【技术实现步骤摘要】
本专利技术涉及工业安全图像识别，更具体地说，本专利技术涉及基于ai大模型的工业安全领域的图像识别方法及系统。
技术介绍
1、传统工业生产中，对生产安全的预警方式一般是通过现场巡查或设备定期检修，这种方式预警及时性不足，若在两次检查期间出现生产问题，人员无法及时察觉，为了增加预警及时性，生产过程中通常会通过传感器预警技术，即通过检测温度，气体浓度，压力等进行生产安全监控，但是在一些工厂生产中，生产环境可能会在极端环境条件下进行，导致如超高温或超高压生产条件下传感器不稳定或失灵问题。
2、如何使用一种在兼顾预警及时性且避免监测设备在极端生产条件下功能受限的情况下的方案是一个亟须解决的技术问题。
3、为了解决上述问题，现提供一种技术方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于ai大模型的工业安全领域的图像识别方法及系统以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、收集工厂排放烟雾相关图像、视频资料，找出其中拍摄清晰的作为样本，根据不同环境条件对样本进行归类，建立不同环境条件对应的样本集特征向量哈希表；
4、根据颜色特征处理流程处理样本烟雾图像，分析样本烟雾图像的颜色特征，建立颜色标准特征向量；
5、根据像素波动特征处理流程处理样本烟雾图像，分析样本烟雾图像的像素波动特征，建立时序像素波动标准特征向量；
6、采集工厂运作时的实
7、综合分析标准特征向量和实时特征向量，计算烟雾特征偏差系数，评估工厂生产排放烟雾的异常偏差程度，对工厂生产排放烟雾的异常进行预警。
8、在一个优选的实施方式中，所述根据不同环境条件对样本进行归类，建立不同环境条件对应的样本集特征向量哈希表具体包括：
9、预先拍摄并收集大量的工厂排烟相关图像、视频资料，找出其中清晰的图像和排烟时间较长且连续的视频作为样本；
10、根据拍摄时光线条件、风向和风力级别，对样本进行分类，将相同光线条件和风力条件的样本归为同类样本集；
11、根据环境条件和样本集对应的颜色标准特征向量建立环境-颜色标准特征向量哈希表；
12、根据环境条件和样本集对应的时序像素波动标准特征向量建立环境-像素波动标准特征向量哈希表。
13、在一个优选的实施方式中，所述根据颜色特征处理流程处理样本烟雾图像，分析样本烟雾图像的颜色特征，建立颜色标准特征向量具体包括：
14、根据颜色特征处理流程处理样本烟雾图像，获取样本烟雾图像的颜色特征向量，将所有样本烟雾图像的颜色特征向量进行特征聚合，得到聚合后的特征向量，标记为颜色标准特征向量；
15、其中，颜色特征处理流程为：
16、提取烟雾图像的颜色特征，根据预定义的颜色分组，计算每个颜色分组区间的像素数量，建立颜色直方图h；h＝[h1,h2,…hi,…hn]；hi表示第i个颜色分组区间的像素数量；
17、选择rgb颜色空间，通过烟雾图像颜色通道的均值、方差和偏度，构建颜色矩，其表达式为：
18、
19、式中，ui是第i个颜色通道的均值，是第i个颜色通道的方差，γi是第i个颜色通道的偏度，f是所有颜色通道的均值、方差和偏度的集合，fi是第i个颜色通道的均值、方差和偏度；
20、根据颜色直方图和颜色矩构建颜色特征向量：
21、tc＝[h,f]；
22、其中，tc是颜色特征向量；
23、对所有样本烟雾的颜色特征向量进行特征聚合，特征向量聚合表达式为：
24、
25、式中，ts为特征聚合后的颜色特征向量，n为选定样本数量，tci为第i个样本的颜色特征向量；
26、将特征聚合后的颜色特征向量ts标记为颜色标准特征向量，同时获取样本集的环境条件信息，存入环境-颜色标准特征向量哈希表。
27、在一个优选的实施方式中，所述根据像素波动特征处理流程处理样本烟雾图像，分析样本烟雾图像的像素波动特征，建立时序像素波动标准特征向量具体包括：
28、将样本视频按固定间隔时间点采集图像，作为像素波动特征处理的样本烟雾图像；
29、设定连续等长间隔的时间点位，根据像素波动特征处理流程处理样本烟雾图像，分析提取的样本烟雾图像的像素波动特征，计算每个对应时间点位的像素波动特征向量，将该时间点上的所有样本烟雾图像的像素波动特征向量进行特征聚合，再将每个时间点位上特征聚合后的像素波动特征向量组成集合，标记为时序像素波动标准特征向量；
30、其中，像素波动特征处理流程为：
31、设置固定间隔时间点t，t＝1，2，3...，分析在每个时间点位上图像的烟雾像素数量变化情况和分布面积变化情况；
32、对每个时间点的烟雾图像，计算其像素点数量变化标准差σn，像素点数量变化标准差计算公式为：
33、
34、式中，t是当前时间点位，nt是第t个时间点位的像素数量，代表到第t个时间点位的像素数量平均值；
35、根据像素边界建立最小外接矩形，计算最小外接矩形面积变化标准差σs，最小外接矩形面积变化标准差计算公式为：
36、
37、式中，t是当前时间点位，st是第t个时间点位的最小外接矩形面积，代表到第t个时间点位的最小外接矩形面积平均值；
38、根据像素点数量变化标准差和像素边界最小外接矩形面积变化标准差计算像素波动特征向量，像素波动特征向量计算公式为：
39、
40、式中，rc是像素波动特征向量；
41、对每个时间点位上的所有样本的像素波动特征向量进行特征聚合，聚合表达式为：
42、
43、式中，rs为特征聚合后的像素波动特征向量，n为选定样本数量，rci为第i个样本的烟雾像素波动特征向量；
44、根据每个时间点位的聚合后的像素波动特征向量，建立时序像素波动特征向量rt＝[rs1,rs2,...rsi,...rsn]；rsi为第i个时间点位的特征聚合后的像素波动特征向量；
45、将时序像素波动特征向量rt标记为时序像素波动标准特征向量，同时获取样本集的环境条件信息，存入环境-时序像素波动标准特征向量哈希表。
46、在一个优选的实施方式中，所述采集工厂运作时的实时烟雾图像进行分析，根据颜色特征处理流程处理实时烟雾图像，建立烟雾实时颜色特征向量，根据像素波动特征处理流程处理实时烟雾图像，建立烟雾实时时序像素波动特征向量具体包括：
47、获取当前需要处理的工厂实时排放烟雾图像和视频资料，将视频按固定间隔时间点采集图像，作为本文档来自技高网...
【技术保护点】
1.基于AI大模型的工业安全领域的图像识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于AI大模型的工业安全领域的图像识别方法，其特征在于，所述根据不同环境条件对样本进行归类，建立不同环境条件对应的样本集特征向量哈希表具体包括：
3.根据权利要求2所述的基于AI大模型的工业安全领域的图像识别方法，其特征在于，所述根据颜色特征处理流程处理样本烟雾图像，分析样本烟雾图像的颜色特征，建立颜色标准特征向量具体包括：
4.根据权利要求3所述的基于AI大模型的工业安全领域的图像识别方法，其特征在于，所述根据像素波动特征处理流程处理样本烟雾图像，分析样本烟雾图像的像素波动特征，建立时序像素波动标准特征向量具体包括：
5.根据权利要求4所述的基于AI大模型的工业安全领域的图像识别方法，其特征在于，所述采集工厂运作时的实时烟雾图像进行分析，根据颜色特征处理流程处理实时烟雾图像，建立烟雾实时颜色特征向量，根据像素波动特征处理流程处理实时烟雾图像，建立烟雾实时时序像素波动特征向量具体包括：
6.根据权利要求5所述的基于AI大模
7.基于AI大模型的工业安全领域的图像识别系统，用于实现权利要求1-6任一项所述的基于AI大模型的工业安全领域的图像识别方法，其特征在于，包括：
...【技术特征摘要】
1.基于ai大模型的工业安全领域的图像识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于ai大模型的工业安全领域的图像识别方法，其特征在于，所述根据不同环境条件对样本进行归类，建立不同环境条件对应的样本集特征向量哈希表具体包括：
3.根据权利要求2所述的基于ai大模型的工业安全领域的图像识别方法，其特征在于，所述根据颜色特征处理流程处理样本烟雾图像，分析样本烟雾图像的颜色特征，建立颜色标准特征向量具体包括：
4.根据权利要求3所述的基于ai大模型的工业安全领域的图像识别方法，其特征在于，所述根据像素波动特征处理流程处理样本烟雾图像，分析样本烟雾图像的像素波动特征，建立时序像素波动标准特征向量具体包括：
...【专利技术属性】
技术研发人员：姚明位，
申请(专利权)人：深圳德创信息科技有限公司，
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。