CN115184228B - 一种基于机器学习的安全态势感知方法及系统 - Google Patents
一种基于机器学习的安全态势感知方法及系统 Download PDFInfo
- Publication number
- CN115184228B CN115184228B CN202211092186.9A CN202211092186A CN115184228B CN 115184228 B CN115184228 B CN 115184228B CN 202211092186 A CN202211092186 A CN 202211092186A CN 115184228 B CN115184228 B CN 115184228B
- Authority
- CN
- China
- Prior art keywords
- parameter
- grid
- sensing
- reference direction
- machine learning
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims description 70
- 230000008859 change Effects 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 37
- 230000008447 perception Effects 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000012549 training Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Tourism & Hospitality (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Dispersion Chemistry (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及物联网技术领域,公开了一种基于机器学习的安全态势感知方法及系统,可由多个网格点监测组的多个网格监测点对对应区域的空气进行采样,每个网格监测点都可获得对应的空气采样参数组,然后将根据预设特征提取规则生成的特征图片输入训练好的空气质量识别模型,便可对目标区域的整体空气质量进行监控,而且大量的网格监测点能够在机器学习模型的训练过程中提供大量训练样本,有助于机器学习模型的高效训练,因此能够保证空气质量识别模型的识别精准度。
Description
技术领域
本发明涉及物联网技术领域,具体涉及一种基于机器学习的安全态势感知方法及系统。
背景技术
万物互联的世界即将到来,这意味着将会有越来越多的终端设备,同时人们对用户体验更加注重,使得对实时性的要求与日俱增,但是随着人们对于环境保护重视程度的增加,利用物联网对环境污染防治迎来较大的发展。
现有的环境污染防治主要通过在区域内设置多个污染物监测点,通过监测点监测的数据与历史数据进行比对,来对该区域的环境进行判断,当污染物的浓度超过标准时,则发出预警信息,进而来提醒相关环境管理人员对该区域的环境进行管控,避免污染状况进一步的恶化并,限制排污量较大的企业,进而来改善该区域的环境污染状况。
然而,在空气污染的防治中,由于空气的流动性和扩散范围较大,将实时监测到的空气相关参数与历史数据比对只能在一定程度上保证对污染情况的发现,但是对于数据变化的趋势无法做到有效分析,因此现有的预警方案在具体实施时具有一定的滞后性;其次,根据现有的防治理念,一旦某一区域出现较大污染,难以精准的在第一时间找到污染源,需要大面积关停相关企业,容易误伤合规生产的企业。
发明内容
本发明的目的在于提供一种基于机器学习的安全态势感知方法及系统,解决以下技术问题:
如何对环境中的污染进行准确且快速的预警感知。
本发明的目的可以通过以下技术方案实现:
一种基于机器学习的安全态势感知方法,包括:
S1,在目标区域建立多个网格点监测组;所述网格点监测组包括多个网格监测点;
S2,通过所述网格监测点获取空气采样参数组;
S3,将所述空气采样参数组按照预设特征提取规则生成对应的特征图片;
S4,将所述特征图片输入训练好的空气质量识别模型,获得质量判断结果;
其中,所述空气质量识别模型为经过训练的机器学习模型,所述质量判断结果包括合格和不合格。
通过上述技术方案,由多个网格点监测组的多个网格监测点对对应区域的空气进行采样,每个网格监测点都可获得对应的空气采样参数组,然后将根据预设特征提取规则生成的特征图片输入训练好的空气质量识别模型,便可对目标区域的整体空气质量进行监控,而且大量的网格监测点能够在机器学习模型的训练过程中提供大量训练样本,有助于机器学习模型的高效训练,因此能够保证空气质量识别模型的识别精准度。
作为本发明进一步的方案:所述预设特征提取规则包括:
解析所述空气采样参数得到多个参数项;
根据所述参数项生成对应的随时间变化的参数变化曲线;
在空白图片上匹配设置与所述参数变化曲线关联的统一坐标轴;
将所述参数变化曲线按照预设排列顺序设置在所述空白图片上。
通过上述技术方案,空气采样参数可包含多个参数项,比如粉尘微粒含量、有害物体含量、PM2.5浓度等参数值,将这些参数项跟随时间变化的参数变化曲线匹配加载至空白图片的统一坐标轴上,可以得到大量的特征图片;而且,预设排列顺序的改变可以得到新的特征图片,但是特征图片所包含的空气采样参数并无变化,因此有利于在训练阶段对训练样本进行倍增且无须再次进行人工标注,充分提升训练样本数量和扩充效率。
作为本发明进一步的方案:不同的所述参数变化曲线的颜色不同,所述统一坐标轴的纵轴包括与所述参数项种类数量相同的纵向分段轴,每一段纵向分段轴与对应所述参数变化曲线关联。
通过上述技术方案,将不同的参数变化曲线设置为不同颜色,可以有利于降低机器学习模型对不同参数变化曲线的分辨难度,也有利于在对训练样本进行人工标注阶段方便工作人员辨识审核,而且由于不同的参数变化曲线对应的单位不同,所以可将统一坐标轴的纵轴进行相应的分段处理,每一段纵向分段轴与对应所述参数变化曲线关联对应有助于提升最终质量判断的准确性。
作为本发明进一步的方案:所述纵向分段轴的颜色设置为渐变色,渐变速度与所述纵向分段轴对应的最小刻度值相关。
通过上述技术方案,由于不同的纵向分段轴对应的单位不同,不同参数项的最值也不同,因此在纵向上的刻度数值排布也可能不同,若没有对应的纵轴刻度值,参数变化曲线只能反映参数项的变化趋势,并不能进行量化,但是直接在纵轴上填写刻度值的数值供机器学习模型进行识别又存在一定的识别误差和处理量的大幅提升,因此通过将纵向分段轴的颜色设置为渐变色,然后将渐变速度与刻度最小单位值相关,可以有利于机器视觉模型的识别;比如,其中将一个纵向分段轴设置为蓝色,该纵向分段轴从下至上从浅蓝到深蓝渐变,每隔n个像素渐变一次,n越小,说明渐变速度越大,每渐变一次,就代表一个刻度。
作为本发明进一步的方案:还包括:
S5,将预设时间内所获取的不合格的质量判断结果所对应的所述网格监测点标记为感知点;
S8,将所有所述感知参考方向在延伸方向上的交点作为参考中心;
S9,以所述参考中心为圆心,预设距离为半径建立探查区域,获取所述探查区域之间的重叠部分;
S10,将存在两次及以上重叠的所述探查区域作为空气质量势态感知重点区域。
通过上述技术方案,一旦出现感知点,说明目标区域内存在空气质量不合格的区域,附近有可能存在正在排放污染的工厂或者其他空气污染源,因此必然存在多个感知点;为确定污染源的大致方位,可根据一个网格点监测组中第一个标记为感知点的网络监测点设置为首级感知点,最后一个标记为感知点的网络监测点设置为末级感知点,因此从末级感知点到首级感知点的连线的延伸方向可以作为感知参考方向,感知参考方向的起点为末级感知点;因为每个至少存在2个感知点的网格点监测组都可以得到一个对应的感知参考方向,所以可将感知参考方向的交叉点作为参考中心,得到圆形的探查区域,将探查区域重叠的部分作为空气质量势态感知重点区域,可以协助工作人员快速的缩小污染源搜查范围,提升工作效率。
作为本发明进一步的方案:所述空气采样参数组包括PM2.5浓度值;
所述S7还包括:
针对每个所述网格点监测组,获取每个所述感知点所获取的所述PM2.5浓度值;
根据所述PM2.5浓度值生成浓度梯度图;
根据所述浓度梯度图获取梯度参考方向;
若所述梯度参考方向与所述感知参考方向不平行,则根据所述梯度参考方向对所述感知参考方向进行靠近修正。
通过上述技术方案,空气中污染物在整体上在会从浓度高向浓度低的方向进行扩散,以此可将梯度参考方向作为参考,来对感知参考方向进行修正,针对一个网格点监测组,当其感知参考方向与对应的梯度参考方向不一致时,将感知参考方向向梯度参考方向靠近修正预设角度,该预设角度与感知参考方向和梯度参考方向的夹角正相关。
作为本发明进一步的方案:所述S7还包括:
通过上述技术方案,考虑到风速和风向对污染源的扩散方向和速度存在一定影响,因此将风向纳入对感知参考方向进行修正的考量参数范围,该平均风速为修正前的感知参考方向的反向方向的风速值;因此当不为0,考虑到若修正前的感知参考方向真实指向污染源时,距离与平均风速的比值应当约等于时间戳差值;若距离与平均风速的比值大于时间戳差值时,说明污染源距离末级感知点的距离d1和污染源距离首级感知点的距离d2的差值小于距离,也就是说此时的感知参考方向需要进行一定程度的修正;若距离与平均风速的比值大幅大于时间戳差值时,说明污染源距离末级感知点的距离d1和污染源距离首级感知点的距离d2的差值大幅小于距离,也就是说此时的感知参考方向需要进行更大程度的修正,修正方向为靠近风向的方向,如此可以尽量的提升空气质量势态感知重点区域的划分准确性。
作为本发明进一步的方案:所述S9还包括:每修正一次所述感知参考方向,将所述探查区域的半径缩小预设数值。
通过上述技术方案,每一次修正能够尽量的提升感知参考方向的正确性,因此可以在保证准确度的情况下,尽量缩小最终的气质量势态感知重点区域的估计范围,更好的协助工作人员排查污染源。
一种基于机器学习的安全态势感知系统,包括:
多个网格点监测组,分布设置在目标区域内,所述网格点监测组包括多个网格监测点,所述网格监测点用于获取空气采样参数组;
生成模块,用于将所述空气采样参数组按照预设特征提取规则生成对应的特征图片;
空气质量识别模型,为经过训练的机器学习模型,用于接收所述特征图片并根据所述特征图片输出对应的质量判断结果;所述质量判断结果包括合格和不合格。
本发明的有益效果:
(1)本发明可由多个网格点监测组的多个网格监测点对对应区域的空气进行采样,每个网格监测点都可获得对应的空气采样参数组,然后将根据预设特征提取规则生成的特征图片输入训练好的空气质量识别模型,便可对目标区域的整体空气质量进行监控,而且大量的网格监测点能够在机器学习模型的训练过程中提供大量训练样本,有助于机器学习模型的高效训练,因此能够保证空气质量识别模型的识别精准度;
(2)空气采样参数可包含多个参数项,比如粉尘微粒含量、有害物体含量、PM2.5浓度等参数值,将这些参数项跟随时间变化的参数变化曲线匹配加载至空白图片的统一坐标轴上,可以得到大量的特征图片;而且,预设排列顺序的改变可以得到新的特征图片,但是特征图片所包含的空气采样参数并无变化,因此有利于在训练阶段对训练样本进行倍增且无须再次进行人工标注,充分提升训练样本数量和扩充效率;
(3)将不同的参数变化曲线设置为不同颜色,可以有利于降低机器学习模型对不同参数变化曲线的分辨难度,也有利于在对训练样本进行人工标注阶段方便工作人员辨识审核,而且由于不同的参数变化曲线对应的单位不同,所以可将统一坐标轴的纵轴进行相应的分段处理,每一段纵向分段轴与对应所述参数变化曲线关联对应有助于提升最终质量判断的准确性;
(4)由于不同的纵向分段轴对应的单位不同,不同参数项的最值也不同,因此在纵向上的刻度数值排布也可能不同,若没有对应的纵轴刻度值,参数变化曲线只能反映参数项的变化趋势,并不能进行量化,但是直接在纵轴上填写刻度值的数值供机器学习模型进行识别又存在一定的识别误差和处理量的大幅提升,因此通过将纵向分段轴的颜色设置为渐变色,然后将渐变速度与刻度最小单位值相关,可以有利于机器视觉模型的识别;比如,其中将一个纵向分段轴设置为蓝色,该纵向分段轴从下至上从浅蓝到深蓝渐变,每隔n个像素渐变一次,n越小,说明渐变速度越大,每渐变一次,就代表一个刻度。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明中的安全态势感知方法流程图;
图2为本发明中空气质量势态感知重点区域的获取原理示意图;
图3为本发明中某一网格点监测组的感知参考方向修正原理示意图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于机器学习的安全态势感知方法,包括:
S1,在目标区域建立多个网格点监测组;所述网格点监测组包括多个网格监测点;
S2,通过所述网格监测点获取空气采样参数组;
S3,将所述空气采样参数组按照预设特征提取规则生成对应的特征图片;
S4,将所述特征图片输入训练好的空气质量识别模型,获得质量判断结果;
其中,所述空气质量识别模型为经过训练的机器学习模型,所述质量判断结果包括合格和不合格。
通过上述技术方案,由多个网格点监测组的多个网格监测点对对应区域的空气进行采样,每个网格监测点都可获得对应的空气采样参数组,然后将根据预设特征提取规则生成的特征图片输入训练好的空气质量识别模型,便可对目标区域的整体空气质量进行监控,而且大量的网格监测点能够在机器学习模型的训练过程中提供大量训练样本,有助于机器学习模型的高效训练,因此能够保证空气质量识别模型的识别精准度。
作为本发明进一步的方案:所述预设特征提取规则包括:
解析所述空气采样参数得到多个参数项;
根据所述参数项生成对应的随时间变化的参数变化曲线;
在空白图片上匹配设置与所述参数变化曲线关联的统一坐标轴;
将所述参数变化曲线按照预设排列顺序设置在所述空白图片上。
通过上述技术方案,空气采样参数可包含多个参数项,比如粉尘微粒含量、有害物体含量、PM2.5浓度等参数值,将这些参数项跟随时间变化的参数变化曲线匹配加载至空白图片的统一坐标轴上,可以得到大量的特征图片;而且,预设排列顺序的改变可以得到新的特征图片,但是特征图片所包含的空气采样参数并无变化,因此有利于在训练阶段对训练样本进行倍增且无须再次进行人工标注,充分提升训练样本数量和扩充效率。
本发明中所采用的机器学习算法是基于卷积神经网络(CNN)进行,卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),常用来分析视觉图像,在实际应用的过程中,其多用于对图像进行分类、检索,其优点是可以共享卷积核,对高维数据处理无压力,无需手动选取特征值,特征分类效果好;但是,需要在训练时需要大量的进行过分类标注的训练样本,并在过程中进行调参。
在本发明中,机器学习模型的训练样本的获取方式与特征图片基本相同,需要人工标注,也就是说,需要将训练样本中的数据采用现有的判断方式进行比对确定是否合格,并可将出现不合格的判断结果之前一段时间的空气采样参数作为标签为不合格的训练样本进行训练,因此能够得到大量的训练样本,且虽然在训练过程中可能比较繁琐,但是一旦训练完成,便可以通过机器学习模型在空气质量尚没有变为不合格时提供预警。
作为本发明进一步的方案:不同的所述参数变化曲线的颜色不同,所述统一坐标轴的纵轴包括与所述参数项种类数量相同的纵向分段轴,每一段纵向分段轴与对应所述参数变化曲线关联。
通过上述技术方案,将不同的参数变化曲线设置为不同颜色,可以有利于降低机器学习模型对不同参数变化曲线的分辨难度,也有利于在对训练样本进行人工标注阶段方便工作人员辨识审核,而且由于不同的参数变化曲线对应的单位不同,所以可将统一坐标轴的纵轴进行相应的分段处理,每一段纵向分段轴与对应所述参数变化曲线关联对应有助于提升最终质量判断的准确性。
作为本发明进一步的方案:所述纵向分段轴的颜色设置为渐变色,渐变速度与所述纵向分段轴对应的最小刻度值相关。
通过上述技术方案,由于不同的纵向分段轴对应的单位不同,不同参数项的最值也不同,因此在纵向上的刻度数值排布也可能不同,若没有对应的纵轴刻度值,参数变化曲线只能反映参数项的变化趋势,并不能进行量化,但是直接在纵轴上填写刻度值的数值供机器学习模型进行识别又存在一定的识别误差和处理量的大幅提升,因此通过将纵向分段轴的颜色设置为渐变色,然后将渐变速度与刻度最小单位值相关,可以有利于机器视觉模型的识别;比如,其中将一个纵向分段轴设置为蓝色,该纵向分段轴从下至上从浅蓝到深蓝渐变,每隔n个像素渐变一次,n越小,说明渐变速度越大,每渐变一次,就代表一个刻度。
作为本发明进一步的方案:还包括:
S5,将预设时间内所获取的不合格的质量判断结果所对应的所述网格监测点标记为感知点;
S8,将所有所述感知参考方向在延伸方向上的交点作为参考中心;
S9,以所述参考中心为圆心,预设距离为半径建立探查区域,获取探查区域之间的重叠部分;
S10,将存在两次及以上重叠的所述探查区域作为空气质量势态感知重点区域。
通过上述技术方案,一旦出现感知点,说明目标区域内存在空气质量不合格的区域,附近有可能存在正在排放污染的工厂或者其他空气污染源,因此必然存在多个感知点;为确定污染源的大致方位,可根据一个网格点监测组中第一个标记为感知点的网络监测点设置为首级感知点,最后一个标记为感知点的网络监测点设置为末级感知点,因此从末级感知点到首级感知点的连线的延伸方向可以作为感知参考方向,感知参考方向的起点为末级感知点;因为每个至少存在2个感知点的网格点监测组都可以得到一个对应的感知参考方向,参见图2中阴影部分,可将感知参考方向的交叉点作为参考中心,得到圆形的探查区域,将探查区域重叠的部分作为空气质量势态感知重点区域,可以协助工作人员快速的缩小污染源搜查范围,提升工作效率。
作为本发明进一步的方案:所述空气采样参数组包括PM2.5浓度值;
所述S7还包括:
针对每个所述网格点监测组,获取每个所述感知点所获取的所述PM2.5浓度值;
根据所述PM2.5浓度值生成浓度梯度图;
根据所述浓度梯度图获取梯度参考方向;
若所述梯度参考方向与所述感知参考方向不平行,则根据所述梯度参考方向对所述感知参考方向进行靠近修正。
通过上述技术方案,空气中污染物在整体上在会从浓度高向浓度低的方向进行扩散,以此可将梯度参考方向作为参考,来对感知参考方向进行修正,针对一个网格点监测组,当其感知参考方向与对应的梯度参考方向不一致时,将感知参考方向向梯度参考方向靠近修正预设角度,该预设角度与感知参考方向和梯度参考方向的夹角正相关。
作为本发明进一步的方案:所述S7还包括:
通过上述技术方案,如图3所示,黑圈代表该网格点监测组中的感知点,白圈代表网格监测点,考虑到风速和风向对污染源的扩散方向和速度存在一定影响,因此将风向纳入对感知参考方向进行修正的考量参数范围,该平均风速为修正前的感知参考方向的反向方向的风速值。
若距离与平均风速的比值大于时间戳差值时,说明污染源距离末级感知点的距离d1和污染源距离首级感知点的距离d2的差值小于距离,也就是说此时的感知参考方向并不真实指向污染源,需要进行一定程度的修正,修正方向为靠近风向反向的方向;
若距离与平均风速的比值大幅大于时间戳差值时,说明污染源距离末级感知点的距离d1和污染源距离首级感知点的距离d2的差值大幅小于距离,也就是说此时的感知参考方向需要进行更大程度的修正,修正方向为靠近风向反向的方向;如此可以尽量的提升空气质量势态感知重点区域的划分准确性。
作为本发明进一步的方案:所述S9还包括:每修正一次所述感知参考方向,将所述探查区域的半径缩小预设数值。
通过上述技术方案,每一次修正能够尽量的提升感知参考方向的正确性,因此可以在保证准确度的情况下,尽量缩小最终的气质量势态感知重点区域的估计范围,更好的协助工作人员排查污染源。
一种基于机器学习的安全态势感知系统,包括:
多个网格点监测组,分布设置在目标区域内,所述网格点监测组包括多个网格监测点,所述网格监测点用于获取空气采样参数组;
生成模块,用于将所述空气采样参数组按照预设特征提取规则生成对应的特征图片;
空气质量识别模型,为经过训练的机器学习模型,用于接收所述特征图片并根据所述特征图片输出对应的质量判断结果;所述质量判断结果包括合格和不合格。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种基于机器学习的安全态势感知方法,其特征在于,包括:
S1,在目标区域建立多个网格点监测组;所述网格点监测组包括多个网格监测点;
S2,通过所述网格监测点获取空气采样参数组;
S3,将所述空气采样参数组按照预设特征提取规则生成对应的特征图片;
S4,将所述特征图片输入训练好的空气质量识别模型,获得质量判断结果;
其中,所述空气质量识别模型为经过训练的机器学习模型,所述质量判断结果包括合格和不合格;
S5,将预设时间内所获取的不合格的质量判断结果所对应的所述网格监测点标记为感知点;
S8,将所有所述感知参考方向在延伸方向上的交点作为参考中心;
S9,以所述参考中心为圆心,预设距离为半径建立探查区域,获取所述探查区域的重叠部分;
S10,将存在两次及以上重叠的所述探查区域作为空气质量势态感知重点区域;
所述预设特征提取规则包括:
解析所述空气采样参数得到多个参数项;
根据所述参数项生成对应的随时间变化的参数变化曲线;
在空白图片上匹配设置与所述参数变化曲线关联的统一坐标轴;
将所述参数变化曲线按照预设排列顺序设置在所述空白图片上。
2.根据权利要求1所述的基于机器学习的安全态势感知方法,其特征在于,不同的所述参数变化曲线的颜色不同,所述统一坐标轴的纵轴包括与所述参数项种类数量相同的纵向分段轴,每一段纵向分段轴与对应所述参数变化曲线关联。
3.根据权利要求2所述的基于机器学习的安全态势感知方法,其特征在于,所述纵向分段轴的颜色设置为渐变色,渐变速度与所述纵向分段轴对应的最小刻度值相关。
4.根据权利要求1所述的基于机器学习的安全态势感知方法,其特征在于,所述空气采样参数组包括PM2.5浓度值;
所述S7还包括:
针对每个所述网格点监测组,获取每个所述感知点所获取的所述PM2.5浓度值;
根据所述PM2.5浓度值生成浓度梯度图;
根据所述浓度梯度图获取梯度参考方向;
若所述梯度参考方向与所述感知参考方向不平行,则根据所述梯度参考方向对所述感知参考方向进行靠近修正。
6.根据权利要求5所述的基于机器学习的安全态势感知方法,其特征在于,所述S9还包括:每修正一次所述感知参考方向,将所述探查区域的半径缩小预设数值。
7.一种采用如权利要求1所述方法的基于机器学习的安全态势感知系统,其特征在于,包括:
多个网格点监测组,分布设置在目标区域内,所述网格点监测组包括多个网格监测点,所述网格监测点用于获取空气采样参数组;
生成模块,用于将所述空气采样参数组按照预设特征提取规则生成对应的特征图片;
空气质量识别模型,为经过训练的机器学习模型,用于接收所述特征图片并根据所述特征图片输出对应的质量判断结果;所述质量判断结果包括合格和不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092186.9A CN115184228B (zh) | 2022-09-08 | 2022-09-08 | 一种基于机器学习的安全态势感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092186.9A CN115184228B (zh) | 2022-09-08 | 2022-09-08 | 一种基于机器学习的安全态势感知方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115184228A CN115184228A (zh) | 2022-10-14 |
CN115184228B true CN115184228B (zh) | 2023-01-17 |
Family
ID=83523550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211092186.9A Active CN115184228B (zh) | 2022-09-08 | 2022-09-08 | 一种基于机器学习的安全态势感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115184228B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758719B (zh) * | 2023-08-23 | 2023-11-10 | 深圳市磐锋精密技术有限公司 | 一种生产车间设备环境在线监测系统 |
CN117310101A (zh) * | 2023-10-31 | 2023-12-29 | 湖北凌创环保有限公司 | 一种大气污染物浓度监测系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009034563A2 (en) * | 2007-09-14 | 2009-03-19 | Nanocomms Patents Limited | An analysis system |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105493109B (zh) * | 2013-06-05 | 2018-01-30 | 微软技术许可有限责任公司 | 使用多个数据源的空气质量推断 |
US20180284746A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for data collection optimization in an industrial internet of things environment |
US11112395B2 (en) * | 2017-02-24 | 2021-09-07 | Particles Plus, Inc. | Networked air quality monitoring system |
CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
CN111914468A (zh) * | 2020-06-12 | 2020-11-10 | 中国环境科学研究院 | 一种空气污染智能监控分析方法及装置 |
CN114691789A (zh) * | 2021-12-10 | 2022-07-01 | 清华大学 | 大气污染源图谱构建方法、装置、存储介质及电子设备 |
CN114858976A (zh) * | 2022-04-27 | 2022-08-05 | 浙江索思科技有限公司 | 一种工业园区大气质量智能分析方法及系统 |
-
2022
- 2022-09-08 CN CN202211092186.9A patent/CN115184228B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009034563A2 (en) * | 2007-09-14 | 2009-03-19 | Nanocomms Patents Limited | An analysis system |
Also Published As
Publication number | Publication date |
---|---|
CN115184228A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115184228B (zh) | 一种基于机器学习的安全态势感知方法及系统 | |
EP3502966B1 (en) | Data generation apparatus, data generation method, and data generation program | |
CN106568783B (zh) | 一种五金零件缺陷检测系统及方法 | |
CN110717481B (zh) | 一种利用级联卷积神经网络实现人脸检测的方法 | |
CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
US20180253836A1 (en) | Method for automated detection of defects in cast wheel products | |
CN103035013B (zh) | 一种基于多特征融合的精确运动阴影检测方法 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN105224921A (zh) | 一种人脸图像择优系统和处理方法 | |
CN117115147B (zh) | 一种基于机器视觉的纺织品检测方法及系统 | |
CN115170550A (zh) | 一种基于深度学习的电池缺陷检测方法及系统 | |
CN116843999A (zh) | 一种基于深度学习的动火作业中气瓶检测方法 | |
CN115062675A (zh) | 一种基于神经网络的全光谱污染溯源方法及云系统 | |
CN111652117B (zh) | 一种对多文档图像分割的方法及介质 | |
CN113723300A (zh) | 基于人工智能的火情监测方法、装置及存储介质 | |
CN113808104B (zh) | 一种基于分块的金属表面缺陷检测方法及系统 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN114821742A (zh) | 一种实时识别儿童或青少年面部表情的方法和装置 | |
CN107239743B (zh) | 一种基于投影法的刻度线读数自动检测方法 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别系统 | |
CN110378337A (zh) | 金属切削刀具图纸标识信息视觉输入方法及系统 | |
CN116149279A (zh) | 一种基于物联网的工业环境数据的智能处理分析系统 | |
CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
CN115526407A (zh) | 基于因果机器学习的电网大数据安全检测预警方法及系统 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and System for Security Situation Awareness Based on Machine Learning Effective date of registration: 20230913 Granted publication date: 20230117 Pledgee: Jiangxi Bank Co.,Ltd. Nanchang Zhongshan Road Branch Pledgor: JIANGXI MINXUAN INTELLIGENT SCIENCE & TECHNOLOGY Co.,Ltd. Registration number: Y2023980056621 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |