[发明专利]人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法

权利要求书

1.人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，包括配置有微处理单元的工业数码相机，该工业数码相机用来捕获可能发生意外事故位置的图像，该工业数码相机选装在固定平台、轨道移动平台或飞行平台上，尤其是当要求是在室外环境中覆盖长距离的和大面积的监控，并将工业数码相机微处理单元与卫星定位系统建立连接，以便于工业数码相机捕获图像时识别到系统位置，微处理单元将捕获可能发生意外事故泄漏的图像以及捕获到的图像的位置信息，通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析。

2.根据权利要求1所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，捕获的图像会从工业数码相机传递到微处理单元，微处理单元再将这些图像传去有线/无线网络通讯器，经有线/无线网络本地网络去到本地路由器/解调器，本地路由器/解调器透过互联网把图像传去云端计算服务器，或出于安全考虑，这些图像档案也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成，云端伺服器把图像传送去人工智能计算器，并把有用的数据储存在云端储存器里。

3.根据权利要求1所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，人工智能机器学习具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，智能机器学习需经过一个训练的步骤，包含大量没有发生意外事故时的位置图像，以及有发生意外事故时的位置图像，当完成这足够图像的训练后，智能机器学习能根据输入的新的图像，预测新的可能发生的意外事故，训练步骤可以在将来持续地进行以收集更多的数据，这样模型预测缺陷的准确性也将不断提高，在对人工智能机器进行培训后，当输入正在被监控区域的新图像时，能够分析图像并告知正在受到监控的该区域是否实际上发生了意外事故，当发生事故时，系统会自动通过互联网向各方发出警报信息。

4.根据权利要求1所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，进行图像泄漏与意外识别应用的算法是人工智能机器学习其中的一个分支卷积神经网络，卷积神经网络运作方法包括如下：

(1)卷积：把图像输入卷积计算，再对图像执行卷积，将图像具有像素值的矩阵输入，输入矩阵的读数从图像的左上角开始，接下来在那里选择一个较小的矩阵，称为过滤器，然后过滤器产生卷积，即随输入图像的x和y轴移动；过滤器的任务是将其值乘以原始像素值，所有这些乘法都是相加的，最后得到一个数字；由于过滤器仅在左上角读取图像，它进一步向右移动1或N单元，然后再次执行类似的操作；当过滤器穿过所有位置之后，获得了一个新矩阵，新矩阵大小是小于输入矩阵；

(2)ReLU激活：在每个卷积运算之后，进入非线性ReLU激活层，把ReLU激活应用于矩阵，ReLU代表整流线性单元，用于非线性操作，它用这方程式式，输出为f(x)＝max(0，x)，ReLU的目的是在计算中引入非线性，因需要计算学习是非负线性值，这步的结果会是一组特征图；

(3)降采样：将这些特征图提供给降采样汇集计算，降采样也称为子采样或下采样，它降低了矩阵的维度，但保留了重要信息，这步骤执行数据最大值降采样汇集计算，该计算截取ReLU激活特征图中具有最大值的元素，并应用于所有元素；

(4)不断重复：如有需要，可不断重复卷积，ReLU激活和降采样的这个过程，直到得到的特征图显示出令人满意的关键参数；

(5)压平完全连接层：在重复足够的次数之后，将特征图压平，特征图的矩阵，将转换为矢量，并将其传送以形成完全连接层，最后，输出具softmax激活函数的完全连接层；

(6)结果：激活函数应用在完全连接层以后,将结果分类为没有泄漏与意外，和不同类型的泄漏与意外。

5.根据权利要求1所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，人工智能计算器把已确定是否发生了意外事故的结果，透过互联网实时的将信息发送到终端设备上，终端设备也可以透过互联网从云端伺服器中读取结果。

6.根据权利要求5所述人工智能云计算非应用感应器的意外事故液体气体泄漏监控方法，其特征在于，所述终端设备可为移动电话、平板电脑。