一种基于深度学习的轻量级有毒有害气体分布的检测方法技术

一种基于深度学习的轻量级有毒有害气体分布的检测方法，通过对待测现场的地貌环境参数和有毒有害气体参数进行采集、关键特征构建、数据进行预处理、离线训练、模型量化训练、归一化指数回归及预测出污染现场地貌和有毒有害气体立体分布结果，从而确定危险等级，预测的结果发送至云服务器平台，将污染现场有毒有害气体立体分布情况和危险等级结果进行反馈；是一种综合智能传感、物联网、深度学习技术的检测方法；为应急救援的指挥决策提供完整环境信息，保障救援人员安全；能够实时监测有毒有害气体异常情况，能够第一时间对现场进行准确完善的危险态势评估，保障救援作业安全高效进行。

【技术实现步骤摘要】
一种基于深度学习的轻量级有毒有害气体分布的检测方法
：本专利技术属于高危污染场地修复治理和突发事件紧急救援
，尤其涉及一种基于深度学习的轻量级有毒有害气体分布检测方法。
技术介绍
：突发公共安全事件极易造成高危污染环境，在现场应急救援和污染场地修复作业中均存在大量有害物质或有毒气体，如氨、氯及硫化氢、二氧化硫、二氧化氮等。如果未及时采取有效的救援措施应对突发事件，有毒有害气体在外部风力和内部浓度梯度的作用下，会沿地表面迅速扩散形成燃烧爆炸或有毒高危区域，严重威胁公共安全，造成重大损失。因此，当突发事件造成有毒有害气体泄漏时，必须尽快分析现场危险态势采取相应措施，才能最大程度降低突发公共安全事件造成的损失。突发事件救援现场具有未知性、动态性和高危性，救援人员直接进入现场作业可能危及生命安全。准确预知污染气体分布状况，对于指挥部科学决策、实时保障作业人员安全、防止事态扩大化和复杂化具有重要意义。应急检测车辆虽然检测设备齐全，但是车辆体积大且需要人工驾驶和检测，无法直接进入复杂危险地形检测有毒有害气体分布状况。现有的无人本文档来自技高网...

【技术保护点】
1.一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于它包括以下步骤：/n(1)在无人移动平台上装载多组分有毒有害气体检测传感器，对待测现场的地貌环境参数和有毒有害气体参数进行采集；/n(2)利用残差网络提取对步骤(1)中采集的原始参数的关键特征构建特征集feature(x)；/n(3)对特征集feature(x)中的数据进行预处理；/n(4)对有毒有害气体的立体分布检测网络进行离线训练；/n(5)模型进行量化训练，压缩模型参数量使其能够部署在移动端或嵌入式系统中；/n(6)有毒有害气体立体分布在线检测，通过归一化指数回归预测出污染现场地貌和有毒有害气体立体分布结果；/n(7)根据...

【技术特征摘要】
1.一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于它包括以下步骤：
(1)在无人移动平台上装载多组分有毒有害气体检测传感器，对待测现场的地貌环境参数和有毒有害气体参数进行采集；
(2)利用残差网络提取对步骤(1)中采集的原始参数的关键特征构建特征集feature(x)；
(3)对特征集feature(x)中的数据进行预处理；
(4)对有毒有害气体的立体分布检测网络进行离线训练；
(5)模型进行量化训练，压缩模型参数量使其能够部署在移动端或嵌入式系统中；
(6)有毒有害气体立体分布在线检测，通过归一化指数回归预测出污染现场地貌和有毒有害气体立体分布结果；
(7)根据步骤(6)中在线检测的有毒有害气体立体分布结果，通过得到的有毒有害气体立体分布结果，确定危险等级；其中，危险等级包括低风险、中风险、高风险、不确定四个危险等级；当处于低风险等级时，不需要防护可以进入现场；当处于中风险等级时，需要佩戴防护用具进入现场；当处于高风险等级和不确定等级时，不适合人员进入现场；
(8)将步骤(6)步骤(7)中预测的结果发送至云服务器平台，云服务器平台作为服务器开放IP地址和端口号，接收包括现场地貌重建、危险等级和有毒有害气体立体分布的在线检测结果；
(9)利用手机APP和显示终端设备，将污染现场有毒有害气体立体分布情况和危险等级结果，实时向现场作业人员展示。


2.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(1)中的多组分有毒气体检测传感器是由气体测量传感器组、位置传感器、图像传感器、微处理器单元、数据通讯模块、电池管理模块、电池构成。


3.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(2)中的关键特征包括地貌特征、气象特征、有毒有害气体特征；则构建特征集feature(x)是指对地貌特征、气象特征、有毒有害气体特征的数据集的定义，具体包括：
(2.1)地貌特征：对两幅连续拍摄图像间重叠区域进行地貌重建，用xij表示二维重叠区域特征点横坐标，用yij表示二维重叠区域特征点纵坐标，矩阵D代表特征点对应三维空间高度，则重叠区域特征集定义如下：
featureI＝{xij,yij,Dij}；
(2.2)气象特征：将气象特征以0-1向量形式进行表征，1表示为当前天气，0表示为非当前天气，分别为晴、雨、雪和风依次标记为：
featureW＝{WF,WR,WS,WW}；
(2.3)有毒有害气体特征：将有毒有害气体特征以向量形式进行表征，将气体种类、气体相对密度、是否溶于水依次标记为：
featureG＝{GC,GD,GW}
其中，GC的区域范围为0～n-1，n为检测气体的数量；GD取值为0或1，0代表有毒有害气体相对密度小于空气，反之为1；GW取值为0或1，0代表有毒有害气体不溶于水，反之为1；
(2.4)将影响有毒有害气体分布检测因素的特征集定义为：
feature(x)＝featureI∪featureW∪featureG
(2.5)将获取的标签数据定义为label(x)，采用min-max归一化方法对特征集feature(x)和标签数据label(x)进行如下的归一化处理：



其中，f代表特征点取值，fmin为该特征点最小取值，fmax为该特征点最大取值，fN为归一化处理后的特征点取值；
(2.6)将归一化处理后的特征集feature(x)和标签数据label(x)分别表示为feature(x)N和label(x)N，作为训练样本的输入数据；
(2.7)将训练样本的特征集记为train_x，标签集记为train_y，训练样本中特征集与标签集逐行一一对应，即：








4.根据权利要求1所述一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于所述步骤(3)中数据预处理具体是指：
(3.1)按照残差网络结构，利用残差结构进行训练...

【专利技术属性】
技术研发人员：朱均超，李志伟，张宝峰，刘欣宜，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：天津;12