技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种基于深度学习的化工厂区智能安全检测方法及系统  >  正文

一种基于深度学习的化工厂区智能安全检测方法及系统

  • 国知局
  • 2024-08-30 14:40:15

本发明涉及一种基于深度学习的图像处理和目标检测技术,尤其是涉及一种基于深度学习的化工厂区智能安全检测方法及系统。

背景技术:

1、在化工厂这种高危环境下,工作安全对于保障人员生命安全和生产稳定至关重要。化工厂区经常面临易燃、易爆和有毒化学品的存储及使用,意外风险较高,一旦发生安全事故,后果严重,不仅可能造成巨大的经济损失,还可能对环境和人员安全造成不可逆的影响。

2、随着科技的发展,特别是人工智能和计算机视觉技术的进步,利用智能监控来实现安全生产的自动监控和管控变得可行。然而,现有的监控系统多数依赖于传统模式,如定时巡查、人工监控等,不仅耗费大量人力物力,也很难实时发现所有潜在的安全隐患。

3、在目前的技术解决方案中,虽然一些基于深度学习的安全检测系统已被提出并应用于公共安全领域,但在复杂多变的化工生产环境中,这些系统常常因为图像质量不佳、模型检测速度慢或准确率不高等问题而难以满足实际需求。此外,这些系统往往无法有效识别并实时反馈特定于化工厂的危险行为和状态,如不正确的个人防护装备使用。

技术实现思路

1、发明目的:提供一种能够实时、准确和自动检测化工厂区安全隐患的系统,特别是可以有效识别工人防护装备佩戴情况及其行为状态的系统。

2、技术方案:本发明公开了一种基于深度学习的化工厂区智能安全检测方法及系统,该系统主要包括图像采集、图像预处理、目标检测模型及前端界面,方法包括以下步骤:

3、s1、在化工厂区存在安全隐患的区域安装多个摄像头,获取现场工人图像;

4、s2、采用改进小波阈值去噪处理原始图像;

5、s3、通过cyclegan生成图像数据,解决样本不平衡的问题;

6、s4、标注预处理后的图像中的头部,躯干,四肢,构建数据集;

7、s5、构建改进的efficientdet化工厂安全检测模型,改进包括在mbconv中引入psa注意力机制,改进双向特征金字塔网络(bifpn)结构;

8、s6、将数据集输入改进后的efficientdet模型进行训练,检测模型性能;

9、s7、使用训练后的模型进行目标检测,检测现场收集到的化工厂图像,获取工人的防护装备佩戴情况及个人行为;

10、s8、根据目标检测的结果进一步判断是否发生危险行为,通过前端界面实时显示化工厂的安全状况,有异常状况时,自动触发预警装置,发出报警信号。

11、进一步地,所述步骤s2实现过程如下:

12、s21、设s(x,y)为原始图像信号,n(x,y)为高斯白噪声信号,f(x,y)为受到噪声干扰的图像信号,可得:

13、f(x,y)=s(x,y)+n(x,y)

14、其中,x,y=1,2,3…n+。

15、s22、选择合适的小波基对图像进行多尺度的小波分解,得到一系列在不同尺度上的高频、低频分量的小波系数;

16、s23、对于不同分解尺度选取合适的阈值λ:

17、

18、其中,σ为噪声的标准方差;n为图像长度;o为分解层数。

19、s24、阈值函数对高频系数wx,y进行阈值量化,得到高频估计系数

20、s25、硬阈值函数存在间断性会导致重构时振荡,最终形成的图像模糊;软阈值函数会可能会导致图像边缘信息丢失,为此提出自适应阈值函数:

21、

22、其中,为高频估计系数;wx,y为高频系数;λ为阈值;sgn()为符号函数;r为调节因子。

23、s26、新阈值函数中的调节因子r影响去噪效果,因此通过猎食者优化算法寻找最优的调节因子r;

24、s27、根据小波分解后的低频系数以及各层阈值量化后的高频系数进行重构,得到去噪后的图像。

25、步骤s26中所述的猎食者优化算法寻找最优的调节因子r,具体过程如下:

26、s261、随机初始化种群位置,即阈值函数中的调节因子r;

27、s262、定义适应度函数为f:

28、f=snr+ssim

29、式中,snr为信噪比,ssim为结构相似度。

30、s263、计算适应度值,并记录全局最优;

31、s264、更新猎物种群的位置;

32、s265、判断是否达到最大迭代次数,若没达到则重复步骤s262、s263,直到达到终止条件;

33、s266、输出全局最优解对应的粒子,将最优的种群位置作为调节因子r代入新阈值函数。

34、进一步地,所述步骤s3中cyclegan生成图像,实现过程如下:

35、s31、cyclegan由两个生成对抗网络(gan)组成,分别学习源图像到目标图像的映射和目标图像到源图像的映射。将收集到的图像分成a、b两个域,a、b域中的原始图像分别由生成器g、h进行转换,判别器用来判断生成图像的真实性。两个生成器g、h的损失函数可定义为:

36、

37、其中,e表示计算期望值,a、b分别为来自a、b域中的图像。pdata(a)和pdata(b)分别表示a图像域的概率分布和b图像域的概率分布。

38、s32、单独的对抗性损失函数不能保证可以映射单个输入,可能会出现生成器将a域的图像转换为b域中的图像,使得对抗性损失函数无效。为了避免这种可能,引入循环一致性损失函数losscycle:

39、

40、s33、通过式(4)、(5)、(6),可得到cyclegan的总损失函数lossfull:

41、lossfull=lossgan(g,da)+lossgan(f,db)+λlosscycle

42、其中,参数λ为循环一致性损失的权重。

43、s34、循环训练生成器和判别器,优化生成图像的质量和循环一致性。cyclegan在实际训练过程中更加稳定,并且生成图像的质量较高。

44、进一步地,所述步骤s5、构建改进的efficientdet化工厂安全检测模型,模型构建过程如下:

45、s511、efficientdet是由骨干网络efficientnet、特征提取模块bifpn和预测网络3部分组成,efficientnet使用mbconv作为模型的主干结构,mbconv由扩张卷积、深度可分离卷积、se注意力机制模块和线性残差连接组成,se仅考虑了通道注意力,忽略了空间注意力。为了充分提取通道注意力向量中的多尺度空间信息和重要的跨维度特征,用改进的psa注意力机制替换mbconv中的se注意力机制,可以提高检测小尺度目标物体的能力,提高模型整体的准确性。

46、s521、通过挤压与拼接spc模块将通道进行切分,对每个通道特征图上的空间信息进行多尺度特征提取;

47、s522、利用seweight模块提取不同尺度特征图的通道注意力,得到每个不同尺度上的通道注意力向量;

48、s523、原来的softmax函数替换为sparsemax函数,sparsemax生成更稀疏的注意力分布;利用sparsemax对多尺度通道注意力向量进行重新标定,得到新的多尺度通道交互之后的注意力权重;

49、s524、对重新校准的权重和相应的特征图按元素进行点乘操作,输出经过多尺度特征信息注意力加权后的特征图。

50、s531、为了增强对于不同层级中间信息的利用,增强网络性能,对bifpn网络结构进行改进,改进的bifpn融合中间特征信息,提高对目标的检测能力。在自顶向下路径中,会获得中间信息,过程如下:

51、

52、其中,pj是第j层的输入特征,是第j层中间特征信息,ω是权重,res是本分辨率匹配的上采样或下采样操作,conv是用于特征处理的卷积运算,e=0.0001是一个小值,减少计算的不稳定性。

53、s532、在自底向上的路径中,充分利用不同尺度的中间信息获得网络的输出:

54、

55、其中,是第j层的输出特征。

56、进一步地,步骤s7中所提到的获取工人的防护装备佩戴情况及个人行为,主要包括以下几种情况:未佩戴个人防护设备如安全头盔、安全眼镜、防护手套、安全鞋,误入危险区域进行高风险操作,禁止吸烟区域吸烟。

57、进一步地,步骤s8中所提到的前端界面实时显示化工厂的安全状况,检测结果将在前端界面实时显示,包括工人的防护装备佩戴情况及其具体位置信息。系统通过分析这些信息,进一步判断相关人员的安全状况,并在发现危险行为时,立即发出预警信号,通知相关负责人和安全管理人员。

58、有益效果:

59、1)引入小波阈值去噪和循环生成对抗网络(cyclegan)技术,显著改善了数据集的质量。这种质量的提升有助于深度学习模型更准确地进行目标检测和分析,特别是在光线不佳或视线受阻的情况下。

60、2)通过在mbconv中引入psa注意力机制和改进双向特征金字塔网络(bifpn),使得efficientdet在多尺度图像处理方面的性能得到加强。这为系统提供了更好的泛化能力,能够适应各种不同的监控环境和条件。

61、3)系统不仅可以检测当前的安全装备使用情况,还可以预防潜在的安全事故。一旦检测到不规范行为或装备未正确佩戴,系统将自动触发警报,通过前端界面快速通知相关人员,从而采取必要的安全措施。

本文地址:https://www.jishuxx.com/zhuanli/20240830/283251.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。