一种基于物联网的消防栓用水监控系统的制作方法

1.本技术涉及物联网领域，且更为具体地，涉及一种基于物联网的消防栓用水监控系统。


背景技术：

2.消防栓,一种固定式消防设施，主要作用是控制可燃物、隔绝助燃物、消除着火源。在日常生活中,经常出现偷用消防栓内部存水的问题,会导致消防栓需要使用时水量不足，从而不能起到灭火的作用。
3.如何对消防栓的用水状态进行有效监控,并在消防栓用水异常时，及时让管理人员知晓,从而降低消防栓异常和异常用水带来的隐患,是需要解决的问题,为此,现提供一种基于物联网的消防栓用水监控系统。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于物联网的消防栓用水监控系统。其可以基于水压和出水量的时序变化特征，利用智能算法来实现对消防栓的实时监控，以及时发现消防栓的异常问题。
5.根据本技术的一个方面，提供了一种基于物联网的消防栓用水监控系统，其包括：
6.数据采集模块，用于获取被监控消防栓的消防栓运行数据；
7.数据处理模块，用于对所述被监控消防栓的消防栓运行数据进行处理以得到水压变化图和出水量变化图；
8.用水分析模块，用于基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常；以及
9.维修模块，用于响应于所述被监控消防栓存在异常，安排维修与检查。
10.根据本技术的另一个方面，提供了一种基于物联网的消防栓用水监控方法，其包括：
11.获取被监控消防栓的消防栓运行数据；
12.对所述被监控消防栓的消防栓运行数据进行处理以得到水压变化图和出水量变化图；
13.基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常；以及
14.响应于所述被监控消防栓存在异常，安排维修与检查。
15.与现有技术相比，本技术提供的基于物联网的消防栓用水监控系统，其首先获取被监控消防栓的消防栓运行数据，接着，对所述被监控消防栓的消防栓运行数据进行处理以得到水压变化图和出水量变化图，然后，基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常，最后，响应于所述被监控消防栓存在异常，安排维修与检查。这样，可以基于水压和出水量的时序变化特
征，利用智能算法来实现对消防栓的实时监控，以及时发现消防栓的异常问题。
附图说明
16.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
17.图1为根据本技术实施例的基于物联网的消防栓用水监控系统的框图示意图。
18.图2为根据本技术实施例的基于物联网的消防栓用水监控系统中的所述用水分析模块的框图示意图。
19.图3为根据本技术实施例的基于物联网的消防栓用水监控系统中的所述特征提取融合单元的框图示意图。
20.图4为根据本技术实施例的基于物联网的消防栓用水监控系统中的所述特征向量提取子单元的框图示意图。
21.图5为根据本技术实施例的基于物联网的消防栓用水监控系统中的所述异常监控单元的框图示意图。
22.图6为根据本技术实施例的基于物联网的消防栓用水监控系统中的所述特征分布优化子单元的框图示意图。
23.图7为根据本技术实施例的基于物联网的消防栓用水监控方法的流程图。
24.图8为根据本技术实施例的基于物联网的消防栓用水监控方法的系统架构的示意图。
25.图9为根据本技术实施例的基于物联网的消防栓用水监控系统的应用场景图。
具体实施方式
26.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，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，也属于本技术保护的范围。
27.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
28.虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
29.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
30.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅
仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
31.本技术提供了一种基于物联网的消防栓用水监控系统，图1为根据本技术实施例的基于物联网的消防栓用水监控系统的框图示意图。如图1所示，根据本技术实施例的基于物联网的消防栓用水监控系统100，包括：数据采集模块110，用于获取被监控消防栓的消防栓运行数据；数据处理模块120，用于对所述被监控消防栓的消防栓运行数据进行处理以得到水压变化图和出水量变化图；用水分析模块130，用于基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常；以及，维修模块140，用于响应于所述被监控消防栓存在异常，安排维修与检查。
32.其中，在现有技术中，对所述被监控消防栓的用水状态进行分析通常是与预设的阈值或参考值进行对比，但是阈值或参考值是一个固定值，可能无法充分考虑消防栓的特性和运行环境，缺乏环境适应性。因此，期待一种优化的方案。
33.对此，本技术的技术构思是基于水压和出水量的时序变化特征，利用智能算法来实现对消防栓的实时监控，以及时发现消防栓的异常问题。
34.基于此，在本技术的技术方案中，首先，获取被监控消防栓的水压变化图和出水量变化图。接着，分别提取所述水压变化图和所述出水量变化图中的变化特征以得到水压变化图像特征向量和出水量变化图像特征向量。
35.应可以理解，水压变化图和出水量变化图可以提供关于消防栓运行状态的重要信息。具体而言，消防栓的水压在正常情况下应该保持相对稳定。通过监测水压变化图，可以观察到消防栓的水压是否在正常范围内波动。异常的水压变化可能意味着消防栓存在水源供应问题等故障或异常情况。此外，异常的出水量变化可能暗示着消防栓存在堵塞、阀门故障或其他供水问题。
36.在本技术的一个具体示例中，分别提取所述水压变化图和所述出水量变化图中的变化特征以得到水压变化图像特征向量和出水量变化图像特征向量的编码过程，包括：先将所述水压变化图通过基于第一卷积神经网络模型的水压变化图像特征提取器以得到水压变化图像特征向量；同时，将所述出水量变化图通过基于第二卷积神经网络模型的出水量变化图像特征提取器以得到出水量变化图像特征向量。
37.然后，使用级联函数来进行所述水压变化图像特征向量和所述出水量变化图像特征向量之间的特征交互以得到水压-出水量时序交互推理特征向量。其中，级联函数可以将所述水压变化图像特征向量和所述出水量变化图像特征向量进行逻辑推理式融合，其数学形式为：
38.f(xi，xj)＝relu(wf[θ(xi)，φ(xj)])
[0039]
其中，wf，θ(xi)和φ(xj)均表示对输入进行点卷积、relu为激活函数，[]表示拼接操作。
[0040]
相应地，如图2所示，所述用水分析模块130，包括：特征提取融合单元131，用于对所述水压变化图和所述出水量变化图进行图像特征提取与特征融合以得到水压-出水量时序交互推理特征向量；以及，异常监控单元132，用于基于所述水压-出水量时序交互推理特征向量，确定所述被监控消防栓是否存在异常。应可以理解，所述用水分析模块130包括特征提取融合单元131和异常监控单元132两个主要单元。其中，特征提取融合单元131负责对
水压变化图和出水量变化图进行图像特征提取和特征融合，以生成水压-出水量时序交互推理特征向量。具体而言，该单元可以从水压变化图和出水量变化图中提取相关的图像特征，例如幅度、频率、变化趋势等；还可以将从两个图像中提取的特征进行融合，以获得水压-出水量时序交互推理特征向量，这个向量包含了水压和出水量之间的时序信息以及它们之间的交互关系。异常监控单元132基于水压-出水量时序交互推理特征向量，用于确定被监控消防栓是否存在异常。该单元可以使用预先定义的异常检测算法或模型，对水压-出水量时序交互推理特征向量进行分析，以检测是否存在异常模式或异常行为；还可以根据异常检测的结果，判断被监控消防栓是否存在异常，如果异常监控单元132检测到异常，它会触发相应的警报或通知，以便采取进一步的行动。即，特征提取融合单元131负责从水压和出水量的变化图中提取特征并将其融合，生成水压-出水量时序交互推理特征向量，异常监控单元132则利用这个特征向量来检测和判断被监控消防栓是否存在异常情况。
[0041]
更具体地，如图3所示，所述特征提取融合单元131，包括：特征向量提取子单元1311，用于分别提取所述水压变化图和所述出水量变化图中的变化特征以得到水压变化图像特征向量和出水量变化图像特征向量；以及，向量融合子单元1312，用于融合所述水压变化图像特征向量和所述出水量变化图像特征向量以得到所述水压-出水量时序交互推理特征向量。应可以理解，特征提取融合单元131包括特征向量提取子单元1311和向量融合子单元1312两个子单元。其中，特征向量提取子单元1311用于分别从水压变化图和出水量变化图中提取变化特征，以得到水压变化图像特征向量和出水量变化图像特征向量。具体而言，该子单元可以从水压变化图中提取相关的特征，例如幅度、频率、时域统计量等，这些特征可以反映水压的变化模式和特性；还可以从出水量变化图中提取相关的特征，例如幅度、频率、时域统计量等，这些特征可以反映出水量的变化模式和特性。特征向量提取子单元1311的作用是将水压变化图和出水量变化图转化为对应的图像特征向量，以便后续的向量融合。向量融合子单元1312用于将水压变化图像特征向量和出水量变化图像特征向量进行融合，以得到水压-出水量时序交互推理特征向量。具体而言，该子单元可以将水压变化图像特征向量和出水量变化图像特征向量进行融合，可以使用简单的向量拼接、加权平均或更复杂的融合方法，以获得水压-出水量时序交互推理特征向量；还可以通过融合后的特征向量，生成水压-出水量时序交互推理特征向量，这个特征向量包含了水压和出水量之间的时序信息以及它们之间的交互关系。向量融合子单元1312的作用是将水压变化图像特征向量和出水量变化图像特征向量融合为一个综合的特征向量，以便后续的异常监控单元132使用。
[0042]
更具体地，如图4所示，所述特征向量提取子单元1311，包括：第一卷积编码二级子单元13111，用于将所述水压变化图通过基于第一卷积神经网络模型的水压变化图像特征提取器以得到所述水压变化图像特征向量；以及第二卷积编码二级子单元13112，用于将所述出水量变化图通过基于第二卷积神经网络模型的出水量变化图像特征提取器以得到所述出水量变化图像特征向量。
[0043]
值得一提的是，卷积神经网络(convolutional neural network，简称cnn)是一种深度学习模型，主要用于处理具有网格结构的数据，如图像和音频。卷积神经网络的核心思想是利用卷积操作来提取输入数据的特征。它通过在输入数据上滑动一个小的可学习的卷积核(filter)，将输入数据与卷积核进行卷积运算，从而得到特征图(feature map)。卷积
核可以学习到不同位置的局部特征，如边缘、纹理等。通过堆叠多个卷积层和非线性激活函数，cnn可以逐渐提取出更加抽象和高级的特征。除了卷积层，卷积神经网络通常还包括池化层(pooling)和全连接层(fully connected layer)。池化层用于减小特征图的尺寸，同时保留主要的特征信息。全连接层将池化层输出的特征图展平成一维向量，并通过全连接层进行分类或回归等任务。卷积神经网络的训练通常使用反向传播算法和梯度下降优化方法来更新模型参数。在大规模数据集上进行训练时，cnn可以自动学习到适合任务的特征表示，从而实现高效的模式识别和特征提取。换言之，卷积神经网络是一种特殊的神经网络结构，通过卷积操作和层级结构来提取输入数据的特征，广泛应用于图像处理和计算机视觉任务中。
[0044]
进一步地，第一卷积神经网络模型是一种基于卷积神经网络的模型，专门设计用于处理水压变化图的特征提取任务，具体的网络结构和参数设置可以根据具体的应用和需求进行设计和训练。第二卷积神经网络模型也是一种基于卷积神经网络的模型，专门设计用于处理出水量变化图的特征提取任务。
[0045]
更具体地，所述向量融合子单元1312，进一步用于：使用级联函数来进行所述水压变化图像特征向量和所述出水量变化图像特征向量之间的特征交互以得到所述水压-出水量时序交互推理特征向量。应可以理解，使用级联函数进行水压变化图像特征向量和出水量变化图像特征向量之间的特征交互，可以得到水压-出水量时序交互推理特征向量。这个特征向量包含了水压和出水量之间的时序交互信息，可以用于进一步的分析和判断。具体来说，级联函数可以将两个特征向量进行融合，从而捕捉到它们之间的关联和相互影响。使用级联函数的好处包括：1.综合特征表示：通过将水压变化图像特征向量和出水量变化图像特征向量级联，得到的水压-出水量时序交互推理特征向量综合了两个方面的信息，更全面地描述了水压和出水量之间的关系；2.时序交互信息：水压和出水量的变化是相互关联的，它们之间的时序交互信息对于异常检测和判断非常重要，级联函数可以捕捉到这种时序交互信息，使得生成的特征向量更能反映出水压和出水量之间的动态关系；3.提高判别能力：级联函数的融合操作可以增强特征的判别能力，使得生成的水压-出水量时序交互推理特征向量更具有区分度，这有助于更准确地检测和判断被监控消防栓是否存在异常情况。换言之，使用级联函数进行水压变化图像特征向量和出水量变化图像特征向量之间的特征交互可以得到水压-出水量时序交互推理特征向量，这个特征向量综合了水压和出水量之间的关系和时序交互信息，有助于更有效地进行异常检测和判断。
[0046]
进一步地，将所述水压-出水量时序交互推理特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控消防栓是否存在异常。
[0047]
相应地，如图5所示，所述异常监控单元132，包括：特征分布优化子单元1321，用于对所述水压-出水量时序交互推理特征向量进行特征分布优化以得到优化水压-出水量时序交互推理特征向量；以及，分类子单元1322，用于将所述优化水压-出水量时序交互推理特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控消防栓是否存在异常。应可以理解，特征分布优化子单元1321负责对水压-出水量时序交互推理特征向量进行特征分布优化，以得到优化的水压-出水量时序交互推理特征向量。具体而言，该子单元可以通过对水压-出水量时序交互推理特征向量的分布进行调整和优化，使得特征向量更符合异常检测和分类任务的需求，这涉及到对特征向量的归一化、降维、加权等操作，以提
average)，探索所述级联特征向量v1和所述水压-出水量时序交互推理特征向量v2在级联函数的交互特征提取下的基于序列的空间分布启发式(heuristics)，从而将所述水压-出水量时序交互推理特征向量v2的各个局部特征分布转化为融合空间内的序列跟踪实例(tracked instance)，以实现序列的特征空间分布的跟踪小片段认知的(tracklet-aware)分布均衡化。这样，就通过所述水压-出水量时序交互推理特征向量相对于所述水压变化图像特征向量和所述出水量变化图像特征向量的分布均衡化，增强了所述水压-出水量时序交互推理特征向量对于所述水压变化图像特征向量和所述出水量变化图像特征向量的原始图像语义特征表达，从而改进了所述水压-出水量时序交互推理特征向量通过分类器得到的分类结果的准确性。
[0056]
更具体地，所述分类子单元1322，进一步用于：使用所述分类器的全连接层对所述优化水压-出水量时序交互推理特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
[0057]
也就是，在本公开的技术方案中，所述分类器的标签包括被监控消防栓存在异常(第一标签)，以及，被监控消防栓不存在异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化水压-出水量时序交互推理特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监控消防栓是否存在异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被监控消防栓是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监控消防栓是否存在异常”的语言文本意义。
[0058]
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、svm等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
[0059]
值得一提的是，全连接编码是指将输入特征向量通过全连接层进行线性变换和非线性映射，从而得到编码分类特征向量。全连接层是深度神经网络中的一种常见层类型，它的每个神经元与上一层的所有神经元相连接，通过学习权重参数来对输入进行线性组合和非线性变换。通过全连接层的线性变换和非线性映射，可以提取输入特征的高级表示。全连接层的权重参数可以学习到输入特征中的相关模式和特征组合，从而更好地表示输入数据。全连接层可以改变输入特征向量的维度。通过调整全连接层的神经元数量，可以实现对特征向量的维度变换和降维，从而减少特征的维度，提取更紧凑和有用的特征表示。全连接层通常会应用非线性激活函数，例如relu、sigmoid或tanh函数，对线性变换的结果进行非线性映射。这样可以引入非线性关系，使得编码分类特征向量能够更好地捕捉输入特征中的非线性模式和复杂关系。在分类子单元1322中，全连接编码的作用是对优化的水压-出水量时序交互推理特征向量进行特征提取、维度变换和非线性变换。通过全连接编码，可以得到编码分类特征向量，它是对输入特征进行更高级别的表示和表达。这个编码分类特征向量将作为输入传递给分类器的softmax分类函数，用于最终的分类决策，得到所述分类结
果。全连接编码的目的是提取更具有判别性和表达力的特征，以提高分类的准确性和性能。
[0060]
综上，基于本技术实施例的基于物联网的消防栓用水监控系统100被阐明，其可以基于水压和出水量的时序变化特征，利用智能算法来实现对消防栓的实时监控，以及时发现消防栓的异常问题。
[0061]
如上所述，根据本技术实施例的基于本技术实施例的基于物联网的消防栓用水监控系统100可以实现在各种终端设备中，例如具有基于本技术实施例的基于物联网的消防栓用水监控算法的服务器等。在一个示例中，基于本技术实施例的基于物联网的消防栓用水监控系统100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，该基于本技术实施例的基于物联网的消防栓用水监控系统100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，该基于本技术实施例的基于物联网的消防栓用水监控系统100同样可以是该终端设备的众多硬件模块之一。
[0062]
替换地，在另一示例中，该基于本技术实施例的基于物联网的消防栓用水监控系统100与该终端设备也可以是分立的设备，并且该基于物联网的消防栓用水监控系统100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。
[0063]
图7为根据本技术实施例的基于物联网的消防栓用水监控方法的流程图。图8为根据本技术实施例的基于物联网的消防栓用水监控方法的系统架构的示意图。如图7和图8所示，根据本技术实施例的基于物联网的消防栓用水监控方法，其包括：s110，获取被监控消防栓的消防栓运行数据；s120，对所述被监控消防栓的消防栓运行数据进行处理以得到水压变化图和出水量变化图；s130，基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常；以及，s140，响应于所述被监控消防栓存在异常，安排维修与检查。
[0064]
在一个具体示例中，在上述基于物联网的消防栓用水监控方法中，基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常，包括：对所述水压变化图和所述出水量变化图进行图像特征提取与特征融合以得到水压-出水量时序交互推理特征向量；以及，基于所述水压-出水量时序交互推理特征向量，确定所述被监控消防栓是否存在异常。
[0065]
这里，本领域技术人员可以理解，上述基于物联网的消防栓用水监控方法中的各个步骤的具体操作已经在上面参考图1到图6的基于物联网的消防栓用水监控系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
[0066]
图9为根据本技术实施例的基于物联网的消防栓用水监控系统的应用场景图。如图9所示，在该应用场景中，首先，获取被监控消防栓的消防栓运行数据(例如，图9中所示意的d)，然后，将所述被监控消防栓的消防栓运行数据输入至部署有基于物联网的消防栓用水监控算法的服务器中(例如，图9中所示意的s)，其中，所述服务器能够使用所述基于物联网的消防栓用水监控算法对所述被监控消防栓的消防栓运行数据进行处理以得到用于表示所述被监控消防栓是否存在异常的分类结果。
[0067]
本技术使用了特定词语来描述本技术的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施
例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0068]
此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
[0069]
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
[0070]
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种基于物联网的消防栓用水监控系统，其特征在于，包括：数据采集模块，用于获取被监控消防栓的消防栓运行数据；数据处理模块，用于对所述被监控消防栓的消防栓运行数据进行处理以得到水压变化图和出水量变化图；用水分析模块，用于基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常；以及维修模块，用于响应于所述被监控消防栓存在异常，安排维修与检查。2.根据权利要求1所述的基于物联网的消防栓用水监控系统，其特征在于，所述用水分析模块，包括：特征提取融合单元，用于对所述水压变化图和所述出水量变化图进行图像特征提取与特征融合以得到水压-出水量时序交互推理特征向量；以及异常监控单元，用于基于所述水压-出水量时序交互推理特征向量，确定所述被监控消防栓是否存在异常。3.根据权利要求2所述的基于物联网的消防栓用水监控系统，其特征在于，所述特征提取融合单元，包括：特征向量提取子单元，用于分别提取所述水压变化图和所述出水量变化图中的变化特征以得到水压变化图像特征向量和出水量变化图像特征向量；以及向量融合子单元，用于融合所述水压变化图像特征向量和所述出水量变化图像特征向量以得到所述水压-出水量时序交互推理特征向量。4.根据权利要求3所述的基于物联网的消防栓用水监控系统，其特征在于，所述特征向量提取子单元，包括：第一卷积编码二级子单元，用于将所述水压变化图通过基于第一卷积神经网络模型的水压变化图像特征提取器以得到所述水压变化图像特征向量；以及第二卷积编码二级子单元，用于将所述出水量变化图通过基于第二卷积神经网络模型的出水量变化图像特征提取器以得到所述出水量变化图像特征向量。5.根据权利要求4所述的基于物联网的消防栓用水监控系统，其特征在于，所述向量融合子单元，进一步用于：使用级联函数来进行所述水压变化图像特征向量和所述出水量变化图像特征向量之间的特征交互以得到所述水压-出水量时序交互推理特征向量。6.根据权利要求5所述的基于物联网的消防栓用水监控系统，其特征在于，所述异常监控单元，包括：特征分布优化子单元，用于对所述水压-出水量时序交互推理特征向量进行特征分布优化以得到优化水压-出水量时序交互推理特征向量；以及分类子单元，用于将所述优化水压-出水量时序交互推理特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监控消防栓是否存在异常。7.根据权利要求6所述的基于物联网的消防栓用水监控系统，其特征在于，所述特征分布优化子单元，包括：级联二级子单元，用于将所述水压变化图像特征向量和所述出水量变化图像特征向量级联以获得级联特征向量；以及
优化二级子单元，用于以所述级联特征向量对所述水压-出水量时序交互推理特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到所述优化水压-出水量时序交互推理特征向量。8.根据权利要求7所述的基于物联网的消防栓用水监控系统，其特征在于，所述优化二级子单元，进一步用于：以所述级联特征向量，以如下优化公式对所述水压-出水量时序交互推理特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到所述优化水压-出水量时序交互推理特征向量；其中，所述优化公式为：其中，所述优化公式为：其中，v1表示所述级联特征向量，v2表示所述水压-出水量时序交互推理特征向量，且特征向量v1和v2均为行向量，(
·
)
t
表示转置操作，‖(v1；v2)‖2表示特征向量v1和v2的级联向量的二范数，表示所述级联特征向量中所有位置的特征值的集合，表示所述水压-出水量时序交互推理特征向量中所有位置的特征值的集合，表示特征向量v1和v2的所有特征值构成的并集集合的均值，
⊙
表示按位置点乘，表示向量加法，v2′
表示所述优化水压-出水量时序交互推理特征向量。9.一种基于物联网的消防栓用水监控方法，其特征在于，包括：获取被监控消防栓的消防栓运行数据；对所述被监控消防栓的消防栓运行数据进行处理以得到水压变化图和出水量变化图；基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常；以及响应于所述被监控消防栓存在异常，安排维修与检查。10.根据权利要求9所述的基于物联网的消防栓用水监控方法，其特征在于，基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常，包括：对所述水压变化图和所述出水量变化图进行图像特征提取与特征融合以得到水压-出水量时序交互推理特征向量；以及基于所述水压-出水量时序交互推理特征向量，确定所述被监控消防栓是否存在异常。

技术总结
公开了一种基于物联网的消防栓用水监控系统。其首先获取被监控消防栓的消防栓运行数据，接着，对所述被监控消防栓的消防栓运行数据进行处理以得到水压变化图和出水量变化图，然后，基于所述水压变化图和所述出水量变化图，对所述被监控消防栓的用水状态进行分析，判断所述被监控消防栓是否存在异常，最后，响应于所述被监控消防栓存在异常，安排维修与检查。这样，可以基于水压和出水量的时序变化特征，利用智能算法来实现对消防栓的实时监控，以及时发现消防栓的异常问题。以及时发现消防栓的异常问题。以及时发现消防栓的异常问题。


技术研发人员：赵平 胡翔
受保护的技术使用者：贝滨（广东）科技有限公司
技术研发日：2023.08.04
技术公布日：2023/10/6