CN117392614B - 实验室安全风险智能检测方法、装置以及应急安全柜 - Google Patents
实验室安全风险智能检测方法、装置以及应急安全柜 Download PDFInfo
- Publication number
- CN117392614B CN117392614B CN202311688618.7A CN202311688618A CN117392614B CN 117392614 B CN117392614 B CN 117392614B CN 202311688618 A CN202311688618 A CN 202311688618A CN 117392614 B CN117392614 B CN 117392614B
- Authority
- CN
- China
- Prior art keywords
- laboratory
- image
- detected
- analysis
- equipment
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 230000007613 environmental effect Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims description 94
- 230000006399 behavior Effects 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000009423 ventilation Methods 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 24
- 238000004141 dimensional analysis Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 16
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000008520 organization Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000015654 memory Effects 0.000 description 14
- 239000007789 gas Substances 0.000 description 12
- 230000008901 benefit Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- XYFCBTPGUUZFHI-UHFFFAOYSA-N Phosphine Chemical compound P XYFCBTPGUUZFHI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- LELOWRISYMNNSU-UHFFFAOYSA-N hydrogen cyanide Chemical compound N#C LELOWRISYMNNSU-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- NLHHRLWOUZZQLW-UHFFFAOYSA-N Acrylonitrile Chemical compound C=CC#N NLHHRLWOUZZQLW-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 241000282806 Rhinoceros Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 235000019645 odor Nutrition 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 229910000073 phosphorus hydride Inorganic materials 0.000 description 1
- 238000013105 post hoc analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种实验室安全风险智能检测方法、装置以及应急安全柜,该方法包括获取实验室的待测对象,其中,所述待测对象包括待测环境参数和待测图像,所述待测环境参数包括有害气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为;将所述待测图像输入至预设的预测模型中,输出预测结果;在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示。从而实现对实验室安全风险进行智能检测,在出现异常情况时能够快速、及时发现险情,防止进一步扩大;能够及时、高效地对实验室进行安全管理。
Description
技术领域
本发明属于图像处理技术领域,具体涉及实验室安全风险智能检测方法、装置以及应急安全柜。
背景技术
实验室即进行实验的场所。随着时代的发展,实验室的作用也越发突显,很多实验室场地的面积都比以往大大增加,而且大型、精密、昂贵等各种各样的实验仪器设备的数量也越来越多,给实验室的安全管理工作带来更大的挑战。
当前,实验室安全管理往往依赖人工巡查和检测,例如,定期或不定期对实验室的环境参数(如温度、湿度、气体的浓度等)和实验室的人员行为(包括穿着行为和操作行为等)进行检查,然而,这种传统的监测管理方式,不仅浪费人力物力,且很难及时发现险情,无法及时、高效地实现对实验室的安全管理。
发明内容
为了克服现有技术的不足,本发明提供实验室安全风险智能检测方法、装置以及应急安全柜,以解决现有技术中的问题。
本发明其中一个实施例提供了一种实验室安全风险智能检测方法,包括以下步骤:
获取实验室的待测对象,其中,所述待测对象包括待测环境参数和待测图像,所述待测环境参数包括有害气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为;
将所述待测图像输入至预设的预测模型中,输出预测结果;
在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示;
其中,获取实验室的待测对象,包括:
构建实验室的三维图;
对所述三维图进行多维度分析,其中,所述多维度分析包括实验室内部空间布局分析、冷热源识别分析、气流组织模拟分析、物品存放区域识别分析、设备操作区域分析和人员活动区域分析中的一种或多种;
根据所述多维度分析的结果确定预设安全标准、传感器布局位置和图像拍摄装置布局位置;
基于所述传感器布局位置安装传感器,以获取所述实验室的待测环境参数;
基于所述图像拍摄装置布局位置安装图像拍摄装置,以获取所述实验室的待测图像。
在本实施例中,通过获取实验室的待测环境参数和实验室的待测图像,所述待测环境参数包括有害气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为中的一种或多种;并通过将待测图像输入值预设的预测模型中,从而输出待测结果,并在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示,从而实现对实验室安全风险进行智能检测,在出现异常情况时能够快速、及时发现险情,防止进一步扩大;从而实现及时、高效地对实验室进行安全管理。
在本实施例中,通过构建实验室的三维图,并通过对三维图进行多维度分析,根据多维度分析结果与待测环境参数和待测图像综合评估,从而得到对应该实验室构造的传感器布局位置、图像拍摄装置布局位置和预设安全标准都是最佳的,根据传感器布局位置、图像拍摄装置布局位置分别安装传感器和图像拍摄装置能够更准确的获取实验室的待测对象,提高检测精度,避免出现数据采集错误或采集准确性的问题;根据预设安全标准进一步提高检测稳定性,保证分析对比结果的精准度。
在其中一个实施例中,所述实验室内部空间布局分析包括对实验室的空间大小、隔断结构和门窗位置中的一种或多种数据进行分析,以确定空间结构对所述待测环境参数传播的影响;
和/或,所述冷热源识别分析包括对实验室的热源和冷源进行分析,以确定所述冷源和热源对所述待测环境参数的影响;其中所述热源包括加热器、烘干机和暖风机中的一种或多种,所述冷源包括空调出风口、加湿器和冰箱中的一种或多种;
和/或,所述气流组织模拟分析包括利用三维图进行气流组织模拟,分析三维图中的通风结构和通风设备对气流组织的影响,以确定不同区域的通风情况和环境参数梯度;其中,所述通风结构和通风设备包括通风口、空调出风口和抽风机中的一种或多种;
和/或,所述物品存放区域识别分析包括基于物品类型对物品存放区域进行分类,分析分类后的物品存放区域的位置对待测环境参数的影响;
和/或,所述设备操作区域分析包括对设备放置位置和设备操作区域进行标注,并根据标注信息分析所述设备放置位置和设备操作区域的环境参数梯度;
和/或,所述人员活动区域分析包括对所述人员活动区域进行标注,并根据标注信息分析所述人员活动区域的环境参数梯度。
在本实施例中,通过对实验室内部空间布局分析、冷热源识别分析、气流组织模拟分析、物品存放区域识别分析、设备操作区域分析和人员活动区域分析中的一种或多种进行分析,从而实现对实验室进行全面分析,提高对待测对象的采集精确度。
在其中一个实施例中,获取实验室的待测图像,包括:
获取实验室的视频数据;
对所述视频数据进行视频分帧,得到图像帧系列;
基于图像相似度比对算法比从图像帧系列中获取至少一关键图像帧;
对所述关键图像帧进行预处理,得到所述待测图像。
在本实施例中,通过实时获取实验室的视频数据,保证对实验室进行实时监控,避免突发事件的发生,并对视频数据进行分帧处理,通过图像相似度比对算法从图像帧系列中获取关键图像帧,提高检测的精确性,通过对获取的关键图像帧进行预处理,保证图像质量,并适应预设的预测模型的格式,保证工作稳定性。
在其中一个实施例中,对所述关键图像帧进行预处理,包括:
使用图像处理技术对所述关键图像帧进行降噪处理;
对降噪后的关键图像帧进行图像增强,所述图像增强包括调整关键图像帧的对比度和/或亮度,增强关键图像帧的细节和/或清晰度。
在本实施例中,通过对关键图像帧进行降噪处理,从而消除图像中的无关信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进后续图像处理地可靠性。
在其中一个实施例中,在将所述待测图像输入至预设的预测模型中的步骤之前还包括:基于卷积神经网络构建所述预设的预测模型。
在本实施例中,通过卷积神经网络能够高效、准确地对图像进行识别,以提高检测准确性。
在其中一个实施例中,基于卷积神经网络构建所述预设的预测模型,包括:
收集实验室内的图像数据;
对所述图像数据进行特征提取,生成数据集;
利用所述数据集训练所述卷积神经网络,当所述卷积神经网络的预测精度不 满足预设值时,对所述卷积神经网络进行参数调优,直至所述预测精度满足所述预设值时,生成所述预设的预测模型。
在本实施例中,通过收集实验室的图像数据,并对图像数据进行特征提取,以生成数据集,从而通过数据集训练卷积神经网络,并通过参数调优从而得到预设检测模块,以对待测图像进行检测,提高检测精确度。
在其中一个实施例中,在对所述卷积神经网络进行参数调优的步骤中,包括使用随机梯度下降法、学习率衰减、动量法、正则化、提前停止训练和网络结构调整中的一种或多种方法进行参数调优。
在其中一个实施例中,在对所述图像数据进行特征提取步骤之前,还包括:
对收集到的图像数据进行设备运行状态标注和人员行为标注,所述设备运行状态包括设备异常运行和设备正常运行;所述设备异常运行包括工作时间内的异常运行状态和非工作时间内的正常运行状态;所述人员行为包括人员正常行为和人员非正常行为,所述人员非正常行为包括人员的衣着非正常行为、物品存储不当行为、人员操作不当行为和人员权限不匹配行为。
在本实施例中,通过对采集到的图像数据进行标注,从而提高预设的预测模型的检测性能,提高检测结果的精准度。
本发明其中一个实施例还提供了一种实验室安全风险智能检测装置,包括:
获取模块,用于获取实验室的待测对象,其中,所述待测对象包括待测环境参数和待测图像,所述待测环境参数包括气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为;
预测模块,用于将所述待测图像输入至预设的预测模型中,输出预测结果;
提示模块,用于在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示;
其中,获取模块包括:
构建子模块,用于构建实验室的三维图;
分析子模块,用于对所述三维图进行多维度分析,其中,所述多维度分析包括实验室内部空间布局分析、冷热源识别分析、气流组织模拟分析、物品存放区域识别分析、设备操作区域分析和人员活动区域分析中的一种或多种;
确定子模块,用于根据所述多维度分析的结果确定预设安全标准、传感器布局位置和图像拍摄装置布局位置;
第一获取子模块,用于基于所述传感器布局位置安装的传感器,获取所述实验室的待测环境参数;
第二获取子模块,用于基于所述图像拍摄装置布局位置安装的图像拍摄装置,获取所述实验室的待测图像。
在本实施例中,实验室安全风险智能检测方法的优势和有益效果,已在上述进行阐述,在此不再赘述,且由于实验室安全风险智能检测装置使用实验室安全风险智能检测方法,其实验室安全风险智能检测装置同样具有相同的优势和有益效果。
本发明其中一个实施例还提供了一种应急安全柜,包括如上所述的实验室安全风险智能检测装置;包括:
应急装置,所述应急装置包括灭火设备、通风设备、喷淋设备和断电设备中的一种或多种;
监控模块,与所述应急装置电连接,用于在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,控制所述应急装置执行应急策略。
在本实施例中,通过应急装置能够及时对突发情况进行处理,避免影响扩散,另外,实验室安全风险智能检测装置的优势和有益效果,已在上述进行阐述,在此不再赘述,且由于应急安全柜包括实验室安全风险智能检测装置,其应急安全柜同样具有相同的优势和有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明其中一实施例提供的实验室安全风险智能检测方法的工作流程示意图;
图2为实验室安全风险智能检测方法中的获取待测图像的其中之一工作流程示意图;
图3为实验室安全风险智能检测方法中的获取待测图像的其中之二工作流程示意图;
图4为本发明其中一实施例提供的实验室安全风险智能检测装置的工作原理示意图;
图5为本发明其中一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,若全文中出现的“和/或”或者“及/或”,其含义包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
请参阅图1,本发明其中一个实施例提供了一种实验室安全风险智能检测方法,包括以下步骤:
S100、获取实验室的待测对象,其中,所述待测对象包括待测环境参数和待测图像,所述待测环境参数包括有害气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为中的一种或多种;
在本实施例中,根据待测环境参数的需要,安装对应的传感器,以便于获取得到实验室的待测环境参数,从而实现对实验室进行准确的检测,其中体还包括氧气、氮气、氢气、有毒气体、易燃气体、挥发性有机物、二氧化硫、一氧化氮、丙烯腈、磷化氢、二氧化氮、氨气、臭氧传感器、氯气、氰化氢和一氧化碳中的一种或多种,相应的,可以设置对应气体的传感器进行采集,如氧气传感器等,以实现对实验室进行全面检测,提高检测精准度。
需要说明的是,待测图像包括设备的运行状态和人员行为中的一种或多种,是指待测图像中包括有设备和人员。
请参阅图2,在其中一个实施例中,获取实验室的待测对象,包括:
S110、构建实验室的三维图;
在本实施例中,首先需要获取实验室的三维平面图或者模型,包括房间布局、设备位置和可能存在的障碍物等;可以通过三维设计软件建立实验室的三维模型图;其中,三维设计软件可以包括UG、犀牛和CFD模拟软件等。根据需要还可以对三维模型图转化为三维平面图,以便更好对实验室的构造、环境变化等进行分析,提高检测的精确性。
S120、对所述三维图进行多维度分析,其中,所述多维度分析包括实验室内部空间布局分析、冷热源识别分析、气流组织模拟分析、物品存放区域识别分析、设备操作区域分析和人员活动区域分析中的一种或多种,
在本实施例中,根据三维图,分析实验室内可能存在的环境参数差异区域,例如温度、湿度梯度较大的区域,化学品存放区域,设备操作区域等;通过对实验室的三维图进行多维度分析,从而更加精确的得到合理的预设安全标准和传感器、图像拍摄装置的安装位置,以提高获取待测环境参数和待测图像的精准性。
其中一个实施例中,所述实验室内部空间布局分析包括对实验室的空间大小、隔断结构和门窗位置中的一种或多种数据进行分析,以确定空间结构对所述待测环境参数传播的影响;
其中,通过三维图观察实验室的整体空间布局,包括房间大小、隔断结构、门窗位置等,以了解空间结构对环境参数传播的影响。
和/或,所述冷热源识别分析包括对实验室的热源和冷源进行分析,以确定所述冷源和热源对所述待测环境参数的影响;其中所述热源包括加热器、烘干机和暖风机中的一种或多种,所述冷源包括空调出风口、加湿器和冰箱中的一种或多种;
其中,在三维图上标注可能的热源和冷源,例如加热器、空调出风口、冰箱等设备,这些设备会对温度和湿度产生影响。
和/或,所述气流组织模拟分析包括利用三维图进行气流组织模拟,分析三维图中的通风结构和通风设备对气流组织的影响,以确定不同区域的通风情况和环境参数梯度;其中,所述通风结构和通风设备包括通风口、空调出风口和抽风机中的一种或多种;
其中,利用三维图进行气流组织模拟,分析通风口、空调出风口等对气流组织的影响,从而了解不同区域的通风情况以及可能形成的温度、湿度梯度。
和/或,所述物品存放区域识别分析包括基于物品类型对物品存放区域进行分类,分析分类后的物品存放区域的位置对待测环境参数的影响;
其中,根据实验室功能和安全规范,确定化学品存放区域,并考虑该区域对环境参数的影响,如可能释放的气味、蒸汽或挥发性化学物质。
和/或,所述设备操作区域分析包括对设备放置位置和设备操作区域进行标注,并根据标注信息分析所述设备放置位置和设备操作区域的环境参数梯度;
其中,标注实验室内的各种设备操作区域,并分析这些区域的热量产生、湿度变化等情况,以确定可能的温度、湿度梯度。
和/或,所述人员活动区域分析包括对所述人员活动区域进行标注,并根据标注信息分析所述人员活动区域的环境参数梯度。
其中,考虑到人员在实验室内的活动,例如工作台周围、走道区域等,人员活动也可能对环境参数产生影响,需要进行合理布局。
在本实施例中,通过对实验室内部空间布局分析、冷热源识别分析、气流组织模拟分析、物品存放区域识别分析、设备操作区域分析和人员活动区域分析中的一种或多种进行分析,从而实现对实验室进行全面分析,提高对待测对象的采集精确度。
S130、根据所述多维度分析的结果确定预设安全标准、传感器布局位置和图像拍摄装置布局位置;
在本实时例中,根据实验室的功能区域划分,并考虑实验室的布局、使用情况和可能存在的环境参数变化,确定需要监测的区域和预设安全标准。利用三维图对实验室进行虚拟布局规划,确定传感器、图像拍摄装置的布置位置,确保所有需要监测的区域得到充分覆盖。在平面图上标记出每个传感器、图像拍摄装置的位置,以便于根据标记信息对应安装。
S140、基于所述传感器布局位置安装传感器,以获取所述实验室的待测环境参数;
其中,在三维图上标注可能的干扰源,如加热器、空调出风口等,确保传感器不受外部因素影响,避开干扰源。通过对三维图的多角度观察,确认传感器位置是否能够全面监测到实验室内的环境参数变化,尤其要注意死角区域。
S150、基于所述图像拍摄装置布局位置安装图像拍摄装置,以获取所述实验室的待测图像。
其中,在三维图上标注可能的干扰源,如加热器、空调出风口等,确保传感器不受外部因素影响,避开干扰源。通过对三维图的多角度观察,确认传感器位置、图像拍摄装置是否能够全面监测到实验室内的设备、人员变化情况,尤其要注意死角区域。
在本实施例中,通过构建实验室的三维图,并通过对三维图进行多维度分析,根据多维度分析结果与待测环境参数和待测图像综合评估,从而得到对应该实验室构造的传感器布局位置、图像拍摄装置布局位置和预设安全标准都是最佳的,根据传感器布局位置、图像拍摄装置布局位置分别安装传感器和图像拍摄装置能够更准确的获取实验室的待测对象,提高检测精度,避免出现数据采集错误或采集准确性的问题;根据预设安全标准进一步提高检测稳定性,保证分析对比结果的精准度。
请参阅图3,在其中一个实施例中,获取实验室的待测图像,包括:
S160、获取实验室的视频数据;
S170、对所述视频数据进行视频分帧,得到图像帧系列;
将收集到的视频数据按照一定的帧率进行分帧,将视频拆分成一系列图像帧,以便后续的图像处理和分析;
S180、基于图像相似度比对算法比从图像帧系列中获取至少一关键图像帧;包括:
图像帧获取:首先,需要从视频或图像序列中获取连续的图像帧。
特征提取:对每个图像帧进行特征提取,例如颜色直方图、边缘信息、角点、纹理特征等。这些特征将帮助算法理解图像内容。其中,边缘检测:利用边缘检测算法(如Sobel、Canny等)识别图像中的边缘信息,以捕获目标的形状和结构特征。颜色直方图:将图像的颜色空间进行统计分析,生成颜色直方图,以描述图像中不同颜色的分布情况。纹理特征:通过纹理分析算法(如灰度共生矩阵、局部二值模式等),提取图像中的纹理特征,描述物体表面的细节和纹理信息。
相似度比对:使用图像相似度比对算法来比较图像帧之间的相似度。这可以是基于特征点匹配、结构化特征相似度、卷积神经网络等方法。
关键帧选择:根据相似度比对的结果,选择具有代表性的关键图像帧。这些帧通常会涵盖整个视频内容,并且在视觉上能够最好地代表整个视频。
S190、对所述关键图像帧进行预处理,得到所述待测图像。
对选定的关键图像帧进行处理,如去除重复帧或者进一步优化关键帧的选择。
在本实施例中,通过实时获取实验室的视频数据,保证对实验室进行实时监控,避免突发事件的发生,并对视频数据进行分帧处理,通过图像相似度比对算法从图像帧系列中获取关键图像帧,提高检测的精确性,通过对获取的关键图像帧进行预处理,保证图像质量,并适应预设的预测模型的格式,保证工作稳定性。
在其中一个实施例中,对所述关键图像帧进行预处理,包括:
使用图像处理技术对所述关键图像帧进行降噪处理;
对降噪后的关键图像帧进行图像增强,所述图像增强包括调整关键图像帧的对比度和/或亮度,增强关键图像帧的细节和/或清晰度。
在本实施例中,通过对关键图像帧进行降噪处理,从而消除图像中的无关信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进后续图像处理地可靠性。
具体的,使用图像处理技术,如高斯滤波、中值滤波等方法,去除图像中的噪声。根据需要,对图像进行增强处理,如调整对比度、亮度、锐化等,以提高图像质量。利用计算机视觉技术从图像中提取特征,例如边缘检测、颜色直方图、纹理特征等;将图像数据转换为统一的尺寸和格式,以便于后续处理和模型输入。
S200、将所述待测图像输入至预设的预测模型中,输出预测结果;
在其中一个实施例中,在将所述待测图像输入至预设的预测模型中的步骤之前还包括:S210、基于卷积神经网络构建所述预设的预测模型。
在本实施例中,通过卷积神经网络能够高效、准确地对图像进行识别,以提高检测准确性。
在其中一个实施例中,基于卷积神经网络构建所述预设的预测模型,包括:
S220、收集实验室内的图像数据;
收集大量实验室内各种情况下的图像数据,包括正常工作状态、异常情况和安全风险,对收集到的图像数据进行标注,确保数据集中包含各种场景和情境,以提高模型的泛化能力。
在其中一个实施例中,在对所述图像数据进行特征提取步骤之前,还包括:
S230、对收集到的图像数据进行设备运行状态标注和人员行为标注,所述设备运行状态包括设备异常运行和设备正常运行;所述设备异常运行包括工作时间内的异常运行状态和非工作时间内的正常运行状态;所述人员行为包括人员正常行为和人员非正常行为,所述人员非正常行为包括人员的衣着非正常行为、物品存储不当行为、人员操作不当行为和人员权限不匹配行为。
在本实施例中,通过对采集到的图像数据进行标注,标记出不同的类别和异常情况,如未经授权的人员进入、物品存储不当、设备异常运行、佩戴个人防护装备和使用实验仪器等行为等,从而提高预设的预测模型的检测性能,提高检测结果的精准度。
S240、对所述图像数据进行特征提取,生成数据集;
将标注好的图像数据集分为训练集、验证集和测试集,确保数据的充分性和代表性。
S250、利用所述数据集训练所述卷积神经网络,当所述卷积神经网络的预测精度不 满足预设值时,对所述卷积神经网络进行参数调优,直至所述预测精度满足所述预设值时,生成所述预设的预测模型。
在对卷积神经网络模型进行参数调优的步骤中,可以采用以下算法、方法或公式进行参数调优:
随机梯度下降法(SGD):算法:通过计算损失函数关于权重和偏置的梯度来更新模型的参数。公式:,其中,/>表示学习率或步长,这是一个超参数,决定了在优化过程中的每次迭代中模型的参数应该调整多少,它通过缩放梯度更新来控制收敛速度,θ表示模型参数(权重和偏置),/>和/>分别表示参数的新旧值,为模型的权重和偏置;L表示损失函数;/>表示损失函数L对参数θ的偏导值,表示损失函数相对于参数的梯度,并提供损失的最陡上升或下降的方向和幅度。
学习率衰减(learning rate decay):方法:随着训练的进行,逐渐降低学习率的大小,以使模型能够更好地收敛到最优解。公式:,其中,表示衰减后更新的学习率,/>表示任何衰减之前的原始学习率,衰减率(/>)表示决定学习率下降速率的超参数,epoch表示当前训练的迭代轮数。
动量法(Momentum):算法:引入动量项来加速梯度下降的收敛过程,并在参数更新时考虑之前的梯度方向。公式:,,其中v表示动量项,/>和/>表示动量项的新值和旧值,动量是一种通过在当前更新中添加之前更新的一小部分来加速优化过程的方法,有助于平滑更新中的振荡,可以帮助优化过程更快地收敛,动量(/>)表示动量系数,通常设置在0和1之间的超参数,它决定了当前更新中保留了多少先前的速度,/>表示学习率或步长,这是一个超参数,决定了在优化过程中的每次迭代中模型的参数应该调整多少,它通过缩放梯度更新来控制收敛速度,/>表示损失函数L对参数θ的偏导值,以及用于表示损失函数对参数的梯度。
正则化(Regularization):方法:通过添加正则化项来约束模型的复杂度,以避免过拟合现象,并提高模型的泛化能力。公式:损失函数 = 原始损失函数+λ *正则化项,其中λ是正则化参数。
提前停止训练(Early stopping):方法:在验证集上监控模型的性能,在模型性能不再改善时停止训练,以避免过拟合并获得较好的泛化能力。参数初始化:方法:选择适当的参数初始化策略,如Xavier初始化、He初始化等,以确保模型在初始阶段具有较好的学习能力。
网络结构调整:方法:根据实际问题和数据集的特点,调整卷积神经网络的层数、宽度和深度,以获得更好的性能。
数据增强(Data augmentation):方法:通过对训练数据进行随机变换、旋转、平移、缩放等操作,扩增数据集的大小,增加模型的鲁棒性和泛化能力。
在本实施例中,通过收集实验室的图像数据,并对图像数据进行特征提取,以生成数据集,从而通过数据集训练卷积神经网络,并通过参数调优从而得到预设检测模块,以对待测图像进行检测,提高检测精确度。
采用卷积神经网络(CNN)对实验室的待测图像进行安全风险预测具有以下优点:
特征学习能力强:CNN可以自动学习图像中的特征,无需手动提取特征,从而更好地捕捉图像中潜在的安全风险因素。
适应复杂场景:CNN能够处理复杂的实验室图像,包括不同光照、角度和背景条件下的图像,使得安全风险预测更加鲁棒可靠。
高准确性:通过大规模数据训练,CNN在图像分类和识别任务上通常能够取得较高的准确性,从而能够更精准地预测实验室中的安全风险。
实时性:一旦CNN模型训练完成,可以快速对实验室图像进行预测,满足实时安全监测的需求。
可解释性:相比传统机器学习方法,CNN在一定程度上能够提供决策的可解释性,帮助识别出引发安全风险的具体图像区域或特征。
可迁移性:预训练的CNN模型可以在不同实验室环境下进行迁移学习,从而加快模型训练过程,并提高预测精度。
综上所述,卷积神经网络在实验室图像安全风险预测中具有诸多优点,能够提高安全监测的效率和准确性。
S300、在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示。
在本实施例中,通过获取实验室的待测环境参数和实验室的待测图像,所述待测环境参数包括气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为中的一种或多种;并通过将待测图像输入值预设的预测模型中,从而输出待测结果,并在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示,从而实现对实验室安全风险进行智能检测,在出现异常情况时能够快速、及时发现险情,防止进一步扩大;从而实现及时、高效地对实验室进行安全管理。
一旦判断为异常情况,可以触发报警机制,例如向实验室管理人员发送警报通知,或者通过声音、灯光等方式提醒实验室人员及时纠正异常行为。记录异常行为的时间、地点以及相关视频片段、图像,以便后续的审查、分析和改进安全措施。这些数据可以帮助实验室管理人员更好地了解实验室内部的安全状况,并采取相应的措施预防类似情况再次发生。根据异常情况的记录和分析结果,对***进行持续改进,优化行为识别模型,完善安全规范,并提高异常行为检测的准确性和响应速度。
请参阅图4,本发明其中一个实施例还提供了一种实验室安全风险智能检测装置,包括:
获取模块,用于获取实验室的待测对象,其中,所述待测对象包括待测环境参数和待测图像,所述待测环境参数包括气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为;
预测模块,用于将所述待测图像输入至预设的预测模型中,输出预测结果;
提示模块,用于在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示;
其中,获取模块包括:
构建子模块,用于构建实验室的三维图;
分析子模块,用于对所述三维图进行多维度分析,其中,所述多维度分析包括实验室内部空间布局分析、冷热源识别分析、气流组织模拟分析、物品存放区域识别分析、设备操作区域分析和人员活动区域分析中的一种或多种;
确定子模块,用于根据所述多维度分析的结果确定预设安全标准、传感器布局位置和图像拍摄装置布局位置;
第一获取子模块,用于基于所述传感器布局位置安装的传感器,获取所述实验室的待测环境参数;
第二获取子模块,用于基于所述图像拍摄装置布局位置安装的图像拍摄装置,获取所述实验室的待测图像。
在本实施例中,实验室安全风险智能检测方法的优势和有益效果,已在上述进行阐述,在此不再赘述,且由于实验室安全风险智能检测装置使用实验室安全风险智能检测方法,其实验室安全风险智能检测装置同样具有相同的优势和有益效果。
本发明其中一个实施例还提供了一种应急安全柜,使用如上任意一项所述的实验室安全风险智能检测方法,或,包括如上所述的实验室安全风险智能检测装置;包括:
应急装置,所述应急装置包括灭火设备、通风设备、喷淋设备和断电设备中的一种或多种;
监控模块,与所述应急装置电连接,用于在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,控制所述应急装置执行应急策略。
在本实施例中,通过应急装置能够及时对突发情况进行处理,避免影响扩散,另外,实验室安全风险智能检测装置的优势和有益效果,已在上述进行阐述,在此不再赘述,且由于应急安全柜包括实验室安全风险智能检测装置,其应急安全柜同样具有相同的优势和有益效果。
通过将传感器、自动化控制和网络连接等技术应用于实验室安全管理,提高实验室安全水平和应急处置能力。它能够及时发现并快速反应各种危险情况,保护实验室内的人员和设备,减少事故发生的可能性。它采用先进的传感器、监测设备和自动化控制***,能够实时监测并响应实验室内发生的紧急情况,并采取相应的安全措施。具有以下优势:
实时监测:智能安全柜配备有各种传感器,如烟雾传感器、温度传感器、气体泄漏传感器等,能够实时监测实验室内的环境指标。一旦发生异常情况,比如火灾、气体泄漏等,可以立即进行报警和处理。
自动化控制:智能安全柜具备自动化控制***,可以根据传感器的监测数据,自动控制柜体内的通风、排气、灭火等设备的运行。还可以及时调整柜内的环境状况,减少或消除潜在的危险。
远程监控:智能安全柜可以连接到网络,实现远程监控和管理。用户可以通过手机APP或电脑终端,随时查看实验室内的环境状况、传感器数据和报警信息。还可以远程控制柜内设备的开启、关闭和调节。
数据记录和分析:智能安全柜能够记录和存储实验室内的环境数据,如温度、湿度、气体浓度等信息。这些数据可以用于事后分析和报告生成,帮助实验室管理人员了解实验室的使用情况和优化安全管理措施。
在一个实施例中,本发明还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序包括程序指令,程序指令当被电子设备的处理器执行时,使处理器执行如上述任意一种可能实现的方式的方法。
在一个实施例中,本发明还提供了一种电子设备,包括:处理器、发送装置、输入装置、输出装置和存储器,存储器用于存储计算机程序代码,计算机程序代码包括计算机指令,当处理器执行所述计算机指令时,电子设备执行如上述任意一种可能实现的方式的方法。
请参阅图5,图5为本发明实施例提供的一种电子设备的硬件结构示意图。
该电子设备2包括处理器21,存储器22,输入装置23,输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合,该连接器包括各类接口、传输线或总线等等,本发明实施例对此不作限定。应当理解,本发明的各个实施例中,耦合是指通过特定方式的相互联系,包括直接相连或者通过其他设备间接相连,例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphics processing unit, GPU),在处理器21是一个GPU的情况下,该GPU可以是单核GPU,也可以是多核GPU。可选的,处理器21可以是多个GPU构成的处理器组,多个处理器之间通过一个或多个总线彼此耦合。可选的,该处理器还可以为其他类型的处理器等等,本发明实施例不作限定。
存储器22可用于存储计算机程序指令,以及用于执行本发明方案的程序代码在内的各类计算机程序代码。可选地,存储器包括但不限于是随机存储记忆体(random accessmemory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器用于相关指令及数据。
输入装置23用于输入数据和/或信号,以及输出装置24用于输出数据和/或信号。输出装置23和输入装置24可以是独立的器件,也可以是一个整体的器件。
可理解,本发明实施例中,存储器22不仅可用于存储相关指令,本发明实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是,图5仅仅示出了一种电子设备的简化设计。在实际应用中,电子设备还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出装置、处理器、存储器等,而所有可以实现本发明实施例的视频解析装置都在本发明的保护范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。所属领域的技术人员还可以清楚地了解到,本发明各个实施例描述各有侧重,为描述的方便和简洁,相同或类似的部分在不同实施例中可能没有赘述,因此,在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(digital versatiledisc,DVD))、或者半导体介质(例如固态硬盘(solid state disk ,SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:只读存储器(read-only memory,ROM)或随机存储存储器(random access memory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (6)
1.一种实验室安全风险智能检测方法,其特征在于,包括以下步骤:
获取实验室的待测对象,其中,所述待测对象包括待测环境参数和待测图像,所述待测环境参数包括气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为;
基于卷积神经网络构建预设的预测模型,包括:收集实验室内的图像数据;对收集到的图像数据进行设备运行状态标注和人员行为标注,所述设备运行状态包括设备异常运行和设备正常运行,所述设备异常运行包括工作时间内的异常运行状态和非工作时间内的正常运行状态,所述人员行为包括人员正常行为和人员非正常行为,所述人员非正常行为包括人员的衣着非正常行为、物品存储不当行为、人员操作不当行为和人员权限不匹配行为;对所述图像数据进行特征提取,生成数据集;利用所述数据集训练所述卷积神经网络,当所述卷积神经网络的预测精度不 满足预设值时,对所述卷积神经网络进行参数调优,直至所述预测精度满足所述预设值时,生成所述预设的预测模型;
将所述待测图像输入至预设的预测模型中,输出预测结果;
在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示,并记录异常行为的时间、地点以及相关视频片段、图像;
根据异常情况的记录和分析结果,优化预设的预测模型;
其中,获取实验室的待测对象,包括:
构建实验室的三维图;
对所述三维图进行多维度分析,其中,所述多维度分析包括实验室内部空间布局分析、冷热源识别分析、气流组织模拟分析、物品存放区域识别分析、设备操作区域分析和人员活动区域分析;其中,所述实验室内部空间布局分析包括对实验室的空间大小、隔断结构和门窗位置中的一种或多种数据进行分析,以确定空间结构对所述待测环境参数传播的影响;所述冷热源识别分析包括对实验室的热源和冷源进行分析,以确定所述冷源和热源对所述待测环境参数的影响;其中所述热源包括加热器、烘干机和暖风机中的一种或多种,所述冷源包括空调出风口、加湿器和冰箱中的一种或多种;所述气流组织模拟分析包括利用三维图进行气流组织模拟,分析三维图中的通风结构和通风设备对气流组织的影响,以确定不同区域的通风情况和环境参数梯度;其中,所述通风结构和通风设备包括通风口、空调出风口和抽风机中的一种或多种;所述物品存放区域识别分析包括基于物品类型对物品存放区域进行分类,分析分类后的物品存放区域的位置对待测环境参数的影响;所述设备操作区域分析包括对设备放置位置和设备操作区域进行标注,并根据标注信息分析所述设备放置位置和设备操作区域的环境参数梯度;所述人员活动区域分析包括对所述人员活动区域进行标注,并根据标注信息分析所述人员活动区域的环境参数梯度;
根据所述多维度分析的结果与待测环境参数和待测图像综合评估,确定预设安全标准、传感器布局位置和图像拍摄装置布局位置;
基于所述传感器布局位置安装传感器,以获取所述实验室的待测环境参数;
基于所述图像拍摄装置布局位置安装图像拍摄装置,以获取所述实验室的待测图像。
2.如权利要求1所述的实验室安全风险智能检测方法,其特征在于,获取实验室的待测图像,包括:
获取实验室的视频数据;
对所述视频数据进行视频分帧,得到图像帧系列;
基于图像相似度比对算法比从图像帧系列中获取至少一关键图像帧;
对所述关键图像帧进行预处理,得到所述待测图像。
3.如权利要求2所述的实验室安全风险智能检测方法,其特征在于,对所述关键图像帧进行预处理,包括:
使用图像处理技术对所述关键图像帧进行降噪处理;
对降噪后的关键图像帧进行图像增强,所述图像增强包括调整关键图像帧的对比度和/或亮度,增强关键图像帧的细节和/或清晰度。
4.如权利要求1所述的实验室安全风险智能检测方法,其特征在于,在对所述卷积神经网络进行参数调优的步骤中,包括使用随机梯度下降法、学习率衰减、动量法、正则化、提前停止训练和网络结构调整中的一种或多种方法进行参数调优。
5.一种实验室安全风险智能检测装置,其特征在于,包括:
获取模块,用于获取实验室的待测对象,其中,所述待测对象包括待测环境参数和待测图像,所述待测环境参数包括气体的浓度值、温度值和湿度值;所述待测图像包括设备的运行状态和人员行为;
预测模块,用于将所述待测图像输入至预设的预测模型中,输出预测结果;其中,基于卷积神经网络构建所述预设的预测模型,包括:收集实验室内的图像数据;对收集到的图像数据进行设备运行状态标注和人员行为标注,所述设备运行状态包括设备异常运行和设备正常运行,所述设备异常运行包括工作时间内的异常运行状态和非工作时间内的正常运行状态,所述人员行为包括人员正常行为和人员非正常行为,所述人员非正常行为包括人员的衣着非正常行为、物品存储不当行为、人员操作不当行为和人员权限不匹配行为;对所述图像数据进行特征提取,生成数据集;利用所述数据集训练所述卷积神经网络,当所述卷积神经网络的预测精度不 满足预设值时,对所述卷积神经网络进行参数调优,直至所述预测精度满足所述预设值时,生成所述预设的预测模型;
提示模块,用于在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,发出预设警报提示,并记录异常行为的时间、地点以及相关视频片段、图像,以便根据异常情况的记录和分析结果,优化预设的预测模型;
其中,获取模块包括:
构建子模块,用于构建实验室的三维图;
分析子模块,用于对所述三维图进行多维度分析,其中,所述多维度分析包括实验室内部空间布局分析、冷热源识别分析、气流组织模拟分析、物品存放区域识别分析、设备操作区域分析和人员活动区域分析;其中,所述实验室内部空间布局分析包括对实验室的空间大小、隔断结构和门窗位置中的一种或多种数据进行分析,以确定空间结构对所述待测环境参数传播的影响;所述冷热源识别分析包括对实验室的热源和冷源进行分析,以确定所述冷源和热源对所述待测环境参数的影响;其中所述热源包括加热器、烘干机和暖风机中的一种或多种,所述冷源包括空调出风口、加湿器和冰箱中的一种或多种;所述气流组织模拟分析包括利用三维图进行气流组织模拟,分析三维图中的通风结构和通风设备对气流组织的影响,以确定不同区域的通风情况和环境参数梯度;其中,所述通风结构和通风设备包括通风口、空调出风口和抽风机中的一种或多种;所述物品存放区域识别分析包括基于物品类型对物品存放区域进行分类,分析分类后的物品存放区域的位置对待测环境参数的影响;所述设备操作区域分析包括对设备放置位置和设备操作区域进行标注,并根据标注信息分析所述设备放置位置和设备操作区域的环境参数梯度;所述人员活动区域分析包括对所述人员活动区域进行标注,并根据标注信息分析所述人员活动区域的环境参数梯度;
确定子模块,用于根据所述多维度分析的结果与待测环境参数和待测图像综合评估,确定预设安全标准、传感器布局位置和图像拍摄装置布局位置;
第一获取子模块,用于基于所述传感器布局位置安装的传感器,获取所述实验室的待测环境参数;
第二获取子模块,用于基于所述图像拍摄装置布局位置安装的图像拍摄装置,获取所述实验室的待测图像。
6.一种应急安全柜,包括如权利要求5所述的实验室安全风险智能检测装置;其特征在于,包括:
应急装置,所述应急装置包括灭火设备、通风设备、喷淋设备和断电设备中的一种或多种;
监控模块,与所述应急装置电连接,用于在所述待测环境参数不在预设安全标准的范围内时,或所述预测结果为异常时,控制所述应急装置执行应急策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311688618.7A CN117392614B (zh) | 2023-12-11 | 2023-12-11 | 实验室安全风险智能检测方法、装置以及应急安全柜 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311688618.7A CN117392614B (zh) | 2023-12-11 | 2023-12-11 | 实验室安全风险智能检测方法、装置以及应急安全柜 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392614A CN117392614A (zh) | 2024-01-12 |
CN117392614B true CN117392614B (zh) | 2024-03-29 |
Family
ID=89467013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311688618.7A Active CN117392614B (zh) | 2023-12-11 | 2023-12-11 | 实验室安全风险智能检测方法、装置以及应急安全柜 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392614B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865149A (zh) * | 2019-10-21 | 2020-03-06 | 深圳市图灵科创产业发展有限公司 | 室内公共环境监测方法及*** |
CN111177468A (zh) * | 2019-12-19 | 2020-05-19 | 杭州电子科技大学 | 一种基于机器视觉的实验室人员不安全行为安全检查方法 |
CN113432655A (zh) * | 2021-07-30 | 2021-09-24 | 广东工业大学 | 一种实验室安全实时监测*** |
CN116067425A (zh) * | 2022-12-28 | 2023-05-05 | 中建三局第一建设安装有限公司 | 一种高要求实验室环境实时监测***及其监测方法 |
CN116311081A (zh) * | 2023-05-12 | 2023-06-23 | 天津医科大学 | 一种基于图像识别的医学实验室监控图像分析方法和*** |
CN116580350A (zh) * | 2023-04-15 | 2023-08-11 | 上海瑞鸟信息科技有限公司 | 一种实验室安全监测预警方法及*** |
CN116773751A (zh) * | 2023-07-11 | 2023-09-19 | 中国工商银行股份有限公司 | 机房的环境检测方法、装置、存储介质及电子设备 |
CN117079211A (zh) * | 2023-08-16 | 2023-11-17 | 广州腾方科技有限公司 | 一种网络机房的安全监控***及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210398412A9 (en) * | 2018-12-18 | 2021-12-23 | Bonny Banerjee | Multi-sensor device for environment state estimation and prediction by sampling its own sensors and other devices |
-
2023
- 2023-12-11 CN CN202311688618.7A patent/CN117392614B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865149A (zh) * | 2019-10-21 | 2020-03-06 | 深圳市图灵科创产业发展有限公司 | 室内公共环境监测方法及*** |
CN111177468A (zh) * | 2019-12-19 | 2020-05-19 | 杭州电子科技大学 | 一种基于机器视觉的实验室人员不安全行为安全检查方法 |
CN113432655A (zh) * | 2021-07-30 | 2021-09-24 | 广东工业大学 | 一种实验室安全实时监测*** |
CN116067425A (zh) * | 2022-12-28 | 2023-05-05 | 中建三局第一建设安装有限公司 | 一种高要求实验室环境实时监测***及其监测方法 |
CN116580350A (zh) * | 2023-04-15 | 2023-08-11 | 上海瑞鸟信息科技有限公司 | 一种实验室安全监测预警方法及*** |
CN116311081A (zh) * | 2023-05-12 | 2023-06-23 | 天津医科大学 | 一种基于图像识别的医学实验室监控图像分析方法和*** |
CN116773751A (zh) * | 2023-07-11 | 2023-09-19 | 中国工商银行股份有限公司 | 机房的环境检测方法、装置、存储介质及电子设备 |
CN117079211A (zh) * | 2023-08-16 | 2023-11-17 | 广州腾方科技有限公司 | 一种网络机房的安全监控***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117392614A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20100002142A1 (en) | System and method for video-processing algorithm improvement | |
CN116386120B (zh) | 一种用于智慧校园宿舍的无感监控管理*** | |
JP2019121162A (ja) | 監視装置、監視方法および監視プログラム | |
CN112085281B (zh) | 检测业务预测模型安全性的方法及装置 | |
WO2020167155A1 (ru) | Способ и система выявления тревожных событий при взаимодействии с устройством самообслуживания | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测*** | |
Ryder et al. | Hierarchical temporal memory continuous learning algorithms for fire state determination | |
CN117369349B (zh) | 一种远程监测智能机器人的管理*** | |
CN117392614B (zh) | 实验室安全风险智能检测方法、装置以及应急安全柜 | |
CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
CN116952654A (zh) | 一种行政监督用环境监测预警*** | |
CN114915446B (zh) | 一种融合先验知识的智能网络安全检测方法 | |
CN111402444B (zh) | 一种一体化机房运维管理*** | |
Kothari et al. | An efficient scheme for water leakage detection using support vector machines (SVM)-Zig | |
Gertsvolf et al. | Image Processing for Future Machine Learning Algorithm Applications on Infrared Thermography of Building Envelope Systems | |
CN113836813A (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
Sohn et al. | Siting bio‐samplers in buildings | |
CN117935021B (zh) | 基于深度学习的现场火灾图像分析模型训练方法及*** | |
KR102601051B1 (ko) | 가축질병 실시간 예찰 기술 및 지능형 방역위생 시스템 | |
CN114237072B (zh) | 应用云控制技术的智能家居门锁一体化控制***及方法 | |
CN117291430B (zh) | 一种基于机器视觉的安全生产检测方法及装置 | |
CN117857202B (zh) | 一种信息***的多维度安全评估方法 | |
CN117994700A (zh) | 基于ai智能识别的智慧工地人员行为识别***及方法 | |
CN117935164A (zh) | 智能站房安防监控方法及*** | |
CN117237702A (zh) | 有害气体监测方法、装置、设备及存储介质 |
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 |