CN114998838A - 一种危化品智能存储柜实时监测方法与装置 - Google Patents

一种危化品智能存储柜实时监测方法与装置 Download PDF

Info

Publication number
CN114998838A
CN114998838A CN202210729593.XA CN202210729593A CN114998838A CN 114998838 A CN114998838 A CN 114998838A CN 202210729593 A CN202210729593 A CN 202210729593A CN 114998838 A CN114998838 A CN 114998838A
Authority
CN
China
Prior art keywords
hazardous chemical
volatile
image
leakage
volatile hazardous
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
Application number
CN202210729593.XA
Other languages
English (en)
Other versions
CN114998838B (zh
Inventor
王龙生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Safoo Safety Equipment Co ltd
Original Assignee
Wuxi Safoo Safety Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Safoo Safety Equipment Co ltd filed Critical Wuxi Safoo Safety Equipment Co ltd
Priority to CN202210729593.XA priority Critical patent/CN114998838B/zh
Publication of CN114998838A publication Critical patent/CN114998838A/zh
Application granted granted Critical
Publication of CN114998838B publication Critical patent/CN114998838B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及危化品监测的技术领域，揭露了一种危化品智能存储柜实时监测方法与装置，包括：获取存储柜内易挥发性危化品图像序列，并对采集的存储柜内易挥发性危化品图像进行形态学处理；构建易挥发性危化品泄露特征提取模型，对易挥发性危化品图像序列进行泄露特征提取；构建危化品迟滞挥发预测模型，并对所构建的危化品迟滞挥发预测模型进行训练优化；将所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警。本发明所述方法基于分量向量对泄露特征时序数据进行重构，弱化噪声对模型预测结果的干扰，提高模型预测结果的准确性。

Description

一种危化品智能存储柜实时监测方法与装置
技术领域
本发明涉及危化品监测的技术领域，尤其涉及一种危化品智能存储柜实时监测方法与装置。
背景技术
现有危化品存储柜对危化品泄露监测大多采用传感器的方式，当监测危化品浓度超过指定阈值时则判定为泄露事件发生，虽然该种方式能够在一定程度上实现危化品监测，但是对于易挥发性危化品，由于易挥发性危化品的迟滞效应，危化品的挥发过程极度迟缓，难以触发传感器的浓度阈值，导致传统危化品存储监测方法失效。针对该问题，本专利提出一种危化品智能存储柜实时监测方法及装置，通过利用相似波长的红外光对智能存储柜进行红外检测，提取检测特征并预测得到危化品泄漏量，若预测得到的危化品泄露量超过阈值则进行预警，实现对易挥发性危化品迟滞泄露过程的实时监测。
发明内容
有鉴于此，本发明提供一种危化品智能存储柜实时监测方法，目的在于(1)利用相似波长的红外光对智能存储柜进行红外检测，当红外光接触到易挥发性危化品所挥发的气体时，红外光部分能量被气体吸收，图像中亮度较暗的区域即为检测到的气体区域，亮度越暗，表示所挥发气体的密度越大，实现易挥发性危化品所挥发气体密度的有效检测；(2)利用基于图像亮度信息的形态学处理方法对图像进行形态学处理，其中图像亮度信息表示挥发气体的密度信息，并通过先腐蚀后膨胀的形态学处理方法，去除图像中孤立的挥发气体点，有利于后续所提取易挥发性危化品泄露特征的全局性，避免局部气体点对特征提取流程造成影响；(3)构建危化品迟滞挥发预测模型，通过将获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，基于分量向量对泄露特征时序数据进行重构，弱化噪声对模型预测结果的干扰，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警，实现对易挥发性危化品迟滞泄露过程的实时监测。
为实现上述目的，本发明提供的一种危化品智能存储柜实时监测方法，包括以下步骤：
S1：对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，并对采集的存储柜内易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列；
S2：构建易挥发性危化品泄露特征提取模型，对形态学处理后的易挥发性危化品图像序列进行泄露特征提取，形成易挥发性危化品泄露特征时序数据，其中所述易挥发性危化品泄露特征提取模型的输入为形态学处理后的易挥发性危化品图像，输出为泄露特征；
S3：构建危化品迟滞挥发预测模型，其中所述模型输入为易挥发性危化品泄露特征时序数据，输出为预测的危化品泄漏量；
S4：对所构建的危化品迟滞挥发预测模型进行训练优化，得到训练优化后可用的危化品迟滞挥发预测模型；
S5：将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警。
作为本发明的进一步改进方法：
可选地，所述S1步骤中对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，包括：
利用红外成像仪向存储柜发出红外光，利用红外成像仪内的光学系统将红外光在焦平面阵列中成像，将成像结果利用红外成像仪内的放大器以及A/D转换器处理，得到存储柜内易挥发性危化品图像，当红外光接触到易挥发性危化品所挥发的气体时，红外光部分能量被气体吸收，图像中亮度较暗的区域即为检测到的气体区域；利用红外成像仪对存储柜进行持续检测，得到存储柜内易挥发性危化品图像序列It：
Figure BDA0003712561700000021
其中：
Figure BDA0003712561700000022
表示t0时刻所检测到的存储柜内易挥发性危化品图像，所述红外成像仪对存储柜进行红外检测的时序范围为[t0,tn]；
需要解释的是，所述红外成像仪的探测波段为10-11μm红外波段，易挥发性危化品所挥发的有害气体波长为10.23μm，红外成像仪的成像结果为RGB彩色图像，且所有成像结果的图像规格相同，当红外成像仪检测到易挥发性危化品所挥发的气体时，成像结果中的气体区域亮度相较于其余区域亮度较暗。
可选地，所述S1步骤中对采集的易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列，包括：
对存储柜内易挥发性危化品图像序列中的任意一张易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列，所述形态学处理后的易挥发性危化品图像序列I′t表示为：
Figure BDA0003712561700000029
其中：
Figure BDA0003712561700000024
表示t0时刻检测到的形态学处理后的易挥发性危化品图像；
所述形态学处理流程为：
S11：将RGB格式的易挥发性危化品图像转换为XYZ格式的易挥发性危化品图像，所述格式转换公式为：
Figure BDA0003712561700000025
其中：
R,G,B为易挥发性危化品图像中任意像素在RGB颜色通道的值；
X,Y,Z为易挥发性危化品图像中任意像素在XYZ颜色空间的值；
S12：以XYZ颜色空间中的白色参考点对转换后的XYZ格式的易挥发性危化品图像进行归一化处理：
Figure BDA0003712561700000026
其中：
Xwhite,Ywhite,Zwhite为白色参考点在XYZ颜色空间中的值；
X′,Y′,Z′表示归一化处理后易挥发性危化品图像中任意像素在XYZ颜色空间的值；
S13：基于转换后的XYZ格式的易挥发性危化品图像，提取易挥发性危化品图像的亮度信息，并将所提取的任意像素的亮度信息作为像素值，所述亮度信息的提取公式为：
L＝116·Y′-16
其中：
L表示易挥发性危化品图像中任意像素的亮度信息；
S14：设置二值化阈值为
Figure BDA0003712561700000027
若易挥发性危化品图像中任意像素的像素值大于等于二值化阈值
Figure BDA0003712561700000028
则将该像素的像素值设置为255，否则设置为0，得到二值化易挥发性危化品图像；
S15：构建结构元素A，对二值化易挥发性危化品图像进行腐蚀的形态学处理，所述腐蚀操作流程为：以结构元素A的中心点对二值化易挥发性危化品图像像素进行逐个遍历，若所遍历像素的邻近像素的像素值均为0，则所遍历像素的像素值为0，否则将所遍历像素的像素值设置为255；所述邻近像素表示将所遍历像素与结构元素的中心点重叠，结构元素中其他点所重合的像素即为所遍历像素的邻近像素；
S16：构建结构元素C，对腐蚀处理后的图像进行膨胀的形态学处理，将膨胀处理后的易挥发性危化品图像作为形态学处理后的图像，所述膨胀操作流程为：以结构元素C的中心点对腐蚀处理后的图像像素进行逐个遍历，若遍历像素存在像素值为255的邻近像素，则将遍历像素的像素值设置为255。
可选地，所述S2步骤中构建易挥发性危化品泄露特征提取模型，包括：
构建易挥发性危化品泄露特征提取模型，其中所述易挥发性危化品泄露特征提取模型的输入为形态学处理后的易挥发性危化品图像，输出为危化品泄露特征，所述易挥发性危化品泄露特征提取模型的特征提取流程为：
S21：将形态学处理后的易挥发性危化品图像转换为像素矩阵F；
S22：设定特征提取维度为m，计算像素矩阵的协方差矩阵C：
Figure BDA0003712561700000031
其中：
T表示转置；
在本发明实施例中，将m设置为10；
S23：计算协方差矩阵C的特征值λ：
|C-λE|＝0
其中：
E表示单位矩阵；
选取特征值最大的m个特征值，根据所选取的特征值计算协方差矩阵C的特征向量pi：
pi＝C-λiE
其中：
λi表示所选取的第i个特征值；
pi表示第i个特征值所对应的特征向量；
所提取易挥发性危化品图像的降维特征向量结果为p＝[p1,p2,…,pm]；
S24：计算输入图像的前景区域占比率
Figure BDA0003712561700000032
其中S表示输入图像的面积，Sp表示输入图像前景区域的面积，所述前景区域表示图像中像素值不为0的像素区域；
S25：将输入图像的降维特征向量以及前景区域占比率作为所提取的危化品泄露特征，则所述危化品泄露特征的表示为f＝[p,rate]。
可选地，所述S2步骤中利用易挥发性危化品泄露特征提取模型对形态学处理后的易挥发性危化品图像序列进行泄露特征提取，形成易挥发性危化品泄露特征时序数据，包括：
将形态学处理后的易挥发性危化品图像序列I′t中的易挥发性危化品图像依次输入到易挥发性危化品泄露特征提取模型，得到易挥发性危化品泄露特征时序数据，所述易挥发性危化品泄露特征时序数据f(t)的表示为：
f(t)＝{f(t0),f(t1),…,f(tn)}
其中：
f(t0)表示易挥发性危化品图像
Figure BDA0003712561700000033
的泄露特征，
Figure BDA0003712561700000034
表示易挥发性危化品图像
Figure BDA0003712561700000041
的降维特征向量，
Figure BDA0003712561700000042
表示易挥发性危化品图像
Figure BDA0003712561700000043
的前景区域占比率。
可选地，所述S3步骤中构建危化品迟滞挥发预测模型，包括：
构建危化品迟滞挥发预测模型，其中所述模型输入为易挥发性危化品泄露特征时序数据，输出为预测的危化品泄漏量，所述危化品迟滞挥发预测模型的危化品泄漏量预测流程为：
S31：设定所提取的当前向量组数为j，j的初始值为0，最大组数为10；
S32：遍历第j组向量hj(t)的所有极大值点和极小值点，其中hj(t)＝f(t)，将所有的极大值点以及所有的极小值点分别用三次样条曲线连接，分别得到f(t)的上包络线以及下包络线，上下包络线的均值曲线即为sj(t)，所提取的第j组向量即为hj+1(t)＝hj(t)-sj(t)；令j＝j+1；
S33：重复步骤S32，得到h10(t)，令r(t)＝f(t)-h10(t)；
S34：对易挥发性危化品泄露特征时序数据进行重构，重构结果即为f′(t)：
Figure BDA0003712561700000044
S35：将f′(t)输入到迭代函数中，设置迭代函数的当前迭代次数为d，d的初始值为1，迭代次数的最大值为Max；
S36：第d+1次迭代的危化品泄漏量输出流程为：
Figure BDA0003712561700000048
其中：
G3,d+1＝G1,d+1G3,d+G2,d+1G3′,d+1，表示第3层的迭代函数；
G4,d+1＝σ(w4[Hd,f′(t)]+b4)，表示第4层的迭代函数；
G1,d+1＝σ(w1[Hd,f′(t)]+b1)，表示第1层的迭代函数；
G2,d+1＝σ(w2[Hd,f′(t)]+b2)，表示第2层的迭代函数；
G3′,d+1＝σ(w3[Hd,f′(t)]+b3)；
Hd+1表示第d+1次迭代输出的危化品泄漏量，Hd表示第d次迭代输出的危化品泄漏量；
Figure BDA0003712561700000045
w1,w2,w3,w4表示4层迭代函数的权重参数，b1,b2,b3,b4表示4层迭代函数的偏置参数；
重复该步骤，直到得到第Max次迭代后的危化品泄漏量HMax，并将危化品泄漏量HMax作为模型的预测结果。
可选地，所述S4步骤中对所构建的危化品迟滞挥发预测模型进行训练优化，包括：
所述危化品迟滞挥发预测模型的待训练优化参数为4层迭代函数的权重参数以及偏置参数；所述危化品迟滞挥发预测模型的训练优化流程为：
S41：获取用于模型训练的训练数据集，其中所述训练数据集包括易挥发性危化品泄露特征时序数据以及对应的危化品泄漏量；
S42：构建训练优化损失函数：
Figure BDA0003712561700000046
其中：
θ＝(w1,w2,w3,w4,b1,b2,b3,b4)表示待训练优化参数；
yk表示训练数据集中第k组训练数据的真实危化品泄漏量，
Figure BDA0003712561700000047
表示将第k组训练数据的易挥发性危化品泄露特征时序数据输入到基于参数θ的模型中，模型输出的危化品泄漏量；
S43：设置学习率为0.01，最大迭代次数为200，参数训练优化器为Adam优化器，优化得到最优模型参数，基于最优模型参数构建得到训练优化后的危化品迟滞挥发预测模型。
可选地，所述S5步骤中将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，包括：
将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若所述预测得到的危化品泄漏量超过指定阈值β则进行预警。
为了解决上述问题，本发明还提供一种危化品智能存储柜实时监测装置，其特征在于，所述装置包括：
图像处理装置，用于对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，并对采集的存储柜内易挥发性危化品图像进行形态学处理；
泄露特征提取模块，用于构建易挥发性危化品泄露特征提取模型，对形态学处理后的易挥发性危化品图像序列进行泄露特征提取；
泄漏量预测模块，用于构建危化品迟滞挥发预测模型，将所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的危化品智能存储柜实时监测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的危化品智能存储柜实时监测方法。
相对于现有技术，本发明提出一种危化品智能存储柜实时监测方法，该技术具有以下优势：
首先，本方案提出一种形态学处理方法，通过对存储柜内易挥发性危化品图像序列中的任意一张易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列，所述形态学处理流程为：将RGB格式的易挥发性危化品图像转换为XYZ格式的易挥发性危化品图像，所述格式转换公式为：
Figure BDA0003712561700000051
其中：R,G,B为易挥发性危化品图像中任意像素在RGB颜色通道的值；X,Y,Z为易挥发性危化品图像中任意像素在XYZ颜色空间的值；以XYZ颜色空间中的白色参考点对转换后的XYZ格式的易挥发性危化品图像进行归一化处理：
Figure BDA0003712561700000052
其中：Xwhite,Ywhite,Zwhite为白色参考点在XYZ颜色空间中的值；X′,Y′,Z′表示归一化处理后易挥发性危化品图像中任意像素在XYZ颜色空间的值；基于转换后的XYZ格式的易挥发性危化品图像，提取易挥发性危化品图像的亮度信息，并将所提取的任意像素的亮度信息作为像素值，所述亮度信息的提取公式为：
L＝116·Y′-16
其中：L表示易挥发性危化品图像中任意像素的亮度信息；设置二值化阈值为
Figure BDA0003712561700000053
若易挥发性危化品图像中任意像素的像素值大于等于二值化阈值
Figure BDA0003712561700000061
则将该像素的像素值设置为255，否则设置为0，得到二值化易挥发性危化品图像；构建结构元素A，对二值化易挥发性危化品图像进行腐蚀的形态学处理，所述腐蚀操作流程为：以结构元素A的中心点对二值化易挥发性危化品图像像素进行逐个遍历，若所遍历像素的邻近像素的像素值均为0，则所遍历像素的像素值为0，否则将所遍历像素的像素值设置为255；所述邻近像素表示将所遍历像素与结构元素的中心点重叠，结构元素中其他点所重合的像素即为所遍历像素的邻近像素；构建结构元素C，对腐蚀处理后的图像进行膨胀的形态学处理，将膨胀处理后的易挥发性危化品图像作为形态学处理后的图像，所述膨胀操作流程为：以结构元素C的中心点对腐蚀处理后的图像像素进行逐个遍历，若遍历像素存在像素值为255的邻近像素，则将遍历像素的像素值设置为255。相较于传统方法，本方案利用相似波长的红外光对智能存储柜进行红外检测，当红外光接触到易挥发性危化品所挥发的气体时，红外光部分能量被气体吸收，图像中亮度较暗的区域即为检测到的气体区域，亮度越暗，表示所挥发气体的密度越大，实现易挥发性危化品所挥发气体密度的有效检测，同时利用基于图像亮度信息的形态学处理方法对图像进行形态学处理，其中图像亮度信息表示挥发气体的密度信息，并通过先腐蚀后膨胀的形态学处理方法，去除图像中孤立的挥发气体点，有利于后续所提取易挥发性危化品泄露特征的全局性，避免局部气体点对特征提取流程造成影响。
同时，本方案提出一种危化品迟滞挥发预测模型，所述模型输入为易挥发性危化品泄露特征时序数据，输出为预测的危化品泄漏量，所述危化品迟滞挥发预测模型的危化品泄漏量预测流程为：设定所提取的当前向量组数为j，j的初始值为0，最大组数为10；遍历第j组向量hj(t)的所有极大值点和极小值点，其中hj(t)＝f(t)，将所有的极大值点以及所有的极小值点分别用三次样条曲线连接，分别得到f(t)的上包络线以及下包络线，上下包络线的均值曲线即为sj(t)，所提取的第j组向量即为hj+1(t)＝hj(t)-sj(t)；令j＝j+1；重复上述步骤，得到h10(t)，令r(t)＝f(t)-h10(t)；对易挥发性危化品泄露特征时序数据进行重构，重构结果即为f′(t)：
Figure BDA0003712561700000062
将f′(t)输入到迭代函数中，设置迭代函数的当前迭代次数为d，d的初始值为1，迭代次数的最大值为Max；第d+1次迭代的危化品泄漏量输出流程为：
Figure BDA0003712561700000064
其中：G3,d+1＝G1,d+1G3,d+G2,d+1G3′,d+1，表示第3层的迭代函数；G4,d+1＝σ(w4[Hd,f′(t)]+b4)，表示第4层的迭代函数；G1,d+1＝σ(w1[Hd,f′(t)]+b1)，表示第1层的迭代函数；G2,d+1＝σ(w2[Hd,f′(t)]+b2)，表示第2层的迭代函数；G3′,d+1＝σ(w3[Hd,f′(t)]+b3)；Hd+1表示第d+1次迭代输出的危化品泄漏量，Hd表示第d次迭代输出的危化品泄漏量；
Figure BDA0003712561700000063
w1,w2,w3,w4表示4层迭代函数的权重参数，b1,b2,b3,b4表示4层迭代函数的偏置参数；重复该步骤，直到得到第Max次迭代后的危化品泄漏量HMax，并将危化品泄漏量HMax作为模型的预测结果。通过将获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，基于分量向量对泄露特征时序数据进行重构，弱化噪声对模型预测结果的干扰，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警，实现对易挥发性危化品迟滞泄露过程的实时监测。
附图说明
图1为本发明一实施例提供的一种危化品智能存储柜实时监测方法的流程示意图；
图2为本发明一实施例提供的危化品智能存储柜实时监测装置的功能模块图；
图3为本发明一实施例提供的实现危化品智能存储柜实时监测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种危化品智能存储柜实时监测方法。所述危化品智能存储柜实时监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述危化品智能存储柜实时监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，并对采集的存储柜内易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列。
所述S1步骤中对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，包括：
利用红外成像仪向存储柜发出红外光，利用红外成像仪内的光学系统将红外光在焦平面阵列中成像，将成像结果利用红外成像仪内的放大器以及A/D转换器处理，得到存储柜内易挥发性危化品图像，当红外光接触到易挥发性危化品所挥发的气体时，红外光部分能量被气体吸收，图像中亮度较暗的区域即为检测到的气体区域；利用红外成像仪对存储柜进行持续检测，得到存储柜内易挥发性危化品图像序列It：
Figure BDA0003712561700000071
其中：
Figure BDA0003712561700000072
表示t0时刻所检测到的存储柜内易挥发性危化品图像，所述红外成像仪对存储柜进行红外检测的时序范围为[t0,tn]；
需要解释的是，所述红外成像仪的探测波段为10-11μm红外波段，易挥发性危化品所挥发的有害气体波长为10.23μm，红外成像仪的成像结果为RGB彩色图像，且所有成像结果的图像规格相同，当红外成像仪检测到易挥发性危化品所挥发的气体时，成像结果中的气体区域亮度相较于其余区域亮度较暗。
所述S1步骤中对采集的易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列，包括：
对存储柜内易挥发性危化品图像序列中的任意一张易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列，所述形态学处理后的易挥发性危化品图像序列I′t表示为：
Figure BDA0003712561700000076
其中：
Figure BDA0003712561700000074
表示t0时刻检测到的形态学处理后的易挥发性危化品图像；
所述形态学处理流程为：
S11：将RGB格式的易挥发性危化品图像转换为XYZ格式的易挥发性危化品图像，所述格式转换公式为：
Figure BDA0003712561700000075
其中：
R,G,B为易挥发性危化品图像中任意像素在RGB颜色通道的值；
X,Y,Z为易挥发性危化品图像中任意像素在XYZ颜色空间的值；
S12：以XYZ颜色空间中的白色参考点对转换后的XYZ格式的易挥发性危化品图像进行归一化处理：
Figure BDA0003712561700000081
其中：
Xwhite,Ywhite,Zwhite为白色参考点在XYZ颜色空间中的值；
X′,Y′,Z′表示归一化处理后易挥发性危化品图像中任意像素在XYZ颜色空间的值；
S13：基于转换后的XYZ格式的易挥发性危化品图像，提取易挥发性危化品图像的亮度信息，并将所提取的任意像素的亮度信息作为像素值，所述亮度信息的提取公式为：
L＝116·Y′-16
其中：
L表示易挥发性危化品图像中任意像素的亮度信息；
S14：设置二值化阈值为
Figure BDA0003712561700000082
若易挥发性危化品图像中任意像素的像素值大于等于二值化阈值
Figure BDA0003712561700000083
则将该像素的像素值设置为255，否则设置为0，得到二值化易挥发性危化品图像；
S15：构建结构元素A，对二值化易挥发性危化品图像进行腐蚀的形态学处理，所述腐蚀操作流程为：以结构元素A的中心点对二值化易挥发性危化品图像像素进行逐个遍历，若所遍历像素的邻近像素的像素值均为0，则所遍历像素的像素值为0，否则将所遍历像素的像素值设置为255；所述邻近像素表示将所遍历像素与结构元素的中心点重叠，结构元素中其他点所重合的像素即为所遍历像素的邻近像素；
S16：构建结构元素C，对腐蚀处理后的图像进行膨胀的形态学处理，将膨胀处理后的易挥发性危化品图像作为形态学处理后的图像，所述膨胀操作流程为：以结构元素C的中心点对腐蚀处理后的图像像素进行逐个遍历，若遍历像素存在像素值为255的邻近像素，则将遍历像素的像素值设置为255。
S2：构建易挥发性危化品泄露特征提取模型，对形态学处理后的易挥发性危化品图像序列进行泄露特征提取，形成易挥发性危化品泄露特征时序数据，其中所述易挥发性危化品泄露特征提取模型的输入为形态学处理后的易挥发性危化品图像，输出为泄露特征。
所述S2步骤中构建易挥发性危化品泄露特征提取模型，包括：
构建易挥发性危化品泄露特征提取模型，其中所述易挥发性危化品泄露特征提取模型的输入为形态学处理后的易挥发性危化品图像，输出为危化品泄露特征，所述易挥发性危化品泄露特征提取模型的特征提取流程为：
S21：将形态学处理后的易挥发性危化品图像转换为像素矩阵F；
S22：设定特征提取维度为m，计算像素矩阵的协方差矩阵C：
Figure BDA0003712561700000084
其中：
T表示转置；
在本发明实施例中，将m设置为10；
S23：计算协方差矩阵C的特征值λ：
|C-λE|＝0
其中：
E表示单位矩阵；
选取特征值最大的m个特征值，根据所选取的特征值计算协方差矩阵C的特征向量pi：
pi＝C-λiE
其中：
λi表示所选取的第i个特征值；
pi表示第i个特征值所对应的特征向量；
所提取易挥发性危化品图像的降维特征向量结果为p＝[p1,p2,…,pm]；
S24：计算输入图像的前景区域占比率
Figure BDA0003712561700000091
其中S表示输入图像的面积，Sp表示输入图像前景区域的面积，所述前景区域表示图像中像素值不为0的像素区域；
S25：将输入图像的降维特征向量以及前景区域占比率作为所提取的危化品泄露特征，则所述危化品泄露特征的表示为f＝[p,rate]。
所述S2步骤中利用易挥发性危化品泄露特征提取模型对形态学处理后的易挥发性危化品图像序列进行泄露特征提取，形成易挥发性危化品泄露特征时序数据，包括：
将形态学处理后的易挥发性危化品图像序列I′t中的易挥发性危化品图像依次输入到易挥发性危化品泄露特征提取模型，得到易挥发性危化品泄露特征时序数据，所述易挥发性危化品泄露特征时序数据f(t)的表示为：
f(t)＝{f(t0),f(t1),…,f(tn)}
其中：
f(t0)表示易挥发性危化品图像
Figure BDA0003712561700000092
的泄露特征，
Figure BDA0003712561700000093
表示易挥发性危化品图像
Figure BDA0003712561700000094
的降维特征向量，
Figure BDA0003712561700000095
表示易挥发性危化品图像
Figure BDA0003712561700000096
的前景区域占比率。
S3：构建危化品迟滞挥发预测模型，其中所述模型输入为易挥发性危化品泄露特征时序数据，输出为预测的危化品泄漏量。
所述S3步骤中构建危化品迟滞挥发预测模型，包括：
构建危化品迟滞挥发预测模型，其中所述模型输入为易挥发性危化品泄露特征时序数据，输出为预测的危化品泄漏量，所述危化品迟滞挥发预测模型的危化品泄漏量预测流程为：
S31：设定所提取的当前向量组数为j，j的初始值为0，最大组数为10；
S32：遍历第j组向量hj(t)的所有极大值点和极小值点，其中hj(t)＝f(t)，将所有的极大值点以及所有的极小值点分别用三次样条曲线连接，分别得到f(t)的上包络线以及下包络线，上下包络线的均值曲线即为sj(t)，所提取的第j组向量即为hj+1(t)＝hj(t)-sj(t)；令j＝j+1；
S33：重复步骤S32，得到h10(t)，令r(t)＝f(t)-h10(t)；
S34：对易挥发性危化品泄露特征时序数据进行重构，重构结果即为f′(t)：
Figure BDA0003712561700000097
S35：将f′(t)输入到迭代函数中，设置迭代函数的当前迭代次数为d，d的初始值为1，迭代次数的最大值为Max；
S36：第d+1次迭代的危化品泄漏量输出流程为：
Figure BDA0003712561700000098
其中：
G3,d+1＝G1,d+1G3,d+G2,d+1G3′,d+1，表示第3层的迭代函数；
G4,d+1＝σ(w4[Hd,f′(t)]+b4)，表示第4层的迭代函数；
G1,d+1＝σ(w1[Hd,f′(t)]+b1)，表示第1层的迭代函数；
G2,d+1＝σ(w2[Hd,f′(t)]+b2)，表示第2层的迭代函数；
G3′,d+1＝σ(w3[Hd,f′(t)]+b3)；
Hd+1表示第d+1次迭代输出的危化品泄漏量，Hd表示第d次迭代输出的危化品泄漏量；
Figure BDA0003712561700000101
w1,w2,w3,w4表示4层迭代函数的权重参数，b1,b2,b3,b4表示4层迭代函数的偏置参数；
重复该步骤，直到得到第Max次迭代后的危化品泄漏量HMax，并将危化品泄漏量HMax作为模型的预测结果。
S4：对所构建的危化品迟滞挥发预测模型进行训练优化，得到训练优化后可用的危化品迟滞挥发预测模型。
所述S4步骤中对所构建的危化品迟滞挥发预测模型进行训练优化，包括：
所述危化品迟滞挥发预测模型的待训练优化参数为4层迭代函数的权重参数以及偏置参数；所述危化品迟滞挥发预测模型的训练优化流程为：
S41：获取用于模型训练的训练数据集，其中所述训练数据集包括易挥发性危化品泄露特征时序数据以及对应的危化品泄漏量；
S42：构建训练优化损失函数：
Figure BDA0003712561700000102
其中：
θ＝(w1,w2,w3,w4,b1,b2,b3,b4)表示待训练优化参数；
yk表示训练数据集中第k组训练数据的真实危化品泄漏量，
Figure BDA0003712561700000103
表示将第k组训练数据的易挥发性危化品泄露特征时序数据输入到基于参数θ的模型中，模型输出的危化品泄漏量；
S43：设置学习率为0.01，最大迭代次数为200，参数训练优化器为Adam优化器，优化得到最优模型参数，基于最优模型参数构建得到训练优化后的危化品迟滞挥发预测模型。
S5：将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警。
所述S5步骤中将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，包括：
将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若所述预测得到的危化品泄漏量超过指定阈值β则进行预警。
实施例2：
如图2所示，是本发明一实施例提供的危化品智能存储柜实时监测装置的功能模块图，其可以实现实施例1中的危化品智能存储柜实时监测方法。
本发明所述危化品智能存储柜实时监测装置100可以安装于电子设备中。根据实现的功能，所述危化品智能存储柜实时监测装置可以包括图像处理装置101、泄露特征提取模块102及泄漏量预测模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
图像处理装置101，用于对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，并对采集的存储柜内易挥发性危化品图像进行形态学处理；
泄露特征提取模块102，用于构建易挥发性危化品泄露特征提取模型，对形态学处理后的易挥发性危化品图像序列进行泄露特征提取；
泄漏量预测模块103，用于构建危化品迟滞挥发预测模型，将所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警。
详细地，本发明实施例中所述危化品智能存储柜实时监测装置100中的所述各模块在使用时采用与上述的图1中所述的危化品智能存储柜实时监测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现危化品智能存储柜实时监测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如实时监测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如实时监测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(实时监测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的实时监测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，并对采集的存储柜内易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列；
构建易挥发性危化品泄露特征提取模型，对形态学处理后的易挥发性危化品图像序列进行泄露特征提取，形成易挥发性危化品泄露特征时序数据；
构建危化品迟滞挥发预测模型；
对所构建的危化品迟滞挥发预测模型进行训练优化，得到训练优化后可用的危化品迟滞挥发预测模型；
将所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种危化品智能存储柜实时监测方法，其特征在于，所述方法包括：
S1：对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，并对采集的存储柜内易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列；
S2：构建易挥发性危化品泄露特征提取模型，对形态学处理后的易挥发性危化品图像序列进行泄露特征提取，形成易挥发性危化品泄露特征时序数据，其中所述易挥发性危化品泄露特征提取模型的输入为形态学处理后的易挥发性危化品图像，输出为泄露特征；
S3：构建危化品迟滞挥发预测模型，其中所述模型输入为易挥发性危化品泄露特征时序数据，输出为预测的危化品泄漏量，所述构建危化品迟滞挥发预测模型，包括：
构建危化品迟滞挥发预测模型，其中所述模型输入为易挥发性危化品泄露特征时序数据，输出为预测的危化品泄漏量，所述危化品迟滞挥发预测模型的危化品泄漏量预测流程为：
S31：设定所提取的当前向量组数为j，j的初始值为0，最大组数为10；
S32：遍历第j组向量hj(t)的所有极大值点和极小值点，其中hj(t)＝f(t)，将所有的极大值点以及所有的极小值点分别用三次样条曲线连接，分别得到f(t)的上包络线以及下包络线，上下包络线的均值曲线即为sj(t)，所提取的第j组向量即为hj+1(t)＝hj(t)-sj(t)；令j＝j+1；
S33：重复步骤S32，得到h10(t)，令r(t)＝f(t)-h10(t)；
S34：对易挥发性危化品泄露特征时序数据进行重构，重构结果即为f′(t)：
Figure FDA0003712561690000011
S35：将f′(t)输入到迭代函数中，设置迭代函数的当前迭代次数为d，d的初始值为1，迭代次数的最大值为Max；
S36：第d+1次迭代的危化品泄漏量输出流程为：
Figure FDA0003712561690000013
其中：
G3,d+1＝G1,d+1G3,d+G2,d+1G3′,d+1，表示第3层的迭代函数；
G4,d+1＝σ(w4[Hd,f′(t)]+b4)，表示第4层的迭代函数；
G1,d+1＝σ(w1[Hd,f′(t)]+b1)，表示第1层的迭代函数；
G2,d+1＝σ(w2[Hd,f′(t)]+b2)，表示第2层的迭代函数；
G3′,d+1＝σ(w3[Hd,f′(t)]+b3)；
Hd+1表示第d+1次迭代输出的危化品泄漏量，Hd表示第d次迭代输出的危化品泄漏量；
Figure FDA0003712561690000012
w1,w2,w3,w4表示4层迭代函数的权重参数，b1,b2,b3,b4表示4层迭代函数的偏置参数；
重复该步骤，直到得到第Max次迭代后的危化品泄漏量HMax，并将危化品泄漏量HMax作为模型的预测结果；
S4：对所构建的危化品迟滞挥发预测模型进行训练优化，得到训练优化后可用的危化品迟滞挥发预测模型；
S5：将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警。
2.如权利要求1所述的一种危化品智能存储柜实时监测方法，其特征在于，所述S1步骤中对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，包括：
利用红外成像仪向存储柜发出红外光，利用红外成像仪内的光学系统将红外光在焦平面阵列中成像，将成像结果利用红外成像仪内的放大器以及A/D转换器处理，得到存储柜内易挥发性危化品图像，当红外光接触到易挥发性危化品所挥发的气体时，红外光部分能量被气体吸收，图像中亮度较暗的区域即为检测到的气体区域；利用红外成像仪对存储柜进行持续检测，得到存储柜内易挥发性危化品图像序列It：
Figure FDA0003712561690000021
其中：
Figure FDA0003712561690000022
表示t0时刻所检测到的存储柜内易挥发性危化品图像，所述红外成像仪对存储柜进行红外检测的时序范围为[t0,tn]。
3.如权利要求2所述的一种危化品智能存储柜实时监测方法，其特征在于，所述S1步骤中对采集的易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列，包括：
对存储柜内易挥发性危化品图像序列中的任意一张易挥发性危化品图像进行形态学处理，得到形态学处理后的易挥发性危化品图像序列，所述形态学处理后的易挥发性危化品图像序列I′t表示为：
Figure FDA0003712561690000023
其中：
Figure FDA0003712561690000024
表示t0时刻检测到的形态学处理后的易挥发性危化品图像；
所述形态学处理流程为：
S11：将RGB格式的易挥发性危化品图像转换为XYZ格式的易挥发性危化品图像，所述格式转换公式为：
Figure FDA0003712561690000025
其中：
R,G,B为易挥发性危化品图像中任意像素在RGB颜色通道的值；
X,Y,Z为易挥发性危化品图像中任意像素在XYZ颜色空间的值；
S12：以XYZ颜色空间中的白色参考点对转换后的XYZ格式的易挥发性危化品图像进行归一化处理：
Figure FDA0003712561690000026
其中：
Xwhite,Ywhite,Zwhite为白色参考点在XYZ颜色空间中的值；
X′,Y′,Z′表示归一化处理后易挥发性危化品图像中任意像素在XYZ颜色空间的值；
S13：基于转换后的XYZ格式的易挥发性危化品图像，提取易挥发性危化品图像的亮度信息，并将所提取的任意像素的亮度信息作为像素值，所述亮度信息的提取公式为：
L＝116·Y′-16
其中：
L表示易挥发性危化品图像中任意像素的亮度信息；
S14：设置二值化阈值为
Figure FDA0003712561690000027
若易挥发性危化品图像中任意像素的像素值大于等于二值化阈值
Figure FDA0003712561690000028
则将该像素的像素值设置为255，否则设置为0，得到二值化易挥发性危化品图像；
S15：构建结构元素A，对二值化易挥发性危化品图像进行腐蚀的形态学处理，所述腐蚀操作流程为：以结构元素A的中心点对二值化易挥发性危化品图像像素进行逐个遍历，若所遍历像素的邻近像素的像素值均为0，则所遍历像素的像素值为0，否则将所遍历像素的像素值设置为255；所述邻近像素表示将所遍历像素与结构元素的中心点重叠，结构元素中其他点所重合的像素即为所遍历像素的邻近像素；
S16：构建结构元素C，对腐蚀处理后的图像进行膨胀的形态学处理，将膨胀处理后的易挥发性危化品图像作为形态学处理后的图像，所述膨胀操作流程为：以结构元素C的中心点对腐蚀处理后的图像像素进行逐个遍历，若遍历像素存在像素值为255的邻近像素，则将遍历像素的像素值设置为255。
4.如权利要求1所述的一种危化品智能存储柜实时监测方法，其特征在于，所述S2步骤中构建易挥发性危化品泄露特征提取模型，包括：
构建易挥发性危化品泄露特征提取模型，其中所述易挥发性危化品泄露特征提取模型的输入为形态学处理后的易挥发性危化品图像，输出为危化品泄露特征，所述易挥发性危化品泄露特征提取模型的特征提取流程为：
S21：将形态学处理后的易挥发性危化品图像转换为像素矩阵F；
S22：设定特征提取维度为m，计算像素矩阵的协方差矩阵C：
Figure FDA0003712561690000031
其中：
T表示转置；
S23：计算协方差矩阵C的特征值λ：
|C-λE|＝0
其中：
E表示单位矩阵；
选取特征值最大的m个特征值，根据所选取的特征值计算协方差矩阵C的特征向量pi：
pi＝C-λiE
其中：
λi表示所选取的第i个特征值；
pi表示第i个特征值所对应的特征向量；
所提取易挥发性危化品图像的降维特征向量结果为p＝[p1,p2,…,pm]；
S24：计算输入图像的前景区域占比率
Figure FDA0003712561690000032
其中S表示输入图像的面积，Sp表示输入图像前景区域的面积，所述前景区域表示图像中像素值不为0的像素区域；
S25：将输入图像的降维特征向量以及前景区域占比率作为所提取的危化品泄露特征，则所述危化品泄露特征的表示为f＝[p,rate]。
5.如权利要求3-4所述的一种危化品智能存储柜实时监测方法，其特征在于，所述S2步骤中利用易挥发性危化品泄露特征提取模型对形态学处理后的易挥发性危化品图像序列进行泄露特征提取，形成易挥发性危化品泄露特征时序数据，包括：
将形态学处理后的易挥发性危化品图像序列I′t中的易挥发性危化品图像依次输入到易挥发性危化品泄露特征提取模型，得到易挥发性危化品泄露特征时序数据，所述易挥发性危化品泄露特征时序数据f(t)的表示为：
f(t)＝{f(t0),f(t1),…,f(tn)}
其中：
f(t0)表示易挥发性危化品图像
Figure FDA0003712561690000033
的泄露特征，
Figure FDA0003712561690000034
Figure FDA0003712561690000035
表示易挥发性危化品图像
Figure FDA0003712561690000041
的降维特征向量，
Figure FDA0003712561690000042
表示易挥发性危化品图像
Figure FDA0003712561690000043
的前景区域占比率。
6.如权利要求1所述的一种危化品智能存储柜实时监测方法，其特征在于，所述S4步骤中对所构建的危化品迟滞挥发预测模型进行训练优化，包括：
所述危化品迟滞挥发预测模型的待训练优化参数为4层迭代函数的权重参数以及偏置参数；所述危化品迟滞挥发预测模型的训练优化流程为：
S41：获取用于模型训练的训练数据集，其中所述训练数据集包括易挥发性危化品泄露特征时序数据以及对应的危化品泄漏量；
S42：构建训练优化损失函数：
Figure FDA0003712561690000044
其中：
θ＝(w1,w2,w3,w4,b1,b2,b3,b4)表示待训练优化参数；
yk表示训练数据集中第k组训练数据的真实危化品泄漏量，
Figure FDA0003712561690000045
表示将第k组训练数据的易挥发性危化品泄露特征时序数据输入到基于参数θ的模型中，模型输出的危化品泄漏量；
S43：设置学习率为0.01，最大迭代次数为200，参数训练优化器为Adam优化器，优化得到最优模型参数，基于最优模型参数构建得到训练优化后的危化品迟滞挥发预测模型。
7.如权利要求6所述的一种危化品智能存储柜实时监测方法，其特征在于，所述S5步骤中将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，包括：
将步骤S1、S2所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若所述预测得到的危化品泄漏量超过指定阈值β则进行预警。
8.一种危化品智能存储柜实时监测装置，其特征在于，所述装置包括：
图像处理装置，用于对存储柜中的易挥发性危化品进行持续红外检测，获取存储柜内易挥发性危化品图像序列，并对采集的存储柜内易挥发性危化品图像进行形态学处理；
泄露特征提取模块，用于构建易挥发性危化品泄露特征提取模型，对形态学处理后的易挥发性危化品图像序列进行泄露特征提取；
泄漏量预测模块，用于构建危化品迟滞挥发预测模型，将所获取的易挥发性危化品泄露特征时序数据输入到训练优化后的危化品迟滞挥发预测模型中，模型输出预测得到的危化品泄漏量，若预测结果超过指定阈值则进行预警，以实现如权利要求1-7所述的一种危化品智能存储柜实时监测方法。
CN202210729593.XA 2022-06-24 2022-06-24 一种危化品智能存储柜实时监测方法与装置 Active CN114998838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210729593.XA CN114998838B (zh) 2022-06-24 2022-06-24 一种危化品智能存储柜实时监测方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210729593.XA CN114998838B (zh) 2022-06-24 2022-06-24 一种危化品智能存储柜实时监测方法与装置

Publications (2)

Publication Number Publication Date
CN114998838A true CN114998838A (zh) 2022-09-02
CN114998838B CN114998838B (zh) 2023-06-06

Family

ID=83037911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210729593.XA Active CN114998838B (zh) 2022-06-24 2022-06-24 一种危化品智能存储柜实时监测方法与装置

Country Status (1)

Country Link
CN (1) CN114998838B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840356A (zh) * 2022-10-18 2023-03-24 中健国康科技(江苏)有限公司 一种微感智能护理床控制方法及装置
CN115909180A (zh) * 2023-01-04 2023-04-04 中环碳和(北京)科技有限公司 一种六氟化硫测量方法
CN116403165A (zh) * 2023-06-05 2023-07-07 交通运输部水运科学研究所 一种危险化学品泄露应急处理方法、装置及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014529735A (ja) * 2011-09-20 2014-11-13 ハリバートンエナジー サヴィシーズ インコーポレイテッド 禁止物質又は危険物質を検出するためのシステム及び道具。
CN112215458A (zh) * 2020-09-01 2021-01-12 青岛海信网络科技股份有限公司 灾害分析方法和电子设备
CN113469098A (zh) * 2021-07-13 2021-10-01 中国石油大学(华东) 一种有机危化品泄漏智能可视化监测装置
CN113704690A (zh) * 2021-08-26 2021-11-26 无锡赛弗安全装备有限公司 一种危化品智能存储柜实时监测方法及系统
CN113791038A (zh) * 2020-05-25 2021-12-14 中国石油化工股份有限公司 危化品泄漏定性侦检方法及系统
CN113850172A (zh) * 2021-09-18 2021-12-28 中国科学技术大学先进技术研究院 一种微尺度VOCs泄漏检测方法、系统、存储介质及设备
CN113919768A (zh) * 2021-09-15 2022-01-11 安徽中科超安科技有限公司 一种特种物质的道路运输风险预测方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014529735A (ja) * 2011-09-20 2014-11-13 ハリバートンエナジー サヴィシーズ インコーポレイテッド 禁止物質又は危険物質を検出するためのシステム及び道具。
CN113791038A (zh) * 2020-05-25 2021-12-14 中国石油化工股份有限公司 危化品泄漏定性侦检方法及系统
CN112215458A (zh) * 2020-09-01 2021-01-12 青岛海信网络科技股份有限公司 灾害分析方法和电子设备
CN113469098A (zh) * 2021-07-13 2021-10-01 中国石油大学(华东) 一种有机危化品泄漏智能可视化监测装置
CN113704690A (zh) * 2021-08-26 2021-11-26 无锡赛弗安全装备有限公司 一种危化品智能存储柜实时监测方法及系统
CN113919768A (zh) * 2021-09-15 2022-01-11 安徽中科超安科技有限公司 一种特种物质的道路运输风险预测方法和系统
CN113850172A (zh) * 2021-09-18 2021-12-28 中国科学技术大学先进技术研究院 一种微尺度VOCs泄漏检测方法、系统、存储介质及设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JAN-FRIEDRICH EHLENBRÖKER等: "Condition monitoring for hazardous material storage", 《PROCEEDINGS OF THE 2014 IEEE EMERGING TECHNOLOGY AND FACTORY AUTOMATION (ETFA)》, pages 1 - 4 *
LING ZHAO等: "Small-target leak detection for a closed vessel via infrared image sequences", 《INFRARED PHYSICS & TECHNOLOGY》, vol. 81, pages 109 - 116 *
刘童: "轻气体扩散时空数据模型可视化方法研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, no. 2, pages 008 - 225 *
宗文锦: "危化品存储柜安全管控系统研究与开发", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 1, pages 016 - 270 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840356A (zh) * 2022-10-18 2023-03-24 中健国康科技(江苏)有限公司 一种微感智能护理床控制方法及装置
CN115840356B (zh) * 2022-10-18 2023-12-22 中健国康科技(江苏)有限公司 一种微感智能护理床控制方法及装置
CN115909180A (zh) * 2023-01-04 2023-04-04 中环碳和(北京)科技有限公司 一种六氟化硫测量方法
CN115909180B (zh) * 2023-01-04 2024-01-26 中环碳和(北京)科技有限公司 一种六氟化硫测量方法
CN116403165A (zh) * 2023-06-05 2023-07-07 交通运输部水运科学研究所 一种危险化学品泄露应急处理方法、装置及可读存储介质
CN116403165B (zh) * 2023-06-05 2023-08-04 交通运输部水运科学研究所 一种危险化学品泄露应急处理方法、装置及可读存储介质

Also Published As

Publication number Publication date
CN114998838B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN114998838A (zh) 一种危化品智能存储柜实时监测方法与装置
CN109478239B (zh) 检测图像中的对象的方法和对象检测系统
CN112465748B (zh) 基于神经网络的裂缝识别方法、装置、设备及存储介质
Husin et al. Embedded portable device for herb leaves recognition using image processing techniques and neural network algorithm
Zhou et al. Multi-classification of skin diseases for dermoscopy images using deep learning
CN107545281B (zh) 一种基于深度学习的单一有害气体红外图像分类识别方法
WO2024060684A1 (zh) 模型训练方法、图像处理方法、设备及存储介质
CN115389439B (zh) 基于大数据的河流污染物监测方法及系统
CN114091554A (zh) 一种训练集处理方法和装置
Choe et al. The real-time mobile application for classifying of endangered parrot species using the CNN models based on transfer learning
CN115063584A (zh) 基于深度学习的管道蒸汽泄漏检测方法及检测系统
CN117055726A (zh) 一种脑机交互的微运动控制方法
CN116910625A (zh) 一种精准脑机信号监测识别方法
CN115796231A (zh) 一种时态分析的超短期风速预测方法
CN115984269A (zh) 一种非侵入式局部水生态安全检测方法与系统
CN110533027A (zh) 一种基于移动设备的文本检测和识别方法与系统
CN113963311A (zh) 一种安全生产风险视频监控方法及系统
CN111859370B (zh) 识别服务的方法、装置、电子设备和计算机可读存储介质
Chen et al. Research on recognition technology of transformer oil leakage based on improved YOLOV3
Broetto et al. Heterogeneous feature models and feature selection applied to detection of street lighting lamps types and wattages
CN116822205B (zh) 一种多维环网柜故障快速预警方法
CN113449559B (zh) 一种表格识别方法、装置、计算机设备和存储介质
CN115424095B (zh) 基于废旧物资的质量分析方法及装置
CN114926753B (zh) 一种海量图像条件下的快速目标场景信息提取方法
CN116522105B (zh) 基于云计算的数据一体化搭建的方法、装置、设备及介质

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