[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的油田視頻智能安全事件檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110485539.0
• 申請日: 2021-04-30
• 公開（公告）號: CN113191274A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計(jì)）人: 錢學(xué)明;李永輝;王哲;江方明;薛堯
• 申請（專利權(quán)）人: 西安聚全網(wǎng)絡(luò)科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/44;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 范巍

本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的油田視頻智能安全事件檢測方法及系統(tǒng)，所述方法包括：獲取油田現(xiàn)場攝像頭采集的安全事件視頻，標(biāo)注形成數(shù)據(jù)集；訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型對安全事件進(jìn)行檢測與識別；對油田監(jiān)控視頻的實(shí)時(shí)圖像進(jìn)行圖像預(yù)處理并輸入預(yù)先訓(xùn)練好的檢測器中進(jìn)行安全事件檢測定位。本發(fā)明可同時(shí)對油田現(xiàn)場多路攝像頭進(jìn)行實(shí)時(shí)快速地安全事件報(bào)警，針對遠(yuǎn)場景小目標(biāo)檢測進(jìn)行了優(yōu)化，并且對不同場景有著很好的魯棒性，能夠很好解決多路油田監(jiān)控視頻實(shí)時(shí)安全事件檢測的痛點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)數(shù)字圖像處理與模式識別技術(shù)領(lǐng)域，涉及油氣田場景的安全事件檢測領(lǐng)域，特別涉及一種基于神經(jīng)網(wǎng)絡(luò)的油田視頻智能安全事件檢測方法及系統(tǒng)。

背景技術(shù)

隨著監(jiān)控設(shè)備的普及，人們對如何自動挖掘諸多視頻中的感興趣內(nèi)容愈發(fā)重視。以油氣田場景為例，中國的油田大多分布在人煙稀少、環(huán)境惡劣、通行不暢的地區(qū)，容易遭到動物、惡劣天氣的破壞，同時(shí)外來人員的破壞、設(shè)備意外事故、工作人員的操作失誤等等也是油氣田現(xiàn)場安全的重要隱患。對這些異常事件的早期發(fā)現(xiàn)至關(guān)重要，可以極大降低發(fā)生大災(zāi)難的可能性。其中火災(zāi)和漏油是油氣田中最危險(xiǎn)的事故，對油氣田現(xiàn)場作業(yè)的安全有嚴(yán)重威脅。如何將人工智能技術(shù)應(yīng)用到監(jiān)控視頻信息，構(gòu)建油田視頻智能實(shí)時(shí)安全事件檢測系統(tǒng)，準(zhǔn)確地對安全事件進(jìn)行早期預(yù)警，已成為油田安全領(lǐng)域的重點(diǎn)研究課題，具有重要的研究價(jià)值。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的油田視頻智能安全事件檢測方法及系統(tǒng)，以解決油氣田現(xiàn)場存在的安全事件隱患。本發(fā)明針對于油氣田現(xiàn)場的多樣化場景，對采集的數(shù)據(jù)集進(jìn)行了數(shù)據(jù)增強(qiáng)處理，利用自定義的兩級深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)油田場景下安全事件的快速有效識別。

為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明的一種基于神經(jīng)網(wǎng)絡(luò)的油田視頻智能安全事件檢測方法，包括以下步驟：

將油田視頻的圖像輸入預(yù)先訓(xùn)練好的檢測器中進(jìn)行安全事件檢測定位，獲得檢測結(jié)果；

所述檢測器的深度神經(jīng)網(wǎng)絡(luò)模型包括：

第一級網(wǎng)絡(luò)模型，用于輸入油田視頻的圖片進(jìn)行安全事件的一次目標(biāo)檢測，輸出油田視頻的圖片中所有安全事件目標(biāo)物的坐標(biāo)以及一次分類信息；

第二級網(wǎng)絡(luò)模型，用于輸入預(yù)設(shè)關(guān)心安全事件目標(biāo)圖進(jìn)行安全事件的二次目標(biāo)檢測，輸出二次分類信息；其中，所述預(yù)設(shè)關(guān)心目標(biāo)圖根據(jù)第一級網(wǎng)絡(luò)模型的輸出結(jié)果裁剪獲得；

根據(jù)第一級網(wǎng)絡(luò)模型和第二級網(wǎng)絡(luò)模型的輸出結(jié)果，獲得檢測結(jié)果。

本發(fā)明的進(jìn)一步改進(jìn)在于，將油田視頻的圖像輸入預(yù)先訓(xùn)練好的檢測器之前，還包括：對油田視頻的圖像進(jìn)行圖像預(yù)處理；所述圖像預(yù)處理包括：數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算和自適應(yīng)圖片縮放中的一種或多種。

本發(fā)明的進(jìn)一步改進(jìn)在于，所述預(yù)先訓(xùn)練好的檢測器的獲取步驟包括：

獲取油田的安全事件視頻，標(biāo)注形成訓(xùn)練數(shù)據(jù)集；其中，所述標(biāo)注形成訓(xùn)練數(shù)據(jù)集中的安全事件包括明火、黑煙、白煙和漏油中的一種或多種；

通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，達(dá)到預(yù)設(shè)收斂條件，獲得用于安全事件檢測的訓(xùn)練好的檢測器。

本發(fā)明的進(jìn)一步改進(jìn)在于，所述通過所述訓(xùn)練數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，獲得用于安全事件檢測的訓(xùn)練好的檢測器的步驟具體包括：

將訓(xùn)練數(shù)據(jù)集的標(biāo)簽轉(zhuǎn)化為YOLO標(biāo)注格式，獲得轉(zhuǎn)化后的YOLO標(biāo)準(zhǔn)數(shù)據(jù)集；

將轉(zhuǎn)化后的YOLO標(biāo)準(zhǔn)數(shù)據(jù)集輸入深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練數(shù)據(jù)集中標(biāo)注的目標(biāo)標(biāo)簽和位置信息計(jì)算聯(lián)合損失函數(shù)，基于聯(lián)合損失函數(shù)迭代調(diào)整深度神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，使用隨機(jī)梯度下降方法更新網(wǎng)絡(luò)參數(shù)，生成深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測器；每迭代一個(gè)epoch進(jìn)行一次測試，根據(jù)測試的性能指標(biāo)選擇性能最佳的模型作為訓(xùn)練好的檢測器。