一种使用机器学习进行环保无组织排放监管的方法

摘要

本发明公开了一种使用机器学习进行环保无组织排放监管的方法，涉及智能监控识别技术领域。该使用机器学习进行环保无组织排放监管的方法利用机器学习的高效性，有效对视频信息进行学习，并判断出排放物的种类和类型，同时采用yolo系统实时监控，有效减少人力监控成本，提高监控效率。

说明书

技术领域

本发明涉及智能监控识别技术领域，具体为一种使用机器学习进行环保无组织排放监管的方法。

背景技术

针对钢铁企业提升无组织管控效率，避免突发环境事件发生的迫切需求。发现利用视频AI智能自动识别技术，比林戈曼灰度识别等传统方式，能够增加管理效率，应用场景也更加广阔。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种使用机器学习进行环保无组织排放监管的方法，解决了无组织监控困难的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种使用机器学习进行环保无组织排放监管的方法，包括如下步骤：

步骤1，对所有有污染的图片用labelimg软件进行标记,标记的数据格式为json格式，即每张图片的label文件；

步骤2，将上一步得到的json格式的数据集中放到一个文件夹内，然后将其全部转化为训练yolo所需要的txt格式的数据；

步骤3，将转化好的训练集中的图片所对应的txt文件放在train_cat_imgs文件夹中，进行模型训练；

步骤4，搭建的分析系统采用B/S架构，基于WEB页面，使用restful的服务接口对外进行分析结果数据和图片的发布。

优选的，所述训练yolo所需要的txt格式的数据使用json2txt.py脚本进行转换。

优选的，所述步骤1中选取样本的具体步骤：

步骤1.1，实施过程中，首先对于多个无组织放散监控点进行长时间的视频录制，针对于有问题的视频进行剪辑并切片分析；

步骤1.2，在分析时，对于视频中的水蒸气和污染烟雾做出了不同的标识，并以不同颜色区分；

步骤1.3，在分析过程中，对于识别的视频重点区域和物体进行了特殊标注，帮助减少误差的产生。

优选的，所述步骤4中的接口通信方式，采用标准化的restful的接口，对外部署服务。

优选的，所述步骤3中的模型训练的业务场景可应用于有组织排放。

优选的，所述步骤4中的结果展示页面是图形化数据展示、大屏展示、二维图标结果展示中的一种。

优选的，所述步骤4中的结果展示页面是图形化数据展示、大屏展示、二维图标结果展示中的多种。

本方法搭建的视频系统硬件为了保证运行的性能，新增视频流分析服务器一台与环保视频摄像头的网络进行联通，从各重点区域摄像头直接获取辅码流进行分析。在服务器端部署视频图像分析模型软件，进行后端视频实时分析。分析结果信息通过应用层服务对外提供数据访问接口。视频异常信息及图像保存1年历史数据。

(三)有益效果

本发明提供了一种使用机器学习进行环保无组织排放监管的方法。具备以下有益效果：

该使用机器学习进行环保无组织排放监管的方法利用机器学习的高效性，有效对视频信息进行学习，并判断出排放物的种类和类型，同时采用yolo系统实时监控，有效减少人力监控成本，提高监控效率。

附图说明

图1为本发明所提供使用机器学习进行环保无组织排放监管的方法流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

视频识别分析服务器使用实体服务器，具体配置如下：

DL580 Gen1061262P 32GB 8SFF CN Svr(标配2个IntelXeon-Gold 6126(2.6GHz/12-core/120W)处理器；64GB DDR4-2666 MT/s内存)。服务器搭载一块rtx2080ti高性能显卡，视频识别模型基于GPU进行进行高速运算。

系统的AI视频分析模型基于一种神经网络对象识别算法：YOLO。YOLO是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。

模型检测流程简介：

1、将图片resize到448*448大小。

2、将图片放到网络里面进行处理。

3、进行非极大值抑制处理得到结果。

4、采用单个卷积神经网络来预测多个bounding boxes和类别概率。

YOLO算法通过划分单元格来做检测，只是划分的数量不一样。采用"leaky ReLU"作为激活函数。端到端进行训练。一个loss function搞定训练，只需关注输入端和输出端。用batch normalization作为正则化、加速收敛和避免过拟合的方法，把BN层和leaky relu层接到每一层卷积层之后。

算法描述：

使用了残差网络；采用逻辑回归预测置信度和进行分类，从三个尺度上预测b-box的坐标以及特征提取器发生变化。使用多个逻辑回归来预测分类，使用二元交叉熵计算分类损失。借由FPN的思想，用中间层的输出与后层输出进行融合，进行三个尺度预测，每个尺度的每个cell预测3个坐标。

模型优劣势：

速度快，处理速度可以达到45fps，其快速版本(网络较小)甚至可以达到155fps。背景预测错误率低，因为是整张图片放到网络里面进行预测。

其缺点主要是小目标和邻近目标检测效果差，对边框的预测准确度不是很高，网格设置比较稀疏，对定位存在影响。但是在无组织排放识别这个应用场景里面，无组织气体的边框及位置的判断不是管控内容，因此对于实际业务管控目标影响不大。

视频AI系统测试运行3个月以来，进行了12路重要监测区域视频数据的实时分析。系统运行情况稳定，异常结果与对应视频的实际情况匹配度不断提高。

同时，经过对于摄像头视频数据的异常情况，进行了多次图像筛选标注工作。提交训练系统，反复训练模型，提高识别率到85％左右。系统识别结果，通过web服务，传输到环保系统进行管控大屏推送，以及微信的消息推送，有效提高了无组织管控的管理时效性。做到“及时发现，及时处理。”

本方法的AI分析模型采用YOLO深度学习框架，利用TensorFlow机器学习系统进行模型训练工作。使用python进行相关训练及开发工作，模型持久化以后，利用开源模型部署工具在视频分析服务器进行应用部署，并利用rest服务接口，对外进行结果数据发布。

搭建的分析系统采用B/S架构，基于WEB页面，使用浏览器通过系统发布的管理页面即可查询监控结果。移动手机端则使用企业微信公众号，进行告警信息推送。优点：系统升级及扩展时，无需升级客户端，直接升级服务器端即可，对于客户端透明。

针对于烟雾感知，本系统采用先进的AI智能学习模型，采用基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以定位于每个物体的具体位置，适用于实时系统。

AI智能模型学习，需要使用对大量视频内容进行长时间机器学习、。本次采用卷积神经网络YOLO算法，过程中针对神经网络结构和候选区算法不断改进，使得目标检测速度达到0.2秒，极大的满足的高可用性的要求。

实施过程中，首先对于十几个无组织放散监控点进行长时间的视频录制，针对于有问题的视频进行剪辑并切片分析。每个监控点的切片图片达到3万张，总体切片图片分析数量达到30多万张，总的机器学习时间超过110小时。通过这些方法极大的提高了识别的准确率。

在分析时，对于视频中的水蒸气和污染烟雾做出了不同的标识，并以不同颜色区分。

综上所述，该使用机器学习进行环保无组织排放监管的方法利用机器学习的高效性，有效对视频信息进行学习，并判断出排放物的种类和类型，同时采用yolo系统实时监控，有效减少人力监控成本，提高监控效率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。