CN113052070B - 一种基于人工智能和物联网的危化企业五位一体安全管理方法 - Google Patents
一种基于人工智能和物联网的危化企业五位一体安全管理方法 Download PDFInfo
- Publication number
- CN113052070B CN113052070B CN202110317602.XA CN202110317602A CN113052070B CN 113052070 B CN113052070 B CN 113052070B CN 202110317602 A CN202110317602 A CN 202110317602A CN 113052070 B CN113052070 B CN 113052070B
- Authority
- CN
- China
- Prior art keywords
- area
- dangerous
- leakage
- electrostatic
- image
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 230000003068 static effect Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 22
- 230000009471 action Effects 0.000 claims abstract description 15
- 239000000126 substance Substances 0.000 claims abstract description 10
- 239000002341 toxic gas Substances 0.000 claims abstract description 9
- 238000005507 spraying Methods 0.000 claims abstract description 5
- 238000005421 electrostatic potential Methods 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 16
- 239000007789 gas Substances 0.000 claims description 15
- 239000000383 hazardous chemical Substances 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 14
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000000243 solution Substances 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 239000013064 chemical raw material Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 229910052979 sodium sulfide Inorganic materials 0.000 description 2
- GRVFOGOEDUUMBP-UHFFFAOYSA-N sodium sulfide (anhydrous) Chemical group [Na+].[Na+].[S-2] GRVFOGOEDUUMBP-UHFFFAOYSA-N 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000002696 acid base indicator Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 239000012670 alkaline solution Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及化工企业安全管理领域,具体涉及一种基于人工智能和物联网的危化企业五位一体安全管理方法。该方法采集车辆处置区域图像,通过检测溶液喷洒获得检测图像,得到第一泄露程度;获得未穿工作服人员的服装材料;获得人员携带的静电荷量;计算危险边权值并构建危险分布图;以危险源节点对危险区域进行划分并更新获得第二危险区域;通过第二危险区域中的危险边权值获得第一危险权重;通过人员操作动作信息和人员密度获得第二危险权重;通过有毒气体传感器信息获得第三危险权重;结合第一危险权重、第二危险权重和第三危险对企业各个区域进行安全管理。本发明通过多个区域的权重对企业内部进行实时有效的安全管理。
Description
技术领域
本发明涉及化工企业安全管理领域,具体涉及一种基于人工智能和物联网的危化企业五位一体安全管理方法。
背景技术
石化企业是国民经济的基础产业和支柱产业。但是近年来石化企业作为危化企业发生多起安全事故,造成的后果和损失让人触目惊心。在这些重大安全事故中往往是因为工作人员操作不规范、不遵守高危作业规则、原料存储设备破损等因素引起的。在危化企业中工作人员数量较多,有时无法做到完全的严格管理,对于工作人员自身产生的安全隐患如果没有及时发现会危害工作人员的人身安全,并且会对企业造成不好的风气影响和财产损失。对于一些危险状况没有及时了解到人员在岗情况,没有及时制定疏散措施和安全防护措施,都会使工作人员和企业造成不可估计的损失。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的危化企业五位一体安全管理方法,所采用的技术方案具体如下:
本发明实施例提出了一种基于人工智能和物联网的危化企业五位一体安全管理方法,所述方法包括:
采集车辆处置区域图像,当车辆进入所述车辆处置区域后对所述车辆喷洒检测溶液并采集所述车辆的检测图像;所述检测溶液使用易与化工材料发生颜色反应且安全的化学物质;根据所述检测图像发生颜色变化的区域大小获得第一泄露程度;
对所述车辆处置区域图像中的工作人员进行服装检测,获得未穿工作服人员的服装图像;利用所述服装图像中的褶皱信息对服装材料进行识别分类;
对所述未穿工作服人员进行关键点识别,将所述关键点作为节点相连接构成关键点完全图;以所述关键点完全图中的所述节点的距离变化信息获得静电增势;结合所述服装材料的静电摩擦系数以所述静电增势在检测时间内的累计获得静电荷量;
以所述未穿工作服人员作为静电源节点,以所述车辆作为危险源节点;连接所述静电源节点和所述危险源节点,获得第一节点距离;以所述静电源节点携带的所述静电荷量和所述第一节点距离之比作为危险边权值,根据所述危险边权值构建危险分布图;
根据所述危险源节点划分第一危险区域;以不同所述危险源节点之间的距离与所述第一泄露程度的乘积作为第一危险区域的区域更新指标;根据所述区域更新指标随着检测时间的累计对所述第一危险区域进行调整,获得第二危险区域;
所述第二危险区域内的所有所述静电源节点的所述危险边权值累加作为第一危险程度值;将每个所述第二危险区域内的所述危险程度值累加得到所述车辆处置区域的第二危险程度值;以所述第二危险程度值作为第一危险权重;
检测工作区域所述工作人员的操作动作与标准操作动作的相似度;检测所述工作区域内所述工作人员的人员密度;以所述相似度和所述人员密度获得第二危险权重;
通过有毒气体传感器获得气体泄露程度;获得气体泄露异常点到预设气体危险源的气体危险距离;以所述第二泄露程度和所述气体危险距离比值作为第三危险权重;
结合所述第一危险权重、所述第二危险权重和所述第三危险权重获得企业区域总体风险影响,根据所述总体风险影响对企业各个区域进行安全管理。
进一步地,所述根据所述检测图像发生颜色变化的区域大小获得第一泄露程度包括:
将所述检测图像转换至HSV颜色空间,若所述检测图像中所述车辆某一区域色度值在预设异常色度区间内,则认为发生泄露,该区域为泄露区域;
在连续多帧所述检测图像中以所述泄露区域纵向长度的初始时刻和终止时刻的变化量均值作为所述泄露区域增长程度;根据所述泄露区域面积和所述泄露区域增长程度获得所述第一泄露程度:
Q=ab+eΔb
其中,Q为所述第一泄露程度,a为所述泄露区域横向长度,b为所述泄露区域纵向长度,Δb为所述泄露区域增长程度。
进一步地,所述利用所述服装图像中的褶皱信息对服装材料进行识别分类包括:
将所述服装图像二值化处理获得服装二值图;对所述服装二值图进行边缘检测获得褶皱边缘;
利用连通域分析所述服装二值图中的黑色阴影区域,获得褶皱区域;以所述褶皱区域的灰度均值作为褶皱深度;
根据所述褶皱区域像素点信息获得褶皱区域长宽比:
其中,α为所述褶皱区域长宽比,m为像素点总行数,n为像素点总列数,lv为第v行对应的所述褶皱区域的长,wu为第u列对应的所述褶皱区域的宽;
以所述褶皱区域像素点到所述褶皱区域两端连线的距离均值作为褶皱曲折程度;
以所述褶皱边缘的个数、所述褶皱区域长宽比、所述褶皱深度和所述褶皱曲折程度获得静电产生概率值:
其中,P为所述静电产生概率值;N为所述褶皱边缘的个数,α为所述褶皱区域长宽比,为所述褶皱深度,/>为所述褶皱曲折程度;
以所述静电产生概率值获得所对应的所述服装材料。
进一步地,所述危险分布图调整方法包括以下步骤中的一种或多种:
当所述危险边权值小于预设危险边权值阈值时,在所述危险分布图中将所述静电源节点删除;
当所述静电源节点间距离小于预设静电源节点距离阈值时,通过所述静电源节点间的距离调整相关所述静电源节点的所述危险边权值;所述静电源节点间距离越小,所述危险边权值越大。
进一步地,所述以所述关键点的距离变化信息获得静电增势包括:
以相邻帧中相同所述节点之间的距离变化作为节点信息;在终止帧时以所述节点之间的距离作为关联距离;若所述关联距离在预设的关联阈值内,则认为两个所述节点是关联节点;计算终止帧时关联节点之间的节点信息差;以所述节点信息差与所述关联距离计算节点间的节点边权值:
其中,o为所述节点边权值,Δd为所述节点信息差,dij为第i个所述节点与第j个所述节点的关联距离;
根据所述边权值为零的节点对所述完全图进行切分,获得多个子图;通过所述子图包含的信息获得子图静电增势:
其中,D为所述子图节点增势,d为所述子图的所有所述节点信息,o为所述节点边权值,n为所述子图的节点数;
以所有所述子图的所述子图静电增势的和作为所述静电增势。
进一步地,当所述未穿工作服人员周期性运动时,通过以下公式更新所述静电增势:
其中,为更新后的所述静电增势,/>为周期性运动前的所述静电增势,σ为相同的所述关键点完全图的个数。
进一步地,所述结合所述服装材料以所述静电增势在检测时间内的累计获得静电荷量通过以下公式计算所述静电荷量:
其中,q为所述静电荷量,ρ为所述服装材料对应的静电摩擦系数,为第K个所述关键点完全图的所述静电增势,N′为在时间内生成的所述关键点完全图个数。
进一步地,当所述未穿工作服人员未进入所述第二危险区域并对衣服接触时,调整所述静电荷量;调整方法包括:
将所述服装图像根据所述关键点分成多个衣服子区域;
以手部关键点接触到的所述衣服子区域的面积作为接触面积;以所述接触面积与所述服装图像的总面积的比值作为静电释放率;
所述静电荷量通过所述静电释放率释放静电后剩余的电荷量即为调整后的所述静电荷量。
进一步地,所述根据所述区域更新指标随着检测时间对所述第一危险区域进行调整通过以下公式进行调整:
r′=r×[1+Zt]
其中,r′为所述第二危险区域的半径,r为所述第一危险区域的半径,Z为所述第一危险区域,t为经历的检测时间间隔。
进一步地,所述检测所述工作区域内所述工作人员的人员密度包括:
对所述工作区域图像进行关键点检测,以头部关键点数量作为第一人员数量;通过射频识别设备根据所述工作人员的射频识别卡获得第二人员数量;以所述第一人员数量和所述第二人员数量的最大值与所述工作区域最大容纳人数的比值作为所述人员密度。
本发明具有如下有益效果:
1.本发明实施例通过对车辆泄露检测、人员服装检测、人员操作检测、人员密度检测和有毒气体检测五位一体全面检测的对危化企业内的安全隐患进行监控并及时处理反馈。根据不同区域的危险程度和综合影响能够做出合理的预警和相应措施。
2.本发明实施例通过不同区域的实时更新和调整,得到动态的危险权重,对不同区域的危险等级进行更新,保证工作人员能够及时得知危险区域和对应危险等级。最大限度保证企业和人员生命财产安全。
3.本发明实施例通过计算机视觉检测人员着装、人员操作和人员密度,能够对工作人员本身进行危险评估,可以规范危化企业人员管理制度,帮助企业排除未发生危险的安全隐患。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的危化企业五位一体安全管理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的危化企业五位一体安全管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的危化企业五位一体安全管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的危化企业五位一体安全管理方法流程图,该方法包括:
步骤S1:采集车辆处置区域图像,通过检测溶液喷洒获得检测图像,根据检测图像内的颜色信息获得第一泄露程度。
在危化企业中,化工原料运输车完成装卸过程需要到指定的车辆处置区域进行处理,如果车辆产生了泄露那么在运输过程中对工作人员和社会都会造成重大的危险隐患。
当车辆进入车辆处置区域时,通过目标检测算法获得车辆处置区域中车辆的包围框,当目标车辆的包围框大小满足包围框大小阈值且车辆传感器感应到车辆时表示车辆完全进入车辆处置区域。
对车辆敏感区域喷洒检测溶液,敏感区域如车辆的罐口和罐体连接处等较容易俯视受损的区域。检测溶液使用易与化工材料发生颜色反应且安全的化学物质。同时采集车辆当前的图像获得检测图像。根据检测图像发生颜色变化的区域大小获得第一泄露程度。在本发明实施例中为了保证检测图像的准确性,采用双监控探头对车辆两侧和顶部同时进行图像采集。
在本发明实施例中,检测溶液选用常用的石蕊溶液,石蕊溶液本身是紫色,作为酸碱指示剂,遇酸变红,遇碱变蓝,具有明显的颜色变化。
为了保证检测图像的质量,提高后续分析的准确度,对图像进行滤波去噪,去除图像中的噪声,同时对图像进行Gamma校正提高图像的对比度等预处理。
在本发明实施例中,将检测图像转换至HSV颜色空间来通过颜色信息获得第一泄露程度,具体包括:
通过以下公式将检测图像转换至HSV颜色空间:
V=MAX
其中,R为R通道的值,G为G通道的值,B为B通道的值,MAX为R,G,B三个分量的最大值,MIN为R,G,B三个分量的最小值,当MAX=MIN时,H表示纯灰色;当MAX=0时,S=0,没有色彩。H的范围为0°到360°,S的范围为0到1,V的范围为0到1。
在本发明实施例中,根据先验知识获得罐体颜色为白色,车辆运输的化工原料为强碱性溶液硫化钠,硫化钠易溶于水且暴露空气中会产生臭鸡蛋气味的有毒硫化氢气体。对检测图像进行色度分割,当检测图像中敏感区域H分量在异常色度区域内认为该敏感区域发生泄露,将该区域标记为1,其他区域内0,获得泄露区域。在本发明实施例中异常色度区间为H∈[240,260]。
在连续多帧检测图像中,以泄露区域纵向长度的初始时刻和终止时刻的变化量均值作为泄露区域增长程度。在本发明实施例中,三帧为一个检测周期,即泄露区域增长程度为:
其中,Δb为泄露区域增长程度,b3为终止时刻的泄露区域纵向长度,b1为初始时刻的泄露区域纵向长度。
根据泄露区域面积和泄露区域增长程度获得第一泄露程度:
Q=ab+eΔb
其中,Q为第一泄露程度,a为泄露区域横向长度,b为泄露区域纵向长度,Δb为泄露区域增长程度。
步骤S2:对车辆处置区域图像中的工作人员进行服装检测,获得未穿工作服人员的服装图像并对该服装类别进行识别。
在危化企业中处理工作时,工作人员会被要求穿相应的防护工作服来进行工作,防护工作服可以起到绝缘、防静电、保护皮肤等作用。如果不穿工作服进行作业很可能会因为自身产生的静电引燃工作区域中的化学物质导致爆炸等危险情况。
对车辆处置区域图像中的工作人员进行服装检测,在本发明实施例中使用深度卷积神经网络进行服装检测。获得未穿工作服人员及其服装图像。服装图像仅包含未穿工作服人员和服装的信息。深度神经网络具体包括:
1)训练数据为工作人员身穿工作服和其他服装的图像。采集15000张图像样本作为训练图像,将工作服像素标注为1,其他为0。
2)将数据按照8:2的比例划分测试集和训练集,将测试集中的训练数据和标注数据打乱归一化后送入网络进行训练,批次为20。
3)服装识别编码器使用多组池化操作对图像进行下采样,采集图像的深度语义特征,经过全连接层输出得到图像的特征向量。通过Softargmax函数将图像输出的特征向量分类,得到图像的类别标签,判断图像的服装类别。
4)采用交叉熵损失函数作为损失函数进行训练。
5)通过输出的混淆矩阵,计算缺陷图像的分类正确率,召回率,同时根据损失函数收敛曲线进行参数调节。
利用未穿工作服人员的服装图像中的褶皱信息对服装材料进行识别分类。具体包括:
将服装图像通过自适应阈值二值化处理,获得服装二值图。对服装二值图进行边缘检测获得褶皱边缘。需要说明的是,褶皱边缘内不包含服装外部边缘,只保留服装内部发生褶皱的边缘信息。在本发明实施例中,边缘检测算法采用Canny算子进行检测,能够较好的保留内部边缘信息。
因为服装图像的灰度信息受周围光照强度、光照方向等因素的影响,所以本发明实施例通过服装二值图的256个灰度级来对褶皱区域大小、形状和深度信息进行提取。
褶皱区域内灰度值较小,单个褶皱区域为一个黑色阴影区域,因此在服装二值图中获得连通的黑色阴影区域作为褶皱区域。以褶皱区域内的像素点灰度均值作为褶皱深度。
根据褶皱区域内像素点信息获得褶皱区域长宽比来表示褶皱区域大小:
其中,α为褶皱区域长宽比,m为像素点总行数,n为像素点总列数,lv为第v行对应的褶皱区域的长,wu为第u列对应的褶皱区域的宽。
以褶皱区域像素点到褶皱区域两端连线的距离均值作为褶皱曲折程度。褶皱曲折程度表现了褶皱区域的形状特征。
以褶皱边缘的个数、褶皱区域长宽比、褶皱深度和褶皱曲折程度获得静电产生概率值:
其中,P为静电产生概率值;N为褶皱边缘的个数,α为褶皱区域长宽比,为褶皱深度,/>为褶皱曲折程度。
将静电产生概率值归一化处理,通过静电产生概率值获得对应的服装材料。
步骤S3:通过未穿工作服人员的关键点信息获得该人员所携带的静电荷量。
因为运输车辆都会采用接地或者静电中和等装置防静电,当工作人员身穿工作服进行作业时也不会产生静电,但是未穿工作服人员在接触车辆时,往往会因为衣物的材料问题造成摩擦产生静电。
由于人的动作都是通过身体各个关键点联动完成的,每个动作都需要不同的关键点运动组成。通过检测未穿工作服人员的关键点,将关键点作为节点相连构成关键点完全图,根据关键点完全图中的节点之间距离变化信息获得静电增势,具体包括:
将关键点作为节点相连接构成关键点完全图。以相邻帧中相同节点之间的距离变化作为节点信息。在终止帧时以节点之间的距离作为关联距离,若关联距离在预设的关联阈值内,则认为两个节点是关联节点。关联距离的设置排除了关联关键点运动过程中,其他关键点对该过程的关联关键点的影响。在本发明实施例中,关联阈值等于3。
计算终止帧时关联节点之间的节点信息差,以节点信息差与关联距离计算节点间的节点边权值:
其中,o为节点边权值,Δd为节点信息差,dij为第i个节点与第j个节点的关联距离;
根据边权值为零的节点对完全图进行切分,获得多个子图。通过子图包含的信息获得子图静电增势:
其中,D为子图节点增势,d为子图的所有所述节点信息,o为所点边权值,n为子图的节点数;
以所有子图的子图静电增势的和作为静电增势。
未穿工作服人员进行周期性动作时,会得到完全相同的关键点完全图,通过以下公式更新静电增势:
其中,为更新后的静电增势,/>为周期性运动前的静电增势,σ为相同的关键点完全图的个数。
结合所述服装材料的静电摩擦系数以所述静电增势在检测时间内的累计获得静电荷量。具体通过以下公式计算静电荷量:
其中,q为静电荷量,v为服装材料对应的静电摩擦系数,为第K个关键点完全图的静电增势,N′为在检测时间内生成的关键点完全图个数。在本发明实施例中,v为通过先验知识获得的服装材料对应的静电摩擦系数。
需要说明的是,未穿工作服人员身上携带静电荷,当未穿工作服人员接触到衣物时,会产生静电释放,静电释放会将携带的静电荷量部分释放到空气中,因此在未穿工作服人员没有进入到第二危险区域情况下,通过对未穿工作服人员动作的监控,调整静电荷量:
将服装图像根据关键点分成多个衣服子区域。以手部关键点接触到的衣服子区域的面积作为接触面积。以接触面积与服装图像的总面积的比值作为静电释放率。
静电荷量通过静电释放率释放静电后剩余的电荷量即为调整后的静电荷量。
步骤S4:以未穿工作服人员作为静电源节点,以车辆作为危险源节点获得危险边权值。
以未穿工作服人员作为静电源节点,以车辆作为危险源节点。连接静电源节点和危险源节点,获得第一节点距离。以静电源节点携带的静电荷量和第一节点距离之比作为危险边权值,根据所述危险边权值构建危险分布图。
危险分布图调整方法包括:
1)当危险边权值小于预设危险边权值阈值时,在危险分布图中将静电源节点删除。
2)当静电源节点间距离小于预设静电源节点距离阈值时,通过静电源节点间的距离调整相关静电源节点的所述危险边权值。静电源节点间距离越小,危险边权值越大。具体调整方法通过以下公式进行调整:
其中,∈′为调整后的边权值,∈为调整前的边权值,dnow为静电源节点间的距离,
z为静电源节点距离阈值。
危险分布图可以将节点信息可视化,更加方便和直观的展现出静电源节点和危险源节点之间的关系。
步骤S5:对危险区域进行划分并实时更新,获得第二危险区域。
根据危险源节点划分第一危险区域。在本法实施例中,以危险源节点为中心,1米为半径的圆形区域作为划分的第一危险区域。
以不同所述危险源节点之间的距离与所述第一泄露程度的乘积作为区域更新指标。需要说明的是,本发明实施例设置危险源距离阈值,当两个危险源节点距离小于危险源距离阈值时将所划分的第一危险区域合并,当超过该阈值则认为是独立的危险区域。
根据区域更新指标随着时间对第一危险区域进行调整,获得第二危险区域。具体包括:
r′=r×[1+Zt]
其中,r′为第二危险区域的半径,r为第一危险区域的半径,Z为第一危险区域,t为经历的检测时间间隔。
步骤S6:通过第二危险区域内危险边权值获得第一危险权重。
以第二危险区域内的所有静电源节点的危险边权值的和为第一危险程度值。将不同第二危险区域内的危险程度值累加得到车辆处置区域的第二危险程度值。以第二危险程度值作为第一危险权重。
需要说明的是,当前区域的湿度也会对静电的危险产生影响,因此第一危险权重可表示为:
其中,ω1为所述第一危险权重,β为湿度传感器获得的空气湿度因子,Zout表示危险程度值。
步骤S7:通过人员操作动作信息和人员密度获得第二危险权重。
危化企业中工作人员对于一些工作内容的操作动作必须要规范严谨,否则会造成不可估计的人身安全危害和财产损失。将标准操作动作图像作为训练图像,对工作区域中工作人员的实时操作动作通过孪生网络进行识别和评估,输出动作的相似度。当相似度小于预设的相似度阈值时认为出现了异常动作。在本发明实施例中相似度阈值设置为80。
在工作区域中保证工作区域的人员密度大小对于人员疏散具有重要的影响。且危化企业工作区域需严谨管理,不允许出现串岗等情况。
对工作区域图像进行关键点检测,以头部关键点数量作为第一人员数量。通过射频识别设备根据工作人员的射频识别卡获得第二人员数量。以第一人员数量和第二人员数量的最大值与工作区域最大容纳人数的比值作为人员密度。第一人员数量与第二人员数量的差即为流动人数,流动人数可能是相关领导也可能是工作人员串岗,可以根据数据统计对不同情况进行验证,保证在岗人员都在对应的工作区域,避免不必要的危险和麻烦。
以相似度和人员密度获得第二危险权重:
其中,ω2为第二危险权重,Score为相似度,ρ为人员密度。
步骤S8:通过有毒气体传感器信息获得第三危险权重。
有毒气体泄露可以通过多个传感器获得,当存放有毒气体的反应釜或者其他装置的气压传感器信息发生异常,有毒气体检测传感器发生异常等情况时,确定异常点。将周边易燃易爆点、易发生化学反应点等作为危险源。以各个传感器的数值归一化并相加融合后作为第二泄露程度,计算异常点与危险源的气体危险距离,以第二泄露程度和气体危险距离的比值作为第三危险权重:
其中,ω3为第三危险权重,E为第二泄露程度,L为异常点与危险源距离。
步骤S9:结合第一危险权重、第二危险权重和第三危险权重获得企业区域总体风险影响,根据总体风险影响对企业各个区域进行安全管理。
通过危化企业包含的危险源危害程度,危险源数量,安全管理难度等因素为企业内部进行风险等级分区。在本发明实施例中,通过数据中控平台将企业从高到低划分为五个风险等级区域,分别为重大风险区、较大风险区、中等风险区、一般风险区和低等风险区,并用红橙黄绿青五中颜色进行标注,实现风险等级可视化。
将第一危险权重、第二危险权重和第三危险权重归一化处理,将权重融合到不同区域获得企业总区域的风险影响。根据风险影响和不同区域的危险权重为风险等级区域的等级进行实时更新,根据风险等级及时制定安全疏散措施和设备安全措施,最大保证人员人身和财产安全。
综上所述,本发明实施例通过对辆泄露检测、人员服装检测、人员操作检测、人员密度检测和有毒气体检测五位一体全面检测对危化企业内部生成多个权重。通过权重对企业内部危险等级进行调整,可以及时的得知危险区域和危险等级,做出合理的人员疏散和安全管理措施。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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。
Claims (8)
1.一种基于人工智能和物联网的危化企业五位一体安全管理方法,其特征在于,所述方法包括:
采集车辆处置区域图像,当车辆进入所述车辆处置区域后对所述车辆喷洒检测溶液并采集所述车辆的检测图像;所述检测溶液使用易与化工材料发生颜色反应且安全的化学物质;根据所述检测图像发生颜色变化的区域大小获得第一泄露程度;
对所述车辆处置区域图像中的工作人员进行服装检测,获得未穿工作服人员的服装图像;利用所述服装图像中的褶皱信息对服装材料进行识别分类;
对所述未穿工作服人员进行关键点识别,将所述关键点作为节点相连接构成关键点完全图;以所述关键点完全图中的所述节点的距离变化信息获得静电增势;结合所述服装材料的静电摩擦系数以所述静电增势在检测时间内的累计获得静电荷量;
以所述未穿工作服人员作为静电源节点,以所述车辆作为危险源节点;连接所述静电源节点和所述危险源节点,获得第一节点距离;以所述静电源节点携带的所述静电荷量和所述第一节点距离之比作为危险边权值,根据所述危险边权值构建危险分布图;
根据所述危险源节点划分第一危险区域;以不同所述危险源节点之间的距离与所述第一泄露程度的乘积作为第一危险区域的区域更新指标;根据所述区域更新指标随着检测时间的累计对所述第一危险区域进行调整,获得第二危险区域;
所述第二危险区域内的所有所述静电源节点的所述危险边权值累加作为第一危险程度值;将每个所述第二危险区域内的所述危险程度值累加得到所述车辆处置区域的第二危险程度值;以所述第二危险程度值作为第一危险权重;
检测工作区域所述工作人员的操作动作与标准操作动作的相似度;检测所述工作区域内所述工作人员的人员密度;以所述相似度和所述人员密度获得第二危险权重;
通过有毒气体传感器获得气体泄露程度,以各个传感器的数值归一化并相加融合后作为第二泄露程度;获得气体泄露异常点到预设气体危险源的气体危险距离;以所述第二泄露程度和所述气体危险距离比值作为第三危险权重;
结合所述第一危险权重、所述第二危险权重和所述第三危险权重获得企业区域总体风险影响,根据所述总体风险影响对企业各个区域进行安全管理;
所述根据所述检测图像发生颜色变化的区域大小获得第一泄露程度包括:
将所述检测图像转换至HSV颜色空间,若所述检测图像中所述车辆某一区域色度值在预设异常色度区间内,则发生泄露,该区域为泄露区域;
在连续多帧所述检测图像中以所述泄露区域纵向长度的初始时刻和终止时刻的变化量均值作为所述泄露区域增长程度;根据所述泄露区域面积和所述泄露区域增长程度获得所述第一泄露程度:
Q=ab+eΔb
其中,Q为所述第一泄露程度,a为所述泄露区域横向长度,b为所述泄露区域纵向长度,Δb为所述泄露区域增长程度;
将检测图像转换至HSV颜色空间并根据颜色信息获得第一泄露程度,包括:
将检测图像转换至HSV颜色空间的公式为:
V=MAX
其中,R为R通道的值,G为G通道的值,B为B通道的值,MAX为R,G,B三个分量的最大值,MIN为R,G,B三个分量的最小值,当MAX=MIN时,H表示纯灰色;当MAX=0时,S=0,没有色彩;H的范围为0°到360°,S的范围为0到1,V的范围为0到1;
对检测图像进行色度分割,当检测图像中敏感区域H分量在异常色度区域内时,敏感区域发生泄露,将敏感区域标记为1,其他区域内0,获得泄露区域,其中,异常色度区间为H∈[240,260];
在连续多帧检测图像中,将泄露区域纵向长度的初始时刻和终止时刻的变化量均值作为泄露区域增长程度,三帧为一个检测周期,泄露区域增长程度为:
其中,Δb为泄露区域增长程度,b3为终止时刻的泄露区域纵向长度,b1为初始时刻的泄露区域纵向长度;
所述利用所述服装图像中的褶皱信息对服装材料进行识别分类包括:
将所述服装图像二值化处理获得服装二值图;对所述服装二值图进行边缘检测获得褶皱边缘;
利用连通域分析所述服装二值图中的黑色阴影区域,获得褶皱区域;以所述褶皱区域的灰度均值作为褶皱深度;
根据所述褶皱区域像素点信息获得褶皱区域长宽比:
其中,α为所述褶皱区域长宽比,m为像素点总行数,n为像素点总列数,lv为第v行对应的所述褶皱区域的长,wu为第u列对应的所述褶皱区域的宽;
以所述褶皱区域像素点到所述褶皱区域两端连线的距离均值作为褶皱曲折程度;
以所述褶皱边缘的个数、所述褶皱区域长宽比、所述褶皱深度和所述褶皱曲折程度获得静电产生概率值:
其中,P为所述静电产生概率值;N为所述褶皱边缘的个数,α为所述褶皱区域长宽比,为所述褶皱深度,/>为所述褶皱曲折程度;
以所述静电产生概率值获得所对应的所述服装材料。
2.根据权利要求1所述的一种基于人工智能和物联网的危化企业五位一体安全管理方法,其特征在于,所述危险分布图调整方法包括以下步骤中的一种或多种:
当所述危险边权值小于预设危险边权值阈值时,在所述危险分布图中将所述静电源节点删除;
当所述静电源节点间距离小于预设静电源节点距离阈值时,通过所述静电源节点间的距离调整相关所述静电源节点的所述危险边权值;所述静电源节点间距离越小,所述危险边权值越大。
3.根据权利要求1所述的一种基于人工智能和物联网的危化企业五位一体安全管理方法,其特征在于,所述以所述关键点的距离变化信息获得静电增势包括:
以相邻帧中相同所述节点之间的距离变化作为节点信息;在终止帧时以所述节点之间的距离作为关联距离;若所述关联距离在预设的关联阈值内,则认为两个所述节点是关联节点;计算终止帧时关联节点之间的节点信息差;以所述节点信息差与所述关联距离计算节点间的节点边权值:
其中,o为所述节点边权值,Δd为所述节点信息差,dij为第i个所述节点与第j个所述节点的关联距离;
根据所述边权值为零的节点对所述完全图进行切分,获得多个子图;通过所述子图包含的信息获得子图静电增势:
其中,D为所述子图节点增势,d为所述子图的所有所述节点信息,o为所述节点边权值,n为所述子图的节点数;
以所有所述子图的所述子图静电增势的和作为所述静电增势。
4.根据权利要求3所述的一种基于人工智能和物联网的危化企业五位一体安全管理方法,其特征在于,当所述未穿工作服人员周期性运动时,通过以下公式更新所述静电增势:
其中,为更新后的所述静电增势,/>为周期性运动前的所述静电增势,σ为相同的所述关键点完全图的个数。
5.根据权利要求1所述的一种基于人工智能和物联网的危化企业五位一体安全管理方法,其特征在于,所述结合所述服装材料以所述静电增势在检测时间内的累计获得静电荷量通过以下公式计算所述静电荷量:
其中,q为所述静电荷量,ρ为所述服装材料对应的静电摩擦系数,为第K个所述关键点完全图的所述静电增势,N′为在时间内生成的所述关键点完全图个数。
6.根据权利要求1所述的一种基于人工智能和物联网的危化企业五位一体安全管理方法,其特征在于,当所述未穿工作服人员未进入所述第二危险区域并对衣服接触时,调整所述静电荷量;调整方法包括:
将所述服装图像根据所述关键点分成多个衣服子区域;
以手部关键点接触到的所述衣服子区域的面积作为接触面积;以所述接触面积与所述服装图像的总面积的比值作为静电释放率;
所述静电荷量通过所述静电释放率释放静电后剩余的电荷量即为调整后的所述静电荷量。
7.根据权利要求1所述的一种基于人工智能和物联网的危化企业五位一体安全管理方法,其特征在于,所述根据所述区域更新指标随着检测时间对所述第一危险区域进行调整通过以下公式进行调整:
r′=r×[1+Zt]
其中,r′为所述第二危险区域的半径,r为所述第一危险区域的半径,Z为所述第一危险区域,t为经历的检测时间间隔。
8.根据权利要求1所述的一种基于人工智能和物联网的危化企业五位一体安全管理方法,其特征在于,所述检测所述工作区域内所述工作人员的人员密度包括:
对所述工作区域图像进行关键点检测,以头部关键点数量作为第一人员数量;通过射频识别设备根据所述工作人员的射频识别卡获得第二人员数量;以所述第一人员数量和所述第二人员数量的最大值与所述工作区域最大容纳人数的比值作为所述人员密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317602.XA CN113052070B (zh) | 2021-03-23 | 2021-03-23 | 一种基于人工智能和物联网的危化企业五位一体安全管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317602.XA CN113052070B (zh) | 2021-03-23 | 2021-03-23 | 一种基于人工智能和物联网的危化企业五位一体安全管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052070A CN113052070A (zh) | 2021-06-29 |
CN113052070B true CN113052070B (zh) | 2024-02-13 |
Family
ID=76515327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110317602.XA Active CN113052070B (zh) | 2021-03-23 | 2021-03-23 | 一种基于人工智能和物联网的危化企业五位一体安全管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052070B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591711B (zh) * | 2021-07-30 | 2022-07-19 | 沭阳县华源米业股份有限公司 | 一种基于人工智能的粮仓危险源安全监测方法及系统 |
CN113642896B (zh) * | 2021-08-16 | 2022-07-12 | 江苏动泰运动用品有限公司 | 基于人工智能的健身房安全风险预警方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132881A (zh) * | 2017-05-04 | 2017-09-05 | 广东小天才科技有限公司 | 一种静电释放方法、智能穿戴设备和计算机可读存储介质 |
CN107195056A (zh) * | 2017-06-26 | 2017-09-22 | 宁夏京能宁东发电有限责任公司 | 重大危险源区域的门禁系统及门禁方法 |
KR102093477B1 (ko) * | 2018-10-26 | 2020-03-25 | 오토아이티(주) | 이종 카메라 기반의 위험지역 안전관리 방법 및 장치 |
CN211050712U (zh) * | 2019-09-17 | 2020-07-21 | 上海君子兰新材料股份有限公司 | 手触式人体静电防爆释放器 |
CN112071032A (zh) * | 2020-07-23 | 2020-12-11 | 青岛欧赛斯环境与安全技术有限责任公司 | 一种危险化学品重大危险源报警分级管理系统 |
CN112180854A (zh) * | 2020-09-15 | 2021-01-05 | 江苏谷德运维信息技术有限公司 | 一种基于物联网的化工企业安全生产管理系统 |
-
2021
- 2021-03-23 CN CN202110317602.XA patent/CN113052070B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132881A (zh) * | 2017-05-04 | 2017-09-05 | 广东小天才科技有限公司 | 一种静电释放方法、智能穿戴设备和计算机可读存储介质 |
CN107195056A (zh) * | 2017-06-26 | 2017-09-22 | 宁夏京能宁东发电有限责任公司 | 重大危险源区域的门禁系统及门禁方法 |
KR102093477B1 (ko) * | 2018-10-26 | 2020-03-25 | 오토아이티(주) | 이종 카메라 기반의 위험지역 안전관리 방법 및 장치 |
CN211050712U (zh) * | 2019-09-17 | 2020-07-21 | 上海君子兰新材料股份有限公司 | 手触式人体静电防爆释放器 |
CN112071032A (zh) * | 2020-07-23 | 2020-12-11 | 青岛欧赛斯环境与安全技术有限责任公司 | 一种危险化学品重大危险源报警分级管理系统 |
CN112180854A (zh) * | 2020-09-15 | 2021-01-05 | 江苏谷德运维信息技术有限公司 | 一种基于物联网的化工企业安全生产管理系统 |
Non-Patent Citations (1)
Title |
---|
危险源企业风险评价指标体系的构建;肖亮;;统计与决策(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052070A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052070B (zh) | 一种基于人工智能和物联网的危化企业五位一体安全管理方法 | |
CN111144263B (zh) | 一种建筑工人高坠事故预警方法及装置 | |
CN111445524B (zh) | 基于场景理解的施工现场工人不安全行为识别方法 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN110532852A (zh) | 基于深度学习的地铁站行人异常事件检测方法 | |
CN108038424B (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN112149514B (zh) | 一种施工作业人员的安全着装检测方法及系统 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN106412501A (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
CN107798336A (zh) | 一种红外测温图像部件识别方法 | |
CN111127849B (zh) | 一种综合考虑气象及化工厂周边区域的事故预警方法 | |
CN111401685A (zh) | 有限空间作业安全风险监控方法 | |
Song et al. | Deformable YOLOX: Detection and rust warning method of transmission line connection fittings based on image processing technology | |
CN111931573A (zh) | 基于yolo进化深度学习模型的安全帽检测与预警方法 | |
CN111582084A (zh) | 基于弱监督学习的空基视角下的铁轨异物检测方法及系统 | |
CN117079082A (zh) | 一种智能视觉图像目标物的检测方法、装置及dmc设备 | |
CN117151478A (zh) | 一种基于卷积神经网络的化工企业风险预警方法及系统 | |
CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
CN115909645A (zh) | 一种车间生产安全预警系统和预警方法 | |
CN114445041A (zh) | 一种危化品在途事故应急处理方法及系统 | |
CN111523750A (zh) | 一种基于泛在电力物联网的水电厂危险源识别马甲 | |
Yang et al. | Infrared image change detection of substation equipment in power system using Random Forest | |
CN113792658A (zh) | 一种全过程智能监测的动火作业闭环自动管控方法及系统 | |
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 |
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 |