[發明專利]一種基于人工智能的加油站關鍵區域及人員安全隱患監測預警系統及方法

在審

• 申請號: 202011147335.8
• 申請日: 2020-10-23
• 公開（公告）號: CN112258042A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 康健;李凱;楊樹;張繼信;代濠源;喬建宇;常明澤
• 申請（專利權）人: 北京石油化工學院
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06K9/00;G06N3/04;G01D21/02
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;趙鎮勇

1.一種基于人工智能的加油站關鍵區域及人員安全隱患監測預警系統，其特征在于，包括視頻監控模塊、傳感器組、高速運算通訊組件和AI運算處理平臺；

所述視頻監控模塊用于獲取車輛號牌信息以及人員走動進入的各種敏感區域的圖像信息；

所述傳感器組用于獲取設備的運行狀態以及溫度參數信息；

所述高速運算通訊組件用于將所述圖像信息以及所述參數信息初步處理后傳輸至所述AI運算處理平臺；

所述AI運算處理平臺預先存儲預警模式，包括：

由AI運算處理平臺記錄并訓練數據模型，包括人員行為判定參數、危險系數參數，以及相關加油站作業事故的事故報告，分析事故報告和相關事故報告中的事故原因，對數據模型進行深度模型訓練；

結合視頻監控模塊和傳感器組所采集的視頻、參數數據，對每個視頻監控和傳感器所采集的視頻、參數數據進行實時監控，對可能存在的安全隱患進行預警和報告；

在做出了安全隱患判定之后，對存在安全隱患的區域進行立即整改處理，并分級匯報，檢測其他關鍵區域，全面消除安全事故隱患。

2.根據權利要求1所述的基于人工智能的加油站關鍵區域及人員安全隱患監測預警系統，其特征在于，所述視頻監控模塊包括第一視頻監控、第二視頻監控和第三視頻監控，所述第一視頻監控、所述第二視頻監控和所述第三視頻監控為相同的視頻監控，且均與所述高速運算通訊組件連接；

所述視頻監控模塊將用于監控車輛號牌信息、車輛駛入駛出、人員行為等視頻畫面；

所述視頻監控模塊與所述高速運算通訊組件進行通訊連接。

3.根據權利要求1所述的基于人工智能的加油站關鍵區域及人員安全隱患監測預警系統，其特征在于，所述傳感器組包括第一傳感器、第二傳感器和第三傳感器，所述第一傳感器、所述第二傳感器和所述第三傳感器為不同的傳感器，且所述第一傳感器、所述第二傳感器和所述第三傳感器均與所述高速運算通訊組件通信連接并均設置有參考參數；

所述第一傳感器為溫度傳感器，所述溫度傳感器用于檢測關鍵區域的溫度變化，所述溫度傳感器與所述高速運算通訊組件通信連接。

4.根據權利要求3所述的基于人工智能的加油站關鍵區域及人員安全隱患監測預警系統，其特征在于，所述第二傳感器為氣體濃度傳感器，所述氣體濃度傳感器與所述高速運算通訊組件通信連接。

5.根據權利要求3所述的基于人工智能的加油站關鍵區域及人員安全隱患監測預警系統，其特征在于，所述第三傳感器為設備運行狀態傳感器，所述設備運行狀態傳感器與所述高速運算通訊組件通信連接。

6.根據權利要求1所述的基于人工智能的加油站關鍵區域及人員安全隱患監測預警系統，其特征在于，所述數據模型的預存儲包括對加油站的數據判定，對于加油站四個功能區域：加油區、儲油罐區、進出車行道和停車場地，及輔助作業區進行全面視頻監控和高密度傳感器布設，所監測的數據包括人員行為、溫度、氣體濃度和設備運行狀態數據，并且分析以往事故報告中的情況進行分析，結合其引起事故的人員行為、溫度、氣體濃度和設備運行狀態數據，制定同等級別的人員行為、溫度、氣體濃度和設備運行狀態監控，對于接近和超出其范圍的監測點進行高危報警，并記錄該數據信息，通過訓練模型反復訓練不同的現有的事故報告，根據現有事故報告得出所需要的事故預警模型。

7.一種權利要求1至6任一項所述的基于人工智能的加油站關鍵區域及人員安全隱患監測預警系統實現加油站關鍵區域及人員安全隱患監測預警的方法，其特征在于，包括步驟：

所述的AI運算處理平臺采用神經網絡的深度學習模型，對預先構建的初始深度學習模型進行訓練，得到中間深度學習模型；

其中，所述初始深度學習模型為：加載有分類目標函數的深度學習模型；

利用所述中間深度學習模型，計算所述訓練樣本集中各個樣本的特征向量，并根據所述訓練樣本集中各個樣本的特征向量，計算中心點距離目標函數的中間數據的初始值；

將中心點距離目標函數添加到中間深度學習模型中并加載所述中間數據的初始值，得到目標深度學習模型；

導入訓練樣本集中的預設數量的樣本作為批次數據；

利用當前目標深度學習模型，計算當前批次數據中各個樣本的特征向量，并根據當前批次數據中各個樣本的特征向量，更新中間參數的參數值；

基于當前批次數據中各個樣本的特征向量，計算所述中心點距離目標函數的函數值和分類目標函數的函數值，并判斷計算得到的中心點距離目標函數的函數值是否收斂到第一預定區間，且計算得到的分類目標函數的函數值是否收斂到第二預定區間；

如果否，利用中心點距離目標函數的反向傳播梯度和所述分類目標函數的反向傳播梯度，調整當前目標深度學習模型的參數，并返回執行所述導入訓練樣本集中的預設數量的樣本作為批次數據的步驟；

如果是，結束對當前目標深度學習模型的訓練。