CN117291430B - 一种基于机器视觉的安全生产检测方法及装置 - Google Patents
一种基于机器视觉的安全生产检测方法及装置 Download PDFInfo
- Publication number
- CN117291430B CN117291430B CN202311579230.3A CN202311579230A CN117291430B CN 117291430 B CN117291430 B CN 117291430B CN 202311579230 A CN202311579230 A CN 202311579230A CN 117291430 B CN117291430 B CN 117291430B
- Authority
- CN
- China
- Prior art keywords
- image
- fire
- smoke
- dynamic image
- park
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 44
- 239000000126 substance Substances 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 47
- 239000000779 smoke Substances 0.000 claims description 93
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 235000019504 cigarettes Nutrition 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Operations Research (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种基于机器视觉的安全生产检测方法及装置，涉及安全生产检测技术领域，包括提取信息库中存储的模型数据集进行分析，并通过分析得到安全检测比对参数、监测指定化学园区的生产状况，并采集指定化学园区所属信息数据、对指定化学园区所属信息数据进行安全判别分析、确定指定化学园区的火情分布信息以及对指定化学园区的火情进行安全提示。本发明实时的获取化学园区的生产状况，并分析了指定化学园区各动态图像对应的火情判定符合指数和火情程度系数，提高了安全生产检测方法在火灾检测方面的有效性和可靠性，保障了人员生命安全和园区设施，为化学园区的安全生产检测提供了支撑性的保障。
Description
技术领域
本发明涉及安全生产检测技术领域，具体为一种基于机器视觉的安全生产检测方法及装置。
背景技术
化学园区是一个集中生产和储存大量化学品的区域，这些化学品往往具有易燃、易爆、有毒等特性，并且火灾和烟雾事件可能对人员生命安全、园区设施和环境造成严重威胁，因此化学园区的火灾和烟雾安全监测是至关重要的，并且识别和监测潜在的安全风险是确保员工安全和生产连续性的关键。
基于机器视觉的安全生产检测方法及装置在提高安全性、降低事故风险和保障员工健康方面具有巨大潜力，而一种基于机器视觉的安全生产检测方法及装置，以提供高效、准确和实时的安全监测解决方案，推动安全生产管理的智能化和数字化发展。
综上所述，基于机器视觉的安全生产检测方法及装置在提高安全性、降低事故风险和保障员工安全方面具有巨大潜力，因此，研究基于机器视觉的安全生产检测方法及装置具有重要意义。
目前现有技术在针对化学园区的安全生产检测中，，还存在一些局限性，具体提现在以下几个层面：1、首先，如今的传统的安全监测方法往往依赖于人工巡查和固定式监控系统，这种方式不仅费时费力，而且存在漏检和误检的风险，并且成本高、效率低。
2、其次，目前在化学园区的安全生产检测中，缺乏针对化学园区的实时动态进行信息量化分析，会导致火焰和烟雾检测的敏感性和准确性下降，缺乏对这一层面的考虑而无法及时的判定和报警，从而增加了火灾蔓延和危害的风险，因而使实际的安全风险也存在不同程度的波动，会导致人员生命安全、园区设施和环境造成严重威胁，进而给化学园区的整体稳定运行造成一定程度的负面影响。
发明内容
针对现有技术的不足，本发明提供了一种基于机器视觉的安全生产检测方法及装置，能够有效解决上述背景技术中涉及的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器视觉的安全生产检测方法，包括第一步：提取信息库中存储的模型数据集进行分析，并通过分析得到安全检测比对参数。
第二步：监测指定化学园区的生产状况，并采集指定化学园区所属信息数据。
第三步：对指定化学园区所属信息数据进行安全判别分析，由此计算指定化学园区各动态图像对应的火情判定符合指数αi。
第四步：确定指定化学园区的火情分布信息，由此评估指定化学园区各动态图像对应的火情程度系数Zi。
第五步：综合分析指定化学园区各动态图像的火情管控置信度，并对指定化学园区的火情进行安全提示。
进一步地，所述提取信息库中存储的模型数据集进行分析，具体分析过程包括：提取信息库中存储的各样本火焰图像以及各样本烟雾图像，利用预置检测模型中涵盖的分类器对各样本火焰图像以及烟雾进行识别分类，并依次提取预测为正例正确的火焰图像以及烟雾图像样本数TP、预测为正例错误的火焰图像以及烟雾图像样本数FN、预测为负例正确的火焰图像以及烟雾图像样本数TN、预测为负例错误的火焰图像以及烟雾图像样本数FP，由此计算指定化学园区所属预置检测模型的精确度Pre，其计算公式为：
由公式计算指定化学园区所属预置检测模型的召回率Rec。
由公式计算指定化学园区所属预置检测模型的F1分数F1s。
计算指定化学园区所属预置检测模型的AP值，其计算公式为：其中rc-1、rc分别表示按升序排列的精确度插值段的第c-1个和第c个插值处对应的召回率值，c表示各阈值的编号，c＝1,2,3,...,b，b为阈值的数目，Pre(rc+1)表示第c个插值处的精确度，由此计算指定化学园区所属预置检测模型的平均精度mAP，其计算公式为：/>其中APl表示第l个个类别的AP值，l为各类别的编号，l＝1,2,...,k，k表示类别的总数。
依据指定化学园区所属样本的精确度、召回率以及F1分数，分别与设定的参照精确度、参照召回率以及参照F1分数进行比对，由此综合计算指定化学园区所属预置检测模型的信任度β，其计算公式为：
，其中Pre″、Rec″、F1s″以及mAP″分别表示参照精确度、参照召回率、参照F1分数以及参照平均精度，Φ1、Φ2、Φ3以及Φ4分别设定的精确度、召回率、F1分数以及平均精度对应的权重因子。
进一步地，所述通过分析得到安全检测比对参数，其具体过程为：依据指定化学园区所属预置检测模型的信任度，与设定的各信任度区间对应的安全对比参数进行匹配，得到该指定化学园区所属预置检测模型对应的安全对比参数，其中安全对比参数包括火焰对应的参照像素值区间、烟雾对应的参照像素值区间以及火焰和烟雾的单位矩形框区域面积对应的评估因子。
进一步地，所述采集指定化学园区所属信息数据，其具体过程为：通过开启摄像头实时的监控指定化学园区的实时动态，并以设定间隔帧数抽取指定化学园区的各要素帧图像，由此将各要素帧图像中的火焰和烟雾信息使用矩形框进行标记。
提取指定化学园区的各要素帧图像，并以设定关联帧数切割得到各要素帧图像所属各关联帧图像，由此整合构建各动态图像。
统计各动态图像中的各帧子图像，提取各动态图像中的各帧子图像对应各像素点的颜色值，并依据指定化学园区所属火焰对应的参照像素值区间、烟雾对应的参照像素值区间，匹配得到各动态图像中的各帧子图像对应的火焰和烟雾的矩形框区域。
统计各动态图像中的各帧子图像的火焰和烟雾的矩形框标记数目以及火焰和烟雾矩形框区域的累计面积，并提取火焰和烟雾的单位矩形框区域面积对应的评估因子。
进一步地，所述计算指定化学园区各动态图像对应的火情判定符合指数，其具体过程为：提取指定化学园区所属火焰对应的参照像素值区间中间值、烟雾对应的参照像素值区间中间值，依次作为火焰和烟雾对应的适配颜色值ΔR1和ΔR2，并提取各动态图像中的各帧子图像对应的火焰和烟雾的矩形框区域所属各像素点的颜色值，由此计算指定化学园区各动态图像对应的火情图像颜色判定符合指数α1i，其计算公式为：
,其中R火 ijt和R烟 ijt分别表示第i个动态图像中的第j帧子图像对应的火焰和烟雾的矩形框区域所属第t个像素点的颜色值，t表示各个像素点的编号，t＝1,2,3,...,r，r表示像素点的数目，i表示各动态图像的编号，i＝1,2,3,...,n，n为动态图像的数目，j表示各帧子图像的编号，j＝1,2,3,...,m,m为子图像的数目，ε1和ε2分别表示设定的火焰和烟雾对应的修正值。
提取信息库中存储的火焰和烟雾的单位矩形框区域面积对应的评估因子，由此计算指定化学园区各动态图像对应的火情图像区域面积判定符合指数α2i，其计算公式为：其中S火 ij以及S烟 ij分别表示第i个动态图像中的第j帧子图像的火焰、烟雾矩形框区域的累计面积，ε3和ε4分别表示火焰和烟雾的单位矩形框区域面积对应的评估因子。
计算指定化学园区各动态图像对应的火情判定符合指数αi，其计算公式为：其中e表示自然常数,γ1和γ2分别表示设定的火情图像颜色判定符合指数和火情图像区域面积判定符合指数对应的权重因子。
进一步地，所述确定指定化学园区的火情分布信息，其具体过程为：依据各动态图像，并提取各动态图像的起始时间点和终止时间点，由此统计各动态图像对应的时间周期，监测并构建各动态图像在对应时间周期的实际空间温度和实际空间湿度变化曲线，由此提取各动态图像在对应时间周期的温度变化率T′和湿度变化率F′。
进一步地，所述评估指定化学园区各动态图像对应的火情程度系数，其具体过程为：统计各动态图像中的各帧子图像的火焰和烟雾信息的标记数目，并提取信息库中存储的单个火焰矩形框和单个烟雾矩形框对应的火情危害因子以及参照温度变化率ΔT′和参照湿度变化率ΔF′，由此计算指定化学园区各动态图像对应的火情程度系数Zi，其计算公式为：
，其中Y框ij以及S框ij分别表示第i个动态图像中的第j帧子图像的火焰和烟雾矩形框区域的标记数目，/>分别表示设定的单个火焰矩形框和单个烟雾矩形框对应的火情危害因子，/>以及/>分别表示设定的温度变化率和湿度变化率对应的修正因子。
进一步地，所述综合分析指定化学园区各动态图像的火情管控置信度，其具体过程为：基于指定化学园区各动态图像对应的火情判定符合指数,综合分析指定化学园区各动态图像的火情管控置信度Ψi，其计算公式为：
Ψi＝arctan(αi*λ1+Zi*λ2)，其中λ1和λ2分别表示设定的火情判定符合指数和火情程度系数对应的权重因子。
进一步地，所述对指定化学园区的火情进行安全提示，其具体过程为：提取指定化学园区各动态图像的火情管控置信度，并与设定的火情管控置信度阈值进行对比，若指定化学园区某动态图像的火情管控置信度超出设定的火情管控置信度阈值，则对指定化学园区在该动态图像的截止时间点的火情进行安全提示。
本发明第二方面提供了一种，一种基于机器视觉的安全生产检测装置其特征在于,包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述所述的方法。
本发明具有以下有益效果：
(1)本发明通过分析得到指定化学园区所属预置检测模型对应的安全对比参数，为后续指定化学园区所属信息数据进行安全判别分析提供了数据基础，使数据分析的精准性得到提升，且能够为指定化学园区的安全生产检测提供了高效安全的保障。
(2)本发明通过计算指定化学园区各动态图像对应的火情判定符合指数，能够更精确及时的检测到烟雾和火焰，增加了火焰和烟雾检测的敏感性和准确性，能够及时的判定和报警，从而降低了火灾蔓延和危害的风险，进一步评估安全生产检测方法的有效性，提高了安全生产检测方法在火灾检测方面的可靠性。
(3)本发明通过各动态图像在对应时间周期的温度变化率和湿度变化率以及各动态图像中的各帧子图像的火焰和烟雾信息的标记数目，评估指定化学园区各动态图像对应的火情程度系数，温度和湿度的变化率可以被用于提高火情检测的准确性，并结合火焰和烟雾信息的标记数目，可以进一步提高火情检测方法的准确性和可靠性。
(4)本发明通过综合分析指定化学园区各动态图像的火情管控置信度，并设置火情管控置信度阈值，在化学园区安全生产过程中进行检测，如发生意外的现象立即的进行应急处理，保障了人员生命安全和园区设施，进而为化学园区的安全生产检测提供了高效安全的保障。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明的方法步骤流程示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1所示，本发明实施例提供一种技术方案：一种基于机器视觉的安全生产检测方法，包括第一步：提取信息库中存储的模型数据集进行分析，并通过分析得到安全检测比对参数。
第二步：监测指定化学园区的生产状况，并采集指定化学园区所属信息数据。
第三步：对指定化学园区所属信息数据进行安全判别分析，由此计算指定化学园区各动态图像对应的火情判定符合指数αi。
第四步：确定指定化学园区的火情分布信息，由此评估指定化学园区各动态图像对应的火情程度系数Zi。
第五步：综合分析指定化学园区各动态图像的火情管控置信度，并对指定化学园区的火情进行安全提示。
具体地，提取信息库中存储的模型数据集进行分析，具体分析过程包括：
提取信息库中存储的各样本火焰图像以及各样本烟雾图像，利用预置检测模型中涵盖的分类器对各样本火焰图像以及烟雾进行识别分类，并依次提取预测为正例正确的火焰图像以及烟雾图像样本数TP、预测为正例错误的火焰图像以及烟雾图像样本数FN、预测为负例正确的火焰图像以及烟雾图像样本数TN、预测为负例错误的火焰图像以及烟雾图像样本数FP，由此计算指定化学园区所属预置检测模型的精确度Pre，其计算公式为：
由公式计算指定化学园区所属预置检测模型的召回率Rec。
由公式计算指定化学园区所属预置检测模型的F1分数F1s。
计算指定化学园区所属预置检测模型的AP值，其计算公式为：其中rc-1、rc分别表示按升序排列的精确度插值段的第c-1个和第c个插值处对应的召回率值，c表示各阈值的编号，c＝1,2,3,...,b，b为阈值的数目，Pre(rc+1)表示第c个插值处的精确度，由此计算指定化学园区所属预置检测模型的平均精度mAP，其计算公式为：/>其中APl表示第l个个类别的AP值，l为各类别的编号，l＝1,2,...,k，k表示类别的总数。
依据指定化学园区所属样本的精确度、召回率以及F1分数，分别与设定的参照精确度、参照召回率以及参照F1分数进行比对，由此综合计算指定化学园区所属预置检测模型的信任度β，其计算公式为：
，其中Pre″、Rec″、F1s″以及mAP″分别表示参照精确度、参照召回率、参照F1分数以及参照平均精度，Φ1、Φ2、Φ3以及Φ4分别设定的精确度、召回率、F1分数以及平均精度对应的权重因子。
本实施方案中，Pre为模型识别相关目标的能力，即分类正确的样本在所有样本中的数量比例，Rec是模型找到真实回归框，即标签标注的框的能力，而F1分数是分类问题的一个衡量指标，在一些多分类问题的机器学习竞赛中，常常将F1分数作为最终测评的方法，它是精确率和召回率的调和平均数，最大为1，最小为0。对于某个分类，综合了Pre和Rec的一个判断指标，F1分数的值是从0到1的，1是最好，0是最差。
本实施方案中，mAP的值名为平均精度，但AP的计算方法并不是计算Pre的平均值，而是计算每个类别的PR曲线与坐标轴围成的面积，可以用积分的方法进行计算，如果一个模型的AP越大，也就是说PR曲线与坐标轴围成的面积越大，Pre与Re在整体上也相对较高，mAP则是对所有类别的AP值求平均值，AP可以反映每个类别预测的准确率，而mAP就是对所有类的AP求平均值，用于反映整个模型的准确率，通常mAP越大，PR曲线与坐标轴围城的面积越大，即某一目标检测算法的准确率达到了多少，其准确率就泛指mAP。
本实施方案中，在数据集处理时候，将数据集图片中的火焰和烟雾信息进行标记，保证模型在训练的过程中能够学习到火焰和烟雾的特征，在实时检测时设置间隔帧数提取特征信息，判断检测的园区内是否出现火焰和烟雾特征信息。
本实施方案中，为实现实时检测过程中模型的精确度，在数据集标注时需要完整涵盖。模型的评估标准IOU阈值一般被定为0.5，当两框的IOU大于阈值时，则判断预测框预测正确。IOU阈值可以修改，IOU阈值越高，则判断预测框预测正确的条件越严格。
具体地，通过分析得到安全检测比对参数，其具体过程为：依据指定化学园区所属预置检测模型的信任度，与设定的各信任度区间对应的安全对比参数进行匹配，得到该指定化学园区所属预置检测模型对应的安全对比参数，其中安全对比参数包括火焰对应的参照像素值区间、烟雾对应的参照像素值区间以及火焰和烟雾的单位矩形框区域面积对应的评估因子。
具体地，采集指定化学园区所属信息数据，其具体过程为：通过开启摄像头实时的监控指定化学园区的实时动态，并以设定间隔帧数抽取指定化学园区的各要素帧图像，由此将各要素帧图像中的火焰和烟雾信息使用矩形框进行标记。
提取指定化学园区的各要素帧图像，并以设定关联帧数切割得到各要素帧图像所属各关联帧图像，由此整合构建各动态图像。
统计各动态图像中的各帧子图像，提取各动态图像中的各帧子图像对应各像素点的颜色值，并依据指定化学园区所属火焰对应的参照像素值区间、烟雾对应的参照像素值区间，匹配得到各动态图像中的各帧子图像对应的火焰和烟雾的矩形框区域。
统计各动态图像中的各帧子图像的火焰和烟雾的矩形框标记数目以及火焰和烟雾矩形框区域的累计面积，并提取火焰和烟雾的单位矩形框区域面积对应的评估因子。
本实施方案中，通过分析得到安全检测比对参数，为后续指定化学园区所属信息数据进行安全判别分析提供了数据基础，使数据分析的精准性得到提升，且能够为指定化学园区的安全生产检测提供了高效安全的保障。
本实施方案中，使用基于深度学习的物体检测算法，识别图像中的火焰和烟雾，并在图像中标记出目标物体的位置和边界框，并根据边界框的位置和尺寸，在图像中提取火焰和烟雾所在的区域，使用循环迭代的方法遍历提取区域内的每个像素点，并获取其对应的坐标，根据像素点的坐标，找到构成矩形框的最小和最大坐标值，即左上角点的坐标和右下角点的坐标。利用这两个点的坐标可以构建矩形框。
具体地，计算指定化学园区各动态图像对应的火情判定符合指数，其具体过程为：提取指定化学园区所属火焰对应的参照像素值区间中间值、烟雾对应的参照像素值区间中间值，依次作为火焰和烟雾对应的适配颜色值ΔR1和ΔR2，并提取各动态图像中的各帧子图像对应的火焰和烟雾的矩形框区域所属各像素点的颜色值，由此计算指定化学园区各动态图像对应的火情图像颜色判定符合指数α1i，其计算公式为：
,其中R火 ijt和R烟 ijt分别表示第i个动态图像中的第j帧子图像对应的火焰和烟雾的矩形框区域所属第t个像素点的颜色值，t表示各个像素点的编号，t＝1,2,3,...,r，r表示像素点的数目，i表示各动态图像的编号，i＝1,2,3,...,n，n为动态图像的数目，j表示各帧子图像的编号，j＝1,2,3,...,m,m为子图像的数目，ε1和ε2分别表示设定的火焰和烟雾对应的修正值。
提取信息库中存储的火焰和烟雾的单位矩形框区域面积对应的评估因子，由此计算指定化学园区各动态图像对应的火情图像区域面积判定符合指数α2i，其计算公式为：其中S火 ij以及S烟 ij分别表示第i个动态图像中的第j帧子图像的火焰、烟雾矩形框区域的累计面积，ε3和ε4分别表示火焰和烟雾的单位矩形框区域面积对应的评估因子。
计算指定化学园区各动态图像对应的火情判定符合指数αi，其计算公式为：其中e表示自然常数,γ1和γ2分别表示设定的火情图像颜色判定符合指数和火情图像区域面积判定符合指数对应的权重因子。
本实施方案中，所述获取每个像素的R、G、B通道的数值来提取各动态图像中的各帧子图像对应各像素点的颜色值。
本实施方案中，计算指定化学园区各动态图像对应的火情判定符合指数，可以进一步评估安全生产检测方法的有效性，提高了安全生产检测方法在火灾检测方面的有效性和可靠性。
本实施方案中，使用温度传感器、湿度传感器检测指定化学园区的温度和湿度。
具体地，确定指定化学园区的火情分布信息，其具体过程为：依据各动态图像，并提取各动态图像的起始时间点和终止时间点，由此统计各动态图像对应的时间周期，监测并构建各动态图像在对应时间周期的实际空间温度和实际空间湿度变化曲线，由此提取各动态图像在对应时间周期的温度变化率T′和湿度变化率F′。
本实施方案中，确定指定化学园区的火情分布信息，提取各动态图像在对应时间周期的温度变化率和湿度变化率，可以提高火情检测的准确性。
本实施方案中，依据各动态图像的起始时间点和终止时间点，将温湿度数据拟合成平滑的曲线，并分别计算温度关于时间的导数和湿度关于时间的导数，从而提取温湿度的变化率。
具体地，评估指定化学园区各动态图像对应的火情程度系数，其具体过程为：统计各动态图像中的各帧子图像的火焰和烟雾信息的标记数目，并提取信息库中存储的单个火焰矩形框和单个烟雾矩形框对应的火情危害因子以及参照温度变化率ΔT′和参照湿度变化率ΔF′，由此计算指定化学园区各动态图像对应的火情程度系数Zi，其计算公式为：，其中Y框ij以及S框ij分别表示第i个动态图像中的第j帧子图像的火焰和烟雾矩形框区域的标记数目，/>分别表示设定的单个火焰矩形框和单个烟雾矩形框对应的火情危害因子，以及/>分别表示设定的温度变化率和湿度变化率对应的修正因子。
本实施方案中，评估指定化学园区各动态图像对应的火情程度系数，可以进一步提高火情检测方法的准确性和可靠性。
具体地，综合分析指定化学园区各动态图像的火情管控置信度，其具体过程为：基于指定化学园区各动态图像对应的火情判定符合指数,综合分析指定化学园区各动态图像的火情管控置信度Ψi，其计算公式为：Ψi＝arctan(αi*λ1+Zi*λ2)，其中λ1和λ2分别表示设定的火情判定符合指数和火情程度系数对应的权重因子。
本实施方案中，综合分析指定化学园区各动态图像的火情管控置信度，为化学园区的安全生产检测提供了高效安全的保障
具体地，对指定化学园区的火情进行安全提示，其具体过程为：提取指定化学园区各动态图像的火情管控置信度，并与设定的火情管控置信度阈值进行对比，若指定化学园区某动态图像的火情管控置信度超出设定的火情管控置信度阈值，则对指定化学园区在该动态图像的截止时间点的火情进行安全提示。
本实施方案中，对指定化学园区的火情进行安全提示，在化学园区安全生产过程中进行检测，如发生意外的现象立即的进行应急处理，保障了人员生命安全和园区设施。
本发明第二方面提供了一种，一种基于机器视觉的安全生产检测装置其特征在于,包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述所述的方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种基于机器视觉的安全生产检测方法，其特征在于包括：
第一步：提取信息库中存储的模型数据集进行分析，并通过分析得到安全检测比对参数；
所述通过分析得到安全检测比对参数，其具体过程为：
依据指定化学园区所属预置检测模型的信任度，与设定的各信任度区间对应的安全对比参数进行匹配，得到该指定化学园区所属预置检测模型对应的安全对比参数，其中安全对比参数包括火焰对应的参照像素值区间、烟雾对应的参照像素值区间以及火焰和烟雾的单位矩形框区域面积对应的评估因子；
第二步：监测指定化学园区的生产状况，并采集指定化学园区所属信息数据；
所述采集指定化学园区所属信息数据，其具体过程为：
通过开启摄像头实时的监控指定化学园区的实时动态，并以设定间隔帧数抽取指定化学园区的各要素帧图像，由此将各要素帧图像中的火焰和烟雾信息使用矩形框进行标记；
提取指定化学园区的各要素帧图像，并以设定关联帧数切割得到各要素帧图像所属各关联帧图像，由此整合构建各动态图像；
统计各动态图像中的各帧子图像，提取各动态图像中的各帧子图像对应各像素点的颜色值，并依据指定化学园区所属火焰对应的参照像素值区间、烟雾对应的参照像素值区间，匹配得到各动态图像中的各帧子图像对应的火焰和烟雾的矩形框区域；
统计各动态图像中的各帧子图像的火焰和烟雾的矩形框标记数目以及火焰和烟雾矩形框区域的累计面积，并提取火焰和烟雾的单位矩形框区域面积对应的评估因子；
第三步：对指定化学园区所属信息数据进行安全判别分析，由此计算指定化学园区各动态图像对应的火情判定符合指数αi；
第四步：确定指定化学园区的火情分布信息，由此评估指定化学园区各动态图像对应的火情程度系数Zi；
第五步：综合分析指定化学园区各动态图像的火情管控置信度，并对指定化学园区的火情进行安全提示；
所述综合分析指定化学园区各动态图像的火情管控置信度，其具体过程为：
基于指定化学园区各动态图像对应的火情判定符合指数,综合分析指定化学园区各动态图像的火情管控置信度Ψi，其计算公式为：Ψi＝arctan(αi*λ1+Zi*λ2)，其中λ1和λ2分别表示设定的火情判定符合指数和火情程度系数对应的权重因子。
2.根据权利要求1所述的一种基于机器视觉的安全生产检测方法，其特征在于：所述提取信息库中存储的模型数据集进行分析，具体分析过程包括：
提取信息库中存储的各样本火焰图像以及各样本烟雾图像，利用预置检测模型中涵盖的分类器对各样本火焰图像以及烟雾进行识别分类，并依次提取预测为正例正确的火焰图像以及烟雾图像样本数TP、预测为正例错误的火焰图像以及烟雾图像样本数FN、预测为负例正确的火焰图像以及烟雾图像样本数TN、预测为负例错误的火焰图像以及烟雾图像样本数FP，由此计算指定化学园区所属预置检测模型的精确度Pre，其计算公式为：
由公式计算指定化学园区所属预置检测模型的召回率Rec；
由公式计算指定化学园区所属预置检测模型的F1分数F1s；
计算指定化学园区所属预置检测模型的AP值，其计算公式为：其中rc-1、rc分别表示按升序排列的精确度插值段的第c-1个和第c个插值处对应的召回率值，c表示各阈值的编号，c＝1,2,3,...,b，b为阈值的数目，Pre(rc+1)表示第c个插值处的精确度，由此计算指定化学园区所属预置检测模型的平均精度mAP，其计算公式为：/>其中APl表示第l个类别的AP值，l为各类别的编号，l＝1,2,...,k，k表示类别的总数；
依据指定化学园区所属样本的精确度、召回率以及F1分数，分别与设定的参照精确度、参照召回率以及参照F1分数进行比对，由此综合计算指定化学园区所属预置检测模型的信任度β，其计算公式为： 其中Pre″、Rec″、F1s″以及mAP″分别表示参照精确度、参照召回率、参照F1分数以及参照平均精度，Φ1、Φ2、Φ3以及Φ4分别设定的精确度、召回率、F1分数以及平均精度对应的权重因子。
3.根据权利要求2所述的一种基于机器视觉的安全生产检测方法，其特征在于：所述计算指定化学园区各动态图像对应的火情判定符合指数，其具体过程为：
提取指定化学园区所属火焰对应的参照像素值区间中间值、烟雾对应的参照像素值区间中间值，依次作为火焰和烟雾对应的适配颜色值ΔR1和ΔR2，并提取各动态图像中的各帧子图像对应的火焰和烟雾的矩形框区域所属各像素点的颜色值，由此计算指定化学园区各动态图像对应的火情图像颜色判定符合指数α1i，其计算公式为：
其中R火 ijt和R烟 ijt分别表示第i个动态图像中的第j帧子图像对应的火焰和烟雾的矩形框区域所属第t个像素点的颜色值，t表示各个像素点的编号，t＝1,2,3,...,r，r表示像素点的数目，i表示各动态图像的编号，i＝1,2,3,...,n，n为动态图像的数目，j表示各帧子图像的编号，j＝1,2,3,...,m,m为子图像的数目，ε1和ε2分别表示设定的火焰和烟雾对应的修正值；
提取信息库中存储的火焰和烟雾的单位矩形框区域面积对应的评估因子，由此计算指定化学园区各动态图像对应的火情图像区域面积判定符合指数α2i，其计算公式为：
其中S火 ij以及S烟 ij分别表示第i个动态图像中的第j帧子图像的火焰、烟雾矩形框区域的累计面积，ε3和ε4分别表示火焰和烟雾的单位矩形框区域面积对应的评估因子；
计算指定化学园区各动态图像对应的火情判定符合指数αi，其计算公式为：其中e表示自然常数,γ1和γ2分别表示设定的火情图像颜色判定符合指数和火情图像区域面积判定符合指数对应的权重因子。
4.根据权利要求3所述的一种基于机器视觉的安全生产检测方法，其特征在于：所述确定指定化学园区的火情分布信息，其具体过程为：
依据各动态图像，并提取各动态图像的起始时间点和终止时间点，由此统计各动态图像对应的时间周期，监测并构建各动态图像在对应时间周期的实际空间温度和实际空间湿度变化曲线，由此提取各动态图像在对应时间周期的温度变化率T′和湿度变化率F′。
5.根据权利要求4所述的一种基于机器视觉的安全生产检测方法，其特征在于：所述评估指定化学园区各动态图像对应的火情程度系数，其具体过程为：
统计各动态图像中的各帧子图像的火焰和烟雾信息的标记数目，并提取信息库中存储的单个火焰矩形框和单个烟雾矩形框对应的火情危害因子以及参照温度变化率ΔT′和参照湿度变化率ΔF′，由此计算指定化学园区各动态图像对应的火情程度系数Zi，其计算公式为：
其中Y框ij以及S框ij分别表示第i个动态图像中的第j帧子图像的火焰和烟雾矩形框区域的标记数目，/>分别表示设定的单个火焰矩形框和单个烟雾矩形框对应的火情危害因子，/>以及/>分别表示设定的温度变化率和湿度变化率对应的修正因子。
6.根据权利要求5所述的一种基于机器视觉的安全生产检测方法，其特征在于：所述对指定化学园区的火情进行安全提示，其具体过程为：
提取指定化学园区各动态图像的火情管控置信度，并与设定的火情管控置信度阈值进行对比，若指定化学园区某动态图像的火情管控置信度超出设定的火情管控置信度阈值，则对指定化学园区在该动态图像的截止时间点的火情进行安全提示。
7.一种基于机器视觉的安全生产检测装置，其特征在于,包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述权利要求1-6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311579230.3A CN117291430B (zh) | 2023-11-24 | 2023-11-24 | 一种基于机器视觉的安全生产检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311579230.3A CN117291430B (zh) | 2023-11-24 | 2023-11-24 | 一种基于机器视觉的安全生产检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291430A CN117291430A (zh) | 2023-12-26 |
| CN117291430B true CN117291430B (zh) | 2024-03-19 |
Family
ID=89252057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311579230.3A Active CN117291430B (zh) | 2023-11-24 | 2023-11-24 | 一种基于机器视觉的安全生产检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291430B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163358A (zh) * | 2011-04-11 | 2011-08-24 | 杭州电子科技大学 | 一种基于视频图像分析的烟雾/火焰检测方法 |
| CN106897720A (zh) * | 2017-01-11 | 2017-06-27 | 济南中维世纪科技有限公司 | 一种基于视频分析的烟火检测方法及装置 |
| CN113989900A (zh) * | 2021-11-10 | 2022-01-28 | 昆明理工大学 | 一种基于计算机视觉的目标检测方法及系统 |
| CN114005237A (zh) * | 2021-10-30 | 2022-02-01 | 南京林业大学 | 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 |
| CN116740885A (zh) * | 2023-06-01 | 2023-09-12 | 中国三峡新能源(集团)股份有限公司 | 烟雾火焰报警方法、装置、电子设备及存储介质 |
-
2023
- 2023-11-24 CN CN202311579230.3A patent/CN117291430B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163358A (zh) * | 2011-04-11 | 2011-08-24 | 杭州电子科技大学 | 一种基于视频图像分析的烟雾/火焰检测方法 |
| CN106897720A (zh) * | 2017-01-11 | 2017-06-27 | 济南中维世纪科技有限公司 | 一种基于视频分析的烟火检测方法及装置 |
| CN114005237A (zh) * | 2021-10-30 | 2022-02-01 | 南京林业大学 | 一种基于热成像分析技术的林火识别方法、设备及计算机存储介质 |
| CN113989900A (zh) * | 2021-11-10 | 2022-01-28 | 昆明理工大学 | 一种基于计算机视觉的目标检测方法及系统 |
| CN116740885A (zh) * | 2023-06-01 | 2023-09-12 | 中国三峡新能源(集团)股份有限公司 | 烟雾火焰报警方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291430A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
| CN110807429A (zh) | 基于tiny-YOLOv3的施工安全检测方法及系统 | |
| CN110826514A (zh) | 一种基于深度学习的施工现场违章智能识别方法 | |
| WO2017067023A1 (zh) | 一种基于专用试纸对体液的检测方法 | |
| CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
| CN112378445A (zh) | 一种基于大数据分析的建筑施工环境智能实时监测系统 | |
| CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
| CN116010826B (zh) | 一种建筑工程的施工安全预警方法及系统 | |
| CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
| CN116627079B (zh) | 用于实验室通风设备的运行监控管理系统 | |
| CN113344745A (zh) | 基于远程视频监控和云计算的工程项目智慧工地数据采集分析一体化云平台 | |
| CN116499938B (zh) | 一种职业工作场所气溶胶悬浮物智能监测方法 | |
| CN113343779A (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
| CN113076899A (zh) | 一种基于目标跟踪算法的高压输电线路异物检测方法 | |
| CN117291430B (zh) | 一种基于机器视觉的安全生产检测方法及装置 | |
| CN116503957A (zh) | 一种燃气入户作业行为识别方法 | |
| CN114283367B (zh) | 用于园区火灾预警的人工智能明火探测方法及系统 | |
| CN109974784B (zh) | 一种用于机房检测的半自动检测设备 | |
| CN115565123A (zh) | 基于深度学习和多源图像融合感知的工地动火监测方法 | |
| CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 | |
| CN114167870A (zh) | 气体巡检装置用数据处理方法、系统、装置及存储介质 | |
| CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 | |
| CN117253176B (zh) | 基于视频分析与计算机视觉的安全生产Al智能检测方法 | |
| CN117830961B (zh) | 一种基于图像分析的环保设备运维行为分析方法及系统 | |
| CN117094594B (zh) | 一种建筑工程墙体渗水漏水智能检测分析评估系统 |
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 |