[0045] 下面结合本发明的优选实施例对本发明做进一步地详细、准确说明，但本发明的实施方式不限于此。
[0046] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0048] 在本发明的描述中，需要说明的是，术语“第一”、“第二”“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0049] 术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0050] 此外，“垂直”等术语并不表示要求部件之间绝对垂直，而是可以稍微倾斜。如“垂直”仅仅是指其方向相对而言更加垂直，并不是表示该结构一定要完全垂直，而是可以稍微倾斜。
[0051] 在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”等应做广义理解。例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。实施例
[0052] 如图1所示，一种基于人工智能的电动汽车火灾事故后综合判断方法，包括如下步骤：
[0053] S1、建立正常状态电动汽车原始数据库；
[0054] S2、采集并建立烧损车辆的实时数据库；
[0055] S3、查找烧损车辆的BMS电池管理系统并检测BMS是否被烧损，若被烧损或无法通电运行，则进入S4，若未被烧损且可以通电运行，则进入S5；
[0056] S4、对烧损车辆进行现场调查，并将S1的原始数据库与S2的实时数据库进行比对，结合最终调查结果判断出起火部位；
[0057] S5、查阅BMS内存储的数据信息，判断起火类型，若起火类型为动力电池起火，则进入S6，若不是动力电池起火，则进入S4；
[0058] S6、根据BMS记载的各电动汽车电池温度利用装置的温度变化值，确定具体的动力电池起火位置；
[0059] 本步骤中，首先需要说明的是，BMS中的数据信息记录但不限于记录如下信息：各个温度利用装置的位置信息、各个温度利用装置的编号、各个温度利用装置在进行工作时所监测的数据信息等。
[0060] 查阅BMS内存储的数据信息并对起火类型进行判断时，具体的判断过程如下：首先，将BMS从烧损车辆上拆下，然后将BMS与数据终端（如笔记本电脑、PC、手机等设备）进行通讯连接，利用数据终端对BMS中记载的数据信息进行读取，然后从已经读取的数据中找出异常的数据信息，根据异常数据信息判断该数据信息是否是温度利用装置记载的，如果是温度利用装置记载的则进入S6，如果不是温度利用装置记载的，则进入S4。通过这一过程，便使得本发明在对发动机起火部位进行寻找和判断时，不再向常规技术一样，仅能通过调查人员的个人经验进行判断，即提升了结果的准确率和权威性，又减少了调查人员的工作量，有效提升了调查效率，减少了得出调查结果的时间。
[0061] S6、根据BMS记载的各电动汽车电池温度利用装置的温度变化值，确定具体的动力电池1起火位置。
[0062] 本步骤中，当采用S5所述步骤判断出起火原因是动力电池1起火之后，便从BMS中找出记载该异常信息的温度利用装置所在位置，进而确定动力电池1的具体起火位置。
[0063] 所述步骤S1包括如下步骤：
[0064] S11、使用激光扫描仪或摄像头式扫描仪，在三维模型软件中建立正常状态电动汽车的参数化模型；
[0065] S12、提取正常状态下电动汽车车身上漆层颜色并确定漆层色号，将漆层色号植入S11的参数化模型中形成原始数据库，一个参数化模型对应一个漆层色号或多个漆层色号；
[0066] S13、在参数化模型中以汽车纵向中心竖直平面，将汽车分为左半区域和右半区域；
[0067] 沿汽车前后方向，将汽车分为发动机舱区域、乘员舱前排区域、乘员舱后排区域、行李舱区域；
[0068] 沿汽车垂向方向，将汽车车窗玻璃下沿以上区域划分为上部区域，将汽车车门下边梁以下区域划分为底部区域，将上部区域和底部区域之间区域划分为中间区域。
[0069] 为了更清晰和明确的阐述本方法，作为上述方法的进一步优化，参数化模型的创建方法可以采用传统的三维软件方式建模，也可以使用手持式激光扫描仪通过扫描方式直接建模。在建模时，只对零部件表面轮廓进行建模，不获取零部件内部结构，完成各模型的轮廓创建之后，便赋予各零部件材料属性，同时给出各个材料的熔点，同时将从车身上提取的各零部件的颜色信息赋予给模型中对应的各个零部件（示例：假如车辆前车轮轮毂的颜色为银色，那么模型中的前车轮轮毂颜色也为银色）。
[0070] 值得注意的是，在建模时，创建的空间模型的三维空间信息须于实际车辆各模型的三维空间信息相对应（具体示例为：实际车辆的左前轮中心起点坐标为（0，0，0），那么三维模型中的左前轮中心坐标也为（0，0，0），并且建模时需安按照模型比例与实际零件比例为1：1进行建模，还有，一个汽车模型中包括多个定位坐标点，各个定位坐标点均位于不易烧损并且在燃烧实验中不会灭失变形的金属零部件上。这一设计的优点在于，后期在将实时数据库与原始数据库进行比对时，实时数据库终端数据信息能够快速的与原始数据库进行匹配，进而不会因原始数据库的匹配不准确而导致最终判断的结果出现偏差。
[0071] 需要进一步说明的是，在本实施例中，对建立好的模型进行分区的目的在于：由于火灾事故之后汽车被烧损程度是完全不确定的，也就是说，发生火灾事故之后，电动汽车因零部件被烧损而导致易被烧损的汽车零部件（电气线路、车胎、电池等）的空间坐标信息缺失，而这些信息的缺失便会使得在将实时数据库于原始数据库进行匹配时出现匹配不准确的情况。而本发明将汽车进行分区（并且每个分区中都包括至少一个定位坐标点），便使得本发明在后期对汽车起火位置进行判断的过程中，可以通过分区匹配的方法实现快速的将事故汽车的实时数据库与原始的数据库进行分区匹配，这便有效解决了因零部件在火灾中被烧损或灭失造成的匹配不准确的缺陷。
[0072] 需要特别明确和说明的是，本实施例中所述的数据匹配中需要匹配的数据信息包括但不限于如下信息：各零部件的空间坐标数据、各零部件的烧损或灭失程度、各零部件的漆色变化程度等。
[0073] 所述S2中的实时数据库采用如下方法建立：
[0074] S21、对事故车的车身外表面分别拍摄两侧侧视图、俯视图、前视图、后视图，然后升起车身，拍摄底盘仰视图，形成第一照片组；
[0075] S22、对事故车的车身发动机舱、乘员舱、行李舱内部拍摄多个角度的照片，形成第二照片组；
[0076] 所述S4步骤中，将S1的原始数据库与S2的实时数据库进行比对的方法为：
[0077] S41、利用图像深度学习与识别算法，提取S12存储的漆层色号，对第一照片组、第二照片组分别进行识别，找出漆层颜色发生变化的区域；
[0078] S42、将S41确定的区域植入S13划定的区域中，并且在S13划定的区域中找出该区域中漆层变化区域面积与该区域中漆层总面积之比最大的一个或两个区域作为疑似起火区域；
[0079] 为了更详尽的阐述本发明，在本实施例中，由于事后对汽车起火位置进行调查的起始时间点是不同的，及在各个发动机舱发生起火事故之后，对火灾事故的调查时间可能是刚发生火灾事故之后，亦可能是在火灾事故发生的很长时间之后。而汽车内各零部件在发生火灾事故后的漆色变化度与距离发生火灾的时间呈数学关系变化，各零部件在不同时间点的漆色变化度是完全不同的，故而需要为后期的调查结果提供更为完整的数据支撑。实际的调查过程中，对遭遇实际火灾事故之后的汽车进行图像采集时，同一个零部件同一个角度的图像并不能完全显示该零部件遭遇火灾事故之后的颜色变化度、漆色变化度等信息，故而需要多角度多方位的图像达到展示同一零部件在遭遇火灾事故之后的状态的目的。
[0080] 另外的，对于同一零部件采集不同时间段的图像还可以使得本发明达到汽车的起火时间段进行确定的目的，具体确定的方法为：首先对第一照片组和第二照片组中采集的各零部件的各图像进行编辑，各个图像所包含的信息包括图像采集时间、采集图像所采用的设备的类型以及该图像的采集角度等信息。然后使用CNN卷积神经网络算法进行训练，主要训练的内容是，识别并区分各采集图像中的各零部件的漆色值，根据得出漆色值之后，便将得出的漆色值植入S1建立的参数化模型中，使用同样的方法，对第一照片组和第二照片组进行训练，并将S1建立的参数化模型进行覆盖形成新的烧损车辆模型。接下来，再次调用CNN卷积神经网络算法将烧损车辆模型与原始数据库中的参数化模型进行比对，找出漆色变化的区域，进而得出各个零部件的漆色变化度。最终，根据漆色变化度找出并定义疑似起火区域。
[0081] 可以进一步阐述的是，作为优选实施方式，在本实施例中，对CNN卷积神经网络算法的训练可基于tensorflow实现，训练过程如下：
[0082] 第一步、实现神经网络结构或机器学习算法函数；
[0083] 第二步、定义误差函数；
[0084] 第三步、定义训练函数；
[0085] 第四步、定义算法评估函数；
[0086] 第五步、利用以上几个函数在sess中实现完整的程序。
[0087] 训练过程中所采用的各类函数可采用现有人工智能图像识别技术领域的相关研究成果实现，训练过程中所采用的相关函数以及程序的实现过程均不是本发明的发明点，故而，此处不再一一赘述。
[0088] 另外的，对烧损车辆实时数据库的建立方法还可以采用建模方法实现。可供使用的建模方法包括但不限于三维激光扫描建模，倾斜摄影建模等。采用这种建模方法的优点在于，能够快速的创建烧损车辆模型。
[0089] 作为上述方案的进一步优化，所述步骤S4包括如下步骤：
[0090] 所述步骤S4中，还包括零部件受损程度判断，零部件受损程度判断方法为：
[0091] 所述的S41步骤中，还找出烧损车辆三维模型在火灾中被烧损或灭失的零部件，并在S1中建立的参数化模型中将该被烧损或灭失的零部件位置所在区域标注为烧损零件区域，提取所有烧损零件区域内各零部件的熔点，将熔点最高的零部件所在的烧损零件区域标记为零件高温区；
[0092] 所述的S42步骤中，若疑似起火区与零件高温区为同一个区域，则该区域为起火区域，并进入步骤S44；
[0093] 若不为同一个区域，则将疑似起火区域、零件高温区域均标记为待确定区，并进入S43；
[0094] S43、调查人员判断待确定区是否为起火区并将结果输入烧损车辆的实时数据库，如果待确定区域为起火区，则进入S44，如果待确定区域不是起火区，则结束并输出结果暂无法确定起火区；
[0095] S44、调查人员判断起火区域所在位置，若起火区域位于车辆底部，则进入S45，若起火区域不位于底部，则进入S46；
[0096] S45、调查人员判断是否为动力电池起火，若是动力电池起火，则输出结果为动力电池起火，若不是电池起火，则进入S46；
[0097] S46、在原始数据库中寻找该区域中原有的原始零件中的易燃零件，根据易燃零件的燃烧类型输出疑似起火类型。
[0098] 为了进一步更清晰和明确的阐述本发明，接下来结合实际案例对本发明进行详细说明：如图2‑图7所示，针对西华交通司法鉴定中心在某次新能源火灾车调查事故，其中图2、图3为车辆火烧后部分外观照片，图4、图5为车辆火烧后部分内饰照片，图6为车辆火烧后发动机舱底部部分照片，图7为车辆电动电池布置示意图；将图2、图3照片以及其余外观照片拍摄后，即实现了汽车的外部进行数据图像采集的过程，并命名为第一照片组之后，使用同样的方法对汽车内部的进行图像采集并命名为第二照片组，利用CNN卷积神经网络算法同时对采集的第一照片组和第二照片组进行深度学习和识别，并提取照片组中的漆色，进行漆色提取之后，将提取到的漆色信息植入S1建立的参数化模型中形成实时数据库，再次调用CNN卷积神经网络算法，并使用其对原始数据库中的参数化模型和实时模型进行比对，从中找到漆色变化度较大的区域，并将该区域定义为疑似起火区。
[0099] 另外的，本发明还可以提供另一种判断方法，具体为。在对烧损车辆的外轮廓进行第一照片组采集之后，便对内部进行第二照片组采集，完成采集，便开始对汽车发动机舱、乘员舱前排、乘员舱后排、地盘的漆色进行查看并将实际的漆色与正常状态的汽车的相同位置的漆色进行查看和比对，找出漆色变化比例最大的区域。
[0100] 通过比对可知，事故车辆乘员舱前排左侧区域内的漆层（左前门内板、左前座椅、左前A柱，仪表台骨架左半部）颜色改变区域占漆层总区域的比例大约为80%，相比于其他区域更高，则确定乘员舱左侧中部区域为疑似区域，根据图7可以排除动力电池起火。若漆色变化区域较少或不明显，则疑似起火区为动力电池，然后根据对应的电池温度利用装置位置以及电池的被烧损程度确定最终的起火区域。
[0101] 通过上述方案，首先建立正常状态下的原始数据库，然后判断烧损车辆的BMS是否被烧损，若未被烧损，则调查BMS中记录的数据，并最终确定起火部位，若被烧损，则建立事故车的事实数据库，将事故车的实时数据库与原始数据库进行比对，然后根据事故车的漆色变化度、烧损或灭失零部件的位置等信息判断出疑似起火区，接下来，在疑似起火区根据漆色变化以及存在的熔点最高的零件判断出起火区，在根据起火区所在位置最终判断出起火类型，通过这一过程，使得本发明实现了对起火区域进行快速确定的目的。
[0102] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
