一种基于云-边智能的井下危险源检测方法技术

本发明专利技术公开了一种基于云

【技术实现步骤摘要】
一种基于云
‑
边智能的井下危险源检测方法


[0001]本专利技术涉及矿井安全监控
，特别是涉及一种基于云
‑
边智能的井下危险源检测方法。

技术介绍

[0002]矿井火灾是煤矿安全领域的重点防治的灾害之一，近年来关于矿下失火事件居高不下，这不仅带来了财产损失，还威胁到了工人的生命安全，煤矿安全事故分为瓦斯、顶板、运输等8大类别，从2007
‑
2017年的事故统计分析，发现火灾/瓦斯事故每起平均死亡人数高达21/5人。
[0003]因此采取有效的监控措施，预防火灾的发生极为重要，现阶段，煤矿井下监测外因起火的方法主要采用气体、温度、烟雾等传感器，通过将大量传感器部署在矿道的上方来监视设备运行情况。然而这种方法存在许多不足之处，首先，部署大量的传感器不仅耗时、耗力、耗资金，而且后期还需要不断地定期检查维护，当部署的传感器较少时，远离传感器较远的火源则不能被及时的检测到，这也是目前使用传感监测矿下火灾发生面临的最主要问题。
[0004]人工智能(AI)的发展为安全监控系统的设计带来了新思路，基于AI的安全监控系统主要有两种部署方法：基于云的架构和基于边缘的架构，基于云的方法是通过互联网将大量采集到数据传输到云中，在云中进行一系列数据处理，如果受到攻击，将导致隐私泄露，另外，随着终端设备收集的数据量不断增加，基于云的方法给网络带来了巨大的数据传输压力，无法满足安全监控系统的实时要求；基于边缘架构的安全监测系统通过使用边缘计算，可以在边缘设备上处理数据而无需将其上传到云中，从而可以有效抵御网络攻击并防止数据隐私泄漏，且能够响应系统实时性的需求，但是，边缘设备的计算资源有限，在处理计算密集型监视任务(例如视频处理和图像识别)时，它通常会遇到性能瓶颈。

技术实现思路

[0005]针对上述现有技术存在的问题，本专利技术提供一种基于云
‑
边智能的井下危险源检测方法。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于云
‑
边智能的井下危险源检测方法，包括以下步骤：
[0008]步骤1、云边参数优化
[0009]选用SSD网络模型作为检测模型，并将提取目标初步特征的VGG
‑
16网络换成MobileNet网络，SSD网络模型与MobilNet网络组成的MobilNet
‑
SSD目标检测模型，减少模型提取深度特征部分的网络深度，将数据集图片进行翻转、裁剪，去除多余物体，局部放大目标；
[0010]步骤2、建立煤矿的云
‑
边检测体系
[0011]将摄像头及多传感器部署在边缘设备上，在边缘侧实现实时检测，多传感器包括
温度传感器、烟雾传感器和CO传感器；
[0012]步骤3、边缘侧多传感器融合的危险源感知：
[0013]对步骤2中摄像头及多传感器检测到的信息进行动态加权融合处理，判断是否有火焰产生；
[0014]步骤4、多网络融合网络
[0015]将步骤2、步骤3多设备检测的信息多网络融合无线传输到上位机。
[0016]进一步的，所述步骤2具体按照以下步骤实施：
[0017]S21、将步骤1中的MobileNet
‑
SSD目标检测模型进行训练，并将训练好的模型移植在边缘摄像头上；
[0018]S22、视频处理模块调用摄像头获取视频帧，然后将获取的图片传递给图像分析和检测模块；
[0019]S23、将S22中获取的图片传输到Cambricon 1H8边缘智能设备的动态随机存取存储器中，程序调用嵌入在Cambricon 1H8边缘智能设备中的神经网络模型来处理图片并识别图片中的烟火，然后将烟火的位置传递到OSD检测目标叠加模块；
[0020]S24、程序每0.5秒识别一次图像，仅当在三个连续的图片上识别出烟火时，才认为当前有火焰或者烟雾产生；
[0021]S25、温度传感器、烟雾传感器和CO传感器辅助摄像头检测，实时检测异常情况。
[0022]进一步的，所述步骤3具体按照以下步骤实施：
[0023]S31、定义动态加权判决算法，如下所示：
[0024]F＝[a1，a2，a3，a4][b1，b2，b3，b4]T
[0025]其中a1、a2、a3、a4分别为摄像头、温度传感器、烟雾传感器、CO传感器检测到的结果，a1、a2、a3、a4的取值为1或0，其中当a1＝0时表示摄像头未检测到火焰，当a1＝1时表示摄像头检测到火焰；当a2＝0时表示井下温度在正常工作范围内，当a2＝1时表示井下温度已经超过正常情况；当a3＝0时表示井下没有烟雾或者烟雾浓度忽略不计，当a3＝1时表示井下烟雾浓度异常；当a4＝0时表示井下CO的浓度在正常的范围内，当a4＝1时表示井下CO的浓度异常；b1、b2、b3、b4为实验得出的权重参数，b1、b2、b3、b4的值加起来和为1；
[0026]S32、针对摄像头检测到有火焰时，设置参数b1、b2、b3、b4分别为0.75、0.12、0.05、0.08，设置阈值F
θ
为0.80；
[0027]S33、将步骤2中检测到的结果分别乘上权重加权求和，得到值F与阈值F
e
比较大小，当F≥F
θ
时，表示检测到危险源烟火，当F＜F
θ
时，表示未检测到危险源；
[0028]S34、针对摄像头没有检测到火焰但传感器检测到异常情况时，设置参数b2、b3、b4分别为0.4、0.2、0.4，设置阈值F
e
为0.6；
[0029]S35、将步骤2中检测到的结果分别乘上权重加权求和，得到值F与阈值F
e
比较大小，当F≥F
e
时，表示检测到危险源烟火，当F＜F
e
时，表示未检测到危险源；
[0030]S36、根据步骤S33或步骤S35得出的判决结果，判断是否发出危险警报。
[0031]进一步的，所述步骤4具体按照以下步骤实施：
[0032]S41、使用ZigBee网络，多个传感器终端节点、摄像头终端节点、巡检机器人的通信节点无线连接到ZigBee协调器；
[0033]S42、将S41中的ZigBee协调器无线连接到嵌入式智能网关，嵌入式智能网关与路
由器连接；
[0034]S43、上位机通过路由器产生的WiFi，接收到传感器、摄像头检测到的信息以及巡检机器人反馈回来的巡检。
[0035]本专利技术有益效果：
[0036](1)本专利技术一种基于云
‑
边智能的井下危险源检测方法，其检测方法是部署在边缘侧，直接在边缘侧对目标进行检测，省去了将数据上传到云的步骤，与传统的检测方法相比能够快速检测到危险源，大大减少了事故发生率。
[0037](2)本专利技术结合边缘智能技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云
‑
边智能的井下危险源检测方法，其特征在于，包括以下步骤：步骤1、云边参数优化选用SSD网络模型作为检测模型，并将提取目标初步特征的VGG
‑
16网络换成MobileNet网络，SSD网络模型与MobilNet网络组成的MobilNet
‑
SSD目标检测模型，减少模型提取深度特征部分的网络深度，将数据集图片进行翻转、裁剪，去除多余物体，局部放大目标；步骤2、煤矿的云
‑
边检测体系：将摄像头及多传感器部署在边缘设备上，在边缘侧实现实时检测，多传感器包括温度传感器、烟雾传感器和CO传感器；步骤3、边缘侧多传感器融合的危险源感知对步骤2中摄像头及多传感器检测到的信息进行动态加权融合处理，判断是否有火焰产生；步骤4、多网络融合网络将步骤2、步骤3多设备检测的信息多网络融合无线传输到上位机。2.根据权利要求1所述的一种基于云
‑
边智能的井下危险源检测方法，其特征在于，所述步骤2具体按照以下步骤实施：S21、将步骤1中MobileNet
‑
SSD目标检测模型进行训练，并将训练好的模型移植在边缘摄像头上；S22、视频处理模块调用摄像头获取视频帧，然后将获取的图片传递给图像分析和检测模块；S23、将S22中获取的图片传输到Cambricon 1H8边缘智能设备的动态随机存取存储器中，程序调用嵌入在Cambricon 1H8边缘智能设备中的神经网络模型来处理图片并识别图片中的烟火，然后将烟火的位置传递到OSD检测目标叠加模块；S24、程序每0.5秒识别一次图像，仅当在三个连续的图片上识别出烟火时，才认为当前有火焰或者烟雾产生；S25、温度传感器、烟雾传感器和CO传感器辅助摄像头检测，实时检测异常情况。3.根据权利要求1所述的一种基于云
‑
边智能的井下危险源检测方法，其特征在于，所述步骤3具体按照以下步骤实施：S31、定义动态加权判决算法，如下所示：F＝[a1,a2,a3,a4][b1,b2,b3,b4]
T
其中a1、a2、a3、a4分别为摄像头...

【专利技术属性】
技术研发人员：赵端，李涛，范春琲，马振华，刘春，周福宝，刘立锋，
申请(专利权)人：沃尔特电子苏州有限公司，
类型：发明
国别省市：