石化厂区监控视频风险识别方法、系统、电子设备及存储介质技术方案

本发明专利技术公开了一种石化厂区监控视频风险识别方法，其包括如下步骤：采集公开的事故视频数据；对事故视频数据中设定间隔的帧图像进行标注，标注后的帧图像构成样本集；将样本集随机划分为训练数据集和测试数据集；采用训练数据集训练以VGG模型为主干网络的特征提取器，得到单分类网络模型；采用测试数据集测试经训练的单分类网络模型对异常场景的识别精度，建立风险识别模型；以及将石化厂区监控视频数据输入风险识别模型，得出风险识别结果。本发明专利技术还公开了一种石化厂区监控视频风险识别、系统、电子设备及存储介质。本发明专利技术以基于卷积神经网络的单分类图像识别算法为基础，并以损失度量函数的设计为改进方向，提高了风险场景识别的实时性和准确率。景识别的实时性和准确率。景识别的实时性和准确率。

【技术实现步骤摘要】
石化厂区监控视频风险识别方法、系统、电子设备及存储介质


[0001]本专利技术涉及石化厂区风险监测
，特别涉及一种石化厂区监控视频风险识别方法、系统、电子设备及存储介质。

技术介绍

[0002]目前石化企业安全生产形势稳中向好，安全风险管控技术装备日益完善，但厂区关键区域安全风险现仅依靠值班人员巡检和智能化传感器监测感知，风险感知手段单一，覆盖面存在欠缺，响应时间不一，厂区关键区域特定风险感知能力有待进一步加强。随着视频采集传输技术的快速发展，视频监控在石化企业安防、设备监控、值班值守等方面应用日益普及，但大多数监控视频仅局限于现场可视化管理与回溯取证等业务，缺乏风险识别能力。
[0003]利用计算机视觉技术拓展企业视频监控作为厂区关键区域风险感知手段，能够有效提升关键区域特定风险的实时动态感知预警能力。其中，以基于深度学习的方法对监控视频中的火灾进行识别，可以代替人工巡检，降低人力消耗，提升风险感知实时性。
[0004]现有技术中，专利文献CN112907886A公开了一种基于卷积神经网络的炼化厂火灾识别方法，该方法的火焰检测模型依赖于背景差分算法对运动目标的检测，受限于光照、亮度等背景的变化；专利文献CN110032977A公开了一种基于深度学习图像火灾识别的安全预警管理系统，该系统需通过前景检测技术对图像进行预处理；专利文献CN109886227A公开了一种基于多通道卷积神经网络的室内火灾视频识别方法，该方法对图像中的火焰区域进行分割，提取火焰区域并根据颜色特征、圆形度特征等作为检测通道。
[0005]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0006]本专利技术的目的之一在于，提供一种石化厂区监控视频风险识别方法、系统、电子设备及存储介质，从而改善现有技术中风险场景识别方案结构臃肿、计算复杂等问题。
[0007]本专利技术的另一目的在于，提供一种石化厂区监控视频风险识别方法、系统、电子设备及存储介质，从而改善现有技术风险场景识别对图像处理的依赖。
[0008]本专利技术的另一目的在于，提供一种石化厂区监控视频风险识别方法、系统、电子设备及存储介质，从而提高风险场景识别的实时性和准确率。
[0009]为实现上述目的，根据本专利技术的第一方面，本专利技术提供了一种石化厂区监控视频风险识别方法，其包括如下步骤：采集公开的事故视频数据；对事故视频数据中设定间隔的帧图像进行标注，正常场景下的帧图像标签为1，异常场景下的帧图像标签为0，标注后的帧图像构成样本集；将样本集随机划分为训练数据集和测试数据集；采用训练数据集训练以VGG模型为主干网络的特征提取器，得到单分类网络模型；采用测试数据集测试经训练的单分类网络模型对异常场景的识别精度，建立风险识别模型；以及将石化厂区监控视频数据
输入风险识别模型，得出风险识别结果。
[0010]进一步，上述技术方案中，在训练以VGG模型为主干网络的特征提取器时结合自定义的损失函数，约束不同类别帧图像在特征空间中的向量分布。
[0011]进一步，上述技术方案中，自定义的损失函数为：其中，L
c
为二元交叉熵损失函数：
[0012][0013]其中，y∈{0，1}表示分类器所对应的类别，O表示异常场景类，1表示正常场景类；N代表当前训练批次的batchsize；p代表y＝0的softmax概率得分，1
‑
p代表y＝1的softmax概率得分；
[0014]L
n
为类中心聚集损失函数：
[0015][0016]其中，z
i
表示当前batch中第i个样本，表示第y
i
类的类别中心点，i∈[0，1]，α为平衡超参数，惩罚项表示z
i
样本的特征向量要远离其他类别的中心点，即异常场景类(y
i
＝0)图像的特征在欧式空间距离上远离正常场景类(y
i
＝1)图像的特征，以学习具有判别性的嵌入空间；
[0017]β＝0.5用于控制L
n
的损失。
[0018]进一步，上述技术方案中，采用训练数据集训练以VGG模型为主干网络的特征提取器时，采用Adam梯度下降算法更新网络结构参数。
[0019]进一步，上述技术方案中，公开的事故视频数据包括历史监控视频数据和公共网络视频数据。
[0020]进一步，上述技术方案中，公共网络视频数据通过开源视频网站上的特定关键词搜索得到。
[0021]进一步，上述技术方案中，设定间隔为10～15帧。
[0022]进一步，上述技术方案中，石化厂区监控视频风险识别方法还包括：将样本集中的标注后的帧图像缩放至相同的尺寸，并进行归一化处理；以及采用随机旋转、翻转或添加高斯噪声的数据增强方式对样本集进行扩充。
[0023]进一步，上述技术方案中，样本集的70％～75％形成训练数据集，剩余的形成测试数据集。
[0024]进一步，上述技术方案中，异常场景包括烟雾、火灾、危险区域入侵或物料堆积。
[0025]根据本专利技术的第二方面，本专利技术提供了一种石化厂区监控视频风险识别系统，其包括：视频图像采集单元，其用于以设定间隔提取目标区域中监控视频的帧图像；风险识别单元，其基于风险识别模型对所提取的目标区域中监控视频的帧图像进行风险识别；以及输出单元，其用于输出风险识别的结果，其中，风险识别模型为基于公开的事故视频数据和单分类神经网络所建立的。
[0026]根据本专利技术的第三方面，本专利技术提供了一种石化厂区监控视频风险识别系统，该系统采用如上述技术方案中任意一项的石化厂区监控视频风险识别方法。
[0027]根据本专利技术的第四方面，本专利技术提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如上述技术方案中任意一项的石化厂区监控视频风险识别方法。
[0028]根据本专利技术的第五方面，本专利技术提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上述技术方案中任意一项的石化厂区监控视频风险识别方法。
[0029]与现有技术相比，本专利技术具有如下一个或多个有益效果：
[0030]1.本专利技术以全新的视角，将厂区异常场景的视频识别视为单分类异常检测问题，针对石化厂区的监控视频，以基于卷积神经网络的单分类图像识别算法为基础，极大地减轻了基于传统目标检测方案的结构臃肿、计算复杂等问题。
[0031]2.本专利技术在模型训练时结合自定义损失函数，约束不同类别帧图像在特征空间中的向量分布，增强对烟雾、火灾等异常图像特征的学习，使得神经网络可以学习到最具鉴别性的特征，提高了识别精度。
[0032本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种石化厂区监控视频风险识别方法，其特征在于，包括如下步骤：采集公开的事故视频数据；对所述事故视频数据中设定间隔的帧图像进行标注，正常场景下的帧图像标签为1，异常场景下的帧图像标签为0，标注后的帧图像构成样本集；将样本集随机划分为训练数据集和测试数据集；采用训练数据集训练以VGG模型为主干网络的特征提取器，得到单分类网络模型；采用测试数据集测试经训练的单分类网络模型对异常场景的识别精度，建立风险识别模型；以及将石化厂区监控视频数据输入所述风险识别模型，得出风险识别结果。2.根据权利要求1所述的石化厂区监控视频风险识别方法，其特征在于，在训练以VGG模型为主干网络的特征提取器时结合自定义的损失函数，约束不同类别帧图像在特征空间中的向量分布。3.根据权利要求2所述的石化厂区监控视频风险识别方法，其特征在于，所述自定义的损失函数为：其中，L
c
为二元交叉熵损失函数：其中，y∈{0，1}表示分类器所对应的类别，0表示异常场景类，1表示正常场景类；N代表当前训练批次的batchsize；p代表y＝0的softmax概率得分，1
‑
p代表y＝1的softmax概率得分；L
n
为类中心聚集损失函数：其中，z
i
表示当前batch中第i个样本，表示第y
i
类的类别中心点，i∈[0，1]，α为平衡超参数，惩罚项表示z
i
样本的特征向量要远离其他类别的中心点，即异常场景类(y
i
＝0)图像的特征在欧式空间距离上远离正常场景类(y
i
＝1)图像的特征，以学习具有判别性的嵌入空间；β＝0.5用于控制L
n
的损失。4.根据权利要求1所述的石化厂区监控视频风险识别方法，其特征在于，采用训练数据集训练以VGG模型为主干网络的特征提取器时，采用Adam梯度下降算法更新网络结构参数。5.根据权利要求1所...

【专利技术属性】
技术研发人员：刘瑾萱，蒋瀚，于一帆，施红勋，常庆涛，王建斌，郭峻东，
申请(专利权)人：中石化安全工程研究院有限公司，
类型：发明
国别省市：