一种火灾监控方法、装置及边缘计算装置与流程

本发明属于火灾监控技术领域，尤其涉及一种火灾监控方法、装置及边缘计算装置。

背景技术：

现有火灾监控系统往往只能提供简单的警示信号，比如最常见的火灾报警器无论火灾的危险程度如何，只能发出一样的警铃响声，因此灭火救援行动的指挥者难以了解火灾的真实危险程度，没有办法根据这些简单的警示信息作出疏散人员和灭火的安排，影响了抗灾救灾行动的效率。并且，如果需要评估火灾危险程度，往往需要相关人员在火灾现场对火情作出判断，判断结果主观性比较强，而且可能对人员生命安全造成威胁。

另一方面，一些智能火灾报警系统往往依赖于物联网和云计算技术，将传感器采集的环境监测数据上传至云端进行处理，然后将处理结果通过互联网和移动网络传输至用户终端，数据传输过程中会存在较大延迟，云端处理也可能会遇到网络拥塞、排队的情况，难以满足瞬息万变的灭火救援现场对数据处理和传输的实时性要求。

技术实现要素：

有鉴于此，本发明实施例提供了一种火灾监控方法、装置及边缘计算装置，以解决现有技术中警示信号过于简单、实时性差、难以提供客观的火灾危险等级的问题。

本发明实施例的第一方面提供了一种火灾监控方法，包括：

获取两组以上环境监测数据；

根据所述环境监测数据的时间序列对所述环境监测数据进行预处理，获取预处理后的环境监测数据；

将所述预处理后的环境监测数据输入预训练机器学习模型，获得所述预训练机器学习模型输出的决策结果；

根据所述决策结果发送对应的警示信息至用户终端。

可选的，将所述预处理后的环境监测数据输入预训练机器学习模型，获得所述预训练机器学习模型输出的决策结果之前，包括：

获取历史火灾事件的环境监测数据，根据所述历史火灾事件的环境监测数据建立样本数据；

为所述样本数据添加标签并作为训练样本；

根据所述训练样本训练机器学习模型，获取所述预训练机器学习模型。

可选的，为所述样本数据添加标签作为训练样本，包括：

利用模糊综合评价法为所述样本数据添加标签以获得训练样本。

可选的，根据所述决策结果发送对应的警示信息至用户终端之前，包括：

建立所述决策结果与所述警示信息之间的对应关系。

可选的，根据所述环境监测数据的时间序列对所述环境监测数据进行预处理，获取预处理后的环境监测数据，包括：

删除所述环境监测数据中的误差数据，获取更新后的环境监测数据；其中，所述误差数据包括超过第一预设数据阈值的环境监测数据和/或低于第二预设数据阈值的环境监测数据；

获取更新后的环境监测数据按照时间序列变化的变化速率，获取所述预处理后的环境监测数据。

可选的，所述机器学习模型包括决策树模型和/或bp神经网络模型。

本发明实施例的第二方面提供了一种火灾监控装置，包括：

第一获取模块，用于获取两组以上环境监测数据；

预处理模块，用于根据所述环境监测数据的时间序列对所述环境监测数据进行预处理，获取预处理后的环境监测数据；

输入模块，用于将所述预处理后的环境监测数据输入预训练机器学习模型，获得所述预训练机器学习模型输出的决策结果；

发送模块，用于根据所述决策结果发送对应的警示信息至用户终端。

本发明实施例的第三方面提供了一种边缘计算装置，包括：存储器、处理器以及存储在所述存储器中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方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

一方面，本发明实施例利用边缘计算装置运行机器学习模型对环境监测数据进行数据融合，以计算火灾的危险程度，实现了实时、客观、安全、可靠的火灾危险性评估。另一方面，本发明实施例根据火灾的状态发送对应的警示信息，从而为灭火救援人员提供真实可靠的决策依据，提高了灭火救援行动的效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的火灾监控方法的流程示意图；

图2是本发明实施例二提供的火灾监控方法的流程示意图；

图3是本发明实施例三提供的火灾监控方法的流程示意图；

图4是本发明实施例四提供的火灾监控方法的流程示意图；

图5是本发明实施例五提供的火灾监控装置的结构示意图；

图6是本发明实施例六提供的边缘计算装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

如图1所示，本实施例提供一种火灾监控方法，该方法可以应用于如手机、pc、平板电脑等终端设备，或专门为火灾监控设计的边缘计算装置。本实施例所提供的火灾监控方法，包括：

s101、获取两组以上环境监测数据；

在具体应用中，获取两组或两组以上的环境监测数据；其中，环境监测数据是指通过传感器获取的环境参数；传感器包括但不限于温度传感器、烟雾传感器、氧气浓度检测传感器、一氧化碳传感器；每组环境监测数据包括但不限于温度、氧气浓度、一氧化碳浓度、烟雾浓度。需要说明的是，可根据获取到环境监测数据的时间对环境监测数据进行排序(即根据时间序列对环境监测数据进行排列)，同样的，可根据时间序列为环境监测数据添加时间标签。

在一个实施例中，本方法可通过边缘计算装置执行，边缘计算装置包括预处理模块、决策模块、告警模块、通信模块。

在一个实施例中，步骤s101可通过通信模块执行，通信模块与传感器、用户终端(或云端)通信连接。

s102、根据所述环境监测数据的时间序列对所述环境监测数据进行预处理，获取预处理后的环境监测数据。

在具体应用中，根据获取环境监测数据的时间序列对环境监测数据进行预处理，获取预处理后的环境监测数据；其中，预处理包括删除环境监测数据中的误差数据，对环境监测数据进行离散化处理等处理方法。还可以根据环境监测数据的时间序列计算各环境参数的变化速率，例如温度上升速率、温度下降速率、烟雾浓度上升速率、烟雾浓度下降速率等。当使用bp神经网络模型作为机器学习模型时，预处理还包括对数据进行归一化处理。

在一个实施例中，步骤s102可通过预处理模块执行，

s103、将所述预处理后的环境监测数据输入预训练机器学习模型，获得所述预训练机器学习模型输出的决策结果。

在具体应用中，将预处理后的环境监测数据输入通过预训练获取的预训练机器学习模型，以获取预训练机器学习模型输出的决策结果。其中，决策结果可根据对火灾的阶段进行判断以获取火势状态，并获取火灾阶段对应的危险程度；决策结果包括但不限于火灾初期-初级危险程度、火势扩大阶段-中级危险程度、火势凶猛阶段-高级危险程度、火势下降阶段-中级危险程度、火灾熄灭阶段-隐藏危险程度。在一个实施例中，步骤s103可通过决策模块执行。

s104、根据所述决策结果发送对应的警示信息至用户终端。

在具体应用中，根据决策结果发送对应的警示信息至用户终端，以提醒用户根据警示信息执行对应的火灾应对方法。在本实施例中，可根据决策结果发送对应的报警信息至消防中心或监控人员的终端设备，以通知消防人员或监控人员根据报警信息进行对应的灭火、人员疏散等操作。在一个实施例中，告警模块可根据决策结果产生对应的警示信息，通信模块将警示信息发送至用户终端(或云端)。

本实施例利用机器学习模型对环境监测数据进行数据融合，以计算火灾的危险程度，实现了实时、客观、安全、可靠的火灾危险性评估；同时，根据火灾的状态发送对应的警示信息，从而为灭火救援人员提供真实可靠的决策依据，提高了灭火救援行动的效率。

实施例二

如图2所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤s103之前，还包括：

s201、获取历史火灾事件的环境监测数据，根据所述历史火灾事件的环境监测数据建立样本数据。

在具体应用中，可以从消防信息系统的数据库中，获得真实发生的历史火灾事件中由环境传感器(例如温度传感器、烟雾传感器、一氧化碳传感器等)测得的环境监测数据，及环境监测数据的时间序列，并根据环境监测数据的时间序列计算各环境参数(例如温度、烟雾浓度等)的变化速率(上升速率和下降速率)，还可以对环境监测数据及变化速率数据进行归一化，从而建立样本数据。也可以在被监测的场所进行标准火实验，通过实验现场的环境传感器获取预定数目的环境监测数据，根据标准火实验的环境监测数据建立样本数据。

s202、为所述样本数据添加标签并作为训练样本。

在具体应用中，为样本数据添加标签(即根据历史火灾事件的发展过程对样本数据添加火灾阶段的标签)，并将添加标签后的样本数据作为训练样本，以对机器学习模型进行预训练。例如，若某组样本数据为某历史火灾事件的火势扩大阶段的环境监测数据，则添加火势扩大的标签至样本数据，以生成对应的训练样本。可以人工根据环境参数的环境监测数据和变化速率来为相应的样本数据指定标签。在一些实施例中，可以利用模糊综合评价法为所述样本数据添加标签以获得训练样本。具体来说，可以将环境参数和环境参数的变化速率作为评价指标，根据火灾危险程度分级建立评语集(例如{低危险程度、中等危险程度、高危险程度…})，通过专家经验法或者层次分析法构建评价指标的权重向量。然后构建各评价指标对于各火灾危险程度评级的隶属度函数。为一组样本添加火灾危险程度标签时，根据各指标的隶属度函数和评价指标的数值得到模糊综合评价矩阵。选取合适的模糊算子对权重向量和评价矩阵进行模糊矩阵合成。然后根据合成结果利用最大隶属度原则判断对应的火灾危险程度分级。然后将该火灾危险程度分级作为样本的标签。依次对样本数据中的所有样本添加标签，以获取用于训练机器学习模型的训练样本。利用模糊综合评价法为所述样本数据添加标签获得训练样本，可以使机器学习模型学习专家经验，提高火情评估的精度。

s203、根据所述训练样本训练机器学习模型，获取所述预训练机器学习模型。

在具体应用中，根据样本数据训练机器学习模型，获取预训练机器学习模型。以实现将样本数据输入预训练机器学习模型时，预训练机器学习模型可输出与样本数据对应的决策结果(即火灾阶段和对应的危险程度)。

在一个实施例中，机器学习模型包括但不限于决策树模型和/或bp神经网络模型。

在一个实施例中，所述步骤s202，包括：

根据所述样本数据中火灾的发展阶段添加对应的标签，以获取训练样本；其中，所述火灾的发展阶段包括火灾初期、火势扩大阶段、火势凶猛阶段、火势下降阶段、火灾熄灭阶段。

在一个实施例中，所述步骤s202，还包括：

利用模糊综合评价法为所述样本数据添加标签以获得训练样本。

在具体应用中，利用模糊综合评价法为所述样本数据添加标签获得训练样本，可以使机器学习模型学习专家经验，提高火情评估的精度。

本实施例通过对样本数据进行处理，并根据处理后的样本数据对机器学习模型进行预训练，提高了模型的精度，为提供准确地警示信息奠定了基础。

实施例三

如图3所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤s104之前，还包括：

s301、建立所述决策结果与所述警示信息之间的对应关系。

在具体应用中，建立决策结果与所述警示信息之间的对应关系。例如，若决策结果为火势凶猛阶段-高级危险程度，则对应的警示信息为当下火势凶猛，请立即撤离火灾现场。

本实施例通过建立决策结果与警示信息之间的对应关系，实现在获取到决策结果时能发出对应的警示信息，以提醒用户执行与警示信息对应的应对手段，保证了用户的安全。

实施例四

如图4所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤s102，包括：

s1021、删除所述环境监测数据中的误差数据，获取更新后的环境监测数据；其中，所述误差数据包括超过第一预设数据阈值的环境监测数据和/或低于第二预设数据阈值的环境监测数据。

在具体应用中，删除环境监测数据中的误差数据，获取更新后的环境监测数据；其中，误差数据包括超过第一预设数据阈值的环境监测数据和/或低于第二预设数据阈值的环境监测数据。其中，第一预设数据阈值和第二预设数据阈值可根据实际情况进行具体设定。例如，将温度的第二预设数据阈值设为-40℃，删除低于第二预设数据阈值的的温度数值。(即低于该的第二预设数据阈值的温度下火灾发生的可能性非常小或判断温度传感器可能出现故障，导致获取到错误的温度数据)。

s1022、获取更新后的环境监测数据按照时间序列变化的变化速率，获取所述预处理后的环境监测数据。

在具体应用中，获取更新后的环境监测数据按照时间序列发生变化的变化速率，(可根据更新后的环境监测数据的变化速率离散化更新的环境监测数据)，获取预处理后的环境监测数据。例如，按照时间序列，获取第一时间获取的温度数据到第二时间获取到的温度数据的变化率，获取第二时间获取的温度数据到第三时间获取到的温度数据的变化率。其中，变化率可以为后一时间获取的温度数据与前一时间获取的温度数据的比值。10:00获取到的温度为23℃，10：30获取到的温度为25℃，11:00获取到的温度为30℃，则10:00-10：30的温度变化率为25/23，10：30-11:00的温度变化率为30/25。

在一个实施例中，步骤s103，包括：

s1031、将所述预处理后的环境监测数据输入预训练机器学习模型。

在具体应用中，将预处理后的环境监测数据输入预训练机器学习模型，以使预训练机器学习模型对预处理后的环境监测数据进行处理，获取对应的决策结果。

s1032、通过所述预训练机器学习模型对所述预处理后的环境监测数据进行数据融合，输出所述决策结果。

在具体应用中，通过预训练机器学习模型对预处理后的环境监测数据进行数据融合，输出决策结果。

本实施例通过对环境监测数据进行预处理，以获取有效、准确的环境监测数据，提高了决策结果的准确性、并进一步提升了火灾防治的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例五

如图5所示，本实施例提供一种火灾监控装置100，用于执行实施例一中的方法步骤。本实施例提供的火灾监控装置100，包括：

第一获取模块101，用于获取两组以上环境监测数据；

预处理模块102，用于根据所述环境监测数据的时间序列对所述环境监测数据进行预处理，获取预处理后的环境监测数据；

输入模块103，用于将所述预处理后的环境监测数据输入预训练机器学习模型，获得所述预训练机器学习模型输出的决策结果；

发送模块104，用于根据所述决策结果发送对应的警示信息至用户终端。

在一个实施例中，所述装置100，还包括：

第二获取模块201，用于获取历史火灾事件的环境监测数据，根据所述历史火灾事件的环境监测数据建立样本数据；

标签模块202，用于为所述样本数据添加标签并作为训练样本；

第三获取模块203，用于根据所述训练样本训练机器学习模型，获取所述预训练机器学习模型。

在一个实施例中，所述标签模块202，包括：

标签单元，用于利用模糊综合评价法为所述样本数据添加标签以获得训练样本。

在一个实施例中，所述装置100，还包括：

建立模块，用于建立所述决策结果与所述警示信息之间的对应关系。

在一个实施例中，预处理模块102，包括：

删除单元，用于删除所述环境监测数据中的误差数据，获取更新后的环境监测数据；其中，所述误差数据包括超过第一预设数据阈值的环境监测数据和/或低于第二预设数据阈值的环境监测数据；

离散化单元，用于获取更新后的环境监测数据按照时间序列变化的变化速率，获取所述预处理后的环境监测数据。

在一个实施例中，所述机器学习模型包括决策树模型和/或bp神经网络模型。

本实施例利用机器学习模型对环境监测数据进行数据融合，以计算火灾的危险程度，实现了实时、客观、安全、可靠的火灾危险性评估；同时，根据火灾的状态发送对应的警示信息，从而为灭火救援人员提供真实可靠的决策依据，提高了灭火救援行动的效率。

实施例六

图6是本实施例提供的边缘计算装置的示意图。如图6所示，该实施例的边缘计算装置6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如火灾监控程序。所述处理器60执行所述计算机程序62时实现上述各个火灾监控方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块101至104的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述边缘计算装置6中的执行过程。例如，所述计算机程序62可以被分割成第一获取模块、预处理模块、输入模块和发送模块，各模块具体功能如下：

第一获取模块，用于获取两组以上环境监测数据；

预处理模块，用于根据所述环境监测数据的时间序列对所述环境监测数据进行预处理，获取预处理后的环境监测数据；

输入模块，用于将所述预处理后的环境监测数据输入预训练机器学习模型，获得所述预训练机器学习模型输出的决策结果；

发送模块，用于根据所述决策结果发送对应的警示信息至用户终端。

所述边缘计算装置6可以是桌上型计算机、笔记本、掌上电脑及边缘服务器等计算设备。所述边缘计算装置可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是边缘计算装置6的示例，并不构成对边缘计算装置6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述边缘计算装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述边缘计算装置6的内部存储单元，例如边缘计算装置6的硬盘或内存。所述存储器61也可以是所述边缘计算装置6的外部存储设备，例如所述边缘计算装置6上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字卡(securedigital，sd)，闪存卡(flashcard)等。进一步地，所述存储器61还可以既包括所述边缘计算装置6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述边缘计算装置所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/边缘计算装置和方法，可以通过其它的方式实现。例如，以上所描述的装置/边缘计算装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述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，均应包含在本发明的保护范围之内。