射变换的三元组，s'
(h,l,t)
为(h',l,t')类型三元组的集合，[γ d(h l,t)-d(h' l,t')]

表示γ d(h l,t)-d(h' l,t')的正样本部分，γ》0是一个人为定义的边界超参数，e为灾情知识图谱中的所有实体的集合。
[0092]
通过确定损失函数收敛，学习三元组之间满足的映射变换的关系，从而对灾情知识图谱中各实体的实体向量进行确定。
[0093]
在得到满足映射变换的灾情知识图谱每个实体ei的向量表示v(ei)后，可以通过计算各实体向量间的向量距离，确定灾情知识图谱中任意两个实体ei和ej之间的相似度，并构建相似度矩阵a(i,j)＝sim《v(ei),v(ej)》。
[0094]
本发明实施例提供的基于知识推理的主动救援决策方法，通过灾情知识图谱中的各实体向量间的向量距离，确定所述灾情知识图谱中任意两个实体的相似度，构建实体相似度矩阵。并根据所述实体相似度矩阵，通过查询实体相似度矩阵，快速获取各灾情实体与灾情知识图谱中各实体的相似度。
[0095]
下面以一应用本发明提供的基于知识推理的主动救援决策方法的流程示意图图2为例，说明本发明提供的技术方案：
[0096]
步骤210，基于视觉感知模型，获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率。
[0097]
步骤220，获取灾情知识图谱中所有实体对应的实体向量。其中，各实体向量满足三元组中关系和实体的映射关系。
[0098]
步骤230，根据灾情知识图谱中各实体向量间的向量距离，确定灾情知识图谱中任意两个实体的相似度。根据各灾情状态类别对应的类别概率，以及灾情知识图谱中任意两个实体的相似度，从灾情知识图谱的各实体中确定灾情场景最佳的救援措施实体、救援方法实体和救援设备实体。将确定的救援措施实体、救援方法实体和救援设备实体的实体信息，作为救援决策结果。
[0099]
下面以一应用本发明提供的基于知识推理的主动救援决策方法的装置结构示意图为例，说明本发明提供的技术方案：
[0100]
如图3所示，该装置可以包括：
[0101]
知识图谱映射模块310，用于获取灾情知识图谱中所有实体对应的实体向量。构建灾情知识图谱，根据灾情知识图谱中的各实体，确定各实体的实体向量。其中，各实体向量满足三元组中关系和实体的映射关系。
[0102]
视觉感知模块320，基于视觉感知模型中的第一分类器灾情场景图像中的多个灾情状态类别中的多个建筑物受损状态类别以及对应的类别概率。基于视觉感知模型中的第二分类器灾情场景图像中的多个灾情状态类别中的多个建筑物材质类别以及对应的类别概率。
[0103]
决策推理模块330，用于根据各实体的实体向量间的向量距离，确定灾情知识图谱中任意两个实体的相似度，构建实体相似度矩阵。根据各灾情状态类别对应的类别概率，以及实体相似度矩阵，从灾情知识图谱的各实体中确定多个目标实体，并将目标实体的实体信息作为救援决策结果。
[0104]
图4为本发明提供的基于知识推理的主动救援决策装置的结构示意图，如图4所示，该装置包括：
[0105]
灾情状态类别确定模块410，用于获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；
[0106]
相似度确定模块420，用于从灾情知识图谱中确定所述多个灾情状态类别对应的多个灾情实体，并分别确定各灾情实体与所述灾情知识图谱中各实体的相似度；
[0107]
救援决策结果确定模块430，用于根据所述各灾情状态类别对应的类别概率，以及所述相似度，从所述灾情知识图谱的各实体中确定目标实体，并将所述目标实体的实体信息作为救援决策结果。
[0108]
本发明实施例提供的基于知识推理的主动救援决策装置，通过获取灾情场景图像
中的多个灾情状态类别，根据各灾情状态类别对应的类别概率，以及各灾情状态类别与灾情知识图谱中各实体的相似度，从灾情知识图谱中确定目标实体，作为救援决策结果，实现了根据灾情场景图像即可主动确定救援决策结果，使决策者不需要储备大量的专业知识，降低人力成本的同时提升了救援决策的效率。
[0109]
在一个实施例中，灾情状态类别确定模块410具体用于：
[0110]
确定多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别。
[0111]
在一个实施例中，灾情状态类别确定模块410还具体用于：
[0112]
获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率，包括：
[0113]
将所述灾情场景图像输入视觉感知模型，得到所述视觉感知模型输出的灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；
[0114]
所述视觉感知模型是基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的灾情状态类别标签，对初始视觉感知模型进行训练得到的。
[0115]
在一个实施例中，灾情状态类别确定模块410还具体用于：
[0116]
灾情场景图像中的多个灾情状态类别包括多个建筑物受损状态类别以及多个建筑物材质类别的情况下，还包括：
[0117]
基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的建筑物受损状态类别标签对初始视觉感知模型的第一分类器进行训练，得到所述第一分类器的损失值；
[0118]
基于灾情场景图像样本，以及标记了所述灾情场景图像样本对应的建筑物材质类别标签对初始视觉感知模型的第二分类器进行训练，得到所述第二分类器的损失值；
[0119]
确定所述第一分类器的损失值与所述第二分类器的损失值的相加值，在所述相加值最小的情况下，确定所述视觉感知模型收敛；
[0120]
所述视觉感知模型是联合第一分类器和第二分类器得到的。
[0121]
在一个实施例中，相似度确定模块420具体用于：
[0122]
分别确定各灾情实体与所述灾情知识图谱中各实体的相似度，包括：
[0123]
根据所述灾情知识图谱中任意两个实体的相似度，构建实体相似度矩阵；
[0124]
根据所述实体相似度矩阵，从所述灾情知识图谱中分别确定各灾情实体与所述灾情知识图谱中各实体的相似度。
[0125]
在一个实施例中，相似度确定模块420还具体用于：
[0126]
确定所述灾情知识图谱中任意两个实体的相似度，包括：
[0127]
根据所述灾情知识图谱中的各实体，确定所述各实体的实体向量，并确定各实体向量间的向量距离；
[0128]
根据所述向量距离，确定所述灾情知识图谱中任意两个实体的相似度。
[0129]
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于知识推理的主动救援决策方法，该方法包括：
[0130]
获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概
率；
[0131]
从灾情知识图谱中确定所述多个灾情状态类别对应的多个灾情实体，并分别确定各灾情实体与所述灾情知识图谱中各实体的相似度；
[0132]
根据所述各灾情状态类别对应的类别概率，以及所述相似度，从所述灾情知识图谱的各实体中确定目标实体，并将所述目标实体的实体信息作为救援决策结果。
[0133]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0134]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于知识推理的主动救援决策方法，该方法包括：
[0135]
获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；
[0136]
从灾情知识图谱中确定所述多个灾情状态类别对应的多个灾情实体，并分别确定各灾情实体与所述灾情知识图谱中各实体的相似度；
[0137]
根据所述各灾情状态类别对应的类别概率，以及所述相似度，从所述灾情知识图谱的各实体中确定目标实体，并将所述目标实体的实体信息作为救援决策结果。
[0138]
又一方面，本发明还提供一种非暂态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以执行上述各提供的基于知识推理的主动救援决策方法，该方法包括：
[0139]
获取灾情场景图像中的多个灾情状态类别，以及各灾情状态类别对应的类别概率；
[0140]
从灾情知识图谱中确定所述多个灾情状态类别对应的多个灾情实体，并分别确定各灾情实体与所述灾情知识图谱中各实体的相似度；
[0141]
根据所述各灾情状态类别对应的类别概率，以及所述相似度，从所述灾情知识图谱的各实体中确定目标实体，并将所述目标实体的实体信息作为救援决策结果。
[0142]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0143]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上
述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0144]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。