【技术实现步骤摘要】
本专利技术属于化工园区智能管理，具体是指基于人工智能的化工园区动态风险监测预警方法及系统。
技术介绍
1、化工园区动态风险监测预警，利用机器学习技术，实时监测化工园区内的风险因素，提供及时的风险预警和安全管理决策支持。它旨在提升化工园区的安全管理水平，最大限度地发挥监管资源的效能，预防事故发生，保障园区安全。但在现有的化工园区动态风险监测预警过程中，存在依据气体和声波监测危险化工品安全，容易受到外部环境的影响，在特定距离内才能确保检测的准确性，降低了化工品安全监测的可靠性，影响系统实用性的技术问题；存在化工品图像数据具有丰富的特征信息，现有方法难以充分利用图像数据中的多尺度特征，进而导致细节信息丢失，影响化工品安全监测的准确性和精确度的技术问题；存在中控室环境复杂，干扰因素较多，影响了模型结果的可靠性，且工作人员状态分类对及时性的要求较高的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的化工园区动态风险监测预警方法及系统，针对在化工园区动态风险监测预警过程，存在依据气体和声波监测危险化工品安全，容易受到外部环境的影响，在特定距离内才能确保检测的准确性，降低了化工品安全监测的可靠性，影响系统实用性的技术问题，本方案创造性地采用化工品图像数据进行化工品安全监测，克服了对距离的依赖性，且具有更好的实时性和灵活性，优化了监测精度和范围，进而增强了化工品安全监测的可靠性和系统实用性；针对在化工园区动态风险监测预警过程，存在化工品图像数据具有丰富
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的化工园区动态风险监测预警方法，该方法包括以下步骤：
3、步骤s1：实时监控；
4、步骤s2：数据预处理；
5、步骤s3：化工品安全监测；
6、步骤s4：工作人员状态分类；
7、步骤s5：化工园区风险管理。
8、进一步地，在步骤s1中，所述实时监控，用于监控化工园区并采集数据，具体为通过传感器对化工园区的目标区域进行实时监控，采集得到化工园区原始数据，所述化工园区原始数据包括化工品图像数据和监控图像数据，所述化工品图像数据具体指化工品周围区域的红外图像数据和紫外图像数据，所述监控图像数据具体指化工园区中控室的监控图像数据。
9、进一步地，在步骤s2中，所述数据预处理，用于优化图像数据质量，具体为通过图像去噪、像素值归一化、数据增强和伪影去除操作，对化工园区原始数据进行数据预处理，得到化工园区增强数据，所述化工园区增强数据包括化工品图像增强数据和监控图像增强数据。
10、进一步地，在步骤s3中，所述化工品安全监测，用于监测危险化工品有无泄露，具体为依据化工品图像增强数据，采用结构优化的深度语义分割网络v3+模型进行化工品安全监测，得到化工品安全信息；
11、所述结构优化的深度语义分割网络v3+模型，具体包括轻量级主干网络、混合空间金字塔池化模块、增强解码模块和输出层；
12、所述轻量级主干网络，用于提取特征语义信息；
13、所述混合空间金字塔池化模块，用于捕捉多尺度上下文信息；
14、所述增强解码模块，用于恢复特征图分辨率并融合底层特征信息；
15、所述化工品安全监测，包括以下步骤：
16、步骤s31：构建深度语义分割网络v3+模型的基础架构，所述深度语义分割网络v3+模型，具体包括主干网络、空洞空间金字塔池化模块、解码模块和输出层；
17、步骤s32：优化深度语义分割网络v3+模型，具体为通过优化深度语义分割网络v3+模型的结构，得到结构优化的深度语义分割网络v3+模型，包括以下步骤：
18、步骤s321：将深度语义分割网络v3+模型的主干网络替换为mobilenetv2，提高特征提取效率，得到轻量级主干网络；
19、步骤s322：优化空洞空间金字塔池化模块，得到混合空间金字塔池化模块，所述空洞空间金字塔池化模块包括第一空洞卷积层、第二空洞卷积层、第三空洞卷积层、第四空洞卷积层和全局平均池化层，具体包括以下步骤：
20、步骤s3221：将空洞空间金字塔池化模块中的第二空洞卷积层、第三空洞卷积层、第四空洞卷积层分别替换为第一混合扩张卷积块、第二混合扩张卷积块和第三混合扩张卷积块；
21、步骤s3222：将空洞空间金字塔池化模块中的全局平均池化层替换为带状池化层，得到混合空间金字塔池化模块，用于增强模型的细节处理能力；
22、所述带状池化层，通过同时进行水平带状池化和垂直带状池化，来获取全局信息，结合两个方向上的输出，通过1×1卷积操作和s型激活函数进行计算，得到总特征图，并将总特征图与原始特征图融合，得到带状池化层的最终输出，计算公式为：
23、；
24、式中，xh是垂直带状池化后的特征图，h是原始特征图高度，所述原始特征图具体指输入到带状池化层的特征图，i是垂直方向上的索引，具体指原始特征图的行索引，j是水平方向上的索引，具体指原始特征图的列索引，c是通道第一索引，具体指原始特征图的通道索引，x是原始特征图，xv是水平带状池化后的特征图，w是原始特征图宽度，xhv是总特征图，sig(·)是s型激活函数，conv1×1(·)是1×1卷积操作，xfinal是带状池化层的最终输出，scale(·)是缩放操作，用于融合特征图；
25、步骤s323：在解码模块中加入高效通道注意力网络，用于提高分割效果，得到增强解码模块；
26、步骤s33：构建化工品安全监测模型，具体为基于结构优化的深度语义分割网络v3+模型，采用dice系数损失函数进行模型训练，得到化工品安全监测模型；
27、步骤s34：通过化工品安全监测模型，进行化工品安全监测，得到化工品安全信息。
28、进一步地，在步骤s4中，所述工作人员状态分类，用于中控室人员的工作状态分类，具体为依据监控图像增强数据，采用基于挤压激励块的模糊深度网络模型，进行工作人员状态分类，得到工作状态信息；
29、所述基于挤压激励块的模糊深度网络模型，具体本文档来自技高网...
【技术保护点】
1.基于人工智能的化工园区动态风险监测预警方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤S3中，所述化工品安全监测，用于监测危险化工品有无泄露，包括以下步骤：
3.根据权利要求2所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤S32中，所述优化深度语义分割网络V3+模型，包括以下步骤：
4.根据权利要求3所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤S4中，所述工作人员状态分类，用于中控室人员的工作状态分类，包括以下步骤：
5.根据权利要求4所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤S42中，所述构建基于挤压激励块的模糊深度网络模型，包括以下步骤：
6.根据权利要求5所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤S5中，所述化工园区风险管理，包括以下步骤：
7.根据权利要求6所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤
8.基于人工智能的化工园区动态风险监测预警系统，用于实现如权利要求1-7中任一项所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：包括实时监控模块、数据预处理模块、化工品安全监测模块、工作人员状态分类模块和化工园区风险管理模块。
9.根据权利要求8所述的基于人工智能的化工园区动态风险监测预警系统，其特征在于：所述实时监控模块，用于监控化工园区并采集数据，具体为通过传感器对化工园区的目标区域进行实时监控，采集得到化工园区原始数据，并将所述化工园区原始数据发送至数据预处理模块；
...【技术特征摘要】
1.基于人工智能的化工园区动态风险监测预警方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤s3中，所述化工品安全监测，用于监测危险化工品有无泄露，包括以下步骤：
3.根据权利要求2所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤s32中，所述优化深度语义分割网络v3+模型，包括以下步骤：
4.根据权利要求3所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤s4中，所述工作人员状态分类，用于中控室人员的工作状态分类，包括以下步骤：
5.根据权利要求4所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤s42中，所述构建基于挤压激励块的模糊深度网络模型，包括以下步骤：
6.根据权利要求5所述的基于人工智能的化工园区动态风险监测预警方法，其特征在于：在步骤s5中，所述化工园区风险管理，包括以下步骤...
【专利技术属性】
技术研发人员：赵和伟，姜朝露，张文，
申请(专利权)人：北京思路智园科技有限公司，
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。