技术领域
[0001] 本申请涉及火灾溯源定位技术领域，特别涉及一种基于深度学习的火源准确定位方法和装置。
相关背景技术
[0002] 相关技术中，火灾报警系统主要依赖于烟雾传感器、温度传感器等进行探测，一旦传感器触发报警，即可初步判断火灾发生区域。
[0003] 然而，相关技术中，在光线不足、存在其他热源或火焰被遮挡等情况下，传感器容易出现误报或漏报，导致火源定位精度不稳定，从而难以准确定位火源位置，严重影响灭火救援效率，延误最佳救援时机，亟待改进。
具体实施方式
[0035] 下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0036] 下面参考附图描述本申请实施例的基于深度学习的火源准确定位方法及装置。针对上述背景技术中心提到的相关技术中，在光线不足、存在其他热源或火焰被遮挡等情况下，传感器容易出现误报或漏报，导致火源定位精度不稳定，从而难以准确定位火源位置，严重影响灭火救援效率，延误最佳救援时机的问题，本申请提供了一种基于深度学习的火源准确定位方法，在该方法中，可以获取火灾区域的传感器数据集和火源信息数据集，能综合多方面数据进行分析；根据传感器数据集生成特征向量得到特征矩阵，并获取对应火源信息构建训练集、验证集和测试集，使得数据处理更为系统和有条理，有助于提高模型的准确性和可靠性；基于这些数据集利用深度学习策略预测火源信息并得到定位信息，借助深度学习强大的学习和分析能力，精准定位火源，为火灾应对提供准确的信息支持，有助于提高火灾救援的效率和成功率。由此，解决了相关技术中，在光线不足、存在其他热源或火焰被遮挡等情况下，传感器容易出现误报或漏报，导致火源定位精度不稳定，从而难以准确定位火源位置，严重影响灭火救援效率，延误最佳救援时机的问题。
[0037] 具体而言，图1为本申请实施例所提供的一种基于深度学习的火源准确定位方法的流程示意图。
[0038] 如图1所示，该基于深度学习的火源准确定位方法包括以下步骤：
[0039] 在步骤S101中，获取火灾区域的传感器数据集和火源信息数据集。
[0040] 需要说明的是，通过现有基于深度学习的火源定位技术对传感器数据进行实时定位时，由于火灾情况的严重性和潜在危险，对模型的准确性要求极高，错误的定位可能导致严重后果，因此需要算法模型通过历史算例获得良好训练，适应各种复杂的火灾场景和不同的环境条件，实现火源的准确定位。
[0041] 在实际执行过程中，建筑内部发生过多次火灾并设有D个传感器，每次火灾对应的数据文件包括D列传感器数据，将每次火灾对应的数据文件和传感器信息作为火灾区域的传感器数据集；对于任意一次火灾，获取记录的火源信息，对建筑内部所发生过的火灾进行火源信息记录，得到火灾区域的火源信息数据集。
[0042] 本申请实施例可以通过获取包含多次火灾数据文件及传感器信息的传感器数据集，以及记录多次火灾火源信息的火源信息数据集，利用历史算例对算法模型进行良好训练，这有助于模型适应复杂火灾场景和不同环境条件，从而实现火源的准确定位，减少因定位错误导致严重后果的风险。
[0043] 在步骤S102中，根据传感器数据集生成特征向量，以得到传感器数据的特征矩阵，并基于传感器数据的分布情况，获取火源信息数据集中对应每个特征矩阵的火源信息，以生成训练集、验证集和测试集。
[0044] 可以理解的是，传感器数据的特征矩阵包含了传感器数据在不同时间窗口的关键特征信息，可以作为深度学习模型的输入，用于火源定位任务。火源信息包括但不限于火源位置、火源强度等信息。
[0045] 可选地，在本申请的一个实施例中，根据传感器数据集生成特征向量，以得到传感器数据的特征矩阵，包括：根据数据集的规模指定窗口宽度和滑动步长，以利用滑动窗口分割得到多个特征向量；将多个特征向量按预设时间顺序堆叠，以生成特征矩阵，公式为：
[0046]
[0047] 其中，F为传感器数据集的特征矩阵，N为数据集使用滑动窗口分割获取的特征向量数量，w为滑动窗口的宽度，D为建筑内部的传感器数量，特征矩阵F中每一行为一个滑动窗口的特征向量共包含wD个元素。
[0048] 进一步地，对于每个特征矩阵，若火源信息数据集中对应的火源位置信息与特征矩阵配对，将特征矩阵和对应的火源位置信息形成训练样本，所有训练样本组合形成用于训练的数据集。用于训练的数据集的描述为：
[0049] Q＝{(Fi,Li)|Fi∈F,Li∈L,i＝1,2,...,m}
[0050] 其中，Q为最终用于训练的数据集，Fi为特征矩阵F＝{F1,F2,…,Fm}中的第i个元素，Li为火源信息数据集L＝{L1,L2,…,Lm}中的第i个元素，m为用于训练的数据集总数。
[0051] 在实际执行过程中，用于训练的数据集指深度学习算法模型在训练过程中使用的数据集，训练集、验证集和测试集从用于训练的数据集中按照所需比例进行划分。具体地，使用随机抽样方法从用于训练的数据集中抽取样本，按照数据集划分比例获取训练集、验证集和测试集。
[0052] 本申请实施例可以根据数据集规模指定窗口宽度和滑动步长来生成特征向量，再按一定时间顺序堆叠成特征矩阵，能够有效提取传感器数据在不同时间窗口的关键特征信息；依据传感器数据分布情况，将特征矩阵与对应的火源信息配对形成训练样本，进而构建用于训练的数据集，充分利用传感器数据和火源信息的关联；从用于训练的数据集中按照比例划分出训练集、验证集和测试集，采用随机抽样方法抽取样本，有助于合理地分配数据，为深度学习算法模型的训练、验证和测试提供科学的数据支持，从而提高模型在火源定位任务中的准确性。
[0053] 在步骤S103中，基于训练集、验证集和测试集，利用预设深度学习策略获取预测火灾区域的火源信息，并根据预测的火源信息得到火源定位信息。
[0054] 需要说明的是，火源定位信息是明确火源在特定空间(如包括但不限于建筑内部)中的具体位置信息，通常以某种易于理解和应用的形式表示，例如具体的房间号、楼层位置、相对于建筑物参考点的坐标等。火源定位信息是整个火源定位方法的最终输出结果，直接为火灾应急救援提供关键的指导，帮助消防人员迅速确定火灾发生的具体地点，从而采取有效的灭火和救援措施，减少火灾造成的损失，保障人员生命和财产安全。
[0055] 可选地，在本申请地一个实施例中，预设深度学习策略的映射关系式为：
[0056] L′＝M(F；θ)
[0057] 其中，L′为预测的火源信息，M为深度学习方法，F为使用深度学习方法时使用的特征矩阵，θ为使用深度学习方法的参数集合。
[0058] 具体地，深度学习策略的映射关系式是整个深度学习火源定位模型的核心数学表达，它清晰地阐述了模型输入与输出之间的关系，以及模型内部参数对预测结果的影响。
[0059] 在实际执行过程中，当特征矩阵F输入到深度学习模型M中时，模型根据其内部的网络结构和当前的参数集合，对特征矩阵进行一系列的线性和非线性变换操作(包括但不限于卷积层中的卷积运算、池化层中的降采样操作、全连接层中的神经元加权求和等)，通过这些操作逐步提取和抽象特征矩阵中的信息，最终得到预测的火源信息。在训练阶段，模型可以根据训练集和验证集的数据不断调整参数集合，以优化映射关系，使得预测的火源信息尽可能接近真实的火源信息。
[0060] 进一步地，根据预测的火源信息确定火灾区域的建筑物内的具体位置信息。例如，′ ′如果建筑物内建立了以某一固定点为原点的三维坐标系，那么预测的火源位置坐标(x ,y ,′ ′ ′ ′ ′ ′
z)(假设L＝(x ,y ,z))就可以直接对应到建筑物内的具体空间位置。如果L 为其他形式的表示，如相对于某个参考区域或传感器的相对位置信息，则需要通过预先建立的转换规则和建筑物布局信息将其转换为具体的房间号、楼层位置等易于理解和应用的位置信息。
[0061] 一些情况下，预测的火源信息可能存在一定的误差范围。在这种情况下，可以根据误差分布情况划定一个可能的火源位置范围，并随着时间的推移，不断更新预测结果，结合新采集的数据进一步缩小定位范围，提高火源定位的精度。例如，可以采用包括但不限于卡尔曼滤波等算法对连续的预测结果进行融合和优化，逐步逼近真实的火源位置。同时，还可以结合建筑物内其他辅助信息，如人员疏散路径、消防设施分布等，对火源定位信息进行综合评估和调整，以确保消防救援人员能够在最短时间内准确到达火源位置，实施有效的灭火和救援行动。
[0062] 本申请实施例可以基于训练集、验证集和测试集，利用深度学习策略获取火源信息并得到定位信息。其中，训练集、验证集和测试集的运用为深度学习策略提供了全面的数据基础，使得模型在训练过程中能够充分学习不同类型的数据特征，提高模型的准确性和泛化能力。其次，深度学习策略能够高效地对数据进行分析处理，准确预测火灾区域的火源信息，进而得到火源定位信息，有助于在火灾场景中快速且精准地确定火源位置，为火灾应对措施的制定提供重要依据，从而提高火灾救援的效率和效果。
[0063] 以下结合一个具体的实施例对本申请的基于深度学习的火源准确定位方法进行详细阐述，如图2所示，图2为本申请涉及的特征关系的流程图。由图2可知：
[0064] 步骤S201：火灾区域的数据。
[0065] 建筑内部合理布置了D个不同类型的传感器，这些传感器作为数据采集的关键设备，其种类包括但不限于温度传感器、烟雾传感器、一氧化碳传感器等，能够从多个维度感知火灾发生时环境参数的变化，每次火灾发生时，相应的传感器会持续记录数据。
[0066] 步骤S202：传感器数据集。
[0067] 记录了火灾发生过程中不同传感器位置处的各种环境参数变化，如包括但不限于温度、烟雾浓度等。
[0068] 步骤S203：火源信息数据集。
[0069] 火源信息数据集是对每次火灾的火源相关信息进行详细记录，包括火源位置(如包括但不限于具体房间号、楼层位置或相对于建筑物参考点的坐标)、火源强度(如包括但不限于火势大小的量化表示)等。
[0070] 步骤S204：用于训练的数据集。
[0071] 从火灾区域的数据中进一步衍生出用于训练的数据集，涉及到对传感器数据集和火源信息数据集的整合与处理。具体而言，对于传感器数据集，根据其规模指定合适的窗口宽度和滑动步长，使用滑动窗口分割获取特征向量，然后将这些特征向量按时间顺序堆叠，得到传感器数据集的特征矩阵。接着，将特征矩阵与火源信息数据集中对应的火源位置信息进行配对，若两者能够匹配，则将该特征矩阵和对应的火源位置信息形成训练样本，所有这样的训练样本组合在一起便形成了用于训练的数据集。
[0072] 步骤S205：深度学习方法。
[0073] 深度学习方法是整个火源定位过程的核心技术手段，以特征矩阵和参数集合作为输入，通过内部复杂的神经网络结构和算法进行数据处理和学习。在训练过程中，深度学习方法根据训练集的数据不断调整参数集合，以优化模型的预测能力。
[0074] 步骤S206：预测火源信息。
[0075] 当将测试集的特征矩阵输入到经过训练的深度学习模型中时，模型根据学习到的知识和参数集合，通过映射关系式计算得出预测的火源信息。
[0076] 步骤S207：火源定位。
[0077] 根据预测的火源信息，进一步确定火灾区域的建筑物内的具体位置信息，从而得到火源定位信息。
[0078] 根据本申请实施例提出的基于深度学习的火源准确定位方法，可以获取火灾区域的传感器数据集和火源信息数据集，能综合多方面数据进行分析；根据传感器数据集生成特征向量得到特征矩阵，并获取对应火源信息构建训练集、验证集和测试集，使得数据处理更为系统和有条理，有助于提高模型的准确性和可靠性；基于这些数据集利用深度学习策略预测火源信息并得到定位信息，借助深度学习强大的学习和分析能力，精准定位火源，为火灾应对提供准确的信息支持，有助于提高火灾救援的效率和成功率。
[0079] 其次参照附图描述根据本申请实施例提出的基于深度学习的火源准确定位装置。
[0080] 图3是本申请实施例的基于深度学习的火源准确定位装置的方框示意图。
[0081] 如图3所示，该基于深度学习的火源准确定位装置10包括：获取模块100、生成模块200和定位模块300。
[0082] 具体地，获取模块100，用于获取火灾区域的传感器数据集和火源信息数据集。
[0083] 生成模块200，用于根据传感器数据集生成特征向量，以得到传感器数据的特征矩阵，并基于传感器数据的分布情况，获取火源信息数据集中对应每个特征矩阵的火源信息，以生成训练集、验证集和测试集。
[0084] 定位模块300，用于基于训练集、验证集和测试集，利用预设深度学习策略获取预测火灾区域的火源信息，并根据预测的火源信息得到火源定位信息。
[0085] 可选地，在本申请的一个实施例中，生成模块200，包括：分割单元和生成单元。
[0086] 其中，分割单元，用于根据数据集的规模指定窗口宽度和滑动步长，以利用滑动窗口分割得到多个特征向量。
[0087] 生成单元，用于将多个特征向量按预设时间顺序堆叠，以生成特征矩阵。
[0088] 可选地，在本申请的一个实施例中，预设深度学习策略的映射关系式为：
[0089] L′＝M(F；θ)
[0090] 其中，L′为预测的火源信息，M为深度学习方法，F为使用深度学习方法时使用的特征矩阵，θ为使用深度学习方法的参数集合。
[0091] 可选地，在本申请的一个实施例中，定位模块300，进一步用于根据预测的火源信息确定火灾区域的建筑物内的具体位置信息。
[0092] 需要说明的是，前述对基于深度学习的火源准确定位方法实施例的解释说明也适用于该实施例的基于深度学习的火源准确定位装置，此处不再赘述。
[0093] 根据本申请实施例提出的基于深度学习的火源准确定位装置，可以获取火灾区域的传感器数据集和火源信息数据集，能综合多方面数据进行分析；根据传感器数据集生成特征向量得到特征矩阵，并获取对应火源信息构建训练集、验证集和测试集，使得数据处理更为系统和有条理，有助于提高模型的准确性和可靠性；基于这些数据集利用深度学习策略预测火源信息并得到定位信息，借助深度学习强大的学习和分析能力，精准定位火源，为火灾应对提供准确的信息支持，有助于提高火灾救援的效率和成功率。
[0094] 图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0095] 存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
[0096] 处理器402执行程序时实现上述实施例中提供的基于深度学习的火源准确定位方法。
[0097] 进一步地，电子设备还包括：
[0098] 通信接口403，用于存储器401和处理器402之间的通信。
[0099] 存储器401，用于存放可在处理器402上运行的计算机程序。
[0100] 存储器401可能包含高速RAM存储器，也可能还包括非易失性存储器(non‑volatile memory)，例如至少一个磁盘存储器。
[0101] 如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component Interconnect，简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0102] 可选地，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
[0103] 处理器402可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
[0104] 本申请实施例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上的基于深度学习的火源准确定位方法。
[0105] 本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被执行时，用于实现如上的基于深度学习的火源准确定位方法。
[0106] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0107] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0108] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
[0109] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0110] 应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或多项的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
[0111] 本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0112] 此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0113] 上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
