CN116978207B - 一种多功能的实验室安全监测与预警系统 - Google Patents

一种多功能的实验室安全监测与预警系统 Download PDF

Info

Publication number
CN116978207B
CN116978207B CN202311212707.4A CN202311212707A CN116978207B CN 116978207 B CN116978207 B CN 116978207B CN 202311212707 A CN202311212707 A CN 202311212707A CN 116978207 B CN116978207 B CN 116978207B
Authority
CN
China
Prior art keywords
module
flame
early warning
safety monitoring
network
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
Application number
CN202311212707.4A
Other languages
English (en)
Other versions
CN116978207A (zh
Inventor
秦海亭
袁伟
金传双
周瑜
田会峰
李文豪
游万伟
郑艳芳
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202311212707.4A priority Critical patent/CN116978207B/zh
Publication of CN116978207A publication Critical patent/CN116978207A/zh
Application granted granted Critical
Publication of CN116978207B publication Critical patent/CN116978207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • G06V10/7715—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/82—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
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G08B21/16—Combustible gas alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/20—Status alarms responsive to moisture
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/014—Alarm signalling to a central station with two-way communication, e.g. with signalling back
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Toxicology (AREA)
  • Public Health (AREA)
  • Combustion & Propulsion (AREA)
  • Analytical Chemistry (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种多功能的实验室安全监测与预警系统，包括实验室安全监测与预警控制模块、云端监测模块、通信模块、数据采集模块、火焰识别模块、OLED显示模块、报警模块、灭火模块、摄像头模块、图像显示模块、树莓派图像处理模块。该系统集云端协同技术、多传感器融合的信息感知技术和多节点无线通信技术为一体，实现实验室信息的远程监测、紧急情况的预警控制、APP端的阈值控制、火灾的多重监测等功能，此外，根据多节点无线通信技术，显著提高了系统的应用范围。

Description

一种多功能的实验室安全监测与预警系统
技术领域
本发明涉及一种多功能的实验室安全监测与预警系统，主要涉及实验室安全监测与预警技术领域。
背景技术
实验室是高等学校的重要组成部分，用来实现多种实验检测的处所，在学校或者研发工厂中较为常见，实验室的环境也很复杂，必须要有专门的安全监测系统对其进行监控，确保实验室的安全运行。
目前，随着物联网技术的快速发展，为实验室的安全问题带来了新的解决方案，主要包括:基于视频监控的方式，该方式未对图像实时处理，仍需人工盯守，安全事故报警的实时性不高，只能作为事后查看的参考依据，不能事前预警，若对视频实时解析并处理，则需要高配置的服务器，成本高昂；基于RS485总线方式的系统需要重新布线，消耗大量的人力物力财力；基于Zigbee技术的方式通信距离近，对于大型实验室有一定的局限性。
发明内容
本发明所要解决的技术问题是：提供一种多功能的实验室安全监测与预警系统。
为了解决上述技术问题，本发明是通过以下技术方案实现的：
一种多功能的实验室安全监测与预警系统，包括实验室安全监测与预警控制模块、云端监测模块、通信模块、数据采集模块、火焰识别模块、OLED显示模块、报警模块、灭火模块、摄像头模块、图像显示模块、树莓派图像处理模块，其中，所述云端监测模块、通信模块、数据采集模块、火焰识别模块、OLED显示模块、报警模块以及灭火模块均与实验室安全监测与预警控制模块相连，所述摄像头模块、图像显示模块分别与树莓派图像处理模块相连，所述的树莓派图像处理模块和实验室安全监测与预警控制模块相连。
作为一种具体的实施方式，所述实验室安全监测与预警控制模块是由三个数据节点A、B、C和主控节点组成，每个数据节点均配置有STM32F103处理器、航模电池、按键模块及USB3.0数据线模块。
作为一种具体的实施方式，所述数据采集模块包括HY-A1火焰传感器、MQ-3酒精传感器、DHT11温湿度传感器，MQ-7一氧化碳传感器、PM2.5传感器、MQ-2烟雾气敏传感器、MQ-4天然气传感器及MQ-6液化气体传感器，其中，所述HY-A1火焰传感器、MQ-3酒精传感器、DHT11温湿度传感器以及MQ-7一氧化碳传感器与实验室安全监测与预警控制模块中的节点A连接；PM2.5传感器、MQ-2烟雾气敏传感器、MQ-4天然气传感器、MQ-6液化气体传感器与实验室安全监测与预警控制模块中的节点B连接。
作为一种具体的实施方式，所述灭火模块包括水泵和继电器，所述水泵与实验室安全监测与预警控制模块中的主控节点连接，所述继电器与实验室安全监测与预警控制模块中的节点C连接。
作为一种具体的实施方式，所述树莓派图像处理模块采用了树莓派3B+主板；所述摄像头模块包括OV5647摄像头和摄像头支架，用于人脸信息的采集；所述图像显示模块包括HDMI显示屏，用于显示操作界面；所述OLED显示模块采用了0.96寸四针脚OLED。所述OLED显示模块与实验室安全监测与预警控制模块相连，采用IIC通信，占用IO少，用来显示火焰传感器、酒精传感器、烟雾传感器和温湿度传感器测得的数据。
树莓派3B+作为一种微型电脑，树莓派3B+在信息处理方面具有巨大的优势，树莓派3B+在本装置中主要用于人脸识别，并且把识别结果通过I/O发送高低电平信号到主控制节点。
作为一种具体的实施方式，所述火焰识别模块采用以下流程进行火焰识别：
步骤S1，通过摄像头模块进行火焰图像的采集，以YOLO v3网络模型中的DarkNet53网络为主干网络对火焰图像进行特征提取，获得3个不同尺寸的火焰特征，分别为13×13、26×26和52×52；
步骤S2，所述DarkNet53网络通过卷积运算实现对3个火焰特征的预测，即在每一个网格中建立多个验证框，DarkNet53网络对验证框中是否含有物体及物体的种类进行判别；
步骤S3，在一个周期训练过程中进行损失函数的计算，利用反向传播算法对网络进行参数优化；
步骤S4，根据预测得到预测框的位置和尺寸信息，将预测框绘制在原有图像上，对火焰进行可视化识别与定位。
作为一种具体的实施方式，所述DarkNet53网络由6个卷积层和5个残差块组成，5个所述残差块的运算重复次数不同，分别为1、2、8、8、4。
作为一种具体的实施方式，步骤S1中，所述DarkNet53网络对火焰图像的特征提取过程如下：
步骤S11，所述摄像头模块采集到的火焰图像的图像张量为3×416×416，所述DarkNet53网络经过一次3×3卷积运算改变通道数，输出图像尺寸为32×416×416；
步骤S12，通过3×3卷积运算扩大通道数、提取主要特征，输出图像尺寸为64×208×208；
步骤S13，进入第一个残差块进行运算，此残差块包含2次卷积运算和1次残差运算；
步骤S14，进入其余残差块进行运算，运算过程同步骤S13中的第一个残差块运算；
步骤S15，YOLO v3网络模型依据Dark Net53网络提取的3个特征张量进行后续的特征提取和目标的识别。
特征识别网络能够通过提取火焰的视觉特征来对火焰进行识别。火焰的视觉特征主要包括火焰图像压缩后得到的像素的分布以及像素值的大小。特征神经网络对一张图片进行处理过后,图片像素会被压缩然后生成一个较小的张量,该张量中包含了网络提取的火焰特征,通过对比该特征与标签值的差距大小来判断图像中是否包含火焰。
作为上述技术方案的进一步描述：
火焰识别的数据集的质量很大程度上会影响目标检测模型的精度。本发明使用的数据集主要可分为3大类：
1）普通火焰:包括蜡烛、电器火焰等中小型火焰,其主要特点是火焰形状较为规则和稳定,火焰烟雾较少；
2)火灾火焰:主要包括森林火灾、草原火灾、汽车火灾、房屋火灾等大型火焰,其主要特点为火焰形态不规则,颜色不一而且伴有浓烟；
3)含干扰因素的图像:灯光、太阳和试验室中的火焰图标等是试验中常见的干扰源。部分灯光发出的黄光在视觉上与火焰光相类似,因此可能引起火焰识别系统的误报;此外,太阳光也会发出与火焰类似的黄色光或红色光,同样也会干扰系统对火焰的识别;火焰标志由于其在形态上与火焰相似,也是一种常见的干扰因素。
以上3种干扰因素会干扰火焰识别系统,将干扰因素错误识别为火焰,引起误报。建立干扰数据集是为了使网络能够对火焰和与其具有相似特征的目标进行准确区分。
本算法将火焰和干扰因素(灯光、太阳和火焰标志)同时进行标注,标签分别为fire(火焰)、sun(太阳)、fire_sign(火焰图标)和light(灯光)。图像的数量分别为80张、40张、40张和40张,数据集容量为200张图像,其中训练集(Train Set)占比90%,验证集(Validation Set)占比10%。训练集用于训练神经网络获得训练参数,验证集用于检验网络的质量。
作为一种具体的实施方式，所述云端监测模块包括机智云平台和阿里云平台。
作为一种具体的实施方式，所述通信模块包括ESP8266WIFI模块和LORA模块，二者均通过串口来进行通信，ESP8266WIFI模块和实验室安全监测与预警控制模块的主控节点连接，负责把主控节点的数据上传至机智云平台APP端，节点A、B、C与主控节点均还配有一个LORA模块，LORA模块负责把节点A、B、C数据上传至阿里云平台WEB端，同时实现节点A、B、C和主控节点间的互相通信。
作为一种具体的实施方式，所述报警模块包括基本的SIM800L、SIM卡、LED、蜂鸣器，其中SIM卡插在SIM800L里，SIM800L安装在实验室安全监测与预警控制模块上，LED和蜂鸣器安装在树莓派图像处理模块上，实现在实验室发生紧急情况后通知用户和警报的功能。
与现有技术相比，本发明的有益之处在于：
1、本发明的实验室安全监测与预警系统中，基于云端协同技术，采用机智云和阿里云多云端协同的技术来实现对传感器数据的上云服务，以便用户在任何时间、任何地点远距离地查看实验室各项传感器数据，其中结合机智云平台开发了手机端APP、结合阿里云平台开发了Web端可视化界面，方便用户在不同平台实时地查看实验室传感器数据，机智云平台的开发主要借由WiFi模块来实现，而阿里云平台主要借由NB-IoT模块来开发，通信强大；
2、本发明的实验室安全监测与预警系统中，传感器模块主要有HY-A1火焰传感器、MQ-3酒精传感器、DHT11温湿度传感器，MQ-7一氧化碳传感器、PM2.5传感器、MQ-2烟雾气敏传感器、MQ-4天然气传感器、MQ-6液化气体传感器，各个传感器模块主要采集实验室的温湿度、酒精浓度、粉尘浓度、烟雾浓度、天然气浓度、一氧化碳浓度等等一系列可燃气体浓度，各个传感器模块互相配合，感知环境变化，准确及时的把实验室各项环境变量反馈给主控制器，帮助主控制器及时地处理传感器数据，感知火灾信息，实现多传感器融合的信息感知；
3、本发明中，基于物联网的多节点无线通信，通信模块选用LoRa 模块， LoRa通信技术最大特点是灵敏度高、传输距离远、工作功耗低、组网节点多等特点，主要应用于物联网行业，如无线抄表（电表/水表）,工业自动控制，环境监测等；
4、本发明中，节点A、B收集数据并将处理好的数据发送给主控节点，再由主控节点将数据发送至云端。节点A、B之间不能互相通信，目的是为了避免信号的干扰，而节点A和节点B可以直接与节点C 通信，因为节点C主要负责的是硬件动作即开关电阀操作，属于执行单元。当节点C收到节点A或节点B发送的字符“C”时，即表示有火灾发生，需要进行断电操作，避免火灾信息经由主控节点处理后再传送到执行节点C，造成火灾信息处理不及时的情况发生，这样主控节点和节点A、B、C互相配合，使节点间的数据传输的效率更高，也避免了各传感器模块与主控制器之间的有线连接，提高了本作品的适用范围；
5、本发明的火焰识别方法区别于传统的火焰识别，它通过对比已有的线性网络、谷歌网络和残差网络的性能，确定残差网络的误差最小，准确度最高，并选取残差网络构建火焰特征识别网络Dark Net53，自行构建数据集，并将干扰对象设置为灯光、太阳和火焰图标，将三者与火焰图像一起构成数据集，基于YOLO v3算法在上述干扰环境下对火焰进行识别和网路性能测试，实现了在多干扰环境下对火焰的准确有效识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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他的附图；
图1是本发明所述的多功能的实验室安全监测与预警系统的结构框图；
图2为本发明所述的多功能的实验室安全监测与预警系统中实验室安全监测与预警控制模块与各模块之间的硬件连接框图；
图3为本发明所述的多功能的实验室安全监测与预警系统中的树莓派图像处理模块与各模块的总体硬件连接框图；
图4为本发明所述的多功能的实验室安全监测与预警系统的总流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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做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：
参见图1所示，一种多功能的实验室安全监测与预警系统，包括实验室安全监测与预警控制模块、云端监测模块、通信模块、数据采集模块、火焰识别模块、OLED显示模块、报警模块、灭火模块、摄像头模块、图像显示模块、树莓派图像处理模块，其中，所述云端监测模块、通信模块、数据采集模块、火焰识别模块、OLED显示模块、报警模块以及灭火模块均与实验室安全监测与预警控制模块相连，所述摄像头模块、图像显示模块分别与树莓派图像处理模块相连，所述的树莓派图像处理模块和实验室安全监测与预警控制模块相连。
具体的，参见图2-3所示，这里的实验室安全监测与预警控制模块由三个数据节点A、B、C和主控节点组成，每个数据节点都配置了STM32F103处理器、航模电池、按键模块及USB3.0数据线模块，树莓派图像处理模块包括了树莓派3B+主板和HDMI网线。树莓派3B+作为一种微型电脑，在信息处理方面具有巨大的优势，树莓派3B+在本系统中主要用于人脸识别，并且把识别结果通过I/O发送高低电平信号到主控制节点。
摄像头模块包括OV5647摄像头和摄像头支架，用于人脸信息的采集。
该图像显示模块包括HDMI显示屏，与树莓派3B+主板相连，HDMI显示屏用来显示操作界面，在操作界面我们可以选择人脸识别的功能。
需要说明的是，树莓派人脸识别的一般过程：首先需要捕获图像，然后进行特征抽取和识别，最后进行分类。其中捕获图像时，采用树莓派3B+摄像头。特征抽取阶段采用深度神经网络，从原始图像中提取有用的特征。然后，这些特征将用于进行人脸识别，并将其分类到不同的类别中。
OLED显示模块由0.96寸四针脚OLED组成，与实验室安全监测与预警控制模块的主控节点相连，采用IIC通信，占用IO少，用来显示火焰传感器，酒精传感器，烟雾传感器和温湿度传感器测得的数据。
报警模块包括基本的SIM800L、SIM卡、LED、蜂鸣器，其中SIM卡插在SIM800L里，SIM800L和蜂鸣器安装在实验室安全监测与预警控制模块的主控节点上，LED和蜂鸣器安装在树莓派3B+上，实现在实验室发生紧急情况后通知用户和警报的功能。
灭火模块主要由水泵和继电器组成，其中水泵和实验室安全监测与预警控制模块的主控节点连接，继电器则与节点C连接，在实验室安全监测与预警控制模块检测到火灾时，立刻启动水泵灭火，启用继电器关闭相关用电设备。
数据采集模块包括HY-A1火焰传感器、MQ-3酒精传感器、DHT11温湿度传感器、MQ-7一氧化碳传感器、PM2.5传感器、MQ-2烟雾气敏传感器、MQ-4天然气传感器、MQ-6液化气体传感器。其中HY-A1火焰传感器、MQ-3酒精传感器、DHT11温湿度传感器以及MQ-7一氧化碳传感器与实验室安全监测与预警控制模块的节点A连接，PM2.5传感器、MQ-2烟雾气敏传感器、MQ-4天然气传感器、MQ-6液化气体传感器则与节点B连接，数据采集模块主要完成数据的采集功能。
云端监测模块包括机智云平台和阿里云平台，通过云端监测模块，用户不仅可以在WEB端和APP端直接观察实验室数据采集模块的数据，而且还可以利用机智云平台的APP服务实现远程查询与操控。
通信模块包括ESP8266WIFI模块和LORA模块，二者都是通过串口来进行通信，ESP8266WIFI模块和实验室安全监测与预警控制模块的主控节点连接，负责把主控节点的数据上传至机智云APP端，节点A、B、C与主控节点都配有一个LORA模块，LORA模块负责把节点A、B、C数据上传至阿里云WEB+端，同时实现节点A、B、C和主控节点间的互相通信。
这里，数据通过NB-LOT上传至阿里云端，一般步骤为：1、确定NB-IoT设备；2、为设备配置阿里云IoT和NB-IoT服务；3、创建设备实例；4、启用阿里云IoT服务；5、连接NB-IoT设备；6、上传并查看NB-IoT数据。
使用ESP8266WIFI模块将数据传送给机智云的简化步骤如下：1、创建或加入一个机智云帐号，输入用户名和密码；2、使用ESP8266WIFI模块连接到机智云网络，输入有效的连接信息；3、安装机智云SDK，根据编程语言进行安装；4、定义需要传送的数据类型，根据需求定义；5、使用SDK将数据上传到机智云，使用SDK提供的函数将数据上传到机智云。
Lora模块互相通信的一般步骤如下：1、配置Lora模块之间的通信参数；2、将Lora模块接入到同一个网络中；3、通过Lora模块发送和接收数据；4、用软件测试Lora模块之间是否可以正常通信。
如图4所示，本发明的实验室安全监测和预警系统具体操作如下：
系统模块上电完成，各模块完成初始化后，节点A、B、C和主控节点工作，树莓派3B+开始处理摄像头模块传来的数据，并把识别界面显示在HDMI屏幕上，当识别结果是实验室人员时，LED闪烁；否则，蜂鸣器报警，同时把识别结果通过I/O口以高低电平的形式发送给主控节点，此外，主控节点还接受节点A、B、C和OpenMV4的数据，并进行处理。
系统采用YOLO v3算法进行火焰的识别工作：
首先，火焰图像进入DarkNet53网络进行特征提取，从而获得3个不同尺寸的特征，包含的就是从图像中提取的火焰特征，其大小分别为13×13、26×26和52×52；
随后网络通过一系列的卷积运算实现对这3个特征的预测，即在每一个网格中建立多个验证框，网络便会对验证框中是否含有物体以及物体的种类进行判断；
在一个周期训练过程中会进行损失函数的计算,并且利用反向传播算法对网络进行参数的优化，以尽可能地对目标进行准确识别；
最后根据预测的过程得到的预测框的位置和尺寸信息，直接将预测框绘制在原有的图像上,实现对火焰的可视化识别与定位。
接下来对DarkNet网络详细阐述：
YOLOv3的主干特征提取网络采用了DarkNet53,其主要作用是提取训练图像的特征。该网络结合了残差网络和DarkNet19，采用1×1和3×3的卷积层和残差模块相连接的思想，由卷积层、批量归一化(Batch Normalization)层和LeakyReLU层共同组成。
DarkNet53网络由6个卷积层和5个残差块组成,且所包含的5个残差块运算重复次数不同,分别为1、2、8、8和4。
输入的图像张量为3×416×416,首先经过一次3×3卷积运算改变通道数,输出图像尺寸变为32×416×416,再通过3×3卷积运算扩大通道数、提取主要特征,尺寸变为64×208×208;随后进入第一个残差块进行运算,该残差块包含2次卷积运算和1次残差运算,具体的，首先对图像进行1×1卷积运算,缩小通道数以减少参数量,图像变为32×208×208,再用3×3的卷积核扩大通道数,变为64×208×208，上述所有的运算只重复1次，其他的残差块进行与第一个残差块相似的运算,最终图像尺寸变为13×13×1024。随后，YOLO v3依据Dark Net53提取的3个特征张量进行后续的特征提取和目标的识别。
特征识别网络能够通过提取火焰的视觉特征来对火焰进行识别。火焰的视觉特征主要包括火焰图像压缩后得到的像素的分布以及像素值的大小。特征神经网络对一张图片进行处理过后,图片像素会被压缩然后生成一个较小的张量,该张量中包含了网络提取的火焰特征,通过对比该特征与标签值的差距大小来判断图像中是否包含火焰。
作为上述技术方案的进一步描述：
火焰识别的数据集的质量很大程度上会影响目标检测模型的精度。目前没有公认的体量大而且权威的火焰数据集,本文中采用的数据集火焰图像均来自百度、谷歌等网站上的火焰图像以及从火灾视频上截取的帧,含有干扰因素的图像也来自于网络。
本研究使用的数据集主要可分为3大类：
1）普通火焰：包括蜡烛、电器火焰等中小型火焰,其主要特点是火焰形状较为规则和稳定,火焰烟雾较少。
2)火灾火焰：主要包括森林火灾、草原火灾、汽车火灾、房屋火灾等大型火焰,其主要特点为火焰形态不规则,颜色不一而且伴有浓烟。
3)含干扰因素的图像：灯光、太阳和试验室中的火焰图标等是试验中常见的干扰源。部分灯光发出的黄光在视觉上与火焰光相类似,因此可能引起火焰识别系统的误报;此外,太阳光也会发出与火焰类似的黄色光或红色光,同样也会干扰系统对火焰的识别;火焰标志由于其在形态上与火焰相似,也是一种常见的干扰因素。
以上3种干扰因素会干扰火焰识别系统,将干扰因素错误识别为火焰,引起误报。建立干扰数据集是为了使网络能够对火焰和与其具有相似特征的目标进行准确区分。
本算法将火焰和干扰因素(灯光、太阳和火焰标志)同时进行标注,标签分别为fire(火焰)、sun(太阳)、fire_sign(火焰图标)和light(灯光)。图像的数量分别为80张、40张、40张和40张,数据集容量为200张图像,其中训练集(Train Set)占比90%,验证集(Validation Set)占比10%。训练集用于训练神经网络获得训练参数,验证集用于检验网络的质量。
该系统基于云网络、机器视觉、keil开发环境和4G物联网通信等技术。采用WEB端查看的方式，实时的执行用户在WEB端的操作，并且将采集到的各种数据通过4G物联网技术传输到云端进行分析处理。主要功能有基于机器视觉对火焰进行识别。
传统实验室安全监测装置大多都单靠传感器进行监测，而传感器有时会因为自身硬件老化或者环境因素误判火灾发生。本发明中通过OpenMV4模块色块识别与火焰传感器搭配监测可以大幅降低这些因素影响。多传感器共同监测环境。除了火焰监测外，系统还可以监测烟雾、一氧化碳、天然气和温湿度等室内环境。各项数据不仅可在OLED屏幕上显示，还可通过WIFI模块和NB-LOT模块上传至手机端的机智云APP和电脑端的阿里云平台，其中每个传感器的阈值可以通过机智云APP设置，在这个阈值内，视为正常工作，否则蜂鸣器发生警报，节点C断电，不仅可以对火灾进行处理，还可以对异常情况进行远程监测与预警。
针对火灾这种较为严重的安全事故，多类传感器共同监测可以在火灾发生后对火灾发生原因进行分析起到关键作用。数据上传至云端，传感器数据上传至云端可以让相关人员摆脱地域限制，只需在有网络的环境下即可监测到目标环境。Web可视化界面则直观的实时显示传感器数据并在发生火灾时发出报警，甚至可远程拨号报警。设置SIM800L模块以实现了远程拨号，当发生火灾时拨打指定人员电话或者119。此功能是市面上极大部分实验室安全监测装置所不具备的功能，让相关人员可以即使不在监测环境内也能收到报警。
需要强调的是：以上仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.一种多功能的实验室安全监测与预警系统，其特征在于，包括实验室安全监测与预警控制模块、云端监测模块、通信模块、数据采集模块、火焰识别模块、OLED显示模块、报警模块、灭火模块、摄像头模块、图像显示模块、树莓派图像处理模块，其中，所述云端监测模块、通信模块、数据采集模块、火焰识别模块、OLED显示模块、报警模块以及灭火模块均与实验室安全监测与预警控制模块相连，所述摄像头模块、图像显示模块分别与树莓派图像处理模块相连，所述的树莓派图像处理模块和实验室安全监测与预警控制模块相连，
所述火焰识别模块采用以下流程进行火焰识别：
步骤S1，通过摄像头模块进行火焰图像的采集，以YOLO v3网络模型中的DarkNet53网络为主干网络对火焰图像进行特征提取，获得3个不同尺寸的火焰特征，分别为13×13、26×26和52×52，其中，所述DarkNet53网络由6个卷积层和5个残差块组成，5个所述残差块的运算重复次数不同，分别为1、2、8、8、4；
步骤S2，所述DarkNet53网络通过卷积运算实现对3个火焰特征的预测，即在每一个网格中建立多个验证框，DarkNet53网络对验证框中是否含有物体及物体的种类进行判别；
步骤S3，在一个周期训练过程中进行损失函数的计算，利用反向传播算法对网络进行参数优化；
步骤S4，根据预测得到预测框的位置和尺寸信息，将预测框绘制在原有图像上，对火焰进行可视化识别与定位；
其中，步骤S1中，所述DarkNet53网络对火焰图像的特征提取过程如下：
步骤S11，所述摄像头模块采集到的火焰图像的图像张量为3×416×416，所述DarkNet53网络经过一次3×3卷积运算改变通道数，输出图像尺寸为32×416×416；
步骤S12，通过3×3卷积运算扩大通道数、提取主要特征，输出图像尺寸为64×208×208；
步骤S13，进入第一个残差块进行运算，此残差块包含2次卷积运算和1次残差运算；
步骤S14，进入其余残差块进行运算，运算过程同步骤S13中的第一个残差块运算；
步骤S15，YOLO v3网络模型依据Dark Net53网络提取的3个特征张量进行后续的特征提取和目标的识别；
这里，YOLO v3网络通过提取火焰的视觉特征来对火焰进行识别，火焰的视觉特征包括火焰图像压缩后得到的像素的分布以及像素值的大小，DarkNet53网络对一张图片进行处理过后,图片像素会被压缩然后生成一个较小的张量,该张量中包含了网络提取的火焰特征,通过对比该特征与标签值的差距大小来判断图像中是否包含火焰。
2.根据权利要求1所述的多功能的实验室安全监测与预警系统，其特征在于，所述实验室安全监测与预警控制模块是由三个数据节点A、B、C和主控节点组成，每个数据节点均配置有STM32F103处理器、航模电池、按键模块及USB3.0数据线模块。
3.根据权利要求2所述的多功能的实验室安全监测与预警系统，其特征在于，所述数据采集模块包括HY-A1火焰传感器、MQ-3酒精传感器、DHT11温湿度传感器，MQ-7一氧化碳传感器、PM2.5传感器、MQ-2烟雾气敏传感器、MQ-4天然气传感器及MQ-6液化气体传感器，其中，所述HY-A1火焰传感器、MQ-3酒精传感器、DHT11温湿度传感器以及MQ-7一氧化碳传感器与实验室安全监测与预警控制模块中的节点A连接；PM2.5传感器、MQ-2烟雾气敏传感器、MQ-4天然气传感器、MQ-6液化气体传感器与实验室安全监测与预警控制模块中的节点B连接。
4.根据权利要求2所述的多功能的实验室安全监测与预警系统，其特征在于，所述灭火模块包括水泵和继电器，所述水泵与实验室安全监测与预警控制模块中的主控节点连接，所述继电器与实验室安全监测与预警控制模块中的节点C连接。
5.根据权利要求1所述的多功能的实验室安全监测与预警系统，其特征在于，所述树莓派图像处理模块采用了树莓派3B+主板；所述摄像头模块包括OV5647摄像头和摄像头支架，用于人脸信息的采集；所述图像显示模块包括HDMI显示屏，用于显示操作界面；所述OLED显示模块采用了0.96寸四针脚OLED。
6.根据权利要求2所述的多功能的实验室安全监测与预警系统，其特征在于，所述云端监测模块包括机智云平台和阿里云平台。
7.根据权利要求6所述的多功能的实验室安全监测与预警系统，其特征在于，所述通信模块包括ESP8266WIFI模块和LORA模块，二者均通过串口来进行通信，ESP8266WIFI模块和实验室安全监测与预警控制模块的主控节点连接，负责把主控节点的数据上传至机智云平台APP端，节点A、B、C与主控节点均还配有一个LORA模块，LORA模块负责把节点A、B、C数据上传至阿里云平台WEB端，同时实现节点A、B、C和主控节点间的互相通信。
CN202311212707.4A 2023-09-20 2023-09-20 一种多功能的实验室安全监测与预警系统 Active CN116978207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311212707.4A CN116978207B (zh) 2023-09-20 2023-09-20 一种多功能的实验室安全监测与预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311212707.4A CN116978207B (zh) 2023-09-20 2023-09-20 一种多功能的实验室安全监测与预警系统

Publications (2)

Publication Number Publication Date
CN116978207A CN116978207A (zh) 2023-10-31
CN116978207B true CN116978207B (zh) 2023-12-01

Family

ID=88473237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311212707.4A Active CN116978207B (zh) 2023-09-20 2023-09-20 一种多功能的实验室安全监测与预警系统

Country Status (1)

Country Link
CN (1) CN116978207B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206249052U (zh) * 2016-11-25 2017-06-13 南京航空航天大学 一种基于树莓派的电气实验室环境监测云服务报警系统
CN110378265A (zh) * 2019-07-08 2019-10-25 创新奇智(成都)科技有限公司 一种早期火灾检测方法、计算机可读介质及系统
CN111091072A (zh) * 2019-11-29 2020-05-01 河海大学 一种基于YOLOv3的火焰及浓烟检测方法
CN116206223A (zh) * 2023-02-20 2023-06-02 武汉理工大学 一种基于无人机边缘计算的火灾检测方法及系统
KR20230080522A (ko) * 2021-11-30 2023-06-07 주식회사 비투코리아 인공 지능을 이용한 화재 감시 시스템 및 그 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206249052U (zh) * 2016-11-25 2017-06-13 南京航空航天大学 一种基于树莓派的电气实验室环境监测云服务报警系统
CN110378265A (zh) * 2019-07-08 2019-10-25 创新奇智(成都)科技有限公司 一种早期火灾检测方法、计算机可读介质及系统
CN111091072A (zh) * 2019-11-29 2020-05-01 河海大学 一种基于YOLOv3的火焰及浓烟检测方法
KR20230080522A (ko) * 2021-11-30 2023-06-07 주식회사 비투코리아 인공 지능을 이용한 화재 감시 시스템 및 그 제어 방법
CN116206223A (zh) * 2023-02-20 2023-06-02 武汉理工大学 一种基于无人机边缘计算的火灾检测方法及系统

Also Published As

Publication number Publication date
CN116978207A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN101334924B (zh) 一种火灾探测系统及其火灾探测方法
CN109872491A (zh) 火灾监控方法、装置、电子设备及系统
KR20210108861A (ko) 산업설비 및 장치 감시 경보 시스템 및 그 방법
CN109139115A (zh) 一种井下数据采集终端、处理系统及处理方法
CN109493561A (zh) 一种基于图像处理的火灾监控系统
CN111131478A (zh) 一种轻钢别墅监控管理系统
KR20210097500A (ko) 화재감지장치 및 이를 포함하는 화재감지시스템
CN110147762A (zh) 一种嵌入式消防误报消除系统
CN110738289A (zh) 电力作业标准化的多维联动综合研判装置及其使用方法
CN108731737A (zh) 一种多参量环境监测系统的综合信息展示系统及方法
CN201091014Y (zh) 一种火灾探测装置
CN104954744A (zh) 烟雾检测系统
CN110853287A (zh) 一种基于物联网分布式架构的火焰实时监控系统及方法
CN112446536A (zh) 基于大数据架构的生态环境监测网格化系统及其监测方法
CN116978207B (zh) 一种多功能的实验室安全监测与预警系统
CN115082765B (zh) 现场作业管理方法及现场作业管理系统
CN114446002B (zh) 火灾在线监测方法、装置、介质及系统
CN115657509A (zh) 一种生产场所无人值守远程移动监控控制系统
CN116363397A (zh) 设备故障排查方法、装置及巡检系统
CN115083103A (zh) 基于深度学习的多波段红外热释电火焰探测器及探测方法
CN111289853A (zh) 一种基于通道-空间注意力机制的绝缘子检测系统及算法
CN205490954U (zh) 基于图像检测的仓库火灾报警系统
CN214409636U (zh) 一种电子设备的控制装置
CN205375168U (zh) 一种嵌入式家居实时监控装置
CN203706386U (zh) 一种可于现场采集灾害信息的紧急应变系统

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