基于人工智能可视化的对象定位方法及可视化监控系统与流程

本技术实施例涉及人工智能，具体而言，涉及一种基于人工智能可视化的对象定位方法及可视化监控系统。

背景技术：

1、当前，针对各种工厂现场作业的安全监控操作正逐步向远程化、智能化、可视化转变。基于人工智能可视化的智能监控方案已经慢慢应用到工厂现场作业中，利用人工智能可视化技术，针对现场作业场景进行对象异常行为的预警，以降低安全事故的发生率。然而，相关技术中进行对象异常行为预警和定位过程中，没有考虑到对象异常行为之间的迭代变化，导致异常行为预测的准确度不够，进而影响对象定位的可靠性。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术实施例的目的在于提供一种基于人工智能可视化的对象定位方法及可视化监控系统。

2、依据本技术实施例的一个方面，提供了一种基于人工智能可视化的对象定位方法，包括：

3、获取目标对象采集图像序列；

4、对所述目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列；

5、将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成所述目标对象采集图像序列对应的对象异常行为预测数据，所述对象异常行为预测数据包括各种对象异常行为的预测权重值；

6、将所述对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络生成对应的对象异常行为分布图，所述训练完成的对象异常行为迭代预测网络包括预先进行迭代变化知识学习的对象异常行为迭代权重值；

7、基于所述对象异常行为分布图确定所述目标对象采集图像序列对应的目标对象异常行为，并基于所述目标对象异常行为对对应的作业对象进行定位。

8、在第一方面的一种可能的实施方式中，所述将所述对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络生成对应的对象异常行为分布图，所述训练完成的对象异常行为迭代预测网络包括预先进行迭代变化知识学习的对象异常行为迭代权重值，具体包括：

9、将所述作业轨迹交互向量序列作为所述对象异常行为迭代预测网络的预测判别特征；

10、获取预设权重值阵列，基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值确定与所述预测判别特征对应的对象异常行为分布图。

11、在第一方面的一种可能的实施方式中，所述获取预设权重值阵列，基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值确定与所述预测判别特征对应的对象异常行为分布图，具体包括：

12、获取所述预测判别特征对应的参考对象异常行为轨迹构成对象异常行为轨迹序列；

13、基于所述预设权重值阵列、对象异常行为预测数据和所述对象异常行为迭代权重值计算所述对象异常行为轨迹序列中各个参考对象异常行为轨迹对应的对象异常行为轨迹权重值；

14、将所述最大权重值所对应的对象异常行为轨迹作为预测判别特征对应的对象异常行为分布图。

15、在第一方面的一种可能的实施方式中，所述对象异常行为的预测权重值包括体态异常行为的预测权重值；

16、所述基于所述对象异常行为分布图确定与所述目标对象采集图像序列对应的对象异常行为，具体包括：

17、基于所述对象异常行为分布图中包含的体态异常行为解析出体态异常定位图像，基于所述体态异常定位图像将所述目标对象采集图像序列进行分段得到体态异常追踪图像流；

18、基于各个体态异常追踪图像流对应的对象异常行为分布图确定各个体态异常追踪图像流对应的对象异常行为。

19、在第一方面的一种可能的实施方式中，在将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成所述目标对象采集图像序列对应的对象异常行为预测数据的步骤之前还包括：

20、获取样本对象采集图像序列，对所述样本对象采集图像序列进行对象作业区域图像分割获得样本对象作业区域图像流，提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列；

21、获取所述样本对象作业区域图像流对应的对象异常行为标签数据，所述对象异常行为标签数据包括体态异常行为标签数据和/或违规操作行为标签数据；

22、将所述样本作业轨迹交互向量序列作为初始对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成所述训练完成的对象行为预警决策网络。

23、在第一方面的一种可能的实施方式中，所述对所述目标对象采集图像序列进行对象作业区域图像分割获得对象作业区域图像，对各个对象作业区域图像进行图像特征提取获得对应的作业轨迹交互向量，以输出作业轨迹交互向量序列，具体包括：

24、对所述目标对象采集图像序列进行对象作业区域图像分割到的对象作业区域图像；

25、获取当前对象作业区域图像，获取与当前对象作业区域图像对应的联动对象作业区域图像；

26、提取当前对象作业区域图像对应的当前作业轨迹交互向量，提取所述联动对象作业区域图像对应的联动作业轨迹交互向量；

27、基于所述当前作业轨迹交互向量和所述联动作业轨迹交互向量生成与当前对象作业区域图像对应的目标轨迹交互向量；

28、基于各个对象作业区域图像对应的目标轨迹交互向量形成与所述目标对象采集图像序列对应的作业轨迹交互向量序列。

29、在第一方面的一种可能的实施方式中，提取各个样本对象作业区域图像流对应的作业轨迹交互向量形成样本作业轨迹交互向量序列，以及将所述样本作业轨迹交互向量序列作为初始对象行为预警决策网络的输入，将对应的对象异常行为标签数据作为对象行为预警知识学习的方向进行知识学习，生成所述训练完成的对象行为预警决策网络的步骤，包括：

30、基于初始对象行为预警决策网络确定参考训练对象和前向训练对象，所述参考训练对象为参考样本对象作业区域图像流的训练对象，所述前向训练对象为依据参考样本对象作业区域图像流的各个训练对象的变化信息排列，接近并且位于所述参考训练对象之前的训练对象，或表征所述参考样本对象作业区域图像流触发的前置训练节点，各个所述训练对象携带对应的对象异常行为标签数据；

31、获取所述参考训练对象对应的各个样本对象作业区域图像流的参考作业位置特征；

32、基于所述参考作业位置特征和参考训练对象在参考样本对象作业区域图像流的变化信息，获取参考对象作业迁移特征；

33、将所述参考作业位置特征和所述参考对象作业迁移特征进行融合，生成参考对象作业融合特征；

34、通过基于期望交叉熵的特征项选择单元对所述参考对象作业融合特征进行特征项选择，生成显著性期望作业特征；

35、对所述显著性期望作业特征和所述参考对象作业融合特征进行加权和规则化转换，生成目标融合对象作业特征；

36、对所述目标融合对象作业特征进行主成分特征分析，生成参考样本作业轨迹交互向量序列；

37、获取所述前向训练对象的对象异常行为标签数据的触发异常行为估计向量，对所述参考样本作业轨迹交互向量序列和所述触发异常行为估计向量进行融合，生成所述参考训练对象的样本融合异常行为估计向量；

38、基于所述参考样本作业轨迹交互向量序列对所述参考训练对象的对象异常行为进行估计训练，生成第一样本对象异常行为估计数据，基于所述样本融合异常行为估计向量对所述参考训练对象的对象异常行为进行估计训练，生成第二样本对象异常行为估计数据；

39、基于所述第一样本对象异常行为估计数据和所述参考训练对象的参考对象异常行为标签特征获取第一特征距离，基于所述第二样本对象异常行为估计数据和所述参考对象异常行为标签特征获取第二特征距离，基于所述第一特征距离和所述第二特征距离获取参考训练对象估计误差值，基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络。

40、在第一方面的一种可能的实施方式中，所述获取所述前向训练对象的对象异常行为标签数据的触发异常行为估计向量的步骤包括：

41、获取所述前向训练对象的对象异常行为标签数据的触发对象异常行为标签特征；

42、基于所述触发对象异常行为标签特征和所述前向训练对象在所述参考样本对象作业区域图像流的变化信息，获取所述前向训练对象的异常状态节点特征；

43、将所述触发对象异常行为标签特征和所述异常状态节点特征进行融合，生成触发对象作业区域的异常状态节点融合特征；

44、通过基于期望交叉熵的特征项选择单元对所述触发对象作业区域的异常状态节点融合特征进行特征项选择，生成显著性异常状态特征；

45、对所述显著性异常状态特征和所述触发对象作业区域的异常状态节点融合特征进行加权和规则化转换，生成异常状态规则化转换特征；

46、对所述异常状态规则化转换特征进行主成分特征分析，生成所述触发异常行为估计向量。

47、在第一方面的一种可能的实施方式中，所述基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤之前还包括：

48、确定所述参考样本对象作业区域图像流中尚未进行异常行为估计训练的训练对象为新的参考训练对象，基于新的所述参考训练对象确定新的前向训练对象，直至已完成所述参考样本对象作业区域图像流的各个训练对象的异常行为估计训练时，基于各个所述训练对象估计误差值获取训练误差值；

49、所述基于所述参考训练对象估计误差值更新所述初始对象行为预警决策网络的权重信息，直至所述参考训练对象估计误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤包括：

50、基于所述训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述训练误差值低于设定误差值，生成所述训练完成的对象行为预警决策网络；

51、所述基于各个所述训练对象估计误差值获取训练误差值的步骤之后还包括：

52、确定尚未进行异常行为估计训练的样本对象作业区域图像流为新的参考样本对象作业区域图像流，直至已完成异常行为估计训练的所述样本对象作业区域图像流的数量达到设定训练样本调取数量，基于各个所述训练误差值获取本轮训练误差值；

53、所述基于所述训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述训练误差值低于设定误差值，生成所述训练完成的对象行为预警决策网络的步骤包括：

54、基于所述本轮训练误差值更新所述初始对象行为预警决策网络的权重信息，直至所述本轮训练误差值小于设定误差值，生成所述训练完成的对象行为预警决策网络。

55、依据本技术实施例的一个方面，提供了一种基于人工智能可视化的对象定位系统，所述基于人工智能可视化的对象定位系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于人工智能可视化的对象定位方法。

56、依据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。

57、在本技术的一些实施例所提供的技术方案中，首先将作业轨迹交互向量序列加载到训练完成的对象行为预警决策网络，生成目标对象采集图像序列对应的对象异常行为预测数据，由于对象异常行为之间的迭代变化通常存在限制，为了提高目标对象采集图像序列对应的对象异常行为的检测准确性，将对象异常行为预测数据和作业轨迹交互向量序列加载到训练完成的对象异常行为迭代预测网络，该对象异常行为迭代预测网络中可包括预先训练的对象异常行为迭代权重值，该对象异常行为迭代权重值可以表征对象异常行为之间的迭代变化，通过将对象异常行为预测数据和对象异常行为迭代权重值可以精确生成与目标对象采集图像序列对应的对象异常行为分布图，由此获得预测精度更高的对象异常行为。通过结合对象行为预警决策网络与对象异常行为迭代预测网络，由此结合了对象异常行为的预测权重值以及对象异常行为之间的迭代变化权重值，极大提高异常行为预测的准确度，以便于提高对象定位的可靠性。