CN112258042A - 一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法 - Google Patents
一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法 Download PDFInfo
- Publication number
- CN112258042A CN112258042A CN202011147335.8A CN202011147335A CN112258042A CN 112258042 A CN112258042 A CN 112258042A CN 202011147335 A CN202011147335 A CN 202011147335A CN 112258042 A CN112258042 A CN 112258042A
- Authority
- CN
- China
- Prior art keywords
- sensor
- potential safety
- video
- data
- monitoring
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 58
- 230000006870 function Effects 0.000 claims description 52
- 238000013136 deep learning model Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 18
- 238000013499 data model Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012806 monitoring device Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 15
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法，包括视频监控模块、传感器组、高速运算通讯组件和AI运算处理平台。视频监控模块监测人员以及车辆号牌等视频信息，传感器组监测设备运行状态以及温度等参数信息；高速运算通讯组件将收集的视频信息和参数信息初步处理后传输至AI运算处理平台；AI处理平台先存储保存收集的视频信息和参数信息，之后进行视频内容和参数状态与预设参考进行对比，分级报警。能够对监测设备以及人员活动行为进行实时监控测报警，辨别安全隐患，对可能存在的安全隐患进行预警和报告，从而降低或者消除安全隐患，减轻甚至消除事故带来的危害。
Description
技术领域
本发明涉及一种安全监测预警技术，尤其涉及一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法。
背景技术
目前，各地加油站的数量急速上涨，但因为管理不当或其他因素使得加油站存在着较高的风险，容易对工作人员的生命安全产生不利的影响，因此，加油站进行安全隐患监测具有重大意义。
现有安全隐患排查都是通过人工现场检查，不能及时有效的发现安全隐患，监测效果不好。
发明内容
本发明的目的是提供一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法。
本发明的目的是通过以下技术方案实现的：
本发明的基于人工智能的加油站关键区域及人员安全隐患监测预警系统，包括视频监控模块、传感器组、高速运算通讯组件和AI运算处理平台；
所述视频监控模块用于获取车辆号牌信息以及人员走动进入的各种敏感区域的图像信息；
所述传感器组用于获取设备的运行状态以及温度参数信息；
所述高速运算通讯组件用于将所述图像信息以及所述参数信息初步处理后传输至所述AI运算处理平台；
所述AI运算处理平台预先存储预警模式，包括：
由AI运算处理平台记录并训练数据模型，包括人员行为判定参数、危险系数参数，以及相关加油站作业事故的事故报告，分析事故报告和相关事故报告中的事故原因，对数据模型进行深度模型训练；
结合视频监控模块和传感器组所采集的视频、参数数据，对每个视频监控和传感器所采集的视频、参数数据进行实时监控，对可能存在的安全隐患进行预警和报告；
在做出了安全隐患判定之后，对存在安全隐患的区域进行立即整改处理，并分级汇报，检测其他关键区域，全面消除安全事故隐患。
上述的基于人工智能的加油站关键区域及人员安全隐患监测预警系统实现加油站关键区域及人员安全隐患监测预警的方法，其特征在于，包括步骤：
所述的AI运算处理平台采用神经网络的深度学习模型，对预先构建的初始深度学习模型进行训练，得到中间深度学习模型；
其中，所述初始深度学习模型为：加载有分类目标函数的深度学习模型；
利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间数据的初始值；
将中心点距离目标函数添加到中间深度学习模型中并加载所述中间数据的初始值，得到目标深度学习模型；
导入训练样本集中的预设数量的样本作为批次数据；
利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；
基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；
如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量的样本作为批次数据的步骤；
如果是，结束对当前目标深度学习模型的训练。
由上述本发明提供的技术方案可以看出，本发明实施例提供的基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法，其能够对加油站关键区域及人员行为进行实时监控，对可能存在的安全隐患进行预警和报告，从而降低或者消除安全隐患。
附图说明
图1为本发明实施例提供的基于人工智能的加油站关键区域及人员安全隐患监测预警系统的结构框图；
图2为本发明的实施例的视频监控模块的结构框图；
图3为本发明的实施例的传感器组件的机构框图；
图标：
0-基于人工智能的加油站关键区域及人员安全隐患监测预警系统；1-视频监控模块；5-第一视频监控；6-第二视频监控；7-第三视频监控；2-传感器组件；8-第一传感器；9-第二传感器；10-第三传感器；3-高速运算通讯组件；4-AI运算处理品台。
具体实施方式
下面将对本发明实施例作进一步地详细描述。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
本发明的基于人工智能的加油站关键区域及人员安全隐患监测预警系统，其较佳的具体实施方式是：
包括视频监控模块、传感器组、高速运算通讯组件和AI运算处理平台；
所述视频监控模块用于获取车辆号牌信息以及人员走动进入的各种敏感区域的图像信息；
所述传感器组用于获取设备的运行状态以及温度参数信息；
所述高速运算通讯组件用于将所述图像信息以及所述参数信息初步处理后传输至所述AI运算处理平台；
所述AI运算处理平台预先存储预警模式，包括：
由AI运算处理平台记录并训练数据模型，包括人员行为判定参数、危险系数参数，以及相关加油站作业事故的事故报告，分析事故报告和相关事故报告中的事故原因，对数据模型进行深度模型训练；
结合视频监控模块和传感器组所采集的视频、参数数据，对每个视频监控和传感器所采集的视频、参数数据进行实时监控，对可能存在的安全隐患进行预警和报告；
在做出了安全隐患判定之后，对存在安全隐患的区域进行立即整改处理，并分级汇报，检测其他关键区域，全面消除安全事故隐患。
所述视频监控模块包括第一视频监控、第二视频监控和第三视频监控，所述第一视频监控、所述第二视频监控和所述第三视频监控为相同的视频监控，且均与所述高速运算通讯组件连接；
所述视频监控模块将用于监控车辆号牌信息、车辆驶入驶出、人员行为等视频画面；
所述视频监控模块与所述高速运算通讯组件进行通讯连接。
所述传感器组包括第一传感器、第二传感器和第三传感器，所述第一传感器、所述第二传感器和所述第三传感器为不同的传感器，且所述第一传感器、所述第二传感器和所述第三传感器均与所述高速运算通讯组件通信连接并均设置有参考参数；
所述第一传感器为温度传感器，所述温度传感器用于检测关键区域的温度变化，所述温度传感器与所述高速运算通讯组件通信连接。
所述第二传感器为气体浓度传感器，所述气体浓度传感器与所述高速运算通讯组件通信连接。
所述第三传感器为设备运行状态传感器，所述设备运行状态传感器与所述高速运算通讯组件通信连接。
所述数据模型的预存储包括对加油站的数据判定，对于加油站四个功能区域：加油区、储油罐区、进出车行道和停车场地，及辅助作业区进行全面视频监控和高密度传感器布设，所监测的数据包括人员行为、温度、气体浓度和设备运行状态数据，并且分析以往事故报告中的情况进行分析，结合其引起事故的人员行为、温度、气体浓度和设备运行状态数据，制定同等级别的人员行为、温度、气体浓度和设备运行状态监控，对于接近和超出其范围的监测点进行高危报警，并记录该数据信息，通过训练模型反复训练不同的现有的事故报告，根据现有事故报告得出所需要的事故预警模型。
上述的基于人工智能的加油站关键区域及人员安全隐患监测预警系统实现加油站关键区域及人员安全隐患监测预警的方法，其特征在于，包括步骤：
所述的AI运算处理平台采用神经网络的深度学习模型，对预先构建的初始深度学习模型进行训练，得到中间深度学习模型；
其中，所述初始深度学习模型为：加载有分类目标函数的深度学习模型；
利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间数据的初始值；
将中心点距离目标函数添加到中间深度学习模型中并加载所述中间数据的初始值，得到目标深度学习模型；
导入训练样本集中的预设数量的样本作为批次数据；
利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；
基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；
如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量的样本作为批次数据的步骤；
如果是，结束对当前目标深度学习模型的训练。
本发明的基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法，包括视频监控、传感器组合AI运算处理平台。视频监控模块和传感器组通过高速运算通讯组件与AI运算处理平台进行通讯连接；视频监控模块监测人员以及车辆号牌等视频信息，传感器组监测设备运行状态以及温度等参数信息；高速运算通讯组件将收集的视频信息和参数信息初步处理后传输至AI运算处理平台；AI处理平台先存储保存收集的视频信息和参数信息，之后进行视频内容和参数状态与预设参考进行对比，分级报警。
本发明的基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法，能够对监测设备以及人员活动行为进行实时监控测报警，辨别安全隐患，对可能存在的安全隐患进行预警和报告，提前预报可能发生的事故，从而降低或者消除安全隐患，减轻甚至消除事故带来的危害。
相比现有技术，本发明提供的基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法的有益效果是；
视频监控模块用于监测人员行为和危险动作信息，传感器组用于监测温度参数、气体浓度参数、设备运行状态参数，该视频信息和参数信息能够反映加油站的工作运行状态。高速运算通讯组件用于将视频监控模块、传感器组与AI运算处理平台进行通讯连接，以将通过视频监控模块和传感器组监测的视频信息和参数信息传输至AI运算处理平台。AI运算处理平台在接收到加油站的视频信息和参数信息后，对该视频信息和参数信息进行分析得到状态参数。状态参数可以是参数信心建模得到的，也可以为参数信息本身。此处，通过将参数信息和预设数据进行对比，并将状态参数和预设数据图形化地显示，以直观地展现状态参数与预设数据之间的差异。本发明提供的基于人工智能的加油站关键区域及人员安全隐患监测预警系统能够对加油站进行实时的监测，提前发现安全隐患，进而减轻可能事故发生带来的危害。
具体实施例：
请结合参阅图1至图3，本实施例提供了一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统0，其能够对待监测区域及人员进行实时监测，提前预报可能的灾害，进而减轻事故的危害。
需要说明的是，本实施例提供的基于人工智能的视频监控模块和传感器组的监测系统0可以用于监测加油站关键区域及人员的安全状态。加油站关键区域是指加油区，储油罐区，进出车行道和停车场地，辅助作业区。一方面，加油站作业，比较容易发生油气泄漏引发的火灾事故，造成人员的伤亡，更为严重的是在加油、储油过程中，如果油罐爆炸，会造成加油站工作人员及周围群众的群死群伤，酿成较大、甚至重大的施工安全事故。因此，加油站的安全监控具有重大的安全意义和价值。而现有安全隐患排查都是通过人工现场检查，不能及时有效的发现安全隐患，监测效果不好。而采用本实施例提供的基于人工智能的加油站关键区域及人员安全隐患监测预警系统0能够有效地监控加油站关键区域及人员行为的安全状态，及时预报可能发生的灾害，有利于生命财产安全。
请参阅图1，本实施例提供的基于人工智能的加油站关键区域及人员安全隐患监测预警系统0包括视频监控模块1、传感器组件2、高速运算通讯组件3和AI运算处理品台4，视频监控模块1和传感器组件2通过高速运算通讯组件3与AI运算处理平台4进行通讯连接；视频监控模块1用于设置于加油站关键区域，且视频监控模块1用于检测人员的安全状态参数信息；传感器组2用于设置于加油站关键区域，且传感器组2用于监测加油站关键区域的参数信息；高速运算通讯组件3用于将参数信息初步处理后传输至AI运算处理平台4；AI运算处理平台4用于根据参数信息得到加油站的运行状态参数，AI运算处理平台4用于将状态参数与预设数据进行对比，AI运算处理平台4还用于根据状态参数和预设数据绘制显示图形并用于显示显示图形，并根据最终的图形和数据对比，进行分级报警。
可以理解的是，视频监控模块1用于监测加油站关键区域的人员行为参数信息，传感器组2用于监测加油站关键区域的环境参数信息，以上参数信息能够反映加油站的安全状态。高速运算通讯组件3用于将视频监控模块1、传感器组2和AI运算处理平台4通信连接，以将通过视频监控模块1和传感器组件2监测到的加油站关键区域的参数信息初步处理后传输至AI运算处理平台4。AI运算处理平台4在接受到加油站关键区域的参数信息后，对该参数信息进行分析得到状态参数。状态参数可以使参数信息建模得到，也可以为参数信息本身。此处，通过将参数信息与预设数据进行对比，并将状态参数和预设数据图形化地显示，以直观的展现状态参数与预设参数之间的差异。本实施例提供的基于人工智能的加油站关键区域及人员安全隐患监测预警系统0能够对待检测区域进行实时监测，提前预报可能的灾害，以减轻事故的危害。
需要说明的是，状态参数可以是参数信息建模得到，也可以为参数信息本身。比如将参数信息作为数学模型的输入参数，将状态参数作为该数学模型的输出结果。当然，也可以直接将参数信息作为状态参数。
同时，也需要说明的是，可选地，在将状态参数和预设数据通过图形化地显示时，横坐标可以为时间信息，纵坐标可以为状态参数或预设参数的值。此外，状态参数和预设参数也可以采用不同的标记形式或者不同的线型或颜色，以示区别。
请参阅图2，可选地，视频监控模快1包括第一视频监控5、第二视频监控6和第三视频监控7，第一视频监控5、第二视频监控6和第三视频监控7为相同的视频监控，且均与高速运算通讯组件3通信连接并均设置于加油站关键区域；第一视频监控5、第二视频监控6和第三视频监控7用于获取加油站关键区域的第一信息并通过高速运算通讯组件3将第四信息传输至AI超算处理平台4，AI超算处理平台4还用于根据第四信息得到状态参数，AI超算处理平台4还用于根据第四信息绘制显示部分图形。
所述第一视频监控、第二视频监控和第三视频监控用于获取所述第四信息并通过所述高速运算通讯组件将所述第四信息传输至所述AI运算处理平台。
请参阅图3，可选地，传感器组2包括第一传感器8、第二传感器9和第三传感器10，第一传感器8、第二传感器9和第三传感器10为不同的传感器，且第一传感器8、第二传感器9和第三传感器10均与高速运算通讯组件3通信连接并均设置于加油站关键区域；第一传感器8用于获取加油站关键区域的第一信息并通过高速运算通讯组件3将第一信息传输至AI超算处理平台4；第二传感器9用于获取加油站关键区域的第二信息并通过高速运算通讯组件3将第二信息传输至AI超算处理平台4；第三传感器10用于获取加油站关键区域的第三信息并通过高速运算通讯组件3将第三信息传输至AI超算处理平台4；AI超算处理平台4还用于根据第一信息、第二信息和第三信息得到状态信息，AI超算处理平台4还用于根据第一信息、第二信息和第三信息绘制显示部分图形。
需要说明的是，上述第一传感器8、第二传感器9和第三传感器10为不同的传感器，也就是说，上述第一信息、第二信息和第三信息分别从不同维度表征加油站关键区域的工作状态以便从不同维度监测加油站关键区域的工作状态，做到更好的监测效果。
进一步地，第一传感器8为温度传感器，温度传感器设置于加油站关键区域并用于检测加油站关键区域的温度变化，且第一信息用于表征加油站关键区域的温度变化，温度传感器与高速运算通讯组件3通信连接。
进一步地，第二出传感器9为气体浓度传感器，气体浓度传感器设置于加油站关键区域并用于检测加油站关键区域的气体浓度信息，且第二信息用于表征加油站关键区域的气体浓度信息，气体浓度传感器与高速运算通讯组件3通讯连接。
进一步地，第三传感器10为设备运行状态传感器，设备运行状态传感器设置于加油站关键区域并用于检测加油站关键区域的设备运行状态，且第三信息用于表征设备运行状态，设备运行状态传感器与高速运算通讯组件3通信连接。
本实施例一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统0，用于监测加油站的安全状态，基于人工智能的加油站关键区域及人员安全隐患监测预警系统包括视频监控模块1、传感器组2、高速运算通讯组件3和AI运算处理平台4，视频监控模块1和传感器组2通过高速运算通讯组件3与AI运算处理平台4通信连接；
视频模块1包括均设置于加油站关键区域的视频监控组件，视频监控组件用于收集加油站关键区域的人员行为参数、危险动作参数；
传感器组2包括均设置于加油站关键区域和加油站关键区域设备的温度传感器、气体浓度传感器和设备运行状态传感器，温度传感器用于检测加油站关键区域的温度信息，气体浓度传感器用于检测加油站关键区域的气体浓度信息，设备运行状态传感器用于检测加油站关键区域设备的运行信息；
高速运算通讯组件3用于将温度信息、气体浓度信息和设备运行状态信息传输至AI运算处理平台4；
AI超算处理平台4用于根据温度参数、气体浓度参数、设备运行状态参数、人员行为判定参数、危险系数参数得到加油站关键区域的状态参数，AI运算处理平台4还用于将状态参数与预设数据进行对比，AI运算处理平台4还用于根据状态参数和预设数据绘制显示图形并用于显示显示图形，并根据最终的图形与数据，分级报警。
视频监控模块用于监测人员行为和危险动作信息，传感器组用于监测温度参数、气体浓度参数、设备运行状态参数，该视频信息和参数信息能够反映加油站的工作运行状态。高速运算通讯组件用于将视频监控模块、传感器组与AI运算处理平台进行通讯连接，以将通过视频监控模块和传感器组监测的视频信息和参数信息传输至AI运算处理平台。AI运算处理平台在接收到加油站的视频信息和参数信息后，对该视频信息和参数信息进行分析得到状态参数。状态参数可以是参数信心建模得到的，也可以为参数信息本身。此处，通过将参数信息和预设数据进行对比，并将状态参数和预设数据图形化地显示，以直观地展现状态参数与预设数据之间的差异。本发明提供的基于人工智能的加油站关键区域及人员安全隐患监测预警系统能够对加油站进行实时的监测，提前发现安全隐患，进而减轻可能事故发生带来的危害。
所述AI超算处理平台4采用深度学习模型，对预先构建的初始深度学习模型进行训练，得到中间深度学习模型；其中，所述初始深度学习模型为：加载有分类目标函数的深度学习模型；
利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间参数的初始值；
将中心点距离目标函数添加到中间深度学习模型中并加载所述中间参数的初始值，得到目标深度学习模型；
导入训练样本集中的预设数量个样本作为批次数据；
利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；
基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；
如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量个样本作为批次数据的步骤；
如果是，结束对当前目标深度学习模型的训练。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统，其特征在于，包括视频监控模块、传感器组、高速运算通讯组件和AI运算处理平台；
所述视频监控模块用于获取车辆号牌信息以及人员走动进入的各种敏感区域的图像信息；
所述传感器组用于获取设备的运行状态以及温度参数信息；
所述高速运算通讯组件用于将所述图像信息以及所述参数信息初步处理后传输至所述AI运算处理平台；
所述AI运算处理平台预先存储预警模式，包括：
由AI运算处理平台记录并训练数据模型，包括人员行为判定参数、危险系数参数，以及相关加油站作业事故的事故报告，分析事故报告和相关事故报告中的事故原因，对数据模型进行深度模型训练；
结合视频监控模块和传感器组所采集的视频、参数数据，对每个视频监控和传感器所采集的视频、参数数据进行实时监控，对可能存在的安全隐患进行预警和报告；
在做出了安全隐患判定之后，对存在安全隐患的区域进行立即整改处理，并分级汇报，检测其他关键区域，全面消除安全事故隐患。
2.根据权利要求1所述的基于人工智能的加油站关键区域及人员安全隐患监测预警系统，其特征在于，所述视频监控模块包括第一视频监控、第二视频监控和第三视频监控，所述第一视频监控、所述第二视频监控和所述第三视频监控为相同的视频监控，且均与所述高速运算通讯组件连接；
所述视频监控模块将用于监控车辆号牌信息、车辆驶入驶出、人员行为等视频画面；
所述视频监控模块与所述高速运算通讯组件进行通讯连接。
3.根据权利要求1所述的基于人工智能的加油站关键区域及人员安全隐患监测预警系统，其特征在于，所述传感器组包括第一传感器、第二传感器和第三传感器，所述第一传感器、所述第二传感器和所述第三传感器为不同的传感器，且所述第一传感器、所述第二传感器和所述第三传感器均与所述高速运算通讯组件通信连接并均设置有参考参数；
所述第一传感器为温度传感器，所述温度传感器用于检测关键区域的温度变化，所述温度传感器与所述高速运算通讯组件通信连接。
4.根据权利要求3所述的基于人工智能的加油站关键区域及人员安全隐患监测预警系统，其特征在于，所述第二传感器为气体浓度传感器，所述气体浓度传感器与所述高速运算通讯组件通信连接。
5.根据权利要求3所述的基于人工智能的加油站关键区域及人员安全隐患监测预警系统，其特征在于，所述第三传感器为设备运行状态传感器，所述设备运行状态传感器与所述高速运算通讯组件通信连接。
6.根据权利要求1所述的基于人工智能的加油站关键区域及人员安全隐患监测预警系统，其特征在于，所述数据模型的预存储包括对加油站的数据判定，对于加油站四个功能区域：加油区、储油罐区、进出车行道和停车场地，及辅助作业区进行全面视频监控和高密度传感器布设，所监测的数据包括人员行为、温度、气体浓度和设备运行状态数据，并且分析以往事故报告中的情况进行分析，结合其引起事故的人员行为、温度、气体浓度和设备运行状态数据，制定同等级别的人员行为、温度、气体浓度和设备运行状态监控，对于接近和超出其范围的监测点进行高危报警，并记录该数据信息，通过训练模型反复训练不同的现有的事故报告，根据现有事故报告得出所需要的事故预警模型。
7.一种权利要求1至6任一项所述的基于人工智能的加油站关键区域及人员安全隐患监测预警系统实现加油站关键区域及人员安全隐患监测预警的方法，其特征在于，包括步骤：
所述的AI运算处理平台采用神经网络的深度学习模型，对预先构建的初始深度学习模型进行训练，得到中间深度学习模型；
其中，所述初始深度学习模型为：加载有分类目标函数的深度学习模型；
利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间数据的初始值；
将中心点距离目标函数添加到中间深度学习模型中并加载所述中间数据的初始值，得到目标深度学习模型；
导入训练样本集中的预设数量的样本作为批次数据；
利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；
基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；
如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量的样本作为批次数据的步骤；
如果是，结束对当前目标深度学习模型的训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011147335.8A CN112258042A (zh) | 2020-10-23 | 2020-10-23 | 一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011147335.8A CN112258042A (zh) | 2020-10-23 | 2020-10-23 | 一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112258042A true CN112258042A (zh) | 2021-01-22 |
Family
ID=74263202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011147335.8A Pending CN112258042A (zh) | 2020-10-23 | 2020-10-23 | 一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112258042A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570840A (zh) * | 2021-06-22 | 2021-10-29 | 东莞市绿灯网络科技有限公司 | 基于计算机视觉的加油站危险事故预警方法、装置及设备 |
| CN114065619A (zh) * | 2021-11-11 | 2022-02-18 | 北京石油化工学院 | 加油站危险预警方法及装置 |
Citations (7)
| 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 |
| CN106744628A (zh) * | 2017-03-06 | 2017-05-31 | 桐乡匹昂电子科技有限公司 | 一种加油站控制系统 |
| CN107991959A (zh) * | 2017-12-11 | 2018-05-04 | 江苏卓尔美物联科技股份有限公司 | 一种基于物联网的加油站和cng加气站安全监管系统 |
| CN108734193A (zh) * | 2018-03-27 | 2018-11-02 | 合肥麟图信息科技有限公司 | 一种深度学习模型的训练方法及装置 |
| CN109254541A (zh) * | 2018-11-29 | 2019-01-22 | 成都油管家科技有限公司 | 一种加油站数据实时统计系统 |
| CN110132352A (zh) * | 2019-05-14 | 2019-08-16 | 上海荷福人工智能科技（集团）有限公司 | 基于人工智能和多传感器的监测装置 |
| CN110493566A (zh) * | 2019-08-05 | 2019-11-22 | 成都油管家科技有限公司 | 一种基于视频分析加油站安全识别系统 |
-
2020
- 2020-10-23 CN CN202011147335.8A patent/CN112258042A/zh active Pending
Patent Citations (7)
| 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 |
| CN106744628A (zh) * | 2017-03-06 | 2017-05-31 | 桐乡匹昂电子科技有限公司 | 一种加油站控制系统 |
| CN107991959A (zh) * | 2017-12-11 | 2018-05-04 | 江苏卓尔美物联科技股份有限公司 | 一种基于物联网的加油站和cng加气站安全监管系统 |
| CN108734193A (zh) * | 2018-03-27 | 2018-11-02 | 合肥麟图信息科技有限公司 | 一种深度学习模型的训练方法及装置 |
| CN109254541A (zh) * | 2018-11-29 | 2019-01-22 | 成都油管家科技有限公司 | 一种加油站数据实时统计系统 |
| CN110132352A (zh) * | 2019-05-14 | 2019-08-16 | 上海荷福人工智能科技（集团）有限公司 | 基于人工智能和多传感器的监测装置 |
| CN110493566A (zh) * | 2019-08-05 | 2019-11-22 | 成都油管家科技有限公司 | 一种基于视频分析加油站安全识别系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570840A (zh) * | 2021-06-22 | 2021-10-29 | 东莞市绿灯网络科技有限公司 | 基于计算机视觉的加油站危险事故预警方法、装置及设备 |
| CN114065619A (zh) * | 2021-11-11 | 2022-02-18 | 北京石油化工学院 | 加油站危险预警方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109686061B (zh) | 基于gis与bim的桥梁监测辅助决策系统 | |
| CN111552216A (zh) | 基于5g的施工现场智慧监管系统 | |
| CN114894411B (zh) | 一种基于无线传感器网络的桥梁健康监测方法及系统 | |
| CN112180854A (zh) | 一种基于物联网的化工企业安全生产管理系统 | |
| CN110620906A (zh) | 一种基于物联网的电力施工安全管理系统 | |
| CN104852992A (zh) | 一种基于多通信网络与传感设备的安全应急在线智能系统 | |
| CN114419837B (zh) | 一种安全生产预警系统及其预警方法 | |
| CN109799799A (zh) | 化工园区大数据分析平台 | |
| CN211877114U (zh) | 基于5g的施工现场监管系统 | |
| CN111178828A (zh) | 一种建筑消防安全预警的方法和系统 | |
| CN116862244B (zh) | 一种工业现场视觉ai分析与安全预警系统和方法 | |
| CN109118039B (zh) | 一种面向内河水域船舶自沉重要风险识别与防控装置及方法 | |
| JP6449401B1 (ja) | 点呼・点検支援装置、点呼・点検支援システム及び点呼・点検支援プログラム | |
| CN117132114A (zh) | 一种企业内部风险管理预警器系统 | |
| CN116966468A (zh) | 智慧消防设备监管系统 | |
| CN112052794A (zh) | 一种物联网智慧实训室安全管理方法及装置 | |
| CN112258042A (zh) | 一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法 | |
| CN111882141A (zh) | 一种应用于高能炸药制备系统的安全管控系统 | |
| CN118255227A (zh) | 一种基于传感器数据采集与ai算法电梯状态预警系统 | |
| CN116664343A (zh) | 一种基于智慧工地数字模型的系统及方法 | |
| CN116911610A (zh) | 运输车辆驾驶安全风险监控及评估预警的方法和系统 | |
| CN113935571A (zh) | 一种加油站安全风险评估分级方法及系统 | |
| CN114841483A (zh) | 一种物流货运车辆的安全监控方法及系统 | |
| CN114312919B (zh) | 一种北斗高精度铁路线上人员与调车作业安全防护方法 | |
| CN113869758A (zh) | 智慧两票管理及作业现场风险预警系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210122 |