[发明专利]一种基于机器视觉的实验室危险品安全隐患自动监测方法

权利要求书

1.一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：步骤1：建立安全检查标准数据库和两个目标特征知识图库；两个目标特征知识图库分别为标准库和状态库；标准库中含有实验室内危险品的图像；状态库内含有实验室内物品处于不安全状态的图像；

步骤2：采集室内物品的视频流图像，并提取关键帧图像；

步骤3：对关键帧图像进行图像预处理；

步骤4：建立图像识别的算法模型，对关键帧图像进行特征提取，获取关键帧图像内各物品的特征参数；特征参数包括形状、姿态和位置；

步骤5：将经过特征参数提取的各关键帧图像内的物品图像与标准库内的图像进行搜索和比对；根据物品图像的形状，判断关键帧图像中的各物品是否为危险品；

步骤6：将经过特征参数提取的各关键帧图像内的物品图像与状态库内的图像进行搜索和比对；根据物品图像中物品的位置和姿态，判断关键帧图像中的各物品放置的位置或姿态是否处于不安全状态；

步骤7：识别出危险品的安全隐患后，在安全检查标准数据库中检索与安全隐患相对应的不安全项条款号，并输出安全检查标准数据库中记载的安全隐患的内容描述；安全隐患包括实验室中存在不能出现的危险品和实验室中有物品处于不安全状态。

2.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：所述的安全检查标准数据库内含有经过编号的多个安全不符合项的描述；状态库内的各典型危险品安全隐患的图像与安全检查标准数据库中的安全不符合项条款号及相关内容描述相对应。

3.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：步骤2中采集室内物品的视频流图像的图像传感器采用电荷耦合元件。

4.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：所述的视频流图像中，每间隔n帧获取一张关键帧图像。

5.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：步骤3中的图像预处理包括图像增强、图像分割处理。

6.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：步骤4中，所述的特征参数还包括颜色信息；步骤五中，物品的形状和颜色共同作为判断依据，判断关键帧图像中的各物品是否为危险品。

7.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：步骤4中共建立三个算法模型；三个算法模型分别为形状识别算法、颜色识别算法和位置识别算法；形状识别算法，用以对各关键帧图像中各个物体的形状、姿态进行识别；颜色识别算法，用以对各关键帧图像中各个物体的颜色特征参数进行提取；位置识别算法，用以对各关键帧图像中各个物体与环境的相对位置进行识别。

8.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：所述的形状识别算法采用边界特征法和傅里叶形状描述法；颜色识别算法采用颜色直方图、颜色集、颜色矩或颜色聚合向量算法；位置识别算法采用目标检测算法。

9.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：步骤7执行后，执行步骤8至10，过程如下：

步骤8：生成包含有序号、不安全项条款号、安全隐患的内容描述和现场照片的安全检查表；现场照片为被检查出安全隐患的关键帧图像；安全检察员根据安全检查表判断识别出的安全隐患是否正确；若安全检察员判断出安全检查表中记载的安全隐患正确，则发布限期整改通知书，并发送给实验室安全相关人员，责令在规定期限内完成隐患整改；

步骤9：整改期限内，对实验室内的危险品安全隐患进行持续监测，直至达到整改要求，使安全检查形成闭环；

步骤10：将实验室内危险品的安全隐患整改情况存储到实验室安全管理系统的数据库中。

10.根据权利要求1所述的一种基于机器视觉的实验室危险品安全隐患自动监测方法，其特征在于：步骤8中，若安全检察员判断出安全检查表中记载的安全隐患不正确；则根据现场照片，通过深度学习对标准库和状态库进行更新。