基于大数据监控的人工智能油气田防范判别系统与方法

摘要

本发明提供了基于大数据监控的人工智能油气田防范判别系统与方法。该系统包括存储单元、视频巡检控制单元和视频分析识别单元；视频巡检控制单元设置视频巡检预置点位，每次发出巡检指令后在数据库内添加对应的信息框，信息框内包括该预置点的属性信息；视频分析识别单元获取数据库内的该预置点的属性信息，通过图像分析对比确定是否存在入侵目标及入侵目标的类型，将识别后的结果经过处理后返回至数据库；视频巡检控制单元读取由视频分析识别单元返回的结果，并在该结果超出预设的报警阈值时进行报警。本发明的上述技术能够识别巡检点是否有入侵目标及其类型，利用视频巡检单元显示报警结果输出，克服了现有技术的不足。

权利要求

1.基于大数据监控的人工智能油气田防范判别系统，其特征在于，所述基于大数据监控的人工智能油气田防范判别系统包括存储单元、视频巡检控制单元和视频分析识别单元；

其中，存储单元用于存储预定的数据库；在完成深度学习样本库时，自30万帧监控图像中，选择代表性图像，利用标定软件针对红外及可见光下的人员、车辆、动物进行标注，并自开放图像库中引入了部分人员、车辆图像样本进行标注，生成样本库；

视频巡检控制单元用于设置视频巡检预置点，每次发出巡检指令后在所述数据库内添加对应的信息框，所述信息框内包括该预置点的属性信息；每个预置点的属性信息包括以下一种或多种：巡检点标识；云台信息；相机类型；相机信息；以及观测范围；

巡检点标识是数字或字符串，代表单独的报警区，红外和可见光下是不同的；

相机类型包括用0表示的可见光类型相机和用1表示的红外类型相机；

视频分析识别单元用于获取所述数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标及入侵目标的类型，将识别后的结果经过处理后返回至所述数据库；

视频巡检控制单元还用于读取所述数据库内的由所述视频分析识别单元返回的结果，并在该结果超出预设的报警阈值时进行报警；

所述人工智能油气田防范判别系统还包括模型获得单元，所述模型获得单元用于构建用于识别入侵目标及入侵目标类型的识别模型；其中，所述模型获得单元包括：RPN训练模块，其用于利用训练样本对预定模型进行RPN训练；快速R-CNN训练模块，其用于利用训练样本对经过所述RPN训练后的模型进行快速R-CNN训练；RPN微调模块，其用于对当前模型进行RPN微调；快速R-CNN微调模块，其用于对当前模型进行快速R-CNN微调；

所述模型获得单元构建的所述识别模型用于识别以下对象：可见光下人员、可见光下车辆、红外下人员以及红外下车辆；

所述模型获得单元在训练所述识别模型的过程中，基于巡检参数，采用深度学习方法来训练可见光下人员及车辆的训练样本，采用移动目标检测方法来训练红外下人员及车辆的训练样本。

2.基于大数据监控的人工智能油气田防范判别方法，其特征在于，所述基于大数据监控的人工智能油气田防范判别方法包括：步骤一、设置视频巡检预置点，每次发出巡检指令后在数据库内添加对应的信息框，所述信息框内包括该预置点的属性信息；在完成深度学习样本库时，自30万帧监控图像中，选择代表性图像，利用标定软件针对红外及可见光下的人员、车辆、动物进行标注，并自开放图像库中引入了部分人员、车辆图像样本进行标注，生成样本库；每个预置点的属性信息包括以下一种或多种：巡检点标识；云台信息；相机类型；相机信息；以及观测范围；巡检点标识是数字或字符串，代表单独的报警区，红外和可见光下是不同的；相机类型包括用0表示的可见光类型相机和用1表示的红外类型相机；

步骤二、获取所述数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标，并在确定存在入侵目标的情况下获得该入侵目标的类型；

步骤三、将识别后的结果经过处理后返回至所述数据库；

步骤四、读取所述数据库内的由所述步骤三中返回的结果，并在该结果超出预设的报警阈值时进行报警；

步骤五、当进行下次视频巡检时重复步骤一至步骤四；

所述人工智能油气田防范判别方法还包括：构建用于识别入侵目标及入侵目标类型的识别模型；其中，所述的构建用于识别入侵目标及入侵目标类型的识别模型的步骤包括：利用训练样本对预定模型进行RPN训练；利用训练样本对经过所述RPN训练后的模型进行快速R-CNN训练；对当前模型进行RPN微调；对当前模型进行快速R-CNN微调；

其中，构建的所述识别模型用于识别以下对象：可见光下人员、可见光下车辆、红外下人员以及红外下车辆；

在训练所述识别模型的过程中，基于巡检参数，采用深度学习方法来训练可见光下人员及车辆的训练样本，采用移动目标检测方法来训练红外下人员及车辆的训练样本。

说明书

基于大数据监控的人工智能油气田防范判别系统与方法

技术领域

[0001] 本发明涉及信息处理技术，尤其涉及一种基于大数据监控的人工智能油气田防范判别系统与方法。

背景技术

[0002] 目前，现有的视频监控系统当需要判断被监控范围内是否进入人、车辆等时，需要人为实时地观看判别，而这种方式存在人工工作强度大、漏报率低等问题。特别当监控点位过多时，需要耗费大量的人力和时间，而不能由单人完成对大量监控点的同时监控管理。

[0003] 另外，如果被监控范围内存在长时间运动的部件，现有的报警系统不会屏蔽，则会持续进行误报。

[0004] 除此之外，现有报警系统，无法识别出入侵目标的类别。

发明内容

[0005] 在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不意图确定本发明的关键或重要部分，也不意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

[0006] 鉴于此，本发明提供了基于大数据监控的人工智能油气田防范判别系统与方法，以至少解决现有技术中存在的需要人为实时监控等问题。

[0007] 本发明的一方面提供了一种基于大数据监控的人工智能油气田防范判别系统，所述基于大数据监控的人工智能油气田防范判别系统包括包括存储单元、视频巡检控制单元和视频分析识别单元；其中，存储单元用于存储预定的数据库；视频巡检控制单元用于设置视频巡检预置点位，每次发出巡检指令后在所述数据库内添加对应的信息框，所述信息框内包括该预置点的属性信息；视频分析识别单元用于获取所述数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标及入侵目标的类型，将识别后的结果经过处理后返回至所述数据库；视频巡检控制单元还用于读取所述数据库内的由所述视频分析识别单元返回的结果，并在该结果超出预设的报警阈值时进行报警。

[0008] 进一步地，每个预置点的属性信息包括以下一种或多种：巡检点标识；云台信息；相机类型；相机信息；以及观测范围。

[0009] 进一步地，该系统还包括模型获得单元，所述模型获得单元用于构建用于识别入侵目标及入侵目标类型的识别模型；其中，所述模型获得单元包括：RPN(Region Proposal Network，区域建议网络)训练模块，其用于利用训练样本对预定模型进行RPN训练；快速R-CNN(fast Region-CNN，快速区域卷积神经网络)训练模块，其用于利用训练样本对经过所述RPN训练后的模型进行快速R-CNN训练；RPN微调模块，其用于对当前模型进行RPN微调；快速R-CNN微调模块，其用于对当前模型进行快速R-CNN微调。

[0010] 进一步地，所述模型获得单元构建的所述识别模型用于识别以下对象：可见光下人员、可见光下车辆、红外下人员以及红外下车辆。

[0011] 进一步地，所述模型获得单元在训练所述识别模型的过程中，基于巡检参数，采用深度学习方法来训练可见光下人员及车辆的训练样本，采用移动目标检测方法来训练红外下人员及车辆的训练样本。

[0012] 本发明的另一方面还提供了一种基于大数据监控的人工智能油气田防范判别方法，其特征在于，所述基于大数据监控的人工智能油气田防范判别方法包括：步骤一、设置视频巡检预置点位，每次发出巡检指令后在所述数据库内添加对应的信息框，所述信息框内包括该预置点的属性信息；步骤二、获取所述数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标，并在确定存在入侵目标的情况下获得该入侵目标的类型；步骤三、将识别后的结果经过处理后返回至所述数据库；步骤四、读取所述数据库内的由所述视频分析识别单元返回的结果，并在该结果超出预设的报警阈值时进行报警；步骤五、当进行下次视频巡检时重复步骤一至步骤四。

[0013] 进一步地，每个预置点的属性信息包括以下一种或多种：巡检点标识；云台信息；相机类型；相机信息；以及观测范围。

[0014] 进一步地，该方法还包括：构建用于识别入侵目标及入侵目标类型的识别模型；其中，所述的构建用于识别入侵目标及入侵目标类型的识别模型的步骤包括：利用训练样本对预定模型进行RPN训练；利用训练样本对经过所述RPN训练后的模型进行快速R-CNN训练；对当前模型进行RPN微调；对当前模型进行快速R-CNN微调。

[0015] 进一步地，构建的所述识别模型用于识别以下对象：可见光下人员、可见光下车辆、红外下人员以及红外下车辆。

[0016] 进一步地，在训练所述识别模型的过程中，基于巡检参数，采用深度学习方法来训练可见光下人员及车辆的训练样本，采用移动目标检测方法来训练红外下人员及车辆的训练样本。

[0017] 本发明提供了一种基于大数据监控的人工智能油气田防范判别系统与方法，该方法能够识别巡检点是否有入侵目标，并且能够识别入侵目标的类型，可以集成训练模型、算法及巡检参数，接入实时视频流及数据库，在现有大数据平台上，利用视频巡检单元显示报警结果输出，克服了现有技术的不足。

[0018] 通过以下结合附图对本发明的最佳实施例的详细说明，本发明的这些以及其他优点将更加明显。

附图说明

[0019] 本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。其中：

[0020] 图1是示出本发明的基于大数据监控的人工智能油气田防范判别系统的一个示例的结构框图；

[0021] 图2是示出本发明的基于大数据监控的人工智能油气田防范判别系统的另一个示例的结构框图；

[0022] 图3是示出图2中的模型获得单元的一种可能结构的示意图；

[0023] 图4是示出本发明的基于大数据监控的人工智能油气田防范判别方法的一种示例性流程的示意图；

[0024] 图5是示出本发明的一个优选实施例中的识别流程的示意图；

[0025] 图6是示出本发明的一个优选实施例中的人员车辆报警判断算法的算法流程的示意图。

[0026] 本领域技术人员应当理解，附图中的元件仅仅是为了简单和清楚起见而示出的，而且不一定是按比例绘制的。例如，附图中某些元件的尺寸可能相对于其他元件放大了，以便有助于提高对本发明实施例的理解。

具体实施方式

[0027] 在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本发明内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。

[0028] 在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

[0029] 本发明的实施例提供了一种基于大数据监控的人工智能油气田防范判别系统，所述基于大数据监控的人工智能油气田防范判别系统包括存储单元、视频巡检控制单元和视频分析识别单元；其中，存储单元用于存储预定的数据库；视频巡检控制单元用于设置视频巡检预置点位，每次发出巡检指令后在所述数据库内添加对应的信息框，所述信息框内包括该预置点的属性信息；视频分析识别单元用于获取所述数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标及入侵目标的类型，将识别后的结果经过处理后返回至所述数据库；视频巡检控制单元还用于读取所述数据库内的由所述视频分析识别单元返回的结果，并在该结果超出预设的报警阈值时进行报警。

[0030] 图1示出了本发明的基于大数据监控的人工智能油气田防范判别系统的一个示例的结构框图。

[0031] 如图1所示，上述基于大数据监控的人工智能油气田防范判别系统包括存储单元1、视频巡检控制单元2和视频分析识别单元3。

[0032] 其中，存储单元1用于存储预定的数据库。该数据库例如用于存储各预置点的巡检获得的属性信息等。

[0033] 此外，视频巡检控制单元2用于设置视频巡检预置点位，其可以在每次发出巡检指令后在数据库内添加对应的信息框，其中，信息框内包括该预置点的属性信息，如位置名称，重点观察目标位置等。

[0034] 作为示例，每个预置点的属性信息包括以下一种或多种：巡检点标识；云台信息；相机类型；相机信息；以及观测范围。

[0035] 例如，巡检点标识可以是数字或字符串，代表单独的报警区，红外和可见光下是不同的。

[0036] 云台信息例如包括方向角和俯仰角等。

[0037] 相机类型例如包括可见光类型相机(如用0表示)和红外类型相机(如用1表示)。

[0038] 相机类型例如可以通过焦距来划分。

[0039] 此外，每个预置点的观测范围是指，当前视场内的有效观测区域，例如可以定义为矩形区域，可记录左上角及右下角像素坐标。

[0040] 视频分析识别单元3用于获取数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标及入侵目标的类型，将识别后的结果经过处理后返回至数据库。

[0041] 其中，视频分析识别单元3内例如有大量(如超过100个，或者超过1000个，或者超过10000个，等等)的目标类型的模型样本。入侵目标的类型例如可以预设，如可以包括人员、车辆(进一步可以分为不同类型的车辆)等。此外，也可以按照其他方式进行分类，这里不再赘述。

[0042] 视频巡检控制单元2控制视频巡检到每个预置点位时，视频分析识别单元3都会根据之前单元内存储的模型样本来和视频图像进行对比查找，是否有类似的物体形态出现，如果判定一块区域和模型样本相似度达到预设值后，则判定该预置点视频内存在该类型的目标。

[0043] 此外，上文中所述的“将识别后的结果经过处理后返回至数据库”中的“处理”例如可以是：根据上步骤判定预置点视频内是否存在某种类型目标。举例来说，如存在人员、车辆，则将其转换成数据格式，如people：1，car：1；如果只存在人员，则处理为：people：1，car：0。

[0044] 这样，视频巡检控制单元2可以读取数据库内的由视频分析识别单元3返回的结果，并在该结果超出预设的报警阈值时进行报警。

[0045] 由于系统可能存在一定的误报率，设置报警阈值的方式可以提高报警精度，例如：视频分析识别单元3每秒对视频进行分析，其中20秒内有10次及以上提示存在该类型目标则判定为有效报警(在该例子中，报警阈值即为：20秒内存在10次或更多次检测出入侵目标)，如果20秒内没有达到10次，则判定为无效报警。

[0046] 作为示例，该系统还包括模型获得单元4，如图2所示，模型获得单元4用于构建用于识别入侵目标及入侵目标类型的识别模型。

[0047] 其中，模型获得单元4例如可以包括如图3所示的RPN训练模块4-1、快速R-CNN训练模块4-2、RPN微调模块4-3和快速R-CNN微调模块4-4。

[0048] 其中，RPN训练模块4-1利用训练样本对预定模型进行RPN训练，快速R-CNN训练模块4-2利用训练样本对经过RPN训练后的模型进行快速R-CNN训练，RPN微调模块4-3对当前模型进行RPN微调，而快速R-CNN微调模块4-4则对当前模型进行快速R-CNN微调。

[0049] 例如，RPN训练模块4-1通过对训练样本进行RPN训练，得到区域建议框。快速R-CNN训练模块4-2可以进行网络预训练，用RPN训练中得到的区域建议进行以检测为目的的快速R-CNN网络训练。然后，RPN微调模块4-3用检测网络(检测网络即快速R-CNN训练模块4-2所生成的以检测为目的R-CNN训练网络)初始化RPN训练，但固定两个网络(该两个网络即RPN训练模块4-1对应的RPN训练网络以及快速R-CNN训练模块4-2对应的R-CNN训练网络)共享的卷积层，并且只微调RPN训练模块4-1对应的RPN训练网络独有的层，现在上述两个网络共享卷积层了。这样，保持共享的卷积层固定，快速R-CNN微调模块4-4仅微调快速R-CNN训练模块4-2对应的R-CNN训练网络独有的层，这样，两个网络共享相同的卷积层，构成一个统一的网络。

[0050] 作为示例，模型获得单元4构建的识别模型例如可以用于识别以下对象：可见光下人员、可见光下车辆、红外下人员以及红外下车辆。

[0051] 作为示例，模型获得单元4在训练识别模型的过程中，基于巡检参数，采用深度学习方法来训练可见光下人员及车辆的训练样本，采用移动目标检测方法来训练红外下人员及车辆的训练样本。

[0052] 本发明的另一方面还提供了一种基于大数据监控的人工智能油气田防范判别方法，如图4所示，基于大数据监控的人工智能油气田防范判别方法包括：步骤一、设置视频巡检预置点位，每次发出巡检指令后在数据库内添加对应的信息框，信息框内包括该预置点的属性信息；步骤二、获取数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标，并在确定存在入侵目标的情况下获得该入侵目标的类型；步骤三、将识别后的结果经过处理后返回至数据库；步骤四、读取数据库内的由视频分析识别单元返回的结果，并在该结果超出预设的报警阈值时进行报警；步骤五、当进行下次视频巡检时重复步骤一至步骤四。

[0053] 作为示例，每个预置点的属性信息包括以下一种或多种：巡检点标识；云台信息；相机类型；相机信息；以及观测范围。

[0054] 作为示例，该方法还包括：构建用于识别入侵目标及入侵目标类型的识别模型；其中，的构建用于识别入侵目标及入侵目标类型的识别模型的步骤包括：利用训练样本对预定模型进行RPN训练；利用训练样本对经过RPN训练后的模型进行快速R-CNN训练；对当前模型进行RPN微调；对当前模型进行快速R-CNN微调。

[0055] 作为示例，构建的识别模型用于识别以下对象：可见光下人员、可见光下车辆、红外下人员以及红外下车辆。

[0056] 作为示例，在训练识别模型的过程中，基于巡检参数，采用深度学习方法来训练可见光下人员及车辆的训练样本，采用移动目标检测方法来训练红外下人员及车辆的训练样本。

[0057] 参见图5所示的识别流程图以及图6所示的处理原理，下面描述本发明的一个优选实施例。

[0058] 常规视频监控无法智能识别是否有入侵行为，越线报警和入侵报警无法识别目标信息，不能判断侵入目标是人、车辆还是动物。且常规视频多是一对一模式，即一台摄像机对一口抽油机井。本发明中采用750mm至1000mm长焦镜头采集视频图像，可以覆盖半径3km内的多口油井，通过深度学习模式，令数据服务器可以从背景环境复杂的画面中提取出学习过的目标，如人、车辆等，可以准确报告出入侵目标的种类，从而加以判断，此发明非常适用于解决油气田的抽油机井附近的安全防范问题。

[0059] 在该例子中，例如可以通过如下步骤一至步骤五实现。

[0060] 在步骤一中，视频巡检控制单元规划视频巡检预置点位，每次发出巡检指令后会在数据库内插入一条信息框。信息框内包含该巡检点的属性信息：如位置名称，重点观察目标位置等。

[0061] 在步骤二中：视频分析识别单元接收到数据库内的属性信息对该预置点进行图像分析对比。识别是否有入侵目标，如果有目标是什么物体进入警戒区。

[0062] 在步骤三中，视频分析识别单元将识别后的结果经过处理后返回到数据库。

[0063] 在步骤四中，视频巡检控制单元读取数据库内视频分析识别单元返回的结果，如果超出预设的报警阈值，进行报警。

[0064] 在步骤五中，视频进行下次巡检重复步骤一到步骤四内容。

[0065] 这样，参照识别流程图，识别软件可读取视频文件，选择具有代表性的图片帧及目标对象进行标定；支持人机交互式标定；标定结果可直接用于训练深度学习模型。

[0066] 其中，为提高判断精度，设计了巡检参数定义方法，包括如下数据表：

[0067] 巡检点数据表：

[0068] 巡检点标识(数字或字符串，代表单独的报警区，红外和可见光下是不同的)[0069] 云台信息(方向角，俯仰角)

[0070] 相机类型(0：可见光；1：红外)

[0071] 相机信息(焦距)

[0072] 观测范围(指当前视场内有效观测区域的定义，为矩形区域，可记录左上角及右下角像素坐标)

[0073] 此外，在完成深度学习样本库时，自30万帧监控图像中，选择代表性图像，利用标定软件针对红外及可见光下的人员、车辆、动物进行了标注，同时自开放图像库中引入了部分人员、车辆图像样本进行标注，生成样本库。

[0074] 在完成深度学习模型时，模型构建过程包括四阶段：RPN训练—>fast_R-CNN训练—>RPN微调—>fast_R-CNN微调。每个阶段迭代8万次，总计32万次迭代，每次训练将近48小时。经过不断调整、优化学习率参数，反复训练模型及验证，最后确定模型包含以下识别对象：可见光下人员，可见光下车辆，红外下人员，红外下车辆。训练完成的最终模型约236MB。

[0075] 在该例子中，提出了一种人员车辆报警判断算法，其中，针对抽油机附近出现的人员、车辆进行识别和判断，考虑到红外和可见光下不同的图像效果，设计了一个综合深度学习对象识别及动态目标检测两种方法的识别流程，并结合巡检参数，做报警判断，如图6所示，

[0076] 由此，上述实施例集成训练模型、算法及巡检参数，接入实时视频流及数据库，在现有大数据平台上，利用视频巡检单元显示报警结果输出，克服了现有技术的不足。

[0077] 最后应说明的是：以上实施例仅用以示例性说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明及本发明带来的有益效果进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求的范围。