CN111583592A - 一种基于多维卷积神经网络的实验环境安全预警方法 - Google Patents

一种基于多维卷积神经网络的实验环境安全预警方法 Download PDF

Info

Publication number
CN111583592A
CN111583592A CN202010374572.1A CN202010374572A CN111583592A CN 111583592 A CN111583592 A CN 111583592A CN 202010374572 A CN202010374572 A CN 202010374572A CN 111583592 A CN111583592 A CN 111583592A
Authority
CN
China
Prior art keywords
laboratory
early warning
layer
data
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010374572.1A
Other languages
English (en)
Other versions
CN111583592B (zh
Inventor
谭立国
宋申民
李君宝
鄂鹏
王晓野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute Of Technology Institute Of Artificial Intelligence Co ltd
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010374572.1A priority Critical patent/CN111583592B/zh
Publication of CN111583592A publication Critical patent/CN111583592A/zh
Application granted granted Critical
Publication of CN111583592B publication Critical patent/CN111583592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18Status alarms
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于多维卷积神经网络的实验环境安全预警方法,采集实验室数据,进行数据预处理,得到归一化样本集,利用多维卷积神经网络对隐藏故障信息进行深度挖掘,随后根据模型的预测分辨结果与所测实验室数据对应的人工标注标签的偏差来调整故障诊断模型内部权重参数,最后对实验室安全预警模型的进行性能测试,使基于多维卷积神经网络的实验室安全预警模型的正确率得到进一步的提升。本发明所得结论准确,可以及时对安全隐患进行发现并预警,阻止安全事故的发生。

Description

一种基于多维卷积神经网络的实验环境安全预警方法
技术领域
本发明涉及人工智能领域,尤其涉及一种基于多维卷积神经网络的实验环境安全预警方法。
背景技术
随着实验室的规模和数量不断增加,从学习人员、技术人员到专业管理人员,其操作熟练情况和安全意识参差不齐,使得实验室管理面临越来越多的问题。目前,各个领域的实验室的安全监管依然采用纯人工的管理模式,进入实验室只需要预约登记便可以进去使用,使用过程和操作细节均难以管理,而某些地方因为操作失误导致事故和实验器材损坏的案例并不少见,因此除了进行安全意识教育,对实验室进行智能管理是避免安全隐患的最可靠行径,这样才能防患于未然。
目前,进行安全管理的实验室主要是在进入时使用一些人脸识别的功能,来给予进出权限和使用时间的管理,这在实验室设备安全预警方面时远远不足的。由于实验室状态监测数据大多是离散的,并且呈现非线性和非耦合性的特点,因此在处理这类非结构数据上面,通常使用较简单的数学模型来建立安全预警模型,例如使用安全阈值限制的方法进行安全预警,此类方法需要人为设置安全范围,在使用过程中难以进行实时性的监测。而基于机器学习的方法能够有效利用其数据特征分布来学习其内部规律,根据不同的数据来选择不同的特征提取方法和分类器,但是这种分类器和特征提取的最优搭配没有明确的理论指导。
发明内容
本发明的目的在于提供一种基于多维卷积神经网络的实验环境安全预警方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于多维卷积神经网络的实验环境安全预警方法,包括以下步骤:
S1、利用实验室布局的数据采集模块采集实验室数据;
S2、将采集到的所述实验室数据进行人工标注标签,判断每一组实验室数据是否属于故障预警数据;
将所述实验室数据进行归一化处理,形成归一化样本集(x,y),并将所述归一化样本集分为训练集和测试集;其中x表示实验室数据,y表示x表示的实验室数据的情况是否需要进行安全预警;
S3、根据所述实验室数据的特点,确定符合所述特点的模型的深度学习的框架,建立多维度卷积神经网络;所述多维度卷积神经网络包括一维卷积层、二维卷积层、池化层和全连接层;
所述多维度卷积神经网络的建立包括以下步骤:
S301、利用所述一维卷积层对所述实验室数据进行特征提取,形成特征图;
S302、对所述特征图进行维度转换,将所述特征图的维度从一维转化为二维;
S303、通过所述二维卷积层从两种维度对转化为二维的所述特征图进行特征提取,形成二维特征图;
S304、利用所述池化层对所述二维特征图进行进一步的特征提取,并将所述二维特征图进行降维;
S305、利用所述全连接层将张量形式的从所述池化层的输出展开为一个向量,与神经网络进行连接,进行神经网络运算;
S306、在神经网络的最后一层建立分类层,对所述实验室数据是否属于所述故障预警数据进行分辨;
S4、利用步骤S2中的训练集对步骤S3中的所述多维度卷积神经网络进行训练,形成实验室安全预警模型;将所述训练集中的所述实验室数据作为所述多维度卷积神经网络的输入,并输出所述多维度卷积神经网络的预测分辨结果,并将所述预测分辨结果,与输入的所述训练集中的所述实验室数据相对应的所述人工标注标签相比较;根据所述预测分辨结果和所述人工标注标签的偏差值,对所述多维度卷积神经网络模型的内部参数进行调整,形成可以根据所诉实验室数据进行精准分辨的所述实验室安全预警模型;
S5、根据步骤S2中测试集对步骤S4中的所述实验室安全预警模型进行性能测试,根据所述性能测试的结果判断所述实验室安全预警模型是否存在问题,若存在问题,则重复步骤S3-步骤S5,直至所述实验室安全预警模型通过所述性能测试;
S6、将步骤S5中通过性能测试的实验室安全预警模型用于实际的实验室安全检测中,利用所述数据采集模块采集实验室的所述实时数据,并作为输入应用到所述实验室安全预警模型中,所述实验室安全预警模型输出所述实时数据对应的所述人工标注标签;
S7、当步骤S6只中输出的所述人工标注标签为所述实施数据属于故障预警数据时,则触发报警功能,否则,不触发报警功能。
优选的,所述一维卷积层和二维卷积层的建立过程为:提取所述实验室数据中的特征值,得出卷积后的特征图尺寸的大小,并得出经过卷积层对所述实验室数据进行特征值提取后的输出结果;所述卷积层的计算过程为:
Figure BDA0002479498100000031
其中,conv表示卷积层的输出结果,即所述实验室数据的特征值;*表示卷积运算符;M表示卷积区域的数量;i表示第几个卷积区域,xi表示当前输入的数据位于所述归一化样本集中训练集的第i个区域,k表示固定的卷积核,b表示卷积层中使用的偏执单元,f表示激活函数。
优选的,所述池化层的建立过程为:针对经过所述二维卷积层特征提取后的输出结果进行进一步的特征提取,所述池化层的计算过程为:
pool=pooling(conv)
其中,pool表示池化层的输出,即所述卷积层提取后的特征值中的特征值,pooling是池化函数,conv表示所述卷积层输出的特征值,作为所述池化层的输入。
优选的,所述全连接层的建立过程为:将张量形式的所述池化层的输出数据展开为一个向量;所述全连接层的计算过程为:
Figure BDA0002479498100000032
其中,所述fc表示神经网络的输出,f表示激活函数,pxi是池化层展开为一个向量的第i层神经元的输入数据,wi是第i层神经元的权重矩阵,bi是第i层的偏执单元。
本发明的有益效果是:本发明公开了一种基于多维卷积神经网络的实验环境安全预警方法,根据采集到的实验室数据建立实验室安全智能预警模型,通过多维卷积神经网络对实验室数据进行深度挖掘,从而提高所述实验室安全智能预警模型对安全隐患诊断的准确率。本发明以实验室数据为基础建立实验室安全智能预警模型,利用实施采集的实验室数据通过所述实验室智能预警模型直接准确的判断出有无安全隐患,并及时预警,防止事故的发生;本发明利用多维度卷积神经网络对隐藏安全隐患信息进行深度挖掘,具备较高的抽象信息提取能力,能够为实验室安全智能预警带来较好的结果;本发明所得结论准确,可以及时对安全隐患进行发现并预警,阻止安全事故的发生。
附图说明
图1是实验室安全预警流程图。
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,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方式仅仅用以解释本发明,并不用于限定本发明。
一种基于多维卷积神经网络的实验环境安全预警方法,采集实验室数据,进行数据预处理,得到归一化样本集,然后设计合理的划分方法划分所述归一化样本集中的样本,形成样本的训练集和测试集;所述训练集的样本用以训练多维卷积神经网络,构建实验室安全预警模型:根据所述实验室安全预警模型的预测分辨结果与所测实验室数据对应的人工标注标签的偏差来调整故障诊断模型内部权重参数,所述测试集的样本用以对实验室安全预警模型进行性能测试,进而提升所述实验室安全预警模型诊断的准确率。其实现过程如图1所示,具体包括以下步骤:
S1、利用实验室布局的数据采集模块采集实验室数据;所述实验室数据包括实验室的运行状态、进入人员信息和安全隐患监控,所述安全隐患监控包括实验室仪器运行时长,危险区域的行为监测,特殊仪器所需要的着装、各区域温度监监测和气体浓度监测的信息;
S2、将采集到的所述实验室数据进行人工标注标签,判断每一组实验室数据是否属于故障预警数据;
将所述实验室数据进行归一化处理,形成归一化样本集(x,y),并将所述归一化样本集分为训练集train(x,y)和测试集test(x,y);其中x表示实验室数据,y表示x表示的实验室数据的情况是否需要进行安全预警;其中所述训练集train(x,y)对多维卷积神经网络模型进行性能训练形成实验室安全预警模型,所述测试集test(x,y)对所述实验室安全预警模型进行性能测试,判断所述实验室安全预警模型是否能够通过性能测试;
S3、根据所述实验室数据的特点,确定符合所述特点的模型的深度学习的框架,建立多维度卷积神经网络;所述多维度卷积神经网络包括一维卷积层、二维卷积层、池化层和全连接层;
所述多维度卷积神经网络的建立包括以下步骤:
S301、利用所述一维卷积层对所述实验室数据进行特征提取,形成特征图
所述以为一维卷积层为计算机视觉的方法提取的所述实验室数据的特征信息,是卷积核对输入的数据信息进行不同的特征提取,其计算过程为:
Figure BDA0002479498100000051
其中,conv表示一维卷积层的输出结果,即所述实验室数据的特征图,*表示卷积过程的卷积运算,M表示卷积区域数量,i表示第几个卷积区域,xi表示当前输入的故障样本的第i个区域,k表示固定的卷积核,通常大小为3*3,b表示卷积层中使用的偏执单元,f表示卷积运算后结果使用的激活函数,通常卷积神经网络里使用relu函数作为激活函数,其表达式如下:
frelu=max{0,x}
relu函数表示输入数据为正时,取激活值为输入数据,若输入数据为负,取激活值为0;
卷积后的所述特征图尺寸大小为:
Figure BDA0002479498100000052
其中,Smap表示特征图的尺寸,Sx表示输入的所述实验室数据的维度,k表示卷积核的大小,一般为3,stride表示卷积过程中卷积核再上一层的滑动不成,n表示调节尺寸的值,一般为1,如果是保持大小不变则与k值相同;
S302、对所述特征图进行维度转换,将所述特征图的维度从一维转化为二维;例如:所述特征图维度为:(a×1×n),进行转换后的维度变化为:(a×n×1),则特征面的维度从一维变为二维;卷积神经网络中的特征图由三个维度组成,分别是组成特征图平面的长度和宽度,另一个是一共有多少个特征图叠加在一起成为通道数;上述特征图维度(a×1×n)表示所述特征图的长度为a,宽度为1,通道数为n,进行维度转化后的维度为(a×n×1)表示所述特征图的长度不变仍为a,宽度与通道数交换维度,宽度变为n,通道数为1;转化后的特征图能够进行二维卷积运算;
S303、通过所述二维卷积层从两种维度对转化为二维的所述特征图进行特征提取,形成二维特征图;将步骤S302中转化为二维的所述特征图作为所述二维卷积层的输入,所述二维卷积层中的计算方法与步骤S301中的所述一维卷积层的计算过程相同,最后输出所述二维特征图;
S304、利用所述池化层对所述二维特征图进行进一步的特征提取,并将所述二维特征图进行降维;
所述池化层为了降低维度,减少网络计算的成本,避免出现过拟合的问题,对所述二维特征图进行进一步的特征提取,所述池化层的工作过程为:
pool=pooling(conv2)
其中,pool表示池化层的输出,pooling是池化函数,通常选用是max-pooling或者AVG-pooling,所述max-pooling表示将每个特征感知域中最大值作为最终输出,AVG-pooling表示将每个特征感知域中平均值作为最终输出,conv2表示所述二维特征图作为该池化层的输入;
S305、利用所述全连接层将张量形式的从所述池化层的输出展开为一个向量,与神经网络进行连接,进行神经网络运算:
Figure BDA0002479498100000061
其中,fc表示神经网络的输出,f是神经元的激活函数,通常使用relu或者sigmoid,pxi是池化后展开为一个向量的第i层神经元的输入数据,wi是第i层神经元的权重矩阵,bi是第i层的偏执单元;
S306、在神经网络的最后一层建立分类层,使用softmax函数对所述实验室数据是否属于所述故障预警数据进行分辨,计算过程如下所示:
Figure BDA0002479498100000071
Si代表第i个神经网络的输出的分辨结果,也就是从网络前端第i个样本的结果,n是神经网络最后一层节点数,代表该项目一共有多少类别进行分类,fci是最后一个网络的第i个神经元值,通过该公式能够计算得到最大的fci值,意味着属于第i分类;
S4、利用步骤S2中的训练集对步骤S3中的所述多维度卷积神经网络进行训练,形成实验室安全预警模型;将所述训练集中的所述实验室数据作为所述多维度卷积神经网络的输入,并输出所述多维度卷积神经网络的预测分辨结果,并将所述预测分辨结果,与输入的所述训练集中的所述实验室数据相对应的所述人工标注标签相比较;根据所述预测分辨结果和所述人工标注标签的偏差值,对所述多维度卷积神经网络模型的内部参数进行调整,形成可以根据所诉实验室数据进行精准分辨的所述实验室安全预警模型;
S5、根据步骤S2中测试集对步骤S4中的所述实验室安全预警模型进行性能测试,根据所述性能测试的结果判断所述实验室安全预警模型是否存在问题,若存在问题,则重复步骤S3-步骤S5,直至所述实验室安全预警模型通过所述性能测试;
S6、将步骤S5中通过性能测试的实验室安全预警模型用于实际的实验室安全检测中,利用所述数据采集模块采集实验室的所述实时数据,并作为输入应用到所述实验室安全预警模型中,所述实验室安全预警模型输出所述实时数据对应的所述人工标注标签;
S7、当步骤S6只中输出的所述人工标注标签为所述实施数据属于故障预警数据时,则触发报警功能,否则,不触发报警功能。
步骤S3中深度学习的框架包括keras框架或pytorch框架。
实施例
本实施例中将所述归一化样本集的80%作为训练集,20%作为测试集。利用本发明所提出的方法和设计的人工智能算法模型,对实验室监控数据的异常进行安全预警,判断是否存在安全隐患并输出实验室的异常情况;能够使实验室安全预警的成功率达到90%以上。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明公开了一种基于多维卷积神经网络的实验环境安全预警方法,根据采集到的实验室数据建立实验室安全智能预警模型,通过多维卷积神经网络对实验室数据进行深度挖掘,从而提高所述实验室安全智能预警模型对安全隐患诊断的准确率。本发明以实验室数据为基础建立实验室安全智能预警模型,利用实施采集的实验室数据通过所述实验室智能预警模型直接准确的判断出有无安全隐患,并及时预警,防止事故的发生;本发明利用多维度卷积神经网络对隐藏安全隐患信息进行深度挖掘,具备较高的抽象信息提取能力,能够为实验室安全智能预警带来较好的结果;本发明所得结论准确,可以及时对安全隐患进行发现并预警,阻止安全事故的发生。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。

Claims (4)

1.一种基于多维卷积神经网络的实验环境安全预警方法,其特征在于,包括以下步骤:
S1、利用实验室布局的数据采集模块采集实验室数据;
S2、将采集到的所述实验室数据进行人工标注标签,判断每一组实验室数据是否属于故障预警数据;
将所述实验室数据进行归一化处理,形成归一化样本集(x,y),并将所述归一化样本集分为训练集和测试集;其中x表示实验室数据,y表示x表示的实验室数据的情况是否需要进行安全预警;
S3、根据所述实验室数据的特点,确定符合所述特点的模型的深度学习的框架,建立多维度卷积神经网络;所述多维度卷积神经网络包括一维卷积层、二维卷积层、池化层和全连接层;
所述多维度卷积神经网络的建立包括以下步骤:
S301、利用所述一维卷积层对所述实验室数据进行特征提取,形成特征图;
S302、对所述特征图进行维度转换,将所述特征图的维度从一维转化为二维;
S303、通过所述二维卷积层从两种维度对转化为二维的所述特征图进行特征提取,形成二维特征图;
S304、利用所述池化层对所述二维特征图进行进一步的特征提取,并将所述二维特征图进行降维;
S305、利用所述全连接层将张量形式的从所述池化层的输出展开为一个向量,与神经网络进行连接,进行神经网络运算;
S306、在神经网络的最后一层建立分类层,对所述实验室数据是否属于所述故障预警数据进行分辨;
S4、利用步骤S2中的训练集对步骤S3中的所述多维度卷积神经网络进行训练,形成实验室安全预警模型;将所述训练集中的所述实验室数据作为所述多维度卷积神经网络的输入,并输出所述多维度卷积神经网络的预测分辨结果,并将所述预测分辨结果,与输入的所述训练集中的所述实验室数据相对应的所述人工标注标签相比较;根据所述预测分辨结果和所述人工标注标签的偏差值,对所述多维度卷积神经网络模型的内部参数进行调整,形成可以根据所诉实验室数据进行精准分辨的所述实验室安全预警模型;
S5、根据步骤S2中测试集对步骤S4中的所述实验室安全预警模型进行性能测试,根据所述性能测试的结果判断所述实验室安全预警模型是否存在问题,若存在问题,则重复步骤S3-步骤S5,直至所述实验室安全预警模型通过所述性能测试;
S6、将步骤S5中通过性能测试的实验室安全预警模型用于实际的实验室安全检测中,利用所述数据采集模块采集实验室的所述实时数据,并作为输入应用到所述实验室安全预警模型中,所述实验室安全预警模型输出所述实时数据对应的所述人工标注标签;
S7、当步骤S6只中输出的所述人工标注标签为所述实施数据属于故障预警数据时,则触发报警功能,否则,不触发报警功能。
2.根据权利要求1所述的基于多维卷积神经网络的实验环境安全预警方法,其特征在于,所述一维卷积层和二维卷积层的建立过程为:提取所述实验室数据中的特征值,得出卷积后的特征图尺寸的大小,并得出经过卷积层对所述实验室数据进行特征值提取后的输出结果;所述卷积层的计算过程为:
Figure FDA0002479498090000021
其中,conv表示卷积层的输出结果,即所述实验室数据的特征值;*表示卷积运算符;M表示卷积区域的数量;i表示第几个卷积区域,xi表示当前输入的数据位于所述归一化样本集中训练集的第i个区域,k表示固定的卷积核,b表示卷积层中使用的偏执单元,f表示激活函数。
3.根据权利要求1所述的基于多维卷积神经网络的实验环境安全预警方法,其特征在于,所述池化层的建立过程为:针对经过所述二维卷积层特征提取后的输出结果进行进一步的特征提取,所述池化层的计算过程为:
pool=pooling(conv)
其中,pool表示池化层的输出,即所述卷积层提取后的特征值中的特征值,pooling是池化函数,conv表示所述卷积层输出的特征值,作为所述池化层的输入。
4.根据权利要求1所述的基于多维卷积神经网络的实验环境安全预警方法,其特征在于,所述全连接层的建立过程为:将张量形式的所述池化层的输出数据展开为一个向量;所述全连接层的计算过程为:
Figure FDA0002479498090000031
其中,所述fc表示神经网络的输出,f表示激活函数,pxi是池化层展开为一个向量的第i层神经元的输入数据,wi是第i层神经元的权重矩阵,bi是第i层的偏执单元。
CN202010374572.1A 2020-05-06 2020-05-06 一种基于多维卷积神经网络的实验环境安全预警方法 Active CN111583592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010374572.1A CN111583592B (zh) 2020-05-06 2020-05-06 一种基于多维卷积神经网络的实验环境安全预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010374572.1A CN111583592B (zh) 2020-05-06 2020-05-06 一种基于多维卷积神经网络的实验环境安全预警方法

Publications (2)

Publication Number Publication Date
CN111583592A true CN111583592A (zh) 2020-08-25
CN111583592B CN111583592B (zh) 2021-07-27

Family

ID=72111954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010374572.1A Active CN111583592B (zh) 2020-05-06 2020-05-06 一种基于多维卷积神经网络的实验环境安全预警方法

Country Status (1)

Country Link
CN (1) CN111583592B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215197A (zh) * 2020-10-27 2021-01-12 华能国际电力股份有限公司上海石洞口第一电厂 基于人工智能的地下电缆故障预警方法和预警系统
CN114755920A (zh) * 2022-04-07 2022-07-15 青岛沃柏斯智能实验科技有限公司 一种用于生物安全实验室环境安全监测系统
CN115171337A (zh) * 2022-06-30 2022-10-11 贵州工程应用技术学院 一种用于高大模板安全施工的实时智能监测方法及系统
CN116434496A (zh) * 2023-06-14 2023-07-14 西安四腾环境科技有限公司 一种实验室用安全监测报警装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105630882A (zh) * 2015-12-18 2016-06-01 哈尔滨工业大学深圳研究生院 基于遥感数据深度学习的近海污染物识别与跟踪方法
CN105975915A (zh) * 2016-04-28 2016-09-28 大连理工大学 一种基于多任务卷积神经网络的前方车辆参数识别方法
CN106897739A (zh) * 2017-02-15 2017-06-27 国网江苏省电力公司电力科学研究院 一种基于卷积神经网络的电网设备分类方法
CN106909882A (zh) * 2017-01-16 2017-06-30 广东工业大学 一种应用于保安机器人的人脸识别系统及方法
CN107480583A (zh) * 2017-07-04 2017-12-15 芜湖市振华戎科智能科技有限公司 公共场合的人脸识别预警系统
CN107633575A (zh) * 2017-08-29 2018-01-26 芜湖市振华戎科智能科技有限公司 安全私密场合的人脸识别预警装置
EP3291146A1 (en) * 2016-09-05 2018-03-07 Fujitsu Limited Knowledge extraction from a convolutional neural network
CN110069773A (zh) * 2019-03-12 2019-07-30 中国华能集团有限公司 一种安全隐患智能识别方法、装置以及存储介质
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105630882A (zh) * 2015-12-18 2016-06-01 哈尔滨工业大学深圳研究生院 基于遥感数据深度学习的近海污染物识别与跟踪方法
CN105975915A (zh) * 2016-04-28 2016-09-28 大连理工大学 一种基于多任务卷积神经网络的前方车辆参数识别方法
EP3291146A1 (en) * 2016-09-05 2018-03-07 Fujitsu Limited Knowledge extraction from a convolutional neural network
CN106909882A (zh) * 2017-01-16 2017-06-30 广东工业大学 一种应用于保安机器人的人脸识别系统及方法
CN106897739A (zh) * 2017-02-15 2017-06-27 国网江苏省电力公司电力科学研究院 一种基于卷积神经网络的电网设备分类方法
CN107480583A (zh) * 2017-07-04 2017-12-15 芜湖市振华戎科智能科技有限公司 公共场合的人脸识别预警系统
CN107633575A (zh) * 2017-08-29 2018-01-26 芜湖市振华戎科智能科技有限公司 安全私密场合的人脸识别预警装置
CN110069773A (zh) * 2019-03-12 2019-07-30 中国华能集团有限公司 一种安全隐患智能识别方法、装置以及存储介质
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215197A (zh) * 2020-10-27 2021-01-12 华能国际电力股份有限公司上海石洞口第一电厂 基于人工智能的地下电缆故障预警方法和预警系统
CN114755920A (zh) * 2022-04-07 2022-07-15 青岛沃柏斯智能实验科技有限公司 一种用于生物安全实验室环境安全监测系统
CN114755920B (zh) * 2022-04-07 2024-05-14 青岛沃柏斯智能实验科技有限公司 一种用于生物安全实验室环境安全监测系统
CN115171337A (zh) * 2022-06-30 2022-10-11 贵州工程应用技术学院 一种用于高大模板安全施工的实时智能监测方法及系统
CN116434496A (zh) * 2023-06-14 2023-07-14 西安四腾环境科技有限公司 一种实验室用安全监测报警装置

Also Published As

Publication number Publication date
CN111583592B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN111583592B (zh) 一种基于多维卷积神经网络的实验环境安全预警方法
Han et al. An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN107436597B (zh) 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法
US8868985B2 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN115524002B (zh) 一种电厂旋转设备的运行状态预警方法、系统及存储介质
CN106682835A (zh) 一种数据驱动的复杂机电系统服役质量状态评估方法
CN117406689A (zh) 一种数据驱动与知识引导的故障诊断方法及系统
CN111340110A (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
CN117975372B (zh) 一种基于YOLOv8和Transformer编码器相结合的工地安全检测系统及方法
CN111678699A (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN112087443A (zh) 一种大规模工业传感网络信息物理攻击下传感数据异常智能化检测方法
Du et al. Convolutional neural network-based data anomaly detection considering class imbalance with limited data
CN117151649A (zh) 基于大数据分析的施工方法管控系统及方法
Chou et al. SHM data anomaly classification using machine learning strategies: A comparative study
Simula et al. Process monitoring and visualization using self-organizing maps
CN106909136A (zh) 一种基于指数正则化零空间线性鉴别分析的故障诊断方法
CN117768618A (zh) 一种基于视频图像分析人员违章的方法
Cheng et al. A pattern recognition algorithm for an x control chart
CN114022698A (zh) 一种基于二叉树结构的多标签行为识别方法及装置
Chen Data Quality Assessment Methodology for Improved Prognostics Modeling
CN116730226B (zh) 悬臂起重机的安全智能监管系统及其方法
Bian et al. Degradation detection method for railway point machines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230921

Address after: Building 1, Kechuang headquarters, Shenzhen (Harbin) Industrial Park, 288 Zhigu street, Songbei District, Harbin City, Heilongjiang Province

Patentee after: Harbin Institute of Technology Institute of artificial intelligence Co.,Ltd.

Address before: 150000 No. 92, West Da Zhi street, Nangang District, Harbin, Heilongjiang.

Patentee before: HARBIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right