消防泵安全识别系统及方法技术方案

本发明专利技术涉及信息处理技术

【技术实现步骤摘要】
消防泵安全识别系统及方法


[0001]本申请涉及信息处理技术，特别涉及消防泵安全识别系统及方法
。

技术介绍

[0002]目前消防泵的安全判断主要依赖于人工巡检，采用传统的按钮状态检测方法
。
即人工巡检时需要操作员亲自观察和判断按钮状态及表盘指针位置，在观察与判断时存在操作主观性和误判的风险
。
传统的按钮状态检测方法通常采用物理接触或传感器技术来监测按钮的亮灭状态，其存在灵敏度不高
、
易受环境干扰及维护困难等问题
。

技术实现思路

[0003]本申请的目的是要解决目前现有消防泵的安全判断需要人工进行观察判断导致误判或采用物理接触及传感器技术时灵敏度不高
、
易受环境干扰及维护困难的问题，提供了一种消防泵安全识别系统及方法
。
[0004]本申请解决上述技术问题采用的技术方案中，第一方面提供了一种消防泵安全识别系统，包括图像采集单元及处理单元，所述图像采集单元与处理单元连接；
[0005]所述图像采集单元，用于采集巡检人员巡检过程的视频信息，并将所述视频信息实时发送给处理单元；
[0006]所述处理单元，预设有启停操作识别模型
、
表盘检测模型及指针分割模型，所述处理单元用于根据所述视频信息及启停操作识别模型预测被巡检消防泵的按钮状态是否正常，并根据所述视频信息
、
表盘检测模型及指针分割模型预测被巡检消防泵的表盘是否正常
。
[0007]具体的，为说明如何根据所述视频信息及启停操作识别模型预测被巡检消防泵的按钮状态是否正常，则所述根据所述视频信息及启停操作识别模型预测被巡检消防泵的按钮状态是否正常，包括：
[0008]对视频信息进行识别，划分为多个视频帧，提取其中包含巡检按钮检测时的检测帧，将各检测帧按照视频顺序分别输入至启停操作识别模型中进行预测，得到有顺序的预测结果，作为预测序列，并将预测序列与预设序列进行对比，对比通过则预测为操作正常，否则预测为操作异常
。
[0009]进一步的，为说明预设的启停操作识别模型是如何获取的，则所述启停操作识别模型的获取方法为：
[0010]基于
ShuffleNet V2
的图像分类算法，建立第一预训练模型；
[0011]获取消防泵按钮状态指示灯的各状态类别下的第一原始图像数据，所述第一原始图像数据包括不同摄像头和
/
或不同角度采集的不同季节和
/
或不同时间段的消防泵按钮状态指示灯在该状态类别下的图像数据，所述状态类别包括仅红按钮对应的指示灯亮
、
仅绿按钮对应的指示灯亮
、
红绿按钮对应的指示灯都亮及都不亮；
[0012]对各所述第一原始图像数据进行数据增强产生新的第一样本数据；
[0013]将新的第一样本数据与各第一原始图像数据一起作为训练样本，按照一定比例划分为训练集与验证集对第一预训练模型进行训练，并设置相应的第一训练损失函数；
[0014]训练完成后得到启停操作识别模型
。
[0015]具体的，为提供一种相应的第一训练损失函数，则所述第一训练损失函数的表达式为：
[0016]loss1
＝
‑
1/N*∑(i,j)((1
‑
ε
)*y
ij
*log(yhat
ij
)+
ε
*(1/m))
[0017]其中，
N
表示训练样本总数量，
i
是指第
i
个训练样本，
j
是指第
j
类状态类别，
y
ij
为真实标签，
yhat
ij
为预测值，
ε
为标签平滑系数，
m
表示状态类别总数量
。
[0018]这里，
ε
一般取值为
0.1
～
0.2。
[0019]再进一步的，为说明如何根据所述视频信息
、
表盘检测模型及指针分割模型预测被巡检消防泵的表盘是否正常，则所述根据所述视频信息
、
表盘检测模型及指针分割模型预测被巡检消防泵的表盘是否正常，包括：
[0020]采用表盘检测模型对视频信息进行识别，得到多帧包含被巡检消防泵的表盘的图片，提取其中至少一副图片，对所提取的图片进行裁剪，得到表盘图像，将所述表盘图像输入指针分割模型，得到当前指针角度，根据当前指针角度判定表盘是否正常
。
[0021]具体的，为说明预设的表盘检测模型是如何获取的，则所述表盘检测模型的获取方法为：
[0022]基于
YOLOv5lite
‑
s
的目标检测算法，建立第二预训练模型；
[0023]获取消防泵表盘的第二原始图像数据，所述第二原始图像数据包括不同摄像头和
/
或不同角度采集的不同季节和
/
或不同时间段的消防泵表盘的图像数据；
[0024]对所述第二原始图像数据进行数据增强产生新的第二样本数据；
[0025]对新的第二样本数据与第二原始图像数据中的各样本进行标注，以标注消防泵表盘精准位置；
[0026]将标注完成后的各样本作为训练样本，按照一定比例划分为训练集与验证集对第二预训练模型进行训练，并设置相应的第二训练损失函数；
[0027]训练完成后得到表盘检测模型
。
[0028]再进一步的，为提供一种相应的第二训练损失函数，则所述第二训练损失函数的表达式为：
[0029]loss2
＝
λ
locallizaion
L
locallizaion
+
λ
class
L
class
+
λ
confidence
L
confidence
[0030]其中，
λ
locallizaion
表示位置误差损失的权重，
λ
class
表示分类误差损失的权重，
λ
confidence
表示置信度误差损失的权重；一般取值为
0.05、0.5
及
1.0
；
[0031]L
locallizaion
是指位置误差，其公式为：
[0032][0033]其中，
IoU
是指两个边界框相交部分与并集部分的比值，即交并比，
c
是指检测框与真实框中心点之间的欧式距离，
ρ
是检测框与真实框宽高比之间的差异，
b
表示检测框位置，
b
g本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
消防泵安全识别系统，其特征在于，包括图像采集单元及处理单元，所述图像采集单元与处理单元连接；所述图像采集单元，用于采集巡检人员巡检过程的视频信息，并将所述视频信息实时发送给处理单元；所述处理单元，预设有启停操作识别模型
、
表盘检测模型及指针分割模型，所述处理单元用于根据所述视频信息及启停操作识别模型预测被巡检消防泵的按钮状态是否正常，并根据所述视频信息
、
表盘检测模型及指针分割模型预测被巡检消防泵的表盘是否正常
。2.
如权利要求1所述的消防泵安全识别系统，其特征在于，所述根据所述视频信息及启停操作识别模型预测被巡检消防泵的按钮状态是否正常，包括：对视频信息进行识别，划分为多个视频帧，提取其中包含巡检按钮检测时的检测帧，将各检测帧按照视频顺序分别输入至启停操作识别模型中进行预测，得到有顺序的预测结果，作为预测序列，并将预测序列与预设序列进行对比，对比通过则预测为操作正常，否则预测为操作异常
。3.
如权利要求1所述的消防泵安全识别系统，其特征在于，所述启停操作识别模型的获取方法为：基于
ShuffleNet V2
的图像分类算法，建立第一预训练模型；获取消防泵按钮状态指示灯的各状态类别下的第一原始图像数据，所述第一原始图像数据包括不同摄像头和
/
或不同角度采集的不同季节和
/
或不同时间段的消防泵按钮状态指示灯在该状态类别下的图像数据，所述状态类别包括仅红按钮对应的指示灯亮
、
仅绿按钮对应的指示灯亮
、
红绿按钮对应的指示灯都亮及都不亮；对各所述第一原始图像数据进行数据增强产生新的第一样本数据；将新的第一样本数据与各第一原始图像数据一起作为训练样本，按照一定比例划分为训练集与验证集对第一预训练模型进行训练，并设置相应的第一训练损失函数；训练完成后得到启停操作识别模型
。4.
如权利要求3所述的消防泵安全识别系统，其特征在于，所述第一训练损失函数的表达式为：
loss1
＝
‑
1/N*∑(i,j)((1
‑
ε
)*y
ij
*log(yhat
ij
)+
ε
*(1/m))
其中，
N
表示训练样本总数量，
i
是指第
i
个训练样本，
j
是指第
j
类状态类别，
y
ij
为真实标签，
yhat
ij
为预测值，
ε
为标签平滑系数，
m
表示状态类别总数量
。5.
如权利要求1所述的消防泵安全识别系统，其特征在于，所述根据所述视频信息
、
表盘检测模型及指针分割模型预测被巡检消防泵的表盘是否正常，包括：采用表盘检测模型对视频信息进行识别，得到多帧包含被巡检消防泵的表盘的图片，提取其中至少一副图片，对所提取的图片进行裁剪，得到表盘图像，将所述表盘图像输入指针分割模型，得到当前指针角度，根据当前指针角度判定表盘是否正常
。6.
如权利要求1所述的消防泵安全识别系统，其特征在于，所述表盘检测模型的获取方法为：基于
YOLOv5lite
‑
s
的目标检测算法，建立第二预训练模型；获取消防泵表盘的第二原始图像数据，所述第二原始图像数据包括不同摄像头和
/
或不同角度采集的不同季节和
/
或不同时间段的消防泵表盘的图像数据；
对所述第二原始图像数据进行数据增强产生新的第二样本数据；对新的第二样本数据与第二原始图像数据中的各样本进行标注，以标注消防泵表盘精准位置；将标注完成后的各样本作为训练样本，按照一定比例划分为训练集与验证集对第二预训练模型进行训练，并设置相应的第二训练损失函数；训练完成后得到表盘检测模型
。7.
如...

【专利技术属性】
技术研发人员：陈友明，陈思竹，唐汇权，
申请(专利权)人：四川弘和数智集团有限公司，
类型：发明
国别省市：