[发明专利]一种基于深度学习的轻量级有毒有害气体分布的检测方法

权利要求书

1.一种基于深度学习的轻量级有毒有害气体分布的检测方法，其特征在于它包括以下步骤：

(1)在无人移动平台上装载多组分有毒有害气体检测传感器，对待测现场的地貌环境参数和有毒有害气体参数进行采集；

(2)利用残差网络提取对步骤(1)中采集的原始参数的关键特征构建特征集feature(x)；

(3)对特征集feature(x)中的数据进行预处理；

(4)对有毒有害气体的立体分布检测网络进行离线训练；

(5)模型进行量化训练，压缩模型参数量使其能够部署在移动端或嵌入式系统中；

(6)有毒有害气体立体分布在线检测，通过归一化指数回归预测出污染现场地貌和有毒有害气体立体分布结果；

(7)根据步骤(6)中在线检测的有毒有害气体立体分布结果，通过得到的有毒有害气体立体分布结果，确定危险等级；其中，危险等级包括低风险、中风险、高风险、不确定四个危险等级；当处于低风险等级时，不需要防护可以进入现场；当处于中风险等级时，需要佩戴防护用具进入现场；当处于高风险等级和不确定等级时，不适合人员进入现场；

(8)将步骤(6)步骤(7)中预测的结果发送至云服务器平台，云服务器平台作为服务器开放IP地址和端口号，接收包括现场地貌重建、危险等级和有毒有害气体立体分布的在线检测结果；

(9)利用手机APP和显示终端设备，将污染现场有毒有害气体立体分布情况和危险等级结果，实时向现场作业人员展示；

所述步骤(2)中的关键特征包括地貌特征、气象特征、有毒有害气体特征；则构建特征集feature(x)是指对地貌特征、气象特征、有毒有害气体特征的数据集的定义，具体包括：

(2.1)地貌特征：对两幅连续拍摄图像间重叠区域进行地貌重建，用x_ij表示二维重叠区域特征点横坐标，用y_ij表示二维重叠区域特征点纵坐标，用矩阵D代表特征点对应三维空间高度，则重叠区域特征集定义如下：

feature_I＝{x_ij,y_ij,D_ij}；

(2.2)气象特征：将气象特征以0-1向量形式进行表征，1表示为当前天气，0表示为非当前天气，分别为晴、雨、雪和风依次标记为：

feature_W＝{W_F,W_R,W_S,W_W}；

(2.3)有毒有害气体特征：将有毒有害气体特征以向量形式进行表征，将气体种类、气体相对密度、是否溶于水依次标记为：

feature_G＝{G_C,G_D,G_W}

其中，G_C的区域范围为0～n-1，n为检测气体的数量；G_D取值为0或1，0代表有毒有害气体相对密度小于空气，反之为1；G_W取值为0或1，0代表有毒有害气体不溶于水，反之为1；

(2.4)将影响有毒有害气体分布检测因素的特征集定义为：

feature(x)＝feature_I∪feature_W∪feature_G

(2.5)将获取的标签数据定义为label(x)，采用min-max归一化方法对特征集feature(x)和标签数据label(x)进行如下的归一化处理：

其中，f代表特征点取值，f^min为该特征点最小取值，f^max为该特征点最大取值，f^N为归一化处理后的特征点取值；

(2.6)将归一化处理后的特征集feature(x)和标签数据label(x)分别表示为feature(x)^N和label(x)^N，作为训练样本的输入数据；

(2.7)将训练样本的特征集记为train_x，标签集记为train_y，训练样本中特征集与标签集逐行一一对应，即：

所述步骤(3)中数据预处理具体是指：

(3.1)按照残差网络结构，利用残差结构进行训练，学习特征集feature(x)的高维表达；

(3.2)将步骤(3.1)中得到的特征集feature(x)的高维表达输入残差网络，通过正向传播将输入加权累加，通过激活函数获得输出向量；

所述步骤(4)中的离线训练具体是指：

(4.1)利用步骤(3)对离线训练的数据进行数据预处理；

(4.2)利用步骤(2)中的训练样本的归一化标签集train_y计算有毒有害气体的立体分布检测网络损失函数L({p_i},{t_i})，并与真实值进行比较，进而得到有毒有害气体的立体分布检测网络损失函数计算结果；其中，p_i为锚点框预测为目标的概率；t_i向量表示训练阶段预测的偏移量；

(4.3)通过反向传播确定有毒有害气体的立体分布检测网络的梯度值，微调有毒有害气体的立体分布检测网络权重和超参数，使有毒有害气体的立体分布检测网络损失函数最小化且模型收敛，并保存有毒有害气体的立体分布检测网络损失函数最小化时的权重，得到用于预测有毒有害气体分布的模型；

所述步骤(4.2)中的有毒有害气体的立体分布检测网络损失函数是由类别损失L_cls({p_i},{t_i})和回归损失L_reg({p_i},{t_i})构成，即：

L({p_i},{t_i})＝L_cls({p_i},{t_i})+L_reg({p_i},{t_i})；

所述步骤(5)中的量化训练具体是指：

(5.1)在前向传播中应用模拟量化方法，将输入X和模型权重W量化为8字节整数，输入X的量化操作X_q和模型权重W的量化操作W_q定义为：

其中，X_m为输入X的绝对值最大值，W_m为模型权重W的绝对值最大值，n为量化等级；

定义通用矩阵量化乘积结果为Y_q：

Y_q＝X_q*W_q

其中，X_q为输入X的量化操作，W_q为模型权重W的量化操作；

反向量化操作Y_dq定义为：

其中，X_m为输入X的绝对值最大值，W_m为模型权重W的绝对值最大值，n为量化等级；

(5.2)反向传播输入和输出为32字节浮点型数据；输入X、模型权重W、输出Y和偏置b的梯度值分别为X_grad、W_grad、Y_grad、b_grad，应用量化权重和激活计算梯度值，将梯度值与原始权重值相加；

(5.3)在每次迭代过程中采用动态策略进行计算，确定权重和激活的量化比例系数；

所述步骤(6)中对污染现场地貌和有毒有害气体立体分布结果的在线检测，具体是由以下步骤构成：

(6.1)利用步骤(3)对现场采集的原始数据进行数据预处理，得到输出向量；

(6.2)对得到的输出向量通过归一化指数回归进行分类，以获得现场地貌重建、危险态势评估和有毒有害气体立体分布结果，通过寻找最优θ_i值，将P(i)的取值最大化，从而获得准确度最优的预测结果；

所述步骤(6.2)中的归一化指数回归可以定义为：

其中，P(i)为预测结果属于样本i的概率值，θ_i为待求参数，x为样本，θ_i和x是列向量；

归一化指数回归分类方法具体是指：首先将模型的预测结果转化到指数函数上，保证概率的非负性；其次将转换后的结果进行归一化处理，具体方法是将转化后的结果除以所有转化后结果之和，得到近似概率；从而预测出污染现场地貌和有毒有害气体立体分布结果。