CN111918039B - 基于5g网络的人工智能高风险作业管控系统 - Google Patents

Abstract

本申请涉及一种基于5G网络的人工智能高风险作业管控系统，属于监控技术领域，该系统包括：监控设备；与监控设备基于5G网络通信相连的核心交换机；核心交换机将监控数据进行镜像备份，得到相同的两份监控数据；将两份监控数据中的一份发送至原始视频监控平台；将另一份发送至人工智能作业风险管控平台；原始视频监控平台接收并存储监控数据，以供客户端调用监控数据并显示；人工智能作业风险管控平台对接收到的监控数据进行特征提取，得到风险识别特征；在提取到风险识别特征时生成告警信息；可以解决人工判断违规场景的效率较低的问题；由于可以通过人工智能作业风险管控平台自动识别违规操作，可以提高违规场景判断的效率。

Description

基于5G网络的人工智能高风险作业管控系统

技术领域

本申请涉及一种基于5G网络的人工智能高风险作业管控系统，属于监控技术领域。

背景技术

在电力生产过程中，现场作业是否符合安全规定要求将直接影响安全事故发生的概率。因此，需要对电力现场进行监控。

现有的电力现场监控系统包括监控设备和视频监控平台，监控设备用于采集现场图像，并将现场图像发送至视频监控平台；视频监控平台将接收到的现场图像转发至客户端显示。

然而，现有的视频监控平台需要监控人员实时观察现场图像，人工判断违规场景，违规判断的效率较低。

发明内容

本申请提供了一种基于5G网络的人工智能高风险作业管控系统，可以解决人工判断违规场景的效率较低的问题。本申请提供如下技术方案：一种基于5G网络的人工智能高风险作业管控系统，所述系统包括：

监控设备，包括移动场景下的监控设备和固定场景下的监控设备；所述监控设备用于采集监控数据，并将所述监控数据发送至核心交换机；

所述核心交换机，与所述监控设备基于5G网络通信相连；所述核心交换机用于将所述监控数据进行镜像备份，得到相同的两份监控数据；将所述两份监控数据中的一份发送至原始视频监控平台；将所述两份监控数据中的另一份发送至人工智能作业风险管控平台；

所述原始视频监控平台，与所述核心交换机通信相连；所述原始视频监控平台用于接收并存储监控数据，以供客户端调用所述监控数据并显示；

所述人工智能作业风险管控平台，与所述核心交换机通信相连；所述人工智能作业风险管控平台，用于对接收到的监控数据进行特征提取，得到风险识别特征；在提取到所述风险识别特征时生成告警信息，以将所述告警信息发送至对应的客户端；所述告警信息用于指示所述监控数据存在所述风险识别特征。

可选地，所述人工智能作业风险管控平台，用于：

将所述监控数据输入预先训练的深度学习框架，得到所述风险识别特征；其中，所述深度学习框架是基于目标场景的违规行为图像进行训练得到的。

可选地，所述人工智能作业风险管控平台，还用于：

对所述风险识别特征对应的违规行为进行分类，得到目标分类；

生成所述目标分类对应的告警信息。

可选地，所述人工智能作业风险管控平台，还用于：

获取所述目标分类对应的违规分数；

记录所述风险识别特征指示的人员的违规总分，所述违规总分为所述人员的历史违规分数与所述违规分数之和；

根据所述违规总分确定所述人员的违规处理方式。

可选地，所述系统还包括所述客户端；

所述客户端，用于发送平台访问请求，所述平台访问请求用于请求访问所述原始视频监控平台和/或所述人工智能作业风险管控平台；所述平台访问请求中携带有所述客户端的登录信息；

对于所述原始视频监控平台和所述人工智能作业风险管控平台中任意一个接收到所述平台访问请求的平台，用于对所述登录信息进行认证；在对所述登录信息认证通过后，允许所述客户端访问所述原始视频监控平台和所述人工智能作业风险管控平台。

可选地，所述客户端与所述原始视频监控平台和所述人工智能作业风险管控平台之间基于Nginx服务器建立通信连接。

可选地，所述系统以分布式微服务架构搭建安全监控管理系统，且所述系统使用redis缓存数据，基于Kafka消息队列进行模块间的松耦合通讯，且使用分库分表方式存储数据。

可选地，所述系统使用定时器方式定时对所述系统存储的数据进行分类。

可选地，所述系统还包括无线图传装置；在所述5G网络的网络信号强度低于强度阈值时，所述监控设备用于基于所述无线图传装置与所述核心交换机通信相连。

可选地，所述监控设备包括以下几种中的至少一种：枪机、布控球、随身记录仪、可穿戴式设备和移动终端。

本申请的有益效果在于：通过在原有的视频监控平台的基础上额外添加人工智能作业风险管控平台，对监控数据进行特征提取，根据提取到的风险识别特征生成告警信息；可以解决人工判断违规场景的效率较低的问题；由于可以通过人工智能作业风险管控平台自动识别违规操作，可以提高违规场景判断的效率。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

图1是本申请一个实施例提供的基于5G网络的人工智能高风险作业管控系统的结构示意图；

图2是本申请另一个实施例提供的基于5G网络的人工智能高风险作业管控系统的结构示意图。

具体实施方式

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

图1是本申请一个实施例提供的基于5G网络的人工智能高风险作业管控系统的结构示意图，如图1所示，该系统至少包括：监控设备110、核心交换机120、原始视频监控平台130和人工智能作业风险管控平台140。

监控设备110包括移动场景下的监控设备和固定场景下的监控设备。监控设备110包括以下几种中的至少一种：枪机、布控球、随身记录仪、可穿戴式设备和移动终端。监控设备110用于采集监控数据，并将监控数据发送至核心交换机120。

核心交换机120与监控设备110基于5G网络通信相连。

可选地，基于5G网络的人工智能高风险作业管控系统还包括无线图传装置150。参考图2，在5G网络的网络信号强度低于强度阈值时，监控设备110用于基于无线图传装置150与核心交换机120通信相连。

无线图像传输(简称无线图传)装置150，即用于视频实时传输的装置。本申请中，无线图传装置150中的协议支持视频码流传输，解决目前多山地、5G信号弱或盲区情况下，实时的数据传输、分析。支持ONVIF协议的RTSP视频传输，实现低功耗的硬件平台。

比如：在现场施工作业无网络的情况下，通过手持终端拍照，可以从无线图像装置转到核心交换机120。假设一个施工班组负责人先自拍确认组长，再拍班组成员，防止冒名顶替，然后将图片通过核心交换机120发送至人工智能作业风险管控平台140，通过使用AI人脸识别模型进行人脸识别，在手持终端反馈匹配的结果，解决了事前的预防监控管理。

核心交换机120用于将监控数据进行镜像备份，得到相同的两份监控数据；将两份监控数据中的一份发送至原始视频监控平台130；将两份监控数据中的另一份发送至人工智能作业风险管控平台140。

核心交换机120是指具有部分路由器功能的交换机，通常工作在OSI网络标准模型的第三层：网络层。核心交换机120可以加快大型局域网内部的数据交换，能够做到一次路由，多次转发。

原始视频监控平台130与核心交换机120通信相连，比如：基于5G网络通信相连。原始视频监控平台130是指当前的目标场景下原本存在的视频监控平台。原始视频监控平台130用于接收并存储监控数据，以供客户端调用监控数据并显示。

原始视频监控平台130包括多个服务器构成的服务器集群。

人工智能作业风险管控平台140与核心交换机120通信相连，比如：基于5G网络通信相连。人工智能作业风险管控平台140，用于对接收到的监控数据进行特征提取，得到风险识别特征；在提取到风险识别特征时生成告警信息，以将告警信息发送至对应的客户端；告警信息用于指示监控数据存在风险识别特征。

人工智能作业风险管控平台140包括多个服务器构成的服务器集群。

人工智能作业风险管控平台140用于将监控数据输入预先训练的深度学习框架，得到风险识别特征；其中，深度学习框架是基于目标场景的违规行为图像进行训练得到的。

违规行为包括但不限于：工作人员未带安全帽、物品遗留、扩大工作票所列工作范围、超越安全遮拦开展工作、在行人道口或人口密集区从事高处作业、工作地点的下面未设遮拦(围栏)、工作人员进入非工作区域。

深度学习框架主要针对监控视频作为分析样本，在业务场景内做针对性的优化，以保证精度和检测速度上达到预期效果。通过平台和算法实现深度学习后的图像识别，快速构建违规行为识别模型，在精确提取图像特征的同时降低模型复杂度，实现实时监测监控视频和及时发现违规行为。

深度学习是建立深层结构模型的学习方法，典型的深度学习算法包括深度置信网络、卷积神经网络、受限玻尔兹曼机和循环神经网络等。深度学习又称为深度神经网络(指层数超过3层的神经网络)。深度学习中的卷积神经网络、循环神经网络是两类典型的模型。卷积神经网络常被应用于空间性分布数据；循环神经网络在神经网络中引入了记忆和反馈，常被应用于时间性分布数据。深度学习框架是进行深度学习的基础底层框架，一般包含主流的神经网络算法模型，提供稳定的深度学习API，支持训练模型在服务器和GPU、TPU间的分布式学习，部分框架还具备在包括移动设备、云平台在内的多种平台上运行的移植能力，从而为深度学习算法带来前所未有的运行速度和实用性。

深度学习框架支持进行图像理解。图像理解是通过用计算机系统解释图像，实现类似人类视觉系统理解外部世界的一门科学。通常根据理解信息的抽象程度可分为三个层次：浅层理解，包括图像边缘、图像特征点、纹理元素等；中层理解，包括物体边界、区域与平面等；高层理解，根据需要抽取的高层语义信息可大致分为识别、检测、分割、姿态估计、图像文字说明等。

深度学习框架支持动态视觉。动态视觉即分析视频或图像序列，模拟人处理时序图像的科学。通常动态视觉问题可以定义为寻找图像元素，如像素、区域、物体在时序上的对应，以及提取其语义信息的问题。

深度学习框架支持人脸识别。人脸识别技术可以划分为检测定位、面部特征提取以及人脸确认三个过程。

人工智能作业风险管控平台140还用于：对风险识别特征对应的违规行为进行分类，得到目标分类；生成目标分类对应的告警信息。此时，告警信息包括：违规时间、违规内容、违规人员和目标分类

比如：将违规行为分类四类，分别为A、B、C、D。当然，也可以划分为更多类，本实施例不对违规行为的划分方式作限定。

可选地，人工智能作业风险管控平台140，还用于获取目标分类对应的违规分数；记录风险识别特征指示的人员的违规总分，违规总分为人员的历史违规分数与违规分数之和；根据违规总分确定人员的违规处理方式。

这样，系统会对违规进行相对应的扣分处理，扣分到达一定的程度，可以对相应的人员进行进一步处理，比如：需要对其学习教育系统培训，评分达到标准才能正式工作。

比如：本实施例中通过在系统中设置资信管理，实现对工作人员记录考核的标准化模块；可以对工作人员的行为进行监督，包括考试记录、员工档案、违规档案、黑名单等功能模块，从而可以可视化体现出在监控安全中关于整套资信问题。

同时，人工智能作业风险管控平台140还可以对识别出来的违规行为连续动作告警所需持续时间进行配置，以保证某些业务场景下告警次数更为合理且不至于频繁告警。

本系统还包括客户端160。客户端160用于发送平台访问请求，平台访问请求用于请求访问原始视频监控平台和/或人工智能作业风险管控平台；平台访问请求中携带有客户端的登录信息；对于原始视频监控平台和人工智能作业风险管控平台中任意一个接收到平台访问请求的平台，用于对登录信息进行认证；在对登录信息认证通过后，允许客户端访问原始视频监控平台和人工智能作业风险管控平台。

本实施例中，客户端160采用JWT实现单点登录。JWT的核心思想是通过一定的方式使得各提供服务的网站之间建立某种联系，它本身是一种Token生成机制。而本申请的系统内部采用了结构化的格式来进行认证(Authentication)，用户只需要在其中一个认证网站进行登录后，即可实现全局登录，当用户再访问其他网站时，不需要再次登录，其身份就可以被验证。

客户端160与原始视频监控平台130和人工智能作业风险管控平台140之间基于Nginx服务器建立通信连接。Nginx服务器为高性能的HTTP和反向代理web服务器，在连接高并发的情况下，Nginx服务器能够支持高达50000个并发连接数的响应，提供无缓存的反向代理加速，简单的负载均衡和容错。

另外，系统以分布式微服务架构搭建安全监控管理系统，且系统使用redis缓存数据，基于Kafka消息队列进行模块间的松耦合通讯，且使用分库分表方式存储数据。

另外，系统使用定时器方式定时对系统存储的数据进行分类。

综上所述，本实施例提供的基于5G网络的人工智能高风险作业管控系统，通过在原有的视频监控平台的基础上额外添加人工智能作业风险管控平台，对监控数据进行特征提取，根据提取到的风险识别特征生成告警信息；可以解决人工判断违规场景的效率较低的问题；由于可以通过人工智能作业风险管控平台自动识别违规操作，可以提高违规场景判断的效率。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于5G网络的人工智能高风险作业管控系统，其特征在于，所述系统包括：

监控设备，包括移动场景下的监控设备和固定场景下的监控设备；所述监控设备用于采集监控数据，并将所述监控数据发送至核心交换机；

所述核心交换机，与所述监控设备基于5G网络通信相连；所述核心交换机用于将所述监控数据进行镜像备份，得到相同的两份监控数据；将所述两份监控数据中的一份发送至原始视频监控平台；将所述两份监控数据中的另一份发送至人工智能作业风险管控平台；所述核心交换机可以加快大型局域网内部的数据交换，能够做到一次路由，多次转发；

所述原始视频监控平台，与所述核心交换机通信相连；所述原始视频监控平台用于接收并存储监控数据，以供客户端调用所述监控数据并显示；所述原始视频监控平台是指当前的目标场景下原本存在的视频监控平台；

所述人工智能作业风险管控平台，与所述核心交换机通信相连；所述人工智能作业风险管控平台，用于对接收到的监控数据进行特征提取，得到风险识别特征；在提取到所述风险识别特征时生成告警信息，以将所述告警信息发送至对应的客户端；所述告警信息用于指示所述监控数据存在所述风险识别特征；

所述系统中设置有标准化模块，所述标准化模块用于设置资信管理，并对工作人员记录考核，以对所述工作人员的行为进行监督，所述标准化模块包括考试记录、员工档案、违规档案和黑名单功能模块；

所述客户端，用于发送平台访问请求，所述平台访问请求用于请求访问所述原始视频监控平台和/或所述人工智能作业风险管控平台；所述平台访问请求中携带有所述客户端的登录信息；

对于所述原始视频监控平台和所述人工智能作业风险管控平台中任意一个接收到所述平台访问请求的平台，用于对所述登录信息进行认证；在对所述登录信息认证通过后，允许所述客户端访问所述原始视频监控平台和所述人工智能作业风险管控平台；

所述客户端采用JWT实现单点登录；所述JWT的核心思想是通过一定的方式使得各提供服务的网站之间建立某种联系，它本身是一种Token生成机制；所述系统内部采用了结构化的格式来进行认证(Authentication)，用户只需要在其中一个认证网站进行登录后，即可实现全局登录，当用户再访问其他网站时，不需要再次登录，其身份就可以被验证。

2.根据权利要求1所述的系统，其特征在于，所述人工智能作业风险管控平台，用于：

将所述监控数据输入预先训练的深度学习框架，得到所述风险识别特征；

其中，所述深度学习框架是基于目标场景的违规行为图像进行训练得到的。

3.根据权利要求2所述的系统，其特征在于，所述人工智能作业风险管控平台，还用于：

对所述风险识别特征对应的违规行为进行分类，得到目标分类；

生成所述目标分类对应的告警信息。

4.根据权利要求3所述的系统，其特征在于，所述人工智能作业风险管控平台，还用于：

获取所述目标分类对应的违规分数；

记录所述风险识别特征指示的人员的违规总分，所述违规总分为所述人员的历史违规分数与所述违规分数之和；

根据所述违规总分确定所述人员的违规处理方式。

5.根据权利要求1所述的系统，其特征在于，所述客户端与所述原始视频监控平台和所述人工智能作业风险管控平台之间基于Nginx服务器建立通信连接。

6.根据权利要求1所述的系统，其特征在于，所述系统以分布式微服务架构搭建安全监控管理系统，且所述系统使用redis缓存数据，基于Kafka消息队列进行模块间的松耦合通讯，且使用分库分表方式存储数据。

7.根据权利要求1所述的系统，其特征在于，所述系统使用定时器方式定时对所述系统存储的数据进行分类。

8.根据权利要求1至7任一所述的系统，其特征在于，所述系统还包括无线图传装置；在所述5G网络的网络信号强度低于强度阈值时，所述监控设备用于基于所述无线图传装置与所述核心交换机通信相连。

9.根据权利要求1至7任一所述的系统，其特征在于，所述监控设备包括以下几种中的至少一种：枪机、布控球、随身记录仪、可穿戴式设备和移动终端。

Images