CN116363817A - 一种化工厂危险区域入侵预警方法及系统 - Google Patents

Abstract

本发明公开了一种化工厂危险区域入侵预警方法及系统。由视频采集，目标跟踪，轨迹预测和入侵预警四部分组成。视频采集模块使用多个摄像头实时监控化工厂区内存在安全隐患的生产区域，将视频图像传输到目标跟踪模块；对采集到的视频图像进行降噪和图像变换，使用SSD模型识别并跟踪视频中的工人；轨迹预测模块则将工人与其对应的历史路径结合起来，使用改进的TCN模型对每个工人未来时刻的行走路线进行预测，结合改进AEO算法对TCN模型进行同步优化，根据工人的未来路线检测出进入危险区域的趋势；入侵预警模块根据进入危险区域的趋势进行预警。本发明通过改进AEO算法优化改进TCN模型，提高了危险区域入侵检测的效率，提升了化工厂的生产安全。

Description

一种化工厂危险区域入侵预警方法及系统

技术领域

本发明属于信息工程技术领域，涉及一种化工厂危险区域入侵预警方法及系统。

背景技术

化工厂环境复杂，工作人员众多，管理不便，某些区域存在安全隐患，因此也导致生产安全事故频发。如何能够减少甚至避免化工厂安全事故的发生，对于化工厂来说是一个至关重要的问题。

化工厂中存在以下安全隐患：生产(施工)场地作业环境不良，技术和设计上存在缺陷，没有事故防范和应急措施或者不健全。根据《生产过程危险和有害因素分类与代码》的规定，将生产过程中的危险因素分类，例如设备缺陷、电磁辐射、明火、高温气体、粉尘、高处存在重物的区域等，存在这些隐患的区域都称为危险区域。传统的针对危险区域入侵检测的方法大都采用大量传感器和红外报警器，而这种检测和预警方式的灵敏度较低，且高精度的传感器成本昂贵。

近年来，计算机视觉已广泛应用于目标识别和自动检测中，而SSD作为一个广泛使用的单步深度学习计算网络，已被大量用于目标检测中。目前的预测模型未充分考虑工人活动的规律性和随机性，对其运动模式的预设限制了区域入侵检测系统的适应能力，而且现有的入侵预警技术参数设置不够准确，预警技术有待提升。

发明内容

发明目的：为了解决背景技术中指出的不足，本发明公开一种化工厂危险区域入侵预警方法及系统，使用SSD模型构建工人检测和跟踪模型，使用TCN模型构建轨迹预测模型，并加入多头Cross Attention机制和LSH方法以提高TCN的预测能力；利用改进的AEO算法优化CrossHSTCN工人轨迹预测模型，提高了模型参数的寻优速度，有效提升了化工厂危险区域入侵预警的准确性。

技术方案：本发明提供一种化工厂危险区域入侵预警方法，包括以下步骤：

步骤1：预训练SSD网络模型，标注图像数据，重点关注工人目标；

步骤2：在化工厂内不同位置安装网络摄像头，监控危险区域附近区域，获取工人目标检测数据，将视频传输至本地；

步骤3：将危险区域在视频中标注出，划定出电子围栏区域，设置为危险区域，在危险区域外指定半径辐射范围内再次划定电子围栏，将此范围的区域设置为激活区域；

步骤4：使用工人检测模型Worker-SSD模型跟踪视频帧中的每个工人；

步骤5：针对跟踪到的工人，记录历史行走轨迹，使用改进后的TCN模型CrossHSTCN预测工人未来行走轨迹，所述CrossHSTCN模型包括：采用原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度；

步骤6：使用改进的人工生态系统优化算法AEO优化CrossHSTCN模型的核心参数，所述改进的人工生态系统优化算法包括：混沌Logistic映射用于种群初始化，在消费操作中使用加权策略替换概率选择策略，添加差分进化算法中的选择变异更新全局个体位置；

步骤7：根据步骤5中预测的未来行走轨迹，判断工人走向是否将进入危险区域，且检测工人是否处于激活区域，若满足条件则进行预警。

进一步地，所述步骤3中激活区域具体如下：

步骤2.1：以危险区域中心为圆心，规定的安全标准距离为半径，在危险区域附近划定一个圆形范围，圆形边缘和危险区域边缘中的区域称为激活区域；

步骤2.2：在激活区域和危险区域中，按照距离划分为三个区域，从激活区域边界到危险区域边界之间的一半距离为三级危险区，即轻度危险，从危险区域边界到三级危险区边界之间为二级危险区，即中度危险，危险区域内则为一级危险区，即极度危险。

进一步地，所述步骤5中原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度的具体步骤如下：

步骤3.1：Cross Attention是将两个相同维度的输入序列不对称地组合在一起，其中一个序列作为查询Query的输入，另一个则用于键值对(K,V)的输入；首先将输入序列转换成两个嵌入序列，根据序列1计算键K和值V，根据序列2计算查询Q，再通过键K和查询Q计算注意力矩阵，将值V应用在注意力矩阵上，最终输出与序列2长度一致的序列，上述过程可描述为：

Cross-Attention(Q,K,V)＝softmax((W_QS₂)(W_KS₁)^T)W_VS₁ (1)

其中，S₁和S₂分别为嵌入序列1和嵌入序列2，W为注意力矩阵，softmax代表softmax激活函数；

步骤3.2：将局部敏感哈希LSH用于Cross Attention中，运用大量数据近似查找，即比较数据点之间的距离或者相似度；给定一族哈希函数H，H是一个从欧式空间S到哈希编码空间U的映射；如果满足下述两个条件，则此哈希函数满足(r₁,r₂,p₁,p₂)性：

其中，B表示以q为中心，r₁或r₂为半径的空间，h是一个从H族中随机选择的哈希函数；长度为L的序列在计算和内存复杂度上都为O(L²)，而使用LSH的近似注意力计算可以将复杂度降低为O(LlogL)。

进一步地，所述步骤6中的改进人工生态系统优化算法的具体步骤为：

步骤4.1：设置人工生态系统优化算法AEO算法的目标函数为行走轨迹测试序列真实值与预测值的误差并初始化相关参数，包括种群大小、迭代次数和待优化个体维度；

步骤4.2：使用混沌Logistic映射替换随机初始化，初始化AEO算法的种群初始位置，Logistic映射公式如下：

p_(n+1),d＝μp_n,d(1-p_n,d) (3)

其中，n∈[1,N_max]，d∈[1,D]，μ是混沌状态的控制参数，当Logistic公式完全进入混沌状态时，μ取4，而当p∈[0,1]时，Logistic映射处于混沌状态；

步骤4.3：根据目标函数计算个体的适应度值，并记录最优适应度值对应的最佳个体Pop_best；

步骤4.4：执行AEO的生产操作和消费操作，在AEO中的消费过程中，将随机选择食肉、食草、杂食动物的策略改为加权策略，三种消费方式如下述公式所示：

其中，p¹，p²和p³分别表示食草动物，食肉动物和杂食动物；

各自的权重可由公式描述如下：

其中，Ψ代表食肉、食草和杂食的权重，X表示通过三种更新方式得到的个体；根据此方式，更新后得到的个体可由如下公式表示：

其中，X(t+1)表示更新后的个体值，t表示当前迭代次数；

步骤4.5：AEO算法进行分解操作，再对种群中所有个体进行差分进化中的交叉选择和变异操作，其过程可由如下公式描述：

ξ_i(t+1)＝p_i1(t)+F·(p_i(t)-p_ij(t)) (11)

其中，F是比例系数，p_i(t)表示第t次迭代中的第i个个体，CR表示交叉选择概率，ξ表示变异后的个体，

表示交叉选择后的个体；

步骤4.6：判断是否达到最大迭代次数，若未达到则AEO算法进入步骤4.2；否则，结束运行并输出最终结果。

进一步地，所述CrossHSTCN的核心参数包括：TCN模型的卷积核大小、卷积核数量、扩张因子、dropout值，局部敏感哈希LSH中的概率p。

本发明还提供了一种化工厂危险区域入侵预警系统，所述系统包括，用于采集化工厂危险区域的网络摄像头、用于训练和运行SSD模型和CrossHSTCN模型的本地服务器、用于配置网络的路由器和用于预警的扬声器模块；

所述本地服务器中配置有基于上述的化工厂危险区域入侵预警方法，所述本地服务器与所述网络摄像头、扬声器模块连接。

有益效果：

(1)本发明使用SSD模型作为工人检测和跟踪的算法，替代传统使用的传感器方法，使工人检测变得更加方便，且相比传统方法，SSD算法灵敏度更高。

(2)在进行工人轨迹预测时，针对传统TCN模型预测不够准确的不足，加入了多头Cross Attention机制和局部敏感哈希方法，能够近似而又快速地提取工人行走轨迹局部信息，提高了模型的训练速度和预测准确度。

(3)在模型训练过程中，使用改进的AEO优化算法进行调参寻优，加快了模型的训练速度，且针对传统AEO算法易陷入局部最优的缺点，加入了混沌Logistic映射用于初始化，局部加权策略用于消费操作和交叉选择变异用于位置更新。

(4)在划分危险区域时，本发明采用设置三级危险区的方式进行预警，使用开源的OpenCV计算机图形库在监控视频中划分电子围栏，用于判断工人处于几级危险区，更科学有效地实现化工厂内危险区域的管理。

附图说明

图1是本发明危险区域入侵预警方法的流程图。

图2是SSD工人检测模型图。

图3是CrossHSTCN模型图。

具体实施方式

结合以下附图，对本发明作进一步的详细说明。实施本发明的过程、条件以及实施方法等，除以下专门提及的内容外，均为本领域的普遍知识，本发明没有特别限制内容。

本发明提出了一种化工厂危险区域入侵预警方法及系统，系统由多个网络摄像头、一个本地服务器，若干扬声器模块和路由器组成。网络摄像头支持RSTP传输协议，将采集到的化工厂危险区域附近视频通过路由器传输到系统中；本地服务器用于训练和运行SSD工人检测模型和CrossHSTCN工人轨迹预测模型，含有若干GPU模块，用于训练和运行深度学习模型；扬声器模块可集成于摄像头上，通过扬声器对现场进行预警。

本发明还提出了一种利用上述系统进行化工危险区域入侵预警方法，如图1为该方法的流程图，具体包括以下步骤：

步骤1：首先使用COCO数据集和MOTChallenge数据集预训练SSD网络模型，设置主要识别目标为人，得到预训练网络权重文件。

步骤2：将支持RSTP协议的网络摄像头安装在危险区域附近，使其覆盖激活区域范围，实时监控，获取工人目标检测数据，将视频传输至本地工作站，并使用步骤1中得到的预训练网络权重文件初始化SSD模型。

步骤3：根据行业标准将危险区域在视频中标注出，使用OpenCV划定出电子围栏区域，设置为危险区域，在危险区域外指定半径辐射范围内再次划定电子围栏，将此范围的区域设置为激活区域。

激活区域划分的具体步骤如下：

以危险区域中心为圆心，规定的安全标准距离为半径，在危险区域附近划定一个圆形范围，圆形边缘和危险区域边缘中的区域称为激活区域；并在激活区域到危险区域的范围中，按照距离划分为三个区域，从激活区域边界到危险区域边界之间的一半距离为三级危险区，即轻度危险，从危险区域边界到三级危险区边界之间为二级危险区，即中度危险，危险区域内则为一级危险区，即极度危险。

步骤4：使用训练好的SSD跟踪模型跟踪视频帧中的每个工人，对工人进行编号，并将从检测出工人开始到当前时刻的画面中工人的运动轨迹通过网络传输到轨迹预测模块中。

步骤5：根据跟踪到的每个工人历史行走轨迹，使用改进后的TCN模型CrossHSTCN预测工人未来行走轨迹，所述的CrossHSTCN模型包括：采用原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度。

步骤5的轨迹预测模型中所用的Seq2Seq结构、多头Cross Attention机制和局部敏感哈希LSH具体实施如下：首先输入的轨迹序列经过Encoder层的TCN训练后，再转换为两串嵌入序列S₁和S₂，将S₁序列用于键值对(K,V)的输入，S₂序列则作为查询Query的输入，再通过键K和查询Q计算注意力矩阵，将值V应用于注意力矩阵上，最终输出与S₂序列长度一致的序列，所述过程由如下公式所示：

Cross-Attention(Q,K,V)＝softmax((W_QS₂)(W_KS₁)^T)W_VS₁ (1)

其中，S₁和S₂分别为嵌入序列1和嵌入序列2，W为注意力矩阵，softmax代表softmax激活函数。

使用局部敏感哈希(LSH)方法降低时间复杂度，实现对长时间的轨迹序列的操作；LSH的定义是，给定一族哈希函数H，H是一个从欧式空间S到哈希编码空间U的映射；如果满足下述两个条件，则此哈希函数满足(r₁,r₂,p₁,p₂)性：

其中，B表示以q为中心，r₁或r₂为半径的空间，h是一个从H族中随机选择的哈希函数；最终经过Decoder层的TCN训练得到输出轨迹序列。

步骤6：使用改进的人工生态系统优化算法优化CrossHSTCN模型的核心参数，CrossHSTCN的核心参数包括：TCN的卷积核大小、卷积核数量、扩张因子、dropout值，LSH中的概率p等；改进的人工生态系统优化算法包括：混沌Logistic映射用于种群初始化，在消费操作中使用加权策略替换概率选择策略，添加差分进化算法中的选择变异更新全局个体位置。

改进的AEO算法对CrossHSTCN模型的优化流程为：

(1)设置AEO算法的目标函数为行走轨迹测试序列真实值与预测值的误差并初始化相关参数，包括种群大小，迭代次数和待优化个体维度。

(2)使用混沌Logistic映射替换随机初始化，初始化AEO算法的种群初始位置，Logistic映射公式如下：

p_(n+1),d＝μp_n,d(1-p_n,d) (3)

其中，n∈[1,N_max]，d∈[1,D]，μ是混沌状态的控制参数，当Logistic公式完全进入混沌状态时，μ取4，而当p∈[0,1]时，Logistic映射处于混沌状态。

(3)根据目标函数计算个体的适应度值，并记录最优适应度值对应的最佳个体Pop_best。

(4)执行AEO的生产操作和消费操作，在AEO中的消费过程中，将随机选择食肉、食草、杂食动物的策略改为加权策略，三种消费方式如下述公式所示：

其中，p¹，p²和p³分别表示食草动物，食肉动物和杂食动物。

各自权重可由公式描述如下：

其中，Ψ代表食肉、食草和杂食的权重，X表示通过三种更新方式得到的个体；根据此方式，更新后得到的个体可由如下公式表示：

其中，X(t+1)表示更新后的个体值，t表示当前迭代次数。

(5)AEO算法进行分解操作，再对种群中所有个体进行差分进化中的交叉选择和变异操作，其过程可由如下公式描述：

ξ_i(t+1)＝p_i1(t)+F·(p_i(t)-p_ij(t)) (11)

其中，F是比例系数，p_i(t)表示第t次迭代中的第i个个体，CR表示交叉选择概率，ξ表示变异后的个体，

表示交叉选择后的个体。

(6)判断是否达到最大迭代次数，若未达到则AEO算法进入步骤4.2；否则，结束运行并输出最终结果。

步骤7：根据步骤5中预测的未来行走轨迹，判断工人走向是否将进入危险区域，且检测工人是否处于激活区域，若满足条件则进行预警。

步骤8：将步骤7中的预警信息保存到本地服务器中，建立数据库便于安全人员查询和管理。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种化工厂危险区域入侵预警方法，其特征在于，包括以下步骤：

步骤1：预训练SSD网络模型，标注图像数据，重点关注工人目标；

步骤2：在化工厂内不同位置安装网络摄像头，监控危险区域附近区域，获取工人目标检测数据，将视频传输至本地；

步骤3：将危险区域在视频中标注出，划定出电子围栏区域，设置为危险区域，在危险区域外指定半径辐射范围内再次划定电子围栏，将此范围的区域设置为激活区域；

步骤4：使用工人检测模型Worker-SSD模型跟踪视频帧中的每个工人；

步骤5：针对跟踪到的工人，记录历史行走轨迹，使用改进后的TCN模型CrossHSTCN预测工人未来行走轨迹，所述CrossHSTCN模型包括：采用原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度；

步骤6：使用改进的人工生态系统优化算法AEO优化CrossHSTCN模型的核心参数，所述改进的人工生态系统优化算法包括：混沌Logistic映射用于种群初始化，在消费操作中使用加权策略替换概率选择策略，添加差分进化算法中的选择变异更新全局个体位置；

步骤7：根据步骤5中预测的未来行走轨迹，判断工人走向是否将进入危险区域，且检测工人是否处于激活区域，若满足条件则进行预警。

2.根据权利要求1所述的一种化工厂危险区域入侵预警方法，其特征在于，所述步骤3中激活区域具体如下：

步骤2.1：以危险区域中心为圆心，规定的安全标准距离为半径，在危险区域附近划定一个圆形范围，圆形边缘和危险区域边缘中的区域称为激活区域；

步骤2.2：在激活区域和危险区域中，按照距离划分为三个区域，从激活区域边界到危险区域边界之间的一半距离为三级危险区，即轻度危险，从危险区域边界到三级危险区边界之间为二级危险区，即中度危险，危险区域内则为一级危险区，即极度危险。

3.根据权利要求1所述的一种化工厂危险区域入侵预警方法，其特征在于，所述步骤5中原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度的具体步骤如下：

步骤3.1：Cross Attention是将两个相同维度的输入序列不对称地组合在一起，其中一个序列作为查询Query的输入，另一个则用于键值对(K,V)的输入；首先将输入序列转换成两个嵌入序列，根据序列1计算键K和值V，根据序列2计算查询Q，再通过键K和查询Q计算注意力矩阵，将值V应用在注意力矩阵上，最终输出与序列2长度一致的序列，上述过程可描述为：

Cross-Attention(Q,K,V)＝softmax((W_QS₂)(W_KS₁)^T)W_VS₁ (1)

其中，S₁和S₂分别为嵌入序列1和嵌入序列2，W为注意力矩阵，softmax代表softmax激活函数；

步骤3.2：将局部敏感哈希LSH用于Cross Attention中，运用大量数据近似查找，即比较数据点之间的距离或者相似度；给定一族哈希函数H，H是一个从欧式空间S到哈希编码空间U的映射；如果满足下述两个条件，则此哈希函数满足(r₁,r₂,p₁,p₂)性：

其中，B表示以q为中心，r₁或r₂为半径的空间，h是一个从H族中随机选择的哈希函数；长度为L的序列在计算和内存复杂度上都为O(L²)，而使用LSH的近似注意力计算可以将复杂度降低为O(LlogL)。

4.根据权利要求1所述的一种化工厂危险区域入侵预警方法，其特征在于，所述步骤6中的改进人工生态系统优化算法的具体步骤为：

步骤4.1：设置人工生态系统优化算法AEO算法的目标函数为行走轨迹测试序列真实值与预测值的误差并初始化相关参数，包括种群大小、迭代次数和待优化个体维度；

步骤4.2：使用混沌Logistic映射替换随机初始化，初始化AEO算法的种群初始位置，Logistic映射公式如下：

p_(n+1),d＝μp_n,d(1-p_n,d) (3)

其中，n∈[1,N_max]，d∈[1,D]，μ是混沌状态的控制参数，当Logistic公式完全进入混沌状态时，μ取4，而当p∈[0,1]时，Logistic映射处于混沌状态；

步骤4.3：根据目标函数计算个体的适应度值，并记录最优适应度值对应的最佳个体Pop_best；

步骤4.4：执行AEO的生产操作和消费操作，在AEO中的消费过程中，将随机选择食肉、食草、杂食动物的策略改为加权策略，三种消费方式如下述公式所示：

其中，p¹，p²和p³分别表示食草动物，食肉动物和杂食动物；

各自的权重可由公式描述如下：

其中，Ψ代表食肉、食草和杂食的权重，X表示通过三种更新方式得到的个体；根据此方式，更新后得到的个体可由如下公式表示：

其中，X(t+1)表示更新后的个体值，t表示当前迭代次数；

步骤4.5：AEO算法进行分解操作，再对种群中所有个体进行差分进化中的交叉选择和变异操作，其过程可由如下公式描述：

ξ_i(t+1)＝p_i1(t)+F·(p_i(t)-p_ij(t)) (11)

其中，F是比例系数，p_i(t)表示第t次迭代中的第i个个体，CR表示交叉选择概率，ξ表示变异后的个体，

表示交叉选择后的个体；

步骤4.6：判断是否达到最大迭代次数，若未达到则AEO算法进入步骤4.2；否则，结束运行并输出最终结果。

5.根据权利要求4所述的一种化工厂危险区域入侵预警方法，其特征在于，所述CrossHSTCN的核心参数包括：TCN模型的卷积核大小、卷积核数量、扩张因子、dropout值，局部敏感哈希LSH中的概率p。

6.一种化工厂危险区域入侵预警系统，其特征在于，所述系统包括，用于采集化工厂危险区域的网络摄像头、用于训练和运行SSD模型和CrossHSTCN模型的本地服务器、用于配置网络的路由器和用于预警的扬声器模块；

所述本地服务器中配置有基于权利要求1至5任一所述的化工厂危险区域入侵预警方法，所述本地服务器与所述网络摄像头、扬声器模块连接。

Images