基于物联网的城市安全管理监控方法、系统和电子设备

技术领域

本申请涉及智慧城市的领域，且更为具体地，涉及一种基于物联网的城市安全管理监控方法、系统和电子设备。

背景技术

随着我国城市化进程的不断推进，高层和超高层、地下建筑等复杂综合性建筑日益增多，因此消防安全问题日益突出，消防成为城市居民生活中越来越重要的角色。

随着消防安全监控等服务系统的应用，实现了一定程度的火灾预警。但是现有的消防安全监控系统大都是独立系统，没有形成信息共享，这样，在系统的安全监控预警能力中，人为因素就会起关键性作用，当发生火患灾害时，由于人为疏忽就会极大降低系统的监控预警能力，引发消防事故造成重大财产损失和人员伤亡。

目前，对于火灾预警的系统性管理却非常复杂，尤其是建筑环境的复杂性，如一个商业建筑内部结合饮食、购物、娱乐、酒店、办公等功能于一体，内部结构复杂，大大增加了管理难度。当一个场所发生火灾时，另一个场所与该火灾场所之间的距离，另一个场所的功能，以及，火灾场所与该另一场所的路径情况都会影响到对另一场所的火灾预警等级。

因此，期望提供一种基于物联网的城市安全管理监控方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于物联网的城市安全管理监控方法、系统和电子设备，其通过使用第一卷积神经网络对包含了拓扑信息和空间结构信息和预警等级信息的三维输入张量进行空间编码，可以对隐藏信息进行显式空间编码，同时，通过进一步利用特征图进行显式空间编码所得到的空间信息来进行适配空间坐标的处理，能够使得所获得的特征图获得进一步丰富的空间信息表达。由此，基于该特征图进行高维特征提取和回归操作，可以提高所获得的结果的准确性。

根据本申请的一个方面，提供了一种基于物联网的城市安全管理监控方法，其包括：

训练阶段，包括：

将建筑物内的所有场所的拓扑结构构造为一个三维的输入张量，其中，所述输入张量中各个位置的特征为两个场所之间的空间坐标之差和火灾预警等级之差，所述建筑物内所有场所中的传感设备通过物联网相互连接；

将所述输入张量输入作为空间编码器的第一卷积神经网络以获得结构关系特征图；

为所述结构关系特征图中的每个位置赋予一个空间位置坐标以获得空间编码结构关系特征图，其中，设定所述结构关系特征图的初始位置的坐标为(0,0,0)，所述结构关系特征图中相邻两个位置的空间坐标之差在特定轴方向上为1，其中，所述空间编码结构关系特征图中每个位置的特征为一个四维数组，包括：一个特征值和3个空间位置坐标值；

将所述空间编码结构关系特征图中每个位置的特征通过第一编码器编码为一个特征值以获得空间强化结构关系特征图；

将所述空间强化结构关系特征图输入作为特征提取器的第二卷积神经网络以获得输出特征图；

将所述输出特征图通过分类器以获得分类损失函数值；以及

基于所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及

推断阶段，包括：

当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，获取待预警场所的输入信息，所述输入信息为由所述待预警场所的空间坐标值和火灾预警等级组成的四维数据；

将所述待预警场所的四维数据通过第二编码器以获得预警向量；

将所述预警向量映射到所述输出特征图的特征空间中以获得分类特征向量；以及

将所述分类特征向量输入分类器以获得预警等级结果。

根据本申请的另一方面，提供了一种基于物联网的城市安全管理监控系统，其包括：

训练模块，包括：

输入张量构造单元，用于将建筑物内的所有场所的拓扑结构构造为一个三维的输入张量，其中，所述输入张量中各个位置的特征为两个场所之间的空间坐标之差和火灾预警等级之差，所述建筑物内所有场所中的传感设备通过物联网相互连接；

第一卷积神经网络处理单元，用于将所述输入张量构造单元获得的所述输入张量输入作为空间编码器的第一卷积神经网络以获得结构关系特征图；

空间位置坐标赋予单元，用于为所述第一卷积神经网络处理单元获得的所述结构关系特征图中的每个位置赋予一个空间位置坐标以获得空间编码结构关系特征图，其中，设定所述结构关系特征图的初始位置的坐标为(0,0,0)，所述结构关系特征图中相邻两个位置的空间坐标之差在特定轴方向上为1，其中，所述空间编码结构关系特征图中每个位置的特征为一个四维数组，包括：一个特征值和3个空间位置坐标值；

编码单元，用于将所述空间位置坐标赋予单元获得的所述空间编码结构关系特征图中每个位置的特征通过第一编码器编码为一个特征值以获得空间强化结构关系特征图；

第二卷积神经网络处理单元，用于将所述编码单元获得的所述空间强化结构关系特征图输入作为特征提取器的第二卷积神经网络以获得输出特征图；

分类器处理单元，用于将所述第二卷积神经网络处理单元获得的所述输出特征图通过分类器以获得分类损失函数值；以及

训练单元，用于基于所述分类器处理单元获得的所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及

推断模块，包括：

输入信息获取单元，用于当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，获取待预警场所的输入信息，所述输入信息为由所述待预警场所的空间坐标值和火灾预警等级组成的四维数据；

编码器处理单元，用于将所述输入信息获取单元获得的所述待预警场所的四维数据通过第二编码器以获得预警向量；

映射单元，用于将所述编码器处理单元获得的所述预警向量映射到所述输出特征图的特征空间中以获得分类特征向量；以及

分类单元，用于将所述映射单元获得的所述分类特征向量输入分类器以获得预警等级结果。

根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于物联网的城市安全管理监控方法。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网的城市安全管理监控方法。

根据本申请提供的基于物联网的城市安全管理监控方法、系统和电子设备，其通过使用第一卷积神经网络对包含了拓扑信息和空间结构信息和预警等级信息的三维输入张量进行空间编码，可以对隐藏信息进行显式空间编码，同时，通过进一步利用特征图进行显式空间编码所得到的空间信息来进行适配空间坐标的处理，能够使得所获得的特征图获得进一步丰富的空间信息表达。由此，基于该特征图进行高维特征提取和回归操作，可以提高所获得的结果的准确性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于物联网的城市安全管理监控方法的场景示意图。

图2A为根据本申请实施例的基于物联网的城市安全管理监控方法中训练阶段的流程图。

图2B为根据本申请实施例的基于物联网的城市安全管理监控方法中推断阶段的流程图。

图3A为根据本申请实施例的基于物联网的城市安全管理监控方法中训练阶段的架构示意图。

图3B为根据本申请实施例的基于物联网的城市安全管理监控方法中推断阶段的架构示意图。

图4为根据本申请实施例的基于物联网的城市安全管理监控系统的框图。

图5为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，随着消防安全监控等服务系统的应用，实现了一定程度的火灾预警。但是现有的消防安全监控系统大都是独立系统，没有形成信息共享，这样，在系统的安全监控预警能力中，人为因素就会起关键性作用，当发生火患灾害时，由于人为疏忽就会极大降低系统的监控预警能力，引发消防事故造成重大财产损失和人员伤亡。

并且，目前对火灾预警的系统性管理非常复杂，尤其是建筑环境的复杂性，如一个商业建筑内部结合饮食、购物、娱乐、酒店、办公等功能于一体，内部结构复杂，大大增加了管理难度。当一个场所发生火灾时，另一个场所与该火灾场所之间的距离，另一个场所的功能，以及，火灾场所与该另一场所的路径情况都会影响到对另一场所的火灾预警等级。因此，期望提供一种基于物联网的城市安全管理监控方案。

具体地，首先对一个建筑物内的所有场所的拓扑关系进行建模，即，将各个场所抽象为一个节点，各个节点之间的距离作为边。这里，为了表达空间信息和火灾预警等级，获得每个节点的空间坐标数据，即(x,y,z)的显性空间坐标和火灾预警等级，例如可以作为等级标签数字a，这样，每个节点得到一个(x,y,z,a)的四维数组。同样地，对于节点之间的距离，也就可以得到两个相应节点的(Δx,Δy,Δz,Δa)的四维数组。

然后，将节点分别按行和列编号，矩阵的相应位置是对应节点之间的距离，即(Δx,Δy,Δz,Δa)的四维数组，而对角线位置是节点本身的四维数组，即(x,y,z,a)，就得到了三维输入张量。然后，将该三维输入张量输入第一卷积神经网络得到结构关系特征图，以便利用第一卷积神经网络的空间卷积机制对于数据中的隐藏信息来进行显式编码。

这里，针对结构关系特征图，由于第一卷积神经网络的空间编码特性，可以更充分地利用空间编码信息。具体地，进一步设置结构关系特征图中的初始位置坐标为原点，即(0,0,0)，这样，结构关系特征图中的每个位置将进一步具有(x’,y’,z’)的显性空间坐标，从而特征图的每个位置可以由(x’,y’,z’,f)的四维数组表达。然后，将该四维数组通过由多个全连接层构成的第一编码器进行编码而获得单个特征值，这使得结构关系特征图能够进一步包含丰富的空间编码信息。

然后，再将该结构关系特征图进一步输入第二卷积神经网络，以进行特征提取而获得输出特征图。也就是，在本申请的方案中进行的是两阶段卷积，其中第一阶段为空间编码，而第二阶段为特征提取。而且，在训练过程当中，这两阶段卷积可以进行联合训练，以避免传统的编码器的编码过程与卷积神经网络的高维特征提取相关性低的问题。

最后，当某一个场所发生火灾时，就可以获得待预警场所的(x,y,z,a)的四维数组，并将其通过第二编码器进行编码以得到预警向量，然后乘以所述输出特征图以获得特征向量，再进行回归以得到预警等级结果。

基于此，本申请提出了一种基于物联网的城市安全管理监控方法，其包括：训练阶段和推断阶段。其中，训练阶段包括步骤：将建筑物内的所有场所的拓扑结构构造为一个三维的输入张量，其中，所述输入张量中各个位置的特征为两个场所之间的空间坐标之差和火灾预警等级之差，所述建筑物内所有场所中的传感设备通过物联网相互连接；将所述输入张量输入作为空间编码器的第一卷积神经网络以获得结构关系特征图；为所述结构关系特征图中的每个位置赋予一个空间位置坐标以获得空间编码结构关系特征图，其中，设定所述结构关系特征图的初始位置的坐标为(0,0,0)，所述结构关系特征图中相邻两个位置的空间坐标之差在特定轴方向上为1，其中，所述空间编码结构关系特征图中每个位置的特征为一个四维数组，包括：一个特征值和3个空间位置坐标值；将所述空间编码结构关系特征图中每个位置的特征通过第一编码器编码为一个特征值以获得空间强化结构关系特征图；将所述空间强化结构关系特征图输入作为特征提取器的第二卷积神经网络以获得输出特征图；将所述输出特征图通过分类器以获得分类损失函数值；以及，基于所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。其中，推断阶段包括步骤：当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，获取待预警场所的输入信息，所述输入信息为由所述待预警场所的空间坐标值和火灾预警等级组成的四维数据；将所述待预警场所的四维数据通过第二编码器以获得预警向量；将所述预警向量映射到所述输出特征图的特征空间中以获得分类特征向量；以及，将所述分类特征向量输入分类器以获得预警等级结果。

图1图示了根据本申请实施例的基于物联网的城市安全管理监控方法的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，获取建筑物(例如，如图1中所示意的P)内的所有场所(例如，如图1中所示意的P1-Pn)的拓扑结构、空间信息以及各个场所的火灾预警等级，其中，所述建筑物内所有的场所中都部署有传感设备(例如，如图1中所示意的T)，例如温度传感器等，并且这些传感设备都通过物联网相互连接。然后，将获得的所述拓扑结构、空间信息以及各个场所的火灾预警等级输入至部署有基于物联网的城市安全管理监控算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于物联网的城市安全管理监控算法以所述拓扑结构、空间信息以及各个场所的火灾预警等级对基于物联网的城市安全管理监控的卷积神经网络进行训练。

在训练完成后，在推断阶段中，首先，在接收到的所述建筑物(例如，如图1中所示意的P)内某个场所的传感设备(例如，如图1中所示意的T)发生火灾报警信号时，获取待预警场所(例如，如图1中所示意的Pt)的输入信息，其中，所述输入信息为由所述待预警场所的空间坐标值和火灾预警等级组成的四维数据，且所述建筑物内所有场所中的传感设备通过物联网相互连接。然后，将获得的所述输入信息输入至部署有基于物联网的城市安全管理监控算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够以基于物联网的城市安全管理监控算法对所述输入信息进行处理，以生成所述预警等级的结果。

在该应用场景中，所述传感设备部署在建筑物内的所有场所中，且所述传感设备为温度传感器或者烟雾传感器，当然，在别的应用场景中，所述传感设备还可以为别的火灾报警检测传感器，对此并不为本申请所局限。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2A图示了根据本申请实施例的基于物联网的城市安全管理监控方法中训练阶段的流程图。如图2A所示，根据本申请实施例的基于物联网的城市安全管理监控方法，包括：训练阶段，包括步骤：S110，将建筑物内的所有场所的拓扑结构构造为一个三维的输入张量，其中，所述输入张量中各个位置的特征为两个场所之间的空间坐标之差和火灾预警等级之差，所述建筑物内所有场所中的传感设备通过物联网相互连接；S120，将所述输入张量输入作为空间编码器的第一卷积神经网络以获得结构关系特征图；S130，为所述结构关系特征图中的每个位置赋予一个空间位置坐标以获得空间编码结构关系特征图，其中，设定所述结构关系特征图的初始位置的坐标为(0,0,0)，所述结构关系特征图中相邻两个位置的空间坐标之差在特定轴方向上为1，其中，所述空间编码结构关系特征图中每个位置的特征为一个四维数组，包括：一个特征值和3个空间位置坐标值；S140，将所述空间编码结构关系特征图中每个位置的特征通过第一编码器编码为一个特征值以获得空间强化结构关系特征图；S150，将所述空间强化结构关系特征图输入作为特征提取器的第二卷积神经网络以获得输出特征图；S160，将所述输出特征图通过分类器以获得分类损失函数值；以及，S170，基于所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。

图2B图示了根据本申请实施例的基于物联网的城市安全管理监控方法中推断阶段的流程图。如图2B所示，根据本申请实施例的基于物联网的城市安全管理监控方法，还包括：推断阶段，包括步骤：S210，当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，获取待预警场所的输入信息，所述输入信息为由所述待预警场所的空间坐标值和火灾预警等级组成的四维数据；S220，将所述待预警场所的四维数据通过第二编码器以获得预警向量；S230，将所述预警向量映射到所述输出特征图的特征空间中以获得分类特征向量；以及，S240，将所述分类特征向量输入分类器以获得预警等级结果。

图3A图示了根据本申请实施例的基于物联网的城市安全管理监控方法中训练阶段的架构示意图。如图3A所示，在训练阶段中，在该网络架构中，首先，将建筑物内的所有场所的拓扑结构(例如，如图3A中所示意的IN1)构造为一个三维的输入张量(例如，如图3A中所示意的T1)；接着，将所述输入张量输入作为空间编码器的第一卷积神经网络(例如，如图3A中所示意的CNN1)以获得结构关系特征图(例如，如图3A中所示意的F1)；然后，为所述结构关系特征图中的每个位置赋予一个空间位置坐标以获得空间编码结构关系特征图(例如，如图3A中所示意的F2)；接着，将所述空间编码结构关系特征图中每个位置的特征通过第一编码器(例如，如图3A中所示意的E1)编码为一个特征值以获得空间强化结构关系特征图(例如，如图3A中所示意的F3)；然后，将所述空间强化结构关系特征图输入作为特征提取器的第二卷积神经网络(例如，如图3A中所示意的CNN2)以获得输出特征图(例如，如图3A中所示意的F4)；接着，将所述输出特征图通过分类器(例如，如图3A中所示意的分类器)以获得分类损失函数值；以及，最后，基于所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。

图3B图示了根据本申请实施例的基于物联网的城市安全管理监控方法中推断阶段的架构示意图。如图3B所示，在推断阶段中，在该网络结构中，当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，首先，获取待预警场所的输入信息(例如，如图3B中所示意的IN2)，所述输入信息为由所述待预警场所的空间坐标值和火灾预警等级组成的四维数据；接着，将所述待预警场所的四维数据通过第二编码器(例如，如图3B中所示意的E2)以获得预警向量(例如，如图3B中所示意的V1)；然后，将所述预警向量映射到所述输出特征图(例如，如图3B中所示意的F4)的特征空间中以获得分类特征向量(例如，如图3B中所示意的VF)；以及，最后，将所述分类特征向量输入分类器(例如，如图3B中所示意的圈S)以获得预警等级结果。

更具体地，在训练阶段中，在步骤S110中，将建筑物内的所有场所的拓扑结构构造为一个三维的输入张量，其中，所述输入张量中各个位置的特征为两个场所之间的空间坐标之差和火灾预警等级之差，所述建筑物内所有场所中的传感设备通过物联网相互连接。如前所述，为了能够对建筑物内的不同场所进行火灾预警，需要对建筑物内的不同场所的结构关系进行建模，以获得所述结构关系的高维特征表达，在本申请中这种所述结构关系的高维特征表达除了需要表达各个所述场所之间的拓扑关系之外，还进一步需要表达空间信息，另外，还需要考虑各个所述场所的火灾预警等级。

因此，在本申请的技术方案中，首先需要对一个建筑物内的所有场所的拓扑关系进行建模，也就是，将各个所述场所抽象为一个节点，各个所述节点之间的距离作为边。这里，为了表达空间信息和火灾预警等级，还可以为各个所述节点赋予三维坐标来保证各个所述节点在三维空间内的位置关系以更为充分地利用相对位置关系信息，并且，对各个所述节点还可以进行标注，以明确各个场景的类别，应可以理解，不同功能的场所对于火灾的敏感度不同，例如，饮食场所由于具有煤气灶等易爆炸的东西，其火灾预警等级要相对较高。

具体地，在本申请实施例中，将建筑物内的所有场所的拓扑结构构造为一个三维的输入张量的过程，包括：首先，将所述建筑物内的每一场所抽象为一个节点，各个所述节点之间的距离作为边。接着，获取每个所述节点的空间坐标数据和火灾预警等级，在一个具体示例中，获得每个所述节点的空间坐标数据，即(x,y,z)的显性空间坐标和火灾预警等级，例如可以作为等级标签数字a，这样，每个所述节点得到一个(x,y,z,a)的四维数组，同样地，对于所述节点之间的距离，也就可以得到两个相应节点的(Δx,Δy,Δz,Δa)的四维数组。然后，再将所述建筑物的所有节点分别按行和列编码以获得矩阵。接着，在所述矩阵的非对角线位置填充两个节点之间的空间坐标数据之差和火灾预警等级之差，在一个具体示例中，所述矩阵的相应位置是对应节点之间的距离，也就是，(Δx,Δy,Δz,Δa)的四维数组。最后，在所述矩阵的对角线位置填充各个节点的空间坐标数据和火灾预警等级，以获得所述输入张量，在一个具体示例中，所述矩阵的对角线位置是所述节点本身的四维数组，也就是(x,y,z,a)，从而就能获得所述三维输入张量。

特别地，在一个具体示例中，所述建筑物内所有的场所中都部署有传感设备，同时这些传感设备都通过物联网相互连接。并且所述传感设备为温度传感器或者烟雾传感器，当然，在别的具体示例中，所述传感设备还可以为别的火灾报警检测传感器，对此并不为本申请所局限。

更具体地，在训练阶段中，在步骤S120中，将所述输入张量输入作为空间编码器的第一卷积神经网络以获得结构关系特征图。也就是，将所述三维输入向量通过作为空间编码器的第一卷积神经网络进行处理，以便利用所述第一卷积神经网络的空间卷积机制对于数据中的隐藏信息来进行显式编码，从而得到结构关系特征图。

具体地，在本申请实施例中，作为空间编码器的所述第一卷积神经网络以如下公式从所述输入向量中获得所述结构关系特征图；所述公式为：

f

其中，f

更具体地，在训练阶段中，在步骤S130和步骤S140中，为所述结构关系特征图中的每个位置赋予一个空间位置坐标以获得空间编码结构关系特征图，并将所述空间编码结构关系特征图中每个位置的特征通过第一编码器编码为一个特征值以获得空间强化结构关系特征图。应可以理解，针对所述结构关系特征图，由于所述第一卷积神经网络的空间编码特性，可以更充分地利用空间编码信息。因此，在本申请的技术方案中，进一步设置所述结构关系特征图中的初始位置坐标为原点，即(0，0，0)，所述结构关系特征图中相邻两个位置的空间坐标之差在特定轴方向上为1，这样，所述结构关系特征图中的每个位置将进一步具有(x’，y’，z’)的显性空间坐标，从而所述空间编码结构关系特征图的每个位置可以由(x’，y’，z’，f)的四维数组表达，其中包括：一个特征值和3个空间位置坐标值。然后，再将该所述四维数组，也就是，所述空间编码结构关系特征图中每个位置的特征，通过由多个全连接层构成的第一编码器进行编码而获得单个特征值，这使得所述结构关系特征图能够进一步包含丰富的空间编码信息，从而获得空间强化结构关系特征图。由此，基于该所述空间强化结构关系特征图进行高维特征提取和回归操作，可以提高所获得的结果的准确性。

具体地，在本申请实施例中，将所述空间编码结构关系特征图中每个位置的特征通过第一编码器编码为一个特征值以获得空间强化结构关系特征图的过程，包括：使用所述第一编码器的多个全连接层分别对所述空间编码结构关系特征图中每个位置的特征进行全连接编码以将所述空间编码结构关系特征图中每个位置的特征编码为一个特征值，以使得所述结构关系特征图能够进一步包含丰富的空间编码信息，从而获得空间强化结构关系特征图。

更具体地，在训练阶段中，在步骤S150中，将所述空间强化结构关系特征图输入作为特征提取器的第二卷积神经网络以获得输出特征图。也就是，通过作为特征提取器的第二卷积神经网络对所述空间强化结构关系特征图进行处理，以提取出所述空间强化结构关系特征图的局部信息在高维空间中的特征分布表示，从而得到输出特征图。

更具体地，在训练阶段中，在步骤S160和步骤S170中，将所述输出特征图通过分类器以获得分类损失函数值，并基于所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。应可以理解，在本申请的方案中进行的是两阶段卷积，其中第一阶段为空间编码，而第二阶段为特征提取。而且，在训练过程当中，这两阶段卷积可以进行联合训练，以避免传统的编码器的编码过程与所述卷积神经网络的高维特征提取相关性低的问题。

具体地，在本申请实施例中，将所述输出特征图通过分类器以获得分类损失函数值的过程，包括：首先，将所述输出特征图通过所述分类器的至少一个全连接层以通过所述至少一全连接层对所述输出特征图中的每个位置的特征值进行全连接编码以获得分类特征向量；然后，将所述分类特征向量输入所述分类器的Softmax分类函数以获得分类结果，所述分类结果用于表示所述建筑物内所有场所的预警等级；最后，计算所述建筑物内的所有场所的预警等级的真实值和所述分类结果之间的交叉熵损失函数值作为所述分类损失函数值。

在一个具体示例中，基于所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练的过程，包括：在每一轮迭代中，基于所述分类损失函数值以梯度下降的反向传播联合地更新所述第一卷积神经网络和所述第二卷积神经网络的参数。

在训练完成后，进入推断阶段。也就是，在使用基于物联网的城市安全管理监控算法来训练卷积神经网络后，将训练完成的卷积神经网络用于实际的推断场景中。

更具体地，在推断阶段中，在步骤S210和步骤S220中，当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，获取待预警场所的输入信息，所述输入信息为由所述待预警场所的空间坐标值和火灾预警等级组成的四维数据，并将所述待预警场所的四维数据通过第二编码器以获得预警向量。应可以理解，为了能够对建筑物内的不同场所进行火灾预警，需要对建筑物内的不同场所的结构关系进行建模，以获得所述结构关系的高维特征表达，在本申请中这种所述结构关系的高维特征表达除了需要表达各个所述场所之间的拓扑关系之外，还进一步需要表达空间信息，另外，还需要考虑各个所述场所的火灾预警等级。因此，在本申请的技术方案中，当建筑物内的某一个场所发生火灾时，该场所的传感设备就会发出火灾报警信号，此时从待预警场所的输入信息中就可以获得待预警场所的(x,y,z,a)的四维数组；然后再将所述待预警场所的四维数据通过第二编码器，以通过所述第二编码器对所述四维数据进行编码，以得到预警向量。

值得一提的是，在一个具体示例中，所述建筑物内所有的场所中都部署有传感设备，同时这些传感设备都通过物联网相互连接。并且所述传感设备为温度传感器或者烟雾传感器，当然，在别的具体示例中，所述传感设备还可以为别的火灾报警检测传感器，对此并不为本申请所局限。

更具体地，在推断阶段中，在步骤S230和步骤S240中，将所述预警向量映射到所述输出特征图的特征空间中以获得分类特征向量，并将所述分类特征向量输入分类器以获得预警等级结果。也就是，首先，将所述输出特征图与所述预警向量进行矩阵相乘，以把所述预警向量映射到所述输出特征图的特征空间中，从而获得所述分类特征向量；然后，再将所述分类特征向量输入分类器以获得预警等级结果。在一个具体示例中，可以将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于预警等级的概率值；然后，再基于所述预警等级的概率值确定所述着火场所的预警等级。

综上，基于本申请实施例的基于物联网的城市安全管理监控方法被阐明，其通过使用第一卷积神经网络对包含了拓扑信息和空间结构信息和预警等级信息的三维输入张量进行空间编码，可以对隐藏信息进行显式空间编码，同时，通过进一步利用特征图进行显式空间编码所得到的空间信息来进行适配空间坐标的处理，能够使得所获得的特征图获得进一步丰富的空间信息表达。由此，基于该特征图进行高维特征提取和回归操作，可以提高所获得的结果的准确性。

示例性系统

图4图示了根据本申请实施例的基于物联网的城市安全管理监控系统的框图。如图4所示，根据本申请实施例的基于物联网的城市安全管理监控系统400，包括：训练模块410和推断模块420。

如图4所示，所述训练模块410，包括：输入张量构造单元411，用于将建筑物内的所有场所的拓扑结构构造为一个三维的输入张量，其中，所述输入张量中各个位置的特征为两个场所之间的空间坐标之差和火灾预警等级之差，所述建筑物内所有场所中的传感设备通过物联网相互连接；第一卷积神经网络处理单元412，用于将所述输入张量构造单元411获得的所述输入张量输入作为空间编码器的第一卷积神经网络以获得结构关系特征图；空间位置坐标赋予单元413，用于为所述第一卷积神经网络处理单元412获得的所述结构关系特征图中的每个位置赋予一个空间位置坐标以获得空间编码结构关系特征图，其中，设定所述结构关系特征图的初始位置的坐标为(0,0,0)，所述结构关系特征图中相邻两个位置的空间坐标之差在特定轴方向上为1，其中，所述空间编码结构关系特征图中每个位置的特征为一个四维数组，包括：一个特征值和3个空间位置坐标值；编码单元414，用于将所述空间位置坐标赋予单元413获得的所述空间编码结构关系特征图中每个位置的特征通过第一编码器编码为一个特征值以获得空间强化结构关系特征图；第二卷积神经网络处理单元415，用于将所述编码单元414获得的所述空间强化结构关系特征图输入作为特征提取器的第二卷积神经网络以获得输出特征图；分类器处理单元416，用于将所述第二卷积神经网络处理单元415获得的所述输出特征图通过分类器以获得分类损失函数值；以及，训练单元417，用于基于所述分类器处理单元416获得的所述分类损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。

如图4所示，所述推断模块420，包括：输入信息获取单元421，用于当接收到所述建筑物内的某个场所的传感设备发生火灾报警信号时，获取待预警场所的输入信息，所述输入信息为由所述待预警场所的空间坐标值和火灾预警等级组成的四维数据；编码器处理单元422，用于将所述输入信息获取单元421获得的所述待预警场所的四维数据通过第二编码器以获得预警向量；映射单元423，用于将所述编码器处理单元422获得的所述预警向量映射到所述输出特征图的特征空间中以获得分类特征向量；以及，分类单元424，用于将所述映射单元423获得的所述分类特征向量输入分类器以获得预警等级结果。

在一个示例中，在上述基于物联网的城市安全管理监控系统400中，所述输入张量构造单元411，包括：场所抽象子单元，用于将所述建筑物内的每一场所抽象为一个节点；数据等级获取子单元，用于获取每个所述场所抽象子单元获得的所述节点的空间坐标数据和火灾预警等级；矩阵生成子单元，用于将所述场所抽象子单元获得的所述建筑物的所有节点分别按行和列编码以获得矩阵；填充子单元，用于在所述矩阵生成子单元获得的所述矩阵的非对角线位置填充两个节点之间的所述数据等级获取子单元获得的所述空间坐标数据之差和火灾预警等级之差；以及，输入张量生成子单元，用于在所述矩阵生成子单元获得的所述矩阵的对角线位置填充各个节点的所述数据等级获取子单元获得的所述空间坐标数据和火灾预警等级，以获得所述输入张量。

在一个示例中，在上述基于物联网的城市安全管理监控系统400中，所述第一卷积神经网络处理单元412，进一步用于：作为空间编码器的所述第一卷积神经网络以如下公式从所述输入向量中获得所述结构关系特征图；所述公式为：

f

其中，f

在一个示例中，在上述基于物联网的城市安全管理监控系统400中，所述编码单元414，进一步用于：使用所述第一编码器的多个全连接层分别对所述空间编码结构关系特征图中每个位置的特征进行全连接编码以将所述空间编码结构关系特征图中每个位置的特征编码为一个特征值。

在一个示例中，在上述基于物联网的城市安全管理监控系统400中，所述分类器处理单元416，包括：分类特征向量生成子单元，用于将所述输出特征图通过所述分类器的至少一个全连接层以通过所述至少一全连接层对所述输出特征图中的每个位置的特征值进行全连接编码以获得分类特征向量；分类结果生成子单元，用于将所述分类特征向量生成子单元获得的所述分类特征向量输入所述分类器的Softmax分类函数以获得分类结果，所述分类结果用于表示所述建筑物内所有场所的预警等级；以及，交叉熵计算子单元，用于计算所述建筑物内的所有场所的预警等级的真实值和所述分类结果生成子单元获得的所述分类结果之间的交叉熵损失函数值作为所述分类损失函数值。

在一个示例中，在上述基于物联网的城市安全管理监控系统400中，所述训练单元417，进一步用于：在每一轮迭代中，基于所述分类损失函数值以梯度下降的反向传播联合地更新所述第一卷积神经网络和所述第二卷积神经网络的参数。

在一个示例中，在上述基于物联网的城市安全管理监控系统400中，所述映射单元423，进一步用于：将所述输出特征图与所述预警向量进行矩阵相乘以获得所述分类特征向量。

这里，本领域技术人员可以理解，上述基于物联网的城市安全管理监控系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3B的基于物联网的城市安全管理监控方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的基于物联网的城市安全管理监控系统400可以实现在各种终端设备中，例如基于物联网的城市安全管理监控算法的服务器等。在一个示例中，根据本申请实施例的基于物联网的城市安全管理监控系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于物联网的城市安全管理监控系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于物联网的城市安全管理监控系统400同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于物联网的城市安全管理监控系统400与该终端设备也可以是分立的设备，并且该基于物联网的城市安全管理监控系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图5来描述根据本申请实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于物联网的城市安全管理监控方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类损失函数值、分类特征向量等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括预警等级结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网的城市安全管理监控方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于物联网的城市安全管理监控方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。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、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。