一种多灾害综合防治的煤矿安全生产智能管理系统的制作方法

摘要: 本发明涉及米斛加工,尤其涉及一种多灾害综合防治的煤矿安全生产智能管理系统。背景技术:1、随着煤矿智能化的推进,基于机器视觉的智能监控系统已广泛应用于皮带异物识别...
一种多灾害综合防治的煤矿安全生产智能管理系统的制作方法

本发明涉及米斛加工,尤其涉及一种多灾害综合防治的煤矿安全生产智能管理系统。

背景技术:

1、随着煤矿智能化的推进,基于机器视觉的智能监控系统已广泛应用于皮带异物识别、人员违规操作监测及作业面状态分析等场景。然而,现有技术存在以下显著缺陷:

2、煤矿井下地质条件千矿千面,不同矿井的照度衰减率、粉尘浓度、水汽分布存在巨大差异。在某一矿井(源域)依靠大量标注数据训练成熟的机器视觉模型,在直接部署至光照和煤尘条件不同的另一矿井(目标域)时,往往会出现特征提取失效,导致误报率和漏报率急剧飙升。现有的解决方式多为在目标矿井重新采集海量数据进行人工标注和模型重训,该方式实施周期长、部署成本极高,且无法应对同一矿井下采掘工作面推进造成的环境动态变化;

3、针对上述的技术缺陷,现提出解决方案。

技术实现思路

1、本发明的目的在于:利用目标矿井的实时视频流在边缘端进行本地化微调,通过梯度反转层有效滤除了目标矿井特有的光照变化与煤尘散射等风格噪声,提取出域不变的本质安全特征,彻底免去了新环境部署时海量数据人工标注的昂贵成本与漫长周期,基于实时粉尘浓度与照度等环境态势数据,动态计算视觉置信度衰减系数,自动降低视觉权重,并与抗干扰的非视觉模态数据进行交叉验证与自适应补偿,确保了极端环境下的精准识别,同时将灾害判断与执行逻辑下沉至边缘计算侧,一旦判定高危紧急险情,不依赖易受损的云端主干网络,直接在边缘侧触发底层设备的硬连线急停指令,并同步联动局部除尘与照明增强。

2、为了实现上述目的,本发明采用了如下技术方案:一种多灾害综合防治的煤矿安全生产智能管理系统,包括多源数据采集单元、模型构建单元、模型优化单元、灾害判断单元和物理联锁执行单元,其中:

3、多源数据采集单元,用于获取目标域的实时生产视频流,并同步获取与所述视频流时间戳对齐的现场环境态势数据,所述现场环境态势数据包括实时粉尘浓度、照度值、温湿度;

4、模型构建单元,用于将基于源域样本预训练的成熟视觉模型下发至边缘端,利用目标域采集的未标注实时视频帧作为目标域样本,构建包含特征提取网络、任务预测网络和域判别网络的生成对抗模型;

5、模型优化单元,用于通过特征提取网络提取图像特征,利用域判别网络判断图像特征来源,并通过梯度反转层进行对抗训练,迫使特征提取网络滤除目标域特有的风格噪声,提取出域不变的本质安全特征,完成生成对抗模型的本地化微调;

6、灾害判断单元,用于将微调后的生成对抗模型输出的初步识别结果输入至动态融合算法中,基于实时环境态势数据,计算当前环境下的视觉置信度衰减系数,以得到降权后的视觉识别结果,并与同区域的非视觉模态数据进行交叉验证和加权融合,输出最终的灾害判定概率;

7、物理联锁执行单元,用于根据最终的灾害判定结果,生成对应的灾害防治策略,若判定为高危紧急险情,在边缘侧触发底层设备的硬连线急停指令,并同步启动局部除尘以及增强照明设备。

8、进一步的,构建特征提取网络的具体过程如下:

9、所述特征提取网络采用深度残差网络作为骨干架构,具体的包括:

10、物理层构成:包括连续交替部署的卷积层、批归一化层以及激活函数层,在深度残差网络的末端,隐去原有的全连接分类层,替换为全局平均池化层,从而输出维度为1×1×d的深层空间特征特征向量f,其中d为特征通道数;

11、将来自源域的已标注煤矿图像和目标域的未标注实时视频帧分别输入至特征提取网络,经由共享权重的卷积核进行特征映射,分别得到源域特征向量和目标域特征向量。

12、进一步的,构建任务预测网络的具体过程如下:

13、所述任务预测网络用于根据提取出的源域特征向量和目标域特征向量,执行具体的煤矿安全生产灾害分类任务,具体如下:

14、物理层构成:由全连接层和softmax分类层级联构成,所述任务预测网络的输入节点的数量与特征提取网络输出的特征维度d相匹配,输出节点的数量则根据煤矿实际灾害与违规操作的类别数k进行设定;

15、在生成对抗模型构建和训练阶段,任务预测网络仅对源域特征向量进行前向传播计算,输出对应的灾害类别概率预测值,通过计算预测值与源域真实标准标签标准之间的交叉熵损失,形成监督学习闭环,确保生成对抗模型具备生产灾害分类能力。

16、进一步的,构建域判别网络的具体过程如下:

17、所述域判别网络用于作为生成对抗模型中的判别器,用于判断输入的特征向量的来源,具体如下:

18、物理层构成:采用多层感知机结构,具体包括输入层、至少两层中间隐藏全连接层以及一个单节点的输出层,所述输出层通过sigmoid激活函数将结果映射在[0,1]区间内,输出值逼近0时判定为源域特征向量,逼近1时判定为目标域特征向量;

19、所述域判别网络同时接收源域特征向量和目标域特征向量,在特征提取网络与域判别网络之间引入梯度反转层,在前向传播过程中,引入梯度反转层表现为恒等映射,将特征向量原封不动地传给域判别网络,由域判别网络计算域分类损失;

20、在反向传播时,引入梯度反转层将从中域判别网络传回的梯度乘以一个负标量值,迫使特征提取网络的参数向着最大化域判别器误差的方向进行梯度更新。

21、进一步的,构建生成对抗模型的具体过程如下:

22、预设生成对抗模型的参数集包括特征提取参数、任务预测参数和域判别参数,则生成对抗模型的总损失函数表示如下:

23、;

24、其中,为源域安全灾害分类的任务损失函数,用于保证基本的灾害识别精度;

25、为域判别损失函数,用于衡量源域特征向量分布与目标域特征向量分布的差异;

26、为预设的动态对抗平衡系数。

27、进一步的,通过特征提取网络提取图像特征的具体过程如下:

28、在每个训练批次中,并行构建两路数据流:第一路为源域数据流,包含从预存的标准数据库中抽取的已标注煤矿灾害和违规图像,及其对应的真实类别标签;

29、第二路为目标域数据流,包含由所述多源数据采集单元在当前矿井实时采集的、未标注的目标域视频帧;

30、将和同时输入至共享参数的特征提取网络中,特征提取网络逐层进行卷积、池化和非线性激活操作,将高维的和映射为低维的高阶稠密特征向量;

31、其中,源域数据流被映射为源域特征向量,目标域视频帧被映射为目标域特征向量,为特征提取网络的当前权重参数集。

32、进一步的,生成对抗模型的本地化微调的具体过程如下:

33、将提取出的源域特征向量和目标域特征向量分流至不同的后续网络层,并行计算业务分类损失和域判别损失,具体如下:

34、业务分类损失的计算:将源域特征向量输入至任务预测网络,任务预测网络利用内部的全连接层和softmax激活函数,输出源域样本在各灾害以及违规类别上的预测概率;

35、基于预测概率与真实标签之间的差异,计算标准交叉熵损失,作为业务分类损失,所述业务分类损失用于约束生成对抗模型,使生成对抗模型保持对物理病态特征的基本辨识准确度;

36、域判别损失的计算:将源域特征向量和目标域特征向量经由梯度反转层输入至域判别网络,在前向传播过程中,梯度反转层不对数据进行任何更改,表现为恒等映射,域判别网络根据输入的特征向量,判断其来自源域的概率d,将源域样本的域标签设为0,目标域样本的域标签设为1,通过二分类交叉熵公式计算出域判别损失,所述域判别损失反映了当前特征提取网络输出的特征中,留存了多少可被区分的矿井环境特有风格信息;

37、对域判别网络参数的更新:

38、域判别损失的梯度直接反向传播至域判别网络的各层,域判别网络按照减小的方向更新其参数;

39、任务预测网络参数的更新:业务分类损失的梯度反向传播至任务预测网络,任务预测网络按照减小的方向更新其参数,以确保分类误差最小化;

40、特征提取网络参数的关键对抗更新:

41、特征提取网络接收来自两条路径的梯度流:

42、第一条路径是来自任务预测网络的;

43、第二条路径是来自域判别网络的;

44、当梯度流流经梯度反转层时,梯度反转层自动将该梯度乘以一个负标量集为大于0的动态对抗系数;

45、整合后得到特征提取网络参数的最终总更新梯度,完成对生成对抗模型的本地化微调。

46、进一步的,输出最终的灾害判定结果的具体过程如下:

47、获取初步视觉识别结果,所述初步视觉识别结果具体为灾害判断置信度,同步接收部署于同监控区域的非视觉模态传感器输出的初步探测置信度;

48、获取现场环境态势数据,提取当前时刻的实时粉尘浓度值和环境照度值,基于内置的视觉置信度衰减函数计算视觉置信度衰减系数α;

49、预设在理想环境下的基础视觉权重为,基础非视觉权重为,且,进而计算动态视觉权重;

50、针对视觉权重的流失,将剩余权重补偿给非视觉模态,计算动态非视觉权重;

51、对初步识别结果进行特征级的加权融合,计算最终的灾害判定概率表示如下:

52、。

53、进一步的,将计算得出的灾害判定概率与预设的高危紧急险情报警阈值进行比对:

54、若灾害判定概率大于高危紧急险情报警阈值,则输出高危紧急险情确证的最终灾害判定结果,并将最终灾害判定结果以纳秒级中断信号的形式直接下发至物理联锁执行单元,从而触发底层设备的硬连线急停指令并联动防尘/照明设备的开启;

55、若灾害判定概率小于高危紧急险情报警阈值,则判定为正常运转或低风险状态,不触发物理闭锁。

56、综上所述,由于采用了上述技术方案,本发明的有益效果是:

57、该多灾害综合防治的煤矿安全生产智能管理系统,利用目标矿井的实时视频流在边缘端进行本地化微调,通过梯度反转层有效滤除了目标矿井特有的光照变化与煤尘散射等风格噪声,提取出域不变的本质安全特征,基于实时粉尘浓度与照度等环境态势数据,动态计算视觉置信度衰减系数,自动降低视觉权重,并与抗干扰的非视觉模态数据进行交叉验证与自适应补偿,确保了极端环境下的精准识别,同时将灾害判断与执行逻辑下沉至边缘计算侧,一旦判定高危紧急险情,在边缘侧触发底层设备的硬连线急停指令。