欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022104443200
申请人: 暨南大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习和混合遗传算法的火灾疏散路径规划方法,其特征在于,包括:在根据实时消防监测的视频确定目标区域发生火灾时,获取处于所述目标区域的疏散目标所对应的跟踪信息,其中,所述跟踪信息包括基于由目标检测模型检测的所述疏散目标的人物标签数据,在所述视频的视频帧中进行多目标跟踪得到的人流信息和目标位置信息,所述目标检测模型是基于深度学习算法训练的,并被训练为根据火险图像得到该火险图像中的人物目标的人物标签数据;

获取所述目标区域外多个空间节点所对应的节点信息,生成与所述疏散目标对应的可疏散路径,其中,所述空间节点用于表征所述疏散目标疏散时所经过的区域,每个所述疏散目标对应至少一条所述可疏散路径,每条所述可疏散路径包括多个所述空间节点;

基于所述人流信息、所述目标位置信息和所述可疏散路径,确定疏散优化标签,其中,所述疏散优化标签用于表征对所述可疏散路径进行优化所参考的参数的重要程度;

利用混合遗传算法和所述疏散优化标签对所述可疏散路径进行处理,得到每个所述疏散目标所对应的备选疏散路径,并根据所述备选疏散路径是否被阻断,确定疏散路径规划结果。

2.根据权利要求1所述的方法,其特征在于,根据实时消防监测的视频确定目标区域发生火灾,包括:获取所述视频;

通过烟雾检测模型对所述视频的每帧视频帧进行烟雾检测,获得第一烟雾险情标签,其中,所述烟雾检测模型是基于YOLOV5深度学习算法训练的,并被训练为用于根据烟雾图像得到该烟雾图像对应的烟雾险情标签,所述烟雾险情标签包括该烟雾图像对应火灾险情类别的概率和位置信息,所述火灾险情类别包括烟雾或着火;

判断所述第一烟雾险情标签所对应的每种火灾险情类别的概率是否大于预设阈值;

在判断到所述火灾险情类别的概率大于预设阈值的情况下,确定对应所述位置信息对应的区域为所述目标区域,其中,所述位置信息是根据与对应的所述视频帧所对应的监控终端的节点信息所确定的。

3.根据权利要求1所述的方法,其特征在于,所述目标检测模型检测所述疏散目标的人物标签数据,包括:通过所述目标检测模型在所述目标区域所对应的视频帧中检测疑似目标的位置及疑似目标的类别,并获取所述目标检测模型生成的第一置信度分数;

通过所述目标检测模型对所述疑似目标的类别进行验证;

在对所述疑似目标的类别的验证通过和所述第一置信度分数大于预设置信度阈值的情况下,确定所述疑似目标为所述疏散目标,并确定所述人物标签数据包括所述疏散目标对应的位置。

4.根据权利要求3所述的方法,其特征在于,基于由目标检测模型检测的所述疏散目标的人物标签数据,在所述视频的视频帧中进行多目标跟踪,包括:以所述疏散目标对应的所述位置为初始位置,利用多目标跟踪算法对所述疏散目标进行跟踪,得到跟踪轨迹,其中,所述疏散目标数目为多个;

将所述跟踪轨迹与已有跟踪轨迹进行匹配;其中,所述已有跟踪轨迹为前一帧视频帧中的所述疏散目标的跟踪轨迹;

在所述跟踪轨迹与所述已有跟踪轨迹匹配成功的情况下,将所述跟踪轨迹更新为所述疏散目标的跟踪轨迹信息,以及在疏散目标未匹配到所述已有跟踪轨迹和/或不存在所述已有跟踪轨迹的情况下,判定所述疏散目标为新出现人物目标,并将所述跟踪轨迹创建为所述新出现人物目标的跟踪轨迹信息;

基于所述疏散目标和所述新出现人物目标的数目,生成所述人流信息,并从对应的所述跟踪轨迹信息中,获取对应的所述疏散目标的所述目标位置信息。

5.根据权利要求4所述的方法,其特征在于,基于所述人流信息、所述目标位置信息和所述可疏散路径,确定疏散优化标签,包括:确定所述疏散优化标签所对应的所述参数,其中,所述参数包括以下其中一种:疏散时间、疏散风险、疏散拥堵度;

将所述人流信息、所述目标位置信息和所述可疏散路径输入每种所述参数对应的单目标优化数学模型,得到每种所述参数对应的最优参数,其中,所述最优参数包括以下其中一种:最短疏散时间、最短疏散风险、最低疏散拥堵度;

利用层次分析法对所述最优参数进行处理,生成每项所述最优参数所对应的权重,其中,所述最优参数所对应的权重用于表征对应的所述最优参数对疏散路径的影响程度,所述疏散优化标签包括每项所述最优参数及其对应的权重。

6.根据权利要求1所述的方法,其特征在于,利用混合遗传算法和所述疏散优化标签对所述可疏散路径进行处理,得到每个所述疏散目标所对应的备选疏散路径,包括:获取所述疏散优化标签每种所述参数对应的最优参数及其权重,并根据所述最优参数及其权重,构建对应的适应度评价函数,其中,所述适应度评价函数用于评价对应的疏散路径的疏散效能;

获取每个所述疏散目标对应的每条所述可疏散路径的所有节点信息,并生成随机节点编码种群,其中,所述随机节点编码种群的编码用于表征所述节点信息对应的节点坐标;

以所述适应度评价函数为所述混合遗传算法的适应度函数,对所述随机节点编码进行遗传操作,生成目标节点编码种群,其中,所述混合遗传算法包括轮盘赌算法;

根据所述目标节点编码种群的编码对应的节点坐标,对所述可疏散路径对应的节点信息进行更新,生成所述备选疏散路径。

7.根据权利要求1所述的方法,其特征在于,根据所述备选疏散路径是否被阻断,确定疏散路径规划结果,包括:在得到所述备选疏散路径后,检测目标区域是否覆盖所述备选疏散路径的节点信息所对应的空间节点,并在检测到目标区域未覆盖所述备选疏散路径的节点信息所对应的空间节点时,确定所述备选疏散路径未被阻断,其中,所述疏散路径规划结果包括将所述备选疏散路径作为目标疏散路径,和/或在得到所述备选疏散路径后,检测位于所述备选疏散路径所对应的每个空间节点位置上所述疏散目标的位置信息,并在检测到对应的所述疏散目标的位置信息发生变化时,确定所述备选疏散路径未被阻断,其中,所述疏散路径规划结果包括将所述备选疏散路径作为目标疏散路径。

8.根据权利要求7所述的方法,其特征在于,所述方法还包括:

在检测到目标区域覆盖所述备选疏散路径至少一个节点信息所对应的空间节点时,确定所述备选疏散路径被阻断,和/或在检测到对应的所述疏散目标的位置信息未发生变化时,确定所述备选疏散路径被阻断。

9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的基于深度学习和混合遗传算法的火灾疏散路径规划方法的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的基于深度学习和混合遗传算法的火灾疏散路径规划方法的步骤。