基于大数据和人工智能的企业安全指数分析方法及系统

技术领域

本申请涉及企业安全、人工智能领域，具体涉及一种基于大数据和人工智能的企业安全指数分析方法及系统。

背景技术

生化企业园区内的加工工厂或原料储存点有大量的储存容器用来存放化工原材料，这些原材料多为易燃易爆的化学品。为了维持企业的生产，同时受制于园区场地的限制，存储容器数量庞大且分布较为集中，当一个储存容器发生火灾事故时会引起周围的储存容器发生火灾造成多米诺效应，所以需要一种企业安全指数分析方法，实时监测每一个储存容器的危险程度，对危险等级高的储存容器加强防护，防止危险发生。

发明内容

针对以上问题，本发明提出一种基于大数据和人工智能的企业安全指数分析方法及系统。检测全景图像中原料储存容器的中心点和尺寸并计算各节点的影响范围。设置根节点并将根节点作为待处理节点，获取第二节点。根据第一路径上节点的阻挡计算第二节点的第一起火时间。遍历各第二节点，将其设置为目标节点，计算目标节点的准确起火时间，获取根节点到各第二节点的边权值。将会起火的第二节点作为待处理节点，从根节点扩展路径得到根节点对应的树结构，得到根节点的企业安全指数。重新选取根节点，获取各节点对应的企业安全指数，进一步获取企业最终安全指数，判断企业是否存在安全隐患。

一种基于大数据和人工智能的企业安全指数分析方法，该方法包括：

步骤S1：检测全景图像得到原料储存容器包围框的中心点和尺寸。

步骤S2：将原料储存容器视为节点，根据原料储存容器周围环境的属性，计算各节点的影响范围。

步骤S3：选取一个节点作为根节点，并将根节点作为待处理节点。

步骤S4：根据待处理节点影响范围设置第二节点，根据待处理节点与第二节点间第一路径上的其他节点的阻挡计算第二节点的第一起火时间。

步骤S5：遍历各第二节点执行以下操作：将第二节点设置为目标节点，筛选得到第一起火时间小于目标节点第一起火时间，且影响范围包含目标节点的第二节点，输出影响节点序列；根据影响节点序列中节点和待处理节点散发的热量判断目标节点是否会起火，若会起火，将待处理节点与目标节点连接，进一步计算目标节点的准确起火时间，获得待处理节点到目标节点的最终边权值。

步骤S6：将会起火的第二节点作为待处理节点，执行步骤S4-S5从根节点扩展路径，直至各路径上会起火的第二节点数量为零，得到根节点对应的树结构，根据树结构得到根节点的企业安全指数。

步骤S7：重新选取根节点，执行步骤S3-S6直至所有节点被遍历，获取各节点对应的企业安全指数，进一步获取企业最终安全指数，判断企业是否存在安全隐患。

所述根据原料储存容器周围环境的属性，计算各节点的影响范围，包括：计算池火影响直径

所述根据待处理节点与第二节点间第一路径上的其他节点的阻挡计算第二节点的第一起火时间，具体包括：

选择一个第二节点并记为节点k，连接待处理节点和节点k得到第一路径；过第二节点的中心点作垂直于第一路径的第一直线，判断除节点k对应第一直线外的第一直线与第一路径是否有交点，并将与第一路径有交点的第二节点作为阻挡节点；计算阻挡节点对应第一直线与第一路径交点到待处理节点的距离d，并将各阻挡节点包围框投影在对应的第一直线上，获取投影l。

按d从小到大对阻挡节点进行排序得到阻挡节点序列，先将节点k的包围框投影在节点k对应的第一直线上获取投影l

节点k的第一起火时间

所述理想最终热量的计算方法如下：起火类型为池火时第二节点每秒接收的理想热量为

q(x)＝max(q

所述根据影响节点序列中节点和待处理节点散发的热量判断目标节点是否会起火，具体包括：

对影响节点按第一起火时间由短到长排序得到影响节点序列；将影响节点序列中节点和目标节点连接得到第二路径，待处理节点每秒对目标节点散发的热量为q

目标节点接收到热量总量为：Q

所述获得待处理节点到目标节点的最终边权值，具体包括：

找出满足

所述根据树结构得到根节点的企业安全指数，具体包括：

获取根节点到树结构最后一层中各节点的路径对应的边权值，选择边权值最小的路径为目标路径，目标路径上的边权值之和为∑W，ε为目标路径包含的节点的数目，根节点的企业安全指数μ为：

所述获取企业最终安全指数，判断企业是否存在安全隐患，具体包括：

将所有企业安全指数的最小值μ

一种基于大数据和人工智能的企业安全指数分析系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上任一项所述方法的步骤。

本发明和现有技术相比有如下有益效果：

(1)考虑到节点对热辐射的阻挡，针对不同节点对第一路径重复阻挡的情况，去除重复阻挡的路径，同时根据到不同类型的节点对路径的阻挡程度不同，改变阻挡系数，提高了第二节点起火时间检测的准确度。

(2)不仅考虑到根节点对目标节点的直接热辐射，而且考虑到受根节点热辐射并起火的第二节点对目标节点的辐射，可以获得更准确的起火时间。

(3)选择最短时间内波及最多层节点的火灾蔓延路径，并根据该目标路径计算企业安全指数，可以更好地表征出根节点起火时对整个企业园区的影响。

附图说明

图1为方法步骤图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一：

本发明的主要目的是实现企业安全性的计算。

为了实现本发明所述内容，本发明设计了一种基于大数据和人工智能的企业安全指数分析方法及系统，方法步骤图如图1所示。

本发明针对生化企业园区，园区内有众多原料储存容器，若其中的一个原料储存容器因安全防护问题发生火灾，则发生火灾的原料储存容器会向周围的原料储存容器散发热量，也就是进行热辐射。为了估计各原料储存容器在起火情况下对整个企业园区的影响，本发明通过设置在企业园区中的相机获取园区的全景图像，并根据图像中信息计算出企业安全指数。

步骤S1：通过相机采集园区的全景图像，通过原料储存容器检测网络检测全景图像中原料储存容器包围框的中心点坐标和尺寸信息，本发明所用原料储存容器检测网络为Center Net网络，为编码器+FC全连接结构，编码器用于提取特征得到特征图，FC全连接用于检测特征图中的特征并输出包围框中心点和尺寸。网络的训练方法为：

将若干张全景图像作为数据集，人工对数据集进行标注，将各原料储存容器对应包围框的中心点和尺寸标注出来，获取标签数据。使用均方误差损失函数和交叉熵损失函数对网络进行训练，得到训练好的原料储存容器检测网络。

将全景图像输入训练好的原料储存容器检测网络，检测原料储存容器包围框的中心点和尺寸，并将包围框和对应的中心点投影在BIM地面平面上，得到BIM地面平面上的企业园区全景图。

步骤S2：根据原料储存容器自身以及周围的信息，确定原料储存容器起火时的影响范围。

原料储存容器在起火后会对周围的其他原料储存容器产生热辐射，起火原料储存容器的影响范围和多个因素相关，本发明选择最重要的几个因素作为起火原料储存容器影响范围的计算依据：原料储存容器内液体的类别和储存量、起火类型、原料储存容器类型、原料储存容器周围风速。为了获得起火原料储存容器的准确影响范围，以上因素都需要考虑到。

原料储存容器起火时的起火类型有两种：池火和火球。起火时原料储存容器的影响范围是以原料储存容器中心点为圆心的圆形区域，但两种起火类型对应影响直径的计算方法是不同的。起火类型为池火时原料储存容器影响直径为：

起火类型为火球时，影响直径为：

为了保证后续计算企业安全指数的准确性和实用性，选取最大范围最为原料储存容器的影响范围，则该节点的理想影响范围D＝max(D

至此，获得各个原料储存容器起火时的影响范围。

步骤S3：将各原料储存容器视为节点，选择一个节点作为根节点，同时将根节点作为待处理节点。

步骤S4：假设待处理节点起火，根据待处理节点对各第二节点的热辐射，和其他第二节点的热辐射，计算各第二节点是否会起火，以及起火的具体时间，获取各热辐射传播路径的边权值。

本发明获取企业安全指数的方法是假设企业园区中一个原料储存容器起火后，获取这次起火导致的多米诺效应对应的量化指标。多米诺效应是指当初始事故发生时，引起临近的其他单元发生事故，导致事故的后果大于初始事件。对于企业园区，火灾的多米诺效应就是一个节点起火后对附近的节点产生热辐射，引起起火节点周围节点的火灾，并延伸到更大范围内的原料储存容器。

本发明以待处理节点对应原料储存容器包围框中心点为圆心，D′为直径获取待处理节点影响范围，将中心点在待处理节点影响范围内的节点作为第二节点。选取一个第二节点将其设置为目标节点，先计算各第二节点和目标节点的第一起火时间，计算目标节点的准确起火时间。

首先计算只在待处理节点影响下各第二节点的第一起火时间。将待处理节点与各第二节点相连，得到第一路径，第一路径即待处理节点直接对个第二节点产生热辐射的路径。获取每一个第二节点起火的临界热量Q

接着计算由待处理节点散发到第二节点的热量Q(x)＝q(x)t，q(x)为第二节点每秒接收的最终热量，起火类型为池火时第二节点每秒接收的热量为

为了提高系统的实用性和可靠性，本发明取q

得到q(x)后，理论上来说可以用第二节点的临界热量除以q(x)得到第二节点的第一起火时间，但是实际场景中，第二节点与待处理节点之间的第一路径上可能会有其他第二节点的阻挡，阻挡第一路径的第二节点会对热辐射有一定的阻碍，为了更准确地计算出第二节点的第一起火时间，本发明设计了以下步骤：

选择一个第二节点并记为节点k，连接待处理节点和节点k得到第一路径；过第二节点的中心点作垂直于第一路径的第一直线，判断除节点k对应第一直线外的第一直线与第一路径是否有交点，并将与第一路径有交点的第二节点作为阻挡节点。

计算阻挡节点对应第一直线与第一路径交点到待处理节点的距离d，并将各阻挡节点包围框投影在对应的第一直线上，获取投影l。

按d从小到大对阻挡节点进行排序得到阻挡节点序列，d越小说明产生阻挡的第二节点越接近待处理节点。先将节点k的包围框投影在节点k对应的第一直线上获取投影l

获得各阻挡节点的阻挡长度后即可计算各第二节点的第一起火时间，节点k的第一起火时间t

步骤S5：遍历各第二节点执行以下操作：

将第二节点设为目标节点，并根据其他第二节点的第一起火时间t对第二节点进行筛选。将t与目标节点的第一起火时间T比较，T很容易根据原料储存容器内物体的类型、含量算出，若t＞T，说明该第二节点不可能会影响到目标节点，删除该点；保留t≤T的第二节点。进行下一步筛选。

目标节点除了受待处理节点的影响，还受到附近起火比目标节点早的第二节点的影响。本发明再根据第二节点的位置对保留下的第二节点进行筛选，检测目标节点是否在第二节点的影响范围内，若在影响范围内，保留该第二节点；若不在影响范围内，删除该第二节点。

对于最后保留下来第二节点，按照第二节点对应第一起火时间由小到大排序组成影响节点序列，影响节点序列包含的每个第二节点的影响范围内均包含目标节点，记节点数目为Num，第二路径的数目也为Num。

影响节点序列中第二节点受待处理节点影响起火后再对目标节点产生热辐射，该影响路径称为第二路径，将影响节点序列中节点和目标节点连接得到第二路径。本发明已经设置待处理节点到目标节点的路径为第一路径，目标节点受第一路径和第二路径的影响。获取待处理节点每秒对目标节点散发的热量q

有Num条第二路径，计算每条第二路径对应第二节点的第一起火时间，第j条第二路径对应第二节点的第一起火时间为t

需要有说明的是，第二节点只起火后才会对目标节点产生影响，且当目标节点起火后，晚于目标节点起火的第二节点对目标节点的影响就不再考虑，所以根据第二节点的第一起火时间从小到大对第二路径进行排序。

根据第一路径权重，第二路径序列将所有路径上的影响因子进行融合，计算目标节点的准确起火时间，得到待处理节点到目标节点最终的边权值W。首先确定准确起火时间所属时间段，本发明根据待处理节点以及影响节点对目标节点散发热量的积累是否超过目标节点临界热量来获取准确起火事件所属时间段。

目标节点接收到热量总量为：

Q

影响节点序列内第二节点的第一起火时间和目标节点的第一起火时间将时间分为了若干个时间段，相邻第一起火时间之间为一个时间段，Q

目标节点的临界热量为

若存在，则进一步计算目标节点起火的准确时间。找出满足

再进一步判断在第m

至此，获得待处理节点到目标节点的边权值W，遍历剩余的第二节点，将各节点依次作为目标节点，并得到待处理节点到所有第二节点的边权值。

步骤S6：将会起火的第二节点作为待处理节点，执行步骤S4-S5从根节点扩展路径，直至各路径上会起火的第二节点数量为零，得到根节点对应的树结构。

该步骤的目的是获得根节点对应的树结构和树结构上各边的边权值。一个根节点下不只包含一层结构，被根节点影响后起火的第二节点会对离根节点更远的节点产生影响导致起火，这就是多米诺效应。将会起火的第二节点作为待处理节点，获取其影响直径，并进一步获得对应的第二节点。如此循环操作，直到起火的第二节点数目为0时，停止遍历，得到步骤S3选定的根节点对应的树结构。

进一步地，根据根节点对应树结构得到根节点的企业安全指数。获取根节点到树结构最后一层节点各条路径的边权值，选择边权值最小的路径为目标路径，该目标路径指的是多米诺效应用时最短的路径，将目标路径上的边权值之和记为∑W，目标路径包含的节点的数目记为ε，则根节点的企业安全指数μ为：

μ的值域为[0，1]，企业安全指数越小表示根节点起火后火灾在单位时间内传播的层数越远，该根节点发生火灾时园区越不安全。

步骤S7：

遍历企业园区的所有节点，执行步骤S3-S6并获得企业园区内每一个节点的企业安全指数。为了保证企业安全指数的实用性，及时发出预警，本发明将所有节点安全指数的最小值μ

本发明还提供了一种基于大数据和人工智能的企业安全指数分析系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如基于大数据和人工智能的企业安全指数分析方法的步骤。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。