本发明专利技术公开了一种基于深度学习和物联网技术的化工安防监控方法及系统，所述方法步骤如下：构建火灾数据集；构建MGL‑Yolov5网络模型，采用MobileNetV3网络结构代替Backbone主干网络以减少计算量，在Neck层中将Conv卷积替换为GSConv卷积，将C3结构替换为VoVGS结构；针对火焰的产生伴随烟雾遮挡的特点，将IOU和NMS改进为SIOU和Soft‑NMS；物联网设备用于实时图像传输、应急电路控制和接收警报信息；所述系统包括标注模块、预处理模块、模型构建模块、训练和部署模块和检测和警报模块。实验结果显示，本发明专利技术在保证精度的同时，模型的体积和参数量减少了55.6％和59.7％，以便于部署时使用更少的资源获得最优的效果，从而帮助化工企业提升化工厂火灾监测的效率和准确性，缩短应急响应的时间，减少损失。
【技术实现步骤摘要】
本专利技术涉及计算机软件，特别是一种基于深度学习和物联网技术的化工安防监控方法及系统。
技术介绍
1、化学工业是市场经济的核心部分，对于推动国家经济增长有着举足轻重的作用。然而，鉴于化工生产过程的多样性、复杂的工艺流程以及不断变化的环境条件，再加之原料本身的易燃易爆特性，化工企业面临着极高的火灾安全风险。特别是在生产操作中，化学物质的泄漏可能导致在静电或明火等条件下迅速发生火灾，且火势往往在短时间内迅速蔓延，给企业带来难以估量的损失。
2、化工厂的火灾探测器容易误报警情，例如因为一些非火灾产生的烟雾颗粒也可能会被传感器误判为火灾预警信号，这会一定程度上增加物质和人力成本。且传统视觉火灾检测技术主要依赖于火焰颜色特征的算法。这些算法通过设定特定的阈值来识别火焰，主要使用的颜色模型包括rgb、his、yuv和lab等。这种火焰检测算法只能提取到火焰的浅层特征，很难适用于复杂的火灾场景检测。因此快速、高效、准确的火焰检测仍是一个亟待研究的课题。
3、随着卷积神经网络在计算机视觉领域的快速发展，它已成为图像识别领域的核心技术之一。目前，基于深度学习的端到端目标检测方法主要分为两类：基于候选区域的二阶段目标检测器和基于回归的单阶段目标检测器。两阶段检测器在检测小物体方面表现更好，通过稀疏检测的原理可以获得更高的平均精度(map)，但这些检测器都是以速度为代价的。单阶段检测器具有较快的处理速度，但相对精度有限。使用基于锚框的方法通过密集的锚框来进行目标分类和位置回归，提高了网络的召回率，但存在冗余框的问题。
<
p>4、而且现阶段基于cnn的目标检测模型虽然足够精确，但所需的浮点运算(flops)和参数数量正在急剧增加，需要高性能gpu实时运行，增加了计算资源的消耗和计算成本。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种基于深度学习和物联网技术的化工安防监控方法及系统，从而帮助化工企业提升化工厂火灾监测的效率和准确性，缩短应急响应的时间，减少损失。
2、技术方案：本专利技术所述的一种基于深度学习和物联网技术的化工安防监控方法，包括以下步骤：
3、步骤1、使用labelimg对预先收集的火灾数据集中的火焰进行标注；
4、步骤2、使用imgaug库进行数据集扩充，并按照比例划分为训练集、测试集和验证集，然后通过mosaic增强对数据集中的原始火焰图片进行预处理，将多张待训练数据集图片随机进行裁剪、缩放和旋转操作后进行拼接；
5、步骤3、构建mgl-yolov5火灾检测网络：采用mobilenetv3网络结构代替backbone主干网络来进行特征提取，在特征融合的neck层使用gsconv卷积，并将耗时的c3层替换为vovgs结构；
6、步骤3.1、定义了block结构、gsconv卷积结构、gsbottleneck结构和vovgs结构；
7、步骤3.2、在block结构中定义了depthwise convolution深度可分离卷积模块和pointwise convolution点卷积模块，block类实现了一种逆残差结构，先使用1×1点卷积扩充通道数，然后经过3×3深度可分离模块进行深度卷积，最后再通过1×1点卷积缩减通道数，在此过程中使用se模块和h-swish激活函数，最后使用residual connection残差连接将特征图首尾相加；
8、步骤3.3、在gsconv模块中，先对输入图像进行一个标准卷积的下采样，然后进行3×3深度卷积，并将两次卷积结果拼接后进行排序形成输出，gsbottleneck结构由两个gsconv模块组成，将输入特征图像与两次gsconv卷积后的特征进行concat融合，vovgs结构由两个标准卷积和一个gsbottleneck结构组成，将经一个标准卷积和经一个标准卷积和gsbottleneck结构后的特征结果进行concat融合；
9、步骤3.4、将backbone层原有结构替换为block结构，将neck层的conv模块替换成gsconv模块，将耗时的c3结构替换成vovgs结构。
10、步骤4、针对火焰的产生经常伴随烟雾遮挡的特点，将mgl-yolov5模型中的iou损失函数改进为siou损失函数、nms改进为soft-nms；
11、步骤4.1、将iou损失函数替换为siou损失函数，其计算公式如下：
12、
13、其中iou为真实框和预测框的交并比，δ为距离损失，ω为形状损失；
14、步骤4.2、将nms修改为soft-nms，其计算公式如下：
15、
16、其中si是检测到的第i个边界框的得分，iou(m,bi)是得分最高的边界框m和第i个边界框bi的交并比，σ是控制高斯惩罚函数衰减规模的参数。
17、步骤5、将步骤4改进后的mgl-yolov5模型进行训练，得到最优火灾检测权重模型，并部署到云端服务器上进行实时检测；
18、步骤6、基于最优火灾检测权重模型，设计一套物联网装置来进行火灾初步检测以及发生火灾应对方案：使用stm32作为主控芯片，将火焰传感器、烟雾传感器、摄像头模组和继电器模组的状态信息通过esp8266芯片上传到云服务器，同时将摄像头获得的视频图像交付给最优火灾检测权重模型进行火灾检测分析；若确认检测到火灾的发生，则迅速切断设备电源并向管理人员发出警报信息，以减少损失。
19、一种基于深度学习和物联网技术的化工安防监控系统，该系统采用上述的一种基于深度学习和物联网技术的化工安防监控方法，包括以下模块：
20、标注模块：用于对预先收集的火灾数据集中的火焰进行标注；
21、预处理模块：用于对数据集中的原始火焰图片进行预处理，并划分为训练集、测试集和验证集；
22、模型构建模块：用于构建mgl-yolov5火灾检测网络，采用mobilenetv3网络结构代替backbone主干网络，采用gsconv模块和vovgs结构替换neck层的conv模块和耗时的c3结构，采用siou损失函数和soft-nms替换mgl-yolov5中的iou损失函数和nms；
23、训练和部署模块：对mgl-yolov5火灾检测网络进行训练，得到最优火灾检测权重模型，并部署到云服务器上进行实时检测；
24、检测与警报模块：用于传输实时图像和进行火灾检测，通过传感器初步检测与最优火灾检测权重模型精确检测来判断是否触发火灾警报和应急措施并向管理人员发送警报信息。
25、一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于深度学习和物联网技术的化工安防监控方法。
26、一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于深度学习和物联网技术的化工安防监控方法。
本文档来自技高网...
【技术保护点】
1.一种基于深度学习和物联网技术的化工安防监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习和物联网技术的化工安防监控方法，其特征在于，所述步骤3具体为：
3.根据权利要求1所述的一种基于深度学习和物联网技术的化工安防监控方法，其特征在于，所述步骤4具体为：
4.一种基于深度学习和物联网技术的化工安防监控系统，该系统采用如权利要求1-3中任一项所述的一种基于深度学习和物联网技术的化工安防监控方法，其特征在于，包括以下模块：
5.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-3中任一项所述的一种基于深度学习和物联网技术的化工安防监控方法。
6.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述的一种基于深度学习和物联网技术的化工安防监控方法。
【技术特征摘要】
1.一种基于深度学习和物联网技术的化工安防监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习和物联网技术的化工安防监控方法，其特征在于，所述步骤3具体为：
3.根据权利要求1所述的一种基于深度学习和物联网技术的化工安防监控方法，其特征在于，所述步骤4具体为：
4.一种基于深度学习和物联网技术的化工安防监控系统，该系统采用如权利要求1-3中任一项所述的一种基于深度学习和物联网技术的化...
【专利技术属性】
技术研发人员：赵文东，马岩，李应豪，王昊，张彬，于振洋，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。