一种基于深度学习的光伏厂区的人员与烟火识别系统及装置的制作方法

本发明涉及火情识别领域，具体来说，尤其涉及一种基于深度学习的光伏厂区的人员与烟火识别系统及装置。

背景技术：

1、光伏厂区是指专门用于生产光伏电能的工厂或区域，通常包括大量的光伏板(太阳能电池板)以及其他相关的设备和设施，光伏厂区是地面光伏电站、屋顶光伏系统或其他形式的太阳能发电设施，光伏厂区通常分布在广阔的地理区域内，将太阳光转换为电能，为电网或特定设施提供能源。

2、传统的人眼监控方法通常为设置专员观察厂区内监控视频，通过肉眼来识别厂区内是否存在火情，并手动通知相关人员进行处理，人眼观察受到主观因素的影响，不同的观察者可能对相同的场景有不同的解释和判断，人眼观察无法高效处理大量的监控数据，人眼观察无法实现实时的监控和识别，且感知范围有限，不能同时观察广阔的区域，此外，人眼观察可能受到疲劳和注意力不集中的影响，特别是在长时间的监控工作中，容易出现漏检的情况。

3、例如，中国专利cn111639610a公开了一种基于深度学习的火情识别方法及系统，基于深度学习技术，对现有的火情图像进行分析训练，得到神经网络模型，将可见光实时视频采集的图像进行火情识别，结合单帧图像特征与多帧图像时间序列特征，再结合了天气、地理数据信息，综合进行火情判别、影响分析和防控辅助，避免了环境因素对识别结果的影响，大大提高了识别的准确性。

4、现有的火情监测系统可能对环境变化敏感，如光照条件和背景干扰，这导致误报和漏报率较高，影响了火情响应的及时性和有效性，且在设备状态监测方面，传统方法依赖于定期的人工巡检，这不仅效率低，还可能因为检测不及时导致问题恶化，缺乏深入的数据分析手段，导致无法准确把握设备运行特征和潜在的故障风险，现有技术缺少对设备未来运行状态的预测能力，这限制了预防性维护和优化运营策略的可能性，传统监控系统往往只关注单一方面的数据，无法实现对火情、安全、设备运行状态和环境数据的综合评估，从而无法全面理解和响应厂区内的各种潜在风险。

5、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、为了克服以上问题，本发明旨在提出一种基于深度学习的光伏厂区的人员与烟火识别系统及装置，目的在于解决现有技术缺少对设备未来运行状态的预测能力，这限制了预防性维护和优化运营策略的可能性，传统监控系统往往只关注单一方面的数据，无法实现对火情、安全、设备运行状态和环境数据的综合评估，从而无法全面理解和响应厂区内的各种潜在风险的问题。

2、为此，本发明采用的具体技术方案如下：

3、根据本发明的一个方面，提供了一种基于深度学习的光伏厂区的人员与烟火识别系统，该系统包括：图像采集模块、火情识别模块、人员安全识别模块、设备状态监测模块、环境监测模块、综合数据分析与响应模块及火情警报模块；

4、图像采集模块，用于实时捕捉光伏厂区中的环境图像；

5、火情识别模块，利用深度学习技术对环境图像进行分析，并识别光伏厂区内的火情特征；

6、人员安全识别模块，用于确定光伏厂区内的人员位置、数量及行为习惯，评估光伏厂区内的安全状况；

7、设备状态监测模块，用于实时监测光伏厂区内的设备运行状态；

8、环境监测模块，用于监测光伏厂区内的环境数据，并评估环境数据对光伏发电效率的影响；

9、综合数据分析与响应模块，用于将光伏厂区内的火情特征、安全状况、设备运行状态及环境数据对光伏发电效率的影响进行汇总分析，形成综合的安全评估，并制定响应措施；

10、火情警报模块，用于识别火情，并启动报警机制，同时通知到相关人员。

11、可选地，火情识别模块在利用深度学习技术对环境图像进行分析，并识别火情特征时包括：

12、获取并预处理包含火焰和非火焰图像的图像数据集；

13、将预处理后的图像数据集划分为训练集、验证集和测试集；

14、使用pytorch框架构建卷积神经网络模型；

15、构建卷积神经网络模型架构，卷积神经网络模型架构包括卷积层、池化层和全连接层，并选择二元交叉熵作为损失函数，同时选择adam作为优化器；

16、利用训练集对卷积神经网络模型进行训练，并使用验证集对模型进行调优；

17、使用测试集评估卷积神经网络模型的性能；

18、使用训练得到的卷积神经网络模型对预处理后的环境图像进行分析，并评估图像中是否存在火焰特征。

19、可选地，使用训练得到的卷积神经网络模型对预处理后的环境图像进行分析，并评估图像中是否存在火焰特征包括：

20、将输入的环境图像调整到与卷积神经网络模型训练时相同的尺寸；

21、将环境图像的像素值归一化到卷积神经网络模型训练时使用的相同范围；

22、将预处理后的图像输入到训练得到的卷积神经网络模型中，生成对图像中存在火焰特征的概率值；

23、根据模型输出的概率值与预设阈值进行比较，并判断环境图像中是否存在火焰。

24、可选地，人员安全识别模块在确定光伏厂区内的人员位置、数量及行为习惯，评估光伏厂区内的安全状况时包括：

25、通过摄像头收集光伏厂区内的实时视频，并进行图像处理；

26、利用卷积神经网络模型对预处理后的数据进行分析，以检测图像中的人员；

27、对检测到的人员进行追踪，记录人员在厂区内的移动轨迹；

28、根据人员的移动轨迹，分析人员的行为习惯；

29、计算特定时间点或区域内的人员数量，分析人员的分布情况；

30、根据人员的行为习惯和分布情况的分析结果，识别安全状况。

31、可选地，环境监测模块在监测光伏厂区内的环境数据，并评估环境数据对光伏发电效率的影响时包括：

32、收集光伏厂区内的各种环境数据；

33、利用时间序列分析对收集到的环境数据进行分析，并提取环境特征；

34、基于环境特征建立光伏发电效率与环境因素之间的回归模型，并使用历史环境数据对回归模型进行验证；

35、根据验证结果，对回归模型进行优化和调整；

36、利用回归模型对不同环境因素下光伏发电效率进行预测。

37、可选地，利用时间序列分析对收集到的环境数据进行分析，并提取环境特征包括以下步骤：

38、根据光伏厂区内的环境参数选择监控摄像头；

39、根据光伏厂区的实际情况和监测需求，设置数据采集频率；

40、在光伏厂区内部署传感器网络，并覆盖光伏厂区内的全部区域；

41、对收集到的环境数据进行预处理，并对环境数据进行平稳性检测；

42、依据环境数据的特性选择最佳的时间序列分析模型；

43、将平稳性检测后的环境数据输入时间序列模型，并提取与光伏发电效率相关的环境特征。

44、可选地，综合数据分析与响应模块将光伏厂区内的火情特征、安全状况、设备运行状态及环境数据对光伏发电效率的影响进行汇总分析，形成综合的安全评估，并制定响应措施时包括：

45、获取光伏厂区内的火情特征、安全状况、设备运行状态及环境数据，并标记时间索引点；

46、将火情特征、安全状况、设备运行状态及环境数据整合成监督学习数据集；

47、利用bootstrap法对整合后的监督学习数据集进行抽样，生成若干个子数据集；

48、对每个子数据集，使用二分递归分割技术构建决策树，并在每个节点上，从一组随机选择的特征中选择具有最小基尼信息增益的特征进行分割；

49、将所有决策树整合成随机森林模型，并在每个决策树的节点分裂过程中应用随机特征选择法；

50、通过评估随机森林模型在测试集的性能指标，验证随机森林模型的性能，并使用交叉验证调整模型参数；

51、利用随机森林模型提供的特征重要性评分，并识别对安全评估最关键的因素；

52、将训练得到的随机森林模型部署到火情警报模块中；

53、根据随机森林模型的评估结果，制定具体的响应措施。

54、可选地，对每个子数据集，使用二分递归分割技术构建决策树，并在每个节点上，从一组随机选择的特征中选择具有最小基尼信息增益的特征进行分割包括：

55、s1、在决策树的每个节点，从所有特征中随机选取若干特征；

56、s2、对于每个选定的特征，通过计算各个分割点将子数据集分割为两部分，从而计算子数据集中数据点特征的基尼信息增益；

57、s3、根据计算得出的基尼信息增益，选择基尼信息增益最小的特征和分割点作为最优特征和最优分割点；

58、s4、根据最优特征和最优分割点，将子数据集分割成两部分，生成两个子节点，其中，左子节点包含特征值小于等于分割点的样本，而右子节点包含特征值大于分割点的样本；

59、s5、对于每个新生成的子节点，重复执行s1至s4的步骤，当节点中的样本数小于预设的最小样本数时停止。

60、可选地，基尼信息增益的计算公式为：

61、

62、式中，b1与b2分别表示两个子节点a1和a2中的样本个数；

63、gini(a1)表示子节点a1的基尼不纯度；

64、gini(a2)表示子节点a2的基尼不纯度；

65、ginisplit(a)表示分裂后的总体基尼不纯度。

66、根据本发明的另一个方面，还提供了一种基于深度学习的光伏厂区的人员与烟火识别装置，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述系统的功能。

67、相较于现有技术，本技术具有以下有益效果：

68、1、本发明的卷积神经网络能够自动从原始图像中学习并提取出对于火焰识别至关重要的特征，而无需人工设计和选择特征，这大大减少了特征工程的复杂性，并提高了识别的准确性，通过大量的带标签的训练数据，卷积神经网络可以学习到火焰的细微特征，并在测试集上达到很高的识别准确率，在实际应用中减少误报和漏报的情况，深度学习模型具有很好的泛化能力，即使训练数据中的火焰图像与实际应用中的图像存在一定的差异(如光照条件、背景干扰等)，模型仍然能够准确地识别火焰，一旦模型训练完成，集成到现有的监控系统中，并且可以通过定期更新训练数据来不断提高识别性能，卷积神经网络对于不同的环境和条件(如白天、夜晚、室内、室外等)都有一定的适应性，它可以在多种场景下有效地识别火焰。

69、2、本发明设备状态监测模块能够实时监控光伏设备的运行状态，包括设备的温度、电流、电压、功率等关键参数，一旦发现设备出现异常或故障，模块会立即发出预警，帮助运维人员及时发现问题并采取措施，避免设备损坏或生产中断，通过对收集到的设备数据进行深入分析，模块能够提取出设备的运行特征，发现潜在的问题和隐患，同时，利用时间序列分析等方法，模块还能够预测设备的未来运行状态，为运维人员提供决策支持，设备状态监测模块能够实现自动化、智能化的设备监控，大大减轻了运维人员的工作负担，通过实时监测和数据分析，运维人员可以更加准确地了解设备的运行状态，避免盲目巡检和不必要的维护操作，从而提高运维效率。

70、3、本发明综合考虑了多种因素，包括火情、安全、设备运行状态和环境数据，确保了对光伏发电系统的全面评估，这种全面性分析有助于发现潜在的风险和问题，提高系统的稳定性和效率，通过标记时间索引点，能够实时监控光伏厂区的各种数据，通过持续监测并分析这些数据对光伏发电效率的影响，可以有效地及时识别并处理潜在问题，从而预防可能出现的安全风险，使用bootstrap法对数据进行抽样，生成多个子数据集，并结合随机森林模型进行分析，提高了分析的高效性和准确性，随机森林模型通过构建多个决策树并整合它们的输出，能够减少过拟合和提高预测精度，根据不同的需求和数据特点进行灵活调整和优化，例如，可以通过调整模型参数、优化特征选择等方式来提高模型的性能，此外，该模块还可以根据需要进行扩展，以适应更大规模的光伏厂区或更复杂的应用场景，通过随机森林模型提供的特征重要性评分，能够识别对安全评估最关键的因素，为运维人员提供智能化的决策支持，这有助于运维人员更加准确地了解系统的运行状态和潜在风险，制定更加有效的响应措施。