實驗室火災(zāi)危險源高精度辨識方法優(yōu)化仿真

徐永華，潘玉奇

(1. 金陵科技學(xué)院計算機(jī)工程學(xué)院，江蘇 南京 211169； 2. 濟(jì)南大學(xué) 信息科學(xué)與工程學(xué)院，山東 濟(jì)南 250022)

1 引言

實驗室作為科技成果的研究基地，是科學(xué)技術(shù)研發(fā)過程中最為重要的組成部分。由于實驗室中大部分實驗用品都具備易燃易爆特性，所以對實驗室進(jìn)行有效的火災(zāi)危險源識別是保證實驗室正常運行的重要手段之一。針對火災(zāi)危險源的隱蔽性存在形式，提出快速有效的危險源識別方法成為實驗室建設(shè)領(lǐng)域亟待解決的問題。

文獻(xiàn)[3]提出基于HFACS的糧食烘干作業(yè)危險源辨識方法。該方法通過傳統(tǒng)的辨識方法找出危險源；再使用里森模型對缺失數(shù)據(jù)進(jìn)行系統(tǒng)化處理，通過因素分類系統(tǒng)對處理結(jié)果進(jìn)行分析，找出其中的隱形差錯；最后將傳統(tǒng)辨識結(jié)果與分析結(jié)果進(jìn)行整合，實現(xiàn)危險源的辨識。該方法由于未能在危險源識別前對數(shù)據(jù)進(jìn)行平滑去噪處理，導(dǎo)致該方法的辨識精度不高。文獻(xiàn)[4]提出基于BIM和本體的地鐵基坑施工危險源自動識別方法。該方法首先對危險源的辨識流程進(jìn)行確定，根據(jù)規(guī)范模型以及本體模型建立安全本體，最后采集相關(guān)數(shù)據(jù)并導(dǎo)入建立的模型中，實現(xiàn)危險源的可視化辨識。該方法在建立模型時存在誤差，導(dǎo)致辨識結(jié)果與實際結(jié)果不一致。文獻(xiàn)[5]提出民航不安全事件報告危險源識別模型。該方法首先建立危險源標(biāo)簽，將其整合為表格形式，選定相應(yīng)的數(shù)據(jù)庫；使用LDA模型獲取數(shù)據(jù)分布概率；最后通過選定的數(shù)據(jù)庫對模型進(jìn)行訓(xùn)練，獲取相應(yīng)的數(shù)據(jù)向量并通過相應(yīng)的分類方法實現(xiàn)危險源的辨識。該方法在計算分布概率時存在問題，所以該方法進(jìn)行危險源辨識過程中增長系數(shù)高。

為解決上述危險源辨識方法中存在的問題，提出基于機(jī)器視覺的實驗室火災(zāi)危險源辨識方法。

2 數(shù)據(jù)去噪

2.1 空間劃分以及K近鄰搜索

首先對實驗室空間范圍內(nèi)的數(shù)據(jù)進(jìn)行全方位采集，建立數(shù)據(jù)的最小包圍立方體，并將其作為八叉樹的根節(jié)點，通過根節(jié)點建立若干邊長相同的子節(jié)點，其中具有點云數(shù)據(jù)的節(jié)點為黑點，反之則為白點。設(shè)定立方體的最小劃分邊長為，若黑體的邊長大于，對子節(jié)點進(jìn)行劃分，直到劃分的子立方體邊長小于或等于時，結(jié)束劃分。數(shù)據(jù)經(jīng)過劃分后，使用八進(jìn)制法對該立方體進(jìn)行數(shù)據(jù)編碼，過程如下式所示

=-18-1+-28-2+…+8+…+8+8

(1)

式中，數(shù)據(jù)的八進(jìn)制編碼為。通過空間劃分以及數(shù)據(jù)編碼形式對數(shù)據(jù)的空間位置進(jìn)行確定，過程如下式所示

(2)

式中，確定的空間位置坐標(biāo)為(，，)，數(shù)據(jù)在方向的進(jìn)制編碼為，方向的數(shù)據(jù)進(jìn)制編碼為，方向上的數(shù)據(jù)進(jìn)制編碼為。基于上述可知，編碼與立方體之間的關(guān)系可用=2+2+2進(jìn)行表示，通過計算可獲取上述數(shù)據(jù)在各個空間位置中的坐標(biāo)值，結(jié)果如下式所示

(3)

式中，進(jìn)制編碼為，層數(shù)為。

2.2 濾除離群點

設(shè)定實驗室的點云數(shù)據(jù)集合為，數(shù)據(jù)的任意采樣點為，鄰域集合為。具體的濾除過程如下：

1)通過八叉樹拓?fù)潢P(guān)系，構(gòu)建的鄰域數(shù)據(jù)集合()。

(4)

式中，數(shù)據(jù)數(shù)量為。

3)通過獲取的數(shù)據(jù)點云集合計算全局距離平均值與標(biāo)準(zhǔn)方差。

4)通過計算出的領(lǐng)域均值與全局距離平均值以及標(biāo)準(zhǔn)方差進(jìn)行比較，找出數(shù)據(jù)離群點并進(jìn)行濾除處理。

2.3 估計法向量

數(shù)據(jù)離群點濾除后，使用加權(quán)的協(xié)方差矩陣對數(shù)據(jù)的集合特征值進(jìn)行計算。針對數(shù)據(jù)點云集合中的點，根據(jù)近鄰搜索法搜索鄰域集合，使用最小二乘法對面進(jìn)行擬合處理，過程如下式所示

(5)

(6)

式中，矩陣特征值為，相對應(yīng)的特征向量為，建立的協(xié)方差矩陣為。當(dāng)<<時，可直接用特征向量進(jìn)行表示，所以基于Pauly方法對擬合平面的曲率進(jìn)行定義，過程如下式所示

(7)

2.4 平滑去噪

將實驗室數(shù)據(jù)集中的平滑采樣坐標(biāo)位置設(shè)定為′，描述過程如下式所示

(8)

式中，影響因子標(biāo)記成，數(shù)據(jù)的平面法向量為，角度閾值標(biāo)記′，特征向量為，平滑函數(shù)為()，時間系數(shù)為。最后通過上式計算出實驗室訓(xùn)練數(shù)據(jù)樣本集在平面上的投影長度，從而完成數(shù)據(jù)的平滑去噪。

3 辨識危險源

使用機(jī)器視覺中的在線序列極限學(xué)習(xí)機(jī)訓(xùn)練平滑去噪后的實驗室數(shù)據(jù)，從而實現(xiàn)實驗室火災(zāi)危險源的識別。

3.1 在線學(xué)習(xí)

首先在實驗室數(shù)據(jù)集中選取一部分的數(shù)據(jù)開始訓(xùn)練數(shù)據(jù)，開展數(shù)據(jù)的訓(xùn)練任務(wù)，獲取數(shù)據(jù)的輸出權(quán)值與輸出矩陣，在其中加入新的數(shù)據(jù)樣本進(jìn)行新一輪輸出矩陣與輸出權(quán)值的計算，重復(fù)操作上述過程，實現(xiàn)數(shù)據(jù)的在線學(xué)習(xí)。

設(shè)定實驗室數(shù)據(jù)集中的危險源樣本數(shù)據(jù)為，危險源特征信息為，理想的識別結(jié)果為，激活函數(shù)為()，學(xué)習(xí)機(jī)的輸出表現(xiàn)形式如下式所示

(9)

式中，輸出權(quán)值為，數(shù)據(jù)的訓(xùn)練結(jié)果為()。設(shè)定廣義逆矩陣為，當(dāng)=+時，獲取的矩陣表達(dá)形式，結(jié)果如下式所示

(10)

式中，廣義逆矩陣為。

(11)

式中，添加新數(shù)據(jù)的樣本訓(xùn)練數(shù)據(jù)為，危險源數(shù)據(jù)廣義逆矩陣為，迭代次數(shù)為，整合系數(shù)為，危險源輸出權(quán)重為，危險源理想數(shù)據(jù)識別效果集為。整體學(xué)習(xí)過程如下：

1)在學(xué)習(xí)機(jī)中輸出相關(guān)數(shù)據(jù)。

2)設(shè)定各項初始數(shù)據(jù)值，開始初始學(xué)習(xí)。首先隨機(jī)選取個數(shù)據(jù)樣本作為實驗室中的火災(zāi)危險源，并在其中搜索危險源元素的狀態(tài)信息，若存在立即生成輸入權(quán)值，反之則通過輸入權(quán)值獲取隱藏的節(jié)點閾值。

3)通過激活函數(shù)獲取原始輸出矩陣。

4)建立廣義逆矩陣，并依據(jù)該矩陣獲取數(shù)據(jù)輸出權(quán)重。

5)進(jìn)行在線學(xué)習(xí)，依據(jù)激活函數(shù)獲取更新后的輸出矩陣，以及輸出權(quán)值。

6)重復(fù)上述流程，直至沒有新數(shù)據(jù)，輸出訓(xùn)練結(jié)果。

3.2 優(yōu)化學(xué)習(xí)機(jī)

由于機(jī)器視覺中的在線序列極限學(xué)習(xí)機(jī)進(jìn)行火災(zāi)危險源辨識時，會由于數(shù)據(jù)的泛化能力影響學(xué)習(xí)機(jī)的自身網(wǎng)絡(luò)結(jié)構(gòu)，且輸入權(quán)值與偏置項為隨機(jī)取值，會發(fā)生辨識效果差的問題，所以要使用差分進(jìn)化方法優(yōu)化學(xué)習(xí)機(jī)的網(wǎng)絡(luò)，從而提高學(xué)習(xí)機(jī)的火災(zāi)危險源識別泛化能力。

為了更好地完成優(yōu)化，需使種群在凈化過程中選取相應(yīng)的變異策略，過程中變異策略的選取概率為，，學(xué)習(xí)周期為，策略的更新規(guī)則如下

2)當(dāng)>時，，獲取過程如下式所示

(12)

式中，變異策略與代種群生成試驗向量中的進(jìn)化數(shù)量為，，進(jìn)化中剔除的數(shù)據(jù)數(shù)量為，。變異向量生成后，通過變異向量獲取試驗向量。

優(yōu)化時，使用均方的誤差定量最小化種群進(jìn)化的選擇向量，完成學(xué)習(xí)機(jī)網(wǎng)絡(luò)優(yōu)化。過程如下式所示

(13)

式中，最小進(jìn)化向量為，學(xué)習(xí)機(jī)輸入權(quán)重為，危險源特征信息為，偏置項為，理想識別結(jié)果為。

3.3 算法流程

1)設(shè)定實驗室火災(zāi)危險源的狀態(tài)數(shù)據(jù)集為，種群迭代次數(shù)為，維度用表示，危險源激勵函數(shù)設(shè)定成()形式，數(shù)據(jù)的訓(xùn)練數(shù)量為，更新后的數(shù)據(jù)集大小為。

2)隨機(jī)生成實驗室數(shù)據(jù)種群維度，建立初代種群個體向量。

3)選取最大變異策略，生成變異向量，以及試驗向量，。

4)通過對學(xué)習(xí)機(jī)網(wǎng)絡(luò)輸出權(quán)值的計算，獲取相應(yīng)的，對比試驗向量與原數(shù)據(jù)向量，選取最小進(jìn)化向量，進(jìn)入+1代種群，完成學(xué)習(xí)機(jī)結(jié)構(gòu)優(yōu)化。

5)將平滑去噪后的實驗室數(shù)據(jù)放入學(xué)習(xí)機(jī)中，通過訓(xùn)練結(jié)果實現(xiàn)火災(zāi)危險源辨識。

4 實驗

為了驗證上述危險源辨識方法的整體有效性，需要對此方法進(jìn)行測試。

4.1 實驗結(jié)果及分析

分別采用基于機(jī)器視覺的實驗室火災(zāi)危險源辨識方法(方法1)、基于BIM和本體的地鐵基坑施工危險源自動識別(方法2)、民航不安全事件報告危險源識別模型(方法3)進(jìn)行測試；

在進(jìn)行危險源識別過程中，參考指標(biāo)的高低會直接影響危險源的辨識效果。所以設(shè)定引燃時間、最大熱釋放率以及危險源增長系數(shù)為測試指標(biāo)，采用上述三種危險源辨識方法，將上述三種識別指標(biāo)分為三個階段，測試三種危險源辨識方法的識別效果。

1)引燃時間

第一階段，將實驗室內(nèi)采集到的可燃物分為五個組別，采用本文所提方法對數(shù)據(jù)平滑去噪前后的火災(zāi)危險源進(jìn)行識別，對識別過程中五個組別的引燃時間進(jìn)行測試，測試結(jié)果如圖1所示。

圖1 平滑去噪前后引燃時間檢測結(jié)果

由于組別的不同，測試出的引燃時間也不相同。整體來看，實驗室數(shù)據(jù)經(jīng)過平滑去噪后的引燃時間檢測結(jié)果與實際的引燃時間相接近，而未進(jìn)行平滑去噪的實驗室易燃物引燃時間檢測結(jié)果與實際可燃物引燃時間相差較大，這主要是因為本文所提方法再進(jìn)行平滑去噪過程中，使用了K近鄰搜索法濾除了數(shù)據(jù)集中的離群點數(shù)據(jù)，所以本文所提方法在進(jìn)行數(shù)據(jù)平滑去噪后，檢測出的危險源引燃時間與實際引燃時間相一致。同時可以側(cè)面證明本文所提方法的辨識精度高。

2)最大熱釋放率測試

最大熱釋放率作為火災(zāi)危險源檢測過程中最關(guān)鍵的測試指標(biāo)，是影響火災(zāi)危險源辨識的重要因素。第二階段，基于第一階段的測試結(jié)果，利用本文所提方法識別數(shù)據(jù)去噪前后的火災(zāi)危險源，測試去噪前后危險源辨識過程中的最大熱釋放率，測試結(jié)果如圖2所示。

圖2 去噪前后最大熱釋放率檢測結(jié)果

分析圖2可知，本文所提方法在數(shù)據(jù)去噪前的實驗室易燃物最大熱釋放率與實際檢測出的最大熱釋放率之間存在較大差距，而數(shù)據(jù)平滑去噪后的最大熱釋放率檢測結(jié)果與實際最大熱釋放率檢測結(jié)果相接近，并且在組別1、2、5中檢測出的結(jié)果與實際檢測結(jié)果相一致。這主要是因為本文所提方法在數(shù)據(jù)平滑去噪過程中不僅進(jìn)行了數(shù)據(jù)離群點的濾除，還使用加權(quán)的協(xié)方差矩陣對數(shù)據(jù)的集合特征值進(jìn)行計算，完成了法向量的估計，所以本文所提方法在進(jìn)行數(shù)據(jù)平滑去噪后檢測出的最大熱釋放率與實際易燃物的最大熱釋放率相接近。

3)增長系數(shù)

基于上述測試結(jié)果，在測試的第三階段，采用方法1、方法2以及對方法3對危險源進(jìn)行識別，對三種識別方法識別出的危險源增長系數(shù)進(jìn)行測試，測試結(jié)果如圖3所示。

圖3 不同方法的增長系數(shù)測試結(jié)果

分析圖3可知，檢測次數(shù)的增加會提高危險源的增長系數(shù)。本文所提方法測試出的危險源增長系數(shù)低于其它兩種辨識方法。這主要是因為本文所提方法在進(jìn)行危險源識別前對數(shù)據(jù)進(jìn)行了平滑去噪處理，所以本文所提方法在進(jìn)行去噪處理后提高了危險源的辨識準(zhǔn)確度。

5 結(jié)束語

隨著科技的不斷進(jìn)步，國家對于實驗室的建設(shè)要求愈加嚴(yán)苛。針對實驗室建設(shè)過程中的火災(zāi)危險源辨識過程中出現(xiàn)的問題，提出基于機(jī)器視覺的實驗室火災(zāi)危險源辨識方法。該方法首先建立實驗室數(shù)據(jù)集，并對其進(jìn)行平滑去噪處理；再使用機(jī)器視覺中的在線序列極限學(xué)習(xí)機(jī)對平滑去噪后的實驗室數(shù)據(jù)進(jìn)行訓(xùn)練，從而實現(xiàn)實驗室火災(zāi)危險源的識別。該方法由于在在線序列極限學(xué)習(xí)機(jī)優(yōu)化過程中出現(xiàn)一定缺陷，今后會針對該項問題繼續(xù)優(yōu)化該危險源識別方法。