CN110414478A - 人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法 - Google Patents

Abstract

本发明公开了人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生意外事故泄漏位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生意外事故泄漏的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。人工智能计算器把已确定是否发生了意外事故的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。

Description

人工智能云计算非应用感应器的意外事故液体气体泄漏监控 方法

技术领域

本发明涉及电子信息技术领域，具体涉及一种人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法。

背景技术

现今，人们经常需要将液体或气体从一个地方运输到另一个地方或将液体或气体储存在固定位置的储蓄罐中。但如果有不可预测的意外发生，这些液体或气体可能从运输管道或储蓄罐泄漏，并且导致经济损失和对环境造成严重的危害。用于检测或监测这些意外事故(例如气体和液体泄漏)的现有技术通常有两种常用方法。第一种方法：透过传感器中的硬件和软件设置来检测意外事故的化学品或材料，例如泄漏的物理气体或液体。这可以运用各种传感器来完成，这些传感器可用以检测以液体或气体化学品本身，或者检测传感器的一些物理参数的变化，例如电阻，电容或光反射，反应出是否存在泄漏。第二种方法：透过传感器中的硬件和软件设置以检测由于意外事故(例如气体或液体的泄漏)导致的环境参数的一些变化。这些参数可以是音频声级，物理共振机械的振动，储罐或输送管中的气体或液体压力的变化。

为了识别意外事故(例如气体或液体的泄漏)的位置，传感器必须安装在与实际意外事故发生点相对较近的距离。比如安装气体或液体泄漏以识别泄漏的位置。但这必须沿着输送管或储蓄罐的不同位置安装大量传感器。又或者，传感器是可沿着输送管道或能在储蓄罐周围在平台上移动，以便能达到属于离泄漏位置的近距离的范围。当发生泄漏时，检测出泄漏的最近传感器的位置便可用于确定泄漏的位置。因此，安装大量传感器以便能识别泄漏的位置是非常昂贵的。当安装在室外的环境中时，来自意外事故的物质，例如泄漏的气体或液体,会快速地扩散到露天环境中，加上泄漏物质的浓度会迅速降低，要检测出这种低浓度的物质比在室内环境更难。因此，在室外环境中，要安装更多的传感器或更昂贵的对低浓度敏感的传感器，成本会更高。

安装这些传感器硬件和软件以检测这种泄漏的步骤其实是非常耗费人力的，加上操作人员难免会出现不正确的操作，那这些检测传感器系统得出的结果是不会正确的。由于安装和操作这些传感器都非常耗费人力，因此在实际情况下，安装的传感器多达不到足够的数量，结果就是检测过程无效并且无法可靠地识别出实际意外事故(例如气体或液体泄漏)的位置。通常，在传感器数量有限的情况下，如果警报响起，人工巡逻队将被派出以识别意外事故发生的位置。但这类型的人员搜索团队将导致处理此类意外事故的时间额外延迟。

此外，由于实时通信的额外成本高，泄漏检测结果通常不能立即与所有管理团队的成员，监管政府官员或救援队共享的。有时候，只使用本地报警系统，监管政府官员和远离事发地点的救援队可能无法及时被通知泄漏事故，这种类型的通信延迟又将导致处理此类意外事故的时间再额外延迟。如果泄漏检测结果可以实时地传送给所有的管理团队成员和政府官员，那么整个社会对处理这类泄漏影响的信心和满意度也将大大提高。

发明内容

本发明的目的在于，提供人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法,避免了安装了大量的传感器硬件和软件，以检测出意外事故，免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。降低了将检测结果传达给所有管理团队成员，监管政府官员和来自远方的救援队的成本，同时更缩短了分享结果的时间。而且这些检测结果可以运用任何移动设备查看。

为实现上述目的，本发明采用的技术方案是：

人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生意外事故位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生意外事故泄漏的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。

捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里。

人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生意外事故时的位置图像，以及有发生意外事故时的位置图像，当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，预测新的可能发生的意外事故，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了意外事故，当发生事故时，系统会自动通过互联网向各方发出警报信息。

进行图像泄漏与意外识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：

(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；

(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；

(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；

(4)不断重复：如有需要，可不断重复卷积，ReLU激活和降采样的这个过程，直到得到的特征图显示出令人满意的关键参数；

(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层；

(6)结果：激活函数应用在完全连接层以后,将结果分类为没有泄漏与意外，和不同类型的泄漏与意外。

人工智能计算器把已确定是否发生了意外事故的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。所述终端设备可为移动电话、平板电脑。

本发明有益效果：本发明提供人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，解决了目前传统的做法安装大量的传感器硬件和软件，以检测出意外事故，尤其是当要求是在室外环境中覆盖长距离的管道运输和大面积的储蓄罐检测这些泄漏需要大量的传感器和人手去安装以使检测有效，整个传感器检测系统成本非常贵。当在室外环境中安装时，意外事故中的物质，如泄漏的气体或液体，可迅速扩散到开放区域，而浓度也会迅速下降，检测甚至比在室内环境中更难。因此，在室外环境中，要安装更昂贵的对低浓度敏感的传感器或安装更多数量的传感器，成本因此更高。

本发明人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，可以识别实际的意外事故，例如气体或液体泄漏位置，在长距离的运输管道或大面积的储蓄罐，一旦意外事故警报发出，也不再需要人工巡逻队去确定意外事故的位置。我们的系统免除了这类型的人员搜索团队安排，并减少了处理此类事故的额外延迟。

为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对其进行详细说明。

附图说明

图1所示为本发明系统结构示意图；

图2所示为本发明卷积神经网络运作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

参阅附图1至图2，本实施例提供人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生意外事故泄漏位置的图像(如运输管道或储蓄罐区域的气体或液体泄漏图像)，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，使其允许摄像捕获这些区域的更好视图的位置，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业数码相机微处理单元与卫星定位系统(如北斗卫星导航)建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生意外事故泄漏的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。

捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里。

人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生意外事故时的位置图像，以及有发生意外事故时的位置图像，当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，预测新的可能发生的意外事故，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了意外事故，当发生事故时，系统会自动通过互联网向各方发出警报信息。

进行图像泄漏与意外识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：

(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；

(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；

(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；

(4)不断重复：如有需要，可不断重复卷积，ReLU激活和降采样的这个过程，直到得到的特征图显示出令人满意的关键参数；

(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层；

(6)结果：激活函数应用在完全连接层以后,将结果分类为没有泄漏与意外，和不同类型的泄漏与意外，如无泄漏1，泄漏1，无泄漏2，泄漏2，无意外3，意外3，无意外N，意外N等等。

人工智能计算器把已确定是否发生了意外事故的结果，透过互联网实时的将信息发送到终端设备(如移动电话或平板电脑)上，终端设备也可以透过互联网从云端伺服器中读取结果。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。故凡是未脱离本发明技术方案的内容，依据本发明之形状、构造及原理所作的等效变化，均应涵盖于本发明的保护范围内。

Claims (6)

1.人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生意外事故位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生意外事故泄漏的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。

2.根据权利要求1所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里。

3.根据权利要求1所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生意外事故时的位置图像，以及有发生意外事故时的位置图像，当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，预测新的可能发生的意外事故，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了意外事故，当发生事故时，系统会自动通过互联网向各方发出警报信息。

4.根据权利要求1所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，进行图像泄漏与意外识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：

(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；

(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；

(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；

(4)不断重复：如有需要，可不断重复卷积，ReLU激活和降采样的这个过程，直到得到的特征图显示出令人满意的关键参数；

(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层；

(6)结果：激活函数应用在完全连接层以后,将结果分类为没有泄漏与意外，和不同类型的泄漏与意外。

5.根据权利要求1所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，人工智能计算器把已确定是否发生了意外事故的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。

6.根据权利要求5所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，所述终端设备可为移动电话、平板电脑。