徐永华，潘玉奇

(1. 金陵科技学院计算机工程学院，江苏 南京 211169； 2. 济南大学 信息科学与工程学院，山东 济南 250022)

1 引言

实验室作为科技成果的研究基地，是科学技术研发过程中最为重要的组成部分。由于实验室中大部分实验用品都具备易燃易爆特性，所以对实验室进行有效的火灾危险源识别是保证实验室正常运行的重要手段之一。针对火灾危险源的隐蔽性存在形式，提出快速有效的危险源识别方法成为实验室建设领域亟待解决的问题。

文献[3]提出基于HFACS的粮食烘干作业危险源辨识方法。该方法通过传统的辨识方法找出危险源；再使用里森模型对缺失数据进行系统化处理，通过因素分类系统对处理结果进行分析，找出其中的隐形差错；最后将传统辨识结果与分析结果进行整合，实现危险源的辨识。该方法由于未能在危险源识别前对数据进行平滑去噪处理，导致该方法的辨识精度不高。文献[4]提出基于BIM和本体的地铁基坑施工危险源自动识别方法。该方法首先对危险源的辨识流程进行确定，根据规范模型以及本体模型建立安全本体，最后采集相关数据并导入建立的模型中，实现危险源的可视化辨识。该方法在建立模型时存在误差，导致辨识结果与实际结果不一致。文献[5]提出民航不安全事件报告危险源识别模型。该方法首先建立危险源标签，将其整合为表格形式，选定相应的数据库；使用LDA模型获取数据分布概率；最后通过选定的数据库对模型进行训练，获取相应的数据向量并通过相应的分类方法实现危险源的辨识。该方法在计算分布概率时存在问题，所以该方法进行危险源辨识过程中增长系数高。

为解决上述危险源辨识方法中存在的问题，提出基于机器视觉的实验室火灾危险源辨识方法。

2 数据去噪

2.1 空间划分以及K近邻搜索

首先对实验室空间范围内的数据进行全方位采集，建立数据的最小包围立方体，并将其作为八叉树的根节点，通过根节点建立若干边长相同的子节点，其中具有点云数据的节点为黑点，反之则为白点。设定立方体的最小划分边长为，若黑体的边长大于，对子节点进行划分，直到划分的子立方体边长小于或等于时，结束划分。数据经过划分后，使用八进制法对该立方体进行数据编码，过程如下式所示

=-18-1+-28-2+…+8+…+8+8

(1)

式中，数据的八进制编码为。通过空间划分以及数据编码形式对数据的空间位置进行确定，过程如下式所示

(2)

式中，确定的空间位置坐标为(，，)，数据在方向的进制编码为，方向的数据进制编码为，方向上的数据进制编码为。基于上述可知，编码与立方体之间的关系可用=2+2+2进行表示，通过计算可获取上述数据在各个空间位置中的坐标值，结果如下式所示

(3)

式中，进制编码为，层数为。

2.2 滤除离群点

设定实验室的点云数据集合为，数据的任意采样点为，邻域集合为。具体的滤除过程如下：

1)通过八叉树拓扑关系，构建的邻域数据集合()。

(4)

式中，数据数量为。

3)通过获取的数据点云集合计算全局距离平均值与标准方差。

4)通过计算出的领域均值与全局距离平均值以及标准方差进行比较，找出数据离群点并进行滤除处理。

2.3 估计法向量

数据离群点滤除后，使用加权的协方差矩阵对数据的集合特征值进行计算。针对数据点云集合中的点，根据近邻搜索法搜索邻域集合，使用最小二乘法对面进行拟合处理，过程如下式所示

(5)

(6)

式中，矩阵特征值为，相对应的特征向量为，建立的协方差矩阵为。当<<时，可直接用特征向量进行表示，所以基于Pauly方法对拟合平面的曲率进行定义，过程如下式所示

(7)

2.4 平滑去噪

将实验室数据集中的平滑采样坐标位置设定为′，描述过程如下式所示

(8)

式中，影响因子标记成，数据的平面法向量为，角度阈值标记′，特征向量为，平滑函数为()，时间系数为。最后通过上式计算出实验室训练数据样本集在平面上的投影长度，从而完成数据的平滑去噪。

3 辨识危险源

使用机器视觉中的在线序列极限学习机训练平滑去噪后的实验室数据，从而实现实验室火灾危险源的识别。

3.1 在线学习

首先在实验室数据集中选取一部分的数据开始训练数据，开展数据的训练任务，获取数据的输出权值与输出矩阵，在其中加入新的数据样本进行新一轮输出矩阵与输出权值的计算，重复操作上述过程，实现数据的在线学习。

设定实验室数据集中的危险源样本数据为，危险源特征信息为，理想的识别结果为，激活函数为()，学习机的输出表现形式如下式所示

(9)

式中，输出权值为，数据的训练结果为()。设定广义逆矩阵为，当=+时，获取的矩阵表达形式，结果如下式所示

(10)

式中，广义逆矩阵为。

(11)

式中，添加新数据的样本训练数据为，危险源数据广义逆矩阵为，迭代次数为，整合系数为，危险源输出权重为，危险源理想数据识别效果集为。整体学习过程如下：

1)在学习机中输出相关数据。

2)设定各项初始数据值，开始初始学习。首先随机选取个数据样本作为实验室中的火灾危险源，并在其中搜索危险源元素的状态信息，若存在立即生成输入权值，反之则通过输入权值获取隐藏的节点阈值。

3)通过激活函数获取原始输出矩阵。

4)建立广义逆矩阵，并依据该矩阵获取数据输出权重。

5)进行在线学习，依据激活函数获取更新后的输出矩阵，以及输出权值。

6)重复上述流程，直至没有新数据，输出训练结果。

3.2 优化学习机

由于机器视觉中的在线序列极限学习机进行火灾危险源辨识时，会由于数据的泛化能力影响学习机的自身网络结构，且输入权值与偏置项为随机取值，会发生辨识效果差的问题，所以要使用差分进化方法优化学习机的网络，从而提高学习机的火灾危险源识别泛化能力。

为了更好地完成优化，需使种群在净化过程中选取相应的变异策略，过程中变异策略的选取概率为，，学习周期为，策略的更新规则如下

2)当>时，，获取过程如下式所示

(12)

式中，变异策略与代种群生成试验向量中的进化数量为，，进化中剔除的数据数量为，。变异向量生成后，通过变异向量获取试验向量。

优化时，使用均方的误差定量最小化种群进化的选择向量，完成学习机网络优化。过程如下式所示

(13)

式中，最小进化向量为，学习机输入权重为，危险源特征信息为，偏置项为，理想识别结果为。

3.3 算法流程

1)设定实验室火灾危险源的状态数据集为，种群迭代次数为，维度用表示，危险源激励函数设定成()形式，数据的训练数量为，更新后的数据集大小为。

2)随机生成实验室数据种群维度，建立初代种群个体向量。

3)选取最大变异策略，生成变异向量，以及试验向量，。

4)通过对学习机网络输出权值的计算，获取相应的，对比试验向量与原数据向量，选取最小进化向量，进入+1代种群，完成学习机结构优化。

5)将平滑去噪后的实验室数据放入学习机中，通过训练结果实现火灾危险源辨识。

4 实验

为了验证上述危险源辨识方法的整体有效性，需要对此方法进行测试。

4.1 实验结果及分析

分别采用基于机器视觉的实验室火灾危险源辨识方法(方法1)、基于BIM和本体的地铁基坑施工危险源自动识别(方法2)、民航不安全事件报告危险源识别模型(方法3)进行测试；

在进行危险源识别过程中，参考指标的高低会直接影响危险源的辨识效果。所以设定引燃时间、最大热释放率以及危险源增长系数为测试指标，采用上述三种危险源辨识方法，将上述三种识别指标分为三个阶段，测试三种危险源辨识方法的识别效果。

1)引燃时间

第一阶段，将实验室内采集到的可燃物分为五个组别，采用本文所提方法对数据平滑去噪前后的火灾危险源进行识别，对识别过程中五个组别的引燃时间进行测试，测试结果如图1所示。

图1 平滑去噪前后引燃时间检测结果

由于组别的不同，测试出的引燃时间也不相同。整体来看，实验室数据经过平滑去噪后的引燃时间检测结果与实际的引燃时间相接近，而未进行平滑去噪的实验室易燃物引燃时间检测结果与实际可燃物引燃时间相差较大，这主要是因为本文所提方法再进行平滑去噪过程中，使用了K近邻搜索法滤除了数据集中的离群点数据，所以本文所提方法在进行数据平滑去噪后，检测出的危险源引燃时间与实际引燃时间相一致。同时可以侧面证明本文所提方法的辨识精度高。

2)最大热释放率测试

最大热释放率作为火灾危险源检测过程中最关键的测试指标，是影响火灾危险源辨识的重要因素。第二阶段，基于第一阶段的测试结果，利用本文所提方法识别数据去噪前后的火灾危险源，测试去噪前后危险源辨识过程中的最大热释放率，测试结果如图2所示。

图2 去噪前后最大热释放率检测结果

分析图2可知，本文所提方法在数据去噪前的实验室易燃物最大热释放率与实际检测出的最大热释放率之间存在较大差距，而数据平滑去噪后的最大热释放率检测结果与实际最大热释放率检测结果相接近，并且在组别1、2、5中检测出的结果与实际检测结果相一致。这主要是因为本文所提方法在数据平滑去噪过程中不仅进行了数据离群点的滤除，还使用加权的协方差矩阵对数据的集合特征值进行计算，完成了法向量的估计，所以本文所提方法在进行数据平滑去噪后检测出的最大热释放率与实际易燃物的最大热释放率相接近。

3)增长系数

基于上述测试结果，在测试的第三阶段，采用方法1、方法2以及对方法3对危险源进行识别，对三种识别方法识别出的危险源增长系数进行测试，测试结果如图3所示。

图3 不同方法的增长系数测试结果

分析图3可知，检测次数的增加会提高危险源的增长系数。本文所提方法测试出的危险源增长系数低于其它两种辨识方法。这主要是因为本文所提方法在进行危险源识别前对数据进行了平滑去噪处理，所以本文所提方法在进行去噪处理后提高了危险源的辨识准确度。

5 结束语

随着科技的不断进步，国家对于实验室的建设要求愈加严苛。针对实验室建设过程中的火灾危险源辨识过程中出现的问题，提出基于机器视觉的实验室火灾危险源辨识方法。该方法首先建立实验室数据集，并对其进行平滑去噪处理；再使用机器视觉中的在线序列极限学习机对平滑去噪后的实验室数据进行训练，从而实现实验室火灾危险源的识别。该方法由于在在线序列极限学习机优化过程中出现一定缺陷，今后会针对该项问题继续优化该危险源识别方法。