[發明專利]一種基于深度學習的鉆井現場危險區域預警系統構成方法

有效

• 申請號: 202010135095.3
• 申請日: 2020-03-02
• 公開（公告）號: CN111341068B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 緱柏弘;盧月勝;來建強
• 申請（專利權）人: 北京四利通控制技術股份有限公司
• 主分類號: G08B21/02
• 分類號: G08B21/02
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 于國強

1.一種基于深度學習的鉆井現場危險區域預警系統構成方法，其特征在于，所述鉆井現場危險區域預警系統包括視頻采集模塊、視頻智能識別模塊、危險分析模塊和預警模塊；所述視頻采集模塊連接所述視頻智能識別模塊，將采集到的鉆臺周圍的圖像傳輸進入所述視頻智能識別模塊；所述視頻智能識別模塊輸出端連接所述危險分析模塊，將識別結果傳輸給所述危險分析模塊；所述危險分析模塊輸出端與所述預警模塊進行電連接，當識別結果位于危險區域內，且鉆柱轉動時，觸發所述預警模塊；

基于深度學習的所述鉆井現場危險區域預警系統構成方法包括以下步驟：

S1、將視頻采集模塊安裝于鉆臺區域上端，采集所述鉆臺周圍的圖像，并傳輸進入視頻智能識別模塊；

S2、所述視頻識別模塊中通過卷積神經網絡識別算法構建圖像檢測模型，通過所述圖像檢測模型對所述鉆臺周圍的人員進行檢測，并輸出人員識別序列和對應的目標區域矩形框，傳輸進入危險識別模塊；

S3、所述危險識別模塊將所述目標區域矩形框轉化為目標中心坐標點，并判斷所述目標中心坐標點是否位于預先設定的危險區域內，當鉆柱旋轉狀態下，有一個以上的所述目標中心坐標點位于所述危險區域內，則觸發預警模塊，所述預警模塊發出警報聲音；

其中，在構建所述圖像檢測模型時，對傳輸輸入的圖像歸一化，經過系列的卷積層學習到不同尺度的特征圖，對不同的卷積層的輸出的特征圖分別用兩個不同的3×3的卷積核進行卷積，并分別輸出分類用的confidence和輸出回歸用的localization；通過NVIDIAJetson XT2平臺運行所述圖像檢測模型，進行圖像采集，并接收鉆柱的旋轉狀態，接收采集的單幀圖像，且設置有程序啟動計數器，當計數器為3的倍數時，對采集到的圖像進行二分之一降采樣，并傳輸進入訓練完畢的所述圖像檢測模型中，由所述圖像檢測模型對單幀圖像進行人員識別分析，并輸出人員識別序列和目標區域矩形框；所述危險識別模塊中設定所述危險區域以鉆柱為中心，所述危險識別模塊將所述目標區域矩形框轉化為目標中心坐標點，檢測到人員的位置的矩形框坐標(x0,y0),(x1,y1),(x2,y2),(x3,y3)，其中(x0,y0)是左下點，(x1,y1)右下點；用(x，y)表示人員的準確位置即所述目標中心坐標點，其中x＝(x0+x1)/2,y＝(y2+y1)/2；并判斷所述目標中心點是否位于所述危險區域內，計算危險區域的面積，并投影到圖像像素坐標，設為S；如果(x,y)∈S且鉆柱正常工作，則觸發預警模塊發出警報聲音。

2.根據權利要求1所述的基于深度學習的鉆井現場危險區域預警系統構成方法，其特征在于，所述視頻智能識別模塊、所述危險分析模塊和所述預警模塊均嵌入至NVIDIAJetson XT2硬件平臺中。

3.根據權利要求2所述的基于深度學習的鉆井現場危險區域預警系統構成方法，其特征在于，所述視頻采集模塊通過所述NVIDIA Jetson XT2硬件平臺的接口連接所述視頻智能識別模塊。

4.根據權利要求1所述的基于深度學習的鉆井現場危險區域預警系統構成方法，其特征在于，所述危險區域預警系統通過NVIDIA Jetson XT2硬件平臺獲取鉆柱的旋轉狀態。

5.根據權利要求1所述的基于深度學習的鉆井現場危險區域預警系統構成方法，其特征在于，所述視頻采集模塊包括攝像頭。

6.根據權利要求1所述的基于深度學習的鉆井現場危險區域預警系統構成方法，其特征在于，所述圖像檢測模型的創建方式為：收集所述鉆臺周圍的圖片，對其中的工人進行手工標注，并進行監督學習訓練，應用深度學習算法離線訓練出圖像檢測模型。

7.根據權利要求1所述的基于深度學習的鉆井現場危險區域預警系統構成方法，其特征在于，所述視頻識別模塊處理單幀圖像的處理速度為10fps。

8.根據權利要求1所述的基于深度學習的鉆井現場危險區域預警系統構成方法，其特征在于，所述危險區域以鉆柱為中心，寬度范圍為0.4倍攝像頭輸出圖像寬度，高度為攝像頭輸出圖像高度。