本发明涉及计算机，尤其涉及一种基于机器视觉的实验室危险源识别系统及方法。
背景技术：
1、目前，实验室危险源的管理主要依赖实验室管理员定期进行系统录入，手动将危险源信息录入系统中，然而，这种静态的管理方式无法及时适应实验室环境的变化，特别是随着不同课题组进行试验而带来新的危险源时，无法对实验室内新的危险源进行及时录入和识别，导致实验室安全管理严重滞后，对于实验室危险源的风险评估不准确，缺乏动态管理和全面的风险评估，及时采取相应的控制措施变得困难，这可能导致实验室人员面临潜在的安全风险，对实验室的安全性构成威胁。
技术实现思路
1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于机器视觉的实验室危险源识别系统及方法。
2、为实现上述目的，本发明采用了如下技术方案：
3、一种基于机器视觉的实验室危险源识别系统，包括bim建模模块、算法训练模块、规则引擎模块、预警模块；
4、所述bim建模模块用于创建实验室三维模型；
5、所述算法训练模块基于仿真软件得到的测试集和训练集对目标检测算法模型进行训练；
6、所述规则引擎模块包含定义的危险源的使用规则，根据定义的危险源的使用规则与获取的监控视频中已知危险源的使用方法进行比较，判断获取的监控视频中已知危险源的使用方法是否符合使用规则，如果不符合，则触发预警模块；
7、所述预警模块对危险源及不符合危险源使用规则的操作进行提醒。
8、本发明还提出一种基于机器视觉的实验室危险源识别方法，包括以下步骤：
9、s1：建立实验室危险源模型；
10、包括如下子步骤：
11、s11：采集危险源信息；
12、工程师采集实验室内包含的各类危险源信息，所述危险源信息包括危险源名称、类型、储存要求、图像等；所述危险源类型包括高温设备、高压设备、低温设备、易燃易爆物质、有毒有辐射物质、腐蚀性物质等；
13、所述高温设备包括马弗炉、灭菌锅等；所述高压设备包括高压反应釜、氢气瓶，氮气瓶等，所述低温设备包括液氮罐等；所述易燃易爆物质包括易燃气体、易燃化学品等；所述有毒有辐射物质包括硫酸、盐酸、氢氧化钠溶液、放射性物质等；所述腐蚀性物质包括强酸、强碱等化学品；
14、将采集到的危险源信息保存到危险源信息数据库中，所述危险源信息数据库与基于机器视觉的实验室危险源识别系统绑定；
15、s12：创建实验室三维模型；
16、使用激光扫描仪对实验室进行扫描，获取实验室的三维点云数据；bim建模模块根据获取的三维点云数据创建实验室三维模型；
17、s13：生成实验室危险源模型；
18、基于步骤s1中采集的危险源信息在实验室三维模型中标注包含的危险源，得到实验室危险源模型。
19、s2：得到训练集和测试集；
20、工程师将步骤s13得到的实验室危险源模型导入到仿真软件中，仿真软件对实验室的危险源进行场景模拟，生成仿真视频；
21、所述仿真软件例如ansys、unity 3d等；所述场景包括正常操作场景、违规操作场景、事故场景等；所述正常操作场景指设备和危险源按照标准操作程序正常运行；所述违规操作场景指模拟操作者不按规范操作的情况，如过度加热设备、错误操作化学品等；所述事故场景包括化学品泄漏等；
22、将生成的仿真视频按照时间顺序拆解为n个视频片段，并对各个视频片段进行标注，其中，n为正整数，标注出其中包含的危险源及对应的场景；将标注好的视频片段保存到数据集中，按照工程师实际预设的比例随机划分为训练集和测试集；
23、s3：对目标检测算法模型进行训练和评估；
24、使用训练集对目标检测算法模型进行训练，训练完成后，通过测试集对目标检测算法模型进行评估；
25、具体地，通过yolov8库配置目标检测算法模型yolov8的训练脚本，配置完成后，算法训练模块使用训练集中的视频片段对目标检测算法模型yolov8进行训练；训练完成后，使用测试集验证目标检测算法模型yolov8在测试集上的平均精度map、召回率recall是否达标，如果平均精度map大于95%且召回率recall大于99%，则目标检测算法模型yolov8达标；反之，则不达标，通过调整目标检测算法模型yolov8中的参数、增加训练集中的视频片段数量等方式再次进行训练，直至目标检测算法模型yolov8达标。
26、s4：使用训练好的目标检测算法模型识别危险源；
27、实验室内安装有摄像头；
28、通过训练达标的目标检测算法模型，对实验室内摄像头实时获取的监控视频进行检测，检测实验室内包含的危险源；
29、具体的检测方法如下：
30、如果目标检测算法模型检测出实验室内的物品与危险源信息数据库中包含的危险源完全相同，则直接识别为已知危险源；触发规则引擎模块，规则引擎模块根据定义的危险源的使用规则与获取的监控视频中已知危险源的使用方法进行比较，如果不符合预设的使用规则，则触发预警模块进行提醒；
31、如果目标检测算法模型检测出实验室内的物品与危险源信息数据库中包含的危险源不完全相同，则提取监控视频中物品的图像，通过深度学习架构依次计算所述物品的图像与危险源信息数据库中包含的危险源的图像的相似度，得出每个物品图像与危险源信息数据库中每个危险源图像的相似度得分；根据相似度得分，得到所述物品与危险源信息数据库中最相似的危险源及其类别；
32、工程师根据实际需求事先设置了相似度阈值；
33、如果所述相似度得分高于相似度阈值，则判断此物品为潜在的新的危险源，在数据库中增加此危险源的同时预警模块进行预警提醒，实现对危险源信息数据库的动态管理。
34、与现有技术相比，本发明的有益效果为：
35、本发明提供的方法通过bim对实验室进行建模，在实验室模型中标注出危险源，得到实验室危险源模型，通过仿真软件得到实验室危险源的仿真视频，对仿真视频进行拆解标注，划分为训练集和测试集，通过训练集和测试集对目标检测算法模型进行训练和评估；最终使用训练好的目标检测算法模型检测实验室中包含的危险源；当识别到的物品与数据库中包含的危险源不相同时，依次计算物品与数据库中危险源的相似度，根据相似度得分，得到所述物品与危险源信息数据库中最相似的危险源及其类别；并根据相似度得分判断是否为潜在的新危险源，如果是，则在数据库增加此危险源，实现对危险源信息数据库的动态管理。
36、本发明解决了现有技术中无法对实验室内新的危险源进行及时录入和识别的问题，便于及时采取相应的控制措施，提高了对实验室的安全管理、对于实验室危险源的风险评估的准确性。
1.一种基于机器视觉的实验室危险源识别方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于机器视觉的实验室危险源识别方法，其特征在于：
3.如权利要求1所述的基于机器视觉的实验室危险源识别方法，其特征在于：
4.如权利要求1所述的基于机器视觉的实验室危险源识别方法，其特征在于：
5.如权利要求1所述的基于机器视觉的实验室危险源识别方法，其特征在于：
6.一种基于机器视觉的实验室危险源识别系统，用于实现权利要求1-5任一项所述的基于机器视觉的实验室危险源识别方法，其特征在于：包括bim建模模块、算法训练模块、规则引擎模块、预警模块；
