CN113591711B - 一种基于人工智能的粮仓危险源安全监测方法及系统 - Google Patents
一种基于人工智能的粮仓危险源安全监测方法及系统 Download PDFInfo
- Publication number
- CN113591711B CN113591711B CN202110873976.XA CN202110873976A CN113591711B CN 113591711 B CN113591711 B CN 113591711B CN 202110873976 A CN202110873976 A CN 202110873976A CN 113591711 B CN113591711 B CN 113591711B
- Authority
- CN
- China
- Prior art keywords
- source
- hazard
- risk
- danger
- index
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的粮仓危险源安全监测方法及系统。该方法通过获取粮仓区域的初始图像,识别出多个危险源及相应危险源类型的置信度;获取每个危险源的风险监控指标,并进一步得到辐射特征图;根据危险源对应的危险等级标签构建多个类别通道的数据分布图;在同一类别通道下,获取任意两个数据分布图之间的并集图,以及较大面积的数据分布图,由此获取差值图像,根据差值图像确定属于相同分类标准的危险源,将危险源类型、风监控指标和辐射特征图输入相同的目标神经网络,输出危险等级。利用本发明,可以使得目标神经网络对同一个分类标准的危险源的适应性更强,更加精确地得出每个危险源的安全隐患等级。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的粮仓危险源安全监测方法及系统。
背景技术
在日常的粮食存储及加工企业生产中,经常会出现火灾或者爆炸,一旦发生危险,会对整个企业的人员以及财产造成很大的损失,后果不堪设想。
为了保证粮食加工企业中的安全存储生产,需要对粮食加工企业生产区域内的危险源进行实时监测,由于工厂内部存在多种危险源,不同危险源的作业要求不同,正常作业区间不同,使得危险源安全隐患等级的判别方法不同,根据同一个机器学习网络判断危险程度的适应性较差。
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粮仓危险源安全监测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的粮仓危险源安全监测方法,该方法包括以下具体步骤:
获取粮仓区域的初始图像,所述初始图像包括多个危险源,识别所述初始图像中的多个危险源及相应的危险源类型的置信度;
获取每个所述危险源的风险监控指标,根据所述风险监控指标对所述初始图像中像素点的叠加影响得到辐射特征图;
通过所述危险源匹配对应目标神经网络,将所述置信度、所述风险监控指标和所述辐射特征图作为目标神经网络的输入,输出危险等级;
其中,所述通过所述危险源匹配对应目标神经网络的方法为:
根据待匹配的危险源对应的样本数据集中每个样本数据的危险等级标签构建数据分布图,所述数据分布图由多个按照危险等级标签划分的类别通道组成;
选取任意两个所述危险源的所述数据分布图,在同一所述类别通道下,获取两个所述数据分布图之间的并集图,以及较大面积的所述数据分布图;
获取所述并集图与较大面积的所述数据分布图的差值图像,根据所述差值图像确定两个所述危险源在同一所述类别通道下是否属于相同分类标准;
对于在每个类别通道下都属于相同分类标准的所述危险源,采用相同的目标神经网络进行检测;
其中,所述根据所述风险监控指标对所述初始图像中像素点的叠加影响得到辐射特征图的步骤,包括:
根据每个危险源的所述风险监控指标与像素点的距离得到所述像素点的风险叠加指标;
根据所述风险叠加指标与正常值区间进行比较,获取每个像素点对所述危险源的异常影响指标,将所述异常影响指标作为所述辐射特征图中相应像素点的像素值;
其中,根据待对应的危险源对应的样本数据集中每个样本数据的危险等级标签构建数据分布图的步骤,包括:
获取每个危险源对应的训练数据,所述训练数据包括所述危险源对应的置信度、风险监控指标和辐射特征图;
将所有危险源对应的训练数据整合为一个数据矩阵,所述数据矩阵的列数为所有危险源的训练数据的数量,所述数据矩阵的行数为训练数据中元素的维度之和;将所述数据矩阵的训练数据降至2维得到大小为[2,M]的矩阵,M为所述数据矩阵的列数,则每个危险源对应的训练数据的维度为2维,将每个危险源的训练数据映射至二维平面中得到对应的点,该点的像素值为所述危险源的对应训练数据的危险等级标签;
所述训练数据与所述危险等级标签为所述样本数据,根据所述危险源对应的样本数据集中所有的样本数据在二维平面中对应的点得到所述危险源的数据分布图。
优选的,所述根据所述差值图像确定两个所述危险源在同一所述类别通道下是否属于相同分类标准的步骤,包括:当所述差值图像中差异区域的面积为零时,则属于相同的分类标准;当所述差值图像中差异区域的面积不为零时,计算交集图与所述差值图像中差异区域的面积的比值,根据所述比值确定是否属于相同的分类标准。
优选的,所述获取每个像素点对所述危险源的异常影响指标的步骤,包括:
当像素点的所述风险叠加指标在经过欧式距离调节之后处于所述正常值区间时,所述异常影响指标为零;
当像素点的所述风险叠加指标在经过欧式距离调节之后小于所述正常值区间的最小值时,所述异常影响指标与所述风险叠加指标成负相关关系;
当像素点的所述风险叠加指标在经过欧式距离调节之后大于所述正常值区间的最大值时,所述异常影响指标与所述风险叠加指标成正相关关系;
所述欧式距离为像素点与所述危险源之间的欧式距离。
优选的,所述根据每个危险源的风险监控指标与像素点的距离得到所述像素点的风险叠加指标的步骤,还包括:
获取对于每个所述危险源的所述风险监控指标与所述危险源到所述像素点的距离的比值,对所有所述比值进行叠加,获取所述风险叠加指标。
优选的,所述危险源类型包括:热量型、湿度型、压力型以及振动型。
优选的,所述获取每个所述危险源的风险监控指标的方法,包括:
根据所述危险源的传感器得到传感器示数,将所述传感器示数作为对应所述危险源的所述风险监控指标。
第二方面,本发明另一个实施例提供了一种基于人工智能的粮仓危险源安全监测系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明实施例的有益效果在于:通过粮仓区域内每个危险源类型的置信度、风险监控指标以及危险源辐射特征图对目标神经网络进行训练,在对目标神经网络进行训练的过程中,通过每个危险源的数据分布图中并集图以及差值图像判别危险源是否属于同一个分类标准,对于同一分类标准下的危险源采用相同的神经网络进行检测,使得目标神经网络对同一个分类标准的危险源的适应性更强,更加精确地得出每个危险源的安全隐患等级。
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粮仓危险源安全监测方法流程图;
图2为本发明一个实施例所提供的一种基于人工智能的粮仓危险源安全监测方法的逻辑流程图;
图3为本发明一个实施例所提供的一种危险源匹配目标神经网络的方法流程图;
图4为本发明一个实施例所提供的一种目标神经网络的网络结构图。
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粮仓危险源安全监测方法及系统,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。
本发明实施例具体应用于粮仓企业的存储和加工中,粮仓加工主要包括:稻谷碾米、小麦制粉、玉米或杂粮的加工、植物油脂的提取和加工、植物蛋白质产品的生产和淀粉加工、粮油食品加工以及粮油加工副产品的综合利用。在粮仓企业加工生产过程中,用于存储的设备和加工设备均会存在安全隐患,将每一个存储设备和加工设备作为一个危险源,根据不同的情况判断不同危险源的安全隐患类型,从而达到更加及时准确监控的目的。
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粮仓危险源安全监测方法及系统的具体方案。
请参阅图1和图2,其示出了本发明一个实施例提供的基于人工智能的粮仓危险源安全监测的方法流程图和逻辑流程图,该方法具体包括:
步骤S100,获取粮仓区域的初始图像,初始图像包括多个危险源,识别初始图像中的多个危险源及相应的危险源类型的置信度。
具体的,在粮仓上方安装监控相机用于采集粮仓的全部区域的初始图像,将采集到的初始图像输入目标检测网络得到每一个危险源的类型和对应的包围框信息,其中目标检测网络的训练过程为:将采集到的初始图像作为网络的训练集;获得初始图像中每一个危险源对应的包围框信息,该包围框信息包括中心点坐标和宽高尺寸,将包围框信息经过one-hot处理后作为危险源的类别标签。
需要说明的是,目标检测网络可以用SSD和YOLO系列网络。
优选的,本发明实施例中通过YOLOV3网络来实现对危险源的目标检测。
进一步的,由于危险源的类型不同,所以对应的触发因素也不同,触发因素是危险源转化为事故的外部因素,每一类危险源都具有相应的敏感触发因素,如易燃易爆物质的主要影响因素是温度,压力容器的主要影响因素为压力,因此,需要对每一个危险源的类型进行判断。
本发明实施例中选取4种主要影响因素,分别为温度、湿度、压力以及设备振动的幅度和频率,不同的影响因素对应不同的危险源类型,所以根据影响因素划分危险源类型,危险源类型分为热量型、湿度型、压力型以及振动型四种,令危险源类别结果P=(p1,p2,p3,p4),其中,p1表示危险源属于热量型的置信度,p2表示危险源属于湿度型的置信度,p3表示危险源属于压力型的置信度,p4表示危险源属于振动型的置信度,且p1+p2+p3+p4=1。
步骤S200,获取每个危险源的风险监控指标,根据风险监控指标对初始图像中像素点的叠加影响得到辐射特征图。
由步骤S100中获取到的包围框信息确定每个危险源的位置信息,一般情况下,粮仓存储和加工环境中危险源的分布位置是固定的,因此根据危险源的位置信息可以获取危险源的身份信息,进而根据危险源附近安装的传感器得到危险源的传感器示数,将传感器示数作为对应危险源的风险监控指标,且将危险源i的风险监控指标记为Ai。
需要说明的是,风险监控指标是一个列向量,向量的维度与危险源类型的影响因素数量保持一致,每一维度的风险监控指标分别对应温度、湿度、压力以及振动的频率和幅度的传感器示数,因此本发明实施例中风险监控指标是一个4维度的列向量。
获取每一个危险源的位置信息以及对应的风险监控指标,进一步通过风险叠加指标获取危险源的辐射特征图;具体的:
需要说明的是,危险源的辐射特征图的通道数与危险源类型的数量一致,且每一个通道对应一个风险监控指标的维度,因此本发明实施例中危险源的辐射特征图是一个4通道的图像。
进一步的,构建目标危险源i的辐射特征图,以辐射特征图的第一通道图像为例进行详细描述:
1)根据每个危险源的风险监控指标与像素点的距离得到像素点的风险叠加指标。
具体的,获取初始图像中所有危险源所对应的第一维度风险监控指标,即温度的传感器示数,记危险源j的第一维度风险监控指标为利用反距离插值法得到危险源j对初始图像中像素点(x,y)的第一维度风险监控指标的影响程度,由于影响程度与危险源j和像素点(x,y)之间的欧式距离成反比,距离越近影响程度越大。则利用反距离插值法得到:
进一步地,分别获取所有危险源的第一维度风险监控指标对像素点(x,y)的影响程度,根据所有危险源所对应的影响程度获取像素点(x,y)的第一维度风险叠加指标,则第一维度风险叠加指标的计算公式为:
2)根据风险叠加指标与正常值区间进行比较,获取每个像素点对危险源的异常影响指标,将异常影响指标作为辐射特征图中第一通道图像的相应像素点的像素值。
具体的,该目标危险源i对任意像素点的第一维度风险叠加指标的正常值区间为由于每个像素点与危险源的距离越远时相应的影响程度越小,因此以每个像素点与该目标危险源i之间的欧式距离进行调节,则像素点(x,y)对目标危险源i的异常影响指标的计算方法如下:
其中,表示目标危险源i在第一维度下受到像素点(x,y)的异常影响指标;表示目标危险源i在第一维度下的置信度,即目标危险源i为热量型的置信度;A(x,y)1表示像素点(x,y)的第一维度风险叠加指标;表示像素点(x,y)到目标危险源i的欧式距离,距离越远对目标危险源i的影响程度越小。
需要说明的是,当危险源对任意像素点的风险叠加指标在经过欧式距离调节之后处于正常值区间时,异常影响指标为零;当危险源对任意像素点的风险叠加指标在经过欧式距离调节之后小于正常值区间的最小值时,异常影响指标与风险叠加指标成负相关关系;当危险源对任意像素点的风险叠加指标在经过欧式距离调节之后大于正常值区间的最大值时,异常影响指标与风险叠加指标成正相关关系。
4)基于相同的原理,通过步骤1)至步骤3)获取目标危险源i的另外三个通道的图像,从而获得四个通道下目标危险源i的辐射特征图Yi。
步骤S300,通过危险源对应目标神经网络,将置信度、风险监控指标和辐射特征图作为目标神经网络的输入,输出危险等级。
具体的,由步骤S100获取每一个危险源的风险监控指标A和危险源类别结果P=(p1,p2,p3,p4),由步骤S200获取每一个危险源的辐射特征图Y,将风险监控指标、置信度以及辐射特征图作为训练数据集。
本发明实施例中将危险源的安全隐患划分为5个等级,安全隐患等级越高说明安全隐患程度越大,根据安全隐患等级对训练数据集进行标注,即训练数据集中每个训练数据均对应一个标注后的危险等级标签,获得的标签数据集用于后续目标神经网络的训练。
请参阅图3,将每个危险源所对应的训练数据集与标签数据集统一作为样本数据集进行处理,每个危险源对应目标神经网络的具体方法为:
步骤S301,根据待匹配的危险源对应的样本数据集中每个样本数据的危险等级构建数据分布图,数据分布图由多个按照危险等级划分的类别通道组成。
具体的,将所有危险源的样本数据集整合到同一个数据矩阵中,该数据矩阵的列数为所有危险源的训练数据的数量M,行数为每个危险源的风险监控指标、危险源类型以及辐射特征图的维度之和,即为4+4+W*H,其中,W*H为辐射特征图的尺寸。对该数据矩阵进行降维操作,本发明实施例中利用数据降维PCA技术将每一组训练数据降至2维,得到大小为[2,M]的矩阵。
进一步的,对每一个危险源的训练数据进行分析,得到每一个危险源的数据分布图F。本发明实施例中以目标危险源i为例来获取对应的数据分布图的方法为:在目标危险源i对应的训练数据集中,训练数据的维度降为2维,且每一个训练数据对应一个危险等级标签,将目标危险源i的训练数据映射到2维平面中的一个点,将训练数据集所对应的危险等级标签作为该点的像素值,由此得到目标危险源i的数据分布图F。
需要说明的是,本发明实施例中数据分布图F为5个通道的图像,将不同大小的像素值的点置于不同通道,且每一个通道反映的是一个危险等级标签的数据分布情况。
步骤S302,选取任意两个危险源的数据分布图,在同一类别通道下,获取两个数据分布图之间的并集图,以及较大面积的数据分布图。
具体的,在所有危险源中任意选取危险源a和危险源b,分别对应数据分布图Fa和数据分布图Fb,以数据分布图的第一通道为例,获取同一类别通道下,数据分布图Fa和数据分布图Fb中危险等级标签为1时,分别对应的第一数据分布图和第一数据分布图在此数据分布图中,危险等级标签为1的区域为目标区域,其余危险等级标签区域为背景区域,数据分布图反映了对于危险源a而言危险等级标签为1的训练数据在二维空间上的分布。
步骤S303,获取并集图与较大面积的数据分布图的差值图像,根据差值图像确定两个危险源在同一类别通道下是否属于相同分类标准。
具体的,由步骤S302获取并集图以及较大面积的第一数据分布图,那么两者之间差值图像的计算公式为:
进一步的,获取差值图像ΔF1中非0像素值所对应的面积,记为s(!0),s(!0)表示危险源a和危险源b的数据分布图中危险等级标签为1的差异区域的面积。当差值图像中差异区域的面积为零时,危险源a和危险源b属于相同的分类标准,即若s(!0)=0,那么危险源a和危险源b在危险等级标签1上被认为分类标准相同,可以用相同的网络判断危险源a和危险源b的安全隐患等级;当差值图像中差异区域的面积不为零时,计算交集图与差值图像中差异区域之间的面积比值,根据面积比值确定是否属于相同的分类标准。
若s(!0)≠0,则进一步计算两个数据分布图的交集图基于相同的原理,获取交集图中非零像素值所对应的面积,记为表示危险源a和危险源b的数据分布图上危险等级标签为1的共同区域的面积,计算共同区域与差异区域的面积比例为:
进一步的,本发明实施例设置比例阈值。当面积比例大于比例阈值时,差异区域的面积占比过小,不足以改变危险等级标签1的分类标准,危险源a和危险源b分类标准相同;当面积比例不大于比例阈值时,差异区域的面积占比较大,危险源a和危险源b分类标准不同。
优选的,本发明实施例中比例阈值取经验值,即比例阈值为10。
基于步骤S302至步骤S303的相同方法,获得危险源a和危险源b在其他危险等级标签上的分类标准是否相同,若危险源a和危险源b在所有危险等级标签上的分类标准均相同,则危险源a和危险源b属于同一类危险源,将两个危险源对应的数据集进行合并;若危险源a和危险源b在任意一个危险等级标签上分类标准不同,那么危险源a和危险源b不属于同一类危险源,不能对应同一个神经网络。
进一步的,利用步骤S301至步骤S303相同的方法,遍历粮仓内存储和加工环境中的所有危险源,得到最终的分类数Q,同时,分类数Q对应目标神经网络的数量。
请参阅图4,所有目标神经网络的结构相同,目标神经网络的输入为训练数据集,损失函数采用交叉熵函数,利用梯度下降法完成每一个目标神经网络的训练,根据Q个目标神经网络对危险源的安全隐患等级进行判断,最终得到每一个危险源的安全隐患等级。
在实际场景应用中,根据危险源与Q个目标神经网络的对应关系,将实时采集到的每个危险源的风险监控指标、置信度以及辐射特征图输入对应的目标神经网络中,获取每个危险源的安全隐患等级。
综上所述,本发明实施例中通过粮仓区域内每个危险源类型的置信度、风险监控指标以及危险源辐射特征图对目标神经网络进行训练,在对目标神经网络进行训练的过程中,通过每个危险源的数据分布图中差异区域以及共同区域判别危险源是否属于同一个分类标准,从而得到最终的安全隐患判别网络的数量,并对目标神经网络进行训练,使得目标神经网络对同一个分类标准的危险源的适应性更强,更加精确地得出每个危险源的安全隐患等级。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种基于人工智能的粮仓危险源安全监测系统,该系统包括:处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的粮仓危险源安全监测方法实施例中的步骤,例如图1所示的步骤。该一种基于人工智能的粮仓危险源安全监测方法在上述实施例已经详细说明,不再赘述。
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 (7)
1.一种基于人工智能的粮仓危险源安全监测方法,其特征在于,该方法包括以下步骤:
获取粮仓区域的初始图像,所述初始图像包括多个危险源,识别所述初始图像中的多个危险源及相应的危险源类型的置信度;
获取每个所述危险源的风险监控指标,根据所述风险监控指标对所述初始图像中像素点的叠加影响得到辐射特征图;
通过所述危险源匹配对应目标神经网络,将所述置信度、所述风险监控指标和所述辐射特征图作为目标神经网络的输入,输出危险等级;
其中,所述通过所述危险源匹配对应目标神经网络的方法为:
根据待对应的危险源对应的样本数据集中每个样本数据的危险等级标签构建数据分布图,所述数据分布图由多个按照危险等级标签划分的类别通道组成;
选取任意两个所述危险源的所述数据分布图,在同一所述类别通道下,获取两个所述数据分布图之间的并集图,以及较大面积的所述数据分布图;
获取所述并集图与较大面积的所述数据分布图的差值图像,根据所述差值图像确定两个所述危险源在同一所述类别通道下是否属于相同分类标准;
对于在每个类别通道下都属于相同分类标准的所述危险源,采用相同的目标神经网络进行检测;
其中,所述根据所述风险监控指标对所述初始图像中像素点的叠加影响得到辐射特征图的步骤,包括:
根据每个危险源的所述风险监控指标与像素点的距离得到所述像素点的风险叠加指标;
根据所述风险叠加指标与正常值区间进行比较,获取每个像素点对所述危险源的异常影响指标,将所述异常影响指标作为所述辐射特征图中相应像素点的像素值;
其中,根据待对应的危险源对应的样本数据集中每个样本数据的危险等级标签构建数据分布图的步骤,包括:
获取每个危险源对应的训练数据,所述训练数据包括所述危险源对应的置信度、风险监控指标和辐射特征图;
将所有危险源对应的训练数据整合为一个数据矩阵,所述数据矩阵的列数为所有危险源的训练数据的数量,所述数据矩阵的行数为训练数据中元素的维度之和;将所述数据矩阵的训练数据降至2维得到大小为[2,M]的矩阵,M为所述数据矩阵的列数,则每个危险源对应的训练数据的维度为2维,将每个危险源的训练数据映射至二维平面中得到对应的点,该点的像素值为所述危险源的对应训练数据的危险等级标签;
所述训练数据与所述危险等级标签为所述样本数据,根据所述危险源对应的样本数据集中所有的样本数据在二维平面中对应的点得到所述危险源的数据分布图。
2.根据权利要求1所述的方法,其特征在于,所述根据所述差值图像确定两个所述危险源在同一所述类别通道下是否属于相同分类标准的步骤,包括:
当所述差值图像中差异区域的面积为零时,则属于相同的分类标准;
当所述差值图像中差异区域的面积不为零时,计算交集图与所述差值图像中差异区域的面积的比值,根据所述比值确定是否属于相同的分类标准。
3.根据权利要求1所述的方法,其特征在于,所述获取每个像素点对所述危险源的异常影响指标的步骤,还包括:
当像素点的所述风险叠加指标在经过欧式距离调节之后处于所述正常值区间时,所述异常影响指标为零;
当像素点的所述风险叠加指标在经过欧式距离调节之后小于所述正常值区间的最小值时,所述异常影响指标与所述风险叠加指标成负相关关系;
当像素点的所述风险叠加指标在经过欧式距离调节之后大于所述正常值区间的最大值时,所述异常影响指标与所述风险叠加指标成正相关关系;
所述欧式距离为像素点与所述危险源之间的欧式距离。
4.根据权利要求1所述的方法,其特征在于,所述根据每个危险源的风险监控指标与像素点的距离得到所述像素点的风险叠加指标的步骤,还包括:
获取对于每个所述危险源的所述风险监控指标与所述危险源到所述像素点的距离的比值,对所有所述比值进行叠加,获取所述风险叠加指标。
5.根据权利要求1所述的方法,其特征在于,所述危险源类型包括:热量型、湿度型、压力型以及振动型。
6.根据权利要求1所述的方法,其特征在于,所述获取每个所述危险源的风险监控指标的方法,包括:
根据所述危险源的传感器得到传感器示数,将所述传感器示数作为对应所述危险源的所述风险监控指标。
7.一种基于人工智能的粮仓危险源安全监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873976.XA CN113591711B (zh) | 2021-07-30 | 2021-07-30 | 一种基于人工智能的粮仓危险源安全监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873976.XA CN113591711B (zh) | 2021-07-30 | 2021-07-30 | 一种基于人工智能的粮仓危险源安全监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591711A CN113591711A (zh) | 2021-11-02 |
CN113591711B true CN113591711B (zh) | 2022-07-19 |
Family
ID=78252876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110873976.XA Active CN113591711B (zh) | 2021-07-30 | 2021-07-30 | 一种基于人工智能的粮仓危险源安全监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591711B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418983B (zh) * | 2022-01-14 | 2024-01-30 | 河南鑫安利安全科技股份有限公司 | 基于智能物联网的设备风险检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202306775U (zh) * | 2011-10-12 | 2012-07-04 | 华南理工大学 | 危险化学品重大危险源网络监测预警系统 |
EP3499473A1 (de) * | 2017-12-15 | 2019-06-19 | Siemens Mobility GmbH | Automatisiertes detektieren von gefahrensituationen |
CN110070267A (zh) * | 2019-03-27 | 2019-07-30 | 广州中国科学院工业技术研究院 | 一种危险化学品重大危险源辨识方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6402469B2 (ja) * | 2014-04-04 | 2018-10-10 | 富士電機株式会社 | 安全制御装置および安全制御システム |
CN104090089B (zh) * | 2014-07-03 | 2016-06-29 | 中国人民解放军后勤工程学院 | 一种山洞油库油气危险源分级预警方法 |
DE102017105174B4 (de) * | 2017-03-10 | 2020-04-23 | Sick Ag | Verfahren zum Erzeugen von Trainingsdaten für die Überwachung einer Gefahrenquelle |
CN107169600B (zh) * | 2017-05-12 | 2020-05-05 | 广州中国科学院工业技术研究院 | 识别重大危险源的方法、系统、存储介质及计算机设备 |
CN107896253A (zh) * | 2017-11-24 | 2018-04-10 | 上海璞玫信息科技有限公司 | 一种危险品港区储运安全监管系统 |
CN112783100A (zh) * | 2019-11-06 | 2021-05-11 | 中国石油化工股份有限公司 | 存储器、化工企业安全生产风险预警方法、设备和装置 |
CN112783101A (zh) * | 2019-11-06 | 2021-05-11 | 中国石油化工股份有限公司 | 存储器、危险化学品罐区安全风险预警方法、设备和装置 |
CN111709309A (zh) * | 2020-05-25 | 2020-09-25 | 深圳市科荣软件股份有限公司 | 结合场地图像对危险源进行显示的方法、系统及存储介质 |
CN113052070B (zh) * | 2021-03-23 | 2024-02-13 | 河南鑫安利安全科技股份有限公司 | 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 |
CN113115225B (zh) * | 2021-04-09 | 2022-07-15 | 国能智慧科技发展(江苏)有限公司 | 基于危险源监测与人员定位的电子围栏区域生成系统 |
-
2021
- 2021-07-30 CN CN202110873976.XA patent/CN113591711B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202306775U (zh) * | 2011-10-12 | 2012-07-04 | 华南理工大学 | 危险化学品重大危险源网络监测预警系统 |
EP3499473A1 (de) * | 2017-12-15 | 2019-06-19 | Siemens Mobility GmbH | Automatisiertes detektieren von gefahrensituationen |
CN110070267A (zh) * | 2019-03-27 | 2019-07-30 | 广州中国科学院工业技术研究院 | 一种危险化学品重大危险源辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113591711A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | A new method of mixed gas identification based on a convolutional neural network for time series classification | |
Kim et al. | Machine learning approaches for detecting tropical cyclone formation using satellite data | |
Macedo-Cruz et al. | Digital image sensor-based assessment of the status of oat (Avena sativa L.) crops after frost damage | |
de Carvalho Júnior et al. | Radiometric normalization of temporal images combining automatic detection of pseudo-invariant features from the distance and similarity spectral measures, density scatterplot analysis, and robust regression | |
Andoga et al. | Intelligent thermal imaging-based diagnostics of turbojet engines | |
Kalantar et al. | A deep learning system for single and overall weight estimation of melons using unmanned aerial vehicle images | |
Gao et al. | A novel unsupervised segmentation quality evaluation method for remote sensing images | |
Kim et al. | Infrared thermal image-based sustainable fault detection for electrical facilities | |
Huang et al. | Automatic ship detection in SAR images using multi-scale heterogeneities and an a contrario decision | |
Zhao et al. | Investigating the impact of using IR bands on early fire smoke detection from Landsat imagery with a lightweight CNN model | |
CN110070026B (zh) | 基于模式识别的视频图像危险态势感知方法、系统、装置 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN113591711B (zh) | 一种基于人工智能的粮仓危险源安全监测方法及系统 | |
Guan et al. | A quantitative monitoring method for determining maize lodging in different growth stages | |
Nam et al. | An efficient burst detection and isolation monitoring system for water distribution networks using multivariate statistical techniques | |
Drori et al. | Precipitation-sensitive dynamic threshold: A new and simple method to detect and monitor forest and woody vegetation cover in sub-humid to arid areas | |
Luz et al. | Mapping fire susceptibility in the Brazilian Amazon forests using multitemporal remote sensing and time-varying unsupervised anomaly detection | |
Wei et al. | Change detection using a texture feature space outlier index from mono-temporal remote sensing images and vector data | |
Du et al. | Fog season risk assessment for maritime transportation systems exploiting Himawari-8 data: a case study in Bohai Sea, China | |
Das et al. | Image-Based Corrosion Detection in Ancillary Structures | |
Luo et al. | Evaluation of surface texture of dried Hami Jujube using optimized support vector machine based on visual features fusion | |
EP2383680A1 (en) | Classification of objects in harvesting applications | |
Takeuchi et al. | Comparison of Traditional Image Segmentation Methods Applied to Thermograms of Power Substation Equipment | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
Liuzzo et al. | Parameterization of a Bayesian normalized difference water index for surface water detection |
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 |