本發(fā)明涉及智能安防，具體涉及一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法及系統(tǒng)。

背景技術(shù)：

1、隨著城市化進(jìn)程的加快，停車場作為重要的公共設(shè)施，尤其是在商業(yè)區(qū)、交通樞紐、居民小區(qū)等地承擔(dān)著重要的交通疏導(dǎo)與存儲(chǔ)功能。然而，停車場作為封閉或半封閉的空間常常面臨一系列安全隱患，例如：火災(zāi)、氣體泄漏、設(shè)備故障和環(huán)境異常突發(fā)事件。

2、現(xiàn)有的停車場安全監(jiān)控系統(tǒng)普遍采用集中式的監(jiān)控架構(gòu)，導(dǎo)致非常依賴中央服務(wù)器進(jìn)行數(shù)據(jù)處理與分析，且這種集中式架構(gòu)面臨性能瓶頸，由于停車場安全監(jiān)控系統(tǒng)依賴中心服務(wù)器處理全局?jǐn)?shù)據(jù)，這就使得傳感器采集到的數(shù)據(jù)要通過網(wǎng)絡(luò)傳輸至遠(yuǎn)端服務(wù)器，不僅導(dǎo)致存在較高的響應(yīng)延遲，還使得在火災(zāi)等緊急事件發(fā)生時(shí)平均響應(yīng)時(shí)間常常超過2秒，難以滿足停車場實(shí)時(shí)性的安全需求；與此同時(shí)集中式系統(tǒng)還存在單點(diǎn)故障的風(fēng)險(xiǎn)，一旦中心服務(wù)器發(fā)生宕機(jī)會(huì)使得整個(gè)監(jiān)控系統(tǒng)失效，導(dǎo)致停車場的安全無法保障；現(xiàn)有停車場監(jiān)控系統(tǒng)的數(shù)據(jù)分析能力存在不足，尤其是在靜態(tài)閾值檢測方面；現(xiàn)有停車場監(jiān)控系統(tǒng)大多采用固定閾值判斷異常，但停車場的環(huán)境受到晝夜溫差和車輛尾氣因素的影響，導(dǎo)致誤報(bào)率高達(dá)18%-25%；

3、目前，現(xiàn)有的停車場安全監(jiān)控系統(tǒng)普遍缺乏對多源異構(gòu)數(shù)據(jù)的時(shí)空融合分析能力，如環(huán)境參數(shù)、視頻和設(shè)備狀態(tài)，導(dǎo)致無法全面掌握停車場的環(huán)境態(tài)勢，且應(yīng)急響應(yīng)策略單一及不能實(shí)現(xiàn)分級(jí)預(yù)警與動(dòng)態(tài)路徑規(guī)劃的協(xié)同優(yōu)化，導(dǎo)致容易造成突發(fā)事件響應(yīng)的滯后，同時(shí)邊緣計(jì)算資源利用效率低且無法支持多模型協(xié)同推理與增量學(xué)習(xí)，嚴(yán)重限制了靈活性和適應(yīng)能力；因此，需要設(shè)計(jì)一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法及系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，為更好的有效解決現(xiàn)有的停車場安全監(jiān)控系統(tǒng)由于普遍缺乏對多源異構(gòu)數(shù)據(jù)的時(shí)空融合分析能力，如環(huán)境參數(shù)、視頻和設(shè)備狀態(tài)，從而導(dǎo)致無法全面掌握停車場的環(huán)境態(tài)勢，且應(yīng)急響應(yīng)策略單一及不能實(shí)現(xiàn)分級(jí)預(yù)警與動(dòng)態(tài)路徑規(guī)劃的協(xié)同優(yōu)化，從而導(dǎo)致容易造成突發(fā)事件響應(yīng)的滯后，同時(shí)邊緣計(jì)算資源利用效率低且無法支持多模型協(xié)同推理與增量學(xué)習(xí)，嚴(yán)重限制了靈活性和適應(yīng)能力的問題，提供了一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法及系統(tǒng)，其實(shí)現(xiàn)了具有能對停車場內(nèi)的火災(zāi)、氣體泄漏和設(shè)備故障突發(fā)事件進(jìn)行實(shí)時(shí)監(jiān)測、分析、預(yù)警與響應(yīng)的功能，且通過分布式的數(shù)據(jù)處理和協(xié)同分析能顯著提高停車場安全性及優(yōu)化應(yīng)急響應(yīng)策略，同時(shí)通過多模態(tài)數(shù)據(jù)融合與動(dòng)態(tài)閾值協(xié)同分析能降低突發(fā)事件誤報(bào)率，不僅縮短了平均響應(yīng)時(shí)間，還顯著提升了預(yù)警精度與時(shí)效性。

2、為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案是：

3、一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法，包括以下步驟，

4、步驟a，在停車場的不同區(qū)域內(nèi)采集多模態(tài)環(huán)境數(shù)據(jù)及視頻流并獲得采集數(shù)據(jù)；

5、步驟b，對采集數(shù)據(jù)進(jìn)行時(shí)間同步及動(dòng)態(tài)閾值過濾并獲得預(yù)處理后數(shù)據(jù)；

6、步驟c，對預(yù)處理后數(shù)據(jù)進(jìn)行時(shí)空特征對齊及噪聲過濾并獲得三維環(huán)境態(tài)勢圖；

7、步驟d，根據(jù)三維環(huán)境態(tài)勢圖采用多模型協(xié)同分析確定突發(fā)事件類型及預(yù)警等級(jí)；

8、步驟e，根據(jù)預(yù)警等級(jí)觸發(fā)差異化應(yīng)急響應(yīng)策略，完成停車場突發(fā)事件預(yù)警作業(yè)；

9、步驟f，采用知識(shí)蒸餾法對下發(fā)的更新模型進(jìn)行壓縮并在模型更新時(shí)保留關(guān)鍵權(quán)重。

10、前述的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法，步驟a，在停車場的不同區(qū)域內(nèi)采集多模態(tài)環(huán)境數(shù)據(jù)及視頻流并獲得采集數(shù)據(jù)，其中采集多模態(tài)環(huán)境數(shù)據(jù)及視頻流具體是利用復(fù)合溫濕度傳感器、氣體濃度傳感器、震動(dòng)感知傳感器和視頻采集器采集相應(yīng)數(shù)據(jù)；

11、所述復(fù)合溫濕度傳感器采用pt100鉑電阻與電容式濕度傳感器分別測量并采集溫度和濕度；

12、所述氣體濃度傳感器采用電化學(xué)式傳感器與紅外吸收式傳感器分別檢測一氧化碳濃度和氫氣濃度，所述氣體濃度傳感器采用一氧化碳濃度閥值與氫氣濃度閥值結(jié)合的雙閾值觸發(fā)機(jī)制；

13、所述震動(dòng)感知傳感器采用三軸加速度計(jì)檢測車輛碰撞與設(shè)備異常震動(dòng)，所述震動(dòng)感知傳感器能結(jié)合頻域分析fft區(qū)分正常車輛行駛與結(jié)構(gòu)性震動(dòng)事件；

14、所述視頻采集器采用主攝像頭與輔攝像頭結(jié)合的多攝像頭協(xié)同架構(gòu)并設(shè)有視頻采集觸發(fā)機(jī)制，其中所述主攝像頭為廣角鏡頭，所述輔攝像頭為紅外熱成像攝像頭，所述視頻采集觸發(fā)機(jī)制具體為在環(huán)境傳感器檢測到異常時(shí)將視頻采集器切換至60fps幀率模式。

15、前述的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法，步驟b，對采集數(shù)據(jù)進(jìn)行時(shí)間同步及動(dòng)態(tài)閾值過濾并獲得預(yù)處理后數(shù)據(jù)，其中時(shí)間同步及動(dòng)態(tài)閾值過濾具體過程是采用時(shí)空對齊模塊、噪聲過濾模塊和動(dòng)態(tài)閾值計(jì)算模塊對采集數(shù)據(jù)進(jìn)行處理；

16、所述時(shí)空對齊模塊用于采用gps模組及ntp協(xié)議對復(fù)合溫濕度傳感器數(shù)據(jù)、氣體濃度傳感器數(shù)據(jù)、震動(dòng)感知傳感器數(shù)據(jù)和視頻采集器數(shù)據(jù)添加統(tǒng)一時(shí)間戳并采用插值法補(bǔ)償因傳輸延遲產(chǎn)生的數(shù)據(jù)時(shí)序偏差；

17、所述噪聲過濾模塊用于對溫度數(shù)據(jù)采用小波變換去噪并對氣體濃度數(shù)據(jù)使用卡爾曼濾波抑制環(huán)境瞬時(shí)波動(dòng)干擾；

18、所述動(dòng)態(tài)閾值計(jì)算模塊用于基于滑動(dòng)窗口統(tǒng)計(jì)計(jì)算環(huán)境參數(shù)均值μ與標(biāo)準(zhǔn)差σ，再計(jì)算動(dòng)態(tài)調(diào)整異常判定閾值μ±3σ，同時(shí)疊加晝夜周期修正系數(shù)。

19、前述的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法，步驟c，對預(yù)處理后數(shù)據(jù)進(jìn)行時(shí)空特征對齊及噪聲過濾并獲得三維環(huán)境態(tài)勢圖，具體步驟如下

20、步驟c1，對預(yù)處理后數(shù)據(jù)添加時(shí)間戳并同步至統(tǒng)一時(shí)間軸，具體是采用ieee?1588時(shí)間協(xié)議在局域網(wǎng)內(nèi)實(shí)現(xiàn)±1ms級(jí)同步精度，如公式（1）所示，

21、（1）

22、其中，為經(jīng)時(shí)空校準(zhǔn)后的標(biāo)準(zhǔn)時(shí)間戳，為原始采集時(shí)間戳，為利用主從時(shí)鐘交換報(bào)文計(jì)算的時(shí)間偏移量，d為物理傳輸距離，c為信號(hào)傳播速度；

23、步驟c2，采用卡爾曼濾波消除傳感器噪聲，具體是對預(yù)處理后數(shù)據(jù)執(zhí)行五階濾波迭代，如公式（2）所示，

24、（2）

25、其中，和分別為k時(shí)刻和k-1時(shí)刻的狀態(tài)估計(jì)向量，為卡爾曼增益，為狀態(tài)轉(zhuǎn)移矩陣，為第k次的實(shí)際觀測值，為觀測矩陣；

26、步驟c3，基于空間插值算法生成三維環(huán)境參數(shù)分布模型，其中空間插值算法中的空間變異函數(shù)采用球狀模型，如公式（3）所示，

27、（3）

28、其中，h為空間滯后距離，為塊金效應(yīng)值，c為基臺(tái)值，a為變程；

29、步驟c4，將視頻流數(shù)據(jù)與三維模型疊加生成三維環(huán)境態(tài)勢圖，其中將視頻流數(shù)據(jù)與三維模型疊加具體是采用仿射變換進(jìn)行坐標(biāo)映射。

30、前述的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法，步驟d，根據(jù)三維環(huán)境態(tài)勢圖采用多模型協(xié)同分析確定突發(fā)事件類型及預(yù)警等級(jí)，具體是采用火災(zāi)識(shí)別模型、氣體泄漏分類模型和設(shè)備故障檢測模型經(jīng)多模型投票機(jī)制確定突發(fā)事件類型及預(yù)警等級(jí)，其中多模型投票機(jī)制具體是設(shè)定置信度閥值并對火災(zāi)識(shí)別模型、氣體泄漏分類模型和設(shè)備故障檢測模型設(shè)定權(quán)重。

31、前述的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法，步驟d中的火災(zāi)識(shí)別模型具體是將yolov5模型的backbone末端嵌入cbam注意力模塊并設(shè)定通道壓縮比為16:1；

32、步驟d中的氣體泄漏分類模型的輸入特征包括氣體濃度梯度特征、濕度變化率特征及震動(dòng)頻譜特征；

33、所述氣體濃度梯度特征用于判斷泄漏擴(kuò)散趨勢，且氣體濃度梯度特征計(jì)算過程如公式（4）所示，

34、（4）

35、其中，為氣體濃度梯度，為當(dāng)前時(shí)刻氣體濃度，為10秒前的歷史濃度值；

36、所述濕度變化率特征計(jì)算過程如公式（5）所示，

37、（5）

38、其中，為濕度變化率，為當(dāng)前相對濕度值，為時(shí)間間隔，為當(dāng)前濕度值，為60秒前的濕度值；

39、所述震動(dòng)頻譜特征用于利用高頻能量與低頻能量比值區(qū)分泄漏與常規(guī)振動(dòng)，且震動(dòng)頻譜特征計(jì)算過程如公式（6）所示，

40、?（6）

41、其中，為震動(dòng)能量比，p(f)為震動(dòng)信號(hào)的功率譜密度，分子積分區(qū)間20hz-50hz為氣體泄漏高頻特征頻段，分母積分區(qū)間5hz-15hz為設(shè)備機(jī)械振動(dòng)低頻特征頻段。

42、前述的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法，步驟e，根據(jù)預(yù)警等級(jí)觸發(fā)差異化應(yīng)急響應(yīng)策略，完成停車場突發(fā)事件預(yù)警作業(yè)，具體包含本地響應(yīng)模塊、全局疏散模塊和響應(yīng)策略選擇模塊，所述本地響應(yīng)模塊用于控制噴淋設(shè)備和通風(fēng)設(shè)備的啟停，所述全局疏散模塊用于動(dòng)態(tài)調(diào)整led引導(dǎo)屏和車載導(dǎo)航信息，所述響應(yīng)策略選擇模塊用于根據(jù)預(yù)警等級(jí)和實(shí)時(shí)數(shù)據(jù)分配響應(yīng)動(dòng)作優(yōu)先級(jí)。

43、前述的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法，步驟f，采用知識(shí)蒸餾法對下發(fā)的更新模型進(jìn)行壓縮并在模型更新時(shí)保留關(guān)鍵權(quán)重，具體步驟如下，

44、步驟f1，采用知識(shí)蒸餾法對下發(fā)的更新模型進(jìn)行壓縮，所述知識(shí)蒸餾法的輸入為更新模型包，所述知識(shí)蒸餾法輸出為適配硬件資源的學(xué)生模型，所述知識(shí)蒸餾法的動(dòng)態(tài)蒸餾損失函數(shù)如公式（7）所示，

45、（7）

46、其中，為總目標(biāo)函數(shù)，為交叉熵?fù)p失，y為真實(shí)標(biāo)簽，為輸入的更新模型包數(shù)據(jù)，為教師模型，為知識(shí)蒸餾損失；

47、步驟f2，在模型更新時(shí)保留關(guān)鍵權(quán)重，具體是采用彈性權(quán)重篩選法計(jì)算舊模型參數(shù)的fisher信息矩陣對角線元素并基于中位數(shù)生成權(quán)重重要性掩碼，關(guān)鍵權(quán)重在優(yōu)化過程中采用正則化約束變化幅度，且關(guān)鍵權(quán)重如公式（8）所示，

48、（8）

49、其中，為數(shù)據(jù)集f中的中位數(shù)；

50、步驟f3，構(gòu)建更新模型的觸發(fā)條件及更新流程，具體步驟如下，

51、步驟f31，構(gòu)建更新模型的觸發(fā)條件，所述更新模型觸發(fā)條件由驗(yàn)證集準(zhǔn)確率變化決定，具體為若新模型在本地驗(yàn)證集準(zhǔn)確率較當(dāng)前模型下降超過設(shè)定概率時(shí)啟動(dòng)更新流程；

52、步驟f32，構(gòu)建更新模型的更新流程，所述更新模型的更新流程采用分塊更新法按全連接層、深層卷積層和淺層卷積層的優(yōu)先級(jí)順序分階段更新并結(jié)合量化及權(quán)重稀疏化壓縮模型內(nèi)存占用，其中量化公式如公式（9）所示，

53、（9）

54、其中，為量化后權(quán)重，為將浮點(diǎn)結(jié)果轉(zhuǎn)換為最接近的整數(shù)，為原始權(quán)重矩陣，為原始權(quán)重均值，為原始權(quán)重標(biāo)準(zhǔn)差。

55、一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警系統(tǒng)，包括數(shù)據(jù)采集單元、數(shù)據(jù)預(yù)處理單元、多模型協(xié)同分析單元、應(yīng)急響應(yīng)單元和模型更新單元，所述數(shù)據(jù)采集單元用于在停車場的不同區(qū)域內(nèi)采集多模態(tài)環(huán)境數(shù)據(jù)及視頻流并獲得采集數(shù)據(jù)；所述數(shù)據(jù)預(yù)處理單元用于對采集數(shù)據(jù)進(jìn)行時(shí)間同步及動(dòng)態(tài)閾值過濾并獲得預(yù)處理后數(shù)據(jù)；所述數(shù)據(jù)融合單元用于對預(yù)處理后數(shù)據(jù)進(jìn)行時(shí)空特征對齊及噪聲過濾并獲得三維環(huán)境態(tài)勢圖；所述多模型協(xié)同分析單元用于根據(jù)三維環(huán)境態(tài)勢圖采用多模型協(xié)同分析確定突發(fā)事件類型及預(yù)警等級(jí)；所述應(yīng)急響應(yīng)單元用于根據(jù)預(yù)警等級(jí)觸發(fā)差異化應(yīng)急響應(yīng)策略并完成停車場突發(fā)事件預(yù)警作業(yè)；所述模型更新單元用于采用知識(shí)蒸餾法對下發(fā)的更新模型進(jìn)行壓縮并在模型更新時(shí)保留關(guān)鍵權(quán)重。

56、前述的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警系統(tǒng)，所述數(shù)據(jù)采集單元、數(shù)據(jù)預(yù)處理單元和模型更新單元設(shè)置在分布式邊緣節(jié)點(diǎn)，所述多模型協(xié)同分析單元和應(yīng)急響應(yīng)單元設(shè)置在中心服務(wù)器，所述分布式邊緣節(jié)點(diǎn)和中心服務(wù)器之間采用5g-v2x通信連接。

57、本發(fā)明的有益效果是：

58、（1）、本發(fā)明的一種基于多點(diǎn)邊緣計(jì)算的停車場突發(fā)事件預(yù)警方法及系統(tǒng)，首先在停車場的不同區(qū)域內(nèi)采集多模態(tài)環(huán)境數(shù)據(jù)及視頻流并獲得采集數(shù)據(jù)，再對采集數(shù)據(jù)進(jìn)行時(shí)間同步及動(dòng)態(tài)閾值過濾并獲得預(yù)處理后數(shù)據(jù)，接著對預(yù)處理后數(shù)據(jù)進(jìn)行時(shí)空特征對齊及噪聲過濾并獲得三維環(huán)境態(tài)勢圖，再根據(jù)三維環(huán)境態(tài)勢圖采用多模型協(xié)同分析確定突發(fā)事件類型及預(yù)警等級(jí)，隨后根據(jù)預(yù)警等級(jí)觸發(fā)差異化應(yīng)急響應(yīng)策略并完成停車場突發(fā)事件預(yù)警作業(yè)，最后采用知識(shí)蒸餾法對下發(fā)的更新模型進(jìn)行壓縮并在模型更新時(shí)保留關(guān)鍵權(quán)重；有效的實(shí)現(xiàn)了該停車場突發(fā)事件預(yù)警方法及系統(tǒng)具有采用動(dòng)態(tài)閾值計(jì)算機(jī)制與環(huán)境參數(shù)時(shí)空關(guān)聯(lián)分析構(gòu)建自適應(yīng)異常檢測體系的功能，不僅克服了傳統(tǒng)固定閾值系統(tǒng)在復(fù)雜停車場環(huán)境中的靈敏度與誤判矛盾，還顯著提升了對隱蔽性安全隱患的捕捉能力，還實(shí)現(xiàn)了具有根據(jù)多模型協(xié)同分析與投票決策機(jī)制結(jié)合視覺特征、環(huán)境參數(shù)及設(shè)備狀態(tài)的多源信息形成交叉驗(yàn)證型突發(fā)事件判斷邏輯功能，大幅提高了復(fù)雜場景下預(yù)警決策的魯棒性，也實(shí)現(xiàn)了具有在邊緣節(jié)點(diǎn)的本地化預(yù)處理與特征提取情況下建立分級(jí)數(shù)據(jù)處理管道并確保關(guān)鍵信息的完整性的功能，不僅使得數(shù)據(jù)可以精煉傳輸，還構(gòu)建了低時(shí)延高可靠的應(yīng)急響應(yīng)通道，且基于知識(shí)蒸餾的模型優(yōu)化架構(gòu)能在保持分析精度的同時(shí)突破邊緣設(shè)備算力限制并實(shí)現(xiàn)輕量化ai模型在異構(gòu)節(jié)點(diǎn)上的無縫部署，從而形成可彈性擴(kuò)展的智能感知網(wǎng)絡(luò)，進(jìn)而支持不同規(guī)模停車場中邊緣節(jié)點(diǎn)的即插即用與協(xié)同組網(wǎng)，這種通過動(dòng)態(tài)資源調(diào)度機(jī)制能實(shí)現(xiàn)停車場突發(fā)事件預(yù)警系統(tǒng)規(guī)模與場景需求的自適應(yīng)匹配。

59、（2）、本發(fā)明通過多模態(tài)數(shù)據(jù)融合與動(dòng)態(tài)閾值協(xié)同分析能降低突發(fā)事件誤報(bào)率，不僅縮短了平均響應(yīng)時(shí)間，還顯著提升了預(yù)警精度與時(shí)效性，同時(shí)也實(shí)現(xiàn)了邊緣節(jié)點(diǎn)的自適應(yīng)持續(xù)學(xué)習(xí)，降低了系統(tǒng)的維護(hù)成本。

60、（3）、本發(fā)明利用多種傳感器數(shù)據(jù)和智能算法進(jìn)行實(shí)時(shí)監(jiān)測、分析和預(yù)警并結(jié)合邊緣-云端協(xié)同的層級(jí)化預(yù)警架構(gòu)實(shí)現(xiàn)了停車場內(nèi)復(fù)雜突發(fā)事件的快速精準(zhǔn)處置，這種通過多節(jié)點(diǎn)數(shù)據(jù)融合、動(dòng)態(tài)模型壓縮及沖突消解機(jī)制極大地提升了停車場的安全性和管理效率，減少了突發(fā)事件對財(cái)產(chǎn)和人員的影響，本發(fā)明實(shí)現(xiàn)了具有能對停車場內(nèi)的火災(zāi)、氣體泄漏和設(shè)備故障突發(fā)事件進(jìn)行實(shí)時(shí)監(jiān)測、分析、預(yù)警與響應(yīng)的功能，且通過分布式的數(shù)據(jù)處理和協(xié)同分析能顯著提高停車場安全性及優(yōu)化應(yīng)急響應(yīng)策略。