CN113627246A - 联合视觉探测与浓度传感的建筑环境突发污染源辨识方法 - Google Patents
联合视觉探测与浓度传感的建筑环境突发污染源辨识方法 Download PDFInfo
- Publication number
- CN113627246A CN113627246A CN202110748188.8A CN202110748188A CN113627246A CN 113627246 A CN113627246 A CN 113627246A CN 202110748188 A CN202110748188 A CN 202110748188A CN 113627246 A CN113627246 A CN 113627246A
- Authority
- CN
- China
- Prior art keywords
- pollution
- pollution source
- sudden
- source
- building environment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000007 visual effect Effects 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title abstract description 13
- 230000009471 action Effects 0.000 claims abstract description 64
- 230000003578 releasing effect Effects 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000011161 development Methods 0.000 claims abstract description 3
- 238000003915 air pollution Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011109 contamination Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000009423 ventilation Methods 0.000 description 6
- 238000004378 air conditioning Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Immunology (AREA)
- Databases & Information Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Dispersion Chemistry (AREA)
Abstract
一种联合视觉探测与浓度传感的建筑环境突发污染源辨识方法,在建筑环境突发污染源定位中引入计算机视觉,通过人为释放污染动作的即时辨识,为后续应急处置措施的开展争取时间;采用结合逆马尔科夫链与贝叶斯推理的室内突发污染源快速识别方法;利用视觉技术识别人为释放污染动作并联合浓度传感快速寻找污染源。本发明大幅提升了室内突发污染源辨识的即时响应特性;将污染源辨识算法的识别时间降低至分钟级;并提出了当视觉辨识不明确或失效时,浓度传感数据辅助(主导)判定污染源位置的实施方案,通过视觉+浓度两个维度的数据对污染源辨识准确性形成互补的同时提升了室内突发污染场景中污染源辨识技术的可靠性。
Description
技术领域
本发明属于建筑环境突发污染事件应急领域,涉及联合视觉探测与浓度传感的建筑环境突发污染源辨识技术。
背景技术
2019年颁布施行的《空调通风系统运行管理标准》(GB50365-2019)规定:当空调通风系统中有生化污染产生时,应在房间使用前将污染源清除或提前通风稀释污染物。实际上,污染源在通风系统内的位置关系到系统后续应急措施的有效性。比如,当污染发生在新风口时应采取的措施是关闭整个通风系统而不是增大新风稀释。在此类事件中,快速准确地定位污染源变得尤为关键。然而,囿于现有研究中生化传感器的布置缺乏工程条件约束、污染源辨识模型求解时间过长等原因,尚无法在实际技术应用中实现突发污染的快速源定位。
在建筑环境一旦发生人为释放的突发污染传播的场景中,如何通过预警信息进行快速源定位极具挑战,其技术瓶颈来源于:现有基于浓度数据的污染源辨识模型反演时间过长,与实际工程需求矛盾。若能将视觉辨识人为释放污染动作的即时反馈特性与污染源快速反演模型联合并形成互补,有望大幅提升室内突发空气污染源辨识的时效性和可靠性。
暖通空调领域近年利用计算机视觉技术开展了室内个体行为模式识别的研究,主要用于行为节能、建筑能耗预测等。有研究者系统研究了办公建筑个性化环控行为的产生机理,并利用图像分类技术辨识了室内人员的位移行为。另有研究者采用被动红外探测器对人员在室情况进行了分类,以此为依据计算照明系统浪费的电耗。但未见将人行为视觉辨识应用于室内突发污染源辨识场景的相关公开技术。
发明内容
针对上述现有技术的缺点,本发明提出一种联合视觉探测与浓度传感的建筑环境突发污染源辨识技术。
为达到上述目的,本发明采用的技术方案是:
首先,在建筑环境突发污染源定位中引入计算机视觉,通过人为释放污染动作的即时辨识,为后续应急处置措施(人群疏散+应急通风)的开展争取时间;其次,创新了一种结合逆马尔科夫链与贝叶斯推理的室内突发污染源快速识别方法;最后,构思了利用视觉技术识别人为释放污染动作并联合浓度传感快速寻源的技术思路,尝试从另一个方向破解污染源定位所需时间与技术应用需求间的矛盾。
(1)在视觉辨识人为释放污染动作方面,本发明采用OpenPose实时多人姿态估计开源库 (基于深度学习)及LSTM神经网络实现人为释放污染动作识别。其中,OpenPose开源库可以实时辨识视频流中每个人的姿态,实现面部、躯干、四肢等骨骼点的提取。LSTM神经网络是循环神经网络(RNN)的一种,其将每个时刻得的输入结合当前模型的状态输出,可解决图像信息的梯度消失问题。
LSTM的输出由记忆单元和输出门联合计算如下:
式中,为t时刻的候选状态;Wc为候选状态的权重矩阵;bc为候选状态的偏置;ht为t时 刻的最终输出;xt为LSTM的输入包括当前时刻的网络输入;ht-1为上一时刻LSTM的输出; ct-1为上一时刻的记忆单元;ht为当前时刻的输出;ct为当前时刻的记忆单元;Ot为t时刻的 输出门。
(2)视觉识别人为释放污染动作需先对该动作进行定义。本发明采用姿态估计OpenPose 提取视觉传感器拍摄图像帧中的多人骨架关键点,结合最近邻匹配算法在持续的监控流中生成目标人体动作序列。动作序列为具备时序关系的连续2D骨架关键点,每帧提取的骨架信息作为一个时间步长。
(3)在动作序列上通过滑窗选取原始骨架关键点特征,经过坐标归一化、绝对坐标转相对坐标从而转化为鲁棒性特征并输入到构建的LSTM分类网络中,通过Softmax分类器判断典型的人为污染释放动作(蹲→释放滤毒罐→起身→跑)并将其与正常活动所表现的动作与状态进行区分。滑窗大小的选择主要考虑动作持续时间。
(4)LSTM分类网络采用经过裁剪的人为污染释放动作数据集进行训练,数据集存在角度、远近、背景、分辨率的差异,将训练好的网络参数迁移到在线动作识别算法。由于LSTM 可同时对视频帧中的物品(如滤毒罐)进行分类,结合污染释放动作与背景物品,在LSTM 网络充分训练的基础上即可对人为污染释放动作的辨识准确性进行测试。
(5)针对障碍物(如会堂座位等)或人员遮挡导致的视觉检测图像部分信息不明确的情况,为避免误判,需结合浓度传感数据对污染释放动作进行判定,即一旦任意传感器的浓度超限,则可立即判定存在人为污染释放,检测到的污染释放动作发生位置即为污染源所在位置,节省了源辨识模型反演所需时间。针对释放动作受到完全遮挡的情况(多个视觉传感器均无法探测到),或者因为其它原因导致视觉传感器未探测到污染释放动作的图像信息的时候,则需借助以浓度传感数据为输入的源辨识模型定位污染源。
(6)在视觉辨识人为释放污染动作失效时,启动逆马尔科夫链结合贝叶斯推理的污染源反演模型,其具体实现流程如下:
假设S代表污染源位置,C代表实测数据,S为独立变量,则污染源位置的后验概率密度函数可通过贝叶斯推理计算:
式中,p[(S)|C]为污染源位置S的后验概率密度分布函数,其表示获得实测数据C后,污染源位置S的分布规律;p(S)为污染源位置S的先验概率密度分布函数,在随机突发污染中, p(S)一般为均匀分布;p[C|(S)]为似然函数,表示模型计算数据与实测数据的拟合优度;p(C) 为积分常数,一般取1。
公式(2)中的似然函数p[C|(S)]通过假设浓度测量误差为正态分布构造:
式中,σ2为测量误差的方差;N为潜在污染源位置总数;ys为测点mj在ti时刻的实测驻留浓度;f(S)为马尔科夫链计算的测点mj在ti时刻的先验浓度数据,所述马尔科夫链的计算公式如下:
式中,pij表示空气污染在单个时间步长Δt内由单元i传播到单元j的概率。
将第k+1个状态下各单元的空气污染的概率分布表示为:
θk+1=θ0·Pt k+1 (5)
式中,θ0为空气污染在t=0时刻的初始概率分布。若已知突发空气污染在室内的释放初始信息,可通过矩阵叠乘的方式得到任意时刻室内任意单元的空气污染概率分布。
通过引入一致性参数λ,则污染源后验概率密度分布函数可表示为:
针对建筑突发空气污染场景,公式(2)-(6)构造了贝叶斯模型的基本方程组,方程组输入参数仅为浓度传感器监测数据ys。由于马尔科夫链离线计算的先验浓度分布f(S)可预先打包做成数据库,当实际场景中的传感器监测到浓度时,即可输入贝叶斯模型实施反演,计算过程只需Monte Carlo抽样先验浓度数据,无需迭代,定位速度快。
通过以上技术方案,即实现了一种联合视觉探测与浓度传感的建筑环境突发污染源辨识技术。
由于采用上述方案,本发明具有以下特点:
(1)建立了基于OpenPose开源库及LSTM神经网络的人为释放污染动作的视觉辨识方法,大幅提升了室内突发污染源辨识的即时响应特性;(2)构建了基于马尔科夫链与贝叶斯定理的室内污染源快速反演模型,将污染源辨识算法的识别时间降低至分钟级;(3)提出了当视觉辨识不明确或失效时,浓度传感数据辅助(主导)判定污染源位置的实施方案,通过视觉+浓度两个维度的数据对污染源辨识准确性形成互补的同时提升了室内突发污染场景中污染源辨识技术的可靠性。
附图说明
图1为基于OpenPose开源库的多人姿态估计示意图。
图2为OpenPose开源库的多阶段预测网络架构。
图3为LSTM神经网络结构示意图。
图4为马尔科夫链表征的空气污染在Δt时刻内的扩散规律示意图。
图5为颗粒污染源反演的原理示意图。
图6为视觉探测可靠性及其辨识方法准确性的实验示意图。
图7为浓度传感监测可靠性及其辨识方法准确性的实验示意图。
图8为剧院突发空气污染时视觉与浓度传感器联合辨识污染源并规划人群疏散路径示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行说明。
人为释放污染动作识别采用OpenPose实时多人姿态估计开源库(基于深度学习)及LSTM 神经网络实现。其中,OpenPose开源库可以实时辨识视频流中每个人的姿态,实现面部、躯干、四肢等骨骼点的提取,如图1所示。
OpenPose的实时性非常出色,采用普通的高清视觉传感器即可获取可靠地关键点信息,无需专用的深度摄像头(如Kinect)。OpenPose库的姿态预测网络架构见图2。
LSTM神经网络是循环神经网络(RNN)的一种,其将每个时刻得的输入结合当前模型的状态输出,可解决图像信息的梯度消失问题,被广泛应用于自然语言处理、视频描述、动作识别等领域。图3为LSTM神经网络结构图,LSTM的输入包括当前时刻的网络输入xt、上一时刻LSTM的输出ht-1、上一时刻的记忆单元ct-1,输出包括当前时刻的输出ht和当前时刻的记忆单元ct。
LSTM的输出由记忆单元和输出门联合计算如下:
视觉识别人为释放污染动作需先对该动作进行定义,本发明将典型动作定义为:蹲→释放滤毒罐→起身→跑,采用姿态估计OpenPose提取视觉传感器拍摄图像帧中的多人骨架关键点,结合最近邻匹配算法在持续的监控流中生成目标人体动作序列。动作序列为具备时序关系的连续2D骨架关键点,每帧提取的骨架信息作为一个时间步长。在动作序列上通过滑窗选取原始骨架关键点特征,经过坐标归一化、绝对坐标转相对坐标从而转化为鲁棒性特征并输入到构建的LSTM分类网络中,通过Softmax分类器判断典型的人为污染释放动作并将其与正常活动所表现的动作与状态进行区分。滑窗大小的选择主要考虑动作持续时间。
LSTM分类网络采用经过裁剪的人为污染释放动作数据集进行训练,数据集存在角度、远近、背景、分辨率的差异,将训练好的网络参数迁移到在线动作识别算法。由于LSTM可同时对视频帧中的物品(如滤毒罐)进行分类,结合污染释放动作与背景物品,在LSTM网络充分训练的基础上即可对人为污染释放动作的辨识准确性进行测试。
基于以上分析,人为污染释放动作的视觉辨识利用OpenPose开源库+LSTM神经网络即可便捷实现,在识别模型实施方面具备可行性。针对障碍物(如会堂座位等)或人员遮挡导致的视觉检测图像部分信息不明确的情况,为避免误判,需结合浓度传感数据对污染释放动作进行判定,即一旦任意传感器的浓度超限,则可立即判定存在人为污染释放,检测到的污染释放动作发生位置即为污染源所在位置,节省了源辨识模型反演所需时间。针对释放动作受到完全遮挡的情况(多个视觉传感器均无法探测到),则需借助以浓度传感数据为输入的源辨识模型定位污染源。
在视觉辨识人为释放污染动作失效时,启动逆马尔科夫链结合贝叶斯推理的污染源反演模型,其具体实现流程如下:
假设S代表污染源位置,C代表实测数据,S为独立变量,则污染源位置的后验概率密度函数可通过贝叶斯推理计算:
式中,p[(S)|C]为污染源位置S的后验概率密度分布函数,其表示获得实测数据C后,污染源位置S的分布规律;p(S)为污染源位置S的先验概率密度分布函数,在随机突发污染中, p(S)一般为均匀分布;p[C|(S)]为似然函数,表示模型计算数据与实测数据的拟合优度;p(C) 为积分常数,一般取1。
公式(1)中的似然函数p[C|(S)]通过假设浓度测量误差为正态分布构造:
式中,σ2为测量误差的方差;N为潜在污染源位置总数;ys为测点mj在ti时刻的实测驻留浓度;f(S)为马尔科夫链计算的测点mj在ti时刻的先验浓度数据,所述马尔科夫链的计算公式如下:
式中,pij表示空气污染在单个时间步长Δt内由单元i传播到单元j的概率。
将第k+1个状态下各单元的空气污染的概率分布表示为:
θk+1=θ0·Pt k+1 (5)
式中,θ0为空气污染在t=0时刻的初始概率分布。若已知突发空气污染在室内的释放初始信息,可通过矩阵叠乘的方式得到任意时刻室内任意单元的空气污染概率分布。如图4所示为马尔科夫链内的空气污染在Δt时刻内的扩散规律。
通过引入一致性参数λ,则污染源后验概率密度分布函数可表示为:
针对建筑突发空气污染场景,公式(2)-(6)构造了贝叶斯模型的基本方程组,方程组输入参数仅为浓度传感器监测数据ys。由于马尔科夫链离线计算的先验浓度分布f(S)可预先打包做成数据库,当实际场景中的传感器监测到浓度时,即可输入贝叶斯模型实施反演,计算过程只需Monte Carlo抽样先验浓度数据,无需迭代,定位速度快。如图5反映了本发明提出的污染源反演方法的基本原理。
如图6为本发明所涉及的基于计算机视觉探测人为释放污染动作辨识方法验证性实验。让参试人员进入实验舱,量化分析目标人员与各视觉传感器的距离对探测清晰度的影响;在有障碍物遮挡条件下,开展多个视觉传感器协同检测目标人员的实验,归纳视觉探测的不可识别范围。最后,引入经数据库训练的人为释放污染动作识别算法,由简而难,先辨识人员在回风口释放污染的特征动作,包括接近回风口→放入并打开滤毒罐→跑开等;然后识别人员在室内无遮挡条件下释放污染的特征动作,包括蹲下→放下并打开滤毒罐→跑开等;在识别人员在有遮挡条件下释放污染的特征动作时,大多数情况下只能获得片段化的信息,无法确定该人员是否真的释放了污染。此时,需联合浓度传感器的数据,一旦浓度传感报警,则不需要启动源辨识模型,就可以根据视觉辨识信息直接确定污染源的位置。
如图7所示,浓度传感实验首先检验有限传感器布点方案对传感网预警性能的影响。在污染源位置固定的条件下,通过改变传感器的布置位置,实验研究传感网的实际预警性能,对比理论优化后的传感网报警时间与实测报警时间的差别。此时的传感器采用性能参数可调节的高精度传感器。其次,实验分析传感器性能参数(响应时间、采样流量、采样间隔时间) 调整对传感网预警性能的影响,尝试寻找最优的传感器性能参数范围。
在以上两个实验中,人行为视觉辨识方法即时识别了不同的人为污染释放动作,同时,结合逆马尔科夫链和贝叶斯推理的污染源定位方法也成功反演出了污染源的位置,在数据反馈给模型后的用时<1min,而传统的仅基于计算流体力学的污染源辨识方法识别实验舱中的污染源需用时超过3h,难以满足建筑环境突发污染源的快速响应识别需求。因此,本发明具有显著的未来工程应用优势。根据以上步骤,通过将两种方法中获得的“视觉+浓度”数据联合运用并依次输入对应模型,即可形成一种联合视觉探测与浓度传感的建筑环境突发污染源辨识技术。
如图8所示,若视觉和浓度传感器的位置经过合理布置,能够覆盖建筑内大部分区域,则在如剧院一类的公共建筑中,视觉传感可以有效监测到人为释放污染动作,且浓度传感器可以在污染物并未全面扩散至整个建筑中时检测到污染。此时,可根据视觉联合浓度传感识别到的污染源位置规划室内人员的疏散路线,使人群向着污染浓度还未扩散到的区域疏散,从而降低室内人员的污染暴露,保障室内人员安全。
上述对实施例的描述是为了便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域的技术人员显然可以较容易的对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,不脱离本发明的范畴可做出相应的改进和修改,这都应该在本发明的保护范围之内。
Claims (12)
1.一种建筑环境突发污染源辨识方法,其特征在于:在建筑环境突发污染源定位中引入计算机视觉,通过人为释放污染动作的即时辨识,为后续应急处置措施的开展争取时间;采用结合逆马尔科夫链与贝叶斯推理的室内突发污染源快速识别方法;利用视觉技术识别人为释放污染动作并联合浓度传感快速寻找污染源。
3.根据权利要求1所述的建筑环境突发污染源辨识方法,其特征在于:
视觉识别人为释放污染动作时,先对该动作进行定义;采用姿态估计OpenPose提取视觉传感器拍摄图像帧中的多人骨架关键点,结合最近邻匹配算法在持续的监控流中生成目标人体动作序列;动作序列为具备时序关系的连续2D骨架关键点,每帧提取的骨架信息作为一个时间步长。
4.根据权利要求3所述的建筑环境突发污染源辨识方法,其特征在于:
在动作序列上通过滑窗选取原始骨架关键点特征,经过坐标归一化、绝对坐标转相对坐标从而转化为鲁棒性特征并输入到构建的LSTM分类网络中,通过Softmax分类器判断典型的人为污染释放动作并将其与正常活动所表现的动作与状态进行区分。
5.根据权利要求4所述的建筑环境突发污染源辨识方法,其特征在于:
所述典型的人为污染释放动作为:蹲→释放滤毒罐→起身→跑。
6.根据权利要求2所述的建筑环境突发污染源辨识方法,其特征在于:
LSTM分类网络采用经过裁剪的人为污染释放动作数据集进行训练,数据集存在角度、远近、背景、分辨率的差异,将训练好的网络参数迁移到在线动作识别算法。
7.根据权利要求1所述的建筑环境突发污染源辨识方法,其特征在于:
视觉辨识不明确或失效时,依据浓度传感数据判定污染源位置。
8.根据权利要求7所述的建筑环境突发污染源辨识方法,其特征在于:
针对障碍物或人员遮挡导致的视觉检测图像部分信息不明确的情况,一旦任意传感器的浓度超限,则可立即判定存在人为污染释放,检测到的污染释放动作发生位置即为污染源所在位置。
9.根据权利要求7所述的建筑环境突发污染源辨识方法,其特征在于:
针对视觉传感器未探测到污染释放动作的图像信息的情况,借助以浓度传感数据为输入的源辨识模型定位污染源。
10.根据权利要求9所述的建筑环境突发污染源辨识方法,其特征在于:
启动逆马尔科夫链结合贝叶斯推理的污染源反演模型以判定污染源位置。
11.根据权利要求10所述的建筑环境突发污染源辨识方法,其特征在于,包括以下步骤:
假设S代表污染源位置,C代表实测数据,S为独立变量,则污染源位置的后验概率密度函数可通过贝叶斯推理计算:
式中,p[(S)|C]为污染源位置S的后验概率密度分布函数,其表示获得实测数据C后,污染源位置S的分布规律;p(S)为污染源位置S的先验概率密度分布函数;p[C|(S)]为似然函数,表示模型计算数据与实测数据的拟合优度;p(C)为积分常数;
公式(2)中的似然函数p[C|(S)]通过假设浓度测量误差为正态分布构造:
式中,σ2为测量误差的方差;N为潜在污染源位置总数;ys为测点mj在ti时刻的实测驻留浓度;f(S)为马尔科夫链计算的测点mj在ti时刻的先验浓度数据,所述马尔科夫链的计算公式如下:
式中,pij表示空气污染在单个时间步长Δt内由单元i传播到单元j的概率;
将第k+1个状态下各单元的空气污染的概率分布表示为:
式中,θ0为空气污染在t=0时刻的初始概率分布;若已知突发空气污染在室内的释放初始信息,可通过矩阵叠乘的方式得到任意时刻室内任意单元的空气污染概率分布;
通过引入一致性参数λ,则污染源后验概率密度分布函数可表示为:
12.根据权利要求11所述的建筑环境突发污染源辨识方法,其特征在于:在随机突发污染中,p(S)为均匀分布;p(C)的数值取1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110748188.8A CN113627246B (zh) | 2021-07-01 | 2021-07-01 | 联合视觉探测与浓度传感的建筑环境突发污染源辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110748188.8A CN113627246B (zh) | 2021-07-01 | 2021-07-01 | 联合视觉探测与浓度传感的建筑环境突发污染源辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627246A true CN113627246A (zh) | 2021-11-09 |
CN113627246B CN113627246B (zh) | 2024-04-16 |
Family
ID=78378950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110748188.8A Active CN113627246B (zh) | 2021-07-01 | 2021-07-01 | 联合视觉探测与浓度传感的建筑环境突发污染源辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627246B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967689A (zh) * | 2012-11-22 | 2013-03-13 | 天津大学 | 基于相关系数的污染源辨识方法及其监测布点方法 |
WO2013109525A1 (en) * | 2012-01-20 | 2013-07-25 | Sly Ward | Use of human input recognition to prevent contamination |
US20190258866A1 (en) * | 2018-02-19 | 2019-08-22 | Krishna Khadloya | Human presence detection in edge devices |
US20190303684A1 (en) * | 2018-02-19 | 2019-10-03 | Krishna Khadloya | Object detection in edge devices for barrier operation and parcel delivery |
-
2021
- 2021-07-01 CN CN202110748188.8A patent/CN113627246B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013109525A1 (en) * | 2012-01-20 | 2013-07-25 | Sly Ward | Use of human input recognition to prevent contamination |
CN102967689A (zh) * | 2012-11-22 | 2013-03-13 | 天津大学 | 基于相关系数的污染源辨识方法及其监测布点方法 |
US20190258866A1 (en) * | 2018-02-19 | 2019-08-22 | Krishna Khadloya | Human presence detection in edge devices |
US20190303684A1 (en) * | 2018-02-19 | 2019-10-03 | Krishna Khadloya | Object detection in edge devices for barrier operation and parcel delivery |
Non-Patent Citations (1)
Title |
---|
庞丽萍;曲洪权;胡涛;王浚;: "密闭舱室突发污染浓度动态预测与源项辨识", 中国舰船研究, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627246B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu | Research on road traffic situation awareness system based on image big data | |
Chen et al. | Building occupancy estimation with environmental sensors via CDBLSTM | |
CN110660082B (zh) | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 | |
CN110321603A (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
Lam et al. | Occupancy detection through an extensive environmental sensor network in an open-plan office building | |
Kim et al. | Real-time probabilistic classification of fire and smoke using thermal imagery for intelligent firefighting robot | |
Andrade et al. | Hidden markov models for optical flow analysis in crowds | |
US10007850B2 (en) | System and method for event monitoring and detection | |
CN112199882B (zh) | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 | |
Kou et al. | Deep learning based inverse model for building fire source location and intensity estimation | |
Zhu et al. | Investigation of nearby monitoring station for hourly PM2. 5 forecasting using parallel multi-input 1D-CNN-biLSTM | |
CN114021501A (zh) | 一种火灾温度场重构方法、系统、计算机设备、介质及终端 | |
CN109934042A (zh) | 基于卷积神经网络的自适应视频对象行为轨迹分析方法 | |
CN112149962A (zh) | 一种施工事故致因行为的风险定量评估方法及系统 | |
Bennetts et al. | Creating true gas concentration maps in presence of multiple heterogeneous gas sources | |
CN114708435A (zh) | 基于语义分割的障碍物尺寸预测与不确定性分析方法 | |
Cheng et al. | Indoor positioning system using artificial neural network with swarm intelligence | |
Fang et al. | Enabling fire source localization in building fire emergencies with a machine learning-based inverse modeling approach | |
CN113627246B (zh) | 联合视觉探测与浓度传感的建筑环境突发污染源辨识方法 | |
CN115861364B (zh) | 一种基于ai识别的现场人员管控方法和系统 | |
Alice et al. | Automated forest fire detection using atom search optimizer with deep transfer learning model | |
Zhang et al. | An optimized multisource bilinear convolutional neural network model for flame image identification of coal mine | |
CN111860097B (zh) | 一种基于模糊理论的异常行为检测方法 | |
Hakim et al. | Optimization of the Backpropagation Method with Nguyen-widrow in Face Image Classification | |
Guo et al. | Robot target localization and visual navigation based on neural network |
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 |