一种化工厂危险区域入侵预警方法及系统技术方案

本发明专利技术公开了一种化工厂危险区域入侵预警方法及系统。由视频采集，目标跟踪，轨迹预测和入侵预警四部分组成。视频采集模块使用多个摄像头实时监控化工厂区内存在安全隐患的生产区域，将视频图像传输到目标跟踪模块；对采集到的视频图像进行降噪和图像变换，使用SSD模型识别并跟踪视频中的工人；轨迹预测模块则将工人与其对应的历史路径结合起来，使用改进的TCN模型对每个工人未来时刻的行走路线进行预测，结合改进AEO算法对TCN模型进行同步优化，根据工人的未来路线检测出进入危险区域的趋势；入侵预警模块根据进入危险区域的趋势进行预警。本发明专利技术通过改进AEO算法优化改进TCN模型，提高了危险区域入侵检测的效率，提升了化工厂的生产安全。工厂的生产安全。工厂的生产安全。

【技术实现步骤摘要】
一种化工厂危险区域入侵预警方法及系统


[0001]本专利技术属于信息工程
，涉及一种化工厂危险区域入侵预警方法及系统。

技术介绍

[0002]化工厂环境复杂，工作人员众多，管理不便，某些区域存在安全隐患，因此也导致生产安全事故频发。如何能够减少甚至避免化工厂安全事故的发生，对于化工厂来说是一个至关重要的问题。
[0003]化工厂中存在以下安全隐患：生产(施工)场地作业环境不良，技术和设计上存在缺陷，没有事故防范和应急措施或者不健全。根据《生产过程危险和有害因素分类与代码》的规定，将生产过程中的危险因素分类，例如设备缺陷、电磁辐射、明火、高温气体、粉尘、高处存在重物的区域等，存在这些隐患的区域都称为危险区域。传统的针对危险区域入侵检测的方法大都采用大量传感器和红外报警器，而这种检测和预警方式的灵敏度较低，且高精度的传感器成本昂贵。
[0004]近年来，计算机视觉已广泛应用于目标识别和自动检测中，而SSD作为一个广泛使用的单步深度学习计算网络，已被大量用于目标检测中。目前的预测模型未充分考虑工人活动的规律性和随机性，对其运动模式的预设限制了区域入侵检测系统的适应能力，而且现有的入侵预警技术参数设置不够准确，预警技术有待提升。

技术实现思路

[0005]专利技术目的：为了解决
技术介绍
中指出的不足，本专利技术公开一种化工厂危险区域入侵预警方法及系统，使用SSD模型构建工人检测和跟踪模型，使用TCN模型构建轨迹预测模型，并加入多头Cross Attention机制和LSH方法以提高TCN的预测能力；利用改进的AEO算法优化CrossHSTCN工人轨迹预测模型，提高了模型参数的寻优速度，有效提升了化工厂危险区域入侵预警的准确性。
[0006]技术方案：本专利技术提供一种化工厂危险区域入侵预警方法，包括以下步骤：
[0007]步骤1：预训练SSD网络模型，标注图像数据，重点关注工人目标；
[0008]步骤2：在化工厂内不同位置安装网络摄像头，监控危险区域附近区域，获取工人目标检测数据，将视频传输至本地；
[0009]步骤3：将危险区域在视频中标注出，划定出电子围栏区域，设置为危险区域，在危险区域外指定半径辐射范围内再次划定电子围栏，将此范围的区域设置为激活区域；
[0010]步骤4：使用工人检测模型Worker
‑
SSD模型跟踪视频帧中的每个工人；
[0011]步骤5：针对跟踪到的工人，记录历史行走轨迹，使用改进后的TCN模型CrossHSTCN预测工人未来行走轨迹，所述CrossHSTCN模型包括：采用原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度；
[0012]步骤6：使用改进的人工生态系统优化算法AEO优化CrossHSTCN模型的核心参数，
所述改进的人工生态系统优化算法包括：混沌Logistic映射用于种群初始化，在消费操作中使用加权策略替换概率选择策略，添加差分进化算法中的选择变异更新全局个体位置；
[0013]步骤7：根据步骤5中预测的未来行走轨迹，判断工人走向是否将进入危险区域，且检测工人是否处于激活区域，若满足条件则进行预警。
[0014]进一步地，所述步骤3中激活区域具体如下：
[0015]步骤2.1：以危险区域中心为圆心，规定的安全标准距离为半径，在危险区域附近划定一个圆形范围，圆形边缘和危险区域边缘中的区域称为激活区域；
[0016]步骤2.2：在激活区域和危险区域中，按照距离划分为三个区域，从激活区域边界到危险区域边界之间的一半距离为三级危险区，即轻度危险，从危险区域边界到三级危险区边界之间为二级危险区，即中度危险，危险区域内则为一级危险区，即极度危险。
[0017]进一步地，所述步骤5中原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度的具体步骤如下：
[0018]步骤3.1：Cross Attention是将两个相同维度的输入序列不对称地组合在一起，其中一个序列作为查询Query的输入，另一个则用于键值对(K,V)的输入；首先将输入序列转换成两个嵌入序列，根据序列1计算键K和值V，根据序列2计算查询Q，再通过键K和查询Q计算注意力矩阵，将值V应用在注意力矩阵上，最终输出与序列2长度一致的序列，上述过程可描述为：
[0019]Cross
‑
Attention(Q,K,V)＝softmax((W
Q
S2)(W
K
S1)
T
)W
V
S1ꢀꢀꢀ
(1)
[0020]其中，S1和S2分别为嵌入序列1和嵌入序列2，W为注意力矩阵，softmax代表softmax激活函数；
[0021]步骤3.2：将局部敏感哈希LSH用于Cross Attention中，运用大量数据近似查找，即比较数据点之间的距离或者相似度；给定一族哈希函数H，H是一个从欧式空间S到哈希编码空间U的映射；如果满足下述两个条件，则此哈希函数满足(r1,r2,p1,p2)性：
[0022][0023]其中，B表示以q为中心，r1或r2为半径的空间，h是一个从H族中随机选择的哈希函数；长度为L的序列在计算和内存复杂度上都为O(L2)，而使用LSH的近似注意力计算可以将复杂度降低为O(LlogL)。
[0024]进一步地，所述步骤6中的改进人工生态系统优化算法的具体步骤为：
[0025]步骤4.1：设置人工生态系统优化算法AEO算法的目标函数为行走轨迹测试序列真实值与预测值的误差并初始化相关参数，包括种群大小、迭代次数和待优化个体维度；
[0026]步骤4.2：使用混沌Logistic映射替换随机初始化，初始化AEO算法的种群初始位置，Logistic映射公式如下：
[0027]p
(n+1),d
＝μp
n,d
(1
‑
p
n,d
)
ꢀꢀꢀ
(3)
[0028]其中，n∈[1,N
max
]，d∈[1,D]，μ是混沌状态的控制参数，当Logistic公式完全进入混沌状态时，μ取4，而当p∈[0,1]时，Logistic映射处于混沌状态；
[0029]步骤4.3：根据目标函数计算个体的适应度值，并记录最优适应度值对应的最佳个体Pop
best
；
[0030]步骤4.4：执行AEO的生产操作和消费操作，在AEO中的消费过程中，将随机选择食
肉、食草、杂食动物的策略改为加权策略，三种消费方式如下述公式所示：
[0031][0032][0033][0034]其中，p1，p2和p3分别表示食草动物，食肉动物和杂食动物；
[0035]各自的权重可由本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种化工厂危险区域入侵预警方法，其特征在于，包括以下步骤：步骤1：预训练SSD网络模型，标注图像数据，重点关注工人目标；步骤2：在化工厂内不同位置安装网络摄像头，监控危险区域附近区域，获取工人目标检测数据，将视频传输至本地；步骤3：将危险区域在视频中标注出，划定出电子围栏区域，设置为危险区域，在危险区域外指定半径辐射范围内再次划定电子围栏，将此范围的区域设置为激活区域；步骤4：使用工人检测模型Worker
‑
SSD模型跟踪视频帧中的每个工人；步骤5：针对跟踪到的工人，记录历史行走轨迹，使用改进后的TCN模型CrossHSTCN预测工人未来行走轨迹，所述CrossHSTCN模型包括：采用原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度；步骤6：使用改进的人工生态系统优化算法AEO优化CrossHSTCN模型的核心参数，所述改进的人工生态系统优化算法包括：混沌Logistic映射用于种群初始化，在消费操作中使用加权策略替换概率选择策略，添加差分进化算法中的选择变异更新全局个体位置；步骤7：根据步骤5中预测的未来行走轨迹，判断工人走向是否将进入危险区域，且检测工人是否处于激活区域，若满足条件则进行预警。2.根据权利要求1所述的一种化工厂危险区域入侵预警方法，其特征在于，所述步骤3中激活区域具体如下：步骤2.1：以危险区域中心为圆心，规定的安全标准距离为半径，在危险区域附近划定一个圆形范围，圆形边缘和危险区域边缘中的区域称为激活区域；步骤2.2：在激活区域和危险区域中，按照距离划分为三个区域，从激活区域边界到危险区域边界之间的一半距离为三级危险区，即轻度危险，从危险区域边界到三级危险区边界之间为二级危险区，即中度危险，危险区域内则为一级危险区，即极度危险。3.根据权利要求1所述的一种化工厂危险区域入侵预警方法，其特征在于，所述步骤5中原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度的具体步骤如下：步骤3.1：Cross Attention是将两个相同维度的输入序列不对称地组合在一起，其中一个序列作为查询Query的输入，另一个则用于键值对(K,V)的输入；首先将输入序列转换成两个嵌入序列，根据序列1计算键K和值V，根据序列2计算查询Q，再通过键K和查询Q计算注意力矩阵，将值V应用在注意力矩阵上，最终输出与序列2长度一致的序列，上述过程可描述为：Cross
‑
Attention(Q,K,V)＝softmax((W
Q
S2)(W
K
S1)
T
)W
V
S1ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，S1和S2分别为嵌入序列1和嵌入序列2，W为注意力矩阵，softmax代表softmax激活函数；步骤3.2：将局部敏感哈希LSH用于Cross Attention中，运用大量数据近似查找，即比较数据点之间的距离或者相似度；给定一族哈希函数H，H是一个从欧式空间S到哈希编码空间U的映射；如果满足下述两个条件，则此哈希函数满足(r1,r2,p1,p2)性：
其中，B表示以q为中心，r1或r2为半径的空间，h是一个从H族中随...

【专利技术属性】
技术研发人员：王宇涵，张楚，乔秀杰，伏咏妍，彭甜，纪捷，陶孜菡，张越，应根旺，马慧心，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：