基于多维图像特征与SHAP-PSO融合加权的可解释多模型方法用于粉尘厚度危险积聚识别

《Journal of Loss Prevention in the Process Industries》：Hazardous dust accumulation identification of Dust Thickness: An Interpretable Multi-Model Approach Based on Multidimensional Image Features and SHAP-PSO Fusion Weighting

　　

摘要：

在木材加工企业的集尘管道中，木屑的积聚会带来粉尘爆炸的风险，因此这是一个重要的安全问题。准确识别危险积聚状态对于有效监测和降低风险至关重要。现有的评估方法主要依赖于物理机制或单一特征分析，但这些方法存在特征权重分配不合理以及特征可解释性与特征选择之间整合不足的问题。本研究提出了一种基于可解释图像特征的框架，该框架结合了特征提取、多模型SHAP特征选择、主客观权重融合以及阈值确定等方法，用于识别危险的粉尘积聚情况。研究共收集了3448张高分辨率的集尘管道内粉尘沉积图像。以1毫米为粉尘厚度阈值，从这些图像中提取了30维的视觉特征。随后，通过ReliefF算法结合多模型SHAP分析来识别关键特征。具体而言，来自随机森林、支持向量机、极端梯度提升树和高斯朴素贝叶斯四种机器学习模型的SHAP值与ReliefF的分析结果相结合，最终确定了12个关键的视觉特征。此外，还通过G1方法计算出主观权重，同时运用熵权重方法得到客观权重，再通过粒子群优化算法优化权重融合系数，从而确定最终的特征权重。最后，利用这些综合后的特征权重建立了基于风险评分的识别框架，并通过随机森林模型确定了识别危险粉尘积聚的最佳判别阈值。实验结果表明，偏度、分形维度、轮廓面积以及灰度标准差是区分危险粉尘积聚状态的最重要特征。所提出的框架能够有效识别关键视觉特征，减少特征冗余，并为在样本量有限的情况下基于图像识别危险粉尘积聚提供了一种可解释的技术方法。

章节节选

引言：特征权重确定

在生产、运输和储存过程中，可燃粉尘很容易形成粉尘云。在封闭环境中，一旦存在有效的点火源，这些粉尘云就可能被点燃，进而引发粉尘爆炸，造成严重的人员伤亡和经济损失[1]、[2]。虽然粉尘沉积本身通常并非初始爆炸的直接诱因，但在初始爆炸冲击波的作用下，沉积的粉尘可能会重新悬浮起来，从而引发二次爆炸

研究方法框架

本研究采用三阶段的渐进式框架，包括特征选择、权重融合以及识别验证。首先，通过ReliefF算法结合多模型SHAP分析进行特征选择，以此去除冗余信息，降低最初提取的30维视觉特征的维度，从而得到标准的特征矩阵。其次，分别使用G1方法和熵权重方法计算主客观权重，然后

特征选择结果

根据基于平均绝对SHAP值确定的特征重要性排名，本研究从最初的30维特征集中选择了12个核心特征，这些特征占据了特征重要性总和的92.6%。对这些12个特征之间的整体相关性进行了评估，未发现严重的多重共线性问题。为了验证主客观权重结果的一致性，从两个角度对所选的特征进行了分析：权重之间的相关性

特征选择有效性验证及冗余特征剔除

通过随机森林模型的排列重要性排名对特征贡献度进行综合分析后，发现这12个选定特征呈现出梯度分布，没有某个特征具有绝对的支配作用。其中，偏度、分形维度、轮廓面积以及灰度标准差对模型预测的贡献相对较高，其累计贡献率为41.2%。不过，这些特征组合起来的分类准确率达到了85.67%，这一数值相当高

结论与未来工作

本研究开发了一种基于图像的框架，用于识别危险的粉尘积聚状态。通过图像特征提取、基于ReliefF和SHAP的联合特征选择、PSO优化的主客观权重融合、基于风险评分的识别框架阈值确定以及随机森林模型验证等方法，系统地分析了特征重要性、权重分配的合理性以及关键的区分因素。主观G1方法的结合

CRediT作者贡献声明

张美青：文章撰写——初稿撰写、数据调查、数据整理。李阳：研究方法设计、正式分析、概念构建。陆帅帅：结果可视化、项目监督。何乐茂：结果验证、软件应用

利益冲突声明

? 作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

李阳|张美青|何乐茂|陆帅帅

北京石油化工学院安全工程学院，北京102617