CN113469098B - 一种有机危化品泄漏智能可视化监测装置 - Google Patents

一种有机危化品泄漏智能可视化监测装置 Download PDF

Info

Publication number
CN113469098B
CN113469098B CN202110790172.3A CN202110790172A CN113469098B CN 113469098 B CN113469098 B CN 113469098B CN 202110790172 A CN202110790172 A CN 202110790172A CN 113469098 B CN113469098 B CN 113469098B
Authority
CN
China
Prior art keywords
leakage
time
image data
intelligent
uncertainty
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
Application number
CN202110790172.3A
Other languages
English (en)
Other versions
CN113469098A (zh
Inventor
师吉浩
朱渊
陈国明
殷晓康
李俊杰
王仕超
谢伟康
王晴
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202110790172.3A priority Critical patent/CN113469098B/zh
Publication of CN113469098A publication Critical patent/CN113469098A/zh
Application granted granted Critical
Publication of CN113469098B publication Critical patent/CN113469098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明提供了一种有机危化品泄漏智能可视化监测装置，属于有机危化品泄漏监测技术领域。其技术方案为：一种有机危化品泄漏智能可视化监测装置，包括红外光学元件、计算推理模块；所述计算推理模块包括微机平台及计算推理单元；所述红外光学元件实时感应监测视频数据；所述微机平台的内部嵌入智能监测模型，所述计算推理单元加速所述智能监测模块计算推理并输出计算结果，通过运行在所述微机平台上的数据处理程序对所述智能模型所输出的计算结果进行分析计算，输出可视化的识别定位结果，并实时传输至所述显示报警模块。本发明的有益效果为：本装置能够实现有机危化品泄漏智能可视化监测，能够自动识别及定位有机危化品泄漏区域。

Description

一种有机危化品泄漏智能可视化监测装置
技术领域
本发明涉及有机危化品泄漏监测技术领域，尤其涉及一种有机危化品泄漏智能可视化监测装置。
背景技术
有机危化品泄漏是化工园区火灾、爆炸和中毒等重大化工事故的主要危险源。一旦发生有机危化品泄漏，极易引发多米诺连锁重大事故灾难，造成巨大的人员伤亡、经济损失及环境污染，影响化工安全生产和社会秩序稳定。因此，有必要针对化工园区涉及有机危化品关键区域进行实时在线监测，实现有机危化品泄漏快速提前预警响应。
目前，化工园区采用的有机危化品泄漏监测方式主要分为两类：其一是在园区关键区域布置电化学式、催化燃烧式及激光光谱式等监测传感器，根据预先设定报警阈值进行泄漏识别报警，无法直观反映有机危化品泄漏扩散空间分布，准确率低，误报率高；另一类是通过气体光学成像仪来实现有机危化品泄漏可视化成像，需要人工操作来识别有机危化品泄漏，耗费人力且无法实现自动智能识别，效率低下，准确率低，难以满足实时在线监测需求。
发明内容
针对上述现有技术中的问题，本发明的目的在于提供一种有机危化品泄漏智能可视化监测装置，嵌入有深度学习的智能模型，实现有机危化品泄漏智能监测，能够输出实时监测视频，自动识别及定位有机危化品泄漏区域，为工业园区生产运营和社会稳定提供安全保障。
本发明是通过如下技术方案实现的：一种有机危化品泄漏智能可视化监测装置，包括红外光学元件、计算推理模块、信息传输模块、显示报警模块；
所述计算推理模块包括微机平台及计算推理单元；
所述红外光学元件实时感应获取有机危化品区域的监测视频数据并通过数据线与所述微机平台连接；
所述微机平台的内部嵌入智能监测模型，所述微机平台调取所述监测视频数据，并通过运行在所述微机平台上的图像分帧程序，按照时间顺序、以固定间隔对所述监测视频数据进行分帧，获取原始时序图像数据并输入至所述智能监测模型,所述计算推理单元加速所述智能监测模型进行计算推理并输出计算结果，所述微机平台根据所述计算结果进行有机危化品泄漏识别及泄漏区域定位，并实时输出所述监测视频数据及识别定位结果；
所述显示报警模块通过所述信息传输模块与所述微机平台连接。
所述微机平台能够调控所述监测视频数据在各模块间传输，并通过运行在所述微机平台上的数据处理程序对所述智能模型所输出的计算结果进行分析计算，最终能够输出监测视频数据和可视化的识别定位结果，并通过所述信息传输模块实时传输至所述显示报警模块。
所述智能监测模型为深度学习智能模型，所述计算推理单元采用人工智能加速芯片，加速所述智能监测模型计算分析过程，快速获取计算结果，能够显著提高本装置的实时性。
进一步，所述计算结果具体为：通过所述智能监测模型的计算推理所输出的重建时序图像数据以及对应的不确定性热图；
所述识别及区域定位具体为：所述微机平台根据所述原始时序图像数据和所述重建时序图像数据的重建误差，实时构建正常分数曲线，根据预先设定的阈值识别有机危化品的泄漏，根据所述不确定性热图确定危化品泄漏区域可视化定位信息。在无泄漏正常场景下，不确定性数值较大的区域通常集中于被监测区域的相关设备本体结构上，区域分布离散不连续，这是由于设备本体结构的红外成像特征与危化品泄漏红外特征相近造成的；在危化品泄漏初期，不确定性数值较大区域逐渐向外扩展，分布连续，表明此时泄漏的有机危化品在向四周扩散；在危化品泄漏后期，不确定性数值较大的区域连续稳定分布至最大区域，表明此时危化品泄漏已达稳定阶段，通过上述不确定性热图可视化效果，可以准确快速定位危化品泄漏扩散区域。
运行在所述微机平台上的数据处理程序可以利用开源语言Python开发，对所述智能监测模型输出的所述重建时序图像数据及所述不确定性热图进行计算分析，能够同时对有机危化品的泄漏进行识别和定位，所述智能监测模型智能化水平高，更加高效，大大降低了后期数据处理程序及应用软件的开发周期。
进一步，所述智能监测模型是一种基于深度学习自监督理论和贝叶斯不确定性理论的混合时空自编码模型ConvGRUConv2D，由基于K-means方法提取的大量表征区别于泄漏异常的正常无泄漏场景时空特征的时序图像数据进行训练开发，建立正常无泄漏场景下输入的时序图像数据和输出的重建的时序图像数据的非线性映射关系y＝fw(x)，当所述智能监测模型输入为所述监测视频数据对应的所述原始时序图像数据，输出则为所述重建时序图像数据及对应量化所述重建时序图像数据的所述不确定性热图。
进一步，所述智能监测模型计算推理的具体过程为：
步骤S1：设置所述智能监测模型针对每次输入的所述原始时序图像数据的计算推理次数为n，输入的所述原始时序图像数据在时间t、位于图像位置(x,y)处的像素强度为I(x,y,t)；
步骤S2：根据所述智能监测模型输入与输出的非线性映射关系y＝fw(x)，在所述智能监测模型的第i次计算推理中输出的所述重建时序图像数据在时刻t、位于图像位置(x,y)处的像素强度为
Figure BDA0003160781280000031
则所述智能监测模型输出的所述重建时序图像数据在时刻t、位置(x,y)处的像素强度为：
Figure BDA0003160781280000032
步骤S3：则所述智能监测模型输出的所述重建时序图像数据在时间t、位于图像位置(x,y)处的不确定性热值为：
Figure BDA0003160781280000033
步骤S4：根据公式(1)在所有时刻t、位于所有位置(x,y)的像素强度构建所述重建时序图像数据；
步骤S5：根据公式(2)在所有时刻t、位于所有位置(x,y)的不确定性热值构建所述不确定性热图；
举例说明，可以设置n＝10，即所述智能模型针对每个时刻的所述原始时序图像数据进行10次计算推理，则输出10个与所述重建时序图像数据对应的像素强度数值矩阵，求解10个所述像素强度数值矩阵的均值矩阵即为所述重建时序图像数据，求解所述重建时序图像数据的方差矩阵即为对应的不确定性热图。
进一步，所述识别及区域定位中的识别是指通过建立正常分数曲线来完成识别有机危化品的泄漏，正常分数曲线建立的具体过程为：
S1：设置输入的所述原始时序图像数据和对应输出的所述重建时序图像数据在时刻t处的图像重建误差为：
Figure BDA0003160781280000041
S2：从时刻t起，共n帧图像序列的重建误差为：
Figure BDA0003160781280000042
S3：则时刻t起处所述监测视频时序图像数据的正常分数为：
Figure BDA0003160781280000043
进一步，所述识别及区域定位中的区域定位通过所述不确定性热图的建立来确定危化品泄漏区域可视化定位信息，所述不确定性热图建立的具体过程为：根据公式(2)，所述重建时序图像数据对应的所述不确定性热图是由所有位置(x,y)处的不确定性热值构成的数值矩阵，则对应时刻t、图像分辨率为(m，n)的不确定性热图为：
Figure BDA0003160781280000044
所述监测视频数据中危化品泄漏区域对应于所述不确定性热图上，表现为数值较高、颜色较深的区域，在正常无泄漏区域各个位置上数值较低，通过在同一显示尺度下的所述不确定性热图中颜色较深的区域定位泄漏异常区域。
进一步，根据所述正常分数曲线以及预先设定的阈值，来确定有机危化品泄漏并生成报警信息。
进一步，所述信息传输模块将所述监测视频数据、所述识别定位结果、所述报警信息均实时传输到所述显示报警模块；所述识别定位结果包括所述正常分数曲线及所述不确定性热图。
所述显示报警模块包括可视化终端及报警器，能够进行可视化显示，同时针对有机危化品泄漏发生进行报警。
进一步，所述信息传输模块包括无线网卡、有线通讯链路，连接所述微机平台与所述显示报警模块，实时接收传输所述监测视频数据及所述识别定位结果，支持5G网络快速数据传输，确保实时在线监测效果。
进一步，所述红外光学元件是一种红外气体成像感应元件，包括光学感应镜头、光电转换电路，数据传输接口，通过数据线实时输出所述监测视频数据到所述微机平台。
进一步，所述微机平台内部嵌有所述红外光学元件的数据驱动，能够控制所述红外光学元件启动，获取实时的所述监测视频数据。
进一步，还包括有其他附加模块，包括但不限于数据连接线、防护外壳、固定装置、供电装置，分别用于提供监测装置的数据传输、外壳防护、位置固定以及电力支持等多种非核心功能支持。
本发明的有益效果为：本发明融合深度学习智能模型、Python开发程序与红外光学元件、微机平台，构建了一种用于化工园区有机危化品泄漏智能可视化监测装置，相比传统传感器监测方式，本发明直观真实反映有机危化品泄漏扩散时空分布，智能报警及泄漏定位，准确率高、误报率低；相比传统光学成像监测，本发明摒弃了人工操作判断，可实现实时在线监测，智能自动报警并定位，高效精确；智能监测模型能够同时完成识别及定位有机危化品的泄漏，智能化水平高，训练数据简单，更加高效，大大简化了工作流程，降低了后期数据处理程序及应用软件的开发周期；可视化效果好，泄漏区域一目了然；本发明制作成本低，装置操作简单高效，监测结果准确，智能化水平高，适宜于进行化工园区关键区域长期实时在线监测，确保化工园区生产运行安全。
附图说明
图1为本发明的整体结构框图。
图2为计算推理模块的工作流程图。
图3为实施例三中的深水半潜式油气钻井平台整体结构。
图4为针对图3中深水半潜式油气钻井平台整体结构的密闭泄漏空间。
图5为实施例三中的不同泄漏阶段输出正常分数曲线。
图6为对应图5不同泄漏阶段的红外感应的原始时序图像数据。
图7为对应图6不同泄漏阶段的不确定性热图。
图8为对应图7中的泄漏中心点的不确定性热值的变化曲线。
其中，附图标记为：1、计算推理模块、10、微机平台；11、智能监测模型；12、计算推理单元；2、红外光学元件；3、信息传输模块；4、显示报警模块。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。
实施例一，参见图1，本发明是通过如下技术方案实现的：一种有机危化品泄漏智能可视化监测装置，包括红外光学元件2、计算推理模块1、信息传输模块3、显示报警模块4；
计算推理模块1包括微机平台10及计算推理单元12；
红外光学元件2实时感应获取有机危化品区域的监测视频数据并通过数据线与微机平台10连接；
微机平台10的内部嵌入智能监测模型11，微机平台10调取监测视频数据，并通过运行在微机平台10上的图像分帧程序，按照时间顺序、以固定间隔对监测视频数据进行分帧，获取原始时序图像数据并输入至智能监测模型11,计算推理单元12加速智能监测模型11进行计算推理并输出计算结果，微机平台10根据计算结果进行有机危化品泄漏识别及泄漏区域定位，并实时输出监测视频数据及识别定位结果；
显示报警模块4通过信息传输模块3与微机平台10连接。
其中微机平台10能够调控监测视频数据在各模块间传输，并通过运行在微机平台10上的数据处理程序对智能模型所输出的计算结果进行分析计算，最终输出监测视频数据及可视化的识别定位结果，并通过信息传输模块3能够实时传输至显示报警模块4；
智能监测模型11为深度学习智能模型，计算推理单元12采用人工智能加速芯片，加速智能监测模型11计算分析过程，快速获取计算结果，能够显著提高本装置的实时性。
进一步，智能模型所输出的计算结果具体为：通过智能监测模型11的计算推理所输出的重建时序图像数据以及对应的不确定性热图；
识别及区域定位具体为：微机平台10根据原始时序图像数据和重建时序图像数据的重建误差，实时构建正常分数曲线，根据预先设定的阈值识别有机危化品的泄漏，根据输出的不确定性热图确定危化品泄漏区域可视化定位信息；在无泄漏正常场景下，不确定性数值较大的区域集中于监测区域的相关设备的本体结构上，区域分布离散不连续，这是由于设备结构本体的红外成像特征与危化品泄漏红外特征相近造成的；在危化品泄漏初期，不确定性数值较大区域逐渐向外扩展，分布连续，表明此时泄漏的有机危化品在向四周扩散；在危化品泄漏后期，不确定性数值较大的区域连续稳定分布至最大区域，表明此时危化品泄漏已达稳定阶段，通过上述不确定性热图的可视化效果，可以准确快速定位危化品泄漏扩散区域。
运行在微机平台10上的数据处理程序可以利用开源语言Python开发，对智能监测模型11输出的重建时序图像数据及不确定性热图进行计算分析，能够同时对有机危化品的泄漏进行识别和定位，智能监测模型11智能化水平高，更加高效，大大降低了后期数据处理程序及应用软件的开发周期。
进一步，智能监测模型11是一种基于深度学习自监督理论和贝叶斯不确定性理论的混合时空自编码模型ConvGRUConv2D，由基于K-means方法提取的大量表征区别于泄漏异常的正常无泄漏场景时空特征的时序图像数据进行训练开发，建立正常无泄漏场景下输入的时序图像数据和输出的重建的时序图像数据的非线性映射关系y＝fw(x)，当智能监测模型11输入为监测视频数据的原始时序图像数据，输出则为对应的重建时序图像数据及对应量化重建时序图像数据的不确定性热图。
进一步，智能监测模型11的计算推理的具体过程为：
步骤S1：设置智能监测模型11针对每次输入的原始时序图像数据的计算推理次数为n，输入的原始时序图像数据在时间t、位于图像位置(x,y)处的像素强度为I(x,y,t)；
步骤S2：根据智能监测模型11输入与输出的非线性映射关系y＝fw(x)，在智能监测模型11的第i次计算推理中输出的重建时序图像数据在时刻t、位于图像位置(x,y)处的像素强度为
Figure BDA0003160781280000071
则智能监测模型11的输出的重建时序图像数据在时刻t、位置(x,y)处的像素强度为：
Figure BDA0003160781280000072
步骤S3：则智能监测模型11输出的重建时序图像数据在时间t、位于图像位置(x,y)处的不确定性热值为：
Figure BDA0003160781280000081
步骤S4：根据公式(1)在所有时刻t、位于所有位置(x,y)的像素强度构建重建时序图像数据；
步骤S5：根据公式(2)在所有时刻t、位于所有位置(x,y)的不确定性热值构建不确定性热图。
举例说明，可以设置n＝10，即智能模型针对每个时刻的原始时序图像数据进行10次计算推理，则输出10个与重建时序图像数据对应的像素强度数值矩阵，求解10个像素强度数值矩阵的均值矩阵即为重建时序图像数据，求解重建时序图像数据的方差矩阵即为对应的不确定性热图。
进一步，识别及区域定位中的识别是指通过建立正常分数曲线来完成识别有机危化品的泄漏，正常分数曲线建立的具体过程为：
S1：设置输入的原始时序图像数据和对应输出的重建时序图像数据在时刻t处的图像重建误差为：
Figure BDA0003160781280000082
S2：从时刻t起，共n帧图像序列的重建误差为：
Figure BDA0003160781280000083
S3：则时刻t处监测视频时序图像数据的正常分数为：
Figure BDA0003160781280000084
进一步，识别及区域定位中的区域定位是指通过不确定性热图的建立来确定危化品泄漏区域可视化定位信息，不确定性热图建立的具体过程为：根据公式(2)，重建时序图像数据对应的不确定性热图是由所有位置(x,y)处的不确定性热值构成的数值矩阵，则对应时刻t、图像分辨率为(m，n)的不确定性热图为：
Figure BDA0003160781280000091
监测视频数据中危化品泄漏区域对应在不确定性热图上，表现为数值较高、颜色较深的区域，在正常无泄漏区域各个位置上数值较低，通过在同一显示尺度下的不确定性热图中颜色较深的区域定位泄漏异常区域。
进一步，根据正常分数曲线以及预先设定的阈值，来确定有机危化品泄漏并生成报警信息。
进一步，信息传输模块3将监测视频数据、识别定位结果、报警信息均实时传输到显示报警模块4；识别定位结果包括正常分数曲线及不确定性热图。
显示报警模块4包括可视化终端及报警器，能够进行可视化显示，同时针对有机危化品泄漏发生进行报警。
进一步，信息传输模块3包括无线网卡、有线通讯链路，连接微机平台10与显示报警模块4，实时接收传输监测视频数据及识别定位结果，支持5G网络快速数据传输，确保实时在线监测效果。
进一步，红外光学元件2是一种红外气体成像感应元件，包括光学感应镜头、光电转换电路，数据传输接口，通过数据线实时输出监测视频数据到微机平台10。
进一步，微机平台10内部嵌有红外光学元件2的数据驱动，能够控制红外光学元件2启动，获取实时的监测视频数据。
进一步，还包括有其他附加模块，包括但不限于数据连接线、防护外壳、固定装置、供电装置，分别用于提供监测装置的数据传输、外壳防护、位置固定以及电力支持等多种非核心功能支持。
实施例二，在实施例一的基础上，设置微机平台10具体为LattePanda Alpha开发板，其上配置有USB3.0数据传输接口、M.2NVME数据存储硬盘、Intel m3-8100Y双核处理器，千兆网卡通讯接口，外部连接红外光学元件2与信息传输模块3，内部嵌入红外光学元件2的数据驱动与智能监测模型11；计算推理单元12具体为高性能显示卡，型号为Nvidia2070super，通过PCI E3.0接口与开发板连接。
红外光学元件2采用制冷型红外气体成像感应元件，包括光学感应镜头、光电转换电路、数据传输接口，由数据传输接口通过数据线接至LattePanda Alpha开发板，实时传输监测视频数据。
如图2所示，计算推理模块1的具体工作步骤如下：
步骤S1、数据接收：LattePanda Alpha开发板通过光学元件数据驱动控制开启红外光学元件2，通过数据连接线实时接收监测视频数据，并将数据存储至硬盘中。
步骤S2、数据处理：LattePanda Alpha开发板同步运行图像分帧程序，实时处理接收监测视频数据，进行分帧处理获取原始时序图像数据。
步骤S3、计算推理：LattePanda Alpha开发板通过显示卡Nvidia 2070super同步加速智能监测模型11进行计算推理，原始时序图像数据输入至智能监测模型11，智能监测模型11输出重建时序图像数据与不确定性热图。
步骤S4、识别定位：LattePanda Alpha开发板上运行通过开源Python语言环境构建的监测视频时序图像数据正常分数实时输出程序，根据原始时序图像数据和重建时序图像数据的重建误差，实时构建正常分数曲线，根据预先设定的阈值识别有机危化品的泄漏，并生成报警信息；通过开源Python语言环境构建的不确定性热图实时输出程序输出不确定性热图，根据不确定性热图的可视化效果，判断不确定性热图数值高的区域，以定位有机危化品泄漏异常区域。
步骤S5、数据输出：LattePanda Alpha开发板通过网络通讯接口输出实时的监测视频数据与识别定位结果，诸如正常分数曲线和不确定性热图，以及报警信息。
其中信息传输模块3采用无线网卡或有线通讯链路，连接LattePanda Alpha开发板的网络输出接口，网络采用5G传输协议，快速传输实时监测视频数据、识别定位结果以及报警信息。
本实施例中的显示报警模块4包括可视化显示终端、报警器，可视化显示终端包括中控室显示器、电脑显示端与手机显示端中的一种或多种，接入信息传输模块3，可视化显示终端实时显示监测视频数据、正常分数曲线与不确定性热图，报警器根据接收的报警信息进行报警。
实施例三，为了更好的展示本发明对有机危化品泄漏智能可视化监测的效果，将实施例二的应用目标对象设定为深水半潜式油气钻井平台，采用丙烷作为泄漏危化品，模拟有机危化品泄漏的情况；如图3展示了深水半潜式油气钻井平台整体结构布局，其中在平台的四周搭起框架，并如图4所示，使用透明或半透明的薄膜将深水半潜式油气钻井平台整体结构罩起密封，形成一个密闭泄漏空间；从图3和图4中可以看出，深水半潜式油气钻井平台上的设备装置类型多样，障碍物布置密集，作为目标对象可以更好的反映出本发明实施例的危化品泄漏可视化识别与定位能力。
当设定的目标对象-深水半潜式油气钻井平台发生有机危化品泄漏时，本发明的实施例中的红外光学元件2将实时采集红外感应监测视频数据，LattePanda Alpha开发板实时接收红外感应监测视频数据，通过图像分帧程序来实时获取原始时序图像数据，智能监测模型11实时输入原始时序图像数据，通过显卡加速智能监测模型11计算推理并获取计算结果，经过信息传输模块3和显示报警模块4，实现识别结果及定位结果可视化显示；
其中本实施例中的智能监测模型11所用的训练数据集由六种工况下无泄漏正常场景图像序列数据构成，测试数据集由两种工况下无泄漏正常场景与危化品泄漏场景数据构成，通过测试数据集进行智能监测模型11准确率与鲁棒性验证测试。
通过智能监测模型11实时输入监测视频的原始时序图像数据，计算推理获取危化品泄漏识别定位结果。图5所示危化品泄漏识别可视化的不同泄漏阶段输出正常分数曲线，图中正常分数曲线是根据50帧正常无泄漏的原始时序图像数据、50帧泄漏初期的原始时序图像数据及50帧泄漏后期的原始时序图像数据的监测视频场景下计算推理得出的，从图中看出，本发明装置方法可以准确划分识别出危化品泄漏各个阶段，并给予准确合理正常分数进行监测场景是否正常量化。
图6所示为对应图5中A点、B点、C点等各点附近连续5帧的红外感应的原始时序图像数据，其中A点位于正常无泄漏阶段、B点位于泄漏初期阶段、C点处于泄漏后期阶段；图7所示为智能监测模型推理输出的与图6对应的连续5帧不确定性热图，可以清晰展示危化品泄漏区域，进行定位显示；图8为针对图7中的泄漏中心点展示的不确定性热值的变化曲线，可以看出变化趋势与图6相反，能够和危化品泄漏的各个阶段相对应；由图7和图8看出，在无泄漏正常场景下，不确定性数值较大的区域集中于深水半潜式油气钻井平台的结构装置上，区域分布离散不连续，这是由于设备装置的红外成像特征与危化品泄漏红外特征相近造成的；在危化品泄漏初期，不确定性数值较大区域逐渐向外扩展，分布连续，表明此时泄漏的有机危化品在向四周扩散；在危化品泄漏后期，不确定性数值较大的区域连续稳定分布至最大区域，表明此时危化品泄漏已达稳定阶段。通过上述不确定性热图可视化效果，可以准确快速定位危化品泄漏扩散区域。
根据本发明实施例的有机危化品泄漏可视化识别定位结果数据，采用AUC指标衡量危化品泄漏识别准确率，AUC可达95.06％，识别准确率高，并且智能监测模型11单次推理时间在30ms左右，可实现实时监测报警及可视化输出。
上述实施例三仅为了更好的展示本发明对有机危化品泄漏智能可视化监测的效果，并非将本发明的使用范围局限于深水半潜式油气钻井平台等海上平台，本发明适用范围广泛，能够对各种环境场合，比如地面结构、化工园区等存在有机危化品泄漏风险的区域进行智能可视化实时监测。
在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.一种有机危化品泄漏智能可视化监测装置，其特征在于，包括红外光学元件、计算推理模块、信息传输模块、显示报警模块；
所述计算推理模块包括微机平台及计算推理单元；
所述红外光学元件实时感应获取有机危化品区域的监测视频数据并通过数据线与所述微机平台连接；
所述微机平台的内部嵌入智能监测模型，所述微机平台调取所述监测视频数据，并通过图像分帧程序，按照时间顺序、以固定间隔对所述监测视频数据进行分帧，获取原始时序图像数据并输入至所述智能监测模型,所述计算推理单元加速所述智能监测模型进行计算推理并输出计算结果，所述微机平台根据所述计算结果有机危化品泄漏进行识别及区域定位，并实时输出所述监测视频数据及可视化的识别定位结果；
所述显示报警模块通过所述信息传输模块与所述微机平台连接；
所述计算结果具体为通过所述智能监测模型的计算推理所输出的重建时序图像数据以及对应的不确定性热图；
所述识别及区域定位具体为：所述微机平台根据所述原始时序图像数据和所述重建时序图像数据的重建误差，实时构建正常分数曲线，根据预先设定的阈值识别有机危化品的泄漏，根据所述不确定性热图确定危化品泄漏区域可视化定位信息；
所述智能监测模型是一种基于深度学习自监督理论和贝叶斯不确定性理论的混合时空自编码模型ConvGRUConv2D，由基于K-means方法提取的大量表征区别于泄漏异常的正常无泄漏场景时空特征的时序图像数据进行训练开发，建立正常无泄漏场景下输入的时序图像数据和输出的重建的时序图像数据的非线性映射关系y＝fw(x)；
所述智能监测模型计算推理的具体过程为：
步骤S1：设置所述智能监测模型针对每次输入的所述原始时序图像数据的计算推理次数为n，输入的所述原始时序图像数据在时间t、位于图像位置(x,y)处的像素强度为I(x,y,t)；
步骤S2：根据所述智能监测模型输入与输出的非线性映射关系y＝fw(x)，在所述智能监测模型的第i次计算推理中输出的所述重建时序图像数据在时刻t、位于图像位置(x,y)处的像素强度为
Figure FDA0003687212900000025
则所述智能监测模型的输出的所述重建时序图像数据在时刻t、位置(x,y)处的像素强度为：
Figure FDA0003687212900000021
步骤S3：则所述智能监测模型输出的所述重建时序图像数据在时间t、位于图像位置(x,y)处的不确定性热值为：
Figure FDA0003687212900000022
步骤S4：根据公式(1)在所有时刻t、位于所有位置(x,y)的像素强度构建所述重建时序图像数据；
步骤S5：根据公式(2)在所有时刻t、位于所有位置(x,y)的不确定性热值构建所述不确定性热图。
2.根据权利要求1所述的有机危化品泄漏智能可视化监测装置，其特征在于，所述识别及区域定位中的识别是指通过建立正常分数曲线来完成识别有机危化品的泄漏，正常分数曲线建立的具体过程为：
S1：设置输入的所述原始时序图像数据和对应输出的所述重建时序图像数据在时刻t处的图像重建误差为：
Figure FDA0003687212900000023
S2：从时刻t起，共n帧图像序列的重建误差为：
Figure FDA0003687212900000024
S3：则时刻t处对应所述监测视频时序图像数据的正常分数为：
Figure FDA0003687212900000031
3.根据权利要求1所述的有机危化品泄漏智能可视化监测装置，其特征在于，所述识别及区域定位中的区域定位是指通过所述不确定性热图的建立来确定危化品泄漏区域可视化定位信息，所述不确定性热图建立的具体过程为：根据公式(2)，所述重建时序图像数据对应的所述不确定性热图是由所有位置(x,y)处的不确定性热值构成的数值矩阵，则对应时刻t、图像分辨率为(m，n)的不确定性热图为：
Figure FDA0003687212900000032
所述监测视频数据中危化品泄漏区域对应在所述不确定性热图上，表现为数值较高、颜色较深的区域，在正常无泄漏区域各个位置上数值较低，通过在同一显示尺度下的所述不确定性热图中颜色较深的区域定位泄漏异常区域。
4.根据权利要求1所述的有机危化品泄漏智能可视化监测装置，其特征在于根据所述正常分数曲线以及预先设定的阈值，来确定有机危化品泄漏并生成报警信息。
5.根据权利要求4所述的有机危化品泄漏智能可视化监测装置，其特征在于,所述信息传输模块将所述监测视频数据、所述识别定位结果、所述报警信息均实时传输到所述显示报警模块；
所述显示报警模块包括可视化终端及报警器，能够进行可视化显示，同时针对有机危化品泄漏发生进行报警。
6.根据权利要求1所述的有机危化品泄漏智能可视化监测装置，其特征在于,所述信息传输模块包括无线网卡、有线通讯链路，连接所述微机平台与所述显示报警模块，实时接收传输所述监测视频数据及所述识别定位结果，支持5G网络快速数据传输，确保实时在线监测效果。
7.根据权利要求1所述的有机危化品泄漏智能可视化监测装置，其特征在于，所述微机平台内部嵌有所述红外光学元件的数据驱动，能够控制所述红外光学元件启动。
CN202110790172.3A 2021-07-13 2021-07-13 一种有机危化品泄漏智能可视化监测装置 Active CN113469098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110790172.3A CN113469098B (zh) 2021-07-13 2021-07-13 一种有机危化品泄漏智能可视化监测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110790172.3A CN113469098B (zh) 2021-07-13 2021-07-13 一种有机危化品泄漏智能可视化监测装置

Publications (2)

Publication Number Publication Date
CN113469098A CN113469098A (zh) 2021-10-01
CN113469098B true CN113469098B (zh) 2022-08-26

Family

ID=77879999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110790172.3A Active CN113469098B (zh) 2021-07-13 2021-07-13 一种有机危化品泄漏智能可视化监测装置

Country Status (1)

Country Link
CN (1) CN113469098B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998838B (zh) * 2022-06-24 2023-06-06 无锡赛弗安全装备有限公司 一种危化品智能存储柜实时监测方法与装置
CN117217536A (zh) * 2023-09-27 2023-12-12 北京泰策科技有限公司 危化品泄漏跨区域多尺度的多米诺效应综合分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447471A (zh) * 2015-12-04 2016-03-30 国网技术学院 基于红外检测的设备气体泄漏识别方法和装置
CN111696320A (zh) * 2020-06-15 2020-09-22 中国石油大学(华东) 一种早期气体泄漏智能可视化预警系统
CN111723720A (zh) * 2020-06-15 2020-09-29 中国石油大学(华东) 一种有机气体泄漏智能可视化实时在线监测系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101131095B1 (ko) * 2011-06-10 2012-04-02 주식회사 창성에이스산업 가스누설감지 시스템 및 방법
CN108170036A (zh) * 2017-12-12 2018-06-15 重庆第二师范学院 一种基于互联网的危化品智能管控系统及方法
CA3099173A1 (en) * 2018-05-03 2019-11-07 Quantum IR Technologies, LLC Infrared imaging systems and methods for gas leak detection
CN112287816B (zh) * 2020-10-28 2023-05-23 西安交通大学 一种基于深度学习的危险工作区事故自动检测报警方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447471A (zh) * 2015-12-04 2016-03-30 国网技术学院 基于红外检测的设备气体泄漏识别方法和装置
CN111696320A (zh) * 2020-06-15 2020-09-22 中国石油大学(华东) 一种早期气体泄漏智能可视化预警系统
CN111723720A (zh) * 2020-06-15 2020-09-29 中国石油大学(华东) 一种有机气体泄漏智能可视化实时在线监测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dynamic Bayesian network based approach for risk analysis of hydrogen generation unit leakage;YuanjiangChang et al;《International Journal of Hydrogen Energy》;20191008;第44卷(第48期);26665-26678页 *
UofC-Bayes: A Bayesian Approach to Visualizing Uncertainty in Radiation Data;Haysn Hornbeck et al;《2019 IEEE Conference on Visual Analytics Science and Technology (VAST)》;20200210;128-129页 *
基于红外成像技术的高温管道泄漏检测研究;张丽珍等;《第二届CCPS中国过程安全会议论文集》;20140828;385-390页 *

Also Published As

Publication number Publication date
CN113469098A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN113469098B (zh) 一种有机危化品泄漏智能可视化监测装置
CN109139115A (zh) 一种井下数据采集终端、处理系统及处理方法
CN115004270B (zh) 一种工业设备和装置的监控报警系统及方法
CN213518557U (zh) 一种城市消防物联网监控管理系统
CN111723720A (zh) 一种有机气体泄漏智能可视化实时在线监测系统
CN113206978B (zh) 油气管道站场安防智能监控预警系统及方法
CN117037406B (zh) 一种森林火灾智能化监控和预警系统
KR20200054733A (ko) 인공지능 자율비행 드론과 지능형 영상분석을 통한 시설 모니터링 시스템
CN106920241A (zh) 一种汽包水位监控方法、装置及系统
CN116187740A (zh) 一种输电线路沿线山火监测方法及系统
CN112446543A (zh) 基于神经网络的城市地下综合管廊风险管控系统及方法
CN117319451B (zh) 基于多模态大数据的城市级消防物联网监管系统及其方法
CN116966468A (zh) 智慧消防设备监管系统
CN115857536A (zh) 针对车间设备的无人机智能巡检方法、装置、设备及介质
CN210511074U (zh) 一种基于无人机遥感和深度学习的油气管道全智能巡检系统
CN113743015B (zh) 火灾场景数据获取方法、介质及电子设备
CN115793673A (zh) 一种基于vr技术的天然气场站机器人巡检方法和装置
CN112561151B (zh) 一种基于电网gis的电力应急处置安全预控智能识别方法
CN114463698A (zh) 一种变电站环境监控智能辅助系统
CN210246807U (zh) 一种基于bim的公路隧道实时监控系统
CN112145142A (zh) 一种压裂井场三维部署系统
CN106961586B (zh) 一种基于物联网的办公区安全监控系统
NL2030149B1 (en) A method and system for closed-loop automatic control for whole-process intelligent monitoring of fire activity operations
CN109272703A (zh) 一种基于ZigBee技术的火灾监测预警系统
CN115990327B (zh) 一种基于物联网的智能化消防管理系统

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