CN113469156B - 基于人工智能的安全风险预警评估方法、装置及设备 - Google Patents
基于人工智能的安全风险预警评估方法、装置及设备 Download PDFInfo
- Publication number
- CN113469156B CN113469156B CN202111033905.5A CN202111033905A CN113469156B CN 113469156 B CN113469156 B CN 113469156B CN 202111033905 A CN202111033905 A CN 202111033905A CN 113469156 B CN113469156 B CN 113469156B
- Authority
- CN
- China
- Prior art keywords
- area
- spark
- points
- point
- region
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 78
- 230000000391 smoking effect Effects 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000009825 accumulation Methods 0.000 claims abstract description 17
- 230000003287 optical effect Effects 0.000 claims abstract description 17
- 238000011002 quantification Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004544 sputter deposition Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的安全风险预警评估方法、装置及设备。该方法获取行人通道内的货物堆积风险量化指标；获取行人通道的区域图像中的人员关键点和烟头关键点，根据人员关键点的光流信息筛选逗留人员；基于逗留人员吸烟产生的火星点，结合火星点的分布密度、火星点分布区域与堆积货物区域的第一交集区域、火星点的像素值均值得到火星点的危险评价指标；根据烟头落点的危险区域得到与堆积货物区域的第二交集区域，结合危险评价指标和第二交集区域得到吸烟风险量化指标；结合货物堆积风险量化指标和吸烟风险量化指标得到安全风险指标。基于火星点分布准确预估安全风险程度，以及时采取措施避免严重事故发生。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的安全风险预警评估方法、装置及设备。
背景技术
企业消防安全隐患一直以来都是备受重视的。近年来，由于火灾事故对企业、家庭和个人都造成了巨大的危害和经济损失，所以消防安全隐患是必须要重视的问题。
目前，本领域的技术人员通过检测企业的行人通道内是否存在障碍物或堆积物、以及行人通道内的消防栓箱处于正常状态，进而预估安全风险指标。
发明人在实践中，发现上述现有技术存在以下缺陷：行人通道内的堆积物很容易因为人员吸烟引起火灾事故，因此，如何根据人员在堆积物周围吸烟的情况下进行安全风险预警评估是目前亟待解决的问题。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的安全风险预警评估方法、装置及设备，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于人工智能的安全风险预警评估方法，该方法包括以下具体步骤：
采集行人通道内的区域图像；
检测所述区域图像中堆积货物区域，基于所述堆积货物区域得到该堆积货物的堆积量，根据所述堆积量得到所述堆积货物的货物堆积风险量化指标；
对所述区域图像进行关键点检测得到人员关键点和烟头关键点，获取所述人员关键点的光流信息；根据所述光流信息筛选得到所述行人通道内的逗留人员；所述人员关键点包括手部关键点；
对所述区域图像进行火星点检测以获取所述区域图像中所述火星点的分布密度和火星点分布区域；根据所述火星点分布区域和所述堆积货物区域的第一类交集区域、所述分布密度和所述火星点的像素值均值得到所述火星点的危险评价指标；由所述烟头关键点和所述逗留人员的所述手部关键点之间的距离确认烟头落地时，根据所述烟头关键点得到烟头落点对应的危险区域，以获取所述危险区域与所述堆积货物区域的第二类交集区域，进而根据所述危险评价指标和所述第二类交集区域得到吸烟风险量化指标；
结合所述货物堆积风险量化指标和所述吸烟风险量化指标得到安全风险指标。
进一步地，所述烟头关键点和所述逗留人员的所述手部关键点之间的距离确认烟头落地的方法，包括：
当所述烟头关键点和所述手部关键点之间的距离大于距离阈值时，确定所述烟头落地。
进一步地，所述分布密度的获取方法，包括：
当所述烟头关键点的位置保持不变时，根据检测到的火星点数量和对应所述火星点分布区域的第一面积得到第一分布密度；
当所述烟头关键点的位置不断发生变化时，对所述火星点进行密度聚类得到有效火星点，根据所述有效火星点数量和有效火星点分布区域的第二面积得到第二分布密度。
进一步地，所述第一类交集区域的获取方法，包括：
当所述烟头关键点的位置保持不变时，获取所述第一面积与所述堆积货物区域之间的第一交集区域；
当所述烟头关键点的位置不断发生变化时，获取所述第二面积与所述堆积货物区域之间的第二交集区域。
进一步地，所述第一分布密度的优化方法，包括：
根据所述第一面积和所述堆积货物区域得到第一交集区域，获取所述第一交集区域内所述火星点的数量，根据所述数量和所述第一交集区域的面积得到所述第一分布密度。
进一步地，所述根据所述火星点分布区域和所述堆积货物区域的第一类交集区域、所述分布密度和所述火星点的像素值均值得到所述火星点的危险评价指标，包括：
根据多帧所述区域图像对应的所述第一类交集区域、所述分布密度和所述像素值均值得到所述火星点的危险评价指标。
进一步地，对多帧所述区域图像的筛选方法，包括：
当所述像素值均值大于像素阈值时，保留该所述像素值均值对应的所述区域图像。
进一步地，所述根据所述烟头关键点得到烟头落点对应的危险区域的方法，包括：
检测所述烟头落点对应的所述火星点以得到溅射长度，以所述烟头关键点为圆心、所述溅射长度为半径进行画圆得到所述危险区域。
第二方面，本发明另一个实施例提供了一种基于人工智能的安全风险预警评估装置，该装置包括：
图像采集单元，用于采集行人通道内的区域图像；
货物检测单元，用于检测所述区域图像中堆积货物区域，基于所述堆积货物区域得到该堆积货物的堆积量，根据所述堆积量得到所述堆积货物的货物堆积风险量化指标；
人员检测单元，用于对所述区域图像进行关键点检测得到人员关键点和烟头关键点，获取所述人员关键点的光流信息；根据所述光流信息筛选得到所述行人通道内的逗留人员；所述人员关键点包括手部关键点；
吸烟危险预测单元，用于对所述区域图像进行火星点检测以获取所述区域图像中所述火星点的分布密度和火星点分布区域；根据所述火星点分布区域和所述堆积货物区域的第一类交集区域、所述分布密度和所述火星点的像素值均值得到所述火星点的危险评价指标；由所述烟头关键点和所述逗留人员的所述手部关键点之间的距离确认烟头落地时，根据所述烟头关键点得到烟头落点对应的危险区域，以获取所述危险区域与所述堆积货物区域的第二类交集区域，进而根据所述危险评价指标和所述第二类交集区域得到吸烟风险量化指标；
安全风险获取单元，用于结合所述货物堆积风险量化指标和所述吸烟风险量化指标得到安全风险指标。
进一步地，一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明实施例至少存在以下有益效果：基于吸烟过程和烟头落地产生的火星点，根据火星点与堆积货物的交集区域、火星点的分布来预测吸烟风险量化指标，进而结合行人通道内堆积货物的风险量化指标和吸烟风险量化指标来评估安全风险指标，能够准确预估安全风险程度，进而及时采取措施避免严重事故发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的安全风险预警评估方法的步骤流程图；
图2为本发明另一个实施例所提供的一种基于人工智能的安全风险预警评估装置的结构框图；
图3为本发明实施例所提供的一种电子设备的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的安全风险预警评估方法、装置及设备，其具体实施方式、结构、特征及其作用，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的安全风险预警评估方法、装置及设备的具体方案。
参照附图1，本发明实施例提供了一种基于人工智能的安全风险预警评估方法，该方法包括以下具体步骤：
步骤S001，采集行人通道内的区域图像。
具体的，由于行人通道内通常会设置声控感应灯，当行人通道内有人员经过或者有人员聚集的情况下，声控感应灯会开启，为监控摄像头提供较好的照明条件，进而获取声控感应灯启动后监控摄像头采集的区域图像。这样一方面达到了能源节约的目的，另一方面减少了不必要的图像存储，提高图像存储周期。
需要说明的是，为了方便图像查找分析，将行人通道所在楼层作为图像标签，在分析过程中根据图像标签对分析结果进行区分。
进一步地，为了提高图像质量，方便后续能够准确的进行特征检测，排除噪点信息的干扰，本发明实施例在采集到区域图像后，对区域图像进行图像预处理，图像预处理包括图像去噪，图像校正。
优选的，本发明实施例中图像去噪采用中值滤波去噪，能够较好地去除图像传感器和图像传输解码过程中产生的椒盐噪声。
优选的，本发明实施例中图像校正采用gamma校正，能够增加图像之间的对比度。
步骤S002，检测区域图像中堆积货物区域，基于堆积货物区域得到该堆积货物的堆积量，根据堆积量得到堆积货物的货物堆积风险量化指标。
具体的，本发明实施例通过对区域图像采用语义分割技术来检测行人通道内的堆积货物。
优选的，本发明实施例采用编码器-解码器结构的语义分割网络进行堆积货物的检测。
语义分割网络的具体训练过程为：
1）将采集到的区域图像进行图像标注，堆积货物区域的像素标注为1，行人通道区域的像素标注为2，其他区域的像素标注为0。且堆积货物区域的像素点根据边缘检测算法得到堆积货物的边缘，边缘内部的像素点进行自学习标注。
2）将图像数据和标签数据输入语义分割网络中，图像编码器（Encoder）进行下采样，提取图像特征，并将通道数变换为类别个数；然后通过图像解码器（Decoder）进行上采样得到分割后的分割图像。
3）损失函数使用交叉熵损失函数进行训练。
统计堆积货物区域的像素点以得到堆积货物区域的面积
；统计行人通道区域的像素点以得到行人通道区域的面积
，获取堆积货物区域的面积
与行人通道区域的面积
之间的比值
，进而将比值
作为货物堆积风险量化指标。
步骤S003，对区域图像进行关键点检测得到人员关键点和烟头关键点，获取人员关键点的光流信息；根据光流信息筛选得到行人通道内的逗留人员；人员关键点包括手部关键点。
具体的，利用编码器-解码器结构的关键点检测网络对区域图像进行关键点检测，以得到人员关键点和烟头关键点，其中，关键点检测网络的训练过程为：
1）编码器（Encoder）对输入的区域图像进行下采样操作得到特征图，解码器（Decoder）对特征图进行上采样得到关键点热图（Heatmap），在关键点热图中包含所有关键点信息。
2）通过对人员关键点和烟头关键点的像素进行标记，利用高斯卷积核在关键点位置处进行卷积操作得到高斯热斑。
3）为了提高训练速度，将训练集图像和标签数据进行Shuffle和归一化处理。
4）关键点检测网络训练过程采用交叉熵损失函数。
需要说明的是，本发明实施例中人员关键点包括手部关键点和脚步关键点
进一步地，通过稀疏光流法获取连续多帧区域图像中人员的脚部关键点的光流信息，通过光流信息判断该人员是行人通道内的逗留人员还是通过行人通道的人员。
步骤S004，对区域图像进行火星点检测以获取区域图像中火星点的分布密度和火星点分布区域；根据火星点分布区域和堆积货物区域的第一类交集区域、分布密度和火星点的像素值得到火星点的危险评价指标；由烟头关键点和逗留人员的手部关键点之间的距离确认烟头落地时，根据烟头关键点得到烟头落点对应的危险区域，以获取危险区域与堆积货物区域的第二类交集区域，进而根据危险评价指标和第二类交集区域得到吸烟风险量化指标。
具体的，基于筛选后的逗留人员，计算烟头关键点和手部关键点之间的距离，当烟头关键点和手部关键点之间的距离大于距离阈值时，确认烟头落地；且当烟头关键点和手部关键点之间的距离小于或等于距离阈值时，认为逗留人员正在吸烟。
在逗留人员的吸烟过程中，产生的火星点会引起行人通道上的堆积货物出现火灾事故，因此，本发明实施例对区域图像进行火星点检测以获取区域图像中火星点的分布密度和火星点分布区域；根据多帧区域图像对应的第一类交集区域、分布密度和像素值均值得到火星点的危险评价指标。
火星点的掉落分两种情况，第一种情况为当逗留人员的吸烟位置不变时，即烟头关键点的位置保持不变时，产生的火星点的离散度很小，使得安全风险增大；第二种情况为当逗留人员的吸烟位置不断变化时，即烟头关键点的位置不断发生变化时，产生的火星点的离散度很大，引起的安全风险较小。
将RGB图像进行HSI颜色空间转换，其中，H代表色调，S代表饱和度，I代表亮度。
具体的转换过程如下：
1）将RGB图像中的三通道的数值归一化为[0,1]范围内。
2） 
其中，R、G、B分别表示各通道的像素值。
由于色调
且亮度值
范围内的像素点为火星点，因此，当烟头关键点的位置保持不变时，基于火星点的像素值检测区域图像中的火星点，即
其中，
为第
个像素点的像素值；
为第
个像素点的色调；
为第
个像素点的亮度。
设定像素阈值
，当像素值
时认为该像素点即为火星点的像素。
需要说明的是，本发明实施例中像素阈值
。
基于检测到的火星点利用连通域分析方法得到区域图像中火星点分布区域，根据连通域的大小得到火星点分布区域的第一面积，进而根据火星点数量和第一面积得到第一分布密度
为：
，其中，
表示火星点对应的像素点数量；
表示第一面积，进而能够获取第一面积与堆积货物区域之间的第一交集区域
。
基于火星点的像素值计算火星点分布区域内所有火星点的第一像素值均值，即
其中，
为第一像素值均值；
为第
个火星点的像素值；
为火星点分布区域内火星点对应的像素点数量。
考虑到与堆积货物区域存在交集的区域内的火星点是增大安全风险的主要影响因素，因此本发明实施例根据第一像素值均值对烟头关键点的位置保持不变的时间段内采集的多帧区域图像进行筛选，筛选方法为：设置像素阈值，当第一像素值均值大于像素阈值时，保留该第一像素值均值对应的区域图像。
根据筛选后的多帧区域图像对应的第一分布密度、第一交集区域和第一像素值均值得到第一危险指标
，即：
其中，
为第
帧区域图像对应的第一分布密度；
为第
帧区域图像对应的第一交集区域；
为第
帧区域图像对应的第一像素值均值；
为区域图像的帧数。
优选的，本发明实施例中第一分布密度的获取方法为：获取第一交集区域内火星点的数量，根据数量和第一交集区域的面积得到第一分布密度。
进一步地，当烟头关键点的位置不断发生变化时，此时火星点在动态过程中的分布是离散的，此时火星点的分布密度计算方法为：对离散火星点的火星点分布区域进行密度聚类，基于堆积货物区域的长度
设定火星点的聚类半径
，即
。进而为了加快算法收敛速度，选取为堆积货物区域上方所处中心位置的火星点为初始聚类中心，结合聚类半径得到有效火星点。将其他火星点视为孤立点，认为该火星点几乎不在堆积货物区域上方，暂不考虑其对堆积货物区域的影响。
对聚类后的火星点簇的最外围有效火星点进行连通域分析得到有效火星点分布区域，根据连通域的大小得到有效火星点分布区域的第二面积，根据有效火星点数量和第二面积得到第二分布密度：
，其中，
表示有效火星点数量，
表示有效火星点分布区域的第二面积，进而能够获取第二面积与堆积货物区域之间的第二交集区域
。
基于火星点的像素值计算有效火星点分布区域内所有有效火星点的第二像素值均值，即 
其中，
为第二像素值均值；
为第
个有效火星点的像素值；
为有效火星点分布区域内的有效火星点数量。
相同的，在烟头关键点的位置发生不断变化的时间段，利用相同的筛选方法对采集的多帧区域图像进行筛选，进而根据筛选后的多帧区域图像对应的第二分布密度、第二交集区域和第二像素值均值得到第二危险指标
： 
其中，
为第
帧区域图像对应的第二分布密度；
为第
帧区域图像对应的第二交集区域；
为第
帧区域图像对应的第二像素值均值。
结合逗留人员在吸烟过程中由火星点分布得到的第一危险指标和第二危险指标得到火星点的危险评价指标，即：
其中，
为危险评价指标。
进一步地，考虑到烟头落地产生的火星点也会容易引起火灾发生，因此，根据烟头关键点和手部关键点之间的距离确认烟头落地时，对区域图像检测以确认烟头落点，根据烟头关键点得到烟头落点对应的危险区域，进而获取危险区域与堆积货物区域的第二类交集区域。
具体的，确认烟头落点时，检测烟头落点对应的火星点以得到溅射长度，所述溅射长度是指烟头落地时距离烟头最远的散落火星点与烟头之间的长度，以烟头关键点为圆心、溅射长度为半径进行画圆得到危险区域。根据危险区域和堆积货物区域得到第二类交集区域
。
进一步地，结合火星点的危险评价指标和烟头落点对应的第二类交集区域获取逗留人员的吸烟风险量化指标
，即： 
其中，
为危险评价指标的权重系数；
为第二类交集区域的权重系数。
优选的，本发明实施例中
。
步骤S005，结合货物堆积风险量化指标和吸烟风险量化指标得到安全风险指标。
具体的，考虑到行人通道内堆积的货物以及吸烟人员产生的火星点会引起火灾的风险，因此本发明实施例结合货物堆积风险量化指标和吸烟风险量化指标来获取安全风险指标
，即：
其中，
为货物堆积风险量化指标的权重系数；
为吸烟风险量化指标的权重系数。
优选的，本发明实施例中
，
。
设定风险预警阈值
，当安全风险指标
风险预警阈值
时，需要进行风险预警，则提醒相关工作人员对该行人通道情况进行特别关注且及时处理。同时也要对吸烟人员进行相关约束和教育，防止火灾事故发生。
综上所述，本发明实施例提供了一种基于人工智能的安全风险预警评估方法，该方法通过检测行人通道内的堆积货物得到货物堆积风险量化指标；对行人通道内的区域图像进行关键点检测得到烟头关键点和人员关键点，根据人员关键点的光流信息筛选逗留人员；在逗留人员吸烟过程中，根据产生的火星点获取火星点的分布密度和火星点分布区域，同时获取火星点分布区域与堆积货物区域之间的第一类交集区域，进而结合多帧区域图像对应的分布密度、火星点分布区域的面积以及第一交集区域得到火星点的危险评价指标；检测烟头落地产生的火星点对应的危险区域，获取危险区域与堆积货物区域的第二类交集区域，结合危险评价指标和第二类交集区域获取吸烟风险量化指标；结合货物堆积风险量化指标和吸烟风险量化指标得到安全风险指标。基于火星点分布准确预估安全风险程度，进而及时采取措施避免严重事故发生。
基于与上述方法相同的发明构思，本发明实施例提供了一种基于基于人工智能的安全风险预警评估装置。
参照附图2，本发明实施例提供了一种基于基于人工智能的安全风险预警评估装置，该装置包括：图像采集单元10、货物检测单元20、人员检测单元30、吸烟危险预测单元40以及安全风险获取单元50。
图像采集单元10用于采集行人通道内的区域图像。
货物检测单元20用于检测区域图像中堆积货物区域，基于堆积货物区域得到该堆积货物的堆积量，根据堆积量得到堆积货物的货物堆积风险量化指标。
人员检测单元30用于对区域图像进行关键点检测得到人员关键点和烟头关键点，获取人员关键点的光流信息；根据光流信息筛选得到行人通道内的逗留人员；人员关键点包括手部关键点。
吸烟危险预测单元40用于对区域图像进行火星点检测以获取区域图像中火星点的分布密度和火星点分布区域；根据火星点分布区域和堆积货物区域的第一类交集区域、分布密度和火星点的像素值均值得到火星点的危险评价指标；由烟头关键点和手部关键点之间的距离确认烟头落地时，根据烟头关键点得到烟头落点对应的危险区域，以获取危险区域与堆积货物区域的第二类交集区域，进而根据危险评价指标和第二类交集区域得到吸烟风险量化指标。
安全风险获取单元50用于结合货物堆积风险量化指标和吸烟风险量化指标得到安全风险指标。
进一步地，请参阅附图3，其示出了本发明实施例提供的一种电子设备的示意图。该实施例中的该电子设备包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的安全风险预警评估方法实施例中的步骤，例如图1所示的步骤。或者，处理器执行计算机程序时实现上述一种基于人工智能的安全风险预警评估装置实施例中各单元的功能。
示例性的，计算机程序可以被分割成一个或多个单元，其中一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。其中一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
该电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是该电子设备的示例，并不构成对该电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如该电子设备还可以包括输入输出设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU）,还可以是其他通用处理器、数字信号处理器( Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (FieldProgrammable Gate Array,FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，该处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的安全风险预警评估方法，其特征在于，该方法包括：
采集行人通道内的多帧区域图像；
检测所述区域图像中堆积货物区域，基于所述堆积货物区域得到该堆积货物的堆积量，根据所述堆积量得到所述堆积货物的货物堆积风险量化指标；
对所述区域图像进行关键点检测得到人员关键点和烟头关键点，根据多帧所述区域图像获取所述人员关键点的光流信息；根据所述光流信息筛选得到所述行人通道内的逗留人员；所述人员关键点包括手部关键点；
对所述区域图像进行火星点检测以获取所述区域图像中所述火星点的分布密度和火星点分布区域；根据所述火星点分布区域和所述堆积货物区域的第一类交集区域、所述分布密度和所述火星点的像素值均值得到所述火星点的危险评价指标；由所述烟头关键点和所述逗留人员的所述手部关键点之间的距离确认烟头落地时，根据所述烟头关键点得到烟头落点对应的危险区域，以获取所述危险区域与所述堆积货物区域的第二类交集区域，进而根据所述危险评价指标和所述第二类交集区域得到吸烟风险量化指标；
结合所述货物堆积风险量化指标和所述吸烟风险量化指标得到安全风险指标。
2.如权利要求1所述的方法，其特征在于，所述烟头关键点和所述逗留人员的所述手部关键点之间的距离确认烟头落地的方法，包括：
当所述烟头关键点和所述手部关键点之间的距离大于距离阈值时，确定所述烟头落地。
3.如权利要求1所述的方法，其特征在于，所述分布密度的获取方法，包括：
当所述烟头关键点的位置保持不变时，根据检测到的火星点数量和对应所述火星点分布区域的第一面积得到第一分布密度；
当所述烟头关键点的位置不断发生变化时，对所述火星点进行密度聚类得到有效火星点，根据所述有效火星点数量和有效火星点分布区域的第二面积得到第二分布密度。
4.如权利要求3所述的方法，其特征在于，所述第一类交集区域的获取方法，包括：
当所述烟头关键点的位置保持不变时，获取所述第一面积与所述堆积货物区域之间的第一交集区域；
当所述烟头关键点的位置不断发生变化时，获取所述第二面积与所述堆积货物区域之间的第二交集区域。
5.如权利要求3所述的方法，其特征在于，所述第一分布密度的优化方法，包括：
根据所述第一面积和所述堆积货物区域得到第一交集区域，获取所述第一交集区域内所述火星点的数量，根据所述数量和所述第一交集区域的面积得到所述第一分布密度。
6.如权利要求1所述的方法，其特征在于，所述根据所述火星点分布区域和所述堆积货物区域的第一类交集区域、所述分布密度和所述火星点的像素值均值得到所述火星点的危险评价指标，包括：
根据多帧所述区域图像对应的所述第一类交集区域、所述分布密度和所述像素值均值得到所述火星点的危险评价指标。
7.如权利要求6所述方法，其特征在于，对多帧所述区域图像的筛选方法，包括：
当所述像素值均值大于像素阈值时，保留该所述像素值均值对应的所述区域图像。
8.如权利要求1所述的方法，其特征在于，所述根据所述烟头关键点得到烟头落点对应的危险区域的方法，包括：
检测所述烟头落点对应的所述火星点以得到溅射长度，以所述烟头关键点为圆心、所述溅射长度为半径进行画圆得到所述危险区域。
9.一种基于人工智能的安全风险预警评估装置，其特征在于，该装置包括：
图像采集单元，用于采集行人通道内的多帧区域图像；
货物检测单元，用于检测所述区域图像中堆积货物区域，基于所述堆积货物区域得到该堆积货物的堆积量，根据所述堆积量得到所述堆积货物的货物堆积风险量化指标；
人员检测单元，用于对所述区域图像进行关键点检测得到人员关键点和烟头关键点，根据多帧所述区域图像获取所述人员关键点的光流信息；根据所述光流信息筛选得到所述行人通道内的逗留人员；所述人员关键点包括手部关键点；
吸烟危险预测单元，用于对所述区域图像进行火星点检测以获取所述区域图像中所述火星点的分布密度和火星点分布区域；根据所述火星点分布区域和所述堆积货物区域的第一类交集区域、所述分布密度和所述火星点的像素值均值得到所述火星点的危险评价指标；由所述烟头关键点和所述逗留人员的所述手部关键点之间的距离确认烟头落地时，根据所述烟头关键点得到烟头落点对应的危险区域，以获取所述危险区域与所述堆积货物区域的第二类交集区域，进而根据所述危险评价指标和所述第二类交集区域得到吸烟风险量化指标；
安全风险获取单元，用于结合所述货物堆积风险量化指标和所述吸烟风险量化指标得到安全风险指标。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1
8任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111033905.5A CN113469156B (zh) | 2021-09-03 | 2021-09-03 | 基于人工智能的安全风险预警评估方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111033905.5A CN113469156B (zh) | 2021-09-03 | 2021-09-03 | 基于人工智能的安全风险预警评估方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469156A CN113469156A (zh) | 2021-10-01 |
| CN113469156B true CN113469156B (zh) | 2021-11-26 |
Family
ID=77868123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111033905.5A Active CN113469156B (zh) | 2021-09-03 | 2021-09-03 | 基于人工智能的安全风险预警评估方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469156B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399816B (zh) * | 2021-12-28 | 2023-04-07 | 北方工业大学 | 社区火灾风险感知方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376510A (zh) * | 2014-12-05 | 2015-02-25 | 国家电网公司 | 一种输电线路因山火跳闸的风险等级预测评估方法 |
| WO2016126464A1 (en) * | 2015-02-04 | 2016-08-11 | Drucker Max | System and method for applying predictive social scoring to perform focused risk assessment |
| CN106530569A (zh) * | 2016-10-17 | 2017-03-22 | 北京小米移动软件有限公司 | 火患监测的方法及装置 |
| KR20190093894A (ko) * | 2018-02-02 | 2019-08-12 | 동서대학교 산학협력단 | 흡연 감지 및 알림 시스템 구성 방법 |
| CN112287768A (zh) * | 2020-10-09 | 2021-01-29 | 上海东普信息科技有限公司 | 用于物流仓库的抽烟识别方法、装置、设备和存储介质 |
-
2021
- 2021-09-03 CN CN202111033905.5A patent/CN113469156B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376510A (zh) * | 2014-12-05 | 2015-02-25 | 国家电网公司 | 一种输电线路因山火跳闸的风险等级预测评估方法 |
| WO2016126464A1 (en) * | 2015-02-04 | 2016-08-11 | Drucker Max | System and method for applying predictive social scoring to perform focused risk assessment |
| CN106530569A (zh) * | 2016-10-17 | 2017-03-22 | 北京小米移动软件有限公司 | 火患监测的方法及装置 |
| KR20190093894A (ko) * | 2018-02-02 | 2019-08-12 | 동서대학교 산학협력단 | 흡연 감지 및 알림 시스템 구성 방법 |
| CN112287768A (zh) * | 2020-10-09 | 2021-01-29 | 上海东普信息科技有限公司 | 用于物流仓库的抽烟识别方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 吉林省森林火灾火源数据特征分析;尹赛男等;《林业科学》;20180715(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469156A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104834933B (zh) | 一种图像显著性区域的检测方法和装置 | |
| Sun et al. | A novel contrast enhancement forensics based on convolutional neural networks | |
| CN103839085B (zh) | 一种列车车厢异常人群密度的检测方法 | |
| CN110298297B (zh) | 火焰识别方法和装置 | |
| CN109558806A (zh) | 高分遥感图像变化的检测方法和系统 | |
| US20190213449A1 (en) | Image quality assessment using adaptive non-overlapping mean estimation | |
| CN110414417A (zh) | 一种基于多层次融合多尺度预测的交通标志牌识别方法 | |
| CN109934216B (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
| CN109376634A (zh) | 一种基于神经网络的公交司机违规行为检测系统 | |
| WO2023273011A9 (zh) | 高空抛物检测方法和装置、设备，及计算机存储介质 | |
| CN104268528A (zh) | 一种人群聚集区域检测方法和装置 | |
| CN114782311B (zh) | 一种基于CenterNet改进的多尺度缺陷目标检测方法及系统 | |
| CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN112861690A (zh) | 多方法融合的遥感影像变化检测方法及系统 | |
| CN113469156B (zh) | 基于人工智能的安全风险预警评估方法、装置及设备 | |
| Zhao et al. | Automatic blur region segmentation approach using image matting | |
| Panda et al. | A new Wronskian change detection model based codebook background subtraction for visual surveillance applications | |
| CN111145145A (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
| CN118351118A (zh) | 基于深度卷积神经网络的打印机外壳缺陷检测方法及装置 | |
| CN117079197B (zh) | 一种智慧工地管理方法及系统 | |
| CN118134854A (zh) | 一种管道缺陷检测方法及系统 | |
| Qin et al. | Color image denoising by means of three-dimensional discrete fuzzy numbers | |
| CN118015611A (zh) | 基于YOLOv8的蔬菜植株目标检测方法及装置 | |
| CN115700737A (zh) | 一种基于视频监控的溢油检测方法 | |
| CN111368856A (zh) | 一种基于视觉的图书盘点系统的书脊提取方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220310 Address after: 226100 Fuxing Road, Yuet Lai Town, Haimen, Nantong, Jiangsu, 20 Patentee after: NANTONGYOUYUAN ART DESIGN Co.,Ltd. Address before: 226100 No. 700, Shengchang Middle Road, Yuelai Town, Haimen District, Nantong City, Jiangsu Province Patentee before: Nantong Haiteng Copper Co.,Ltd. |