CN112163528A - 一种基于卷积神经网络的油管拖地的识别方法 - Google Patents

一种基于卷积神经网络的油管拖地的识别方法 Download PDF

Info

Publication number
CN112163528A
CN112163528A CN202011057383.8A CN202011057383A CN112163528A CN 112163528 A CN112163528 A CN 112163528A CN 202011057383 A CN202011057383 A CN 202011057383A CN 112163528 A CN112163528 A CN 112163528A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
oil pipe
image set
mopping
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011057383.8A
Other languages
English (en)
Inventor
陈友明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Honghe Communication Co ltd
Original Assignee
Sichuan Honghe Communication Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Honghe Communication Co ltd filed Critical Sichuan Honghe Communication Co ltd
Priority to CN202011057383.8A priority Critical patent/CN112163528A/zh
Publication of CN112163528A publication Critical patent/CN112163528A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于卷积神经网络的油管拖地的识别方法，包括如下步骤:监控系统采集加油机附近区域的视频数据，并存储至存储器；对视频数据每预设时间截取一张图像，得到历史图像集；根据历史图像集得出油管拖地可能出现的区域，对油管拖地可能出现的区域进行标记，得到标记图像集；对图像中油管拖地可能出现的区域进行定义，0表示正常，1表示油管拖地，2表示其他情况；构建卷积神经网络，使用卷积神经网络对所述标记图像集进行训练，得到训练好的卷积神经网络；利用训练好的卷积神经网络对标记图像集进行判定，若输出为0，则判定无异常情况；若输出为1，则判定油管拖地；若输出为2，则判定存在其他异常情况。

Description

一种基于卷积神经网络的油管拖地的识别方法
技术领域
本发明涉及图像技术领域，具体涉及一种基于卷积神经网络的油管拖地的识别方法。
背景技术
加油站在建立之初根据安防要求，在加油机区域安装摄像机，通过摄像机监控的方式对加油站的加油机安全作业、安全运营进行考察。这种方式存在较大的缺陷，无法及时快速、有效的降安全预警信息、各类风险信息传递到管理者。
其中加油机的油管拖地是最常见的安全隐患，油企在对管辖内加油站站点进行管理时，现有的处理方式只有通过监控视频、录像去查阅和取证，安全事件发生后无法第一时间传递到油企管理人员；另外一方面，对加油站站点人员管理也无法有效实施。
然而，现有技术完全是采用人为干预的方法，通过摄像头监控加油机的油管是否拖地，并没有一种客观的非人工且准确的智能监控油管连接正确性的方法。这种完成依靠人工的方法，存在以下三种问题：
1、人力成本高，需要工作人员进行实时监控。
2、出错风险较高，人工检查总会因为偶尔的疲劳或者大意导致出错。
3、上级领导基本无法进行监督管理。
发明内容
为解决现有技术中仅通过人工干预来进行对加油员手势进行监管的问题，本发明提供了一种基于卷积神经网络的油管拖地的识别方法。
本发明通过下述技术方案实现：
一种基于卷积神经网络的油管拖地的识别方法，包括如下步骤：
S1：监控系统采集加油机附近区域的视频数据，并存储至存储器；
S2：对视频数据每预设时间截取一张图像，得到历史图像集；根据历史图像集得出油管拖地可能出现的区域，对油管拖地可能出现的区域进行标记，得到标记图像集；
S3：对图像中油管拖地可能出现的区域进行定义，0表示正常，1表示油管拖地，2表示其他情况；
S4：构建卷积神经网络，使用卷积神经网络对所述标记图像集进行训练，得到训练好的卷积神经网络；
S5：利用训练好的卷积神经网络对标记图像集进行判定，若输出为0，则判定无异常情况；若输出为1，则判定油管拖地；若输出为2，则判定存在其他异常情况。
在上述方案的基础上，进一步地有：所述步骤S1中的监控系统包括多个摄像机，摄像机的安装位置与对应该摄像机所监控的加油机水平距离为8～12米，距地面高度为3～5米。
在上述方案的基础上，进一步地有：所述步骤S2包括如下子步骤：
S21：选取三个月内的视频数据，对视频数据每预设时间截取一张图像，得到历史图像集；
S22：在历史图像集中挑选出有油管拖地画面的图像，得到拖地图像集；
S23：对拖地图像集进行油管拖地区域统计，得出油管拖地的可能出现的区域；
S24：对历史图像集油管拖地可能出现的区域进行标记，得到标记图像集。
在上述方案的基础上，进一步地有：所述步骤S4包括如下子步骤：
S41：选择训练数据集和验证数据集；
S42：定义标准卷积核，卷积核尺寸为3*3*n，参数量为3*3；
S43：搭建卷积神经网络，从卷积神经网络的输入端输入48*48*3，卷积神经网络的输出端输出1*1*4，即时输出数据分别为0、1、2三类数据的概率；
S44：定义损失函数Loss，损失函数Loss的计算公式如下：
Figure BDA0002711217800000031
其中，m为网络输出类别数量，
Figure BDA0002711217800000032
为网络全连接层的输出；
S45：通过损失函数，利用梯度下降法对训练集进行训练，优化卷积神经网络；
S46：使用卷积神经网络对验证集进行验证，当验证精度大于95％且不再提升时结束卷积神经网络训练，从而得到训练好的卷积神经网络。
在上述方案的基础上，进一步地有：所述步骤S41中的训练数据集包括20000张标记图像，验证数据集包括2000张标记图像。
在上述方案的基础上，进一步地有：在所述步骤S41中的训练数据集和验证数据集中，均包含比例为1:2:1的0、1、2三类数据。
本发明与现有技术相比，具有如下的优点和有益效果：
通过结合相机采集加油机区域图像和智能分析算法的方式对加油站原有的监控系统进行升级赋能，及时发现加油机的油管是否拖地，代替原有的人工检查。通过此方法可以很大程度减少人力成本，同时因为是机器作业，可以保证及时、客观、准确的分析，降低事故发生的风险，有效的提升加油站的安全管理效率。
附图说明
结合附图，可以得到对本发明实施例的进一步理解，从本发明的权利要求和优选实施例的以下描述可以获得本发明的其它特征和优点。在不超出本发明的范围的情况下，在这种情况下可以按任何期望的方式将图中所示的不同实施例的单独特征加以组合。在附图中：
图1为本发明的逻辑流程框图；
图2为实施例中的高位相机位置示意图；
图3为本发明的卷积核；
图4为卷积神经网络。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：
如图1所示，在本实施例中，一种基于卷积神经网络的油管拖地的识别方法，包括如下步骤：
S1：监控系统采集加油机附近区域的视频数据，并存储至存储器；
S2：对视频数据每预设时间截取一张图像，得到历史图像集；根据历史图像集得出油管拖地可能出现的区域，对油管拖地可能出现的区域进行标记，得到标记图像集；
S3：对图像中油管拖地可能出现的区域进行定义，0表示正常，1表示油管拖地，2表示其他情况；
S4：构建卷积神经网络，使用卷积神经网络对所述标记图像集进行训练，得到训练好的卷积神经网络；
S5：利用训练好的卷积神经网络对标记图像集进行判定，若输出为0，则判定无异常情况；若输出为1，则判定油管拖地；若输出为2，则判定存在其他异常情况。
如图2所示，所述步骤S1中的监控系统包括多个摄像机，摄像机的安装位置与对应该摄像机所监控的加油机水平距离为10米，距地面高度为3米。
优选的，所述步骤S2包括如下子步骤：
S21：选取三个月内的视频数据，对视频数据每预设时间截取一张图像，得到历史图像集；
S22：在历史图像集中挑选出有油管拖地画面的图像，得到拖地图像集；
S23：对拖地图像集进行油管拖地区域统计，得出油管拖地的可能出现的区域；
S24：对历史图像集油管拖地可能出现的区域进行标记，得到标记图像集。
优选的，所述步骤S4包括如下子步骤：
S41：选择训练数据集和验证数据集；
S42：如图3所示，定义标准卷积核，卷积核尺寸为3*3*n，参数量为3*3；
S43：如题4所示，搭建卷积神经网络，从卷积神经网络的输入端输入48*48*3，卷积神经网络的输出端输出1*1*4，即时输出数据分别为0、1、2三类数据的概率；
S44：定义损失函数Loss，损失函数Loss的计算公式如下：
Figure BDA0002711217800000051
其中，m为网络输出类别数量，
Figure BDA0002711217800000061
为网络全连接层的输出；
S45：通过损失函数，利用梯度下降法对训练集进行训练，优化卷积神经网络；
S46：使用卷积神经网络对验证集进行验证，当验证精度大于95％且不再提升时结束卷积神经网络训练，从而得到训练好的卷积神经网络。
优选的，所述步骤S41中的训练数据集包括20000张标记图像，验证数据集包括2000张标记图像。
优选的，在所述步骤S41中的训练数据集和验证数据集中，均包含比例为1:2:1的0、1、2三类数据。
结合上述实施例可以看出，本发明通过结合相机采集加油机区域图像和智能分析算法的方式对加油站原有的监控系统进行升级赋能，及时发现加油机的油管是否拖地，代替原有的人工检查。通过此方法可以很大程度减少人力成本，同时因为是机器作业，可以保证及时、客观、准确的分析，降低事故发生的风险，有效的提升加油站的安全管理效率。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于卷积神经网络的油管拖地的识别方法，其特征在于，包括如下步骤：
S1：监控系统采集加油机附近区域的视频数据，并存储至存储器；
S2：对视频数据每预设时间截取一张图像，得到历史图像集；根据历史图像集得出油管拖地可能出现的区域，对油管拖地可能出现的区域进行标记，得到标记图像集；
S3：对图像中油管拖地可能出现的区域进行定义，0表示正常，1表示油管拖地，2表示其他情况；
S4：构建卷积神经网络，使用卷积神经网络对所述标记图像集进行训练，得到训练好的卷积神经网络；
S5：利用训练好的卷积神经网络对标记图像集进行判定，若输出为0，则判定无异常情况；若输出为1，则判定油管拖地；若输出为2，则判定存在其他异常情况。
2.根据权利要求1所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，所述步骤S1中的监控系统包括多个摄像机，摄像机的安装位置与对应该摄像机所监控的加油机水平距离为8～12米，距地面高度为3～5米。
3.根据权利要求1所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，所述步骤S2包括如下子步骤：
S21：选取三个月内的视频数据，对视频数据每预设时间截取一张图像，得到历史图像集；
S22：在历史图像集中挑选出有油管拖地画面的图像，得到拖地图像集；
S23：对拖地图像集进行油管拖地区域统计，得出油管拖地的可能出现的区域；
S24：对历史图像集油管拖地可能出现的区域进行标记，得到标记图像集。
4.根据权利要求1所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，所述步骤S4包括如下子步骤：
S41：选择训练数据集和验证数据集；
S42：定义标准卷积核，卷积核尺寸为3*3*n，参数量为3*3；
S43：搭建卷积神经网络，从卷积神经网络的输入端输入48*48*3，卷积神经网络的输出端输出1*1*4，即时输出数据分别为0、1、2三类数据的概率；
S44：定义损失函数Loss，损失函数Loss的计算公式如下：
Figure FDA0002711217790000021
其中，m为网络输出类别数量，
Figure FDA0002711217790000022
为网络全连接层的输出；
S45：通过损失函数，利用梯度下降法对训练集进行训练，优化卷积神经网络；
S46：使用卷积神经网络对验证集进行验证，当验证精度大于95％且不再提升时结束卷积神经网络训练，从而得到训练好的卷积神经网络。
5.根据权利要求4所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，所述步骤S41中的训练数据集包括20000张标记图像，验证数据集包括2000张标记图像。
6.根据权利要求4所述的一种基于卷积神经网络的油管拖地的识别方法，其特征在于，在所述步骤S41中的训练数据集和验证数据集中，均包含比例为1:2:1的0、1、2三类数据。
CN202011057383.8A 2020-09-30 2020-09-30 一种基于卷积神经网络的油管拖地的识别方法 Pending CN112163528A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011057383.8A CN112163528A (zh) 2020-09-30 2020-09-30 一种基于卷积神经网络的油管拖地的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011057383.8A CN112163528A (zh) 2020-09-30 2020-09-30 一种基于卷积神经网络的油管拖地的识别方法

Publications (1)

Publication Number Publication Date
CN112163528A true CN112163528A (zh) 2021-01-01

Family

ID=73861181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011057383.8A Pending CN112163528A (zh) 2020-09-30 2020-09-30 一种基于卷积神经网络的油管拖地的识别方法

Country Status (1)

Country Link
CN (1) CN112163528A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023123926A1 (zh) * 2021-12-28 2023-07-06 苏州浪潮智能科技有限公司 人工智能任务处理方法、装置、电子设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533551A (zh) * 2009-04-03 2009-09-16 中国安全生产科学研究院 加油站安全监控预警与应急管理系统及其方法
CN109271938A (zh) * 2018-09-19 2019-01-25 上海鸢安智能科技有限公司 一种基于智能视频分析技术的加油站卸油过程安全监控方法
CN109800627A (zh) * 2018-12-03 2019-05-24 第四范式（北京）技术有限公司 石油管道信号的异常检测方法及装置、设备及可读介质
CN110490124A (zh) * 2019-08-15 2019-11-22 成都睿晓科技有限公司 一种智能化的加油站现场服务与风险管控系统
CN110775929A (zh) * 2019-11-08 2020-02-11 樊俊利 加油枪漏油状态监测平台、方法及存储介质
CN111432182A (zh) * 2020-04-29 2020-07-17 上善智城(苏州)信息科技有限公司 一种加油站卸油场所安全监管方法及系统
CN111553329A (zh) * 2020-06-14 2020-08-18 深圳天海宸光科技有限公司 一种基于机器视觉的加油站智能安全处理系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101533551A (zh) * 2009-04-03 2009-09-16 中国安全生产科学研究院 加油站安全监控预警与应急管理系统及其方法
CN109271938A (zh) * 2018-09-19 2019-01-25 上海鸢安智能科技有限公司 一种基于智能视频分析技术的加油站卸油过程安全监控方法
CN109800627A (zh) * 2018-12-03 2019-05-24 第四范式（北京）技术有限公司 石油管道信号的异常检测方法及装置、设备及可读介质
CN110490124A (zh) * 2019-08-15 2019-11-22 成都睿晓科技有限公司 一种智能化的加油站现场服务与风险管控系统
CN110775929A (zh) * 2019-11-08 2020-02-11 樊俊利 加油枪漏油状态监测平台、方法及存储介质
CN111432182A (zh) * 2020-04-29 2020-07-17 上善智城(苏州)信息科技有限公司 一种加油站卸油场所安全监管方法及系统
CN111553329A (zh) * 2020-06-14 2020-08-18 深圳天海宸光科技有限公司 一种基于机器视觉的加油站智能安全处理系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张娜: "加油站智能集成系统的初步研究与设计", 《电子技术与软件工程》, pages 219 - 220 *
陈本均: "基于红外视频的加油枪油气泄漏检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 07, pages 035 - 314 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023123926A1 (zh) * 2021-12-28 2023-07-06 苏州浪潮智能科技有限公司 人工智能任务处理方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
US10673731B2 (en) System event analyzer and outlier visualization
US10038618B2 (en) System event analyzer and outlier visualization
CN103856774B (zh) 一种视频监控智能检测系统及方法
US20220300840A1 (en) System to monitor and process water-related data
DE112005003084T5 (de) Automatisiertes Wartungsverfahren und -system zur Fernüberwachung und -diagnose
CN100412993C (zh) 基于状态监测的核电厂智能维护系统
CN112004061A (zh) 一种基于计算机视觉的卸油流程规范性智能监控方法
CN107317718A (zh) 一种运维服务管理方法及管理平台
CN109858886A (zh) 一种基于集成学习的费控成功率提升分析方法
CN114021971A (zh) 一种高速公路运维管理综合评价系统、方法及存储介质
CN111401131A (zh) 隧道管廊的图像处理方法、装置、计算机设备和存储介质
CN117035419B (zh) 企业项目实施智能管理系统及方法
CN112132092A (zh) 一种基于卷积神经网络的灭火器和灭火毯的识别方法
CN112163528A (zh) 一种基于卷积神经网络的油管拖地的识别方法
DE202018006794U1 (de) Systeme zur kontinuierlichen Risikoüberwachung und dynamischen Versicherungspreisbestimmung
CN115691044A (zh) 一种动态风险评估预警方法、系统及装置
Tchórzewska-Cieślak Water supply system reliability management
CN113610338A (zh) 轨道交通信号系统安全风险评价和风险预警方法及装置
CN109801394B (zh) 一种工作人员考勤方法及装置、电子设备和可读存储介质
CN106101696B (zh) 视频质量诊断系统及视频质量分析算法
CN112183397A (zh) 基于空洞卷积神经网络的坐防护栏行为的识别方法
CN112163531A (zh) 一种基于行人手臂角度分析的加油员手势识别的方法
CN112115876A (zh) 一种基于3d卷积神经网络的水溶法实验过程识别方法
CN111652147A (zh) 减负构件在地下车库空心楼盖施工过程的监控系统及方法
US11818801B2 (en) System to monitor and process risk relationship sensor data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination