CN116271667B - 一种矿用皮带机电控防灭火*** - Google Patents
一种矿用皮带机电控防灭火*** Download PDFInfo
- Publication number
- CN116271667B CN116271667B CN202310530927.5A CN202310530927A CN116271667B CN 116271667 B CN116271667 B CN 116271667B CN 202310530927 A CN202310530927 A CN 202310530927A CN 116271667 B CN116271667 B CN 116271667B
- Authority
- CN
- China
- Prior art keywords
- feature
- temperature
- belt conveyor
- classification
- mining belt
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005065 mining Methods 0.000 title claims abstract description 149
- 230000002265 prevention Effects 0.000 title claims abstract description 70
- 238000009826 distribution Methods 0.000 claims abstract description 133
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims description 102
- 239000010410 layer Substances 0.000 claims description 63
- 238000012544 monitoring process Methods 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 11
- 238000003379 elimination reaction Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 8
- 239000002356 single layer Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 19
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000002194 synthesizing effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 30
- 238000003860 storage Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 206010000369 Accident Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C37/00—Control of fire-fighting equipment
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
- A62C3/16—Fire prevention, containment or extinguishing specially adapted for particular objects or places in electrical installations, e.g. cableways
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J2005/0029—Sheet
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Emergency Management (AREA)
- Multimedia (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Control Of Conveyors (AREA)
Abstract
本申请涉及智能控制***技术领域,其具体地公开了一种矿用皮带机电控防灭火***,其采用基于深度学习的神经网络模型,通过综合矿用皮带机表面温度分布的时序变化信息和全局范围内的温度分布时序特征信息来提高火灾预测模型的准确性,能够对可能出现的火灾隐患进行预警和控制,进而降低了矿用皮带机发生火灾的风险,提高了安全性能。
Description
技术领域
本申请涉及智能控制***技术领域,且更为具体地,涉及一种矿用皮带机电控防灭火***。
背景技术
矿用皮带机是煤矿输送煤炭的重要设备,其由驱动装置、滚筒、传动装置、张紧装置、支撑装置、保护装置等部分组成,通过驱动装置带动滚筒转动,将物料沿着皮带运输到目的地,可以实现水平输送、倾斜输送和垂直提升等多种输送方式。矿用皮带机是火灾的高危部位,在生产中需要加强对其运行状态的监控,一旦发现皮带机运行异常情况,需要及时通过控制***控制对应的报警***、防灭火***启动,防止造成重大生产事故。
例如申请号为201410396673.3的中国专利公开了一种皮带机安全监控装置,包括:采集层,其位于皮带机现场,采集层内设置多个温度传感器、多个振动传感器以及无线网络收发装置,通过控制器收集分析数据信息,并将数据信息通过无线网络传输至监控层;皮带机现场还设置视频摄像机,用于采集皮带机运行的视频图像,并将皮带状态信息通过网络传输至监控层;监控层,包括无线网络收发装置、中控室服务器,数据信息通过无线网络传输至中控室服务器,中控室服务器对数据信息进行分析处理,并显示皮带机的基本运行状态、故障预警、视频图像,同时,中控室服务器会将数据信息传输至Web服务器,可对皮带机的运行状态进行多方位、全角度的实时监控,全方位的对皮带机数据进行采集、存储、处理、统计、查询和分析,为皮带机的安全运行提供保障。
再如,申请号为201410592498.5的中国专利公开了一种皮带机远程监控***,包括:采集层,其内设置多个温度传感器、多个振动传感器以及无线网络收发装置;监控层,其内包括无线网络收发装置、中控室服务器,所述数据信息通过无线网络传输至中控室服务器,所述中控室服务器对数据信息进行分析处理,并显示皮带机的基本运行状态、故障预警、视频图像,同时,所述中控室服务器会将数据信息传输至Web服务器;应用层,其包括Web服务器以及多个用户终端,可对皮带机的运行状态进行多方位、全角度的实时监控,为皮带机的安全运行提供保障。
但是类似于上述现有的对皮带机的监控和保护技术,仅采用监控图像、视频图像监控或结合温度传感器对皮带的运行状态进行监控,对皮带机的火灾预测和判定不够准确性,控制对应的灭火***响应也不够及时,仍存在一定的风险。
因此,对于矿用皮带机来说,必须加强火灾预防和处理措施,以确保其安全运行。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种矿用皮带机电控防灭火***,其通过采用基于深度学习的神经网络模型,通过综合矿用皮带机表面温度分布的时序变化信息和全局范围内的温度分布时序特征信息来提高火灾预测模型的准确性,这样,能够对可能出现的火灾隐患进行预警和控制,进而降低了矿用皮带机发生火灾的风险,提高了安全性能。
根据本申请的一个方面,提供了一种矿用皮带机电控防灭火***,其包括:
表面温度数据采集模块,用于获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像;
内部温度数据采集模块,用于获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值;
表面温度特征提取模块,用于将多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图;
内部温度结构化模块,用于将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵;
内部温度特征提取模块,用于将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图;
特征融合模块,用于融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图;
去冗余模块,用于对分类特征图进行特征去冗余化以得到优化后分类特征图;以及
控制结果生成模块,用于将优化后分类特征图通过分类器以得到分类结果,分类结果用于表示是否启动防灭火设备。
在上述矿用皮带机电控防灭火***中,表面温度特征提取模块,用于:使用使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对池化特征图进行非线性激活以得到激活特征图;其中,使用三维卷积核的卷积神经网络的最后一层的输出为红外温度分布时序特征图,使用三维卷积核的卷积神经网络的第一层的输入为多个预定时间点的红外监控图像按照时间维度排列得到的输入张量。
在上述矿用皮带机电控防灭火***中,内部温度结构化模块,包括:行向量构造单元,用于将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为多个行向量;二维矩阵化单元,用于将多个行向量通过二维排列以得到温度全时序输入矩阵。
在上述矿用皮带机电控防灭火***中,内部温度特征提取模块,用于:使用作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对池化特征图进行非线性激活以得到激活特征图;其中,作为特征提取器的第二卷积神经网络的最后一层的输出为温度分布时序特征图,作为特征提取器的第二卷积神经网络的第一层的输入为温度全时序输入矩阵。
在上述矿用皮带机电控防灭火***中,特征融合模块,用于:以如下级联公式来融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图;其中,公式为:
;
其中,表示红外温度分布时序特征图,/>表示温度分布时序特征图,表示级联函数,/>表示分类特征图。
在上述矿用皮带机电控防灭火***中,去冗余模块,用于:以如下优化公式对分类特征图进行特征去冗余化以得到优化后分类特征图;其中,公式为:
;
;
;
其中,为分类特征图,/>表示单层卷积操作,/>、/>和/>分别表示特征图的逐位置相加、相减和相乘,且/>和/>为偏置特征图,/>为优化后分类特征图。
在上述矿用皮带机电控防灭火***中,控制结果生成模块,包括:展开单元,用于将优化后分类特征图基于行向量或列向量展开为分类特征向量;全连接编码单元,用于使用分类器的多个全连接层对分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将编码分类特征向量通过分类器的Softmax分类函数以得到分类结果。
根据本申请的另一方面,提供了一种矿用皮带机电控防灭火方法,其包括:
获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像;
获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值;
将多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图;
将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵;
将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图;
融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图;
对分类特征图进行特征去冗余化以得到优化后分类特征图;以及
将优化后分类特征图通过分类器以得到分类结果,分类结果用于表示是否启动防灭火设备。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在存储器中存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上的矿用皮带机电控防灭火方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行如上的矿用皮带机电控防灭火方法。
与现有技术相比,本申请提供的一种矿用皮带机电控防灭火***,其通过采用基于深度学习的神经网络模型,通过综合矿用皮带机表面温度分布的时序变化信息和全局范围内的温度分布时序特征信息来提高火灾预测模型的准确性,这样,能够对可能出现的火灾隐患进行预警和控制,进而降低了矿用皮带机发生火灾的风险,提高了安全性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的矿用皮带机电控防灭火***的场景示意图;
图2为根据本申请实施例的矿用皮带机电控防灭火***的框图;
图3为根据本申请实施例的矿用皮带机电控防灭火***的***架构图;
图4为根据本申请实施例的矿用皮带机电控防灭火***中卷积神经网络编码的流程图;
图5为根据本申请实施例的矿用皮带机电控防灭火***中内部温度结构化模块的框图;
图6为根据本申请实施例的矿用皮带机电控防灭火***中控制结果生成模块的框图;
图7为根据本申请实施例的矿用皮带机电控防灭火方法的流程图;
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
基于上述技术需求,在本申请的技术方案中,通过红外摄像头和温度传感器来对矿用皮带机进行温度监测,并基于所采集的温度数据来对于可能出现的火灾隐患进行预警和控制,从而降低了矿用皮带机发生火灾的风险,提高了安全性能。
具体地,首先获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像。获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像,是为了获取矿用皮带机温度分布的时序信息。通过对多个时间点的红外监控图像进行比较和分析,可以得到不同时刻矿用皮带机表面温度的变化情况,进而提取出其时间维度的时序特征。
值得一提的是,在火灾预防和控制方面,时间维度的时序特征非常重要。如果只是单次测量,无法获知矿用皮带机温度随时间的变化趋势和异常情况。而通过获取多个时间点的红外监控图像,可以对矿用皮带机表面温度的历史走势进行追踪分析,及时发现异常情况,从而采取相应的预警和控制措施,防止火灾事故的发生。
接着,获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值。获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值是为了获取矿用皮带机内部和表面的温度分布信息。相比红外摄像头,温度传感器可以直接测量物体的温度值,且精确度更高,能够提供更为全面、准确的温度数据。
相应地,通过获取多个位置的温度传感器采集的温度值,可以得到不同区域的温度分布情况。同时,不同位置的温度传感器也可以监测到不同深度或位置的温度变化情况,从而提供更加全面、准确的矿用皮带机温度分布信息。
进而,将多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图。也就是,首先将多个预定时间点的红外监控图像按照时间维度聚合为三维输入张量(在数据结构层面),接着,以使用三维卷积核的卷积神经网络模型对三维输入张量进行基于三维卷积核的特征编码以提取温度分布的时序关联信息。
具体地,使用卷积神经网络模型对红外监控图像进行学习和提取特征,可以有效地获取每个时间点对应的不同温度分布情况,而采用三维卷积核能够同时考虑空间信息和时间信息,从而更好地捕捉物体表面温度分布的时序变化规律。通过得到红外温度分布时序特征图,可以得到物体表面温度的变化趋势和异常情况,进而发现潜在的火灾隐患,及时采取预警和控制措施,避免火灾事故的发生。
同时,将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵,并将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图。
这里,将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵,是为了表达矿用皮带机全局范围内的温度分布信息。应可以理解,不同位置的温度传感器可以监测到矿用皮带机不同深度或位置的温度变化情况,因此将这些温度数据按照时间维度和传感器样本维度排列为温度全时序输入矩阵,可以得到矿用皮带机全局范围内的温度分布情况,并利用这些数据提取时序特征。与红外摄像头相比,温度传感器能够提供更为准确、全面的物体温度数据。
将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图,是为了从全局角度更加准确地捕捉矿用皮带机温度变化的时序规律。与第一卷积神经网络模型相比,第二卷积神经网络模型使用二维卷积核对温度全时序输入矩阵进行局部邻域特征提取以得到矿用皮带机温度分布的时空演变规律信息,有助于发现潜在的火灾隐患和异常情况。
进而,融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图。融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图,是为了将不同传感器采集的信息相结合,从而提高火灾预测模型的准确性和可靠性。如前,红外摄像头和温度传感器分别能够提供不同角度、不同维度的温度信息,通过融合红外温度分布时序特征图和温度分布时序特征图,可以将优点相互补充,形成更加全面、准确的矿用皮带机温度分布特征,进一步提高火灾预测模型的准确性。
最终,将分类特征图通过分类器以得到分类结果,分类结果用于表示是否启动防灭火设备。分类器能够学习和识别不同分类特征图之间的模式和差异,从而将其区分为正常状态和异常状态。根据分类结果可以判断矿用皮带机当前是否存在潜在的火灾隐患,进而触发相应的防灭火措施,包括启动喷淋***、报警***等,避免火灾事故的发生。
这里,对于融合红外温度分布时序特征图和温度分布时序特征图得到的分类特征图来说,考虑到红外温度分布时序特征图表达红外监控图像的图像语义的时序关联特征,而温度分布时序特征图表达温度值的时序-空间分布关联的高阶关联特征,由于存在分布方向和特征提取阶次上的差异,优选地通过沿通道维度直接级联红外温度分布时序特征图和温度分布时序特征图来得到分类特征图。
但是,由于红外监控图像的图像语义的时序关联特征也从侧面反映了温度分布特征,因此红外温度分布时序特征图和温度分布时序特征图均包含了温度分布在时序上的特征,从而导致得到的分类特征图包含特征冗余,这会影响对分类特征图通过分类器的分类回归的效果,从而影响分类结果的准确性。
因此,本申请的申请人对分类特征图进行基于低廉瓶颈机制堆叠的特征冗余优化,以得到优化后的分类特征图,例如记为/>,具体表示为:
;
;
;
表示单层卷积操作,/>、/>和/>分别表示特征图的逐位置相加、相减和相乘,且/>和/>为偏置特征图,例如初始可以设置为分类特征图的全局均值特征图或者单位特征图,其中初始的偏置特征图/>和/>不同。
这里,基于低廉瓶颈机制堆叠的特征冗余优化可以使用两个低廉变换特征的乘加式堆叠的低廉瓶颈机制来进行特征扩张,并通过以均一值偏置堆叠通道来匹配残差路径,从而通过类似于基本残差模块的具有低廉成本的低廉操作变换来在冗余性特征中揭露出内在本质特征之下的隐分布信息,以通过简单而有效的卷积操作架构来获得特征的更内在本质的表达,从而优化分类特征图的冗余特征表达,提升分类特征图通过分类器的分类回归的效果,从而改进分类结果的准确性。
基于此,本申请提出了一种矿用皮带机电控防灭火***,其包括:表面温度数据采集模块,用于获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像;内部温度数据采集模块,用于获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值;表面温度特征提取模块,用于将多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图;内部温度结构化模块,用于将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵;内部温度特征提取模块,用于将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图;特征融合模块,用于融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图;去冗余模块,用于对分类特征图进行特征去冗余化以得到优化后分类特征图;以及,控制结果生成模块,用于将优化后分类特征图通过分类器以得到分类结果,分类结果用于表示是否启动防灭火设备。
图1为根据本申请实施例的煤矿井下使用防灭火电控***的场景示意图。如图1所示,在该应用场景中,通过红外摄像头(例如,如图1中所示意的C)获取矿用皮带机在预定时间段内多个预定时间点的红外监控图像,以及,通过部署于矿用皮带机的多个位置的温度传感器(例如,如图1中所示意的T1,T2,...Tn)获取矿用皮带机的多个位置的多个预定时间点的温度值。接着,将上述信息输入至部署有用于矿用皮带机电控防灭火算法的服务器(例如,图1中的S)中,其中,服务器能够以矿用皮带机电控防灭火算法对上述输入的信息进行处理,以生成用于表示是否启动防灭火设备的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2为根据本申请实施例的矿用皮带机电控防灭火***的框图。如图2所示,根据本申请实施例的矿用皮带机电控防灭火***300,包括:表面温度数据采集模块310;内部温度数据采集模块320;表面温度特征提取模块330;内部温度结构化模块340;内部温度特征提取模块350;特征融合模块360;去冗余模块370;以及,控制结果生成模块380。
其中,表面温度数据采集模块310,用于获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像;内部温度数据采集模块320,用于获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值;表面温度特征提取模块330,用于将多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图;内部温度结构化模块340,用于将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵;内部温度特征提取模块350,用于将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图;特征融合模块360,用于融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图;去冗余模370,用于对分类特征图进行特征去冗余化以得到优化后分类特征图;以及,控制结果生成模块380,用于将优化后分类特征图通过分类器以得到分类结果,分类结果用于表示是否启动防灭火设备。
图3为根据本申请实施例的矿用皮带机电控防灭火***的***架构图。如图3所示,在该网络架构中,首先通过表面温度数据采集模块310获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像;内部温度数据采集模块320获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值;接着,表面温度特征提取模块330将表面温度数据采集模块310获取的多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图;内部温度结构化模块340将内部温度数据采集模块320获取的由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵;内部温度特征提取模块350将内部温度结构化模块340得到的温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图;然后,特征融合模块360融合表面温度特征提取模块330得到的红外温度分布时序特征图和内部温度特征提取模块350得到的温度分布时序特征图以得到分类特征图;去冗余模块370对特征融合模块360融合所得的分类特征图进行特征去冗余化以得到优化后分类特征图;进而,控制结果生成模块380将去冗余模块370得到的优化后分类特征图通过分类器以得到分类结果,分类结果用于表示是否启动防灭火设备。
具体地,在矿用皮带机电控防灭火***300的运行过程中,表面温度数据采集模块310和内部温度数据采集模块320,用于获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像。在本申请的技术方案中,可通过红外摄像头和温度传感器来对矿用皮带机进行温度监测,并基于所采集的温度数据来对于可能出现的火灾隐患进行预警和控制,因此,首先,获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像;以及,获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值。其次,获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值。特别地,获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像,是为了获取矿用皮带机温度分布的时序信息。通过对多个时间点的红外监控图像进行比较和分析,可以得到不同时刻矿用皮带机表面温度的变化情况,进而提取出其时间维度的时序特征。值得一提的是,在火灾预防和控制方面,时间维度的时序特征非常重要。如果只是单次测量,无法获知矿用皮带机温度随时间的变化趋势和异常情况。而通过获取多个时间点的红外监控图像,可以对矿用皮带机表面温度的历史走势进行追踪分析,及时发现异常情况,从而采取相应的预警和控制措施,防止火灾事故的发生。更具体地,获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值是为了获取矿用皮带机内部和表面的温度分布信息。通过获取多个位置的温度传感器采集的温度值,可以得到不同区域的温度分布情况。同时,不同位置的温度传感器也可以监测到不同深度或位置的温度变化情况,从而提供更加全面、准确的矿用皮带机温度分布信息。
具体地,在矿用皮带机电控防灭火***300的运行过程中,表面温度特征提取模块330,用于将多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图。也就是,将多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图。也就是,首先将多个预定时间点的红外监控图像按照时间维度聚合为三维输入张量(在数据结构层面),接着,以使用三维卷积核的卷积神经网络模型对三维输入张量进行基于三维卷积核的特征编码以提取温度分布的时序关联信息。具体地,使用卷积神经网络模型对红外监控图像进行学习和提取特征,可以有效地获取每个时间点对应的不同温度分布情况,而采用三维卷积核能够同时考虑空间信息和时间信息,从而更好地捕捉物体表面温度分布的时序变化规律。通过得到红外温度分布时序特征图,可以得到物体表面温度的变化趋势和异常情况,进而发现潜在的火灾隐患,及时采取预警和控制措施,避免火灾事故的发生。在一个具体示例中,卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在卷积神经网络的编码过程中,卷积神经网络的各层在层的正向传递过程中对输入数据使用卷积层进行基于卷积核的卷积处理、使用池化层对由卷积层输出的卷积特征图进行池化处理和使用激活层对由池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的矿用皮带机电控防灭火***中卷积神经网络编码的流程图。如图4所示,在卷积神经网络的编码过程中,包括:使用使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,S230,对池化特征图进行非线性激活以得到激活特征图;其中,使用三维卷积核的卷积神经网络的最后一层的输出为红外温度分布时序特征图,使用三维卷积核的卷积神经网络的第一层的输入为多个预定时间点的红外监控图像按照时间维度排列得到的输入张量。
具体地,在矿用皮带机电控防灭火***300的运行过程中,内部温度结构化模块340和内部温度特征提取模块350,用于将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵;以及,将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图。在本申请的技术方案中,将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵,并将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图。这里,将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵,是为了表达矿用皮带机全局范围内的温度分布信息。应可以理解,不同位置的温度传感器可以监测到矿用皮带机不同深度或位置的温度变化情况,因此将这些温度数据按照时间维度和传感器样本维度排列为温度全时序输入矩阵,可以得到矿用皮带机全局范围内的温度分布情况,并利用这些数据提取时序特征。接着,将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图以此来从全局角度更加准确地捕捉矿用皮带机温度变化的时序规律。更具体地,使用作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对池化特征图进行非线性激活以得到激活特征图;其中,作为特征提取器的第二卷积神经网络的最后一层的输出为温度分布时序特征图,作为特征提取器的第二卷积神经网络的第一层的输入为温度全时序输入矩阵。
图5为根据本申请实施例的矿用皮带机电控防灭火***中内部温度结构化模块的框图。如图5所示,内部温度结构化模块340,包括:行向量构造单元341,用于将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为多个行向量;二维矩阵化单元342,用于将多个行向量通过二维排列以得到温度全时序输入矩阵。
具体地,在矿用皮带机电控防灭火***300的运行过程中,特征融合模块360,用于融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图。也就是,在得到红外温度分布时序特征图和温度分布时序特征图后,进一步将两者进行特征融合,应可以理解,红外摄像头和温度传感器分别能够提供不同角度、不同维度的温度信息,通过融合红外温度分布时序特征图和温度分布时序特征图,可以将优点相互补充,形成更加全面、准确的矿用皮带机温度分布特征,进一步提高火灾预测模型的准确性。在一个示例中,可通过级联的方式 来进行融合,更具体地,以如下级联公式来融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图;其中,公式为:
;
其中,表示红外温度分布时序特征图,/>表示温度分布时序特征图,表示级联函数,/>表示分类特征图。
具体地,在矿用皮带机电控防灭火***300的运行过程中,去冗余模块370,用于对分类特征图进行特征去冗余化以得到优化后分类特征图。在本申请的技术方案中,对于融合红外温度分布时序特征图和温度分布时序特征图得到的分类特征图来说,考虑到红外温度分布时序特征图表达红外监控图像的图像语义的时序关联特征,而温度分布时序特征图表达温度值的时序-空间分布关联的高阶关联特征,由于存在分布方向和特征提取阶次上的差异,优选地通过沿通道维度直接级联红外温度分布时序特征图和温度分布时序特征图来得到分类特征图。但是,由于红外监控图像的图像语义的时序关联特征也从侧面反映了温度分布特征,因此红外温度分布时序特征图和温度分布时序特征图均包含了温度分布在时序上的特征,从而导致得到的分类特征图包含特征冗余,这会影响对分类特征图通过分类器的分类回归的效果,从而影响分类结果的准确性。因此,本申请的申请人对分类特征图进行基于低廉瓶颈机制堆叠的特征冗余优化,以得到优化后的分类特征图,例如记为/>,具体表示为:
;
;
;
其中,为分类特征图,/>表示单层卷积操作,/>、/>和/>分别表示特征图的逐位置相加、相减和相乘,且/>和/>为偏置特征图,/>为优化后分类特征图。这里,基于低廉瓶颈机制堆叠的特征冗余优化可以使用两个低廉变换特征的乘加式堆叠的低廉瓶颈机制来进行特征扩张,并通过以均一值偏置堆叠通道来匹配残差路径,从而通过类似于基本残差模块的具有低廉成本的低廉操作变换来在冗余性特征中揭露出内在本质特征之下的隐分布信息,以通过简单而有效的卷积操作架构来获得特征的更内在本质的表达,从而优化分类特征图的冗余特征表达,提升分类特征图通过分类器的分类回归的效果,从而改进分类结果的准确性。
具体地,在矿用皮带机电控防灭火***300的运行过程中,控制结果生成模块380,用于将优化后分类特征图通过分类器以得到分类结果,分类结果用于表示是否启动防灭火设备。也就是,将优化后分类特征图作为分类特征图通过分类器以得到用于表示是否启动防灭火设备的分类结果,具体地,使用分类器以如下公式对优化后分类特征图进行处理以获得分类结果,其中,公式为:
,其中/>表示将优化后分类特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置向量。具体地,分类器包括多个全连接层和与多个全连接层最后一个全连接层级联的Softmax层。其中,在分类器的分类处理中,首先将优化后分类特征图投影为向量,例如,在一个具体的示例中,将优化后分类特征图沿着行向量或者列向量进行展开为分类特征向量;然后,使用分类器的多个全连接层对分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将编码分类特征向量输入分类器的Softmax层,即,使用Softmax分类函数对编码分类特征向量进行分类处理以得到分类标签。特别地,分类器能够学习和识别不同分类特征图之间的模式和差异,从而将其区分为正常状态和异常状态。根据分类结果可以判断矿用皮带机当前是否存在潜在的火灾隐患,进而触发相应的防灭火措施,包括启动喷淋***、报警***等,避免火灾事故的发生。
综上,根据本申请实施例的矿用皮带机电控防灭火***300被阐明,其通过采用基于深度学习的神经网络模型,通过综合矿用皮带机表面温度分布的时序变化信息和全局范围内的温度分布时序特征信息来提高火灾预测模型的准确性,这样,能够对可能出现的火灾隐患进行预警和控制,进而降低了矿用皮带机发生火灾的风险,提高了安全性能。
如上,根据本申请实施例的矿用皮带机电控防灭火***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的矿用皮带机电控防灭火***300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该矿用皮带机电控防灭火***300可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该矿用皮带机电控防灭火***300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该矿用皮带机电控防灭火***300与该终端设备也可以是分立的设备,并且该矿用皮带机电控防灭火***300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图7为根据本申请实施例的矿用皮带机电控防灭火方法的流程图。如图7所示,根据本申请实施例的矿用皮带机电控防灭火方法,包括步骤:S110,获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像;S120,获取由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值;S130,将多个预定时间点的红外监控图像按照时间维度排列为输入张量后通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图;S140,将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵;S150,将温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图;S160,融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图;S170,对分类特征图进行特征去冗余化以得到优化后分类特征图;以及,S180,将优化后分类特征图通过分类器以得到分类结果,分类结果用于表示是否启动防灭火设备。
在一个示例中,在上述矿用皮带机电控防灭火方法中,步骤S130,包括:使用使用三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对池化特征图进行非线性激活以得到激活特征图;其中,使用三维卷积核的卷积神经网络的最后一层的输出为红外温度分布时序特征图,使用三维卷积核的卷积神经网络的第一层的输入为多个预定时间点的红外监控图像按照时间维度排列得到的输入张量。
在一个示例中,在上述矿用皮带机电控防灭火方法中,步骤S140,包括:将由部署于矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为多个行向量;将多个行向量通过二维排列以得到温度全时序输入矩阵。
在一个示例中,在上述矿用皮带机电控防灭火方法中,步骤S150,包括:使用作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对池化特征图进行非线性激活以得到激活特征图;其中,作为特征提取器的第二卷积神经网络的最后一层的输出为温度分布时序特征图,作为特征提取器的第二卷积神经网络的第一层的输入为温度全时序输入矩阵。
在一个示例中,在上述矿用皮带机电控防灭火方法中,步骤S160,包括:以如下级联公式来融合红外温度分布时序特征图和温度分布时序特征图以得到分类特征图;其中,公式为:
;
其中,表示红外温度分布时序特征图,/>表示温度分布时序特征图,表示级联函数,/>表示分类特征图。
在一个示例中,在上述矿用皮带机电控防灭火方法中,步骤S170,包括:以如下优化公式对分类特征图进行特征去冗余化以得到优化后分类特征图;其中,公式为:
;
;
;
其中,为分类特征图,/>表示单层卷积操作,/>、/>和/>分别表示特征图的逐位置相加、相减和相乘,且/>和/>为偏置特征图,/>为优化后分类特征图。
在一个示例中,在上述矿用皮带机电控防灭火方法中,步骤S180,包括:将优化后分类特征图基于行向量或列向量展开为分类特征向量;使用分类器的多个全连接层对分类特征向量进行全连接编码以得到编码分类特征向量;以及,将编码分类特征向量通过分类器的Softmax分类函数以得到分类结果。
综上,根据本申请实施例的矿用皮带机电控防灭火方法被阐明,其通过采用基于深度学习的神经网络模型,通过综合矿用皮带机表面温度分布的时序变化信息和全局范围内的温度分布时序特征信息来提高火灾预测模型的准确性,这样,能够对可能出现的火灾隐患进行预警和控制,进而降低了矿用皮带机发生火灾的风险,提高了安全性能。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行程序指令,以实现上文的本申请的各个实施例的矿用皮带机电控防灭火***中的功能以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如优化后分类特征图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的矿用皮带机电控防灭火方法中的功能中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的矿用皮带机电控防灭火方法中的功能中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种矿用皮带机电控防灭火***,其特征在于,包括:
表面温度数据采集模块,用于获取由红外摄像头采集的矿用皮带机在预定时间段内多个预定时间点的红外监控图像;
内部温度数据采集模块,用于获取部署于所述矿用皮带机的多个位置的温度传感器采集的所述多个预定时间点的温度值;
表面温度特征提取模块,用于将所述多个预定时间点的红外监控图像按照时间维度排列为输入张量后,通过使用三维卷积核的卷积神经网络模型以得到红外温度分布时序特征图;
内部温度结构化模块,用于将部署于所述矿用皮带机的多个位置的温度传感器采集的所述多个预定时间点的温度值按照时间维度和传感器样本维度排列为温度全时序输入矩阵;
内部温度特征提取模块,用于将所述温度全时序输入矩阵通过作为特征提取器的第二卷积神经网络模型以得到温度分布时序特征图;
特征融合模块,用于融合所述红外温度分布时序特征图和所述温度分布时序特征图以得到分类特征图;
去冗余模块,用于对所述分类特征图进行特征去冗余化以得到优化后分类特征图;
以及控制结果生成模块,用于将所述优化后分类特征图通过分类器以得到分类结果,所述分类结果用于表示是否启动防灭火设备。
2.根据权利要求1所述的矿用皮带机电控防灭火***,其特征在于,所述表面温度特征提取模块,用于使用所述三维卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行如下处理:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;
以及对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述三维卷积核的卷积神经网络的最后一层的输出为所述红外温度分布时序特征图,所述三维卷积核的卷积神经网络的第一层的输入为多个预定时间点的红外监控图像按照时间维度排列得到的输入张量。
3.根据权利要求2所述的矿用皮带机电控防灭火***,其特征在于,所述内部温度结构化模块,包括:
行向量构造单元,用于将所述部署于所述矿用皮带机的多个位置的温度传感器采集的多个预定时间点的温度值按照时间维度和传感器样本维度排列为多个行向量;
二维矩阵化单元,用于将所述多个行向量通过二维排列以得到温度全时序输入矩阵。
4.根据权利要求3所述的矿用皮带机电控防灭火***,其特征在于,所述内部温度特征提取模块,用于使用作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行如下处理:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;
以及对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述温度分布时序特征图,所述作为特征提取器的第二卷积神经网络的第一层的输入为所述温度全时序输入矩阵。
5.根据权利要求4所述的矿用皮带机电控防灭火***,其特征在于,所述特征融合模块,用于:以如下级联公式来融合所述红外温度分布时序特征图和所述温度分布时序特征图以得到所述分类特征图;
其中,所述公式为:
;
其中,表示所述红外温度分布时序特征图,/>表示所述温度分布时序特征图,表示级联函数,/>表示所述分类特征图。
6.根据权利要求5所述的矿用皮带机电控防灭火***,其特征在于,所述去冗余模块,用于:以如下优化公式对所述分类特征图进行特征去冗余化以得到优化后分类特征图;
其中,所述公式为:
;
;
;
其中,为所述分类特征图,/>表示单层卷积操作,/> 和/>分别表示特征图的逐位置相加、相减和相乘,且/>和/>为偏置特征图,/>为所述优化后分类特征图。
7.根据权利要求6所述的矿用皮带机电控防灭火***,其特征在于,所述控制结果生成模块,包括:
展开单元,用于将所述优化后分类特征图基于行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530927.5A CN116271667B (zh) | 2023-05-12 | 2023-05-12 | 一种矿用皮带机电控防灭火*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530927.5A CN116271667B (zh) | 2023-05-12 | 2023-05-12 | 一种矿用皮带机电控防灭火*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116271667A CN116271667A (zh) | 2023-06-23 |
CN116271667B true CN116271667B (zh) | 2023-08-04 |
Family
ID=86788979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310530927.5A Active CN116271667B (zh) | 2023-05-12 | 2023-05-12 | 一种矿用皮带机电控防灭火*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116271667B (zh) |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3032402B2 (ja) * | 1993-05-18 | 2000-04-17 | ホーチキ株式会社 | 火災判定装置及びニューラルネットワークの学習方法 |
CN104155911A (zh) * | 2014-08-13 | 2014-11-19 | 张家港耐维思通电子科技有限公司 | 一种皮带机安全监控装置 |
CN105589433A (zh) * | 2014-10-28 | 2016-05-18 | 西安造新电子信息科技有限公司 | 一种皮带机远程监控*** |
WO2018079400A1 (ja) * | 2016-10-24 | 2018-05-03 | ホーチキ株式会社 | 火災監視システム |
KR102311356B1 (ko) * | 2017-03-20 | 2021-10-12 | 오와이 할튼 그룹 엘티디. | 화재안전장치 방법 및 시스템 |
US11966670B2 (en) * | 2018-09-06 | 2024-04-23 | Terrafuse, Inc. | Method and system for predicting wildfire hazard and spread at multiple time scales |
CN114207683A (zh) * | 2019-05-22 | 2022-03-18 | 泰科消防产品有限合伙公司 | 具有学习模式的火灾检测*** |
CN110378421B (zh) * | 2019-07-19 | 2021-06-25 | 西安科技大学 | 一种基于卷积神经网络的煤矿火灾识别方法 |
CN110578987B (zh) * | 2019-08-08 | 2021-02-19 | 安徽美博智能电器有限公司 | 基于云端的空调防火***、方法及存储介质 |
KR102375679B1 (ko) * | 2021-02-03 | 2022-03-18 | 주식회사메리츠엔지니어링 | 패턴 분석을 이용한 인공지능 기반의 화재 예측 방법 및 장치 |
CN113323713B (zh) * | 2021-05-19 | 2023-07-18 | 陕西延长石油矿业有限责任公司 | 基于静态分区的皮带火灾自动控制方法 |
CN113887054A (zh) * | 2021-10-09 | 2022-01-04 | 华北科技学院 | 一种基于ga-bp神经网络的采空区线性测温反演方法 |
CN114815930B (zh) * | 2022-06-30 | 2022-09-02 | 烟台黄金职业学院 | 煅烧器的温度控制***及其温度控制方法 |
CN115880602A (zh) * | 2022-11-04 | 2023-03-31 | 中国舰船研究设计中心 | 一种基于多源异构数据融合的潜器舱室火灾状态评估方法 |
CN115888958A (zh) * | 2022-11-14 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于图像识别的板式给料机速度自动调节方法及其*** |
CN115770374A (zh) * | 2022-12-28 | 2023-03-10 | 湖北博利特种汽车装备股份有限公司 | 基于cafs***的电动巡航消防车 |
-
2023
- 2023-05-12 CN CN202310530927.5A patent/CN116271667B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116271667A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kyrkou et al. | Deep-Learning-Based Aerial Image Classification for Emergency Response Applications Using Unmanned Aerial Vehicles. | |
Lestari et al. | Fire hotspots detection system on CCTV videos using you only look once (YOLO) method and tiny YOLO model for high buildings evacuation | |
CN111680535B (zh) | 在视频监控中实时预测一个或多个潜在威胁的方法和*** | |
US20170286826A1 (en) | Real-time deep learning for danger prediction using heterogeneous time-series sensor data | |
CN109691055A (zh) | 用于利用传递熵矩阵的稀疏和低秩分解来对can总线数据进行异常检测的*** | |
KR101411624B1 (ko) | 화재 감지 방법 및 시스템 | |
CN113516820B (zh) | 一种火灾预警方法和预警*** | |
CN111935319B (zh) | 一种基于车辆终端***的监控处理方法、***及相关设备 | |
CN115909260A (zh) | 基于机器视觉的作业场所入侵预警方法及其*** | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其*** | |
CN117077075A (zh) | 用于环境保护的水质监测***及其方法 | |
CN117115743A (zh) | 矿用安全生产监控***及其方法 | |
Kim et al. | Fire detection system using random forest classification for image sequences of complex background | |
CN116486323A (zh) | 基于人工智能的输煤廊道监控管理***及其方法 | |
CN117248967A (zh) | 基于智慧感知的矿山安全监测***及其方法 | |
CN116271667B (zh) | 一种矿用皮带机电控防灭火*** | |
Son et al. | Video based smoke and flame detection using convolutional neural network | |
CN114446002B (zh) | 火灾在线监测方法、装置、介质及*** | |
Sushmitha et al. | IoT based Fire Detection and Warning System for Surveillance Applications using Deep Learning Model | |
Uma et al. | A multimodel fire detection and alarm system for automobiles using internet of things and machine learning | |
CN117861130A (zh) | 一种矿用分布式光纤测温防灭火控制*** | |
Firdaus et al. | Prototype smart integrated fire detection based on deep learning YOLO v8 and IoT (internet of things) to improve early fire detection | |
Saif et al. | Developing a prototype of fire detection and automatic extinguisher mobile robot based on convolutional neural network | |
CN215868088U (zh) | 一种公路隧道火灾智能监测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |