[发明专利]一种基于云-边智能的井下危险源检测方法

说明书

本发明公开了一种基于云‑边智能的井下危险源检测方法，包括以下步骤：步骤1、云边参数优化：选用SSD网络模型作为检测模型，并将提取目标初步特征的VGG‑16网络换成MobileNet网络，SSD网络模型与MobileNet网络组成的MobileNet‑SSD目标检测模型，减少模型提取深度特征部分的网络深度，将数据集图片进行翻转、裁剪，去除多余物体，局部放大目标；步骤2、建立煤矿的云‑边检测体系：将摄像头及传感器部署在边缘设备上，在边缘侧实现实时检测，传感器包括温度传感器、烟雾传感器和CO传感器；步骤3、边缘侧多传感器融合的危险源感知：对步骤2中摄像头及传感器检测到的信息进行动态加权融合处理，判断是否有火焰产生；步骤4、多网络融合网络：将步骤2、步骤3多设备检测的信息多网络融合无线传输到上位机。

技术领域

本发明涉及矿井安全监控技术领域，特别是涉及一种基于云-边智能的井下危险源检测方法。

背景技术

矿井火灾是煤矿安全领域的重点防治的灾害之一，近年来关于矿下失火事件居高不下，这不仅带来了财产损失，还威胁到了工人的生命安全，煤矿安全事故分为瓦斯、顶板、运输等8大类别，从2007-2017年的事故统计分析，发现火灾/瓦斯事故每起平均死亡人数高达21/5人。

因此采取有效的监控措施，预防火灾的发生极为重要，现阶段，煤矿井下监测外因起火的方法主要采用气体、温度、烟雾等传感器，通过将大量传感器部署在矿道的上方来监视设备运行情况。然而这种方法存在许多不足之处，首先，部署大量的传感器不仅耗时、耗力、耗资金，而且后期还需要不断地定期检查维护，当部署的传感器较少时，远离传感器较远的火源则不能被及时的检测到，这也是目前使用传感监测矿下火灾发生面临的最主要问题。

人工智能(AI)的发展为安全监控系统的设计带来了新思路，基于AI的安全监控系统主要有两种部署方法：基于云的架构和基于边缘的架构，基于云的方法是通过互联网将大量采集到数据传输到云中，在云中进行一系列数据处理，如果受到攻击，将导致隐私泄露，另外，随着终端设备收集的数据量不断增加，基于云的方法给网络带来了巨大的数据传输压力，无法满足安全监控系统的实时要求；基于边缘架构的安全监测系统通过使用边缘计算，可以在边缘设备上处理数据而无需将其上传到云中，从而可以有效抵御网络攻击并防止数据隐私泄漏，且能够响应系统实时性的需求，但是，边缘设备的计算资源有限，在处理计算密集型监视任务(例如视频处理和图像识别)时，它通常会遇到性能瓶颈。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于云-边智能的井下危险源检测方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于云-边智能的井下危险源检测方法，包括以下步骤：

步骤1、云边参数优化

选用SSD网络模型作为检测模型，并将提取目标初步特征的VGG-16网络换成MobileNet网络，SSD网络模型与MobileNet网络组成的MobileNet-SSD目标检测模型，减少模型提取深度特征部分的网络深度，将数据集图片进行翻转、裁剪，去除多余物体，局部放大目标；

步骤2、煤矿的云-边检测体系

将摄像头及多传感器部署在边缘设备上，在边缘侧实现实时检测，多传感器包括温度传感器、烟雾传感器和CO传感器；

具体按照以下步骤实施：

S21、将步骤1中MobileNet-SSD目标检测模型进行训练，并将训练好的模型移植在边缘摄像头上；

S22、视频处理模块调用摄像头获取视频帧，然后将获取的图片传递给图像分析和检测模块；