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

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：

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，x_i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：

其中，所述fc表示神经网络的输出，f表示激活函数，px_i是池化层展开为一个向量的第i层神经元的输入数据，w_i是第i层神经元的权重矩阵，b_i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：

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，x_i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：

f_relu＝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：

其中，S_map表示特征图的尺寸，S_x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：

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，px_i是池化后展开为一个向量的第i层神经元的输入数据，w_i是第i层神经元的权重矩阵，b_i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：

S_i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，fc_i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fc_i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：

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，x_i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：

其中，所述fc表示神经网络的输出，f表示激活函数，px_i是池化层展开为一个向量的第i层神经元的输入数据，w_i是第i层神经元的权重矩阵，b_i是第i层的偏执单元。

Images