CN113115225B - 基于危险源监测与人员定位的电子围栏区域生成系统 - Google Patents
基于危险源监测与人员定位的电子围栏区域生成系统 Download PDFInfo
- Publication number
- CN113115225B CN113115225B CN202110381160.5A CN202110381160A CN113115225B CN 113115225 B CN113115225 B CN 113115225B CN 202110381160 A CN202110381160 A CN 202110381160A CN 113115225 B CN113115225 B CN 113115225B
- Authority
- CN
- China
- Prior art keywords
- danger
- source
- type
- sources
- article
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 9
- 239000002341 toxic gas Substances 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 8
- 230000016776 visual perception Effects 0.000 claims description 8
- 239000002360 explosive Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000003440 toxic substance Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 231100000331 toxic Toxicity 0.000 claims description 4
- 230000002588 toxic effect Effects 0.000 claims description 4
- 231100000614 poison Toxicity 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000004438 eyesight Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
- H04W4/022—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences with dynamic range variability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/22—Electrical actuation
- G08B13/24—Electrical actuation by interference with electromagnetic field distribution
- G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及计算机视觉技术领域，尤其涉及一种基于危险源监测与人员定位的电子围栏区域生成系统，包括视觉感知模块、数据分析模块、隐患评估模块和围栏动态生成模块，解决了现有的固定电子围栏无法根据环境状况实时、精准地调整围栏范围，安全性较差，且成本较高的问题。本发明对危险源状态及趋势等进行综合分析，可以对多种重大危险源实施有效地监控，降低了危险发生率；本发明生成的虚拟电子围栏与定位技术有机动态结合，根据各热度分实现自动分级报警，且无需人工布置虚拟电子围栏，设置方便快捷，大大减少了成本及安防人员的工作量，同时能够根据危险程度实时调整有效区域，显著提高了危险区域的安全防护效率。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于危险源监测与人员定位的电子围栏区域生成系统。
背景技术
电子围栏是目前常用的防盗报警系统，其利用无线移动网络和电子信息技术，实现了对特定区域或人员的精确管控，以及特定区域内的无线屏蔽和通讯管制等，为人员管控有效设置了可行区域及禁行区域。
但是，现有的电子围栏，比如：关于危险源管控的电子围栏，大多数都是固定有形的，其用于铺设的电子设备成本较高，且当相关人员进入电子围栏中无危险区域时，也会被系统提醒进入危险区域，从而引起人员的慌乱，另外，其不能根据环境动态调整围栏范围，存在一定的安全隐患。
发明内容
本发明提供一种基于危险源监测与人员定位的电子围栏区域生成系统，解决的技术问题是，现有的固定电子围栏无法根据环境状况实时、精准地调整围栏范围，安全性较差，且成本较高。
为解决以上技术问题，本发明提供了一种基于危险源监测与人员定位的电子围栏区域生成系统，包括视觉感知模块、数据分析模块、隐患评估模块和围栏动态生成模块；
所述视觉感知模块，用于将采集的图像输入第一神经网络，得到物品危险源及信号危险源的包围框；
所述数据分析模块，用于任选一类物品危险源，对其所有包围框的中心点进行聚类，得到危险簇，根据其离散点与最近邻边界点的距离，得到此类物品危险源的波及度，并统计任意两个危险簇的核心点距离及任一危险簇的核心点与其所有边界点的距离，以获取此类物品危险源的类别类型值，根据各个类别类型值、信号危险源频数及危险源数量，获取任意两个危险源的相关类型值，将物品危险源、信号危险源的包围框视作节点，连接最近邻节点构成无向图，根据节点间距离、交并比和相关类型值，得到边权值，对包含至少两条边的节点的边权值进行量化，得到相关评估值，根据波及度、相关评估值和核心点数量，获取危险状态指标；
所述隐患评估模块，用于根据信号危险源的包围框，得到信号源面积，以获取信号危险指标和危险趋势指标；
所述围栏动态生成模块，用于将危险状态指标、信号危险指标和危险趋势指标输入第二神经网络，获取围栏范围和风险等级，并根据其进行分级报警。
进一步地，所述危险源包括所述物品危险源以及所述信号危险源；
所述物品危险源包括毒害类物品危险源、易燃易爆类物品危险源以及腐蚀类物品危险源；
所述信号危险源包括火焰类信号危险源、毒气类信号危险源以及腐蚀液体类信号危险源。
更进一步地，所述物品危险源的类别类型值的具体获取过程包括：
对任一类物品危险源，根据其任意两个危险簇的核心点距离以及任一危险簇的核心点与其所有边界点的距离，得到此类物品危险源的密集度，依次获取其它类物品危险源的密集度，根据各类物品危险源的密集度，得到各类物品危险源的类别类型值。
进一步地，所述各类物品危险源的类别类型值为：
[w1，w2，w3]＝softmax[z1，z2，z3]+[1，1，1]
式中，w1表示毒害类物品危险源的类别类型值，w2表示易燃易爆类物品危险源的类别类型值，w3表示腐蚀类物品危险源的类别类型值，z1表示毒害类物品危险源的密集度，z2表示易燃易爆类物品危险源的密集度，z3表示腐蚀类物品危险源的密集度。
进一步地，所述根据各个类别类型值、信号危险源频数及危险源数量，获取任意两个危险源的相关类型值，具体为：
根据各类物品危险源的类别类型值，得到各个物品危险源的物品类型值；
将任意两个物品危险源的物品类型值乘积，作为任意两个物品危险源之间的相关类型值；
利用皮尔逊相关系数，根据一定时期内各类信号危险源的频数，计算得到任意两个信号危险源之间的相关类型值；
统计一定时期内各类物品危险源以及各类信号危险源单位时间内的数量，并利用皮尔逊相关系数得到单个物品危险源与单个信号危险源之间的相关类型值。
更进一步地，任一所述物品危险源的物品类型值等于其对应类的类别类型值。
进一步地，所述边权值为：
H＝(L+E)*Q
式中，H表示节点之间的边权值，L表示归一化后的两个危险源包围框的中心点距离，E表示两个危险源包围框的交并比，Q表示两个危险源的相关类型值。
进一步地，所述分级报警具体包括：
根据人员的定位坐标以及围栏范围实时获取人员热度分；
根据风险等级获取初始热度分，并计算围栏衰减热度分；
根据初始热度分、人员热度分、危险趋势指标以及围栏衰减热度分得到区域热度；
基于区域热度，利用地理信息系统平台进行分级报警。
更进一步地，在邻域距离内且至少含有最小包含点数的点为核心点；
在所述核心点的邻域距离内且非核心点的点为边界点；
既不是核心点也不是边界点的点为离散点。
更进一步地，第一神经网络采用危险源监测编码器-危险源监测解码器架构；
第二神经网络采用时序编码器-全连接层架构。
本发明提供的一种基于危险源监测与人员定位的电子围栏区域生成系统，通过聚类算法及神经网络对危险源进行量化，可以精确地预测电子围栏的有效区域，解决了现有的固定电子围栏无法根据环境状况实时、精准地调整围栏范围，安全性较差，且成本较高的问题，本发明生成的虚拟电子围栏，无需建设实体电子围栏，不仅降低了成本以及人力资源，而且能够实现对每个人员、危险区域、作业过程等有效、实时地监控，本发明提供的系统，可以根据危险程度实时调整围栏范围，更灵活、更智能化，且检测结果准确可靠，大大提高了危险区域的安全防护效率，具有更为显著的经济效益和社会效益；另外，本发明通过不同的热度分进行分级报警，进一步提高了安全防范等级。
附图说明
图1是本发明实施例提供的一种基于危险源监测与人员定位的电子围栏区域生成系统的结构框图。
图形标注：
视觉感知模块1；数据分析模块2；
隐患评估模块3；围栏动态生成模块4。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
针对现有的固定电子围栏无法根据环境状况实时、精准地调整围栏范围，安全性较差，且成本较高的问题，本发明实施例提供了一种基于危险源监测与人员定位的电子围栏区域生成系统，如图1所示，包括视觉感知模块1、数据分析模块2、隐患评估模块3和围栏动态生成模块4；
所述视觉感知模块1采用广角摄像头实时监测管控区域的危险源，将采集到的危险源图像上传至互联网数据中心，同时将所述危险源图像输入第一神经网络，得到危险源包围框，本发明实施例主要针对化工园区的重大危险源进行分析；
其中，所述危险源包括物品危险源以及信号危险源；
所述危险源包围框包括物品危险源包围框以及信号危险源包围框；
所述物品危险源包括毒害类物品危险源、易燃易爆类物品危险源以及腐蚀类物品危险源；
所述信号危险源包括火焰类信号危险源、毒气类信号危险源以及腐蚀液体类信号危险源；其中，所述毒气类信号危险源为工业有颜色的气体，比如：二氧化硫、氯气。
在本实施例中，所述第一神经网络采用危险源监测编码器-危险源监测解码器架构，所述第一神经网络的具体训练过程为：
首先，对所述危险源图像中的危险源中心点及其包围框的长、宽尺寸进行标注，并将其与高斯核卷积得到标签图像，其中，每一类危险源的中心点标注在同一个通道，每张所述危险源图像生成n个标签图像，n为危险源的类型数量，在本实施例中，n＝6，即所述标签图像包括：毒害类物品危险源标签图像、易燃易爆类物品危险源标签图像、腐蚀类物品危险源标签图像、火焰类信号危险源标签图像、毒气类信号危险源标签图像以及腐蚀液体类信号危险源标签图像；
然后，利用经归一化处理后的所述危险源图像以及所述标签图像，端到端地训练危险源监测编码器、危险源监测解码器，得到危险源热力图以及预测的危险源包围框长、宽，本实施例采用由中心点预测损失与危险源尺寸损失得到的损失函数，进行网络训练，其中，所述中心点预测损失为：
式中，CenterLoss表示中心点预测损失，K表示危险源图像中的危险源中心点个数，γxy表示预测的危险源热力图中x，y坐标的值，Yxy表示真实的危险源热力图中x，y坐标的值，x、y表示危险源中心点坐标，α、β表示超参数。
危险源尺寸损失为：
式中，SizeLoss表示危险源尺寸损失，S′k表示预测的危险源包围框的长和宽，Sk表示真实的危险源包围框的长和宽。
总损失函数为：
Total Loss＝CenterLoss+δ*SizeLoss
式中，Total Loss表示总损失函数，δ表示尺寸权重，本实施例优先选取δ＝0.1。
对危险源热力图以及预测的危险源包围框长、宽进行后处理，得到物品危险源包围框以及信号危险源包围框。
所述数据分析模块2任意选取一类物品危险源，对其包含的所有包围框的中心点进行DBSCAN密度聚类，得到此类物品危险源的若干危险簇，同时可得各个危险簇的核心点、边界点以及离散点；然后，对此类物品危险源的所有危险簇，计算各个离散点与最近邻边界点的距离的均值，得到此类物品危险源的波及度；
在本实施例中，所述核心点为在邻域距离内且至少含有最小包含点数的点；所述边界点为在所述核心点的邻域距离内且非核心点的点；既不是核心点也不是边界点的点为离散点；
所述数据分析模块2将各个物品危险源的包围框、信号危险源的包围框均视作节点，以所述危险源图像左上角的包围框为起始节点，连接最近邻节点构成无向图，并根据节点间距离、交并比和相关类型值，得到边权值；需要说明的是，若某一节点存在至少两个最近邻节点，此节点与这些最近邻节点均连接，并选取距离所述起始节点最近的最近邻节点进行后续连接；
在本实施例中，所述节点间距离为各个节点的中心点距离，所述节点间交并比为两个包围框交集与并集的比值，节点间相关类型值包括任意两个物品危险源、任意两个信号危险源、某个物品危险源与某个信号危险源之间的相关类型值，本实施例对两个不同危险源之间的相关类型值需要分别考虑；
首先，本实施例对任意两个物品危险源的相关类型值进行分析：
根据此类物品危险源中任意两个危险簇的核心点距离以及任一危险簇的核心点与其所有边界点的距离，得到此类物品危险源的密集度，依次获取其它类物品危险源的密集度，所述密集度具体为：
式中，Zi表示第i类物品危险源的密集度，A′u,j表示第u个核心点与第j个核心点的距离，A″u,m表示在所有危险簇中，第u个核心点与其领域距离内的第m个边界点的距离，Ui表示第i类物品危险源中的核心点数量，Mu表示第u个核心点领域距离内的边界点数量，τ1、τ2表示权重值，本实施例优先设置τ1＝0.6，τ2＝0.4。
根据各类物品危险源的密集度，计算各类物品危险源的类别类型值，即：
[w1，w2，w3]＝softmax[z1，z2，z3]+[1，1，1]
式中，w1表示毒害类物品危险源的类别类型值，w2表示易燃易爆类物品危险源的类别类型值，w3表示腐蚀类物品危险源的类别类型值，z1表示毒害类物品危险源的密集度，z2表示易燃易爆类物品危险源的密集度，z3表示腐蚀类物品危险源的密集度。
本发明实施例将所述类别类型值作为对应类中所有物品危险源的物品类型值，并将所有类物品危险源中任意两个物品危险源的物品类型值乘积，作为任意两个物品危险源之间的相关类型值；
其次，对任意两个信号危险源的相关类型值进行分析：
本实施例根据管控平台的存储数据，获取监控区域在一定时期内，各种信号危险源单位时间的频数，即某种信号危险源出现的次数，本实施例以天为单位，获取一周内火焰类信号危险源、毒气类信号危险源以及腐蚀液体类信号危险源的频数，将其构成形状为[3，7]的第一矩阵，同时对第一矩阵利用Pearson相关分析法，得到第一皮尔逊相关系数矩阵，所述第一皮尔逊相关系数矩阵反映了各种信号危险源之间的相关性，其元素的数值均在[-1，+1]之间，-1表示强烈负相关，+1表示强烈正相关，0表示不相关；由于存在负值，为了方便计算，将所述皮尔逊相关系数矩阵内的所有元素加一，得到第一类别相关系数矩阵，所述第一类别相关系数矩阵反映了任意两类信号危险源之间的相关性，根据第一类别相关系数矩阵，得到任意两个信号危险源之间的相关类型值，即任意两个信号危险源之间的相关类型值等于对应类之间的类别相关系数；
最后，对单个物品危险源与单个信号危险源的相关类型值进行分析：
为了更好地评估各个危险源之间的关系，本实施例还需对物品危险源与信号危险源之间的相关类型值进行分析：
本实施例根据管控平台的存储数据，以天为单位时间，统计监控区域一定时期内，各类物品危险源与信号危险源的数量，本实施例选取一周内的数据，将其构成形状为[6，7]的第二矩阵，同理，对第二矩阵利用Pearson相关分析法，以获取第二类别相关系数矩阵，所述第二类别相关系数矩阵反映了某类物品危险源与某类信号危险源之间的相关性，其元素的数值均在[0，+2]之间，根据第二类别相关系数矩阵获取某个物品危险源与某个信号危险源之间的相关类型值，即某个物品危险源与某个信号危险源之间的相关类型值等于对应类之间的类别相关系数；
至此，可得到各个危险源之间的相关类型值，本发明实施例从重大危险源管控区域监控的数据中寻找事故发生的相关性，从而实现对重大危险源的准确预警。
在本实施例中，所述边权值的计算公式为：
H＝(L+E)*Q
式中，H表示边权值，L表示归一化后的两个危险源包围框的中心点距离，E表示两个危险源包围框的交并比，Q表示两个危险源之间的相关类型值。
本发明实施例对包含至少两条边的节点的边权值进行量化，得到相关评估值，具体为：
式中，V表示相关评估值，Hp,d表示第p个节点连接的第d条边的边权值，P表示所述无向图中的节点数量，D表示某一个节点连接的边数。
根据波及度、相关评估值和核心点数量，获取危险状态指标，即：
式中，R1表示危险状态指标，其反映了危险源的实时状态；Ui表示第i类物品危险源中的核心点数量，其值越大，说明危险源堆积越密集，风险越高；Ci表示第i类物品危险源的波及度；χ1、χ2、χ3表示权重值，本实施例分别取值为0.37、0.25、0.38。
需要说明的是，对于上述计算过程，本领域技术人员也可利用深度估计，根据三维数据进行评估。
所述隐患评估模块3对危险源图像中的信号危险源包围框进行切割后，利用阈值法将其转换为二值图像，在二值图像中，若某点像素值为255，则表示此点为信号危险源；
统计各类信号危险源的面积，并根据其获取信号危险指标以及危险趋势指标，在本实施例中，各类信号危险源的面积等于对应类中信号危险源的个数；
所述信号危险指标为：
R2＝F′*η1+F″*η2+F″′*η3
式中，R2表示信号危险指标，F′、F″、F″′分别表示火焰类信号危险源的面积、毒气类信号危险源的面积、腐蚀液体类信号危险源的面积，η1、η2、η3表示，表示权重值，本实施例优先取值为优选值为η1＝0.38、η2＝0.33、η3＝0.29。
所述危险趋势指标为：
式中，R3表示危险趋势指标，其反映了信号危险源的扩散趋势，其值越大，说明监控区域的风险程度越大；F′N、F″N、F″′N表示火焰类信号危险源的当前帧面积、毒气类信号危险源的当前帧面积、腐蚀液体类信号危险源的当前帧面积；F′N-1、F″N-1、F″′N-1表示火焰类信号危险源的上一帧面积、毒气类信号危险源的上一帧面积、腐蚀液体类信号危险源的上一帧面积。
所述围栏动态生成模块4将危险状态指标、信号危险指标和危险趋势指标输入第二神经网络，获取围栏范围和风险等级；其中，第二神经网络采用时序编码器-全连接层架构，网络具体训练过程为：
将所述危险状态指标、信号危险指标和危险趋势指标输入时序编码器中，形状为[B，T，g]，其中，B为网络输入的样本批次，T为样本采集周期，g为输入的指标，时序编码器提取特征后，将得到的特征向量输入全连接层，全连接层进行特征拟合后，输出虚拟电子围栏的半径及风险等级，在本实施例中，全连接层应设计至少两层，以保证将特征张量充分映射至特征空间，电子围栏的半径、风险等级标签数据均通过人为标注，在本实施例中，风险等级标签数据分为0～3级，分别对应正常、较低、中等、严重；第二神经网络为多任务型网络，不同的任务采用的损失函数不同，风险等级的评估采用交叉熵损失函数，半径的评估采用均方误差损失函数；
将所有危险源包围框的中心点通过K均值聚类算法，得到聚类中心坐标，利用投影变换将聚类中心坐标投影至GIS地图中，投影点作为电子围栏的中心点，同时根据电子围栏的半径获取围栏范围，本实施例生成的电子围栏为虚拟电子围栏，本领域技术人员可根据具体实施情况设置聚类数目，比如：可根据待获取的电子围栏数目设置聚类数目。
本发明实施例根据围栏范围、风险等级以及危险趋势指标进行分级报警，具体为：
本发明实施例利用定位技术和人员标签卡实时获取人员的定位坐标，根据人员的定位坐标以及围栏范围实时获取人员热度分，本实施例设置初始的人员热度分为0，每检测到一位人员的定位坐标位于电子围栏范围内，人员热度分增加五分；其中，定位技术包括但不限于UWB定位、蓝牙定位，本领域技术人员可根据实际情况选取；
根据风险等级获取初始热度分，在本实施例中，风险等级0～3级分别对应的初始热度分为0分、20分、30分、40分，人员定位产生的热度分，即人员定位技术得到的人员坐标位于电子围栏区域时产生的热度分，每有一位人员进入，初始热度分增加五分。
计算围栏动态热度分，以反映危险源的动态趋势，由于危险趋势指标是对信号危险源趋势进行动态评估的，因此，本实施例将所述危险趋势指标作为围栏动态热度分；
计算围栏衰减热度分，即电子围栏产生之后，每保持一分钟，围栏衰减热度分增加一分，在本实施例中，电子围栏是具有较强时效性的区域，围栏衰减热度分随着时间的增加而增加，所述围栏衰减热度分的初始值为0。
计算区域热度：
G＝e1+e2+e3-e4
式中，G表示区域热度，e1表示初始热度分，e2表示人员热度分，e3表示围栏动态热度分，e4表示围栏衰减热度分。
本发明实施例将采集到的危险源图像、人员定位坐标等信息输入GIS(地理信息系统)平台，并通过GIS平台进行电子围栏的分析与可视化展示，从而实现对化工园区内的管控区域危险源的实时监测和危险性评估，本实施例根据区域热度，在GIS平台上对电子围栏区域进行警示，比如：通过不同频率的警示灯发出提醒，并将其推送至智能设备，以及时提醒所有人员注意安全。
本发明实施例提供的一种基于危险源监测与人员定位的电子围栏区域生成系统，通过视觉感知模块1、数据分析模块2、隐患评估模块3和围栏动态生成模块4，解决了现有的固定电子围栏无法根据环境状况实时、精准地调整围栏范围，安全性较差，且成本较高的问题，本实施例实现了化工园区虚拟电子围栏的自动实时生成及人员行为的自动监测，降低了事故发生率，提高了现场作业人员的安全性，本实施例生成的虚拟电子围栏能够根据风险等级实时调整有效区域，且无需人工布置虚拟电子围栏，不仅节省了大量的人力、财力，而且管控更加严格和准确，有利于大范围推广；本实施例利用GIS平台实现了安全检测信息的远程智能化管理，使得检测到的信息更直观。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于：包括视觉感知模块、数据分析模块、隐患评估模块和围栏动态生成模块；
所述视觉感知模块，用于将采集的图像输入第一神经网络，得到物品危险源及信号危险源的包围框；
所述数据分析模块，用于任选一类物品危险源，对其所有包围框的中心点进行聚类，得到危险簇，根据其离散点与最近邻边界点的距离，得到此类物品危险源的波及度，并根据任意两个危险簇核心点的距离及其与所有边界点的距离，获取此类物品危险源的类别类型值，根据各个类别类型值、信号危险源频数及危险源数量，获取任意两个危险源的相关类型值，将物品危险源、信号危险源的包围框视作节点，连接最近邻节点构成无向图，根据节点间距离、交并比和相关类型值，得到边权值，对包含至少两条边的节点的边权值进行量化，得到相关评估值，根据波及度、相关评估值和核心点数量，获取危险状态指标；
所述隐患评估模块，用于根据信号危险源的包围框，得到信号危险源面积，以获取信号危险指标和危险趋势指标；
所述围栏动态生成模块，用于将危险状态指标、信号危险指标和危险趋势指标输入第二神经网络，获取围栏范围和风险等级，并根据其进行分级报警。
2.如权利要求1所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于：所述危险源包括所述物品危险源以及所述信号危险源；
所述物品危险源包括毒害类物品危险源、易燃易爆类物品危险源以及腐蚀类物品危险源；
所述信号危险源包括火焰类信号危险源、毒气类信号危险源以及腐蚀液体类信号危险源。
3.如权利要求1所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于，所述物品危险源的类别类型值的具体获取过程包括：
对任一类物品危险源，根据其任意两个危险簇的核心点距离以及任一危险簇的核心点与其所有边界点的距离，得到此类物品危险源的密集度，依次获取其它类物品危险源的密集度，根据各类物品危险源的密集度，得到各类物品危险源的类别类型值。
4.如权利要求3所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于，所述各类物品危险源的类别类型值为：
[w1，w2，w3]＝softmax[z1，z2，z3]+[1，1，1]
式中，w1表示毒害类物品危险源的类别类型值，w2表示易燃易爆类物品危险源的类别类型值，w3表示腐蚀类物品危险源的类别类型值，z1表示毒害类物品危险源的密集度，z2表示易燃易爆类物品危险源的密集度，z3表示腐蚀类物品危险源的密集度。
5.如权利要求1所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于，所述根据各个类别类型值、信号危险源频数及危险源数量，获取任意两个危险源的相关类型值，具体为：
根据各类物品危险源的类别类型值，得到各个物品危险源的物品类型值；
将任意两个物品危险源的物品类型值乘积，作为任意两个物品危险源之间的相关类型值；
利用皮尔逊相关系数，根据一定时期内各类信号危险源的频数，计算得到任意两个信号危险源之间的相关类型值；
统计一定时期内各类物品危险源以及各类信号危险源单位时间内的数量，并利用皮尔逊相关系数得到单个物品危险源与单个信号危险源之间的相关类型值。
6.如权利要求5所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于：任一所述物品危险源的物品类型值等于其对应类的类别类型值。
7.如权利要求6所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于，所述边权值为：
H＝(L+E)*Q
式中，H表示节点之间的边权值，L表示归一化后的两个危险源包围框的中心点距离，E表示两个危险源包围框的交并比，Q表示两个危险源的相关类型值。
8.如权利要求6所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于，所述分级报警具体包括：
根据人员的定位坐标以及围栏范围实时获取人员热度分；
根据风险等级获取初始热度分，并计算围栏衰减热度分；
根据初始热度分、人员热度分、危险趋势指标以及围栏衰减热度分得到区域热度；
基于区域热度，利用地理信息系统平台进行分级报警。
9.如权利要求1所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于：在邻域距离内且至少含有最小包含点数的点为核心点；
在所述核心点的邻域距离内且非核心点的点为边界点；
既不是核心点也不是边界点的点为离散点。
10.如权利要求1所述的一种基于危险源监测与人员定位的电子围栏区域生成系统，其特征在于：
第一神经网络采用危险源监测编码器-危险源监测解码器架构；第二神经网络采用时序编码器-全连接层架构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110381160.5A CN113115225B (zh) | 2021-04-09 | 2021-04-09 | 基于危险源监测与人员定位的电子围栏区域生成系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110381160.5A CN113115225B (zh) | 2021-04-09 | 2021-04-09 | 基于危险源监测与人员定位的电子围栏区域生成系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113115225A CN113115225A (zh) | 2021-07-13 |
| CN113115225B true CN113115225B (zh) | 2022-07-15 |
Family
ID=76715180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110381160.5A Active CN113115225B (zh) | 2021-04-09 | 2021-04-09 | 基于危险源监测与人员定位的电子围栏区域生成系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113115225B (zh) |
Families Citing this family (8)
| 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 |
| CN113642631B (zh) * | 2021-08-10 | 2022-07-12 | 沭阳协润电子有限公司 | 基于人工智能的危险区域电子围栏生成方法及系统 |
| CN113850965B (zh) * | 2021-09-16 | 2022-10-14 | 江苏垚鑫信息科技有限公司 | 一种高稳定性船用监控电子围栏 |
| CN114333229A (zh) * | 2021-12-06 | 2022-04-12 | 上海市安装工程集团有限公司 | 一种用于施工现场人员安全预警的方法 |
| CN114222249B (zh) * | 2021-12-15 | 2022-08-09 | 四川科瑞软件有限责任公司 | 基于地理位置的电子围栏监控方法和系统 |
| CN114257959B (zh) * | 2021-12-27 | 2023-04-25 | 中国科学技术大学 | 一种基于音频室内定位的自校准家庭监护方法及系统 |
| CN115050125B (zh) * | 2022-05-20 | 2023-08-29 | 劢微机器人科技(深圳)有限公司 | 基于2d相机的安全预警方法、装置、设备及存储介质 |
| CN117078022B (zh) * | 2023-10-16 | 2024-02-23 | 中钢集团武汉安全环保研究院有限公司 | 基于多源数据融合的钢铁厂区人员风险预警系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705842A (zh) * | 2019-09-16 | 2020-01-17 | 嘉兴恒云数据科技有限公司 | 基于多源数据融合的化工园区危险态势感知方法及系统 |
| CN112216049A (zh) * | 2020-09-25 | 2021-01-12 | 交通运输部公路科学研究所 | 一种基于图像识别的施工警戒区监测预警系统及方法 |
| CN112258362A (zh) * | 2020-09-27 | 2021-01-22 | 汉威科技集团股份有限公司 | 危险源识别方法、系统及可读存储介质 |
-
2021
- 2021-04-09 CN CN202110381160.5A patent/CN113115225B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705842A (zh) * | 2019-09-16 | 2020-01-17 | 嘉兴恒云数据科技有限公司 | 基于多源数据融合的化工园区危险态势感知方法及系统 |
| CN112216049A (zh) * | 2020-09-25 | 2021-01-12 | 交通运输部公路科学研究所 | 一种基于图像识别的施工警戒区监测预警系统及方法 |
| CN112258362A (zh) * | 2020-09-27 | 2021-01-22 | 汉威科技集团股份有限公司 | 危险源识别方法、系统及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于BIM与机器视觉技术结合的建筑施工危险区域入侵预警研究;王伟等;《安全与环境工程》;20200330(第02期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113115225A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113115225B (zh) | 基于危险源监测与人员定位的电子围栏区域生成系统 | |
| Musa et al. | A review of geospatial-based urban growth models and modelling initiatives | |
| Sun et al. | Applications of artificial intelligence for disaster management | |
| CN107945081B (zh) | 城市运行展现与监测预警系统 | |
| Thatcher et al. | Human factors and ergonomics systems-based tools for understanding and addressing global problems of the twenty-first century | |
| Harirchian et al. | ML-EHSAPP: A prototype for machine learning-based earthquake hazard safety assessment of structures by using a smartphone app | |
| CN113554540A (zh) | 一种海上危化品突发事故应急处理方法和系统 | |
| WO2016170551A2 (en) | Command and control system for optimal risk management | |
| CN112418571A (zh) | 企业环保综合评价的方法和装置 | |
| CN114925873A (zh) | 面向化工聚集区的实战化应急管理系统 | |
| CN113159473B (zh) | 一种大数据关联指标智能推荐模型及建模方法和建模装置 | |
| CN111539864A (zh) | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 | |
| Marasinghe et al. | Computer vision applications for urban planning: A systematic review of opportunities and constraints | |
| Murray et al. | Rapid assessment of mine rehabilitation areas with airborne LiDAR and deep learning: bauxite strip mining in Queensland, Australia | |
| Suder et al. | Minimizing environmental risks using fuzzy TOPSIS: Location selection for the ITU Faculty of Management | |
| You et al. | DMRVisNet: Deep multihead regression network for pixel-wise visibility estimation under foggy weather | |
| You et al. | PANDA: predicting road risks after natural disasters leveraging heterogeneous urban data | |
| Li et al. | An evaluation of factors influencing the community emergency management under compounding risks perspective | |
| Chang et al. | Safety risk assessment of electric power operation site based on variable precision rough set | |
| Alayed et al. | Real-Time Inspection of Fire Safety Equipment using Computer Vision and Deep Learning | |
| CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 | |
| Khan et al. | Assessment of indoor risk through deep learning-based object recognition in disaster situations | |
| Bouramdane | Enhancing disaster management in smart cities through MCDM-AHP analysis amid 21st century challenges | |
| Selvarathi et al. | A visualisation technique of extracting hidden patterns for maintaining road safety | |
| CN114266472A (zh) | 基于Spark的地铁站疏散风险分析方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Electronic Fence Area Generation System Based on Hazard Monitoring and Personnel Positioning Granted publication date: 20220715 Pledgee: Bank of China Limited Yixing branch Pledgor: Guoneng smart technology development (Jiangsu) Co.,Ltd. Registration number: Y2024980012078 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |