燃气无人站周界入侵预警方法、电子设备以及存储介质技术

本发明专利技术提供一种燃气无人站周界入侵预警方法、电子设备以及存储介质，其通过人形目标检测模型确定视频中是否存在人形目标，进而根据人形目标检测模型的检测结果选择是否进行预警，由于人形目标检测模型的特征融合网络通过训练学习得到的权重集合对各尺度特征进行融合，提高了人形目标检测模型的检测结果，降低了预警的误报率，此外，本发明专利技术先确定监控视频中是否具有目标物体，当具有目标物体时，再将相应的视频帧输入人形目标检测模型进一步确定是否存在人形目标，避免人形目标检测模型对所有视频帧进行检测，提高了检测效率。提高了检测效率。提高了检测效率。

【技术实现步骤摘要】
燃气无人站周界入侵预警方法、电子设备以及存储介质


[0001]本专利技术属于燃气无人站预警
，尤其涉及一种燃气无人站周界入侵预警方法、电子设备以及存储介质。

技术介绍

[0002]无人值守高中压调压站(燃气无人站)往往是一个小片区内的唯一或者主要的气源点，它的安全、稳定运行是整个燃气运营不可或缺的环节。燃气无人站四周大多采用围栏隔离防护，存在外来人员闯入偷盗和恶意破坏的风险(攀爬围栏或者破坏围栏)，而燃气无人站往往地处偏远，没有相应的实时监控及应急手段，运营管理相对薄弱，以往惯例是通过人员定期巡检(如一天一巡检)来实现管理，这种方式对巡检人员的巡检范围有明确要求，这就需要耗费大量的人力物力，而且实际上有时巡检人员缺失或者未真正在现场指挥，故还是存在燃气安全风险隐患，一些燃气无人站会采用人员入侵检测技术来解决外来人员入侵问题，如电子围栏入侵探测、红外对射探测、震动电缆入侵探测等，但是，这些检测方式会受天气、周边环境(交通车辆振动等)、动物攀爬、鸟类等影响，导致误报居高不下，虚警率极高。

技术实现思路

[0003]基于此，针对上述技术问题，提供一种燃气无人站周界入侵预警方法、电子设备以及存储介质。
[0004]本专利技术采用的技术方案如下：
[0005]作为本专利技术的第一方面，提供一种燃气无人站周界入侵预警方法，包括：
[0006]S101、获取燃气无人站周界实时监控视频；
[0007]S102、确定所述监控视频中是否具有目标物体，若是，则从所述监控视频中提取出具有目标物体的视频帧；
[0008]S103、将所述视频帧输入人形目标检测模型，确定所述视频帧中是否具有人形目标，否是，则进行预警；
[0009]其中，所述人形目标检测模型被训练为由主干网络对输入的视频帧进行特征提取，由特征融合网络通过学习获得的权重集合对各尺度特征进行融合，由预测网络输出所述视频帧中是否具有人形目标的检测结果，所述权重集合包括对应各尺度特征的多个特征权重。
[0010]作为本专利技术的第二方面，提供一种电子设备，包括存储模块，所述存储模块包括由处理器加载并执行的指令，所述指令在被执行时使所述处理器执行上述第一方面的一种燃气无人站周界入侵预警方法。
[0011]作为本专利技术的第三方面，提供一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述第一方面的一种燃气无人站周界入侵预警方法。
[0012]本专利技术通过人形目标检测模型确定视频中是否存在人形目标，进而根据人形目标检测模型的检测结果选择是否进行预警，由于人形目标检测模型的特征融合网络通过训练学习得到的权重集合对各尺度特征进行融合，提高了人形目标检测模型的检测结果，降低了预警的误报率，此外，本专利技术先确定监控视频中是否具有目标物体，当具有目标物体时，再将相应的视频帧输入人形目标检测模型进一步确定是否存在人形目标，避免人形目标检测模型对所有视频帧进行检测，提高了检测效率。
附图说明
[0013]下面结合附图和具体实施方式对本专利技术进行详细说明：
[0014]图1为本专利技术实施例提供的一种燃气无人站周界入侵预警方法的流程图；
[0015]图2为本专利技术实施例应用的系统的示意图；
[0016]图3为本专利技术实施例提供的一种电子设备的示意图；
[0017]图4为本专利技术消除Grid网格的敏感度的示意图。
具体实施方式
[0018]以下将结合说明书附图对本专利技术的实施方式予以说明。需要说明的是，本说明书中所涉及的实施方式不是穷尽的，不代表本专利技术的唯一实施方式。以下相应的实施例只是为了清楚的说明本专利技术专利的
技术实现思路
，并非对其实施方式的限定。对于该领域的普通技术人员来说，在该实施例说明的基础上还可以做出不同形式的变化和改动，凡是属于本专利技术的技术构思和
技术实现思路
并且显而易见的变化或变动也在本专利技术的保护范围之内。
[0019]图2示出了本专利技术实施例应用的无人值守系统。该系统可以包括边缘AI终端11、网络视频录像机12、多个摄像头13以及无人值守平台14，边缘AI终端11、网络视频录像机12以及多个摄像头13均设置于燃气无人站，边缘AI终端11通过5G通信设备与无人值守平台14通信，多个摄像头13实时采集燃气无人站周界的实时监控视频，网络视频录像机12对各摄像头采集的视频进行存储并转发给边缘AI终端11，其中，摄像头13可以采用枪机摄像头和球机摄像头。
[0020]如图1所示，本专利技术实施例提供一种燃气无人站周界入侵预警方法，其具体流程如下：
[0021]S101、边缘AI终端11从网络视频录像机12获取燃气无人站周界实时监控视频。
[0022]S102、边缘AI终端11确定监控视频中是否具有目标物体，若是，则从监控视频中提取出具有目标物体的视频帧，目标物体可能是生物、植物等等，例如鸟类、人类、树叶等等，若否，则继续检测。
[0023]在本实施例中，边缘AI终端11通过深度学习的图像目标检测模型确定监控视频中是否具有目标物体，如可以采用R
‑
CNN模型、YOLO模型、SSD模型等等。
[0024]S103、边缘AI终端11将视频帧输入人形目标检测模型，确定视频帧中是否具有人形目标，若是，则进行预警，如可以生成告警信息，并发送给无人值守平台14。
[0025]人形目标检测模型包括主干网络(backbone网络)、特征融合网络(neck网络)以及预测网络(head网络)，其被通过大量的人形目标样本图片(不少于2000张图片)训练为：由主干网络对输入的视频帧进行特征提取，由特征融合网络通过学习获得的权重集合对各尺
度特征进行融合，由预测网络输出视频帧中是否具有人形目标的检测结果，权重集合包括对应各尺度特征的多个特征权重。
[0026]其中，主干网络采用深度学习的图像目标检测模型的主干网络，如YOLOv5模型的主干网络，预测网络采用深度学习的图像目标检测模型的预测网络，如YOLOv5模型的预测网络。
[0027]对于特征融合网络，通常的特征融合方式是简单地对各特征直接相加，然而由于不同的特征具有不同的尺度(分辨率)，不同尺度的特征对预测网络的输出结果的贡献是不一样的(重要性不同)，故为了提高人形目标检测模型的检测结果，本实施例的特征融合网络通过训练学习得到的权重集合对各尺度特征进行融合。
[0028]进一步地，本实施例的特征融合网络通过自上而下以及自下而上的双向融合策略对各尺度特征进行融合,从而增强不同网络层之间特征信息的传递，明显提升YOLOv5模型的预测网络的检测精度。
[0029]其中，训练YOLOv5模型的损失函数为：Loss＝λ1L
cls
+λ2L
obj
+λ3L
loc
，L
cls
为分类损失，采用的是BCE loss，L
obj
为置信度损失，采用的是BCE loss，L<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃气无人站周界入侵预警方法，其特征在于，包括：S101、获取燃气无人站周界实时监控视频；S102、确定所述监控视频中是否具有目标物体，若是，则从所述监控视频中提取出具有目标物体的视频帧；S103、将所述视频帧输入人形目标检测模型，确定所述视频帧中是否具有人形目标，否是，则进行预警；其中，所述人形目标检测模型被训练为由主干网络对输入的视频帧进行特征提取，由特征融合网络通过学习获得的权重集合对各尺度特征进行融合，由预测网络输出所述视频帧中是否具有人形目标的检测结果，所述权重集合包括对应各尺度特征的多个特征权重。2.根据权利要求1所述的一种燃气无人站周界入侵预警方法，其特征在于，所述确定所述监控视频中是否具有目标物体，进一步包括：通过深度学习的图像目标检测模型确定所述监控视频中是否具有目标物体。3.根据权利要求1或2所述的一种燃气无人站周界入侵预警方法，其特征在于，所述主干网络采用深度学习的图像目标检测模型的主干网络，所述预测网络采用深度学习的图像目标检测模型的预测网络。4.根据权利...

【专利技术属性】
技术研发人员：湛洋波，孙吉，韩朝辉，蔺阳，郑再鹏，陈钊，王雪帆，
申请(专利权)人：新智认知数据服务有限公司，
类型：发明
国别省市：