改进CNN算法模型的智能煤流监控数据分析方法
文献发布时间:2023-06-19 19:27:02
技术领域
本发明涉及煤流监控领域或信息处理领域,且更确切地涉及一种改进CNN算法模型的智能煤流监控数据分析方法;
背景技术
随着煤炭生产企业机械化程度的不断提高,运输皮带已经成为生产过程中必不可少的设备。由于各种原因导致在煤炭开采的过程中皮带的空转率过高,空转率过高导致电能的浪费,其中皮带的电费占用了煤矿生产用电量很大的比重,给煤炭的成本增加更大的负重。目前,煤炭行业皮带多数使用变频电机,但由于煤矿皮带较多,皮带都比较分散,靠人为的进行调速无法满足节能增效的目的,同时在正常煤炭运输过程中有可能会随机出现不同大小的矸石和锚杆,如果不进行清除处理的话有很大的可能将运输皮带损坏对客户造成不必要的损失。
现有技术中采用一种基于YOLO模型的检测方法对煤流监控图像进行一次分析,该方法对煤流监控图像异常分析的准确率平均达到93.7%,但图形处理器计算效率偏低,并且该模型的计算成本过于昂贵。另一种现有技术结合了模糊聚类算法与Canny算子,实现对煤流监控图像中缺陷的识别,该方法能够识别出几乎所有的缺陷边缘,但也包含了大量的冗余信息,同时对煤流监控图像带来一定的噪声干扰。
发明内容
针对上述问题,本发明公开一种改进CNN算法模型的智能煤流监控数据分析方法,能够进行煤流监控图像的识别,实现煤流监控的异常分析与处理。
为了实现上述技术效果,本发明采用以下技术方案:
一种改进CNN算法模型的智能煤流监控数据分析方法,步骤包括:
(S1)监控区中球型摄像机采用机器视觉技术采集煤流监控数据;
(S2)采集到的煤流监控图像通过改进型暗通道先验滤波方法进行去噪消除;
作为本发明的进一步技术方案,改进型暗通道先验滤波方法步骤包括:
(S21)将采集到的煤流监控图像进行分解识别,每一段的识别时间记为:
式(1)中t(x)表示分解煤流监控图像的识别时间,x表示煤流监控图像,ω表示模糊去噪常数,I表示煤流监控图像噪声,A表示煤流监控图像受外界环境影响因素;
(S22)在识别时间内处理煤流监控图像,经过处理得到识别结果:
式(2)中,J(x)表示煤流监控图像处理后识别结果,t
(S23)根据煤流监控图像识别结果,对煤流监控图像的模糊区域进行容差计算:
δ(x)=|I-A|(3)
式(3)中,δ(x)表示煤流监控图像的模糊区域容差计算量;
(S24)统计所有煤流监控图像的模糊区域容差,然后经过暗通道的方式进行清除,煤流监控图像去噪清除结果输出为:
式(4)中,G(x)表示改进的暗通道先验方法输出的煤流监控图像去噪结果;
(S3)将经过去噪处理之后的煤流监控图像通过网络中接传输至数据存储中心,采用改进的CNN算法模型对煤流监控图像进行数据分析;
作为本发明的进一步技术方案,改进的CNN算法模型步骤包括:
(S31)首先构建CNN算法模型,输入煤流监控图像x,假设h
式(5)中,g表示卷积层输出函数,f表示卷积层的激活函数,v表示第l层卷积核第j个煤流监控图像特征图的位置;通过公式(5)迭代训练卷积层构建CNN算法模型,设置CNN算法模型的动态自适应参数为:
w
式(6)中,w
(S32)通过卷积编码器辅助模型对CNN算法模型进行改进,卷积编码器辅助模型输出优化目标函数,将高低混合维度的煤流监控图像转向低纬度煤流监控图像:
M(θ)=∑L[P,f(P)]
(7)
式(7)中,θ表示煤流监控图像低维向量的维度,M表示为煤流监控图像降维转换的目标函数,P表示卷积编码器在实现煤流监控图像降维转换的变量;
(S33)经过多尺度特征融合与单激发多盒探测器算法将改进CNN算法模型的隐含层节点设置为7-12个,权重向量和阈值向量根据输入的煤流监控图像进行设置,则煤流监控图像为异常概率q为:
式(8)中,a表示多尺度特征融合与单激发多盒探测器算法阈值参数,i表示煤流监控图像种类序数;公式(8)表示改进CNN算法模型在煤流监控所有图像中异常图像所占的概率;
(S34)计算煤流监控异常图像的适应度函数f为:
式(9)中,n表示煤流监控异常图像类型数量;输出第c次迭代训练的煤流监控异常图像累计概率P
式(10)中,k表示常参数,f
(S4)将异常分析结果传输至监控告警模块,通过OLED显示器进行异常分析结果展示。
作为本发明的进一步技术方案,(S1)步骤中,所述机器视觉技术采用激光扫描方式与球型摄像机呈某一角度发射到待采集的煤流目标上,然后通过激光细线在球型摄像机图像中的偏移来迅速确定照亮点的高度,在煤流目标上扫描该激光线图案,构成煤流目标表面外形轮廓,完成煤流监控图像的采集。
作为本发明的进一步技术方案,(S2)步骤中,煤流监控图像受外界环境影响因素包括煤块粉碎机产生的噪声、煤流颗粒之间触碰产生的噪声、激光技术的光粒子运动随机性而产生的噪声和煤流监控运作过程硬件电路产生的噪声。
作为本发明的进一步技术方案,(S3)步骤中,高低混合维度的煤流监控图像包括三维煤流监控图像、二维煤流监控图像和一维煤流监控图像。
作为本发明的进一步技术方案,一种智能煤流监控系统包括:
监控Ⅰ区,用于监控煤流运输产线的周围环境状态,监控1区包括智能终端,智能终端上有MQ-135、MQ-9和MQ-4三种传感器,MQ-135、MQ-9和MQ-4三种传感器负责采集煤流运输产线CO、CO
监控Ⅱ区;用于监控煤流运输产线的驱动运行,采用的驱动方式为机械驱动软启动,启动时间根据带式输送机主参数可以调节,使输送机平稳启动,并能实现满载启动,软驱动控制启动张力使输送带启动加速度值为0.5m/s
监控告警模块;用于对煤流监控图像中的异常现象进行声光报警,监控告警模块由CPU控制,可以在计算机上运行的Arduino开发环境中轻松编程,并可以上传到监控告警模块;
数据存储中心;用于存储监控I区采集的煤流环境数据和监控II区采集的煤流监控图像,数据存储中心通过网络中接与监控I区、监控II区进行数据交互;数据存储中心通过改进的CNN算法模型模块对煤流监控图像进行异常分析;
其中,监控I区和监控II区通过网络中接与数据存储中心连接,改进的CNN算法模型模块耦合在数据存储中心上,数据存储中心于监控告警模块连接。
作为本发明的进一步技术方案,所述监控告警模块包括:
CPU,用于控制监控告警模块;CPU是ATmega328P型开源芯片,CPU读取和写入输出煤流监控图像信号,CPU电路板上包括16MHz晶体振荡器以及十四个数字输入或者输出引脚,其中包括了六个脉冲宽度调制引脚;
检测器,用于接收来自直接连接传感器和远程从属传感器发出的通信信号;
报警设置开关,用于开启或者关闭监控告警模块工作状态;
OLED显示器,用于展示煤流监控图像异常分析结果;所述OLED显示器与CPU双向通信,包括与CPU相关的编程接口,编程接口为USB3.0规范与CPU相连接;
通道报警继电器,用于多种数据输入的装置,监控告警模块由4通道警报继电器激活;传感器为每个通道提供大约3个可编程报警级别,具有静音功能的声音报警器,红色LED闪光灯和报警设置开关;
静电放电闭锁阀,用于关闭监控告警模块运行,可响应手动报警设置开关进行关闭告警操作,并确定网络煤流数据危险条件不再存在后手动复位,重置监控告警模块运行;所述静电放电闭锁阀与四通道报警继电器一起工作,该电路继电器接收来自传感器的报警信号,并通过闭锁(关闭)电磁阀应用50毫秒的电脉冲来启动。
作为本发明的进一步技术方案,网络中接采用窄带物联网技术,构建为蜂窝网络;所述网络中接消耗大约180kHz的带宽,可直接部署于GSM网络。
作为本发明的进一步技术方案,监控I区用于监控煤流运输产线的周围环境状态,通过煤与CO、CO
作为本发明的进一步技术方案,所述改进型暗通道先验滤波方法包含噪音检测模块,所述噪音检测模块为相相似度检测方法,计算不同煤流监控数据信息集合的相似度,可表示为:
在公式(11)中,E
本发明有益的积极效果在于:
区别于常规技术,本发明能够快速分析煤流监控图像的异常状况,以最小的成本进行工作,本发明通过机器视觉技术采集得到的煤流监控图像经过去噪消除,减少了噪声对煤流监控图像的干扰性,得到的煤流监控图像更加清晰。
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性的前提下,还可以根据这些附图获得其他的附图,其中:
图1展示了一种改进CNN算法模型的智能煤流监控数据分析方法流程图;
图2展示了智能煤流监控系统结构图;
图3展示了监控告警模块内部结构图;
图4展示了改进CNN算法模型与传统CNN算法模型的训练误差对比图;
图5展示了三种方法对煤流监控图像异常识别精度对比图;
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明;
如图1所示,一种改进卷积神经网络(Convolutional Neural Networks,CNN)算法模型的智能煤流监控数据分析方法,步骤包括:
(S1)监控区中球型摄像机采用机器视觉技术采集煤流监控数据;
在具体实施例中,机器视觉工业检测系统就其检测性质和应用范围而言,分为定量和定性检测两大类,每类又分为不同的子类。机器视觉在工业在线检测的各个应用领域十分活跃,如:印刷电路板的视觉检查、钢板表面的自动探伤、大型工件平行度和垂直度测量、容器容积或杂质检测、机械零件的自动识别分类和几何尺寸测量等。此外,在许多其它方法难以检测的场合,利用机器视觉系统可以有效地实现。机器视觉的应用正越来越多地代替人去完成许多工作,这无疑在很大程度上提高了生产自动化水平和检测系统的智能水平。机器视觉不同于计算机视觉,它涉及图像处理、人工智能和模式识别机器视觉是专注于集合机械,光学,电子,软件系统,检查自然物体和材料,人工缺陷和生产制造过程的工程,它是为了检测缺陷和提高质量,操作效率,并保障产品和过程安全。它也用于控制机器。
(S2)采集到的煤流监控图像通过改进型暗通道先验滤波方法进行去噪消除;
在具体实施例中,改进型暗通道先验滤波方法步骤包括:
(S21)将采集到的煤流监控图像进行分解识别,每一段的识别时间记为:
式(1)中t(x)表示分解煤流监控图像的识别时间,x表示煤流监控图像,ω表示模糊去噪常数,I表示煤流监控图像噪声,A表示煤流监控图像受外界环境影响因素;
在具体实施例中,在煤流监控图像中,煤流监控图像模糊度越低,其暗通道图越暗,像素点值越小;煤流监控图像模糊度度越高,其暗通道图越亮,像素点值越大,因此,暗通道图可以较好的反映图像模糊信息。本文对于大气光值的选取方法为:先在暗通道图中选出图中前0.1%的像素值最大的像素点,这些像素点对应到有煤流监控图像中,选取像素值最高的煤流监控图像。
(S22)在识别时间内处理煤流监控图像,经过处理得到识别结果:
式(2)中,J(x)表示煤流监控图像处理后识别结果,t
在具体实施例中,煤流监控图像处理是将每一个文字图像分检出来交给识别模块识别,这一过程称为图像预处理。在图像分析中,对输入图像进行特征抽取、分割和匹配前所进行的处理。图像预处理的主要目的是消除图像中无关的信息,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,从而改进特征抽取、图像分割、匹配和识别的可靠性。
(S23)根据煤流监控图像识别结果,对煤流监控图像的模糊区域进行容差计算:
δ(x)=|I-A|(3)
式(3)中,δ(x)表示煤流监控图像的模糊区域容差计算量。
在具体实施例中,对于图像噪声而言,本质并非是空域的,也就是说并不是该点相对于周边点显得突兀,就说该点是噪点。而是该点相对于连续时间内同一位置产生的不同点而言,如果误差较大,才能称之为噪点,即噪声本质是时域的。那么,我们在计算图像某块区域的时候,有时候会用这块区域的平坦图像计算该区域的信噪比,其实也是用了一个潜在的假设:该平坦区域的各个点可以看做是中心点的连续时间内的集合。
(S24)统计所有煤流监控图像的模糊区域容差,然后经过暗通道的方式进行清除,煤流监控图像去噪清除结果输出为:
式(4)中,G(x)表示改进的暗通道先验方法输出的煤流监控图像去噪结果;
在具体实施例中,噪声是图像干扰的重要原因,一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。根据噪声和信号的关系可将其分为原始图像(B)、图像信号(C)、噪声(D)三种形式:(1)加性噪声,此类噪声与输入图像信号无关,含噪图像可表示为B=C+D,信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声;(2)乘性噪声,此类噪声与图像信号有关,含噪图像可表示为B=C+CD,飞点扫描器扫描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声。(3)量化噪声,此类噪声与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生。
(S3)将经过去噪处理之后的煤流监控图像通过网络中接传输至数据存储中心,采用改进的CNN算法模型对煤流监控图像进行数据分析;
在具体实施例中,改进的CNN算法模型步骤包括:
(S31)首先构建CNN算法模型,输入煤流监控图像x,假设h
式(5)中,g表示卷积层输出函数,f表示卷积层的激活函数,v表示第l层卷积核第j个煤流监控图像特征图的位置;
在具体实施例中,卷积层的功能是对输入数据进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量,类似于一个前馈神经网络的神经元。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连,区域的大小取决于卷积核的大小,在文献中被称为“感受野”,其含义可类比视觉皮层细胞的感受野。卷积核在工作时,会有规律地扫过输入特征,在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量。由单位卷积核组成的卷积层也被称为网中网或多层感知器卷积层。单位卷积核可以在保持特征图尺寸的同时减少图的通道数从而降低卷积层的计算量。完全由单位卷积核构建的卷积神经网络是一个包含参数共享的多层感知器。
在具体实施例中,卷积层参数包括卷积核大小、步长和填充,三者共同决定了卷积层输出特征图的尺寸,是卷积神经网络的超参数。其中卷积核大小可以指定为小于输入图像尺寸的任意值,卷积核越大,可提取的输入特征越复杂。卷积步长定义了卷积核相邻两次扫过特征图时位置的距离,卷积步长为1时,卷积核会逐个扫过特征图的元素,步长为n时会在下一次扫描跳过n-1个像素。由卷积核的交叉相关计算可知,随着卷积层的堆叠,特征图的尺寸会逐步减小,例如16×16的输入图像在经过单位步长、无填充的5×5的卷积核后,会输出12×12的特征图。为此,填充是在特征图通过卷积核之前人为增大其尺寸以抵消计算中尺寸收缩影响的方法。常见的填充方法为按0填充和重复边界值填充。
在具体实施例中,通过公式(5)迭代训练卷积层构建CNN算法模型,设置CNN算法模型的动态自适应参数为:
w
式(6)中,w
在具体实施例中,CNN算法模型是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。CNN算法模型具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,因此也被称为“平移不变人工神经网络CNN算法模型仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
在具体实施例中,为了使煤流监控图像类别特征准确性更高,采用公开的MNIST、ImageNet数据集、火焰数据集、PASCAL VOC训练集、COCO等图像训练数据集,并应用视觉计算方法进行煤流监控图像大小、旋转、角度、RGB效果以及GAN对抗神经网络算法实现样本倍增扩充,使训练模型满足大数据量训练的需求,从而获取各大类别特征。其核心是把特征提取和分类器进行有机的整合,通过随机梯度下降的方式进行反向传播,不断地对卷积模板参数和全连接层的参数进行优化,使得最终学习到的特征和分类器接近最优,获得对象特征。
(S32)通过卷积编码器辅助模型对CNN算法模型进行改进,卷积编码器辅助模型输出优化目标函数,将高低混合维度的煤流监控图像转向低纬度煤流监控图像:
M(θ)=∑L[P,f(P)]
(7)
式(7)中,θ表示煤流监控图像低维向量的维度,M表示为煤流监控图像降维转换的目标函数,P表示卷积编码器在实现煤流监控图像降维转换的变量;
在具体实施例中,特征识别与分类主要是解决25帧/s的时间序列监控视频图像,输入信息独立无关性问题,实现视频特征目标对象连续跟踪需要有“记忆能力”的CNN算法模型。CNN算法模型实现目标对象在前后帧图像中特征连续识别,为了避免空间利用率低,要优化减少中间迭代回归卷积过程,在多个特征映射上检测时,同时进行softmax分类和位置回归。预测多个目标对象的位置区域和类别概率,允许分类层重用在若干图像分辨率生成的特征图特征,形成高速连续递归的图像目标识别,提高识别准确性。使用低layer来提升图像分割效果,采用适当增加低层的特征映射来进行区域预测。提高图像目标特征向量检测的粒度,提升图像分割和物体检测性能,获得更好的识别质量和精度。由于损失函数的定位误差是影响检测效果的主要原因,所以将位置定位准确度值和类别得分置信度损失函数融合起来。应用模型对图像训练库预处理,结合线下对图像获得的先验特定目标特征向量,对图像中对象进行匹配检测,通过循环更新实现图像特定目标检测与跟踪功能。最终实现基于煤流的实时监控。
(S33)经过多尺度特征融合与单激发多盒探测器算法将改进CNN算法模型的隐含层节点设置为7-12个,权重向量和阈值向量根据输入的煤流监控图像进行设置,则煤流监控图像为异常概率q为:
式(8)中,a表示多尺度特征融合与单激发多盒探测器算法阈值参数,i表示煤流监控图像种类序数;公式(8)表示改进CNN算法模型在煤流监控所有图像中异常图像所占的概率;
在具体实施例中,为了改进CNN算法模型,现有技术中包括相Fast-RCNN,Faster-RCNN等。这些算法为目标检测提供了更准确的结果。但它们对于实时检测来说显得有点慢。SSD就在这个时候应运而生,它在准确性和计算速度方面具有良好的平衡。SSD的结构建立在VGG-16的基础上。但在这里对VGG-16进行了一些微小调整,从Conv6层开始,我们用一系列辅助卷积层来代替原先全连接层。因为VGG-16可以提供高质量的图像分类和迁移学习来改善结果,我们将其作为SSD的基础网络。通过使用辅助卷积层,我们可以提取图像多个尺度的特征,并逐步减小每个卷积层的尺寸。我已在下一节讨论了它的工作原理。您可以看到VGG-16架构的以下图像,它包含全连接层。
(S34)计算煤流监控异常图像的适应度函数f为:
式(9)中,n表示煤流监控异常图像类型数量;输出第c次迭代训练的煤流监控异常图像累计概率P
式(10)中,k表示常参数,f
在具体实施例中,应用深度学习技术来检测图像中的异常现象,其背后的想法是绕过自动编码器神经网络,在该网络中,编码器接受输入数据,并将其压缩为潜伏空间表示。然后,解码器将从该空间重构输入数据。训练隐层时,已经教过如何对输入数据进行消噪,这是检测异常的关键。当我们将该网络应用于异常图像时,由于自动编码器之前从未见过该数据样本,因此重构图像将具有较高的均方误差。尽管这是检测异常的一种新的有效方法,但它具有一些负面影响,例如我们应该选择MSE阈值,并且应该对网络上的特定类别的数据进行训练,而异常应该是完全不同的类别,因此可以将其检测为异常。
(S4)将异常分析结果传输至监控告警模块,通过OLED显示器进行异常分析结果展示。
在具体实施例中,机器视觉技术采用激光扫描方式与球型摄像机呈某一角度发射到待采集的煤流目标上,然后通过激光细线在球型摄像机图像中的偏移来迅速确定照亮点的高度,在煤流目标上扫描该激光线图案,构成煤流目标表面外形轮廓,完成煤流监控图像的采集。此外,激光成像雷达采用调Q脉冲DPL激光器为发射源,激光脉冲经扫描发射,单元接收器件扫描接收回波信号,经信号预处理后,由图像采集处理系统将图像数据按场、行、列的同步顺序进行图像存储、处理和显示。整个成像过程是连续的,这就要求图像采集/处理系统必须对每一帧图像进行不间断地采集、处理和显示,即达到帧实时釆集、处理和显示。
在具体实施例中,煤流监控图像受外界环境影响因素包括煤块粉碎机产生的噪声、煤流颗粒之间触碰产生的噪声、激光技术的光粒子运动随机性而产生的噪声和煤流监控运作过程硬件电路产生的噪声。此外,高低混合维度的煤流监控图像包括三维煤流监控图像、二维煤流监控图像和一维煤流监控图像。
在具体实施例中,一种智能煤流监控系统,包括监控Ⅰ区、监控ⅠI区、监控告警模块和数据存储中心。其中监控Ⅰ区用于监控煤流运输产线的周围环境状态,监控1区包括智能终端,智能终端上有MQ-135、MQ-9和MQ-4三种传感器,MQ-135、MQ-9和MQ-4三种传感器负责采集煤流运输产线CO、CO
在具体实施例中,监控告警模块用于对煤流监控图像中的异常现象进行声光报警,监控告警模块由CPU控制,可以在计算机上运行的Arduino开发环境中轻松编程,并可以上传到监控告警模块;数据存储中心用于存储监控I区采集的煤流环境数据和监控II区采集的煤流监控图像,数据存储中心通过网络中接与监控I区、监控II区进行数据交互;数据存储中心通过改进的CNN算法模型模块对煤流监控图像进行异常分析。此外,监控I区和监控II区通过网络中接与数据存储中心连接,改进的CNN算法模型模块耦合在数据存储中心上,数据存储中心于监控告警模块连接,由于管理需求对移动物体识别和对目标特征精度要求不高,所以为了保证实时性检索移动目标对象,应用PYTHON+openCV技术对煤流监控图像进行在线预处理,完成减帧与降低分辨率处理,以此降低计算量,提高计算速度。在应用改进的CNN算法模型实现目标特征持续检索,对连续的图像帧间创建位置、速度、形状等有关特征的运动目标识别与跟踪。
在具体实施例中,所述监控告警模块包括:CPU用于控制监控告警模块;CPU是ATmega328P型开源芯片,CPU读取和写入输出煤流监控图像信号,CPU电路板上包括16MHz晶体振荡器以及十四个数字输入或者输出引脚,其中包括了六个脉冲宽度调制引脚;检测器,用于接收来自直接连接传感器和远程从属传感器发出的通信信号;报警设置开关,用于开启或者关闭监控告警模块工作状态;OLED显示器用于展示煤流监控图像异常分析结果;所述有机发光二极管(Organic Light-Emitting Diode,OLED)显示器与CPU双向通信,包括与CPU相关的编程接口,编程接口为USB3.0规范与CPU相连接;有机发光显示器,在手机LCD上属于新崛起的种类,被誉为“梦幻显示器”。OLED也被称之为第三代显示技术。OLED不仅更轻薄、能耗低、亮度高、发光率好、可以显示纯黑色,并且还可以做到弯曲,如当今的曲屏电视和手机等。当今国际各大厂商都争相恐后的加强了对OLED技术的研发投入,使得OLED技术在当今电视、电脑、手机、平板等领域灵应用愈加广泛。
在具体实施例中,四通道报警继电器用于多种数据输入的装置,监控告警模块由4通道警报继电器激活;传感器为每个通道提供大约3个可编程报警级别,具有静音功能的声音报警器,红色LED闪光灯和报警设置开关;静电放电闭锁阀用于关闭监控告警模块运行,可响应手动报警设置开关进行关闭告警操作,并确定网络煤流数据危险条件不再存在后手动复位,重置监控告警模块运行;所述静电放电闭锁阀与四通道报警继电器一起工作,该电路继电器接收来自传感器的报警信号,并通过闭锁(关闭)电磁阀应用50毫秒的电脉冲来启动。
在具体实施例中,网络中接采用窄带物联网技术,构建为蜂窝网络;所述网络中接消耗大约180kHz的带宽,可直接部署于全球移动通信系统(Global System for Mobile,GSM)网络。监控I区用于监控煤流运输产线的周围环境状态,通过煤与CO、CO
在具体实施例中,GSM安全的目标是使系统如公共交换电话网络一样安全。系统中的无线路径系统是最脆弱的部分,因为无线信号能被轻易地截获。移动站有一鲜为人知的安全问题:使用MS进行窃听在技术上是可能的(如作为“窃听器”)。就算已经关机,还是可以通过空中接口将它打开,所以最好的保护方法是将电池取出。GSM MoU组认为,安全的技术特性只是安全要求的一小部分,最大的威胁来自较简单的攻击如加密密钥的泄漏、不安全的计费系统。因此,要采取有各方面综合措施以确保这些安全过程满足安全要求,此外,也必须考虑安全措施的费效比。GSM系统的安全要求考虑了蜂窝网络的一些潜在弱点。系统的安全应当对系统运营商和用户都是适当的。系统运营商希望能确保向正确的人收费,并且服务不受影响;用户要求隐私得到保护。为此运营商GSM系统的设计必须考虑环境和安全过程,如密钥的产生和分发,运营商之间的信息交换以及算法的保密性。
在具体实施例中,为验证本发明所提算法的性能,将对本发明采用的一种改进CNN算法模型进行仿真对比,采用调研方式分析智能煤流监控过程中异常评判结果完成记录,并对异常评判结果进行系统整体模型的评估,将于传统CNN算法模型的训练误差进行对比,经过简单数据预处理后,统计迭代100次两种方法的训练误差,可以得到收敛性的对比如图3所示,从训练误差的最低位置来看,本发明所采用的改进CNN算法模型的训练误差要小于传统CNN算法模型,因此本发明所采用的改进CNN算法模型的收敛性要比传统CNN算法模型要好,算法模型的计算效率更高。
在上述实施例中,所述改进型暗通道先验滤波方法包含噪音检测模块,所述噪音检测模块为相相似度检测方法,计算不同煤流监控数据信息集合的相似度,可表示为:
在公式(11)中,E
在具体实施例中,为验证本发明所提算法的性能,将对本发明采用的一种改进CNN算法模型进行仿真对比,采用调研方式分析智能煤流监控过程中异常评判结果完成记录,并对异常评判结果进行系统整体模型的图像识别精度运算,将结果以仿真曲线的形式表述,从而完成仿真与分析。仿真过程中所用到的计算机的硬件配置CPU为Inter Core i7-9700H,运行内存为3200MHz 8×2GB,硬盘大小为1TB。仿真对比采用本发明与方案一(基于YOLO模型的检测方法,)和方案二(模糊聚类算法与Canny算子融合算法)进行对比,采用球型摄像机采集1024MB煤流监控图像,根据微机计算数据结果验证该研究的有效性,将实验结果汇总数据表,展示256~1024MB煤流监控图像的异常分析精度最终实验数据结果如表1所示。
表1实验结果
在具体实施例中,通过对比各方法的煤流监控图像异常识别精度,进一步完成对比实验,根据MTALAB软件实现该对比过程的仿真,得到煤流监控图像异常识别精度曲线对比如图4所示,通过对比发现三种煤流监控图像异常分析方法的识别精度存在一定的波动,但本发明采用的改进CNN算法算法模型具有最高识别精度为97.536%,远远高于其他两种方案方法,满足了对煤流监控图像异常处理需求,提高煤流监控图像异常识别精度。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变;例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围;因此,本发明的范围仅由所附权利要求书限定。
- 改进型深度学习算法模型的互联网流量大数据分析方法
- 一种改进型协同过滤算法模型的财务大数据分析方法