CN111915069A - 一种基于深度学习的轻量级有毒有害气体分布的检测方法 - Google Patents

一种基于深度学习的轻量级有毒有害气体分布的检测方法 Download PDF

Info

Publication number
CN111915069A
CN111915069A CN202010691444.XA CN202010691444A CN111915069A CN 111915069 A CN111915069 A CN 111915069A CN 202010691444 A CN202010691444 A CN 202010691444A CN 111915069 A CN111915069 A CN 111915069A
Authority
CN
China
Prior art keywords
toxic
feature
harmful gas
distribution
harmful
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
CN202010691444.XA
Other languages
English (en)
Other versions
CN111915069B (zh
Inventor
朱均超
李志伟
张宝峰
刘欣宜
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.)
Tianjin University of Technology
Original Assignee
Tianjin University 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 Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN202010691444.XA priority Critical patent/CN111915069B/zh
Publication of CN111915069A publication Critical patent/CN111915069A/zh
Application granted granted Critical
Publication of CN111915069B publication Critical patent/CN111915069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—Specially adapted to detect a particular component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems

Abstract

一种基于深度学习的轻量级有毒有害气体分布的检测方法，通过对待测现场的地貌环境参数和有毒有害气体参数进行采集、关键特征构建、数据进行预处理、离线训练、模型量化训练、归一化指数回归及预测出污染现场地貌和有毒有害气体立体分布结果，从而确定危险等级，预测的结果发送至云服务器平台，将污染现场有毒有害气体立体分布情况和危险等级结果进行反馈；是一种综合智能传感、物联网、深度学习技术的检测方法；为应急救援的指挥决策提供完整环境信息，保障救援人员安全；能够实时监测有毒有害气体异常情况，能够第一时间对现场进行准确完善的危险态势评估，保障救援作业安全高效进行。

Description

一种基于深度学习的轻量级有毒有害气体分布的检测方法
【技术领域】：
本发明属于高危污染场地修复治理和突发事件紧急救援技术领域，尤其涉及一种基于深度学习的轻量级有毒有害气体分布检测方法。
【背景技术】：
突发公共安全事件极易造成高危污染环境，在现场应急救援和污染场地修复作业中均存在大量有害物质或有毒气体，如氨、氯及硫化氢、二氧化硫、二氧化氮等。如果未及时采取有效的救援措施应对突发事件，有毒有害气体在外部风力和内部浓度梯度的作用下，会沿地表面迅速扩散形成燃烧爆炸或有毒高危区域，严重威胁公共安全，造成重大损失。
因此，当突发事件造成有毒有害气体泄漏时，必须尽快分析现场危险态势采取相应措施，才能最大程度降低突发公共安全事件造成的损失。突发事件救援现场具有未知性、动态性和高危性，救援人员直接进入现场作业可能危及生命安全。准确预知污染气体分布状况，对于指挥部科学决策、实时保障作业人员安全、防止事态扩大化和复杂化具有重要意义。
应急检测车辆虽然检测设备齐全，但是车辆体积大且需要人工驾驶和检测，无法直接进入复杂危险地形检测有毒有害气体分布状况。现有的无人移动平台检测装置负载能力有限，所搭载的传感器检测种类单一，不能满足多地形多态势的检测需求，且该方法忽略了有毒有害气体实际分布情况受天气、地貌、风向和气体类别影响的问题。
【发明内容】：
本发明的目的在于提出一种基于深度学习的轻量级有毒有害气体分布的检测方法，它可以克服现有技术的不足，是一种操作简单且容易实现的检测方法，能够对污染环境地貌进行重建，且实时检测分析现场有毒有害气体分布情况，并将检测结果实时传输至终端，为应急救援和污染场地修复提供准确完善的现场环境信息，方便工作人员直观、快捷地观察污染情况，保障工作人员安全，提高救援和修复作业效率。
本发明的技术方案：一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于它包括以下步骤：
(1)在无人移动平台上装载多组分有毒有害气体检测传感器，对待测现场的地貌环境参数和有毒有害气体参数进行采集；
所述步骤(1)中的多组分有毒气体检测传感器是由气体测量传感器组、位置传感器、图像传感器、微处理器单元、数据通讯模块、电池管理模块、电池构成，其连接为常规连接方式。
(2)利用残差网络提取对步骤(1)中采集的原始参数的关键特征构建特征集feature(x)；
所述步骤(2)中的关键特征包括地貌特征、气象特征、有毒有害气体特征。
所述步骤(2)中的构建特征集feature(x)是指对地貌特征、气象特征、有毒有害气体特征的数据集的定义，具体包括：
(2.1)地貌特征：对两幅连续拍摄图像间重叠区域进行地貌重建，用xij表示二维重叠区域特征点横坐标，用yij表示二维重叠区域特征点纵坐标，矩阵D代表特征点对应三维空间高度，则重叠区域特征集定义如下：
featureI＝{xij,yij,Dij}；
(2.2)气象特征：将气象特征以0-1向量形式进行表征，1表示为当前天气，0表示为非当前天气，分别为晴、雨、雪和风依次标记为：
featureW＝{WF,WR,WS,WW}
(2.3)有毒有害气体特征：将有毒有害气体特征以向量形式进行表征，将气体种类、气体相对密度、是否溶于水依次标记为：
featureG＝{GC,GD,GW}
其中，GC的区域范围为0～n-1，n为检测气体的数量；GD取值为0或1，0代表有毒有害气体相对密度小于空气，反之为1；GW取值为0或1，0代表有毒有害气体不溶于水，反之为1；
(2.4)将影响有毒有害气体分布检测因素的特征集定义为：
feature(x)＝featureI∪featureW∪featureG
(2.5)将获取的标签数据定义为label(x)，采用min-max归一化方法对特征集feature(x)和标签数据label(x)进行归一化处理，如下所示：
Figure BDA0002589532530000031
其中，f代表特征点取值，fmin为该特征点最小取值，fmax为该特征点最大取值，fN为归一化处理后的特征点取值；
(2.6)将归一化处理后的特征集feature(x)和标签数据label(x)分别表示为feature(x)N和label(x)N，作为训练样本的输入数据；
(2.7)将训练样本的特征集记为train_x，标签集记为train_y，训练样本中特征集与标签集逐行一一对应，即：
Figure BDA0002589532530000032
Figure BDA0002589532530000041
(3)对特征集feature(x)中的数据进行预处理；
所述步骤(3)中数据预处理具体是指：
(3.1)按照残差网络结构，利用残差结构进行训练，学习特征集feature(x)的高维表达；
(3.2)将步骤(3.1)中得到的特征集feature(x)的高维表达输入残差网络，通过正向传播将输入加权累加，通过激活函数获得输出向量。
(4)对有毒有害气体的立体分布检测网络进行离线训练；
所述步骤(4)中的离线训练具体是指：
(4.1)利用步骤(3)对离线训练的数据进行数据预处理；
(4.2)利用步骤(2)中的训练样本的归一化标签集train_y计算有毒有害气体的立体分布检测网络损失函数L({pi},{ti})，并与真实值进行比较，进而得到有毒有害气体的立体分布检测网络损失函数计算结果；其中，pi为锚点框预测为目标的概率；ti向量表示训练阶段预测的偏移量；
所述步骤(4.2)中的有毒有害气体的立体分布检测网络损失函数是由类别损失Lcls({pi},{ti})和回归损失Lcls({pi},{ti})构成，即：
L({pi},{ti})＝Lcls({pi},{ti})+Lreg({pi},{ti})。
(4.3)通过反向传播确定有毒有害气体的立体分布检测网络的梯度值，微调有毒有害气体的立体分布检测网络权重和超参数，使有毒有害气体的立体分布检测网络损失函数最小化且模型收敛，并保存有毒有害气体的立体分布检测网络损失函数最小化时的权重，得到用于预测有毒有害气体分布的模型。
所述步骤(4.3)中的微调是指：在离线训练过程中，修改残差网络最后一层的输出类别，调整有毒有害气体的立体分布检测网络的学习率、步长和迭代次数。
(5)模型进行量化训练，压缩模型参数量使其能够部署在移动端或嵌入式系统中，量化训练具体是指：
(5.1)在前向传播中应用模拟量化方法，将输入X和模型权重W量化为8字节整数，输入X的量化操作Xq和模型权重W的量化操作Wq定义为：
Figure BDA0002589532530000051
其中，Xm为输入X的绝对值最大值，Wm为模型权重W的绝对值最大值，n为量化等级；
定义通用矩阵量化乘积结果为Yq：
Yq＝Xq*Wq
其中，Xq为输入X的量化操作，Wq为模型权重W的量化操作；
反向量化操作Ydq定义为：
Figure BDA0002589532530000052
其中，Xm为输入X的绝对值最大值，Wm为模型权重W的绝对值最大值，n为量化等级；
(5.2)反向传播输入和输出为32字节浮点型数据；输入X、模型权重W、输出Y和偏置b的梯度值分别为X_grad、W_grad、Y_grad、b_grad，应用量化权重和激活计算梯度值，将梯度值与原始权重值相加；
(5.3)在每次迭代过程中采用动态策略进行计算，确定权重和激活的量化比例系数。
(6)有毒有害气体立体分布在线检测，通过归一化指数回归预测出污染现场地貌和有毒有害气体立体分布结果；
所述步骤(6)中对污染现场地貌和有毒有害气体立体分布结果的在线检测，具体是由以下步骤构成：
(6.1)利用步骤(3)对现场采集的原始数据进行数据预处理，得到输出向量；
(6.2)对得到的输出向量通过归一化指数回归进行分类，以获得现场地貌重建、危险态势评估和有毒有害气体立体分布结果，通过寻找最优θi值，将P(i)的取值最大化，从而获得准确度最优的预测结果。
所述步骤(6.2)中的归一化指数回归可以定义为：
Figure BDA0002589532530000061
其中，P(i)为预测结果属于样本i的概率值，θi为待求参数，x为样本，θi和x是列向量。
所述步骤(6.2)中的归一化指数回归分类方法具体是指：首先将模型的预测结果转化到指数函数上，保证概率的非负性；其次将转换后的结果进行归一化处理，具体方法是将转化后的结果除以所有转化后结果之和，得到近似概率；从而预测出污染现场地貌和有毒有害气体立体分布结果。
(7)根据步骤(6)中在线检测的有毒有害气体立体分布结果，通过得到的有毒有害气体立体分布结果，确定危险等级；
所述步骤(7)中的危险等级定义为：低风险、中风险、高风险、不确定四个危险等级；当处于低风险等级时，不需要防护可以进入现场；当处于中风险等级时，需要佩戴防护用具进入现场；当处于高风险等级和不确定等级时，不适合人员进入现场。
(8)将步骤(6)步骤(7)中预测的结果发送至云服务器平台，云服务器平台作为服务器开放IP地址和端口号，接收包括现场地貌重建、危险等级和有毒有害气体立体分布的在线检测结果；
(9)利用手机APP和显示终端设备，将污染现场有毒有害气体立体分布情况和危险等级结果，实时向现场作业人员展示。
【本发明的优越性】
1、是一种综合智能传感、物联网、深度学习技术的检测方法；通过部署在移动端或嵌入式系统，结合现场气象和地貌条件，快速重建污染场地中有毒有害气体立体分布情况，评估污染态势，为应急救援的指挥决策提供完整环境信息，保障救援人员安全；
2、直接部署在移动端或嵌入式系统，内存占用小，且在线检测不需依赖GPU进行运算，能够快速准确重建整个污染场地，实时监测有毒有害气体异常情况；
3、特别适用于作业人员无法直接进入的高危污染修复场地和突发应急事故救灾现场，能够第一时间对现场进行准确完善的危险态势评估，保障救援作业安全高效进行。
【附图说明】：
图1为本发明所涉一种基于移动平台的有毒环境中毒气分布检测系统中移动式多组分有毒气体测量终端的结构示意图。
图2为本发明所涉一种基于深度学习的轻量级有毒有害气体分布的检测方法的流程图。
图3为本发明所涉一种基于深度学习的轻量级有毒有害气体分布的检测方法中模拟量化训练的正向传播过程流程示意图。
图4为本发明所涉一种基于深度学习的轻量级有毒有害气体分布的检测方法中模拟量化训练的反向传播过程流程示意图。
【具体实施方式】：
实施例：一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于它包括以下步骤：
(1)在无人移动平台上装载多组分有毒有害气体检测传感器，对待测现场的地貌环境参数和有毒有害气体参数进行采集；
其中的多组分有毒气体检测传感器是由气体测量传感器组、位置传感器、图像传感器、微处理器单元、数据通讯模块、电池管理模块、电池构成，如图1所示。
(2)利用残差网络提取对步骤(1)中采集的原始参数的关键特征构建特征集feature(x)；关键特征包括地貌特征、气象特征、有毒有害气体特征；构建特征集feature(x)则是对地貌特征、气象特征、有毒有害气体特征的数据集的定义，具体包括：
(2.1)地貌特征：对两幅连续拍摄图像间重叠区域进行地貌重建，用xij表示二维重叠区域特征点横坐标，用yij表示二维重叠区域特征点纵坐标，矩阵D代表特征点对应三维空间高度，则重叠区域特征集定义如下：
featureI＝{xij,yij,Dij}；
(2.2)气象特征：将气象特征以0-1向量形式进行表征，1表示为当前天气，0表示为非当前天气，分别为晴、雨、雪和风依次标记为：
featureW＝{WF,WR,WS,WW}
如，featureW＝{1,0,0,1}代表晴天有风；
(2.3)有毒有害气体特征：将有毒有害气体特征以向量形式进行表征，将气体种类、气体相对密度、是否溶于水依次标记为：
featureG＝{GC,GD,GW}
其中，GC的区域范围为0～n-1，n为检测气体的数量；GD取值为0或1，0代表有毒有害气体相对密度小于空气，反之为1；GW取值为0或1，0代表有毒有害气体不溶于水，反之为1；
(2.4)将影响有毒有害气体分布检测因素的特征集定义为：
feature(x)＝featureI∪featureW∪featureG
(2.5)将获取的标签数据定义为label(x)，采用min-max归一化方法对特征集feature(x)和标签数据label(x)进行归一化处理，如下所示：
Figure BDA0002589532530000091
其中，f代表特征点取值，fmin为该特征点最小取值，fmax为该特征点最大取值，fN为归一化处理后的特征点取值；
(2.6)将归一化处理后的特征集feature(x)和标签数据label(x)分别表示为feature(x)N和label(x)N，作为训练样本的输入数据；
(2.7)将训练样本的特征集记为train_x，标签集记为train_y，训练样本中特征集与标签集逐行一一对应，即：
Figure BDA0002589532530000092
(3)对特征集feature(x)中的数据进行预处理：
(3.1)按照残差网络结构，利用残差结构进行训练，学习特征集feature(x)的高维表达；
(3.2)将步骤(3.1)中得到的特征集feature(x)的高维表达输入残差网络，通过正向传播将输入加权累加，通过激活函数获得输出向量。
(4)对有毒有害气体的立体分布检测网络进行离线训练；
(4.1)利用步骤(3)对离线训练的数据进行数据预处理；
(4.2)利用步骤(2)中的训练样本的归一化标签集train_y计算有毒有害气体的立体分布检测网络损失函数L({pi},{ti})，并与真实值进行比较，进而得到有毒有害气体的立体分布检测网络损失函数计算结果；其中，pi为锚点框预测为目标的概率；ti向量表示训练阶段预测的偏移量；
其中，有毒有害气体的立体分布检测网络损失函数是由类别损失Lcls({pi},{ti})和回归损失Lcls({pi},{ti})构成，即：
L({pi},{ti})＝Lcls({pi},{ti})+Lreg({pi},{ti})。
(4.3)通过反向传播确定有毒有害气体的立体分布检测网络的梯度值，微调有毒有害气体的立体分布检测网络权重和超参数，使有毒有害气体的立体分布检测网络损失函数最小化且模型收敛，并保存有毒有害气体的立体分布检测网络损失函数最小化时的权重，得到用于预测有毒有害气体分布的模型。
其中的微调是指：在离线训练过程中，修改残差网络最后一层的输出类别，调整有毒有害气体的立体分布检测网络的学习率、步长和迭代次数。
(5)模型进行量化训练，压缩模型参数量使其能够部署在移动端或嵌入式系统中：
(5.1)如图3所示，在前向传播中应用模拟量化方法，将输入X和模型权重W量化为8字节整数，输入X的量化操作Xq和模型权重W的量化操作Wq定义为：
Figure BDA0002589532530000111
其中，Xm为输入X的绝对值最大值，Wm为模型权重W的绝对值最大值，n为量化等级；
定义通用矩阵量化乘积结果为Yq：
Yq＝Xq*Wq
其中，Xq为输入X的量化操作，Wq为模型权重W的量化操作；
反向量化操作Ydq定义为：
Figure BDA0002589532530000112
其中，Xm为输入X的绝对值最大值，Wm为模型权重W的绝对值最大值，n为量化等级；
(5.2)如图4所示，反向传播输入和输出为32字节浮点型数据；输入X、模型权重W、输出Y和偏置b的梯度值分别为X_grad、W_grad、Y_grad、b_grad，应用量化权重和激活计算梯度值，将梯度值与原始权重值相加；
(5.3)在每次迭代过程中采用动态策略进行计算，确定权重和激活的量化比例系数。
(6)有毒有害气体立体分布在线检测，通过归一化指数回归预测出污染现场地貌和有毒有害气体立体分布结果；对污染现场地貌和有毒有害气体立体分布结果的在线检测，具体是由以下步骤构成：
(6.1)利用步骤(3)对现场采集的原始数据进行数据预处理，得到输出向量；
(6.2)对得到的输出向量通过归一化指数回归进行分类，以获得现场地貌重建、危险态势评估和有毒有害气体立体分布结果，通过寻找最优θi值，将P(i)的取值最大化，从而获得准确度最优的预测结果。
其中，归一化指数回归可以定义为：
Figure BDA0002589532530000121
其中，P(i)为预测结果属于样本i的概率值，θi为待求参数，x为样本，θi和x是列向量。
而归一化指数回归分类方法具体是指：首先将模型的预测结果转化到指数函数上，保证概率的非负性；其次将转换后的结果进行归一化处理，具体方法是将转化后的结果除以所有转化后结果之和，得到近似概率；从而预测出污染现场地貌和有毒有害气体立体分布结果。
(7)根据步骤(6)中在线检测的有毒有害气体立体分布结果，通过得到的有毒有害气体立体分布结果，确定危险等级；通常，危险等级定义为：低风险、中风险、高风险、不确定四个危险等级；当处于低风险等级时，不需要防护可以进入现场；当处于中风险等级时，需要佩戴防护用具进入现场；当处于高风险等级和不确定等级时，不适合人员进入现场。
(8)将步骤(6)步骤(7)中预测的结果发送至云服务器平台，云服务器平台作为服务器开放IP地址和端口号，接收包括现场地貌重建、危险等级和有毒有害气体立体分布的在线检测结果；
(9)利用手机APP和显示终端设备，将污染现场有毒有害气体立体分布情况和危险等级结果，实时向现场作业人员展示。
本发明的实施方法如图2所示，在作业人员无法直接进入的高危污染修复场地和突发应急事故救灾现场，需要对现场进行有毒有害气体立体分布情况进行检测时，利用本发明所涉及的方法进行离线训练和在线检测，具体的实施方法为：
1、在无人移动平台上装载多组分有毒有害气体检测传感器，采集现场地貌环境参数和有毒有害气体参数。
2、利用残差网络提取对步骤1中采集的原始参数的关键特征构建特征集feature(x)。
3、对特征集feature(x)中的数据进行预处理，获得输出向量。
4、对有毒有害气体立体分布检测网络进行离线训练：计算有毒有害气体的立体分布检测网络损失函数L({pi},{ti})，通过反向传播确定有毒有害气体的立体分布检测网络的梯度值，微调有毒有害气体的立体分布检测网络权重和超参数，使有毒有害气体的立体分布检测网络损失函数最小化且模型收敛，并保存有毒有害气体的立体分布检测网络损失函数最小化时的权重，得到用于预测有毒有害气体分布的模型。
5、模型进行量化训练，压缩模型参数量使其能够部署在移动端或嵌入式系统中。在前向传播中应用模拟量化方法，应用量化权重和激活计算梯度值，将梯度值与原始权重值相加，在每次迭代过程中采用动态策略进行计算，确定权重和激活的量化比例系数。
6、有毒有害气体立体分布在线检测，通过归一化指数回归预测出污染现场地貌和有毒有害气体立体分布结果；
7、根据步骤6中在线检测的有毒有害气体立体分布结果，确定危险等级。
8、将步骤6和步骤7中的结果发送至云服务器平台。
9、预测结果通过手机APP和显示大屏幕进行实时展示，为污染现场应急救援提供完善环境信息和污染态势评估结果。

Claims (10)

1.一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于它包括以下步骤：
(1)在无人移动平台上装载多组分有毒有害气体检测传感器，对待测现场的地貌环境参数和有毒有害气体参数进行采集；
(2)利用残差网络提取对步骤(1)中采集的原始参数的关键特征构建特征集feature(x)；
(3)对特征集feature(x)中的数据进行预处理；
(4)对有毒有害气体的立体分布检测网络进行离线训练；
(5)模型进行量化训练，压缩模型参数量使其能够部署在移动端或嵌入式系统中；
(6)有毒有害气体立体分布在线检测，通过归一化指数回归预测出污染现场地貌和有毒有害气体立体分布结果；
(7)根据步骤(6)中在线检测的有毒有害气体立体分布结果，通过得到的有毒有害气体立体分布结果，确定危险等级；其中，危险等级包括低风险、中风险、高风险、不确定四个危险等级；当处于低风险等级时，不需要防护可以进入现场；当处于中风险等级时，需要佩戴防护用具进入现场；当处于高风险等级和不确定等级时，不适合人员进入现场；
(8)将步骤(6)步骤(7)中预测的结果发送至云服务器平台，云服务器平台作为服务器开放IP地址和端口号，接收包括现场地貌重建、危险等级和有毒有害气体立体分布的在线检测结果；
(9)利用手机APP和显示终端设备，将污染现场有毒有害气体立体分布情况和危险等级结果，实时向现场作业人员展示。
2.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(1)中的多组分有毒气体检测传感器是由气体测量传感器组、位置传感器、图像传感器、微处理器单元、数据通讯模块、电池管理模块、电池构成。
3.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(2)中的关键特征包括地貌特征、气象特征、有毒有害气体特征；则构建特征集feature(x)是指对地貌特征、气象特征、有毒有害气体特征的数据集的定义，具体包括：
(2.1)地貌特征：对两幅连续拍摄图像间重叠区域进行地貌重建，用xij表示二维重叠区域特征点横坐标，用yij表示二维重叠区域特征点纵坐标，矩阵D代表特征点对应三维空间高度，则重叠区域特征集定义如下：
featureI＝{xij,yij,Dij}；
(2.2)气象特征：将气象特征以0-1向量形式进行表征，1表示为当前天气，0表示为非当前天气，分别为晴、雨、雪和风依次标记为：
featureW＝{WF,WR,WS,WW}；
(2.3)有毒有害气体特征：将有毒有害气体特征以向量形式进行表征，将气体种类、气体相对密度、是否溶于水依次标记为：
featureG＝{GC,GD,GW}
其中，GC的区域范围为0～n-1，n为检测气体的数量；GD取值为0或1，0代表有毒有害气体相对密度小于空气，反之为1；GW取值为0或1，0代表有毒有害气体不溶于水，反之为1；
(2.4)将影响有毒有害气体分布检测因素的特征集定义为：
feature(x)＝featureI∪featureW∪featureG
(2.5)将获取的标签数据定义为label(x)，采用min-max归一化方法对特征集feature(x)和标签数据label(x)进行如下的归一化处理：
Figure FDA0002589532520000031
其中，f代表特征点取值，fmin为该特征点最小取值，fmax为该特征点最大取值，fN为归一化处理后的特征点取值；
(2.6)将归一化处理后的特征集feature(x)和标签数据label(x)分别表示为feature(x)N和label(x)N，作为训练样本的输入数据；
(2.7)将训练样本的特征集记为train_x，标签集记为train_y，训练样本中特征集与标签集逐行一一对应，即：
Figure FDA0002589532520000032
Figure FDA0002589532520000033
4.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(3)中数据预处理具体是指：
(3.1)按照残差网络结构，利用残差结构进行训练，学习特征集feature(x)的高维表达；
(3.2)将步骤(3.1)中得到的特征集feature(x)的高维表达输入残差网络，通过正向传播将输入加权累加，通过激活函数获得输出向量。
5.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(4)中的离线训练具体是指：
(4.1)利用步骤(3)对离线训练的数据进行数据预处理；
(4.2)利用步骤(2)中的训练样本的归一化标签集train_y计算有毒有害气体的立体分布检测网络损失函数L({pi},{ti})，并与真实值进行比较，进而得到有毒有害气体的立体分布检测网络损失函数计算结果；其中，pi为锚点框预测为目标的概率；ti向量表示训练阶段预测的偏移量；
(4.3)通过反向传播确定有毒有害气体的立体分布检测网络的梯度值，微调有毒有害气体的立体分布检测网络权重和超参数，使有毒有害气体的立体分布检测网络损失函数最小化且模型收敛，并保存有毒有害气体的立体分布检测网络损失函数最小化时的权重，得到用于预测有毒有害气体分布的模型。
6.根据权利要求5所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(4.2)中的有毒有害气体的立体分布检测网络损失函数是由类别损失Lcls({pi},{ti})和回归损失Lcls({pi},{ti})构成，即：
L({pi},{ti})＝Lcls({pi},{ti})+Lreg({pi},{ti})。
7.根据权利要求5所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(4.3)中的微调是指：在离线训练过程中，修改残差网络最后一层的输出类别，调整有毒有害气体的立体分布检测网络的学习率、步长和迭代次数。
8.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(5)中的量化训练具体是指：
(5.1)在前向传播中应用模拟量化方法，将输入X和模型权重W量化为8字节整数，输入X的量化操作Xq和模型权重W的量化操作Wq定义为：
Figure FDA0002589532520000051
其中，Xm为输入X的绝对值最大值，Wm为模型权重W的绝对值最大值，n为量化等级；
定义通用矩阵量化乘积结果为Yq：
Yq＝Xq*Wq
其中，Xq为输入X的量化操作，Wq为模型权重W的量化操作；
反向量化操作Ydq定义为：
Figure FDA0002589532520000052
其中，Xm为输入X的绝对值最大值，Wm为模型权重W的绝对值最大值，n为量化等级；
(5.2)反向传播输入和输出为32字节浮点型数据；输入X、模型权重W、输出Y和偏置b的梯度值分别为X_grad、W_grad、Y_grad、b_grad，应用量化权重和激活计算梯度值，将梯度值与原始权重值相加；
(5.3)在每次迭代过程中采用动态策略进行计算，确定权重和激活的量化比例系数。
9.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(6)中对污染现场地貌和有毒有害气体立体分布结果的在线检测，具体是由以下步骤构成：
(6.1)利用步骤(3)对现场采集的原始数据进行数据预处理，得到输出向量；
(6.2)对得到的输出向量通过归一化指数回归进行分类，以获得现场地貌重建、危险态势评估和有毒有害气体立体分布结果，通过寻找最优θi值，将P(i)的取值最大化，从而获得准确度最优的预测结果。
10.根据权利要求9所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(6.2)中的归一化指数回归可以定义为：
Figure FDA0002589532520000061
其中，P(i)为预测结果属于样本i的概率值，θi为待求参数，x为样本，θi和x是列向量；
归一化指数回归分类方法具体是指：首先将模型的预测结果转化到指数函数上，保证概率的非负性；其次将转换后的结果进行归一化处理，具体方法是将转化后的结果除以所有转化后结果之和，得到近似概率；从而预测出污染现场地貌和有毒有害气体立体分布结果。
CN202010691444.XA 2020-07-17 2020-07-17 一种基于深度学习的轻量级有毒有害气体分布的检测方法 Active CN111915069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010691444.XA CN111915069B (zh) 2020-07-17 2020-07-17 一种基于深度学习的轻量级有毒有害气体分布的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010691444.XA CN111915069B (zh) 2020-07-17 2020-07-17 一种基于深度学习的轻量级有毒有害气体分布的检测方法

Publications (2)

Publication Number Publication Date
CN111915069A true CN111915069A (zh) 2020-11-10
CN111915069B CN111915069B (zh) 2021-12-07

Family

ID=73281881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010691444.XA Active CN111915069B (zh) 2020-07-17 2020-07-17 一种基于深度学习的轻量级有毒有害气体分布的检测方法

Country Status (1)

Country Link
CN (1) CN111915069B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112769930A (zh) * 2020-12-31 2021-05-07 北京佳华智联科技有限公司 一种污染趋势预测方法及装置、污染事件监测装置及设备
CN114973443A (zh) * 2022-05-19 2022-08-30 杭州中威电子股份有限公司 一种基于巡检机器人的复杂气体环境巡检系统及其方法
CN115356434A (zh) * 2022-07-14 2022-11-18 福建省杭氟电子材料有限公司 六氟丁二烯储放场所的气体监测系统及其监测方法
CN115358631A (zh) * 2022-09-21 2022-11-18 张家港市艾尔环保工程有限公司 一种基于有害物质检测的废气定向处理方法及系统
CN117741070A (zh) * 2024-02-21 2024-03-22 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法
CN117741070B (zh) * 2024-02-21 2024-05-03 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544392A (zh) * 2013-10-23 2014-01-29 电子科技大学 基于深度学习的医学气体识别方法
CN205301237U (zh) * 2016-04-13 2016-06-08 交通运输部水运科学研究所 有毒有害气体应急监测机器人
CN106226212A (zh) * 2016-08-30 2016-12-14 上海交通大学 基于深度残差网络的高光谱霾监测方法
CN107448235A (zh) * 2017-05-18 2017-12-08 华信润邦（北京）智能科技有限公司 一种基于精确定位的矿井安全管理方法
CN107977671A (zh) * 2017-10-27 2018-05-01 浙江工业大学 一种基于多任务卷积神经网络的舌象分类方法
CN108495132A (zh) * 2018-02-05 2018-09-04 西安电子科技大学 基于轻量级深度卷积网络的遥感影像大倍率压缩方法
CN109190828A (zh) * 2018-09-07 2019-01-11 苏州大学 泄漏气体浓度分布确定方法、装置、设备及可读存储介质
CN109356652A (zh) * 2018-10-12 2019-02-19 深圳市翌日科技有限公司 一种矿井下自适应的火灾分级预警方法及系统
CN110650153A (zh) * 2019-10-14 2020-01-03 北京理工大学 一种基于聚焦损失深度神经网络的工控网络入侵检测方法
CN110881061A (zh) * 2019-10-14 2020-03-13 国网山东省电力公司应急管理中心 一种基于泛在电力物联网的臂式终端综合感知及智能交互应急处置方法
CN111027487A (zh) * 2019-12-11 2020-04-17 山东大学 基于多卷积核残差网络的行为识别系统、方法、介质及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544392A (zh) * 2013-10-23 2014-01-29 电子科技大学 基于深度学习的医学气体识别方法
CN205301237U (zh) * 2016-04-13 2016-06-08 交通运输部水运科学研究所 有毒有害气体应急监测机器人
CN106226212A (zh) * 2016-08-30 2016-12-14 上海交通大学 基于深度残差网络的高光谱霾监测方法
CN107448235A (zh) * 2017-05-18 2017-12-08 华信润邦（北京）智能科技有限公司 一种基于精确定位的矿井安全管理方法
CN107977671A (zh) * 2017-10-27 2018-05-01 浙江工业大学 一种基于多任务卷积神经网络的舌象分类方法
CN108495132A (zh) * 2018-02-05 2018-09-04 西安电子科技大学 基于轻量级深度卷积网络的遥感影像大倍率压缩方法
CN109190828A (zh) * 2018-09-07 2019-01-11 苏州大学 泄漏气体浓度分布确定方法、装置、设备及可读存储介质
CN109356652A (zh) * 2018-10-12 2019-02-19 深圳市翌日科技有限公司 一种矿井下自适应的火灾分级预警方法及系统
CN110650153A (zh) * 2019-10-14 2020-01-03 北京理工大学 一种基于聚焦损失深度神经网络的工控网络入侵检测方法
CN110881061A (zh) * 2019-10-14 2020-03-13 国网山东省电力公司应急管理中心 一种基于泛在电力物联网的臂式终端综合感知及智能交互应急处置方法
CN111027487A (zh) * 2019-12-11 2020-04-17 山东大学 基于多卷积核残差网络的行为识别系统、方法、介质及设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112769930A (zh) * 2020-12-31 2021-05-07 北京佳华智联科技有限公司 一种污染趋势预测方法及装置、污染事件监测装置及设备
CN114973443A (zh) * 2022-05-19 2022-08-30 杭州中威电子股份有限公司 一种基于巡检机器人的复杂气体环境巡检系统及其方法
CN114973443B (zh) * 2022-05-19 2024-04-12 杭州中威电子股份有限公司 一种基于巡检机器人的复杂气体环境巡检系统及其方法
CN115356434A (zh) * 2022-07-14 2022-11-18 福建省杭氟电子材料有限公司 六氟丁二烯储放场所的气体监测系统及其监测方法
CN115358631A (zh) * 2022-09-21 2022-11-18 张家港市艾尔环保工程有限公司 一种基于有害物质检测的废气定向处理方法及系统
CN115358631B (zh) * 2022-09-21 2023-09-05 张家港市艾尔环保工程有限公司 一种基于有害物质检测的废气定向处理方法及系统
CN117741070A (zh) * 2024-02-21 2024-03-22 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法
CN117741070B (zh) * 2024-02-21 2024-05-03 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法

Also Published As

Publication number Publication date
CN111915069B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN111915069B (zh) 一种基于深度学习的轻量级有毒有害气体分布的检测方法
CN106650825B (zh) 一种机动车尾气排放数据融合系统
CN111178206B (zh) 一种基于改进yolo的建筑预埋件检测方法及系统
CN114118677A (zh) 基于物联网的尾矿库风险监测预警系统
Mrówczyńska et al. Compression of results of geodetic displacement measurements using the PCA method and neural networks
CN106204392A (zh) 环境风险源预警系统
CN112734694A (zh) 一种基于大数据的水质监测方法
CN107240216A (zh) 基于3dgis+bim技术和人工智能运维应急报警与快速响应方法
CN112308292A (zh) 一种火灾风险等级分布图的绘制方法
CN115063020B (zh) 基于风险监测融合的梯级水电站多维安全调度装置及方法
CN109918754B (zh) 一种尾矿库分层指标安全检测和预警方法与系统
CN112464920B (zh) 基于极端随机树的fy-3d红外高光谱云检测方法
Cui et al. Investigating the impacts of atmospheric diffusion conditions on source parameter identification based on an optimized inverse modelling method
KR20200048898A (ko) 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법
CN114067545A (zh) 一种基于遥感大数据的森林火灾监测方法及系统
CN114511243A (zh) 一种基于物联网监测的火灾风险动态评估的方法及系统
CN111626261A (zh) 一种水工建筑物智能巡检分析预警系统
Sutrisno et al. Design of pothole detector using gray level co-occurrence matrix (GLCM) and neural network (NN)
CN114018219A (zh) 一种输电杆塔振动监测方法、装置、设备及存储介质
CN111178756B (zh) 一种基于环境大数据的多元线性回归火灾风险评估方法
CN114445041B (zh) 一种危化品在途事故应急处理方法及系统
CN115035256A (zh) 一种尾矿库事故隐患及风险演化方法及系统
CN111967419A (zh) 一种坝岸险情预测方法、装置、计算机设备及存储介质
Jung et al. Comparative analysis of PM10 prediction performance between neural network models
CN116070676B (zh) 基于注意力机制和自编码器的高速公路路面温度预报方法

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