CN114049490A - 一种智能化职业卫生预警方法及系统 - Google Patents
一种智能化职业卫生预警方法及系统 Download PDFInfo
- Publication number
- CN114049490A CN114049490A CN202111305093.5A CN202111305093A CN114049490A CN 114049490 A CN114049490 A CN 114049490A CN 202111305093 A CN202111305093 A CN 202111305093A CN 114049490 A CN114049490 A CN 114049490A
- Authority
- CN
- China
- Prior art keywords
- dust
- area
- concentration
- brightness
- areas
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims abstract description 25
- 239000000428 dust Substances 0.000 claims abstract description 338
- 230000003287 optical effect Effects 0.000 claims abstract description 84
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002265 prevention Effects 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 8
- 238000002834 transmittance Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003889 chemical engineering Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000028571 Occupational disease Diseases 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种智能化职业卫生预警方法及系统；其对获取的目标区域的图像进行图像分割，获取粉尘区域图像，其包括无光路粉尘区域和至少两路光路粉尘区域；对光路粉尘区域进行特征提取，计算对应的浓度值；根据各光路粉尘区域的像素点的亮度特征，划分不同的亮度区域，获取各亮度区域的中心点以及位置坐标；根据亮度特征以及浓度值，获取各亮度区域的浓度值；得到每路光路粉尘区域的位置坐标和浓度值的区域信息序列；将任意两光路粉尘区域的区域信息序列输入粉尘浓度网络模型，得到无光路粉尘区域的区域信息；根据粉尘区域的各浓度值，获取目标区域的浓度值，确定目标区域粉尘风险等级。本发明的方案提高了估算浓度的准确性和预警的准确性。
Description
技术领域
本发明涉及化工企业安全领域，具体涉及一种智能化职业卫生预警与防控系统方法及系统。
背景技术
现阶段，随着人对健康的关注，越来越重视职业安全，而众所周知，职业安全和职业病息息相关；而职业病是在企业、事业单位和个体经济组织的劳动者在职业活动中，因接触粉尘、有害物质等因素而引起的疾病；因此工作场所的环境的监测是尤为重要的。
而对于化工企业、煤矿井下作业的粉尘的监测，现有公开的方法有：
1)通过粉尘浓度检测仪及粉尘浓度传感器测量粉尘浓度，其存在检测过程繁琐或者监测结果参考性不强等弊端，只能获取化工场所某个点位的粉尘浓度，无法获取粉尘的空间分布及扩散运移趋势，难以提供更准确的降尘、防尘建议及措施。
2)通过图像法获取粉尘浓度，其是以图像的特征为基础，通过一定的方法获取图像中的特征信息，进而通过数学计算得到场所内的粉尘浓度信息。该方法具有直观、非接触、检测范围大、部署容易、易施工，容易实现粉尘浓度历史大数据的在线分析。但是，对于获取的图像，其可能由于光源或者光线的问题，存在部分区域无法拍摄出粉尘，这样就无法估算出此处的粉尘浓度，从而无法准确地获取整个工作场所的浓度。
发明内容
本发明的目的在于提供一种智能化职业卫生预警方法及系统，用以解决现有的图像法由于光源或者光线的问题，存在部分区域无法拍摄出粉尘，这样就无法估算出此处的粉尘浓度，从而无法准确地获取整个工作场所的浓度的问题。
本发明提供的一种智能化职业卫生预警方法的技术方案，包括以下步骤：
获取目标区域的图像；
对获取的目标区域的图像进行图像分割，获取粉尘区域图像，所述粉尘区域图像包括无光路粉尘区域和至少两路光路粉尘区域；
对所述光路粉尘区域进行特征提取，根据所述特征，计算各光路粉尘区域的浓度值；
根据各光路粉尘区域的像素点的亮度特征，划分不同的亮度区域，获取各亮度区域的中心点以及对应的位置坐标；根据所述不同亮度区域的亮度特征以及对应光路粉尘区域的浓度值，获取各亮度区域的浓度值；将位置坐标和所述各亮度区域的浓度值作为亮度区域的区域信息，获取每路光路粉尘区域的区域信息序列；
将任意两光路粉尘区域的区域信息序列输入粉尘浓度网络模型，得到无光路粉尘区域的区域信息；所述无光路粉尘区域与该两路光路粉尘区域分别相邻，且位于该两路光路粉尘区域之间；
其中，所述粉尘浓度网络模型的损失为第一损失和第二损失之和；
所述第一损失为：随机选取两路光路粉尘区域的区域信息，拟合出位置与浓度的第一关系；根据无光路粉尘区域的区域信息中的位置信息以及所述第一关系，获取无光路粉尘区域的理论浓度；获取所述理论浓度与所述无光路粉尘区域的区域信息中的浓度值的差值；
所述第二损失为：根据无光路粉尘区域的区域信息中的浓度值，计算无光路粉尘区域图像的粉尘浓度的密集度；
根据各粉尘区域图像的浓度值，获取目标区域的浓度值，确定目标区域粉尘风险等级。
进一步地，所述损失为：
L＝min(L1+L2),
所述第一损失为：
L1＝|ck-c1|+|ck-c2|+…+|ck-ci|
其中，ck为该无光路粉尘区域的区域信息中的第k个区域的浓度值，ci为无光路粉尘区域的第i个理论浓度；
所述第二损失为：
其中，ck表示该无光路粉尘区域的区域信息中的第k个区域的浓度值，
为无光路粉尘区域的区域信息中的理论浓度的均值。
进一步地，所述的获取各亮度区域的浓度值的过程为：
1)根据所述各光路粉尘区域，确定形成各光路的光源在目标区域图像中的位置坐标点以及各像素点的亮度特征；
2)以光源坐标点作为初始聚类中心点，根据8邻域内相邻像素点的亮度差异为0，对光路粉尘区域的所有像素点进行亮度聚类，获取第一亮度区域；
3)比较8邻域内的像素点与第一亮度区域的边缘像素点的亮度差异，将亮度差异大于0的像素点，作为新的亮度区域的聚类中心点，重复步骤1)和步骤2)，得到第二亮度区域；以此类推，直到将光路粉尘区域内所有像素点聚类完成，得到K个亮度区域；
4)根据获取的K个亮度区域，确定各亮度区域对应的亮度特征
并将所述亮度特征作为优化参数，对粉尘浓度值进行修正，得到不同亮度区域的浓度值。
进一步地，在对各光路粉尘区域划分不同的亮度区域之前，还包括对各光路粉尘区域的浓度值进行修正的步骤。
进一步地，所述修正的过程为：
1)根据光源的光源坐标点，获取对应光路粉尘区域的沿光源光轴形成的光路长度以及从光源坐标点到沿光路方向的图像边缘的最大距离；
2)根据各光路长度和所述最大距离，得到各粉尘区域图像的浓度修正参数；
3)根据所述浓度修正参数和所述浓度值，获取修正粉尘浓度。
进一步地，所述浓度网络模型包括E个卷积层和1个反卷积层。
进一步地，所述目标区域的浓度值为：
其中，τ0表示无粉尘区域的粉尘浓度，
表示第j个光路粉尘区域第k个亮度区域的粉尘浓度，
表示利用两光路粉尘区域中的任意两亮度区域估算的第m个无光路粉尘区域的第k个区域粉尘浓度，N表示图像中光路粉尘区域的总个数，K表示每路光路区域的亮度区域总个数,M为图像中无光路粉尘区域的总个数。
进一步地，所述目标区域粉尘风险等级包括低浓度风险、中浓度风险和高浓度风险。
本发明的一种智能化职业卫生预警系统的技术方案，包括：
图像获取模块，用于获取目标区域的图像；
图像处理模块，用于对获取的目标区域的图像进行图像分割，获取粉尘区域图像，所述粉尘区域图像包括无光路粉尘区域和至少两路光路粉尘区域；
图像分析模块，对所述光路粉尘区域进行特征提取，根据所述特征，计算各光路粉尘区域的浓度值；
修正模块，根据各光路粉尘区域的像素点的亮度特征，划分不同的亮度区域，获取各亮度区域的中心点以及对应的位置坐标；根据所述不同亮度区域的亮度特征以及对应光路粉尘区域的浓度值，获取各亮度区域的浓度值；将位置坐标和所述各亮度区域的浓度值作为亮度区域的区域信息，获取每路光路粉尘区域的区域信息序列；
计算模块，将任意两光路粉尘区域的区域信息序列输入粉尘浓度网络模型，得到无光路粉尘区域的区域信息；所述无光路粉尘区域与该两路光路粉尘区域分别相邻，且位于该两路光路粉尘区域之间；
其中，所述粉尘浓度网络模型的损失为第一损失和第二损失之和；
所述第一损失为：随机选取两路光路粉尘区域的区域信息，拟合出位置与浓度的第一关系；根据无光路粉尘区域的区域信息中的位置信息以及所述第一关系，获取无光路粉尘区域的理论浓度；获取所述理论浓度与所述无光路粉尘区域的区域信息中的浓度值的差值；
所述第二损失为：根据无光路粉尘区域的区域信息中的浓度值，计算无光路粉尘区域图像的粉尘浓度的密集度；
风险评估模块，根据各粉尘区域图像的浓度值，获取目标区域的浓度值，确定目标区域粉尘风险等级。
本发明的有益效果为：
本发明通过将粉尘区域图像进行划分，获取光路粉尘区域和无光路粉尘区域，并分别获取对应区域的浓度值，并综合各局部区域的浓度值，估算出整体浓度，这样保证了估算的浓度的准确性和预警的准确性；
同时，通过对获取的光路粉尘区域进行不同亮度区域的划分，在光路粉尘区域的浓度值以及不同亮度区域的亮度值的基础上，获取各亮度区域对应的浓度，能够更准确地得到相邻的无光路粉尘区域的浓度，从而估算出整个目标区域的粉尘浓度值。
同时，本发明还引入光路长度这一因素，对各光路粉尘区域浓度进行修正，即从光学形成光路的长度，去补偿图像处理获得的各光路区域浓度值的损失。
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是本发明的一种智能化职业卫生预警方法实施例的方法流程图；
图2是本发明的一种智能化职业卫生预警方法实施例中的粉尘区域图像的光路粉尘区域和无光路粉尘区域的示意图；
图3是本发明的一种智能化职业卫生预警系统实施例的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
本发明的一种智能化职业卫生预警与防控系统的技术方案，针对的是化工企业场所内部或者煤矿井下工作场所的环境的粉尘的检测，采用相机和光源的结合，进行粉尘图像的采集，并对粉尘图像进行特征提取，分析获取室内粉尘的浓度参数，进行粉尘风险预警，并采取相应的措施对场所内进行粉尘消除，从而为场所内的工作人员提供良好的工作环境，保障了工作人员的身体健康。
具体地，本发明的一种智能化职业卫生预警方法，以化工企业场所为例，对本发明的系统进行介绍，如图1所示，包括以下步骤：
步骤1，获取目标区域的图像；
本实施例中的目标区域的图像获取是通过在室内各区域布置双目相机(室内上方四个角和中心区域布置相机)，通过相机采集室内整体图像，由于化工场所的室内存在多列窗户，其可以通过太阳光从窗口射入形成多条光路。当然考虑到化工企业场所的环境要求，其也可以利用室内的灯光作为光源(如LED光源、白炽灯等等)，进行目标区域的粉尘图像的采集。
本实施例中，通过各区域的双目相机获取图像各像素点的深度值，利用透射变换矫正，得到图像像素点的三维坐标为三元组，表示为(x,y,z)。
步骤2，对获取的目标区域的图像进行图像分割，获取粉尘区域图像，其中的粉尘区域图像包括无光路粉尘区域和至少两路光路粉尘区域；
本实施例中的图像分割是通过获取无粉尘图像作为标准图像；将标准图像与当前采集的目标区域图像进行对比，利用图像灰度直方图的频域变化信息(灰度值变化区间、灰度变化频数)，获得图像变化区域，则变化区域即为粉尘区域，将其作为粉尘区域图像。
具体地，上述粉尘区域图像的获取只考虑粉尘对图像灰度直方图的影响，不考虑光照不同等外界因素的影响。其中的图像灰度直方图不通过全局图像的像素点灰度值，进行频数统计得到各灰度区间的灰度直方图，而是通过图像滑窗操作，对各窗口的灰度直方图统计，获取各窗口内部的频域信息。
上述中的滑窗操作是从图像的左上方开始滑动，一直到图像的右下方结束，标准图像和粉尘图像同时开始滑动。然后对比对应窗口的灰度直方图的窗口大小为11×11，窗口大小可根据研究需要进行调整，此为参考大小。通过粉尘图像与标准图像各窗口对比，将发生变化的窗口区域进行拼接，最终获得粉尘区域。
本发明考虑到一般的粉尘多数悬浮于空气中，因此采集到的粉尘图像包括静态背景信息，其并不考虑行人等动态因素对图像分割造成的影响。所以，本实施例中通过事先采集的无粉尘图像作为标准图像，当出现粉尘时造成图像区域的灰度值发生变化，采用图像灰度直方图的频域变化信息。
本实施例中的粉尘区域图像，包括光路粉尘区域和无光路粉尘区域。其中的无光路粉尘区域则是存在粉尘，但由于无光源照射，粉尘无法在图像中显示或者显示不明显。而光路粉尘区域则是由于光源照射，能够拍摄到包含有粉尘的图像，这是基于丁达尔效应的原理实现的。
需要说明的是，粉尘的特性是悬浮在空气中的细小颗粒，属于胶体，当太阳光从窗口射入时，会在室内形成多个光路，此现象也叫丁达尔效应。其中，丁达尔效应特点在于：当光经过粉尘区域时，会由于粉尘区域的浓度不同，对光的散射能力也不同，散射光的强度(亮度)会随着粉尘浓度的增大而增强。所以，粉尘浓度越高的区域，光路的亮度也更大，但是当粉尘浓度过大时，对光线的阻碍过强，会使光路很短，无法穿过该区域。因此，本发明利用该原理，进行目标区域图像的采集，其包含区域有背景区域(即无粉尘区域)、光路粉尘区域和无光路粉尘区域。
步骤3，对所述光路粉尘区域进行特征提取，根据提取的特征，计算各光路粉尘区域的浓度值；
本实施例中是通过对光路粉尘区域进行图像特征提取，将粉尘看作雾霾，采用图像去雾算法，获取大气透射率，即通过大气散射模型获取光路粉尘区域的透射率，根据透射率与粉尘区域的粉尘浓度的关系，确定对应的浓度值。
具体地，根据大气散射模型计算得到透射率，即
进而根据透射率以及朗伯-比尔定律(Beer-LambertLaw)，计算出对应的浓度值；其中，关于计算透射率的具体过程，由于是现有技术，此处不再过多赘述。
步骤4，根据各光路粉尘区域的像素点的亮度特征，划分不同的亮度区域，获取各亮度区域的中心点以及对应的位置坐标；
根据所述不同亮度区域的亮度特征以及对应光路粉尘区域的浓度值，获取各亮度区域的浓度值；将位置坐标和浓度值作为亮度区域的区域信息，获取每路光路粉尘区域的区域信息序列；
其中，所述的获取各亮度区域的浓度值的过程为：
(1)根据目标区域图像，确定形成各光路的光源在目标区域图像中的位置坐标点以及各光路粉尘区域的像素点的亮度特征；
本实施例中，将粉尘区域的RGB图像I(x)转换为HSI图像I′(x)，并通过亮度阈值分割的方法，对粉尘区域图像I′(x)中各光路区域进行分割，得到多个光路粉尘区域。
具体地，将图像中所有满足的亮度差异阈值M1的像素点都提取出来，构成多个光路区域边缘，然后根据先验知识对区域边缘进行(光路一般为直线)线性补全，最终得到多个光路粉尘区域。
其中，设定亮度差异阈值M1＝50，该亮度差异阈值为各光路边缘区域像素点的亮度值与周围区域的亮度的差值阈值。
其中，RGB图像转换为HSI图像的方法为公知技术，此处不再详细赘述。
2)以光源坐标点作为初始聚类中心点，对光路连通域内部所有像素点进行亮度聚类，当8邻域内相邻像素点满足亮度差异δ＝|Ii-Ii-1|≈0，其中Ii表示第i个像素点的亮度值，即为同一粉尘浓度下散射的光强，聚为一类像素点，获取第一亮度区域；
3)比较8邻域内的边缘像素点与第一亮度区域的边缘像素点的亮度差异，将亮度差异大于0的像素点，作为新的亮度区域的聚类中心点，重复步骤1)和步骤2)，得到第二亮度区域；以此类推，直到将光路粉尘区域内所有像素点聚类完成，得到K个亮度区域以及对应的中心点的位置信息；
4)根据获取的K个亮度区域，确定各亮度区域对应的亮度特征
并将所述亮度特征作为优化参数，对粉尘浓度值进行修正，得到不同亮度区域的浓度值。
上述中的8领域为与该区域相邻的八个区域，该8领域为现有技术，此处不再过多赘述。
本实施例中，为了排除量纲的影响，对所有光路粉尘区域内的亮度区域
进行归一化处理，将归一化后的各亮度区域
作为优化参数，分别得到各亮度区域的粉尘浓度
其中τj为第j个光路粉尘区域粉尘浓度值。
上述步骤中是由于室内或车间内部往往粉尘分布是不均匀的，所以粉尘浓度的不同，导致光透射率不同，通过局部区域的光透射率表征整体的透射率是不准确的，也即由于上述中获取的浓度值是整个粉尘区域的浓度值，其必然与具体的区域内像素点浓度值存在差异，因此，本发明根据粉尘区域内亮度特征的不同，并采用聚类分析方法进一步对粉尘区域进行细化，获取不同亮度区域内的浓度值。
作为其他实施方式，为了更进一步地提高目标区域的粉尘浓度的准确度，对光路粉尘区域的浓度值进行修正，具体地：
1)对多个光路粉尘区域进行区域分析，根据光源的在目标区域图像中的光源坐标点，对各个方向下产生的光路长度进行估计，得到各方向下的光路长度集合[L1,L2,…,Ln]。
其中的光路长度获取方法：通过光路单侧边缘像素点的和作为光路的长度，该光路长度方向是沿光源光轴形成。
2)计算浓度修正参数；
其中，i表示光路的数量，Lmax表示从光源坐标点到图像边缘的最大距离。
3)根据所述浓度修正参数和所述浓度值，获取修正粉尘浓度。
其中，各光路粉尘区域的浓度值为：
其中，t′(x)为各光路粉尘区域的透射率。
上述步骤是根据丁达尔效应可知，粉尘浓度越高的区域，光路的亮度也更大，但是当粉尘浓度过大时，对光线的阻碍过强，会使光路很短，无法穿过该区域；因此，引入丁达尔效应中的形成光路的长度这一因素进一步修正光路粉尘区域浓度，来补偿利用图像处理获取的粉尘浓度的损失。
本实施例中的区域信息为位置信息和浓度信息；其是根据获取的粉尘光路区域中的各光路粉尘区域中对应的各亮度区域的粉尘浓度
以及各光路区域内像素点的位置坐标，获取相应的区域信息
则获取每路光路粉尘区域的区域信息序列，构成三维空间图像。
步骤5，将任意两光路粉尘区域的区域信息序列输入粉尘浓度网络模型，得到无光路粉尘区域的区域信息。
本实施例中，通过构建粉尘浓度网络模型，将任意两光路粉尘区域图像中的各亮度区域的区域信息作为所述网络模型的输入值，输出对应的无光路粉尘区域的区域信息；
需要说明的是，上述步骤中获取的无光路粉尘区域与该两光路粉尘区域图像分别相邻，且位于该两光路粉尘区域图像之间，如图2所示中的无光路区域；这是由于形成光路的原因是因为周围存在无光区域，形成对比，才会在图像中看到光路区域，如果两侧不是无光路区域，中间区域也不会形成光路。
将经过处理后的图像输入粉尘浓度网络模型中，进行分层卷积，层数大小主要由信息坐标点中的z值决定，图像卷积核的大小为33×33×1，不需要池化，卷积核的左右滑动步长为22，上下滑动步长为1，提取对比区域和光路区域的图像特征向量。然后，通过反卷积获取图像特征图，最终，输出图像粉尘浓度特征图。
本实施例中的粉尘浓度网络模型包括E个卷积层和1个反卷积层。
其中，本实施例中的粉尘浓度网络模型的通过设置损失进行约束，直至损失函数收敛，即可得到最优的粉尘浓度特征图；其中的损失为第一损失和第二损失之和：minL＝L1+L2，其中L1为第一损失，L2为第二损失；
其中，第一损失L1为：随机选取两路光路粉尘区域的区域信息，拟合出位置与粉尘浓度的关系(图2中两光路区域内中的两像素点之间的连线)；根据无光路粉尘区域的区域信息中的位置信息以及关系，获取无光路粉尘区域的理论浓度；获取理论浓度与无光路粉尘区域的区域信息中的浓度值的差值；
即
L1＝|ck-c1|+|ck-c2|+…+|ck-ci|
其中，ck为该无光路粉尘区域的区域信息中的第k个区域的浓度值，ci为无光路粉尘区域的第i个理论浓度；
第二损失L2为：根据无光路粉尘区域的区域信息中的浓度值，计算无光路粉尘区域图像的粉尘浓度的密集度；
其中，ck表示该无光路粉尘区域的区域信息中的第k个区域的浓度值，
为无光路粉尘区域的区域信息中的理论浓度的均值。
作为其他实施方式，如图2所示，本实施例中的第一损失L1还可以为:随机选取两路光路粉尘区域的区域信息，获取第一关系；同时，获取无光路粉尘区域的区域信息与其中一路光路粉尘区域的区域信息，获取第二关系，计算第一关系和第二关系的斜率的差值的绝对值之和；即：
其中，c表示交点的粉尘浓度估计值，
表示第1个光路粉尘区域的第k个亮度区域的像素点的浓度值，
表示第1个光路粉尘区域的第k个亮度区域的像素点的横坐标，xc表示交点的横坐标，
为第j个光路粉尘区域的第q个亮度区域的像素点的浓度值，j不等于1；分子表示相邻光路区域的对应横坐标的浓度差值，分母表示二维平面内的横坐标偏移量，假设纵向区域整体为无光路区域(图2)，不考虑纵向的偏移量。
需要说明的是，上述步骤中的获取的第一关系和第二关系，实际上是相邻两光路区域内像素点之间进行连线，如图2所示，得到多个交点以及多条连线的斜率，连线的斜率通过对应像素点的浓度差值和坐标偏移量的比获得。其中获取的交点遍布无光路粉尘区域，交点的浓度值则表示该区域对应位置像素点的理论浓度；即一个区域可以存在多条斜率，多个理论浓度。
本发明中，是将光路粉尘区域划分不同的亮度区域后，获取各亮度区域的浓度值，那么，一个亮度区域内的多个像素点必然对应同一浓度值；因此，当选取的两光路粉尘区域的像素点对应不同的浓度值时，考虑到计算的复杂度，本发明只选取同一亮度区域的其中一个像素点与另一光路粉尘区域的其中一亮度区域的其中一个像素点进行连线。
同时，本发明还考虑到当两光路粉尘区域的像素点对应相同的浓度值时，也即，从两光路粉尘区域选取的亮度区域的浓度相同，那么，认为无光路粉尘区域的浓度与两光路区域的亮度区域的浓度相同。
本实施例中考虑了目标区域图像中的区域可能存在粉尘，但由于光照射不到，那么该区域的粉尘浓度就无法获取，导致获取的整个化工企业场所的粉尘浓度不准确。通过两区域的粉尘浓度估算两区域之间的间隔区域的浓度值。
本发明的方案，为了计算无光路粉尘区域的粉尘浓度，能够通过该区域相邻的两光路粉尘区域的粉尘浓度估计该无光路粉尘区域的粉尘浓度，且通过间隔区域内所有像素点的浓度值(两区域中任意两像素点之间的连线，计算该连线再该区域的浓度值)，对无光路粉尘区域的粉尘浓度进行估计，综合考虑了两光路区域的所有浓度值，获取了多个估计值，根据对多个估计值的分析，选取出更符合贴近该区域实际浓度的浓度值，提高了准确度。
5)根据各粉尘区域图像的浓度值，获取目标区域的浓度值，确定目标区域粉尘风险等级。
其中，获取的粉尘浓度值为：
其中，τ0表示无粉尘区域的粉尘浓度，
表示第j个光路粉尘区域第k个亮度区域的粉尘浓度，
表示利用两光路粉尘区域中的任意两亮度区域估算的第m个无光路粉尘区域的第k个区域粉尘浓度，N表示图像中光路粉尘区域的总个数，K表示每路光路区域的亮度区域总个数,M为图像中无光路粉尘区域的总个数。
其中，上述公式中的无粉尘区域浓度为极小值，只是为了修正可能存在细微的粉尘，而光路粉尘区域和无光路粉尘区域的浓度值均小于1。本实施例中对三者浓度进行求和，以便于更好地判断目标区域的浓度的风险等级；该求和的设置是基于安全问题，尽可能地在计算浓度时考虑不同区域的浓度，这样就能最大限度地保证化工场所的安全。同时，若当求和后
值大于1时，则将浓度值直接归为1，进行后续浓度等级评估。
本实施例中的目标区域粉尘风险划分的等级，包括低浓度风险、中浓度风险和高浓度风险；其中各浓度风险等级是根据获取的浓度指标确定的，其是通过对大数据进行统计，获取的先验知识。其中，本实施例中的低浓度风险区间为
中浓度风险区间为
高浓度风险区间为
其中，该等级划分区间为参考区间，当然还可根据实际浓度精度需求进行调整。
本实施例中根据获取的相应的粉尘浓度，确定相应的粉尘等级，并将确定的粉尘等级上传车间监控系统，并作出相应的处理措施，消除化工场所内的粉尘。
本发明还提供了一种智能化职业卫生预警系统实施例，如图3所示，该系统包括：
图像获取模块，用于获取目标区域的图像；
图像处理模块，用于对获取的目标区域的图像进行图像分割，获取粉尘区域图像，所述粉尘区域图像包括无光路粉尘区域和至少两路光路粉尘区域；
图像分析模块，对所述光路粉尘区域进行特征提取，根据提取的特征，计算各光路粉尘区域的浓度值；
修正模块，根据各光路粉尘区域的像素点的亮度特征，划分不同的亮度区域，获取各亮度区域的中心点以及对应的位置坐标；根据所述不同亮度区域的亮度特征以及对应光路粉尘区域的浓度值，获取各亮度区域的浓度值；将位置坐标和所述各亮度区域的浓度值作为亮度区域的区域信息，获取每路光路粉尘区域的区域信息序列；
计算模块，将任意两光路粉尘区域的区域信息序列输入粉尘浓度网络模型，得到无光路粉尘区域的区域信息；所述无光路粉尘区域与该两路光路粉尘区域分别相邻，且位于该两路光路粉尘区域之间；
其中，所述粉尘浓度网络模型的损失为第一损失和第二损失之和；
所述第一损失为：随机选取两路光路粉尘区域的区域信息，拟合出位置与浓度的第一关系；根据无光路粉尘区域的区域信息中的位置信息以及所述第一关系，获取无光路粉尘区域的理论浓度；获取所述理论浓度与所述无光路粉尘区域的区域信息中的浓度值的差值；
所述第二损失为：根据无光路粉尘区域的区域信息中的浓度值，计算无光路粉尘区域图像的粉尘浓度的密集度；
风险评估模块，根据各粉尘区域图像的浓度值，获取目标区域的浓度值，确定目标区域粉尘风险等级。
其中，该系统实施例中的具体实施方式已经在上述一种智能化职业卫生预警方法实施例中进行了详细的介绍，此处不再过多赘述。
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 (9)
1.一种智能化职业卫生预警方法，其特征在于，包括以下步骤：
获取目标区域的图像；
对获取的目标区域的图像进行图像分割，获取粉尘区域图像，所述粉尘区域图像包括无光路粉尘区域和至少两路光路粉尘区域；
对所述光路粉尘区域进行特征提取，根据所述特征，计算各光路粉尘区域的浓度值；
根据各光路粉尘区域的像素点的亮度特征，划分不同的亮度区域，获取各亮度区域的中心点以及对应的位置坐标；根据所述不同亮度区域的亮度特征以及对应光路粉尘区域的浓度值，获取各亮度区域的浓度值；将位置坐标和所述各亮度区域的浓度值作为亮度区域的区域信息，获取每路光路粉尘区域的区域信息序列；
将任意两光路粉尘区域的区域信息序列输入粉尘浓度网络模型，得到无光路粉尘区域的区域信息；所述无光路粉尘区域与该两路光路粉尘区域分别相邻，且位于该两路光路粉尘区域之间；
其中，所述粉尘浓度网络模型的损失为第一损失和第二损失之和；
所述第一损失为：随机选取两路光路粉尘区域的区域信息，拟合出位置与浓度的第一关系；根据无光路粉尘区域的区域信息中的位置信息以及所述第一关系，获取无光路粉尘区域的理论浓度；获取所述理论浓度与所述无光路粉尘区域的区域信息中的浓度值的差值；
所述第二损失为：根据无光路粉尘区域的区域信息中的浓度值，计算无光路粉尘区域图像的粉尘浓度的密集度；
根据粉尘区域的各浓度值，获取目标区域的浓度值，确定目标区域粉尘风险等级。
2.根据权利要求1所述的智能化职业卫生预警方法，其特征在于，所述损失为：
L＝min(L1+L2),
所述第一损失为：
L1＝|ck-c1|+|ck-c2|+…+|ck-ci|
其中，ck为该无光路粉尘区域的区域信息中的第k个区域的浓度值，ci为无光路粉尘区域的第i个理论浓度；
所述第二损失为：
其中，ck表示该无光路粉尘区域的区域信息中的第k个区域的浓度值，
为无光路粉尘区域的理论浓度的均值。
3.根据权利要求1所述的智能化职业卫生预警方法，其特征在于，
所述的获取各亮度区域的浓度值的过程为：
1)根据所述各光路粉尘区域，确定形成各光路的光源在目标区域图像中的位置坐标点以及各像素点的亮度特征；
2)以光源坐标点作为初始聚类中心点，根据8邻域内相邻像素点的亮度差异为0，对光路粉尘区域的所有像素点进行亮度聚类，获取第一亮度区域；
3)比较8邻域内的像素点与第一亮度区域的边缘像素点的亮度差异，将亮度差异大于0的像素点，作为新的亮度区域的聚类中心点，重复步骤1)和步骤2)，得到第二亮度区域；以此类推，直到将光路粉尘区域内所有像素点聚类完成，得到K个亮度区域；
4)根据获取的K个亮度区域，确定各亮度区域对应的亮度特征
并将所述亮度特征作为优化参数，对粉尘浓度值进行修正，得到不同亮度区域的浓度值。
4.根据权利要求3所述的智能化职业卫生预警方法，其特征在于，在对各光路粉尘区域划分不同的亮度区域之前，还包括对各光路粉尘区域的浓度值进行修正的步骤。
5.根据权利要求4所述的智能化职业卫生预警方法，其特征在于，所述第二次修正的过程为：
1)根据光源的光源坐标点，获取对应光路粉尘区域的沿光源光轴形成的光路长度以及从光源坐标点到沿光路方向的图像边缘的最大距离；
2)根据各光路长度和所述最大距离，得到各粉尘区域图像的浓度修正参数；
3)根据所述浓度修正参数和所述浓度值，获取修正粉尘浓度。
6.根据权利要求1所述的智能化职业卫生预警与防控系统，其特征在于，所述粉尘浓度网络模型包括E个卷积层和1个反卷积层。
7.根据权利要求1所述的智能化职业卫生预警方法，其特征在于，所述目标区域的浓度值为：
其中，τ0表示无粉尘区域的粉尘浓度，
表示第j个光路粉尘区域第k个亮度区域的粉尘浓度，
表示利用两光路粉尘区域中的任意两亮度区域估算的第m个无光路粉尘区域的第k个区域粉尘浓度，N表示图像中光路粉尘区域的总个数，K表示每路光路区域的亮度区域总个数,M为图像中无光路粉尘区域的总个数。
8.根据权利要求1所述的智能化职业卫生预警方法，其特征在于，所述目标区域粉尘风险等级包括低浓度风险、中浓度风险和高浓度风险。
9.一种智能化职业卫生预警系统，其特征在于，包括：
图像获取模块，用于获取目标区域的图像；
图像处理模块，用于对获取的目标区域的图像进行图像分割，获取粉尘区域图像，所述粉尘区域图像包括无光路粉尘区域和至少两路光路粉尘区域；
图像分析模块，对所述光路粉尘区域进行特征提取，根据提取的特征，计算各光路粉尘区域的浓度值；
修正模块，根据各光路粉尘区域的像素点的亮度特征，划分不同的亮度区域，获取各亮度区域的中心点以及对应的位置坐标；根据所述不同亮度区域的亮度特征以及对应光路粉尘区域的浓度值，获取各亮度区域的浓度值；将位置坐标和所述各亮度区域的浓度值作为亮度区域的区域信息，获取每路光路粉尘区域的区域信息序列；
计算模块，将任意两光路粉尘区域的区域信息序列输入粉尘浓度网络模型，得到无光路粉尘区域的区域信息；所述无光路粉尘区域与该两路光路粉尘区域分别相邻，且位于该两路光路粉尘区域之间；
其中，所述粉尘浓度网络模型的损失为第一损失和第二损失之和；
所述第一损失为：随机选取两路光路粉尘区域的区域信息，拟合出位置与浓度的第一关系；根据无光路粉尘区域的区域信息中的位置信息以及所述第一关系，获取无光路粉尘区域的理论浓度；获取所述理论浓度与所述无光路粉尘区域的区域信息中的浓度值的差值；
所述第二损失为：根据无光路粉尘区域的区域信息中的浓度值，计算无光路粉尘区域图像的粉尘浓度的密集度；
风险评估模块，根据各粉尘区域图像的浓度值，获取目标区域的浓度值，确定目标区域粉尘风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111305093.5A CN114049490A (zh) | 2021-11-05 | 2021-11-05 | 一种智能化职业卫生预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111305093.5A CN114049490A (zh) | 2021-11-05 | 2021-11-05 | 一种智能化职业卫生预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114049490A true CN114049490A (zh) | 2022-02-15 |
Family
ID=80207359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111305093.5A Pending CN114049490A (zh) | 2021-11-05 | 2021-11-05 | 一种智能化职业卫生预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049490A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496262A (zh) * | 2022-04-06 | 2022-05-13 | 天津渤化讯创科技有限公司 | 基于定量风险评估的高危粉尘风险预警方法及管理系统 |
| CN114511991A (zh) * | 2022-02-16 | 2022-05-17 | 国能包头能源有限责任公司 | 矿井粉尘智能分析处理系统及方法 |
-
2021
- 2021-11-05 CN CN202111305093.5A patent/CN114049490A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511991A (zh) * | 2022-02-16 | 2022-05-17 | 国能包头能源有限责任公司 | 矿井粉尘智能分析处理系统及方法 |
| CN114511991B (zh) * | 2022-02-16 | 2024-01-30 | 国能包头能源有限责任公司 | 矿井粉尘智能分析处理系统及方法 |
| CN114496262A (zh) * | 2022-04-06 | 2022-05-13 | 天津渤化讯创科技有限公司 | 基于定量风险评估的高危粉尘风险预警方法及管理系统 |
| CN114496262B (zh) * | 2022-04-06 | 2022-07-12 | 天津渤化讯创科技有限公司 | 基于定量风险评估的高危粉尘风险预警方法及管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11669971B2 (en) | Colony contrast gathering | |
| CN104697476B (zh) | 粗糙度光切轮廓曲线的自动检测方法及装置 | |
| US10127652B2 (en) | Defect detection and classification based on attributes determined from a standard reference image | |
| CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
| CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
| CN114049490A (zh) | 一种智能化职业卫生预警方法及系统 | |
| CN104024793B (zh) | 形状检查方法及其装置 | |
| JP7169344B2 (ja) | 透明又は半透明ウェハを対象にした欠陥検出 | |
| CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
| JP2018101165A (ja) | 色画像処理方法、色画像処理プログラム、物体認識方法及び装置 | |
| CN112785596B (zh) | 基于dbscan聚类的点云图螺栓分割和高度测量方法 | |
| CN116091505B (zh) | 一种蓝宝石衬底自动缺陷检测分类的方法和系统 | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
| CN108648409B (zh) | 一种烟雾检测方法及装置 | |
| CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
| Rekik et al. | Review of satellite image segmentation for an optimal fusion system based on the edge and region approaches | |
| JP7415286B2 (ja) | カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 | |
| CN116110006B (zh) | 一种用于智慧旅游系统的景区游客异常行为识别方法 | |
| CN116452976A (zh) | 一种煤矿井下安全检测方法 | |
| CN101968347A (zh) | 一种扁平粒状物表面平整度的提取方法 | |
| CN115184362A (zh) | 一种基于结构光投影的快速缺陷检测方法 | |
| CN212646436U (zh) | 一种人造板表面瑕疵检测装置 | |
| Schwalbe et al. | Profile based sub-pixel-classification of hemispherical images for solar radiation analysis in forest ecosystems | |
| Shu et al. | Research on the vision system of lychee picking robot based on stereo vision |
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 |