可燃性粉尘云的图像检测方法

doi:10.16265/j.cnki.issn1003-3033.2020.04.002

中国安全科学学报 ›› 2020, Vol. 30 ›› Issue (4): 8-13.doi: 10.16265/j.cnki.issn1003-3033.2020.04.002

可燃性粉尘云的图像检测方法

赵欣然^1,2 高级工程师, 张琪³, 王卫东¹ 教授, 徐志强¹ 教授

1.中国矿业大学(北京) 化学与环境工程学院,北京 100083;
2.中国安全生产科学研究院重大危险源监控中心,北京 100012;
3.东北电力大学计算机学院,吉林长春 132000

收稿日期:2020-01-04 修回日期:2020-03-21 出版日期:2020-04-28
作者简介:赵欣然(1971—),男,山东蓬莱人,博士,高级工程师,主要从事安全监控与预警、人工智能、深度学习等方面的工作。E-mail:zhaoxr02@126.com。
基金资助:
国家重点研发计划项目(2017YFC0805900);十二五科技支撑计划项目(2015 BAK16B-JY003);中国安全生产科学研究院基本科研业务费专项资金资助(2016JBKY13);中国安全生产科学研究院科技创新研发基金资助(CXYF201902)。

Image detection method of combustible dust cloud

ZHAO Xinran^1.2, ZHANG Qi³, WANG Weidong¹, XU Zhiqing¹

1. School of Chemical & Environmental Engineering, China University of Mining and Technology(Beijing), Beijing 100083, China;
2. Major Hazard Source Monitoring Center, China Academy of Safety Science and Technology, Beijing 100012, China;
3. School of Computer Science, Northeast Electric Power University, Changchun Jilin 132000, China

Received:2020-01-04 Revised:2020-03-21 Published:2020-04-28

摘要/Abstract

摘要： 近年来粉尘爆炸引起的安全生产事故频繁发生,在线检测粉尘易集聚场所的粉尘云浓度并进行预警,成为控制粉尘爆炸的关键手段,而目前粉尘浓度传感器在大空间粉尘云聚集场所存在安装与识别局限性。为此,提出基于深度学习的可燃性粉尘云图像检测方法;采用基于卷积神经网络(CNN)的Faster R-CNN模型,对可燃性粉尘云进行端到端的检测与识别;并通过建立的粉尘云标准浓度图像数据库验证模型的有效性。结果表明:Faster R-CNN模型具有较高的识别精度。

关键词: 可燃性粉尘云, 图像检测, 卷积神经网络(CNN), 深度学习, Faster R-CNN模型

Abstract: In recent years, production accidents caused by dust explosion occur frequently, and on-line detection and early warning of dust cloud concentration in dust gathering places has become a key means to control dust explosion. However, installation and identification of dust concentration sensors were limited in large space where dust cloud gathers. In order to address this, combustible dust cloud recognition method based on deep learning was proposed. End-to-end detection and identification of explosive dust cloud were conducted by using CNN-based Faster R-CNN model. Then, a standard concentration image database was established to verify experimental results. The results show that Faster R-CNN model can effectively detect and identify explosive dust clouds, and it has high recognition accuracy.

Key words: combustuble dust cloud, image detection, convolutional neural networks (CNN), deep learning, Faster R-CNN model

中图分类号:

X932

赵欣然, 张琪, 王卫东, 徐志强. 可燃性粉尘云的图像检测方法[J]. 中国安全科学学报, 2020, 30(4): 8-13.

ZHAO Xinran, ZHANG Qi, WANG Weidong, XU Zhiqing. Image detection method of combustible dust cloud[J]. China Safety Science Journal, 2020, 30(4): 8-13.

参考文献

[1] GB15577—2018,粉尘防爆安全规程[S].
GB15577-2018,Safety regulations for dust explosion prevention and protection[S].
[2] 张二强,张礼敬,陶刚,等.粉尘爆炸特征和预防措施探讨[J].中国安全生产科学技术,2012,8(2): 88-92.
ZHANG Erqiang,ZHANG Lijing,TAO Gang,et al.Preliminary study on characteristics and preventive measures of the dust explosion[J].Journal of Safety Science and Technology,2012,8(2): 88-92.
[3] 陈立红,郭汉彦.关于可燃粉尘爆炸危险性分级的探讨[J].爆炸性环境电气防爆技术,1992(1): 6-8.
[4] 胡东涛,陈先锋,陈曦.不同粒径铝粉火焰传播特性试验研究[J].中国安全科学学报,2016,26(8): 41-45.
HU Dongtao, CHEN Xianfeng,CHEN Xi. Experimental study on aluminum dust flame propagation characteristics[J].China Safety Science Journal,2016,26(8): 41-45.
[5] 韩波,李刚,马赫,等.机械加工伴生粉尘爆炸危险性分析[J].中国安全科学学报,2018,28(9): 51-55.
HAN Bo,LI Gang, MA He, et al. Analysis of explosion risk of dust from mechanical processing[J].China Safety Science Journal,2018, 28(9): 51-55.
[6] REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]. Advances in Neural Information Processing Systems,2015: 91-99.
[7] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2014: 580-587.
[8] HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1 904-1 916.
[9] GIRSHICK R. Fast R-CNN[C]. Proceedings of the IEEE International Conference on Computer Vision. 2015: 1 440-1 448.
[10] HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]. IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2016: 770-778.

[1]	张术琳, 张亚楠, 田超, 严翔, 鲁义, 施式亮. 基于CNN的化工园区火灾火焰图像识别研究[J]. 中国安全科学学报, 2024, 34(1): 179-186.
[2]	魏德志, 杜志勇, 滕春阳, 辛吴天, 李泽坤. 露天矿破碎站链条断裂安全监测技术研究[J]. 中国安全科学学报, 2023, 33(S2): 170-175.
[3]	王瑶涵, 宋泽阳, 张利冬. 基于卷积神经网络的安全标识分类算法研究[J]. 中国安全科学学报, 2023, 33(S1): 263-269.
[4]	张琦, 吉日格勒. 基于卷积神经网络的煤泥水外溢检测算法[J]. 中国安全科学学报, 2023, 33(S1): 192-195.
[5]	阮顺领, 韩思淼, 张宁宁, 顾清华, 卢才武. 基于CNN-aGRU融合模型的尾矿坝浸润线预测方法[J]. 中国安全科学学报, 2023, 33(S1): 119-127.
[6]	赵光辉, 赵鹏, 胡金良. 语义分割的传送带跑偏视频检测算法[J]. 中国安全科学学报, 2023, 33(S1): 81-84.
[7]	林青, 姚俊名, 梁伟, 杨放, 廖春燕, 王有春. 基于深度学习的燃气发电机组剩余寿命预测[J]. 中国安全科学学报, 2023, 33(9): 113-121.
[8]	李善梅, 周相志. 基于S2S-CNN-GRU的机场离港航班延误预测[J]. 中国安全科学学报, 2023, 33(8): 93-100.
[9]	冉瑞生, 李进, 董殊宏. 基于Swin Transformer的弱监督人群计数研究[J]. 中国安全科学学报, 2023, 33(3): 111-117.
[10]	李海, 孙鹏. 基于知识图谱的火灾图像识别研究[J]. 中国安全科学学报, 2023, 33(10): 147-159.
[11]	王金江, 关鹏婷, 陈卓, 葛伟凤, 鞠茜. 基于深度学习的检修作业过程风险智能预警[J]. 中国安全科学学报, 2023, 33(10): 16-22.
[12]	马庆禄, 孙枭, 唐小垚, 鲁佳萍, 段学锋. 基于改进YOLOv5s算法的隧道初期火灾检测模型[J]. 中国安全科学学报, 2023, 33(10): 214-223.
[13]	范冰倩, 董秉聿, 王彪, 李铭, 吴松, 佟瑞鹏. 基于深度学习的地铁施工作业人员不安全行为识别与应用[J]. 中国安全科学学报, 2023, 33(1): 41-47.
[14]	黄珍珍, 肖硕, 王钰, 陈伟, 王升志, 江海峰. 铁路工人人体行为识别模型[J]. 中国安全科学学报, 2022, 32(6): 17-22.
[15]	张萌, 韩豫, 刘泽锋. 深度学习下建筑工人高空安全防护装备检测方法[J]. 中国安全科学学报, 2022, 32(5): 140-146.

可燃性粉尘云的图像检测方法

Image detection method of combustible dust cloud

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价