一种基于卷积神经网络的易燃危险源行为监测系统及方法与流程

本发明涉及一种基于卷积神经网络的易燃危险源行为监测系统及方法，属于人工智能技术领域。

背景技术：

易燃危险源具有易燃爆、易挥发、易渗漏、易集聚静电荷的特性，在易燃危险源吸烟时产生的细小火花和拔打手机时生成的静电可能会导致易燃危险源内的高浓度油气爆炸，因此需要时刻监测易燃危险源的危险行为并及时提出警示。传统的监测方法是在易燃危险源设立警示标志配合现场的工作人员进行监测，但是响应速度不够，监测有死角，不能及时制止危险行为，有安全隐患。目前，缺少一个系统或方法能够改变这一现状。

技术实现要素：

本发明为了解决上述问题，提出了一种基于卷积神经网络的易燃危险源行为监测系统及方法。

一种基于卷积神经网络的易燃危险源行为监测系统，包括：

行为捕捉模块：用于实时采集监测危险行为；

识别处理模块：用于对危险行为进行人工智能识别处理；

行为告警模块：用于对危险行为给出警示。

所述行为捕捉模块输出端与所述识别处理模块输入端连接，所述识别处理模块输出端与所述行为告警模块输入端连接。

其中，所述行为捕捉模块包括：

视频监控模块：由若干高清摄像头组成，用于采集易燃危险源内人员危险行为；

传输模块：用于将视频监控模块的若干高清摄像头采集的视频数据实时传输至识别处理模块。

其中，所述识别处理模块包括：

图像处理模块：用于接收并处理视频数据，得到每帧图像并识别再进行图像分类；

行为识别模块：用于利用人工智能在图像中识别危险行为；

其中，所述行为告警模块包括：

通信模块：接收所述识别处理模块的图像识别结果并转换为音频信号；

语音告警模块：接收警示语音并将音频信号进行语音播放对易燃危险源内存在的危险行为进行警告。

告警设置模块：用于设置告警语音。

优选的是，所述图像分类包括拨打手机图像和吸烟图像。

本发明同时公开了一种基于卷积神经网络的易燃危险源行为监测方法，包括如下步骤：

步骤1，行为捕捉：实时采集、监测危险行为；

步骤2，识别处理：对危险行为进行人工智能识别处理；

步骤3，行为告警：对危险行为给出警示。

进一步地，所述步骤1行为捕捉包括如下步骤：

步骤1.1，采用所述视频监控模块采集易燃危险源内人员危险行为，视频监控模块由安装易燃危险源各个角落及关键位置的多个高清摄像头组成，能够全面的监控易燃危险源的所有区域；

步骤1.2，将步骤1.1采集的视频传输至识别处理模块。

进一步地，所述步骤2识别处理包括如下步骤：

步骤2.1，接收并处理所述步骤1采集的视频数据并得到每帧图像，在进行图像分类；

步骤2.2，利用人工智能在步骤2.1的图像中识别危险行为。

进一步地，所述步骤2.1包括如下步骤：

步骤2.1.1，拔打手机图像处理：将实时视频数据转化为一帧一帧的图片，利用face_recognition中的face_locations函数将图片中的所有人像进行识别并用矩形框框选出来，去除矩形框内部人像肢体动作之外的背景，利用binary＝cv.adaptivethreshold方法对人像进行灰度处理，得到只有动作外形轮廓的人像图；

步骤2.1.2，吸烟图像处理：将实时视频数据转化为一帧一帧的图片，利用face_recognition中的face_locations函数将图片中的所有人脸进行识别并用矩形框框选出来，去除矩形框内部人脸之外的背景，利用binary＝cv.adaptivethreshold方法对人脸进行灰度处理，得到只有面部的人脸图。

进一步地，所述步骤2.2利用卷积神经网络对拔打手机和吸烟的危险行为人进行识别，包括如下步骤：

步骤2.2.1，训练：准备大量的训练图片进行训练，将各种形态姿势的拔打手机的人像图片及吸烟的人脸图片经过图像处理，转化为能够进行识别的图片，对人工智能进行训练，使其学习拨打手机和吸烟这两种危险行为的特征，能够进行识别；

步骤2.2.2，测试：应用大量的测试图片进行测试，提高图像识别的准确率。测试图片制作方法与训练图片一致，但与训练图片不能重复；

步骤2.2.3，预测：将图像识别应用在实际环境中，在安全环境下进行拔打手机和吸烟动作，进行图像识别，检测人工智能的准确率，准确率不达标时，再反复进行训练、测试和预测，准确率达标，可以应用在实际场景中。

进一步地，所述步骤3行为告警包括如下步骤：

步骤3.1，设置告警语音：系统自带默认吸烟与拔打手机两种类型的告警语音，用户可以上传语音文件，自定义语音提示。每个类型只能有一条语音被设置为当前生效，其余均不可生效，可以自由修改。

步骤3.2，接收步骤2的图像识别结果并将其转化为音频信号：图像识别的结果有两种，无危险行为和危险行为；无危险行为的数据不会传递给通信模块；危险行为可分为吸烟和拔打手机，通信模块接收危险行为的数据，并根据其类型将事先设置好的警示语音传输至语音告警模块。

步骤3.3，用接收警示语音并将音频信号进行语音播放对易燃危险源内存在的危险行为进行警告：拨打手机和吸烟用不同的提示语音进行告警，告警音也会提示现场的工作人员对危险行为进行管控。

综上所述，本发明的有益效果在于：

(1)本次发明的监测系统及方法，通过卷积神经网络对视频图像的处理，利用人工智能识别监测在易燃危险源内吸烟、拔打手机的危险行为；

(2)本发明利用监控设备能够全面覆盖整个易燃危险源，监测无死角；利用人工智能识别危险行为，准确而快速；利用语音提示进行告警，能够提醒正在进行危险行为的人员及工作人员及时制止危险行为，降低了易燃危险源的安全隐患，帮助工作人员更好地完成易燃危险源的安全维稳工作。

附图说明

图1是本发明专利基于卷积神经网络的易燃危险源行为监测系统架构图；

图2是本发明专利行为捕捉模块的架构图；

图3是本发明专利识别处理模块的架构图；

图4是本发明专利行为告警模块的架构图；

图5是本发明专利应用场景示意图；

图6是本发明专利图像处理流程示意图；

图7是本发明专利的流程图。

具体实施方式

下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。

一种基于卷积神经网络的易燃危险源行为监测系统，包括：

行为捕捉模块：用于实时采集监测危险行为；

识别处理模块：用于对危险行为进行人工智能识别处理；

行为告警模块：用于对危险行为给出警示。

所述行为捕捉模块输出端与所述识别处理模块输入端连接，所述识别处理模块输出端与所述行为告警模块输入端连接。

其中，所述行为捕捉模块包括：

视频监控模块：由若干高清摄像头组成，用于采集易燃危险源内人员危险行为；

传输模块：用于将视频监控模块的若干高清摄像头采集的视频数据实时传输至识别处理模块。

其中，所述识别处理模块包括：

图像处理模块：用于接收并处理视频数据，得到每帧图像并识别再进行图像分类；

行为识别模块：用于利用人工智能在图像中识别危险行为；

其中，所述行为告警模块包括：

通信模块：接收所述识别处理模块的图像识别结果并转换为音频信号；

语音告警模块：接收警示语音并将音频信号进行语音播放对易燃危险源内存在的危险行为进行警告。

告警设置模块：用于设置告警语音。

优选的是，所述图像分类包括拨打手机图像和吸烟图像。

本发明同时公开了一种基于卷积神经网络的易燃危险源行为监测方法，包括如下步骤：

步骤1，行为捕捉：实时采集、监测危险行为；

步骤2，识别处理：对危险行为进行人工智能识别处理；

步骤3，行为告警：对危险行为给出警示。

进一步地，所述步骤1行为捕捉包括如下步骤：

步骤1.1，采用所述视频监控模块采集易燃危险源内人员危险行为，视频监控模块由安装易燃危险源各个角落及关键位置的多个高清摄像头组成，能够全面的监控易燃危险源的所有区域；

步骤1.2，将步骤1.1采集的视频传输至识别处理模块。

进一步地，所述步骤2识别处理包括如下步骤：

步骤2.1，接收并处理所述步骤1采集的视频数据并得到每帧图像，在进行图像分类；

步骤2.2，利用人工智能在步骤2.1的图像中识别危险行为。

进一步地，所述步骤2.1包括如下步骤：

步骤2.1.1，拔打手机图像处理：将实时视频数据转化为一帧一帧的图片，利用face_recognition中的face_locations函数将图片中的所有人像进行识别并用矩形框框选出来，去除矩形框内部人像肢体动作之外的背景，利用binary＝cv.adaptivethreshold方法对人像进行灰度处理，得到只有动作外形轮廓的人像图；

步骤2.1.2，吸烟图像处理：将实时视频数据转化为一帧一帧的图片，利用face_recognition中的face_locations函数将图片中的所有人脸进行识别并用矩形框框选出来，去除矩形框内部人脸之外的背景，利用binary＝cv.adaptivethreshold方法对人脸进行灰度处理，得到只有面部的人脸图。

举例说明，如图6所示：

a.利用face_recognition中的face_locations函数将图5中的所有人像进行识别并用矩形框框选出来，单独形成图像标记为a、b、c、d；

b.利用binary＝cv.adaptivethreshold方法对图像进行灰度处理，去除矩形框内部人像肢体动作之外的背景，利用图像二值化将图像处理为黑白两种色彩，得到白色背景黑色人像动作轮廓的图像a1、b1、c1、d1。

其中，二值化算法公式为：

取出人像轮廓的canny算法，其公式为：

c.将图像处理的结果a1、b1、c1、d1输入行为识别模块进行危险动作识别。

进一步地，所述步骤2.2利用卷积神经网络对拔打手机和吸烟的危险行为人进行识别，包括如下步骤：

步骤2.2.1，训练：准备大量的训练图片进行训练，将各种形态姿势的拔打手机的人像图片及吸烟的人脸图片经过图像处理，转化为能够进行识别的图片，对人工智能进行训练，使其学习拨打手机和吸烟这两种危险行为的特征，能够进行识别；

其中，训练中卷积的公式为：

池化下采样的公式为：

roi_pool的训练原理为：

设xi为输入层的节点，yj为输出层的节点，则有：

其中，判决函数δ(i,j)表示i节点是否被j节点选为最大值输出。不被选中有两种可能：xi不在yj范围内，或者xi不是最大值。

步骤2.2.2，测试：应用大量的测试图片进行测试，提高图像识别的准确率。测试图片制作方法与训练图片一致，但与训练图片不能重复；

步骤2.2.3，预测：将图像识别应用在实际环境中，在安全环境下进行拔打手机和吸烟动作，进行图像识别，检测人工智能的准确率，准确率不达标时，再反复进行训练、测试和预测，准确率达标，可以应用在实际场景中。

进一步地，所述步骤3行为告警包括如下步骤：

步骤3.1，设置告警语音：系统自带默认吸烟与拔打手机两种类型的告警语音，用户可以上传语音文件，自定义语音提示。每个类型只能有一条语音被设置为当前生效，其余均不可生效，可以自由修改。

步骤3.2，接收步骤2的图像识别结果并将其转化为音频信号：图像识别的结果有两种，无危险行为和危险行为；无危险行为的数据不会传递给通信模块；危险行为可分为吸烟和拔打手机，通信模块接收危险行为的数据，并根据其类型将事先设置好的警示语音传输至语音告警模块。

步骤3.3，用接收警示语音并将音频信号进行语音播放对易燃危险源内存在的危险行为进行警告：拨打手机和吸烟用不同的提示语音进行告警，告警音也会提示现场的工作人员对危险行为进行管控。

虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应该以权利要求书所界定的为准。