一种基于智能视频分析技术的加油站卸油过程安全监控方法与流程

本发明涉及生产安全监控技术领域，具体为一种基于智能视频分析技术的加油站卸油过程安全监控方法。

背景技术：

加油站储存有大量的易燃、易爆油品，是城市中的重大危险源，一旦泄露容易发生火灾、爆炸等安全事故，其后果相当严重，特别是燃油运输车辆向加油站储油罐进行卸油的操作，是具有高危风险的过程，必须严格按照卸油安全生产操作的规程进行，也是燃油销售企业的日常安全管理工作的重中之重。为进一步完善安全生产事故隐患排查治理运行机制，目前多数加油站采用人工定时排查方法，并且通过加装视频监控装置进行人工查看加油站卸油过程情况，但这些都属于人为被动排查安全隐患，若在人工定时排查的间隔中发生了安全事件隐患，或者由于安全管理工作人员的疏忽未能及时发现并阻止使用加油站设备的相关人员的违规操作行为，都增加了加油站安全事故出现的概率。

技术实现要素：

本发明所解决的技术问题在于提供一种基于智能视频分析技术的加油站卸油过程安全监控方法，以解决上述背景技术中的问题。

本发明所解决的技术问题采用以下技术方案来实现：一种基于智能视频分析技术的加油站卸油过程安全监控方法，包括以下步骤：

步骤1：定义卸油开始的视频监控画面特征；

步骤2：用户指定卸油过程安全操作的视频监控检查规则；

用户可按需要灵活地选取需通过视频监控进行检查的项目和调整视频图像识别的选项参数；

步骤3：定义卸油结束的视频监控画面特征；

步骤4：将监控摄像设备采集的监控视频流的最新一帧输入到已经通过深度学习训练好的神经网络模型中，以分析得出卸油操作过程的关键特征物体识别结果；

步骤5：通过对视频监控画面中的卸油操作过程关键特征物体识别，确认卸油过程是否已经开始：

(1)如果还没开始，则根据步骤4得到的识别结果和步骤1定义的卸油开始特征去判断现有的条件是否符合卸油开始条件，如果不符合则回到步骤4；如果符合则设置卸油过程开始标志为“是”，然后跳到步骤6；

(2)如果卸油过程已经开始，则跳到步骤6；

步骤6：根据步骤4的识别结果和步骤2定义的检查规则去判断某项安全操作规则是否被满足，若满足则把检测结果记录到数据库；

步骤7：根据步骤4的识别结果和步骤3定义的卸油结束特征去判断现有的条件是否符合卸油结束条件，如果不符合则回到步骤4；如果符合则结束卸油过程视频监控的分析；

步骤8：分析数据库中的记录判断此次卸油过程哪些项目通过哪些项目没通过，并根据此判断此次卸油过程是否合格；

步骤9：产生方便用户阅读的流程报告，附带相关视频片段和截图。

所述步骤1中定义卸油开始的视频监控画面特征为是否有油罐车停在指定区域超过一定时间，卸油现场出现卸油工作人员条件组合在一起定义为卸油开始特征。

所述步骤2中用户指定卸油过程安全操作的视频监控检查规则包括是否检查视频监控画面中出现止退器；是否检查视频监控画面中出现灭火器，灭火器应该出现的区域范围；是否检查视频监控画面中出现静电夹，静电夹应该连接的位置范围，用户选定的这些项目和参数组合为一套完整的卸油过程安全操作的视频监控检查规则，供系统使用。

所述步骤3中定义卸油结束的视频监控画面特征为是否有油罐车离开卸油区超过一定时间，卸油工作人员离开卸油现场等条件组合在一起定义为卸油结束特征。

所述步骤4中深度学习神经网络模型训练方法，包括以下步骤：

步骤1：收集加油站卸油过程的监控视频；

步骤2：将监控视频分解为静态图片帧，抽取含有需要识别物体的图片，并将图片分为训练集和验证集；

步骤3：对训练集和验证集进行人工标注；人工标注就是把训练集的所有图片样本中要识别的信息标记出来，包括这个信息的类和其在图片中的位置；

步骤4：对训练集进行数据增广，对于图像的每个通道，对比度计算公式如下：

f(x)＝(x-mean)*contrast_factor+mean；

x是每一个像素，mean是此通道的像素平均值，contrast_factor是一个介于0.8到1.25之间的值；

步骤5：用深度学习技术对训练集进行深度学习，训练需识别物体的神经网络模型，同时用验证集来评估深度学习神经网络模型的性能；

步骤6：训练过程结束后，部署训练好的神经网络模型；

步骤7：将监控视频流的每一帧输入到已经部署的神经网络模型，输出视频监控画面中物体识别结果。

所述步骤4中数据增广方法为调整对比度、调整亮度，调整对比度、调整亮度是把原图像的每个像素值都加上50。

与已公开技术相比，本发明存在以下优点：本发明利用深度学习技术进行智能视频分析，可对加油站的卸油过程进行视频监控，由系统自动判定与事先设定的安全操作规程是否符合，并输出卸油过程的视频监控安全报告，在判定不符合安全规程的情况下，可自动产生告警信息向安全管理人员进行告警，可以有效避免目前常见的通过人工进行远程视频监控的不确定性，降低了由于安全管理人员疏忽而造成的安全事故隐患风险。同时，本发明提出的系统可以利用加油站现有的视频监控系统的视频流进行分析，兼容目前各类主流厂商的ip摄像头，易于对加油站现有的视频监控系统进行升级，可快速提升安全生产管理的智能化能力。

附图说明

图1为本发明的系统流程图。

图2为本发明的深度模型训练方法流程示意图。

具体实施方式

为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效易于明白了解，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1、图2所示，一种基于智能视频分析技术的加油站卸油过程安全监控方法，包括以下步骤：

步骤1：定义卸油开始的视频监控画面特征；

步骤2：用户指定卸油过程安全操作的视频监控检查规则；

用户可按需要灵活地选取需通过视频监控进行检查的项目和调整视频图像识别的选项参数；

步骤3：定义卸油结束的视频监控画面特征；

步骤4：将监控摄像设备采集的监控视频流的最新一帧输入到已经通过深度学习训练好的神经网络模型中，以分析得出卸油操作过程的关键特征物体识别结果；

步骤5：通过对视频监控画面中的卸油操作过程关键特征物体识别，确认卸油过程是否已经开始：

(1)如果还没开始，则根据步骤4得到的识别结果和步骤1定义的卸油开始特征去判断现有的条件是否符合卸油开始条件，如果不符合则回到步骤4；如果符合则设置卸油过程开始标志为“是”，然后跳到步骤6；

(2)如果卸油过程已经开始，则跳到步骤6；

步骤6：根据步骤4的识别结果和步骤2定义的检查规则去判断某项安全操作规则是否被满足，若满足则把检测结果记录到数据库；

步骤7：根据步骤4的识别结果和步骤3定义的卸油结束特征去判断现有的条件是否符合卸油结束条件，如果不符合则回到步骤4；如果符合则结束卸油过程视频监控的分析；

步骤8：分析数据库中的记录判断此次卸油过程哪些项目通过哪些项目没通过，并根据此判断此次卸油过程是否合格；

步骤9：产生方便用户阅读的流程报告，附带相关视频片段和截图。

所述步骤1中定义卸油开始的视频监控画面特征为是否有油罐车停在指定区域超过一定时间，卸油现场出现卸油工作人员条件组合在一起定义为卸油开始特征。

所述步骤2中用户指定卸油过程安全操作的视频监控检查规则包括是否检查视频监控画面中出现止退器；是否检查视频监控画面中出现灭火器，灭火器应该出现的区域范围；是否检查视频监控画面中出现静电夹，静电夹应该连接的位置范围，用户选定的这些项目和参数组合为一套完整的卸油过程安全操作的视频监控检查规则，供系统使用。

所述步骤3中定义卸油结束的视频监控画面特征为是否有油罐车离开卸油区超过一定时间，卸油工作人员离开卸油现场等条件组合在一起定义为卸油结束特征。

所述步骤4中深度学习神经网络模型训练方法，包括以下步骤：

步骤1：收集加油站卸油过程的监控视频；

步骤2：将监控视频分解为静态图片帧，抽取含有需要识别物体的图片，并将图片分为训练集和验证集；

步骤3：对训练集和验证集进行人工标注。人工标注就是把训练集的所有照片样本中要识别的信息标记出来，包括这个信息的类和其在图片中的位置(“类”的意思是赋予这个信息一个唯一的标签，例如“灭火器”就是一个类)；

步骤4：对训练集进行数据增广，例如调整对比度、调整亮度等，以扩展训练集，

对于图像的每个通道，对比度计算公式如下：

f(x)＝(x-mean)*contrast_factor+mean

x是每一个像素，mean是此通道的像素平均值，contrast_factor是一个介于0.8到1.25之间的值。

亮度调整是把原图像的每个像素值都加上50。

步骤5：用深度学习技术对训练集进行深度学习，训练需识别物体的神经网络模型，同时用验证集来评估深度学习神经网络模型的性能；

步骤6：训练过程结束后，部署训练好的神经网络模型；

步骤7：将监控视频流的每一帧输入到已经部署的神经网络模型，输出视频监控画面中物体识别结果。

首先需要采集加油站卸油现场工作人员操作的监控视频，视频的清晰度要求达到720p的分辨率，用于进行神经网络深度学习的训练过程，训练的目的是建立卸油场景中与安全操作规程要求相关的关键特征物品识别的神经网络模型，所有的关键特征物品识别可共用一个神经网络模型。通过训练获得的神经网络模型，以软件的方式运行在进行智能视频分析的服务器上，用于判断高清ip摄像头拍摄上传的实时视频画面中是否出现了需识别的关键特征物品。在进行智能识别前，用户可以事先对监控画面中指定的区域进行框选，框选区域可以设置为画面上的任意多边形，如果有关键特征物品出现在画面中指定的框选区域，则系统自动判定达到了安全操作规程的某项触发条件。同时，系统将对该项触发条件出现的时间进行甄别，与安全操作规程中要求的步骤顺序进行比对，符合要求的顺序，则判定为该步骤符合安全操作规程。在对实时监控视频分析判定出现不符合安全规程的卸油操作时，系统会自动产生报警信息并通过系统平台推送、手机消息推送等多种方式通知用户。

以上显示和描述了本发明的基本原理、主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。