一种危险区域越界识别方法、系统及相关装置与流程

本申请涉及危险区域越界识别领域，特别涉及一种危险区域越界识别方法、系统、gpu计算服务器及计算机可读存储介质。

背景技术：

对于基建工程建设过程中出现的人员不安全行为的监控以及安全事故发生前的预警和预防措施，在基建工程建设过程中显得尤为重要。

在运行变电站进行基建工程施工过程中，如果有人在危险区域(如带电间隔和设备)活动，则可能会造成重大的人身伤亡事故，传统的围栏形式以及普通的红外对射技术可以进行一定程度的提醒，但是如果人员即将进入或已经进入了危险区域，这时红外对射已经失去了作用，但是这时恰恰是最危险的。其次，传统的围栏形式以及红外对射只能判断是否有人，但是无法知道是谁，也无法对其进行考核和安全教育。

因此，如何及时地进行危险区域越界识别，进而避免发生安全事故是本领域技术人员亟需解决的技术问题。

技术实现要素：

本申请的目的是提供一种危险区域越界识别方法、系统、gpu计算服务器及计算机可读存储介质，能够及时地进行危险区域越界识别，进而避免发生安全事故。

为解决上述技术问题，本申请提供一种危险区域越界识别方法，应用于gpu计算服务器，包括：

获取目标对象行为视频；其中，所述目标对象行为视频为目标对象在包含预设危险区域的区域内的行为视频；

利用预设的深度学习模型对所述目标对象行为视频进行视觉识别，得到识别结果并依据所述识别结果执行对应的警告操作。

优选地，所述获取目标对象行为视频，包括：

接收摄像头上传的所述目标对象行为视频。

优选地，该危险区域越界识别方法还包括：

接收所述摄像头发送的针对初步识别结果的报警指令；其中，所述初步识别结果为所述摄像头基于边缘计算对所述目标对象行为视频的识别结果，所述报警指令为依据所述初步识别结果判定所述目标对象存在越界行为而生成的指令；

根据所述报警指令触发报警器进行报警。

优选地，所述得到识别结果并依据所述识别结果执行对应的警告操作之后，还包括：

从所述目标对象行为视频中获取截图和/或视频片段，并将所述截图和/或所述视频片段发送到业务系统。

优选地，该危险区域越界识别方法还包括：

从所述截图或所述视频片段中分别筛选出目标截图或目标视频片段；

利用所述目标截图或所述目标视频片段进行模型训练，并将训练后的模型作为所述深度学习模型。

优选地，该危险区域越界识别方法还包括：

依据输入的需求，重新设置所述预设危险区域。

优选地，该危险区域越界识别方法包括：

所述gpu计算服务器、所述摄像头及所述报警器均处于同一局域网内。

本申请还提供一种危险区域越界识别系统，应用于gpu计算服务器，包括：

目标对象行为视频获取模块，用于获取目标对象行为视频；其中，所述目标对象行为视频为目标对象在包含预设危险区域的区域内的行为视频；

视觉识别模块，用于利用预设的深度学习模型对所述目标对象行为视频进行视觉识别，得到识别结果并依据所述识别结果执行对应的警告操作。

本申请还提供一种gpu计算服务器，包括：

存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述所述的危险区域越界识别方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的危险区域越界识别方法的步骤。

本申请所提供的一种危险区域越界识别方法，应用于gpu计算服务器，包括：获取目标对象行为视频；其中，所述目标对象行为视频为目标对象在包含预设危险区域的区域内的行为视频；利用预设的深度学习模型对所述目标对象行为视频进行视觉识别，得到识别结果并依据所述识别结果执行对应的警告操作。

该方法利用预设的深度学习模型对目标对象行为视频进行视觉识别，得到识别结果并依据识别结果执行对应的警告操作。其中，目标对象行为视频为目标对象在包含预设危险区域的区域内的行为视频。该方法能够及时地进行危险区域越界识别，进而避免发生安全事故。本申请所提供的一种危险区域越界识别系统、gpu计算服务器及计算机可读存储介质，均具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种危险区域越界识别方法的流程图；

图2为本申请实施例所提供的一种最优实施例流程示意图；

图3为本申请实施例所提供的一种危险区域越界识别系统的结构框图。

具体实施方式

本申请的核心是提供一种危险区域越界识别方法，能够及时地进行危险区域越界识别，进而避免发生安全事故。本申请的另一核心是提供一种危险区域越界识别系统、gpu计算服务器及计算机可读存储介质。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

对于基建工程建设过程中出现的人员不安全行为的监控以及安全事故发生前的预警和预防措施，在基建工程建设过程中显得尤为重要。

在运行变电站进行基建工程施工过程中，如果有人在危险区域(如带电间隔和设备)活动，则可能会造成重大的人身伤亡事故，传统的围栏形式以及普通的红外对射技术可以进行一定程度的提醒，但是如果人员即将进入或已经进入了危险区域，这时红外对射已经失去了作用，但是这时恰恰是最危险的。其次，传统的围栏形式以及红外对射只能判断是否有人，但是无法知道是谁，也无法对其进行考核和安全教育。本申请提供的一种危险区域越界识别方法，能够及时地进行危险区域越界识别，进而避免发生安全事故。具体请参考图1，图1为本申请实施例所提供的一种危险区域越界识别方法的流程图，该危险区域越界识别方法具体包括：

s101、获取目标对象行为视频；其中，目标对象行为视频为目标对象在包含预设危险区域的区域内的行为视频；

本实施例的执行主体为gpu计算服务器，gpu计算服务器获取目标对象行为视频，该目标对象行为视频为目标对象在包含预设危险区域的区域内的行为视频。在此对于目标对象行为视频的采集设备也不作具体限定，在一些实施例中，该采集设备具体为摄像头。在此对目标对象不作具体限定，该目标对象可以是人，还可以是动物。在此对于预设危险区域也不作具体限定，该预设危险区域即为预先设定的危险区域，例如带电设备所在区域。而该预设危险区域是包含在目标对象行为视频的采集设备的采集区域内，即预设危险区域是包含于目标对象行为视频所显示的区域内。

s102、利用预设的深度学习模型对目标对象行为视频进行视觉识别，得到识别结果并依据识别结果执行对应的警告操作。

本实施例中利用预设的深度学习模型对目标对象行为视频进行视觉识别，得到识别结果并依据识别结果执行对应的警告操作；其中，深度学习模型是通过模型训练得到的。由于本实施例对于目标对象行为视频中的目标对象具体行为不作限定，故对于识别结果也不作具体限定，只要满足实际需求即可。例如，识别结果可以为接近预设危险区域边界，可以为翻越预设危险区域边界，还可以为已进入预设危险区域。针对不同的识别结果执行对应的警告操作，该警告操作可以是警报器进行报警，还可以是语音播报警告。

该方法利用预设的深度学习模型对目标对象行为视频进行视觉识别，得到识别结果并依据识别结果执行对应的警告操作。其中，目标对象行为视频为目标对象在包含预设危险区域的区域内的行为视频。该方法能够及时地进行危险区域越界识别，进而避免发生安全事故。

基于上述实施例，本实施例中上述获取目标对象行为视频，包括：接收摄像头上传的目标对象行为视频。本实施例限定了目标对象行为视频的采集设备为摄像头，且该摄像头上传目标对象行为视频至gpu计算服务器。该摄像头通常实时采集视频，采集频率不作具体限定，应由本领域技术人员根据实际情况作出相应的设定。

基于上述实施例，本实施例中还包括：接收摄像头发送的针对初步识别结果的报警指令；其中，初步识别结果为摄像头基于边缘计算对目标对象行为视频的识别结果，报警指令为依据初步识别结果判定目标对象存在越界行为而生成的指令；根据报警指令触发报警器进行报警。具体地，摄像头实时采集视频，基于边缘计算进行实时初步的识别，如果有越界行为，则发送报警指令给gpu计算服务器，由gpu计算服务器触发报警器进行报警。摄像头对视频进行初步分析之后，视频还会实时回传给gpu计算服务器，在这里会进行比较完整的视觉识别，如果存在越界行为，同样会触发报警器进行报警。

基于上述实施例，本实施例中上述得到识别结果并依据识别结果执行对应的警告操作之后，还包括：从目标对象行为视频中获取截图和/或视频片段，并将截图和/或视频片段发送到业务系统。在此对于截图、视频片段的数量均不作具体限定，各个视频片段的时长也不作具体限定，应由本领域技术人员根据实际情况作出相应的设定。具体地，在gpu计算服务器触发报警的时候，同时会将相应的截图或者小段视频通过网络发送到业务系统中，管理人员或者业务人员可以在小程序中进行查看，或者对人员进行考核等。可以理解的是，本实施例可以通过截图、视频片段对人员进行识别，可以识别出具体身份信息。

基于上述实施例，本实施例中危险区域越界识别方法还包括：从截图或视频片段中分别筛选出目标截图或目标视频片段；利用目标截图或目标视频片段进行模型训练，并将训练后的模型作为深度学习模型。在此对于目标截图或目标视频片段的筛选标准及各自筛选出的数量均不作具体限定，应由本领域技术人员根据实际情况作出相应的设定。本实施例利用目标截图或目标视频片段进行模型训练，并将训练后的模型作为深度学习模型，也即对部署在gpu计算服务器上的深度学习模型进行更新。具体地，在业务系统中的有问题的截图或者小视频，可以在离线进行标注，并进行深度学习模型的训练，训练好的模型可以更新到gpu计算服务器中，这样后续的识别就可以启用新的识别模型。

基于上述实施例，本实施例中危险区域越界识别方法还包括：依据输入的需求，重新设置预设危险区域。可以理解的是，本实施例可以基于需求，更新设置预设危险区域。在此对于需求的输入方式不作具体限定，应由本领域技术人员根据实际情况作出相应的设定。具体地，管理员可以在管理后台设置危险区域，业务系统会将设置通过网络发送到gpu计算服务器和摄像头的边缘计算模块中。

基于上述实施例，本实施例中危险区域越界识别方法包括：gpu计算服务器、摄像头及报警器均处于同一局域网内。具体地，gpu计算服务器、摄像头和报警器都在同一个局域网内，最大限度降低网络延迟。此外，gpu计算服务器与业务系统之间通过公网进行链接，使用加密通信，避免信息泄露。

下面以一个最优实施例进行说明，具体请参考图2，图2为本申请实施例所提供的一种最优实施例流程示意图，如图2所示，左边最大虚线框表示框中所有成分组成一个危险区域越界识别系统，在该最大虚线框中有一个较小的虚线框表示该虚线框中的报警器、摄像头及gpu计算服务器均处于同一局域网。摄像头将视频或指令发送给gpu计算服务器，gpu计算服务器可以根据指令触发报警器进行报警。在gpu计算服务器触发报警的时候，同时会将相应的图片或小段视频或指令通过网络发送到业务系统中，领导或者业务员可以在小程序中进行查看，或者对人员进行考核等。管理员或相关人可以在管理后台设置危险区域，业务系统会将设置通过网络发送到gpu计算服务器和摄像头的边缘计算模块中。业务系统将有问题的图片或者视频导出，可以在离线进行样本标注，并在离线gpu服务器和模型训练服务器上进行深度学习模型的训练，训练好的模型可以更新部署到gpu计算服务器中，这样后续的识别就可以启用新的识别模型。

下面对本申请实施例提供的一种危险区域越界识别系统、gpu计算服务器及计算机可读存储介质进行介绍，下文描述的危险区域越界识别系统、gpu计算服务器及计算机可读存储介质与上文描述的危险区域越界识别方法可相互对应参照。

请参考图3，图3为本申请实施例所提供的一种危险区域越界识别系统的结构框图；该危险区域越界识别系统包括：

目标对象行为视频获取模块301，用于获取目标对象行为视频；其中，目标对象行为视频为目标对象在包含预设危险区域的区域内的行为视频；

视觉识别模块302，用于利用预设的深度学习模型对目标对象行为视频进行视觉识别，得到识别结果并依据识别结果执行对应的警告操作。

基于上述实施例，本实施例中所述目标对象行为视频获取模块301，包括：

目标对象行为视频获取单元，用于接收摄像头上传的所述目标对象行为视频。

基于上述实施例，本实施例中危险区域越界识别系统还包括：

报警指令接收模块，用于接收所述摄像头发送的针对初步识别结果的报警指令；其中，所述初步识别结果为所述摄像头基于边缘计算对所述目标对象行为视频的识别结果，所述报警指令为依据所述初步识别结果判定所述目标对象存在越界行为而生成的指令；

报警触发模块，用于根据所述报警指令触发报警器进行报警。

基于上述实施例，本实施例中危险区域越界识别系统还包括：

截图和/或视频片段获取模块，用于从所述目标对象行为视频中获取截图和/或视频片段，并将所述截图和/或所述视频片段发送到业务系统。

基于上述实施例，本实施例中危险区域越界识别系统还包括：

筛选模块，用于从所述截图或所述视频片段中分别筛选出目标截图或目标视频片段；

模型训练模块，用于利用所述目标截图或所述目标视频片段进行模型训练，并将训练后的模型作为所述深度学习模型。

基于上述实施例，本实施例中危险区域越界识别系统还包括：

危险区域设置模块，用于依据输入的需求，重新设置所述预设危险区域。

本申请还提供一种gpu计算服务器，包括：存储器和处理器；其中，存储器用于存储计算机程序，处理器用于执行计算机程序时实现上述任意实施例的危险区域越界识别方法的步骤。

本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任意实施例的危险区域越界识别方法的步骤。

该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种危险区域越界识别方法、系统、gpu计算服务器及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。