CN113642631B - 基于人工智能的危险区域电子围栏生成方法及系统 - Google Patents
基于人工智能的危险区域电子围栏生成方法及系统 Download PDFInfo
- Publication number
- CN113642631B CN113642631B CN202110914522.2A CN202110914522A CN113642631B CN 113642631 B CN113642631 B CN 113642631B CN 202110914522 A CN202110914522 A CN 202110914522A CN 113642631 B CN113642631 B CN 113642631B
- Authority
- CN
- China
- Prior art keywords
- image
- target position
- degree
- risk
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 231100001261 hazardous Toxicity 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 208000032368 Device malfunction Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及基于人工智能的危险区域电子围栏生成方法及系统。该方法包括:采集初始图像;对每个设备划分预设危险区域,并获取设备的故障程度;计算每个设备对初始图像中每个位置造成的风险程度,得到每个设备的连锁事故分布图;在每张连锁事故分布图上生成目标位置的图像块,得到目标位置的相似度矩阵;根据相似度矩阵得到灰度图像;对灰度图像进行区域分割,获取每个区域的第一平均危险程度;获取目标位置的稳定程度和第二平均危险程度;进而得到目标位置的围栏划分置信度;根据所有目标位置的围栏划分置信度生成电子围栏。本发明实施例能够考虑不同设备之间的连锁事故和危险分布相似性,提高电子围栏划分的可靠性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及基于人工智能的危险区域电子围栏生成方法及系统。
背景技术
对于大型化工企业,其生产环境存在诸多生产或存储设备,例如用于化学药品的化学反应和储存,或者为化学反应提供高温高压等,这些设备在运行时难免会出现故障或异常,从而发生危险事故,严重时造成大规模的人员伤亡,整个生产区域都是一个危险区域。
为了保护人员的安全但又不影响生产,通常的做法是在一些特别危险的区域安装电子围栏系统,并且通过分配权限来防止无关人员进入高维区域内,使参与生产的人员可以出入电子围栏。
发明人在实践中,发现上述现有技术存在以下缺陷:
现有的电子围栏的建设或生成只是简单的根据单个设备的故障来判断是否将其划分进入电子围栏区域内,这样虽然有效,但是忽略了设备之间可能存在的连锁事故,以及不同时间连锁事故的分布变化特征,造成安全隐患;伴随而来的还有权限分配问题,现有技术无法根据区域内危险的设备有针对性地对每个人员分配权限,使得电子围栏要么如同虚设,要么影响生产,不能充分发挥电子围栏的功效。
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险区域电子围栏生成方法及系统,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危险区域电子围栏生成方法,该方法包括以下步骤:
采集初始图像;所述初始图像包括多个设备;对每个设备划分预设危险区域,并根据该设备的参数获取所述设备的故障程度;
根据所述故障程度和所述预设危险区域计算每个设备对所述初始图像中每个位置造成的风险程度,以所述风险程度作为热度值,得到每个设备的连锁事故分布图;
在每张所述连锁事故分布图上生成以目标位置为中心的预设窗口的图像块,计算每两个所述图像块的相似度,组成所述目标位置的相似度矩阵;
根据所述目标位置的相似度矩阵与邻域位置的相似度矩阵的差异为所述目标位置分配像素值,得到灰度图像;对所述灰度图像进行区域分割,获取区域分割图像,以及每个区域的第一平均危险程度;
由不同时刻下的所述区域分割图像获取所述目标位置的稳定程度;以不同时刻下所述目标区域的所述第一平均危险程度的平均值作为所述目标位置的第二平均危险程度;所述目标区域为所述目标位置所在的区域;以所述稳定程度和所述第二平均危险程度的乘积作为所述目标位置的围栏划分置信度;根据所有所述目标位置的围栏划分置信度生成电子围栏。
优选的,所述风险程度的计算方法为:
获取每个设备对其他所有设备的最短游走路径;
依据所述最短游走路径计算每个设备对所述每个位置造成的风险程度。
优选的,所述每两个所述图像块的相似度的获取方法为:
计算每个所述图像块的灰度共生矩阵,以每两个所述灰度共生矩阵的一维向量的余弦相似度作为所述相似度。
优选的,所述每两个所述图像块的相似度的获取方法为:
将每两个所述图像块作差,取L2范数,以所述L2范数的倒数作为所述相似度。
优选的,所述第一平均危险程度的获取步骤包括:
将所有所述连锁事故分布图进行累计求和,获取融合图像;
以每个所述分割区域在所述融合图像中的像素值均值作为特征值,以每个区域的所述特征值作为该区域的所述第一平均危险程度。
优选的,所述稳定程度的获取方法为:
由不同时刻下所述区域分割图像中所述目标区域的特征和所述特征值组成特征向量,根据所述特征向量获取所述稳定程度。
优选的,所述根据所有所述目标位置的围栏划分置信度生成电子围栏的步骤包括:
将所有所述围栏划分置信度作为像素值构成一张置信度分布图;
对所述置信度分布图进行语义分割,获得多个语义区域,对所述语义区域生成相应的电子围栏。
优选的,该方法还包括以下步骤:
在生成所述电子围栏时,对电子围栏的区域进行自适应的权限分配。
优选的,所述权限分配的步骤包括:
获取在某一时刻下的所述电子围栏的区域在所述灰度图像中每个位置的像素值,对所述像素值进行密度聚类,获取每个类别的类别相似度矩阵;
对所述类别相似度矩阵的每一行或者每一列求和,生成一个列向量或者行向量,获取所述列向量或者所述行向量中最大数值对应的设备,作为高危设备;
统计多个时刻的所述高危设备,对所述高危设备实时分配权限。
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危险区域电子围栏生成系统,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,所述处理器执行所述计算机程序时实现上述基于人工智能的危险区域电子围栏生成方法的步骤。
本发明实施例至少具有如下有益效果:
本发明实施例通过利用连锁事故分布图像获得每个位置的相似度矩阵,进而获取灰度图像,生成电子围栏区域,能够考虑不同设备之间的事故叠加特征和危险分布相似性,使得围栏的划分准确可信,避免因只考虑单一设备而忽略隐藏危险区域;将多个设备同时产生连锁事故所影响的区域划分在同一个电子围栏内,考虑到设备连锁事故叠加所带来的安全风险,使得电子围栏覆盖区域和划分方法更加可靠;保证电子围栏能够覆盖经常出现危险的高危区域,避免在偶尔出现的高危区域而生成电子围栏,导致经常大幅调整电子围栏覆盖区域的情况。
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险区域电子围栏生成方法的步骤流程图;
图2为本发明一个实施例所提供的一种基于人工智能的危险区域电子围栏生成系统的系统结构图。
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危险区域电子围栏生成方法及系统,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。
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险区域电子围栏生成方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的危险区域电子围栏生成方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集初始图像;初始图像包括多个设备;对每个设备划分预设危险区域,并根据该设备的参数获取设备的故障程度。
具体的步骤包括:
1)采集初始图像。
化工厂生产区域内安装摄像机,相机视角斜视朝下,相邻相机具有部分重合视野,获取所有相机采集的图像,将这些图像进行拼接融合,获得一个地面俯视拼接图作为初始图像。
具体的,图像之间进行角点检测和角点匹配,通过角点匹配获取仿射变换矩阵,根据放射变换矩阵将所有图像的视角变为俯视视角,然后对图像进行拼接与融合,拼接融合后获得了整个地面俯视拼接图。
2)对每个设备划分预设危险区域。
设备的位置是固定不变的,人为将设备位置标注在地面俯视拼接图上,并且为每个设备划分一个圆形的危险区域,表示每个设备发生危险事故时的事故影响范围。
危险区域的划分方法为:以设备为中心,以预设半径划分一个圆形区域。
由于设备的作用类型不同,产生的危险事故的范围也不相同,因此每个设备的风险区域的半径也不同。
3)获取每个设备的故障程度。
获取生产流水线上每个设备的状态数据,例如化学反应设备的温度、压强等,原料存储装置的原料浓度等,催化剂存储设备的催化剂余量等,提供高温高压的设备的输出温度和输出压强,动力设备的输出功率等。
设备处于正常状态时,这些数据都会处于一个正常范围内,当这些数据超出正常范围时,设备出现故障或异常。对于每个设备获取设备的状态数据超出正常范围的大小,将超出正常范围的数据输入全连接神经网络中,输出设备的故障程度,表示设备发生异常或故障的严重程度的大小。故障程度分为十个等级:0.0,0.1,……,0.9。
当故障程度大于0时设备发生故障。
步骤S002,根据故障程度和预设危险区域计算每个设备对每个位置造成的风险程度,以风险程度作为热度值,得到每个设备的连锁事故分布图。
具体的步骤包括:
1)获取每个设备对所有设备的最短游走路径。
对于一个设备a,其对应一个危险区域以及一个故障程度。由于设备故障发生危险事故时,该事故往往会波及其他设备,引发其他设备的安全事故,进而形成多米诺效应,产生连锁事故。因此将每个设备视为一个节点,如果两个设备a、b满足:设备在设备的危险范围内,并且设备a发生的危险能够引发设备b发生危险,那么设备a与设备b之间存在一个为1.0的边权值;如果设备a与设备b不满足这两个条件,那么两者的边权值为0.0。从而设备之间构成一个有向图结构数据,用于表征设备发生危险时所可能存在的多米诺效应。
需要说明的是设备a与设备b的边权值不一定等与设备b与设备a的边权值。
对于一个设备a,获取设备a到设备b的所有游走路径,以其中边权值之和最小的游走路径作为最短游走路径,该游走路径的经过的设备节点序列为{v1=a,v2,…,vn,…,vN=b}。
需要说明的是,对于一个固定的设备a,设备b的取值为所有设备,包括设备a本身。
2)依据最短游走路径计算每个设备对每个位置造成的风险程度。
获取设备vn的危险范围An,以设备vn为中心生成一个高斯热斑,高斯热斑的的大小为危险范围An的大小,高斯热斑上不同位置有一个热度值,设备vn处的热度值为1.0,热度值从热斑中心向四周衰减,热斑之外的位置的热度值大小为0;任意目标位置p处的热度值称为设备vn在该位置的风险大小Dn(p),即Dn(p)表示设备vn在目标位置p处的风险大小。
需要说明的是,任何设备在目标位置p处都对应一个风险大小,当目标位置p在某个设备危险范围之外时,风险大小为0。
同理可以获得:设备vn在设备vn+1位置处产生的风险大小为Dn(vn+1)、设备vn+1在目标位置p处产生的风险大小为Dn+1(p)。
现假设设备vn发生故障而产生危险,那么危险事故会波及到设备vn+1,设备vn在设备vn+1所在位置产生的风险大小为Dn(vn+1),使得设备vn+1发生危险,此时设备vn+1在目标位置p处产生的危险大小为Dn(vn+1)Dn+1(p),这个危险大小是由于设备vn波及到了设备vn+1,然后设备vn+1在目标位置p处产生的危险大小,该危险大小称为牵连危险程度Dn,n+1(p)=Dn(vn+1)Dn+1(p)。
那么设备a,记为设备v1,发生事故而产生危险时,该事故波及到设备b,记为设备vN,使设备vN发生危险,这个危险在目标位置p处的牵连危险程度为:
由于设备a发生事故而产生危险,该危险波及其他所有设备后在目标位置p处造成的叠加风险大小为:
Da(p)=da∑b∈SDa,b(p)
其中,Da(p)表示位置p的叠加风险,da表示设备a的故障程度。
当设备a发生故障而产生危险后,该危险会波及到其他设备,造成连锁事故,这些连锁事故在目标位置p造成叠加风险。
目标位置p取初始图像中的所有点时,所有的Da(p)构成一个叠加风险程度分布,该分布称为设备a的连锁事故分布图。
步骤S003,在每张连锁事故分布图上生成以目标位置为中心的预设窗口的图像块,计算每两个图像块的相似度,组成目标位置的相似度矩阵。
具体的,在每个设备对应的连锁事故分布图上以目标位置p为中心,生成一个K×K的窗口,获得对应的图像块;计算每两个图像块的相似度,组成目标位置p的相似度矩阵。由于一个图像块对应一个设备,因此该相似度矩阵的行列数为设备数量,例如该相似度矩阵的第i行第j列的元素表示第i个设备与第j个设备的相似度,当i=j时,对应的元素为0,表示相同设备的相似度为0。
作为一个示例,本发明实施例中K取11。
作为一个示例,本发明一个实施例中计算图像块相似度的方法为:
计算每个图像块的灰度共生矩阵,以每两个灰度共生矩阵的一维向量的余弦相似度作为相似度。
具体的,本发明实施例将所有图像块分为7个灰阶,得到7×7大小的灰度共生矩阵,每个灰度共生矩阵表示对应的设备在目标位置p周围的危险分布特征。
进一步的,将每两个灰度共生矩阵展平为两个一维向量,计算这两个一维向量的余弦相似度作为对应的两个灰度共生矩阵的相似度,也即对应的两个图像块的相似度。
作为一个示例,本发明另一个实施例中计算图像块相似度的方法为:
将每两个图像块作差,取L2范数,以L2范数的倒数作为相似度。
该相似度用于描述两个设备在目标位置p周围的危险分布的相似性。如果相似度较大说明两个设备会在目标位置p周围产生相似的危险分布,如果两个设备产生危险的可能性较大,而且危险分布相似,那就说明这两个设备在该时刻下可能一起发生连锁事故;如果两个设备产生的危险分布不一样或者产生危险可能性大小存在差异,那么这两个设备一同产生连锁事故的可能性就小。
步骤S004,根据目标位置的相似度矩阵与邻域位置的相似度矩阵的差异为目标位置分配像素值,得到灰度图像;对灰度图像进行区域分割,获取区域分割图像,以及每个区域的第一平均危险程度。
具体的步骤包括:
1)获取灰度图像。
获取目标位置p的相似度矩阵,分别计算该相似度矩阵与目标位置p的8邻域中每个位置相似度矩阵的差异程度,并对这些差异程度求均值,获得的结果作为目标位置p的像素值。
具体计算方法为:
假设目标位置p的相似度矩阵为Mp,目标位置p的八邻域中每个位置对应的相似度矩阵分别为{Mp1,Mp2,…,Mpe,…,Mp8},那么目标位置p对应的像素值的大小为:
其中,sim(Mp,Mpe)表示两个矩阵的差异程度,所述的两个矩阵的差异程度为两个矩阵差值的L2范数,即sim(Mp,Mpe)=||Mp-Mpe||2。
根据目标位置p的相似度矩阵和邻域的相似度矩阵获得了位置p的像素值;像素值越大,说明目标位置p的相似度矩阵和周围的相似度矩阵存在较大的差异;像素值越小,表示目标位置p的相似度矩阵和周围的相似度矩阵存在较小的差异。
对所有目标位置都分配对应的像素值后,获得一张灰度图像。
2)对灰度图像进行区域分割,获取区域分割图像。
对灰度图像进行均值滤波,将滤波后的灰度图像利用分水岭算法获得区域分割图,该区域分割图上存在多个不同的分割区域,每个分割区域都是一个连通域。
3)获取每个区域的第一平均危险程度。
将所有连锁事故分布图进行累计求和,获取融合图像;以每个分割区域在融合图像中的像素值均值作为特征值,以每个区域的特征值作为该区域的第一平均危险程度。
具体的,获取所有设备的连锁事故分布图进行累计求和,获得一个叠加融合图像Image,表示所有设备此刻同时引发连锁事故时每个位置的危险大小,本发明实施例的危险大小可以是危害或破坏力的大小,也可以是发生危险事故的概率的大小。
每个分割区域对应一个特征值,该值的大小为该区域连通域内Image上所有像素值的均值,表示该区域内的第一平均危险程度。
步骤S005,由不同时刻下的区域分割图像获取目标位置的稳定程度;以不同时刻下目标区域的第一平均危险程度的平均值作为目标位置的第二平均危险程度;目标区域为目标位置所在的区域,以稳定程度和第二平均危险程度的乘积作为目标位置的围栏划分置信度;根据所有目标位置的围栏划分置信度生成电子围栏。
具体的步骤包括:
1)获取目标位置的稳定程度。
获取不同时刻下的多张区域分割图像,由每张区域分割图像中目标区域的特征和特征值组成特征向量,根据特征向量获取稳定程度。
具体的,目标区域的特征为目标区域的面积和中心点坐标,根据每张区域分割图像中目标区域的特征和特征值获取特征向量,得到目标区域的变化序列listp,将该序列输入TCN网络中输出目标位置p的稳定程度Lp。
需要说明的是,在本发明实施例中稳定程度分为十个等级:0.0,0.1,……,0.9。
稳定程度越大说明目标位置p所在的图像块的位置、面积以及特征值大小变化都不大,即目标位置p处于一个较为确定的图像块中,表示该图像块具有确定的特征信息,即边界信息、特征值信息等,说明目标位置p始终处于一个确定的危险分布之中;稳定程度越小说明目标位置p所在的图像块的位置、面积以及特征值大小变化比较大,即目标位置p处于一个不确定的图像块中,无法确定该图像块的边界、特征值大小信息等,说明目标位置p所处的危险分布无法确定。
2)获取所有目标位置的围栏划分置信度。
获得listp中不同时刻的第一平均危险程度的平均值,作为目标位置p的第二平均危险程度lp,令表示围栏划分置信度,该值越大说明目标位置p越处于一个具有明显固定边界的、平均危险程度大的区域内;越小,表示目标位置p的平均危险程度小,越不需要划分围栏,或者表示该位置p没有处于一个固定的,或者无法准确确定的危险区域内,划分围栏的必要性不大。
3)根据所有目标位置的围栏划分置信度生成电子围栏。
将所有围栏划分置信度作为像素值构成一张置信度分布图;对置信度分布图进行语义分割,获得多个语义区域,对语义区域生成相应的电子围栏。
具体的,获取所有目标位置的围栏划分置信度,构成一张置信度分布图,对该图高斯模糊处理后输入语义分割网络中获得语义区域,语义区域表示集中分布着的一些目标位置,这些目标位置所对应的图像块具有较为固定的边界或者较大的平均危险程度,该语义区域容易发生出现多个设备同时出现连锁事故的情况,该语义区域内的危险分布相对稳定或固定,且是高风险区域,对其生成电子围栏,并安装一些围栏的相关设备,例如传感器、人脸设别系统、门禁系统,实现危险区域的隔离。
作为一个示例,在本发明实施例中语义分割网络使用Mask-RCNN网络,该网络的输入图像数据内没有有复杂的纹理,数据集可以使用计算机模拟和随机生成,该网络的数据集采用人为标注。
优选的,本发明实施例还包括以下步骤:
在生成电子围栏时,对电子围栏的区域进行自适应的权限分配。
具体的步骤包括:
1)获取在某一时刻下的电子围栏的区域在灰度图像中每个位置的像素值,对像素值进行密度聚类,获取每个类别的类别相似度矩阵。
在某一时刻,获取电子围栏的区域在灰度图像中每个位置的像素值,剔除像素值大于阈值的像素,剩下的这些像素值视为一个二维像素值的分布,对这些像素值进行密度聚类,可能获得多个类别,每个类别中的像素聚集密度较大,而且这些像素位置对应的相似度矩阵差异小。在每个类别中对所有位置的相似度矩阵求均值,获取类别相似度矩阵。多个类别对应多个类别相似度矩阵,每个类别相似度矩阵表示任意两个设备危险程度分布的相似性。
2)对类别相似度矩阵的每一行或者每一列求和,生成一个列向量或者行向量,获取列向量或者行向量中最大数值对应的设备,作为高危设备。
在同一时刻下,获取每个类别对应的类别相似度矩阵,矩阵每一行或者每一列求和,表示每行或者每列所对应的设备与其他设备的相似度之和,获得一个与相似度矩阵行数或者列数相同的向量,获取该向量最大元素对应的设备,作为高危设备。
由步骤S003可知,两个设备的相似度越大,越容易出现连锁事故,高危设备与其他设备的相似度最大,说明该高危设备能和其他设备产生相似的危险程度分布,相似的危险程度分布代表和其他设备一同出现危险;该高危设备和其他设备相似度最大,并且考虑到在语义区域内平均危险程度大,说明该高危设备容易和其他设备在该时刻下同时产生连锁事故,即该设备在该时刻下最容易引发连锁事故。
3)统计多个时刻的高危设备,对高危设备实时分配权限。
通过统计多个时刻下的高危设备,统计每个高危设备出现在围栏区域内的次数,获取出现次数最多的K个高危设备,这些高危设备最有可能在电子围栏内造成连锁事故,对其分配权限。
分配权限的方法是:只允许对这些设备有操作权限的人员进入该电子围栏,对这些设备没有操作权限的人员不允许进入电子围栏。
本发明实施例人为地为每个设备分配一个或多个具有操作权限的人员,需要根据设备的作用和人员的职责与技术能力分配操作设备的权限。
综上所述,本发明实施例采集初始图像;初始图像包括多个设备;对每个设备划分预设危险区域,并根据该设备的参数获取设备的故障程度;根据故障程度和预设危险区域计算每个设备对初始图像中每个位置造成的风险程度,以风险程度作为热度值,得到每个设备的连锁事故分布图;在每张连锁事故分布图上生成以目标位置为中心的预设窗口的图像块,计算每两个图像块的相似度,组成目标位置的相似度矩阵;根据目标位置的相似度矩阵与邻域位置的相似度矩阵的差异为目标位置分配像素值,得到灰度图像;对灰度图像进行区域分割,获取区域分割图像,以及每个区域的第一平均危险程度;由不同时刻下的区域分割图像获取目标位置的稳定程度;以不同时刻下目标区域的第一平均危险程度的平均值作为目标位置的第二平均危险程度;目标区域为目标位置所在的区域;以稳定程度和第二平均危险程度的乘积作为目标位置的围栏划分置信度;根据所有目标位置的围栏划分置信度生成电子围栏。本发明实施例能够考虑不同设备之间的连锁事故叠加特征和危险分布相似性,生成的电子围栏能够覆盖经常性出现危险的高危区域,提高电子围栏划分的可靠性。
基于与上述方法相同的发明构思,本发明另一个实施例提供了一种基于人工智能的危险区域电子围栏生成系统。
请参阅图2,其示出了本发明实施例提供的一种基于人工智能的危险区域电子围栏生成系统的系统结构图。该实施例的系统包括: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基于人工智能的危险区域电子围栏生成方法实施例中的步骤,例如图1所示的步骤。
示例性的,计算机程序可以被分割成一个或多个模块,其中一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。其中一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在该系统中的执行过程。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,该处理器是该系统的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
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.基于人工智能的危险区域电子围栏生成方法,其特征在于,该方法包括以下步骤:
采集初始图像;所述初始图像包括多个设备;对每个设备划分预设危险区域,并根据该设备的参数获取所述设备的故障程度;
根据所述故障程度和所述预设危险区域计算每个设备对所述初始图像中每个位置造成的风险程度,以所述风险程度作为热度值,得到每个设备的连锁事故分布图;
在每张所述连锁事故分布图上生成以目标位置为中心的预设窗口的图像块,计算每两个所述图像块的相似度,组成所述目标位置的相似度矩阵;
根据所述目标位置的相似度矩阵与邻域位置的相似度矩阵的差异为所述目标位置分配像素值,得到灰度图像;对所述灰度图像进行区域分割,获取区域分割图像,以及每个区域的第一平均危险程度;
由不同时刻下的所述区域分割图像获取所述目标位置的稳定程度;以不同时刻下目标区域的所述第一平均危险程度的平均值作为所述目标位置的第二平均危险程度;所述目标区域为所述目标位置所在的区域;以所述稳定程度和所述第二平均危险程度的乘积作为所述目标位置的围栏划分置信度;根据所有所述目标位置的围栏划分置信度生成电子围栏;
所述风险程度的计算方法为:
获取每个设备对其他所有设备的最短游走路径;依据所述最短游走路径计算每个设备对所述每个位置造成的风险程度;
所述连锁事故分布图的获取方法为:
当某一个设备发生故障而产生危险后,目标位置取初始图像中的所有点时,得到目标位置取初始图像中的每一个点时所对应的叠加风险,所有的叠加风险构成该设备的连锁事故分布图;
其中,当该设备发生故障而产生危险后,该危险会波及到其他设备,造成连锁事故,这些连锁事故在目标位置造成叠加风险;
所述第一平均危险程度的获取步骤包括:
将所有所述连锁事故分布图进行累计求和,获取融合图像;
以每个分割区域在所述融合图像中的像素值均值作为特征值,以每个区域的所述特征值作为该区域的所述第一平均危险程度。
2.根据权利要求1所述的方法,其特征在于,所述每两个所述图像块的相似度的获取方法为:
计算每个所述图像块的灰度共生矩阵,以每两个所述灰度共生矩阵的一维向量的余弦相似度作为所述相似度。
3.根据权利要求1所述的方法,其特征在于,所述每两个所述图像块的相似度的获取方法为:
将每两个所述图像块作差,取L2范数,以所述L2范数的倒数作为所述相似度。
4.根据权利要求1所述的方法,其特征在于,所述稳定程度的获取方法为:
由不同时刻下所述区域分割图像中所述目标区域的特征和所述特征值组成特征向量,根据所述特征向量获取所述稳定程度。
5.根据权利要求1所述的方法,其特征在于,所述根据所有所述目标位置的围栏划分置信度生成电子围栏的步骤包括:
将所有所述围栏划分置信度作为像素值构成一张置信度分布图;
对所述置信度分布图进行语义分割,获得多个语义区域,对所述语义区域生成相应的电子围栏。
6.根据权利要求1所述的方法,其特征在于,该方法还包括以下步骤:
在生成所述电子围栏时,对电子围栏的区域进行自适应的权限分配。
7.根据权利要求6所述的方法,其特征在于,所述权限分配的步骤包括:
获取在某一时刻下的所述电子围栏的区域在所述灰度图像中每个位置的像素值,对所述像素值进行密度聚类,获取每个类别的类别相似度矩阵;
对所述类别相似度矩阵的每一行或者每一列求和,生成一个列向量或者行向量,获取所述列向量或者所述行向量中最大数值对应的设备,作为高危设备;
统计多个时刻的所述高危设备,对所述高危设备实时分配权限。
8.基于人工智能的危险区域电子围栏生成系统,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1~7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914522.2A CN113642631B (zh) | 2021-08-10 | 2021-08-10 | 基于人工智能的危险区域电子围栏生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914522.2A CN113642631B (zh) | 2021-08-10 | 2021-08-10 | 基于人工智能的危险区域电子围栏生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642631A CN113642631A (zh) | 2021-11-12 |
CN113642631B true CN113642631B (zh) | 2022-07-12 |
Family
ID=78420549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110914522.2A Active CN113642631B (zh) | 2021-08-10 | 2021-08-10 | 基于人工智能的危险区域电子围栏生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642631B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299085B (zh) * | 2021-12-23 | 2024-02-27 | 河南鑫安利安全科技股份有限公司 | 基于无人机航拍的危险源辨识方法 |
CN114707856B (zh) * | 2022-04-02 | 2023-06-30 | 河南鑫安利安全科技股份有限公司 | 基于计算机视觉的风险辨识分析与预警系统 |
CN115272303B (zh) * | 2022-09-26 | 2023-03-10 | 睿贸恒诚(山东)科技发展有限责任公司 | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 |
CN115861320B (zh) * | 2023-02-28 | 2023-05-12 | 天津中德应用技术大学 | 一种汽车零件加工信息智能检测方法 |
CN116311541B (zh) * | 2023-05-22 | 2023-08-04 | 泰坦(天津)能源技术有限公司 | 一种识别工人违规行为的智能巡检方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107124037A (zh) * | 2017-04-13 | 2017-09-01 | 贵州电网有限责任公司电力科学研究院 | 一种基于多数据源的变电站智能巡检系统及综合诊断方法 |
CN108717762A (zh) * | 2018-07-26 | 2018-10-30 | 国家电网公司 | 电子围栏检测系统及检测方法 |
CN112634662A (zh) * | 2020-11-25 | 2021-04-09 | 一飞(海南)科技有限公司 | 电子围栏、控制系统、方法、介质、无人机编队及终端 |
CN113115225A (zh) * | 2021-04-09 | 2021-07-13 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794733B (zh) * | 2014-01-20 | 2018-05-08 | 株式会社理光 | 对象跟踪方法和装置 |
-
2021
- 2021-08-10 CN CN202110914522.2A patent/CN113642631B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107124037A (zh) * | 2017-04-13 | 2017-09-01 | 贵州电网有限责任公司电力科学研究院 | 一种基于多数据源的变电站智能巡检系统及综合诊断方法 |
CN108717762A (zh) * | 2018-07-26 | 2018-10-30 | 国家电网公司 | 电子围栏检测系统及检测方法 |
CN112634662A (zh) * | 2020-11-25 | 2021-04-09 | 一飞(海南)科技有限公司 | 电子围栏、控制系统、方法、介质、无人机编队及终端 |
CN113115225A (zh) * | 2021-04-09 | 2021-07-13 | 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 |
Non-Patent Citations (1)
Title |
---|
孙东亮.基于事故连锁风险的区域危险源辨识技术研究.《工业安全与环保》.2009, * |
Also Published As
Publication number | Publication date |
---|---|
CN113642631A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642631B (zh) | 基于人工智能的危险区域电子围栏生成方法及系统 | |
Hoang et al. | Image Processing‐Based Detection of Pipe Corrosion Using Texture Analysis and Metaheuristic‐Optimized Machine Learning Approach | |
Bae et al. | Real-time prediction of nuclear power plant parameter trends following operator actions | |
Verikas et al. | Soft combination of neural classifiers: A comparative study | |
Kokar et al. | Review of multisensor data fusion architectures and techniques | |
KR101210729B1 (ko) | 지능형 위험전조 패턴 분석모델을 이용한 에너지 플랜트의 실시간 위험전조 예측방법 및 예측시스템 | |
Pinheiro et al. | Nuclear Power Plant accident identification system with “don’t know” response capability: Novel deep learning-based approaches | |
CN109690545A (zh) | Plc虚拟补丁和安全上下文的自动分发 | |
Bahaghighat et al. | Vision inspection of bottle caps in drink factories using convolutional neural networks | |
Moayyed et al. | Image processing based approach for false data injection attacks detection in power systems | |
CN115880598B (zh) | 一种基于无人机的地面图像检测方法及相关装置 | |
US11720091B2 (en) | Systems and methods for real-time data processing and for emergency planning | |
Choi et al. | RNN-based integrated system for real-time sensor fault detection and fault-informed accident diagnosis in nuclear power plant accidents | |
Lee et al. | Development of the machine learning-based safety significant factor inference model for diagnosis in autonomous control system | |
Ruan et al. | Deep learning-based fault prediction in wireless sensor network embedded cyber-physical systems for industrial processes | |
Thomopoulos | Decision and evidence fusion in sensor integration | |
Burbano et al. | Dynamic data integration for resilience to sensor attacks in multi-agent systems | |
CN113688676A (zh) | 一种基于人工智能的可疑行为识别方法及云服务器 | |
Yang et al. | Facilitating uncertainty treatment in the risk assessment of container supply chains | |
CN116740653A (zh) | 一种配电箱运行状态监测方法及系统 | |
CN110400042A (zh) | 基于马尔可夫过程的核燃料循环设施应急状态的确定方法 | |
CN109543653A (zh) | 一种视频监控警戒区设置方法、系统以及装置 | |
Ung et al. | The risk assessment and management of port security using fuzzy modeling | |
Ouache et al. | Safety instrumented systems between reliability and fuzzy | |
Moreh et al. | Crack detection and localization based on spatio-temporal data using residual networks |
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 |