CN116978180A - 一种炼钢厂环境安全检测方法、装置、介质及电子设备 - Google Patents

一种炼钢厂环境安全检测方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN116978180A
CN116978180A CN202310809041.4A CN202310809041A CN116978180A CN 116978180 A CN116978180 A CN 116978180A CN 202310809041 A CN202310809041 A CN 202310809041A CN 116978180 A CN116978180 A CN 116978180A
Authority
CN
China
Prior art keywords
detection
model
environment image
fire
image
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
Application number
CN202310809041.4A
Other languages
English (en)
Inventor
陶金
刘珍童
毕泽阳
朱良
李志泉
白云斌
时庆宾
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.)
Beijing Shougang Co Ltd
Original Assignee
Beijing Shougang 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 Beijing Shougang Co Ltd filed Critical Beijing Shougang Co Ltd
Priority to CN202310809041.4A priority Critical patent/CN116978180A/zh
Publication of CN116978180A publication Critical patent/CN116978180A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种炼钢厂环境安全检测方法、装置、介质及电子设备，其中，所述方法包括：获取炼钢厂炼钢过程中的环境图像；通过预先训练好的模型对所述环境图像进行检测，并生成检测数据；对所述检测数据进行处理和分析，并根据处理结果生成火灾报警信号，以对炼钢厂的环境进行安全检测。本申请解决了现有的火灾识别技术识别炼钢厂火灾初期迹象能力较差的问题，本申请提出的方案通过对炼钢厂的生产环境进行明火、烟尘以及火花喷溅现象的实时检测，可以准确及时的发现炼钢厂中所述存在的火灾安全隐患，提高了火灾初期迹象识别的准确性和效率，降低了火灾扩散的风险，保护了人员和设备安全。

Description

一种炼钢厂环境安全检测方法、装置、介质及电子设备
技术领域
本申请涉及炼钢技术领域，特别涉及一种炼钢厂环境安全检测方法、装置、介质及电子设备。
背景技术
炼钢厂具有高温液体、熔融液体以及易燃物质较多的特点，火灾风险较高。火灾初期通常伴随烟尘产生，而现有火灾报警系统在发现初期火灾方面的能力较差，火灾及烟尘检测和预警的效率过低。
基于此，如何及时准确发现炼钢厂所存在的火灾隐患，提高火灾初期迹象检测和预警的效率，保护人员和设备安全，是亟待解决的技术问题。
发明内容
本申请的目的在于提供一种炼钢厂环境安全检测方法、装置、介质及电子设备，本申请解决了现有的火灾识别技术识别炼钢厂火灾初期迹象能力较差的问题，本申请提出的方案通过对炼钢厂的生产环境进行明火、烟尘以及火花喷溅现象的实时检测，可以准确及时的发现炼钢厂中所述存在的火灾安全隐患，并可以根据检测数据分析出火势发展趋势以及存在的火灾安全隐患具体位置，提高了火灾初期迹象识别的准确性和效率，降低了火灾扩散的风险，保护了人员和设备安全。
具体的，本申请采用如下技术方案：
根据本申请实施例的一个方面，提供了一种炼钢厂环境安全检测方法，所述方法包括：获取炼钢厂炼钢过程中的环境图像；通过预先训练好的模型对所述环境图像进行检测，其中，通过第一检测模型对所述环境图像进行明火、烟尘现象检测，通过第二检测模型对所述环境图像进行火花喷溅现象检测，并分别生成检测数据；对所述检测数据进行处理和分析，并根据处理结果生成火灾报警信号，以对炼钢厂的环境进行安全检测。
在本申请的一些实施例中，基于前述方案，在通过预先训练好的模型对所述环境图像进行检测之前，所述方法还包括：获取炼钢厂炼钢过程中的目标环境图像；对所述目标环境图像进行图像处理，所述图像处理至少包括数据增强处理，生成对抗网络，数据集融合；构建待训练模型，并基于处理后的所述目标环境图像对所述待训练模型进行模型训练。
在本申请的一些实施例中，基于前述方案，所述基于处理后的所述目标环境图像对所述待训练模型进行模型训练，包括：基于处理后的所述目标环境图像，采用深度学习的训练方法对所述待训练模型进行训练。
在本申请的一些实施例中，基于前述方案，所述通过第一检测模型对所述环境图像进行明火、烟尘现象检测，包括：获取所述环境图像，并从所述环境图像中提取出ROI感兴趣区域；对提取出的所述ROI感兴趣区域进行明火、烟尘现象检测和标记，并获得所述ROI感兴趣区域中明火或者烟尘的面积。
在本申请的一些实施例中，基于前述方案，所述通过第二检测模型对所述环境图像进行火花喷溅现象检测，包括：获取所述环境图像，对所述环境图像进行火花喷溅现象检测和标记，并根据轮廓识别获取到所述环境图像中火花喷溅的现象。
在本申请的一些实施例中，基于前述方案，所述对所述检测数据进行处理和分析，包括：获取所述检测数据，对所述检测数据进行数据过滤、异常检测、火灾等级评估处理，并根据所述检测数据进行火势趋势分析。
在本申请的一些实施例中，基于前述方案，所述方法还包括：通过播放设备对所述火灾报警信号进行语音提醒，并将所述火灾报警信号通过短信、应用内通知、电话的形式进行推送。
根据本申请实施例的一个方面，提供了一种炼钢厂环境安全检测装置，所述装置包括：获取单元，被用于获取炼钢厂炼钢过程中的环境图像；检测单元，被用于通过预先训练好的模型对所述环境图像进行检测，其中，通过第一检测模型对所述环境图像进行明火、烟尘现象检测，通过第二检测模型对所述环境图像进行火花喷溅现象检测，并分别生成检测数据；报警单元，被用于对所述检测数据进行处理和分析，并根据处理结果生成火灾报警信号，以对炼钢厂的环境进行安全检测。
根据本申请实施例的一个方面，提供了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条程序代码，所述至少一条程序代码由处理器加载并执行以实现如上所述的炼钢厂环境安全检测方法所执行的操作。
根据本申请实施例的一个方面，提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时以实现如上所述的炼钢厂环境安全检测方法所执行的操作。
由上述技术方案可知，本申请至少具有如下优点和积极效果：
采用本申请提出的方案，可以解决现有的火灾识别技术识别炼钢厂火灾初期迹象能力较差，以及某些区域尤其是开阔区域火灾报警系统无法部署的问题，本申请提出的方案通过对炼钢厂的生产环境进行明火、烟尘以及火花喷溅现象的实时检测，可以准确及时的发现炼钢厂中所述存在的火灾安全隐患，并可以根据检测数据分析出火势发展趋势以及存在的火灾安全隐患具体位置，提高了火灾初期迹象识别的准确性和效率，降低了火灾扩散的风险，保护了人员和设备安全。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域技术人员来讲，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的附图。
图1示出了本申请一个实施例中的炼钢厂环境安全检测方法流程图；
图2示出了本申请一个实施例中的炼钢厂环境安全检测装置的结构框图；
图3示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
需要注意的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。
炼钢厂由于高温液体、熔融液体以及易燃物质较多，发生火灾的风险较高。如果不能及时发现炼钢厂可能发生的火灾隐患，将会造成严重的经济损失以及影响到炼钢厂操作人员的人身安全。火灾发生的初期常伴随烟尘产生，而现有的火灾识别技术在发现初期火灾方面的能力较差，是指在火灾已经形成的时候进行自动报警，但由于炼钢厂的易燃物质较多，火灾在已经形成时候可能会在短时间内达到不可控制的程度，将会给企业造成巨大的经济损失，并威胁到人员人身安全。
基于上述问题，本申请提出了一种炼钢厂环境安全检测方法、装置、介质及电子设备。基于图像识别技术可以对炼钢厂环境进行实时检测，可以准确及时的发现炼钢厂所出现的火灾以及火灾初期迹象等可能造成火灾隐患的现象，一旦发现可能造成火灾隐患的现象立即进行报警处理，以通知工作人员及时处理，以避免火灾的形成。提高了火灾以及火灾初期迹象检测、火灾预警的效率，保护了设备安全以及人员的人身安全。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
参照图1，图1为本申请一个实施例中的炼钢厂环境安全检测方法流程图。
根据本申请一种典型的实施方式，提供了一种炼钢厂环境安全检测方法，所述方法包括如下步骤S1至步骤S3所示：
步骤S1，获取炼钢厂炼钢过程中的环境图像。
在本申请中，可以通过对炼钢厂在炼钢过程中的环境进行实时监测，来确认炼钢厂在炼钢过程中是否会存在火灾安全隐患。可以实时获取炼钢厂炼钢过程中的环境图像，所述环境图像可以包括炼钢厂各个位置的环境安全情况。在获取炼钢厂炼钢过程中的环境图像时，为减小设备投入成本，可以利用炼钢厂现场部署的摄像装置捕捉实时图像，所述摄像装置可以包括红外摄像头、可见光摄像头等多种类型，本申请对此不做特别限定。
步骤S2，通过预先训练好的模型对所述环境图像进行检测，其中，通过第一检测模型对所述环境图像进行明火、烟尘现象检测，通过第二检测模型对所述环境图像进行火花喷溅现象检测，并分别生成检测数据。
在本申请中，在获取到所述环境图像后，可以通过预先训练好的检测模型对所述环境图像进行明火、烟尘、火花喷溅现象的检测，其中，所述检测模型可以对所述环境图像进行图像识别，以确认所述环境图像是否存在火灾安全隐患现象(火灾安全隐患现象可以包括明火、烟尘、火花喷溅现象等)。在进行对所述环境图像的检测过程中，可以通过第一检测模型对所述环境图像进行明火、烟尘现象检测，通过第二检测模型对所述环境图像进行火花喷溅现象检测，在检测之后并分别生成检测数据。
步骤S3，对所述检测数据进行处理和分析，并根据处理结果生成火灾报警信号，以对炼钢厂的环境进行安全检测。
在本申请中，在生成所述检测数据后，可以对所述检测数据进行数据处理和分析，在进行数据处理后，对所述检测数据中存在有可能出现火灾安全隐患的相关数据进行分析，可以根据数据处理的结果生成火灾报警信号，以对炼钢厂的环境进行安全检测。
在本申请的一个实施例中，在通过预先训练好的模型对所述环境图像进行检测之前，所述方法还包括：
获取炼钢厂炼钢过程中的目标环境图像。
对所述目标环境图像进行图像处理，所述图像处理至少包括数据增强处理，生成对抗网络，数据集融合。
构建待训练模型，并基于处理后的所述目标环境图像对所述待训练模型进行模型训练。
在本申请中，在通过预先训练好的模型对所述环境图像进行检测之前，需要获取炼钢厂炼钢过程中的目标环境图像，所述目标图像为在炼钢厂炼钢过程中获取到的存在明火、烟尘、火花喷溅现象的图像。在获取到所述目标环境图像后，如果所述目标环境图像的数量较少，可以对所述目标环境图像进行图像处理，其中，可以进行数据增强处理，可以使用随机旋转、翻转、缩放、平移、亮度对比度调整等方法，使得所述目标环境图像的数据量增加，可以为后续模型的训练提供训练数据量，提高模型的泛化能力，减少过拟合风险。
除了对所述目标环境图像进行数据增强处理以外，还可以利用迁移学习，在模型选取上使用预训练模型，以在大型数据集上训练过的模型作为基础模型，对其进行未调整以适应新的任务，使得其在所述目标环境图像数据集较少的情况下也可以利用预训练模型中已学到的通用特征，提高训练效果。
为了增加所述目标环境图像的数据集，还可以生成对抗网络(GAN)，通过GAN生成额外的训练样本。在这种情况下，可以使用一个生成器网络创建新的明火、烟尘和火花喷溅的图像，同时使用一个判别器网络来评估生成图像的质量。在训练过程中，生成器和判别器相互竞争，生成器试图生成越来越逼真的图像，而判别器试图更好地区分真实图像和生成图像。通过训练GAN，可以生成一定数量的高质量明火、烟尘和火花喷溅图像，以用于扩充训练数据集。
还可以通过数据集融合，寻找其他具有相似特征的数据集，并将其与现有数据集进行融合。例如，寻找其他类型明火或烟尘的数据集，或者从其他钢铁厂的数据集中获取图像。这里需要注意的是，在融合数据集时，需要确保数据集之间的标注一致。增加有效数据集的数量，可以提高模型训练的效果。
在本申请中，在获取到所述目标环境图像之后，可以进行构建待训练模型，在进行模型构建时，可以选取Mask R-CNN模型作为检测明火和烟尘现象的待训练模型，可以选取YOLOv8模型作为检测火花喷溅现象的待训练模型。其中，对于明火和烟尘现象检测的MaskR-CNN模型，可以基于处理后的所述目标环境图像对构建好的所述Mask R-CNN模型进行模型训练，在进行模型训练时可以将模型的置信度阈值设置为0.8，表示当模型预测目标的置信度超过80％时，认为是有效检测结果。模型的优化器可以使用Adam优化器，Adam优化器具有自适应学习率调整功能，可以加速模型收敛。模型损失函数可以采用多任务损失(Multi-task loss)，将分类损失、边界框回归损失和Mask损失加权求和。模型的学习率选择，初始学习率可以设置为1e-4，使用学习率衰减策略，如每隔一定的训练周期衰减一定比例。批次大小可以根据计算资源选择8。在模型训练完成后，得到所述第一检测模型，所述第一检测模型可以精准的进行明火、烟尘现象的检测。
对于火花喷溅现象检测的YOLOv8模型，可以基于处理后的所述目标环境图像对构建好的所述YOLOv8模型进行模型训练，可以将模型的置信度阈值设置为0.7，表示当模型预测目标的置信度超过70％时，认为是有效检测结果。模型的优化器可以使用SGD优化器，SGD优化器对于YOLO系列模型往往能够获得更好的模型性能。模型损失函数可以采用YOLOv8的默认损失函数，包括分类损失、边界框回归损失和目标性损失。模型的学习率选择，初始学习率可以设置为1e-3，使用学习率衰减策略，如每隔一定的训练周期衰减一定比例。批次大小可以根据计算资源选择8。在模型训练完成后，得到所述第二检测模型，所述第二检测模型可以精准的进行火花喷溅现象的检测。
在本申请中，这里需要注意的是，上述这些模型的参数可以根据实际情况进行调整，以达到模型的最佳的检测性能。在模型的训练过程中，可以采用交叉验证策略，以便更好地评估模型性能并调整参数。
在本申请的一个实施例中，所述基于处理后的所述目标环境图像对所述待训练模型进行模型训练，包括：基于处理后的所述目标环境图像，可以采用深度学习的训练方法对所述待训练模型进行训练。
在本申请的一个实施例中，所述通过第一检测模型对所述环境图像进行明火、烟尘现象检测，包括：
获取所述环境图像，并从所述环境图像中提取出ROI感兴趣区域；
对提取出的所述ROI感兴趣区域进行明火、烟尘现象检测和标记，并获得所述ROI感兴趣区域中明火或者烟尘的面积。
在本申请中，在通过所述第一检测模型对所述环境图像进行明火、烟尘现象检测时，所述第一检测模型先获取到需要进行检测的所述环境图像，并从所述环境图像中提取出ROI感兴趣区域，所述ROI感兴趣区域为可能存在明火、烟尘现象的图像区域。在提取出ROI感兴趣区域之后，通过第一检测模型对提取出的所述ROI感兴趣区域进行明火、烟尘现象的识别检测，如果检测出所述ROI感兴趣区域存在明火或者烟尘现象，则对此环境图像进行标记，以便于与不存在明火、烟尘现象的环境图像进行区别。在检测出所述目标图像中存在明火或者烟尘的现象后，通过所述第一检测模型对所述明火或者烟尘的面积进行识别计算，得到所述ROI感兴趣区域中明火或者烟尘的面积，以便于根据所述明火或者烟尘面积的变化，推断火势的大小。
在本申请的一个实施例中，所述通过第二检测模型对所述环境图像进行火花喷溅现象检测，包括：
获取所述环境图像，对所述环境图像进行火花喷溅现象检测和标记，并根据轮廓识别获取到所述环境图像中火花喷溅的现象。
在本申请中，在通过所述第二检测模型对所述环境图像进行火花喷溅现象检测时，所述第二检测模型先获取到需要进行检测的所述环境图像，并对所述环境图像进行火花喷溅现象的识别检测，如果检测出所述环境图像中存在火花喷溅现象，则对所述环境图像进行标记，以便于与不存在明火、烟尘现象的环境图像进行区别。在检测出所述目标图像中存在火花喷溅现象现象后，通过所述第二检测模型对所述火花喷溅现象的面积进行识别计算，以得到所述火花喷溅的面积，便于推断所述火花喷溅的面积会不会引起火灾事故。
在本申请的一个实施例中，所述对所述检测数据进行处理和分析，包括：
获取所述检测数据，对所述检测数据进行数据过滤、异常检测、火灾等级评估处理，并根据所述检测数据进行火势趋势分析。
在本申请中，在所述第一检测模型和所述第二检测模型对所述目标图像进行检测后，会分别生成检测数据，如所述第一检测模型所生成的检测数据可以是所述目标图像中存在明火或烟尘现象的图像数据，不存在明火或烟尘现象的图像数据，出现明火或烟尘现象的面积大小，出现明火或烟尘现象的具体位置等等数据，所述第二检测模型所生成的检测数据可以是所述目标图像中存在火花喷溅现象的图像数据，不存在火花喷溅现象的图像数据，以及出现火花喷溅现象的面积大小，出现火花喷溅现象的具体位置等等数据。
所述检测数据可以由信息处理模块接收后进行处理和分析，由于所述目标环境图像为实时获取的图像，其数量较大，所以在所述第一检测模型和所述第二检测模型对所述目标图像进行检测后，分别生成的检测数据的数量也较大，需要通过所述信息处理模块对所述检测数据进行数据过滤、异常检测处理，将一些存在冗余以及异常的数据进行清理，以得到有效的检测数据。所述检测数据中包括有出现明火或烟尘现象的面积大小以及出现火花喷溅现象的面积大小，可以根据明火、烟尘以及火花喷溅的面积变化趋势，分析出火势的发展趋势，以及对火灾进行等级评估。
在所述信息处理模块对所述检测数据进行处理和分析后，会得到炼钢厂所发生的火灾安全隐患现象，如出现的是明火、烟尘、火花喷溅等安全隐患现象，可以根据明火、烟尘、火花喷溅的面积变化趋势分析出火势的发展趋势，如果面积在逐渐减小，如某处出现了火花喷溅现象，但其面积在逐渐减小，直至自灭，此时所述信息处理模块就不需要生成火灾报警信号，防止报警信号反应过度；如果明火、烟尘、火花喷溅的面积变化趋势为面积在迅速扩大，则说明火灾形成，需要立即采取应对措施，此时，所述信息处理模块会根据处理结果确定出现火灾事故的具体位置，以及火灾的等级，生成火灾报警信号，以提醒操作人员立即赶往火灾区域进行灭火，提高了炼钢厂火灾事故紧急处理的效率，保护了人员安全。
在本申请的一个实施例中，所述方法还包括：
通过播放设备对所述火灾报警信号进行语音提醒，并将所述火灾报警信号通过短信、应用内通知、电话的形式进行推送。
在本申请中，所述信息处理模块可以与语音提醒模块和信号推送模块进行连接，在所述信息处理模块生成火灾报警信号后，将所述火灾报警信号发送给语音提醒模块，所述语音提醒模块通过播放设备对所述火灾报警信号进行语音提醒，以提供火灾事故的具体位置，通过语音提醒模块为现场值班人员提供具体火灾点位的语音提醒，提高了紧急处置效率。所述信息处理模块还可以将生成的火灾报警信号发送给信号推送模块，所述信息推送模块将所述火灾报警信号通过短信、应用内通知、电话的形式进行推送。通过手机推送模块将报警信息实时推送至相关安全管理人员的手机，并附带火势发展趋势预测结果，以便及时采取措施。提前发现火灾隐患，降低火灾风险。
在本申请中，可以通过通讯模块负责各模块之间的数据传输和通信。通讯模块采用有线传输网络技术，图像通过钢厂三级网传输至服务器上，通过python的itchat实现检测结果发送至指定人员的微信上，可以使用“gTTS”(Google Text-to-Speech)库将文本转换为语音，并使用“pydub”库播放生成的音频文件。
在本申请中，需要注意的是，在实际应用中，根据炼钢厂的具体环境和需求，还可以进行适当的调整和优化。例如，可以通过增加摄像头数量和种类、优化图像识别模型、加强信息处理能力等方式进一步提高火灾及烟尘检测的准确性和效率。同时，可以与其他安全防范系统(如气体检测系统、温度监测系统等)相结合，形成一个更为全面的安全预警体系。
下面通过具体实施例来进一步说明本申请的具体实施方式，但本申请的具体实施方式不局限于以下实施例。
图2为根据本申请实施例示出的炼钢厂环境安全检测装置的结构框图。
参照图2所示，根据本申请的一个实施例的炼钢厂环境安全检测装置200，所述炼钢厂环境安全检测装置200包括：获取单元201，检测单元202，报警单元203。
其中，获取单元201，被用于获取炼钢厂炼钢过程中的环境图像。
检测单元202，被用于通过预先训练好的模型对所述环境图像进行检测，其中，通过第一检测模型对所述环境图像进行明火、烟尘现象检测，通过第二检测模型对所述环境图像进行火花喷溅现象检测，并分别生成检测数据。
报警单元203，被用于对所述检测数据进行处理和分析，并根据处理结果生成火灾报警信号，以对炼钢厂的环境进行安全检测。
参照图3，图3示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
如图3所示，计算机系统300包括中央处理单元(Central Processing Unit，CPU)301，其可以根据存储在只读存储器(Read-Only Memory，ROM)302中的程序或者从储存部分308加载到随机访问存储器(Random Access Memory，RAM)303中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 303中，还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(Input/Output，I/O)接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分307；包括硬盘等的储存部分308；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入储存部分308。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请一种典型的实施方式，本申请还提出了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条程序代码，所述至少一条程序代码由处理器加载并执行以实现如上所述的炼钢厂环境安全检测方法所执行的操作。
根据本申请一种典型的实施方式，本申请还提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时以实现如上所述的炼钢厂环境安全检测方法所执行的操作。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
由上述技术方案可知，本申请至少具有如下几个方面的优点和积极效果：
其一，采用本申请提出的方案，可以解决现有的火灾识别技术识别炼钢厂火灾初期迹象能力较差的问题，本申请提出的方案通过对炼钢厂的生产环境进行明火、烟尘以及火花喷溅现象的实时检测，可以准确及时的发现炼钢厂中所述存在的火灾安全隐患，并可以根据检测数据分析出火势发展趋势以及存在的火灾安全隐患具体位置，提高了火灾初期迹象识别的准确性和效率，降低了火灾扩散的风险，保护了人员和设备安全。
其二，采用本申请提出的方案，具有较高火灾初期迹象识别能力、实时报警能力和紧急处置效率，可有效提高炼钢厂的火灾安全隐患检测和预警水平。
其三，采用本申请提出的方案，可以解决炼钢厂火灾及烟尘检测的实时性、准确性和部署成本问题，结合炼钢厂生产环境特点，提高火花喷溅、烟尘、明火检测能力，预测火势发展趋势，提高炼钢厂的安全防范水平，降低火灾事故风险，通过手机推送报警信息，实现实时报警，提高安全管理人员的应急响应能力。
其四，采用本申请提出的方案，可以24小时实时监测炼钢厂生产环境的安全情况，可以保证炼钢的高质量生产，提高了产品的质量和生产效率，增加市场竞争力和资金收益。
虽然已参照几个典型实施方式描述了本申请，但应当理解，所用的术语是说明和示例性、而非限制性的术语。由于本申请能够以多种形式具体实施而不脱离申请的精神或实质，所以应当理解，上述实施方式不限于任何前述的细节，而应在随附权利要求所限定的精神和范围内广泛地解释，因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。

Claims (10)

1.一种炼钢厂环境安全检测方法，其特征在于，所述方法包括：
获取炼钢厂炼钢过程中的环境图像；
通过预先训练好的模型对所述环境图像进行检测，其中，通过第一检测模型对所述环境图像进行明火、烟尘现象检测，通过第二检测模型对所述环境图像进行火花喷溅现象检测，并分别生成检测数据；
对所述检测数据进行处理和分析，并根据处理结果生成火灾报警信号，以对炼钢厂的环境进行安全检测。
2.根据权利要求1所述的方法，其特征在于，在通过预先训练好的模型对所述环境图像进行检测之前，所述方法还包括：
获取炼钢厂炼钢过程中的目标环境图像；
对所述目标环境图像进行图像处理，所述图像处理至少包括数据增强处理，生成对抗网络，数据集融合；
构建待训练模型，并基于处理后的所述目标环境图像对所述待训练模型进行模型训练。
3.根据权利要求2所述的方法，其特征在于，所述基于处理后的所述目标环境图像对所述待训练模型进行模型训练，包括：
基于处理后的所述目标环境图像，采用深度学习的训练方法对所述待训练模型进行训练。
4.根据权利要求1所述的方法，其特征在于，所述通过第一检测模型对所述环境图像进行明火、烟尘现象检测，包括：
获取所述环境图像，并从所述环境图像中提取出ROI感兴趣区域；
对提取出的所述ROI感兴趣区域进行明火、烟尘现象检测和标记，并获得所述ROI感兴趣区域中明火或者烟尘的面积。
5.根据权利要求1所述的方法，其特征在于，所述通过第二检测模型对所述环境图像进行火花喷溅现象检测，包括：
获取所述环境图像，对所述环境图像进行火花喷溅现象检测和标记，并根据轮廓识别获取到所述环境图像中火花喷溅的现象。
6.根据权利要求1所述的方法，其特征在于，所述对所述检测数据进行处理和分析，包括：
获取所述检测数据，对所述检测数据进行数据过滤、异常检测处理，并根据所述检测数据进行火势趋势分析。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过播放设备对所述火灾报警信号进行语音提醒，并将所述火灾报警信号通过短信、应用内通知、电话的形式进行推送。
8.一种炼钢厂环境安全检测装置，其特征在于，所述装置包括：
获取单元，被用于获取炼钢厂炼钢过程中的环境图像；
检测单元，被用于通过预先训练好的模型对所述环境图像进行检测，其中，通过第一检测模型对所述环境图像进行明火、烟尘现象检测，通过第二检测模型对所述环境图像进行火花喷溅现象检测，并分别生成检测数据；
报警单元，被用于对所述检测数据进行处理和分析，并根据处理结果生成火灾报警信号，以对炼钢厂的环境进行安全检测。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现如权利要求1至7任一项所述的方法所执行的操作。
10.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时以实现如权利要求1至7任一项所述的方法所执行的操作。
CN202310809041.4A 2023-07-03 2023-07-03 一种炼钢厂环境安全检测方法、装置、介质及电子设备 Pending CN116978180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310809041.4A CN116978180A (zh) 2023-07-03 2023-07-03 一种炼钢厂环境安全检测方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310809041.4A CN116978180A (zh) 2023-07-03 2023-07-03 一种炼钢厂环境安全检测方法、装置、介质及电子设备

Publications (1)

Publication Number Publication Date
CN116978180A true CN116978180A (zh) 2023-10-31

Family

ID=88470424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310809041.4A Pending CN116978180A (zh) 2023-07-03 2023-07-03 一种炼钢厂环境安全检测方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN116978180A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117492408A (zh) * 2024-01-03 2024-02-02 建龙西林钢铁有限公司 一种基于plc和图像识别的电子围栏安全系统及其控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117492408A (zh) * 2024-01-03 2024-02-02 建龙西林钢铁有限公司 一种基于plc和图像识别的电子围栏安全系统及其控制方法
CN117492408B (zh) * 2024-01-03 2024-04-02 建龙西林钢铁有限公司 一种基于plc和图像识别的电子围栏安全系统及其控制方法

Similar Documents

Publication Publication Date Title
CN116978180A (zh) 一种炼钢厂环境安全检测方法、装置、介质及电子设备
CN112991669A (zh) 一种危险作业预警方法、系统、存储介质及处理终端
CN112765485A (zh) 网络社会事件预测方法、系统、终端、计算机设备及介质
CN113343779B (zh) 环境异常检测方法、装置、计算机设备和存储介质
CN112258362B (zh) 危险源识别方法、系统及可读存储介质
CN112478483A (zh) 一种危化品常压储罐自动化监测预警方法及系统
CN115248824A (zh) 一种基于大数据的过洋性渔业安全预警方法、系统及介质
CN111640280A (zh) 一种基于多源信息融合的地铁站污染物预警方法
Zhang et al. Data-driven AI emergency planning in process industry
CN114205212A (zh) 一种网络安全预警方法、装置、设备及可读存储介质
CN112802288A (zh) 综合报警信息推送方法、系统、存储介质、计算机设备
CN112926925A (zh) 一种产品监管方法、装置、电子设备及存储介质
CN115766401B (zh) 工业告警信息解析方法、装置、电子设备与计算机介质
CN116740885A (zh) 烟雾火焰报警方法、装置、电子设备及存储介质
CN116955068A (zh) 序列相似度计算及告警处理方法、装置以及存储介质
CN114446002B (zh) 火灾在线监测方法、装置、介质及系统
CN112511568A (zh) 一种网络安全事件的关联分析方法、装置及存储介质
KR102374541B1 (ko) 상황별 의사결정 지원 시스템
CN116403165B (zh) 一种危险化学品泄露应急处理方法、装置及可读存储介质
KR20220126987A (ko) 상황별 의사결정 지원 시스템을 위한 데이터베이스 구축방법
CN117034026A (zh) 检测方法、装置、电子设备及可读存储介质
CN116978138A (zh) 一种智慧消防设施物联网巡检管理方法及系统
CN117611582A (zh) 基于大数据的城市河道暗涵智能巡检方法、系统和介质
CN117612099A (zh) 一种运维现场监控方法、装置及设备
CN117808303A (zh) 资金交易风险的实时监控方法、装置、存储介质及终端设备

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