CN119741663B - 基于机器视觉的危险区域识别方法及装置 - Google Patents

Abstract

本发明提供一种基于机器视觉的危险区域识别方法及装置，涉及危险区域识别技术领域，本发明通过获取历史监控区域中的危险源的监控图像数据，通过预处理形成训练图像集，构建危险识别模型，并对危险识别模型进行训练，根据训练好的危险识别模型对获取实时监控图像进行危险源识别，根据识别的结果，通过设定基础安全距离划定基础危险区域，根据每个类型的静态区域的历史数据，计算每种类型的危险系数增加预警距离，根据每个类型的动态设备的历史数据，计算动态危险系数，计算移动方向前的缓冲距离，通过获取待识别区域的历史危险事故数据，提取设备特征集，通过建立贝叶斯预测模型，对子区域未来的安全状态进行识别。

Description

基于机器视觉的危险区域识别方法及装置

技术领域

本发明涉及危险区域识别技术领域，具体为一种基于机器视觉的危险区域识别方法及装置。

背景技术

随着工业自动化和智能制造的快速发展，厂房内的生产过程愈发复杂且高速运行，各种加工机械种类多，搬运设备来往愈加频繁，作业环境复杂等愈发复杂，厂房内的危险区域越来越多，这增加了发生安全事故的风险。因此，准确识别危险区域是确保工人安全、设备高效运行和生产流程顺利推进的关键因素。

当前，厂房内的危险区域识别技术主要依赖于传统的安全监测手段，如人工巡检和固定监控摄像头，往往存在实时性差、覆盖范围有限和人为因素影响等问题。此外，随着自动化和智能化技术的发展，迫切希望通过先进的技术手段提高危险区域的识别能力。

现有技术中的，公开号为CN 114973140 A公开了一种基于机器视觉的危险区域人员闯入监测方法及系统，通过获取目标施工区域的监控图像，并将目标施工区域的监控图像输入到预设的危险目标检测模型中，判断目标施工区域内是否存在危险目标：若判断所述目标施工区域内存在危险目标，获取危险目标的坐标，并根据危险目标的坐标确定危险区域的坐标；识别监控图像中的人员坐标，将所述人员坐标与所述危险区域的坐标进行比较，判断是否存在人员在所述危险区域内，若判断存在人员在所述危险区域内，发送报警信号给用户。但是该方案仅仅针对静止区域，在时间生产过程中，动态的移动设备往往对人造成更多的伤害，同时也缺乏对危险区域进行预测的能力。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种基于机器视觉的危险区域识别方法及装置，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于机器视觉的危险区域识别方法，具体步骤包括：

步骤1：建立空间坐标系，将待识别的区域划分子区域，对待识别的区域安装摄像头，并获取历史监控区域中的危险源的监控图像数据，危险源类型包括静态区域、动态设备和工作人员，通过预处理形成训练图像集，构建危险识别模型，并对危险识别模型进行训练；

步骤2：获取实时监控图像，通过训练好的危险识别模型对危险源进行识别，根据识别的结果，获取危险源的坐标位置与区域面积大小，通过设定基础安全距离划定基础危险区域，同时对闯入基础危险区域的动态设备与工作人员进行报警；

步骤3：根据每个类型的静态区域的历史数据，获取每种类型的静态区域发生危险的次数、区域面积大小、危险区域存在时间，计算每种类型的危险系数，根据基础安全距离与危险系数增加预警距离；

步骤4：根据每个类型的动态设备的历史数据，通过对动态设备的连续识别，获取动态设备的历史移动速度、移动距离和动态设备的区域面积大小，计算动态危险系数，根据基础安全距离和动态危险系数，计算移动方向前的缓冲距离；

步骤5：获取待识别区域的历史危险事故数据，包括危险事故的次数、危险事故的中心位置坐标，获取历史数据中识别的动态设备的运行时间、动态设备状态、坐标位置和设备操作人员的坐标位置、工作时长，形成设备特征集，通过建立贝叶斯预测模型，对子区域未来的安全状态进行识别。

进一步地，所述静态区域包括油渍区域、水渍区域、检修区域、热源区域；

所述预处理的方法为；对监控图像中的危险源通过边界框进行框选，边界框包括坐标位置和区域面积大小，然后对边界框输入标签信息，标签信息包括危险源类型、危险源状态；

所述危险源状态包括动态设备状态、工作人员状态，动态设备状态包括运行、故障、停机，工作人员状态包括工作、非工作。

进一步地，所述危险识别模型基于CNN神经网络，具体包括卷积层、激活层、池化层和输出层；

卷积层；通过卷积操作从输入图像的边界框和标签中提取特征，计算公式为：其中，为输入矩阵，为卷积核，为输出矩阵的坐标，卷积核在第行和第列的值;

激活层：其中，为卷积层输出的输出矩阵的坐标；

池化层：其中，为输入矩阵，为最大池化输出；

输出层：其中，为池化层的输出，为对图像识别的结果，为权重，为偏置参数。

进一步地，所述划定基础危险区域的具体方法为；

当识别到静态区域时，根据静态区域的坐标位置与区域面积大小，划定基础危险区域，并标记为危险区域；

当识别到动态设备时，根据动态设备的坐标位置、区域面积大小和动态设备状态，且当动态设备状态处于运行、故障时，划定基础危险区域，并标记为危险区域。

进一步地，所述根据基础安全距离与危险系数增加预警距离的计算步骤为；

所述计算每种类型静态区域的危险系数的计算公式为：其中，为每种类型的静态区域的危险系数，为发生危险的次数，为第次的区域面积大小，为第次的危险区域存在的时间。

所述预警距离的计算公式为：其中，为预警距离，为基础安全距离，预警距离调整系数，，为每种类型的静态区域的危险系数。

进一步地，所述历史移动速度、移动距离的计算方式分别为：其中,为第次的移动距离，为第次的移动速度， 为第次移动前的时刻的坐标位置，为第次移动前的时刻的坐标位置。

进一步地，所述根据基础安全距离和动态危险系数，计算移动方向前的缓冲距离的具体步骤为：

动态危险系数的计算公式为：其中，为动态危险系数，为第次的移动速度，为第次的移动距离，为动态设备的区域面积大小。

缓冲距离的计算公式为：其中，为缓冲距离，为动态距离调整系数，。

进一步地，所述建立基于贝叶斯的综合识别模型的具体步骤为；

根据历史数据中的危险事件的坐标计算每个子区域安全状态，即是否发生危险事件的先验概率：其中，为子区域的安全状态的先验概率，为历史数据中发生危险事件的数量，为示性函数，为历史数据中第个安全状态的类型，，为历史数据中子区域的安全状态，代表发生危险事件危险，代表没有发生危险事件，为平滑系数；

所述示性函数的公式为：；

计算每个安全状态下的设备特征集的似然概率：其中，为给定的安全状态下观察到设备特征集的概率， 为给定的安全状态下观察到设备特征 的概率，为设备特征种类的数量；

根据贝叶斯定律计算子区域的安全状态的后验概率：其中，为安全状态的后验概率， 是一个归一化常数；

建立安全状态决策模型：其中，为最终识别的安全状态。

本发明还提供一种基于机器视觉的危险区域识别装置，所述基于机器视觉的危险区域识别装置用于执行上述的基于机器视觉的危险区域识别方法，包括；

图像采集模块，所述图像采集模块用于采集待识别区域的实时监控图像，建立空间坐标系，并获取历史监控区域中的危险源类型的监控图像数，危险源类型包括静态区域、动态设备和工作人员，通过预处理形成训练图像集；

危险识别模块，所述危险识别模块用于构建危险识别模型，并对危险识别模型进行训练，通过训练好的危险识别模型对实时监控图像中的危险源进行识别，根据识别的结果，获取危险源对应的坐标位置与区域面积大小，通过设定基础安全距离划定基础危险区域，同时对闯入基础危险区域的动态设备与工作人员进行报警；

安全预警模块，所述安全预警模块用于根据每个类型的静态区域的历史数据，获取每个静态区域发生危险的次数、区域面积大小、危险区域存在时间，计算每种类型的危险系数，根据基础安全距离与危险系数增加预警距离；

动态预警模块，所述动态预警模块用于根据每个类型的动态设备的历史数据，通过动态设备的连续识别，获取动态设备的历史移动速度、移动距离和动态设备的区域面积大小，计算动态危险系数，根据基础安全距离和当前移动速度，计算移动方向的缓冲距离；

区域预测模块，所述区域预测模块用于获取待识别区域的历史危险事故数据，包括危险事故的次数、危险事故的中心位置坐标，获取历史数据中识别的动态设备的运行时间、运作状态、坐标位置和设备操作人员的坐标位置、工作时长，形成设备特征集，通过建立贝叶斯预测模型，对未来发生危险事件的区域进行识别。

与现有技术相比，本发明的有益效果是：本发明通过获取历史监控区域中的危险源的监控图像数据，通过预处理形成训练图像集，构建危险识别模型，并对危险识别模型进行训练，根据训练好的危险识别模型对获取实时监控图像进行危险源识别，根据识别的结果，通过设定基础安全距离划定基础危险区域，根据每个类型的静态区域的历史数据，计算每种类型的危险系数增加预警距离，根据每个类型的动态设备的历史数据，计算动态危险系数，计算移动方向前的缓冲距离，通过获取待识别区域的历史危险事故数据，提取设备特征集，通过建立贝叶斯预测模型，对子区域未来的安全状态进行识别。

本发明根据每个类型的静态区域的历史数据，计算每种类型的危险系数增加预警距离，能够为人员提供更早的警示，降低意外发生的概率，根据每个类型的静态区域的历史数据，计算每种类型的危险系数增加预警距离，不仅仅可以对动态设备所在的区域进行有效的危险识别，还根据其移动轨迹进行合理地增加缓冲距离，能够有效地降低意外发生的概率，通过建立贝叶斯预测模型，对子区域未来的安全状态进行识别，有效精准地识别潜在的危险区域。

附图说明

图1为本发明整体方法流程示意图；

图2为本发明整体装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

实施例

请参阅图1，本发明提供一种技术方案：

一种基于机器视觉的危险区域识别方法，具体步骤包括：

步骤1：建立空间坐标系，将待识别的区域划分子区域，对待识别的区域安装摄像头，并获取历史监控区域中的危险源的监控图像数据，危险源类型包括静态区域、动态设备和工作人员，通过预处理形成训练图像集，构建危险识别模型，并对危险识别模型进行训练。

在待定识别的厂房区域内，以区域中心点或者标志性建筑为原点，以东西方向为横坐标，以南北方向为纵坐标，以中心点或者标志性设备为原点，使得坐标系统更加直观易懂。人们对中心点或标志性设备的空间位置感更为敏感和明确，这有助于工人和管理者快速理解坐标点的位置，以地理方位（东西南北）来定义坐标轴，符合人们的日常导向习惯，减少了学习和适应成本。这样的坐标系统更贴近自然导向感知，工人和管理者可以更快地识别方向，提高效率。

将危险源类型分为静态区域、动态设备和工作人员，可以帮助更清晰地识别和管理不同的安全风险，如静态区域的油渍区域、水渍区域不仅易造成滑倒和跌倒事故，增加工作场所的伤害风险，同时对设备的正常使用也存在干扰，检修区域存在工具和设备散乱，导致绊倒或划伤风险，同时也可能暴露于电气或化学危险中，热源区域可能导致烧伤或火灾风险，特别是在靠近可燃材料的情况下，因此需要对这些区域进行危险识别，动态设备，如传送带、机器人、运输车可能因故障、误操作或维护不当造成碰撞、夹击等伤害，操作人员需特别注意与设备的交互。工作人员面临的人为因素风险，包括操作失误、缺乏安全培训、心理压力等，需要关注人员的行为和安全意识，以防止事故的发生。通过将危险源分类，可以更有效地识别和评估安全风险，通过划定相应的危险区域，从而可以有效地制定相应的管理和应急措施。

本实施例中，所述静态区域包括油渍区域、水渍区域、检修区域、热源区域；

所述预处理的方法为；对监控图像中的危险源通过边界框进行框选，边界框包括坐标位置和区域面积大小，然后对边界框输入标签信息，标签信息包括危险源类型、危险源状态；

所述危险源状态包括动态设备状态、工作人员状态，动态设备状态包括运行、故障、停机，工作人员状态包括工作、非工作。

CNN神经网络是深度学习图像分类识别中常用的算法，它能够通过卷积操作有效地捕获图像的局部特征信息，并可以通过池化操作逐步降低图像的维度，由于卷积操作和池化层的设计，CNN能够识别图像中物体的位置变化，从而增强对动态环境中危险区域的检测能力，CNN在处理图像数据时展现出更强的特征提取能力和计算效率，使其成为危险区域识别的理想选择。

本实施例中，所述危险识别模型基于CNN神经网络，具体包括卷积层、激活层、池化层和输出层；

卷积层；通过卷积操作从输入图像的边界框和标签中提取特征，计算公式为：其中，为输入矩阵，为卷积核，为输出矩阵的坐标，卷积核在第行和第列的值;

激活层：其中，为卷积层输出的输出矩阵的坐标；

池化层：其中，为输入矩阵，为最大池化输出；

输出层：其中，为池化层的输出，为对图像识别的结果，为权重，为偏置参数。

把训练图像集按照7:3的比例分成训练和测试两个部分，训练部分的图像数据作为对模型的输入，对图像中的边框和标签信息作为模型的输出，训练完成后，通过测试部分的图像集对模型进行测试评估，用于评估模型在见过的训练数据之外的新数据上的性能。

步骤2：获取实时监控图像，通过训练好的危险识别模型对危险源进行识别，根据识别的结果，获取危险源的坐标位置与区域面积大小，通过设定基础安全距离划定基础危险区域，同时对闯入基础危险区域的动态设备与工作人员进行报警。

在设备运行时，存在运动部件，这些部件可能对靠近的人员构成夹伤、撞击等物理伤害的风险，在故障维修过程中，维修人员可能需要近距离接触设备，如果设备没有完全断电或释放残留能量，便会有安全隐患，同时故障可能导致控制系统失效，从而引发设备非预期动作或停止对危险条件进行正常监控。

本实施例中，所述划定基础危险区域的具体方法为；

当识别到静态区域时，根据静态区域的坐标位置与区域面积大小，划定基础危险区域，并标记为危险区域。

当识别到动态设备时，根据动态设备的坐标位置、区域面积大小和动态设备状态，且当动态设备状态处于运行、故障时，划定基础危险区域，并标记为危险区域。

步骤3：根据每个类型的静态区域的历史数据，获取每种类型的静态区域发生危险的次数、区域面积大小、危险区域存在时间，计算每种类型的危险系数，根据基础安全距离与危险系数增加预警距离。

本实施例中，所述根据基础安全距离与危险系数增加预警距离的计算步骤为：

所述计算每种类型静态区域的危险系数的计算公式为：其中，为每种类型的静态区域的危险系数，为发生危险的次数，为第次的区域面积大小，为第次的危险区域存在的时间。

静态区域的危险系数反映的是每种静态区域的发生危险事件的风险程度，危险系数越高则说明该类型的静态区域越容易发生危险事件，通过统计静态区域发生危险的频率，可以识别出高风险区域，较大面积的危险区域影响更多人员和设备移动，更加难以避免地被影响正常的工作，危险性越大，静态区域存在时间越长，潜在风险越高。

所述根据基础安全距离与危险系数增加预警距离的计算公式为：其中，为预警距离，为基础安全距离，预警距离调整系数，，为每种类型的静态区域的危险系数。

合理地增加预警距离，能够为人员提供更早的警示，降低意外发生的概率，通过设置预警距离调整系数可以根据实际需求以及静态区域的类型合理调节预警距离，避免距离过大，过多的占用场地和频繁的报警，同时避免预警距离过小，无法有效地进行预警。

步骤4：根据每个类型的动态设备的历史数据，通过对动态设备的连续识别，获取动态设备的历史移动速度、移动距离和动态设备的区域面积大小，计算动态危险系数，根据基础安全距离和动态危险系数，计算移动方向前的缓冲距离。

动态设备的速度直接影响其与周围动态设备、静态设备和工作人员的相对位置关系，较高的速度意味着更短的反应时间，从而增加潜在碰撞的风险，动态设备在特定时间内的移动距离可以帮助预测其未来位置，有助于判断是否会进入危险区域，同时动态设备的尺寸和其占用的空间决定了其对周围动态设备、静态设备和工作人员的影响程度，较大的设备在移动时可能会对周围区域造成更大的威胁。因此移动速度、移动距离和动态设备的区域面积大小结合起来，可以形成一个更全面的动态危险系数，帮助更准确地评估设备在特定环境下的风险。

本实施例中，所述历史移动速度、移动距离的计算方式分别为：其中,为第次的移动距离，为第次的移动速度， 为第次移动前的时刻的坐标位置，为第次移动前的时刻的坐标位置。

本实施例中，所述根据基础安全距离和动态危险系数，计算移动方向前的缓冲距离的具体步骤为：

动态危险系数的计算公式为：其中，为动态危险系数，为第次的移动速度，为第次的移动距离，为动态设备的区域面积大小。

缓冲距离的计算公式为：其中，为缓冲距离，为动态距离调整系数，。

动态危险系数反映了动态设备的危险程度，动态危险系数越高则说明该类型的动态设备越容易发生危险事件，通过合理设定缓冲距离，能够在设备接近危险区域，或者影响其他设备时，预留足够的安全距离，保护工作人员和动态设备的安全，合理地增加缓冲距离，能够有效地降低意外发生的概率，通过设置动态距离调整系数可以根据实际需求以及动态设备的类型合理调节缓冲距离，避免距离过大，过多的占用场地和频繁的报警，同时避免预警距离过小，无法有效的进行缓冲预警。

步骤5：获取待识别区域的历史危险事故数据，包括危险事故的次数、危险事故的中心位置坐标，获取历史数据中识别的动态设备的运行时间、动态设备状态、坐标位置和设备操作人员的坐标位置、工作时长，形成设备特征集，通过建立贝叶斯预测模型，对子区域未来的安全状态进行识别。

贝叶斯模型特别擅长处理不确定性和噪声，这对于动态、复杂的工业环境尤为重要。利用先验知识，如历史事故数据，来改进预测。这意味着即使在数据不足的情况下，模型也能基于已有知识做出较为准确的判断，且贝叶斯模型可以同时考虑多个变量对结果的影响，反映出设备、操作人员和环境之间的复杂关系。这种全面性有助于更准确地识别未来的危险区域。

在厂房区域内，通过整合历史危险事故数据与动态设备信息，运用贝叶斯预测模型来识别未来的安全状态。首先，历史危险事故数据提供了关于事故发生频率和位置的先验知识，这些数据包括事故次数及其中心位置坐标。这些信息能够帮助模型理解哪些区域存在更高的风险。

动态设备的运行时间、状态、坐标位置以及操作人员的工作时长等数据构成了设备特征集。这些特征不仅反映了设备在工作过程中可能引发的危险，还提供了设备与操作人员在空间上的关系，增强了对危险因素的识别能力。

利用这些特征，贝叶斯模型计算出事故发生的先验概率，并根据动态设备的当前状态及其历史运行数据来估算未来潜在危险的似然性。模型通过将先验概率与新的观测数据相结合，使用贝叶斯定理更新后验概率，从而为每个子区域生成一个安全状态的预测值。

这种方法的优势在于其能够处理不确定性，结合多种影响因素，如设备状态与操作人员行为，实现对危险区域的动态预测最后，通过输出各个子区域的后验概率，决策者可以直观评估不同区域的安全风险，从而实现对未来危险区域的识别。

本实施例中，所述建立基于贝叶斯的综合识别模型的具体步骤为；

根据历史数据中的危险事件的坐标计算每个子区域安全状态，即是否发生危险事件的先验概率：其中，为子区域的安全状态的先验概率，为历史数据中发生危险事件的数量，为示性函数，为历史数据中第个安全状态的类型，，为历史数据中子区域的安全状态，代表发生危险事件危险，代表没有发生危险事件，为平滑系数；

所述示性函数的公式为：；

计算每个安全状态下的设备特征集的似然概率：其中，为给定的安全状态下观察到设备特征集的概率， 为给定的安全状态下观察到设备特征 的概率，为设备特征种类的数量；

根据贝叶斯定律计算子区域的安全状态的后验概率：其中，为安全状态的后验概率， 是一个归一化常数；

建立安全状态决策模型：其中，为最终识别的安全状态。

请参阅图2，本发明还提供一种基于机器视觉的危险区域识别装置，所述基于机器视觉的危险区域识别装置用于执行上述的基于机器视觉的危险区域识别方法，包括；

图像采集模块，所述图像采集模块用于采集待识别区域的实时监控图像，建立空间坐标系，并获取历史监控区域中的危险源类型的监控图像数，危险源类型包括静态区域、动态设备和工作人员，通过预处理形成训练图像集，

危险识别模块，所述危险识别模块用于构建危险识别模型，并对危险识别模型进行训练，通过训练好的危险识别模型对实时监控图像中的危险源进行识别，根据识别的结果，获取危险源对应的坐标位置与区域面积大小，通过设定基础安全距离划定基础危险区域，同时对闯入基础危险区域的动态设备与工作人员进行报警；

安全预警模块，所述安全预警模块用于根据每个类型的静态区域的历史数据，获取每个静态区域发生危险的次数、区域面积大小、危险区域存在时间，计算每种类型的危险系数，根据基础安全距离与危险系数增加预警距离；

动态预警模块，所述动态预警模块用于根据每个类型的动态设备的历史数据，通过动态设备的连续识别，获取动态设备的历史移动速度、移动距离和动态设备的区域面积大小，计算动态危险系数，根据基础安全距离和当前移动速度，计算移动方向的缓冲距离；

区域预测模块，所述区域预测模块用于获取待识别区域的历史危险事故数据，包括危险事故的次数、危险事故的中心位置坐标，获取历史数据中识别的动态设备的运行时间、运作状态、坐标位置和设备操作人员的坐标位置、工作时长，形成设备特征集，通过建立贝叶斯预测模型，对未来发生危险事件的区域进行识别；

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够通过电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方法来执行，取决于技术方案的特定应用和设计约束条件。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (7)

1.一种基于机器视觉的危险区域识别方法，其特征在于，具体步骤包括：

步骤1：建立空间坐标系，将待识别的区域划分子区域，对待识别的区域安装摄像头，并获取历史监控区域中的危险源的监控图像数据，危险源类型包括静态区域、动态设备和工作人员，通过预处理形成训练图像集，构建危险识别模型，并对危险识别模型进行训练；

步骤2：获取实时监控图像，通过训练好的危险识别模型对危险源进行识别，根据识别的结果，获取危险源的坐标位置与区域面积大小，通过设定基础安全距离划定基础危险区域，同时对闯入基础危险区域的动态设备与工作人员进行报警；

步骤3：根据每个类型的静态区域的历史数据，获取每种类型的静态区域发生危险的次数、区域面积大小、危险区域存在时间，计算每种类型的危险系数，根据基础安全距离与危险系数增加预警距离；

步骤4：根据每个类型的动态设备的历史数据，通过对动态设备的连续识别，获取动态设备的历史移动速度、移动距离和动态设备的区域面积大小，计算动态危险系数，根据基础安全距离和动态危险系数，计算移动方向前的缓冲距离；

步骤5：获取待识别区域的历史危险事故数据，包括危险事故的次数、危险事故的中心位置坐标，获取历史数据中识别的动态设备的运行时间、动态设备状态、坐标位置和设备操作人员的坐标位置、工作时长，形成设备特征集，通过建立贝叶斯预测模型，对子区域未来的安全状态进行识别；

所述划定基础危险区域的具体方法为；

当识别到静态区域时，根据静态区域的坐标位置与区域面积大小，划定基础危险区域，并标记为危险区域；当识别到动态设备时，根据动态设备的坐标位置、区域面积大小和动态设备状态，且当动态设备状态处于运行、故障时，划定基础危险区域，并标记为危险区域；

所述根据基础安全距离与危险系数增加预警距离的计算步骤为：

计算每种类型静态区域的危险系数的计算公式为：

其中，为每种类型的静态区域的危险系数，为发生危险的次数，为第次的区域面积大小，为第次的危险区域存在的时间；

所述预警距离的计算公式为：

其中，为预警距离，为基础安全距离，预警距离调整系数，，为每种类型的静态区域的危险系数。

2.根据权利要求1所述的一种基于机器视觉的危险区域识别方法，其特征在于：所述静态区域包括油渍区域、水渍区域、检修区域、热源区域；

所述预处理的方法为；对监控图像中的危险源通过边界框进行框选，边界框包括坐标位置和区域面积大小，然后对边界框输入标签信息，标签信息包括危险源类型、危险源状态；

所述危险源状态包括动态设备状态、工作人员状态，动态设备状态包括运行、故障、停机，工作人员状态包括工作、非工作。

3.根据权利要求1所述的一种基于机器视觉的危险区域识别方法，其特征在于：所述危险识别模型基于CNN神经网络，具体包括卷积层、激活层、池化层和输出层；

卷积层：通过卷积操作从输入图像的边界框和标签中提取特征，计算公式为：

其中，为输入矩阵，为卷积核，为输出矩阵的坐标，卷积核在第行和第列的值；

激活层：

其中，为卷积层输出的输出矩阵的坐标；

池化层：

其中，为输入矩阵，为最大池化输出；

输出层：

其中，为池化层的输出，为对图像识别的结果，为权重，为偏置参数。

4.根据权利要求1所述的一种基于机器视觉的危险区域识别方法，其特征在于：所述历史移动速度、移动距离的计算方式分别为：

其中,为第次的移动距离，为第次的移动速度， 为第次移动前的时刻的坐标位置，为第次移动前的时刻的坐标位置。

5.根据权利要求4所述的一种基于机器视觉的危险区域识别方法，其特征在于：所述根据基础安全距离和动态危险系数，计算移动方向前的缓冲距离的具体步骤为：

动态危险系数的计算公式为：

其中，为动态危险系数，为第次的移动速度，为第次的移动距离，为动态设备的区域面积大小；

缓冲距离的计算公式为：

其中，为缓冲距离，为动态距离调整系数，。

6.根据权利要求1所述的一种基于机器视觉的危险区域识别方法，其特征在于：所述建立基于贝叶斯的综合识别模型的具体步骤为；

根据历史数据中的危险事件的坐标计算每个子区域安全状态，即是否发生危险事件的先验概率：

其中，为子区域的安全状态的先验概率，为历史数据中发生危险事件的数量，为示性函数，为历史数据中第个安全状态的类型，，为历史数据中子区域的安全状态，代表发生危险事件危险，代表没有发生危险事件，为平滑系数；

所述示性函数的公式为：

；

计算每个安全状态下的设备特征集的似然概率：

其中，为给定的安全状态下观察到设备特征集的概率， 为给定的安全状态下观察到设备特征 的概率，为设备特征种类的数量；

根据贝叶斯定律计算子区域的安全状态的后验概率：

其中，为安全状态的后验概率， 是一个归一化常数；

建立安全状态决策模型：

其中，为最终识别的安全状态。

7.一种基于机器视觉的危险区域识别装置，其特征在于：所述基于机器视觉的危险区域识别装置用于执行权利要求1-6任一项所述的基于机器视觉的危险区域识别方法，包括；

图像采集模块，所述图像采集模块用于采集待识别区域的实时监控图像，建立空间坐标系，并获取历史监控区域中的危险源类型的监控图像数，危险源类型包括静态区域、动态设备和工作人员，通过预处理形成训练图像集；

危险识别模块，所述危险识别模块用于构建危险识别模型，并对危险识别模型进行训练，通过训练好的危险识别模型对实时监控图像中的危险源进行识别，根据识别的结果，获取危险源对应的坐标位置与区域面积大小，通过设定基础安全距离划定基础危险区域，同时对闯入基础危险区域的动态设备与工作人员进行报警；

安全预警模块，所述安全预警模块用于根据每个类型的静态区域的历史数据，获取每个静态区域发生危险的次数、区域面积大小、危险区域存在时间，计算每种类型的危险系数，根据基础安全距离与危险系数增加预警距离；

动态预警模块，所述动态预警模块用于根据每个类型的动态设备的历史数据，通过动态设备的连续识别，获取动态设备的历史移动速度、移动距离和动态设备的区域面积大小，计算动态危险系数，根据基础安全距离和当前移动速度，计算移动方向的缓冲距离；

区域预测模块，所述区域预测模块用于获取待识别区域的历史危险事故数据，包括危险事故的次数、危险事故的中心位置坐标，获取历史数据中识别的动态设备的运行时间、运作状态、坐标位置和设备操作人员的坐标位置、工作时长，形成设备特征集，通过建立贝叶斯预测模型，对未来发生危险事件的区域进行识别。