CN113792658A - 一种全过程智能监测的动火作业闭环自动管控方法及系统 - Google Patents
一种全过程智能监测的动火作业闭环自动管控方法及系统 Download PDFInfo
- Publication number
- CN113792658A CN113792658A CN202111080568.5A CN202111080568A CN113792658A CN 113792658 A CN113792658 A CN 113792658A CN 202111080568 A CN202111080568 A CN 202111080568A CN 113792658 A CN113792658 A CN 113792658A
- Authority
- CN
- China
- Prior art keywords
- fire
- fire operation
- closed
- behavior
- moment
- 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 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000008569 process Effects 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 31
- 238000013136 deep learning model Methods 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010304 firing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005295 random walk Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 208000020442 loss of weight Diseases 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000005286 illumination Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种全过程智能监测的动火作业闭环自动管控方法及系统,建立动火作业安全损失函数,实现了对动火作业安全性的度量,主要涉及动火作业票所标定的三种动火作业要素:①动火作业区域,②动火作业种类,③动火作业距危险源的空间距离。在此基础上,通过一套机器视觉智能检测及识别技术,实现了对动火作业区域,动火作业行为以及邻域危险源的检测及分类。该检测及分类结果进一步反馈输入至动火作业安全损失函数,根据规则化的动火作业闭环管控规则,发出动火作业终止或继续的指令,以实现动火作业闭环自动管控。
Description
技术领域
本发明涉及一种全过程智能监测的动火作业闭环自动管控方法及系统,属于动火作业的管控技术领域。
背景技术
化工企业生产过程中的物料、中间件及最终产品具有易燃易爆、有毒有害等特性,对于生产工艺及设备的安全性要求极端苛刻。随着化工工业生产规模化程度不断提高,生产设备长时间不间断运行于高温、高压及强腐蚀环境中,不可避免的造成设备老化和结构性缺陷。亟需各类对化工工业设备的定期维修,难免产生动火作业。在化工生产现场的动火作业是一项高危作业,对其施行严格的管控是防范中毒、火灾、爆炸等严重事故的关键。
目前,对于动火作业的管控主要通过动火作业篇的签发进行预防性的作业审查,通过监火员进行动火作业的管理和控制。该种防范策略需要耗费大量的人力物力,且对作业和监视人员的业务水平有着严峻的考验,此外人员的疏忽及疲劳也会造成动火作业的安全隐患。
随着人工智能及机器视觉技术的发展,自动化的智能成像监测已成为替代各类人工观察工作的有效技术手段,已见目标检测、分类与行为识别的领域应用,有着监测效率高、及时性、准确性高等的技术优势,且具备长时间不间断工作的能力。然而,在动火作业管控领域,人工智能技术及机器视觉技术面临应用断层,尚未有针对动火作业自动化管控的技术手段。主要问题在于:①缺乏对动火作业安全性度量的规则化描述,②缺乏动火作业规范的规则化描述,③缺乏针对动火作业的区域检测、行为识别及目标检测技术。
发明内容
发明目的:针对现有技术中存在的问题与不足,本发明提供一种全过程智能监测的动火作业闭环自动管控方法及系统,通过人工智能技术辨识动火作业位置、行为及危险源目标,通过t时刻动火作业安全损失函数度量动火作业的安全性,以实现动火作业闭环自动管控。
技术方案:一种全过程智能监测的动火作业闭环自动管控方法,结合动火作业票、机器视觉技术和基于卷积神经网络的深度学习技术建立了t时刻动火作业安全损失函数,采用机器视觉技术检测动火产生的区域,采用行为识别深度学习模型判断t时刻动火作业行为种类,采用目标检测深度学习模型检测并分类危险源,最终计算得到t时刻动火作业的安全性度量;根据所建立的基于动火作业安全损失函数的动火作业闭环管控规则,发送动火作业终止或继续的指令,从而完成动火作业闭环自动管控。
所述t时刻动火作业安全损失函数,用于度量动火作业安全性;t时刻动火作业安全损失函数为:
其中,l(t)为t时刻动火作业发生的位置,γ为动火作业票所标定的动火作业区域的位置,h(t)为t时刻动火作业行为种类,η为动火作业票所标定的动火作业行为种类,wi为危险源的权重,i为危险源等级,si(t)为t时刻监测范围内动火作业区域距离第i等级危险源的距离,τ1,τ2为动火作业票所标定的动火作业起始和终止时刻,α1,α2为损失权重。动火作业安全性随动火作业安全损失函数值递减而递增。
所述i为危险源等级,共分为4级危险源,危险源的权重分别为:
w1=1,w2=0.7,w3=0.6,w5=0.5。
采用基于光学特征的动火种子点选择及随机游走方法,检测t时刻动火发生位置:
光学特征1:监测范围内动火作业区域的RGB彩色图像的色彩信道方差特征计算为:
其中,Vr(x),Vg(x),Vb(x)为x像素点处光学信息中红、绿、蓝信道的方差,Ir(x)为x点处红色信道光强度,Ig(x)为x点处绿色信道光强度,Ib(x)为x点处蓝色信道光强度。
光学特征2:红色信道全局对比度特征计算为:
其中,Cr(x)为红色信道全局对比度特征,Ir(x)为x点处红色信道光强度,Ir(y)为环境中任意一点处红色信道光强度,Ir为环境光学信息红色信道分量。
动火种子点选择原则:
根据种子点集合ξ采用随机游走模型获取完整的动火区域,建立该动火区域的最小外界矩形,标记该矩形的中心点为动火发生位置l(t)。
结合动火发生位置l(t),采用行为识别深度学习模型判断t时刻动火作业行为种类。
设计以动火发生位置l(t)为中心半径为σ的成像区域作为动火作业行为的发生区域s(t),其中σ=0.5N,N为图像长度。
通过在危险化工厂区布设视频传感器,捕获并存储不同场景、不同厂区、不同光照条件、不同动火作业类型的图像,对图像中的动火作业类型进行人工标注,确定每幅图像的标签,联合图像和相对应的图像标签构建典型动火作业图像数据库,输入行为识别深度学习模型进行训练,采用训练后的行为识别深度学习模型实现对t时刻在动火作业行为发生区域内动火作业行为种类的分类。
通过四类危险源现场图像采集及网上公开图像爬取,捕获并存储不同场景、不同厂区、不同光照条件下四类危险源图像,对图像中四类危险源的种类进行人工标注,确定每幅图像的标签,联合图像和相对应的图像标签构建四类危险源的图像数据库,输入目标检测和识别深度学习模型进行训练,采用训练后的目标检测和识别深度学习模型实现对t时刻动火行为发生的成像视域内的重大危险源进行检测并分类,分类四个不同等级的危险源的区域,标记四类不同等级危险源区域最小外接矩形的中心为危险源的位置di(t)i=1,2,3,4。
若在成像视域内存在i类危险源:
si(t)=||l(t)-di(t)||
其中,||||为两个位置的欧式距离度量函数。
若在成像视域内无i类危险源,缺省值:si(t)=106。
根据基于动火作业安全损失函数的动火作业闭环管控规则进行t时刻动火作业管控:
当E(t)>ε时,立即终止t+1时刻的动火作业。
否则,动火作业继续发生,计算E(t+1)。
至此,完成了t时刻动火作业的闭环管控。
一种用于实现上述全过程智能监测的动火作业闭环自动管控方法的系统,包括动火作业安全损失函数计算模块、动火区域检测模块、动火作业闭环管控模块、判断动火作业行为种类模块和危险源的位置标记模块。
所述动火作业安全损失函数计算模块结合动火作业票、机器视觉技术和基于卷积神经网络的深度学习技术建立了t时刻动火作业安全损失函数。
所述动火区域检测模块采用机器视觉技术检测动火产生的区域。
所述判断动火作业行为种类模块采用行为识别深度学习模型判断t时刻动火作业行为种类。
所述危险源的位置标记模块采用目标检测深度学习模型检测并分类危险源,最终计算得到t时刻动火作业的安全性度量。
所述动火作业闭环管控模块根据所建立的基于动火作业安全损失函数的动火作业闭环管控规则,发送动火作业终止或继续的指令,从而完成动火作业闭环自动管控。
一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行上述计算机程序时实现如上所述的全过程智能监测的动火作业闭环自动管控方法。
一种计算机可读存储介质,该计算机可读存储介质存储有执行如上所述的全过程智能监测的动火作业闭环自动管控方法的计算机程序。
有益效果:与现有技术相比,本发明提供的全过程智能监测的动火作业闭环自动管控方法及系统,能够自动度量动火作业的安全性并对动火作业全过程进行自动监测和管控,实现了动火作业过程的智能监测和自动管控。
附图说明
图1是本发明实施例的方法流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,一种全过程智能监测的动火作业闭环自动管控方法,该方法的核心为t时刻动火作业安全损失函数,用于度量动火作业安全性:
其中,l(t)为t时刻动火作业发生的位置,γ为动火作业票所标定的动火作业区域的位置,h(t)为t时刻动火作业行为种类,η为动火作业票所标定的动火作业行为种类,wi为危险源的权重,i为危险源等级,共分为4级危险源w1=1,w2=0.7,w3=0.6,w5=0.5,si(t)为t时刻监测范围内动火作业区域距离第i等级危险源的距离,τ1,τ2为动火作业票所标定的动火作业起始和终止时刻,α1,α2为损失权重。动火作业安全性随动火作业安全损失函数值递减而递增。
具体动火作业管控过程为:
步骤一、检测t时刻动火发生位置,采用基于光学特征的动火种子点选择及随机游走方法:
光学特征1:信道方差特征计算为:
其中,Vr(x),Vg(x),Vb(x)为x点处光学信息中红、绿、蓝信道的方差,Ir(x)为x点处红色信道光强度,Ig(x)为x点处绿色信道光强度,Ib(x)为x点处蓝色信道光强度。
光学特征2:红色信道全局对比度特征计算为:
其中,Cr(x)为红色信道全局对比度特征,Ir(x)为x点处红色信道光强度,Ir(y)为环境中任意一点处红色信道光强度,Ir为环境光学信息红色信道分量;
种子点选择原则:
根据种子点集合ξ采用随机游走模型获取完整的动火区域,基于随机游走方法的目标区域提取可参考文献【Ramadan H,Tairi H.Pattern mining-based video saliencydetection:application to moving object segmentation.Computers & ElectricalEngineering,2018,70:567-579.】,此处不再赘述。
建立该动火区域的最小外界矩形,标记该矩形的中心点为动火发生位置l(t)。
步骤二、结合动火发生位置l(t),采用行为识别深度学习模型判断t时刻动火作业行为种类。
设计以动火发生位置l(t)为中心半径为σ的成像区域作为动火作业行为的发生区域s(t),其中σ=0.5N,N为图像长度。
通过在危险化工厂区布设视频传感器,捕获并存储不同场景、不同厂区、不同光照条件、不同动火作业类型的视频图像,对视频图像进行人工标注,构建典型动火作业图像数据库,输入行为识别深度学习模型进行训练,采用训练后的行为识别深度学习模型实现对t时刻在动火作业行为发生区域内动火作业行为种类的分类。基于深度学习模型行为识别的模型训练和分类过程参考文献【王忠民,曹洪江,范琳.一种基于卷积神经网络深度学习的人体行为识别方法.计算机科学,2016,43(s2):56-58.】,此处不再赘述。
步骤三、通过四类危险源现场图像采集及网上公开图像爬取,捕获并存储不同场景、不同厂区、不同光照条件下四类危险源图像,对图像进行人工标注,构建四类危险源的图像数据库,,输入目标检测和识别深度学习模型进行训练,采用训练后的目标检测和识别深度学习模型实现对t时刻动火行为发生的成像视域内的重大危险源进行检测并分类,分类四个不同等级的危险源的区域,标记四类不同等级危险源区域最小外接矩形的中心为危险源的位置di(t)i=1,2,3,4。基于深度学习目标检测和分类的模型训练和分类过程参考文献【Lu,K.,Chen,J.,Little,J.J.,& He,H.(2018).Lightweight convolutional neuralnetworks for player detection and classification.Computer Vision and ImageUnderstanding,172,77-87.】,此处不再赘述。
若在成像视域内存在i类危险源:
si(t)=||l(t)-di(t)||
其中,||||为两个位置的欧式距离度量函数,di(t)i=1,2,3,4为四类不同等级危险源区域最小外接矩形的中心为危险源的位置。
若在成像视域内无i类危险源,缺省值:si(t)=106。
步骤四、根据基于动火作业安全损失函数的动火作业闭环管控规则进行t时刻动火作业管控:
当E(t)>ε时,立即终止t+1时刻的动火作业。
否则,动火作业继续发生,计算E(t+1)。
至此,完成了t时刻动火作业的闭环管控。
用于实现上述全过程智能监测的动火作业闭环自动管控方法的系统,包括动火作业安全损失函数计算模块、动火区域检测模块、动火作业闭环管控模块、判断动火作业行为种类模块和危险源的位置标记模块。
动火作业安全损失函数计算模块结合动火作业票、机器视觉技术和基于卷积神经网络的深度学习技术建立了t时刻动火作业安全损失函数。t时刻动火作业安全损失函数如上述。
动火区域检测模块采用机器视觉技术检测动火产生的区域。具体实现过程如上述步骤一。
判断动火作业行为种类模块采用行为识别深度学习模型判断t时刻动火作业行为种类。具体实现过程如上述步骤二。
危险源的位置标记模块采用目标检测深度学习模型检测并分类危险源,最终计算得到t时刻动火作业的安全性度量。具体实现过程如上述步骤三。
动火作业闭环管控模块根据所建立的基于动火作业安全损失函数的动火作业闭环管控规则,发送动火作业终止或继续的指令,从而完成动火作业闭环自动管控。具体实现过程如上述步骤四。
显然,本领域的技术人员应该明白,上述的本发明实施例的全过程智能监测的动火作业闭环自动管控方法各步骤或全过程智能监测的动火作业闭环自动管控系统各模块可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
Claims (10)
1.一种全过程智能监测的动火作业闭环自动管控方法,其特征在于,结合动火作业票、机器视觉技术和基于卷积神经网络的深度学习技术建立了t时刻动火作业安全损失函数,采用机器视觉技术检测动火产生的区域,采用行为识别深度学习模型判断t时刻动火作业行为种类,采用目标检测深度学习模型检测并分类危险源,最终计算得到t时刻动火作业的安全性度量;根据所建立的基于动火作业安全损失函数的动火作业闭环管控规则,发送动火作业终止或继续的指令,从而完成动火作业闭环自动管控。
3.根据权利要求2所述的一种全过程智能监测的动火作业闭环自动管控方法,其特征在于,所述i为危险源等级,共分为4级危险源,危险源的权重分别为:w1=1,w2=0.7,w3=0.6,w5=0.5。
4.根据权利要求1所述的一种全过程智能监测的动火作业闭环自动管控方法,其特征在于,采用基于光学特征的动火种子点选择及随机游走方法,检测t时刻动火发生位置:
光学特征1:信道方差特征计算为:
其中,Vr(x),Vg(x),Vb(x)为x点处光学信息中红、绿、蓝信道的方差,Ir(x)为x点处红色信道光强度,Ig(x)为x点处绿色信道光强度,Ib(x)为x点处蓝色信道光强度;
光学特征2:红色信道全局对比度特征计算为:
其中,Cr(x)为红色信道全局对比度特征,Ir(x)为x点处红色信道光强度,Ir(y)为环境中任意一点处红色信道光强度,Ir为环境光学信息红色信道分量;
动火种子点选择原则:
根据种子点集合ξ采用随机游走模型获取完整的动火区域,建立该动火区域的最小外界矩形,标记该矩形的中心点为动火发生位置l(t)。
5.根据权利要求1所述的一种全过程智能监测的动火作业闭环自动管控方法,其特征在于,结合动火发生位置l(t),采用行为识别深度学习模型判断t时刻动火作业行为种类;
设计以动火发生位置l(t)为中心半径为σ的成像区域作为动火作业行为的发生区域s(t);
构建典型动火作业图像数据库,输入行为识别深度学习模型进行训练,采用训练后的行为识别深度学习模型实现对t时刻在动火作业行为发生区域内动火作业行为种类的分类。
6.根据权利要求1所述的一种全过程智能监测的动火作业闭环自动管控方法,其特征在于,构建四类危险源的图像数据库,输入目标检测和识别深度学习模型进行训练,采用训练后的目标检测和识别深度学习模型实现对t时刻动火行为发生的成像视域内的重大危险源进行检测并分类,分类四个不同等级的危险源的区域,标记四类不同等级危险源区域最小外接矩形的中心为危险源的位置di(t)i=1,2,3,4;
若在成像视域内存在i类危险源:
si(t)=||l(t)-di(t)||
其中,|| ||为两个位置的欧式距离度量函数;
若在成像视域内无i类危险源,si(t)设置为缺省值。
7.根据权利要求2所述的一种全过程智能监测的动火作业闭环自动管控方法,其特征在于,根据基于动火作业安全损失函数的动火作业闭环管控规则进行t时刻动火作业管控:
当E(t)>ε时,立即终止t+1时刻的动火作业;
否则,动火作业继续发生,计算E(t+1);
至此,完成了t时刻动火作业的闭环管控。
8.一种全过程智能监测的动火作业闭环自动管控系统,其特征在于,包括动火作业安全损失函数计算模块、动火区域检测模块、动火作业闭环管控模块、判断动火作业行为种类模块和危险源的位置标记模块;
所述动火作业安全损失函数计算模块结合动火作业票、机器视觉技术和基于卷积神经网络的深度学习技术建立了t时刻动火作业安全损失函数;
所述动火区域检测模块采用机器视觉技术检测动火产生的区域;
所述判断动火作业行为种类模块采用行为识别深度学习模型判断t时刻动火作业行为种类;
所述危险源的位置标记模块采用目标检测深度学习模型检测并分类危险源,最终计算得到t时刻动火作业的安全性度量;
所述动火作业闭环管控模块根据所建立的基于动火作业安全损失函数的动火作业闭环管控规则,发送动火作业终止或继续的指令,从而完成动火作业闭环自动管控。
9.一种计算机设备,其特征在于:该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行上述计算机程序时实现如权利要求1-7中任一项所述的全过程智能监测的动火作业闭环自动管控方法。
10.一种计算机可读存储介质,其特征在于:该计算机可读存储介质存储有执行如权利要求1-7中任一项所述的全过程智能监测的动火作业闭环自动管控方法的计算机程序。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080568.5A CN113792658B (zh) | 2021-09-15 | 2021-09-15 | 一种全过程智能监测的动火作业闭环自动管控方法及系统 |
NL2030149A NL2030149B1 (en) | 2021-09-15 | 2021-12-16 | A method and system for closed-loop automatic control for whole-process intelligent monitoring of fire activity operations |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080568.5A CN113792658B (zh) | 2021-09-15 | 2021-09-15 | 一种全过程智能监测的动火作业闭环自动管控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792658A true CN113792658A (zh) | 2021-12-14 |
CN113792658B CN113792658B (zh) | 2023-09-01 |
Family
ID=79183499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111080568.5A Active CN113792658B (zh) | 2021-09-15 | 2021-09-15 | 一种全过程智能监测的动火作业闭环自动管控方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113792658B (zh) |
NL (1) | NL2030149B1 (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903077A (zh) * | 2012-12-27 | 2014-07-02 | 上海建工七建集团有限公司 | 危险源监管系统和方法 |
CN104658187A (zh) * | 2015-02-09 | 2015-05-27 | 云南电网有限责任公司西双版纳供电局 | 一种电网输电线路作业风险管控提醒方法及装置 |
KR20170006095A (ko) * | 2015-07-07 | 2017-01-17 | 주식회사 피식스컨설팅 | 건설현장 및 산업현장의 안전관리 시스템 및 그 방법 |
CN109858819A (zh) * | 2019-02-13 | 2019-06-07 | 苏州真趣信息科技有限公司 | 一种动火作业票的管理系统 |
CN110427825A (zh) * | 2019-07-01 | 2019-11-08 | 上海宝钢工业技术服务有限公司 | 基于关键帧与快速支持向量机融合的视频火焰识别方法 |
CN110570076A (zh) * | 2019-07-19 | 2019-12-13 | 云南昆钢电子信息科技有限公司 | 一种危险作业现场检查监督管理系统和方法 |
CN110929923A (zh) * | 2019-11-08 | 2020-03-27 | 温州设计集团有限公司 | 基于数字孪生技术的城市安全风险管控系统 |
-
2021
- 2021-09-15 CN CN202111080568.5A patent/CN113792658B/zh active Active
- 2021-12-16 NL NL2030149A patent/NL2030149B1/en active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903077A (zh) * | 2012-12-27 | 2014-07-02 | 上海建工七建集团有限公司 | 危险源监管系统和方法 |
CN104658187A (zh) * | 2015-02-09 | 2015-05-27 | 云南电网有限责任公司西双版纳供电局 | 一种电网输电线路作业风险管控提醒方法及装置 |
KR20170006095A (ko) * | 2015-07-07 | 2017-01-17 | 주식회사 피식스컨설팅 | 건설현장 및 산업현장의 안전관리 시스템 및 그 방법 |
CN109858819A (zh) * | 2019-02-13 | 2019-06-07 | 苏州真趣信息科技有限公司 | 一种动火作业票的管理系统 |
CN110427825A (zh) * | 2019-07-01 | 2019-11-08 | 上海宝钢工业技术服务有限公司 | 基于关键帧与快速支持向量机融合的视频火焰识别方法 |
CN110570076A (zh) * | 2019-07-19 | 2019-12-13 | 云南昆钢电子信息科技有限公司 | 一种危险作业现场检查监督管理系统和方法 |
CN110929923A (zh) * | 2019-11-08 | 2020-03-27 | 温州设计集团有限公司 | 基于数字孪生技术的城市安全风险管控系统 |
Non-Patent Citations (1)
Title |
---|
杨云涛: "关于危险作业"云监督"模式的探索研究", 《城市燃气》, pages 29 - 34 * |
Also Published As
Publication number | Publication date |
---|---|
NL2030149A (en) | 2022-03-15 |
CN113792658B (zh) | 2023-09-01 |
NL2030149B1 (en) | 2023-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10860879B2 (en) | Deep convolutional neural networks for crack detection from image data | |
CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
CN112380952A (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN108038424B (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN107666594A (zh) | 一种视频监控实时监测违章作业的方法 | |
US20180307894A1 (en) | Neural network systems | |
CN109858389A (zh) | 基于深度学习的直梯人数统计方法及系统 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN112633052A (zh) | 一种皮带撕裂检测方法 | |
CN112163572A (zh) | 识别对象的方法和装置 | |
CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
CN116129135A (zh) | 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法 | |
WO2023104557A1 (en) | Machine-learning for safety rule violation determination | |
CN111401437A (zh) | 基于深度学习的输电通道隐患预警等级分析方法 | |
JP6488366B2 (ja) | 色に基づく異物検出システム | |
CN105426926A (zh) | 一种对amoled进行检测分类的方法及装置 | |
US11776114B2 (en) | Information processing method and computer program | |
Kumar et al. | Computer vision-based early fire detection using machine learning | |
CN117409347A (zh) | 一种基于esnn的早期火灾检测方法 | |
CN113792658A (zh) | 一种全过程智能监测的动火作业闭环自动管控方法及系统 | |
CN116859842A (zh) | 一种化工生产线安全评估系统 | |
US20210049396A1 (en) | Optical quality control | |
CN106780471B (zh) | 基于马尔科夫随机场的变电站设备红外图像变化检测方法 | |
CN117670755B (zh) | 一种吊钩防脱装置检测方法、装置、存储介质及电子设备 |
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 |