CN117475464A - 一种基于图像识别的钻井溢流人员操作风险监测系统及方法 - Google Patents
一种基于图像识别的钻井溢流人员操作风险监测系统及方法 Download PDFInfo
- Publication number
- CN117475464A CN117475464A CN202210847897.6A CN202210847897A CN117475464A CN 117475464 A CN117475464 A CN 117475464A CN 202210847897 A CN202210847897 A CN 202210847897A CN 117475464 A CN117475464 A CN 117475464A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- module
- personnel
- monitoring
- video
- 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 107
- 238000005553 drilling Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000007788 liquid Substances 0.000 claims abstract description 152
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 239000002002 slurry Substances 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 34
- 230000009471 action Effects 0.000 claims description 28
- 208000009144 Pure autonomic failure Diseases 0.000 claims description 20
- 239000013312 porous aromatic framework Substances 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 241000287107 Passer Species 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000003208 petroleum Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/753—Transform-based matching, e.g. Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于图像识别的钻井溢流人员操作风险监测系统及方法,该系统包括视频采集模块、视频传输模块、逻辑判断模块以及图像异常报警模块;视频采集模块用于采集关于泥浆池、人员以及液位尺的监控视频;视频传输模块用于将采集到的监控视频流传送到视频存储服务器;逻辑判断模块用于根据算法对视频存储服务器的监控视频进行逻辑判断;图像异常报警模块包括系统管理模块、报警推送模块、整改闭环模块以及统计分析模块。本发明可以准确的对人员是否按要求进行液面监测及液面异常升高进行实时检测,并对溢流事件进行智能识别和预警。
Description
技术领域
本发明涉及钻井溢流监测技术领域,具体涉及一种基于图像识别的钻井溢流人员操作风险监测系统及方法。
背景技术
石油钻井工程是油气田开发生产过程的重要组成部分,一旦发生溢流、井喷事故,易造成人员伤亡和财产损失。近年来随着高压高含硫、非常规等油气资源的开发,井控安全面临着越来越大的挑战。统计发现,溢流事件仍时有发生,尤其集中在复杂区块和重点探井,需持续高度重视。
溢流的及时发现是实施有效井控的关键,严格执行溢流监测坐岗制度并建立溢流早期监测技术对于及早发现井下溢流、制定合理的压井措施、合理控制井筒压力等具有重要的作用,实现早发现、早关井、早处理。现有溢流监测技术中,主要通过井下随钻监测、提高井口传感器监测精度或者井口多源综合信息判定法,基于现场设备改造不断提升监测精度。
CN109681136A公开了一种基于多源信息融合的早期溢流监测方法,根据现场的实际情况,选择可获取的能够反映溢流发生的溢流地面、井口及井下监测参数,对每一类溢流监测参数,分别采用训练好的基于支持向量机的溢流智能识别模型进行溢流识别。该方法结合钻井液微流量参数、综合录井参数、井底随钻测量参数综合判别溢流,同时处理应用各类监测参数识别溢流时出现溢流判别结果矛盾、冲突的问题,从而提高溢流监测的可靠性。
现有提升溢流监测精度的设备方法,改造成本高、算法复杂,不易推广,不能完全取代人工值守。目前大部分井场主要依赖传统的人工测量泥浆池液面,现场并配置液面刻度尺来观测是否触发液位报警线。但对于人员是否执行溢流监测坐岗制度,无法起到管控作用,容易出现因故意违章或意外失误造成的溢流发现滞后。视频监控作为一种有效的安全监管手段,已广泛应用于钻井作业现场,对发现事故隐患、遏制和杜绝事故发生起到了积极作用。尤其是深度学习算法已日趋成熟,可以做到对违章行为的准确识别,
CN112196517A公开了一种基于图像识别的钻井标定方法、装置、设备及介质,通过图像识别技术,确定出顶驱至转盘面的像素点数量与顶驱高度之间的像素关系表,以完成钻井的标定,极大减少钻井环境对钻井标定的影响。
CN102646191A公开了一种应用于石油钻井伴生气燃烧所产生火焰图像的识别方法,涉及图像处理技术领域,根据火焰图像的色度特征、运动特征,并结合离散分形布朗随机场,对石油钻井伴生气燃烧火焰进行识别,可应用于陆上、海上石油钻井平台的伴生气燃烧火焰监测,也可以结合油井监测系统,对石油钻井平台的整体安全进行监测。
目前视频图像识别技术尚未应用于溢流监测领域,对人员违章行为的管控缺少有效手段,因此,本发明拟通过视频图像识别技术监控现场人员是否按时进行到岗监测并判断泥浆池液面是否有异常升高,提升钻井现场安全管控水平。
发明内容
针对上述现有技术存在的问题,本发明提出了一种基于图像识别的钻井溢流人员操作风险监测系统及方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的1,本发明采用如下技术方案:
一种基于图像识别的钻井溢流人员操作风险监测系统,包括视频采集模块、视频传输模块、逻辑判断模块以及图像异常报警模块;视频采集模块用于采集关于泥浆池、人员以及液位尺的监控视频;视频传输模块用于将采集到的监控视频流传送到视频存储服务器;逻辑判断模块用于根据算法对视频存储服务器的监控视频进行逻辑判断,逻辑判断包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别,其中人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作的识别两部分,泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;图像异常报警模块包括系统管理模块、报警推送模块、整改闭环模块以及统计分析模块;
系统管理模块主要针对现场视频监控点位和实现的场景识别进行灵活配置,控制算法是否在运行状态以及运行何种算法;报警推送模块主要用于将报警时间、地点、类型及图片进行推送,推送方式包括电脑、短信以及微信;整改闭环模块主要是针对发现的报警事件,及时在线整改和验证;统计分析模块主要用于通过视频结构化描述,对已有的报警事件进行不同维度分析及趋势预测,自动生成通报,协助发现现场管理薄弱环节。
进一步地,在逻辑判断模块中,针对人员到岗识别,设计了基于Faster RCNN的深层神经网络,以整体的方式进行采样人员和工作区域的目标检测;在Faster RCNN模型中,主要包括CNN、RPN、ROI pooling和Classifier四个部分;对于输入Faster RCNN网络的任意一张监控图像,首先通过CNN进行特征提取,得到特征映射图;RPN层用多个anchors box遍历特征映射图,得到多个区域;每个区域与GT比较,判断是前景的概率,并计算区域的中心点坐标、宽和高,剔除掉重叠的框,根据前景概率的高低排列,取较高概率的区域为候选区域;候选区域和CNN生成的特征映射图输入到ROI pooling层,输出固定7×7大小的特征图;Classifier层利用Softmax loss和L1 loss对特征图完成分类和定位,输出采样人员和工作平台区域的目标检测结果。
进一步地,在逻辑判断模块中,针对人员采样动作的识别基于OpenPose框架的深层神经网络,深度学习方法包括以下步骤:
(a)通过VGG-19进行对监控视频进行特征信息提取,然后采用两分支的多阶段CNN,第一分支用来预测confidence map St,第二分支用来预测PAFs Lt;在每个阶段之后,预测到的confidence map St、PAFs Lt以及图像特征信息被连接用于下一阶段。
(b)从图像特征信息中提取肢体关键点的具体位置,采用非极大抑制算法获得heat map中的峰值置信度,作为该肢体关键点的score;
(c)通过步骤a、b,获得了采样人员关节的信息,信息包括位置和分数,然后采用关节信息和PAFs来获得肢体连接;建立深度骨架模型,该模型包含19个肢体,确定每一肢体所对应的两个part和PAFs,将两个part之间的PAFs信息进行积分,所得结果作为该肢体的置信度;
(d)获得了所有肢体后,形成人体的整体骨架,通过不同动作对应的骨架不同的统计特征,从而进行采样人员的特定动作的识别。
进一步地,在逻辑判断模块中,针对液位尺和液位指针识别,采用Faster RCNN深度学习算法,识别出液位尺和液位指针,并对两个目标同步检测,检测后进行空间位置逻辑判断,进一步降低误测。
进一步地,在逻辑判断模块中,针对液位刻度识别,通过对液位刻度标注,确定刻度尺的刻度范围。
进一步地,通过线段检测确定精准液位刻度,线段检测采用直线Hough变换,通过对二值化的图像方向投影,选择峰值投影值对应的直线参数为线段方向和位置参数,从而确定好各个液位刻度的位置,直线Hough变换在检测出的液位尺区域范围内进行,减少环境的干扰。
进一步地,在报警推送模块中,对于人员是否定期进行泥浆池液面监测的识别,若人员没有连续10s出现在监控视频中或者深度学习检测出的人员和工作平台区域的交叉比小于0.5或者连续100帧不符合采样动作,则发出报警信号。
进一步地,计算人员和工作区域的矩形框的交集,判定交叉比是否超过0.5,判定公式为:
IoU(parts,passer)=parts(x,y,w,h)∩passer(x,y,w,h)
其中,x、y、w、h分别代表矩形框两个顶点坐标和宽度、高,当交集为达到指定比例时输出报警信号。
进一步地,在报警推送模块中,对于泥浆池液面的识别,通过液位尺标注出警戒线,当液位指针达到液位警戒线时,则发出报警信号。
为了实现上述目的2,本发明采用如下技术方案:
一种基于图像识别的钻井溢流人员操作风险监测方法,采用如上所述的一种基于图像识别的钻井溢流人员操作风险监测系统,包括以下步骤:
S1、视频采集模块采集关于泥浆池、人员以及液位尺的监控视频,通过视频传输模块将采集到的视频流通过监控视频传输的RTSP协议传送到视频存储服务器;
S2、逻辑判断模块根据算法对视频存储服务器的监控视频进行逻辑判断,包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别,其中人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作的识别两部分,泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;
S3、若以上识别不符合要求,则发出报警信号给报警推送模块,报警推送模块将报警时间、地点、类型及图片进行推送。
本发明带来的有益技术效果:
本发明提供的钻井溢流监测过程异常识别系统和方法,在不改造钻井现场基础设施、不增加企业额外硬件成本的条件下,可以准确的对人员是否按制度进行液面监测及液面异常升高进行实时检测,强化了制度刚性执行力,避免了无人值守情况下溢流事件的发生,成本低、准确率高、易推广,提高了监管效率和现场应急处理能力,为钻井溢流识别管控提供了新的技术思路和方法。
附图说明
图1为本发明提出的一种基于图像识别的钻井溢流人员操作风险监测系统结构示意图;
图2为本发明提出的人员液面监测风险判断流程图;
图3为本发明提出的图像异常识别系统功能图;
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
实施例1
一种基于图像识别的钻井溢流人员操作风险监测系统,如图1所示,包括视频采集模块、视频传输模块、逻辑判断模块以及图像异常报警模块;视频采集模块用于采集关于泥浆池、人员以及液位尺的监控视频;视频传输模块用于将采集到的监控视频流传送到视频存储服务器,以便后续对现场工况进行检测、分析;逻辑判断模块用于根据算法对视频存储服务器的监控视频进行逻辑判断,逻辑判断包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别,其中人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作的识别两部分,泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;图像异常报警模块包括系统管理模块、报警推送模块、整改闭环模块以及统计分析模块;
具体地,视频采集模块基于泥浆池附近设置的固定或移动摄像头,要求可以在线实时传输,且采集到的人员、液位尺、泥浆池等目标不存在全面遮挡或遮挡面积比例小于15%、遮挡持续时间小于3s,目标尺寸不小于100*100,像素不低于1080p。在该实施例中,视频采集模块采集到的人员、液位尺、泥浆池等目标不存在全面遮挡或遮挡面积比例为10%,遮挡持续时间为2s,目标尺寸为125*125,像素为1080p。
具体地,逻辑判断模块中,包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别;
其中,一、人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作识别两部分;
①针对人员到岗识别,设计了基于Faster RCNN的深层神经网络,以整体的方式进行采样人员和工作区域的目标检测。在Faster RCNN模型中,主要包括CNN、RPN(RegionProposal Network)、ROI pooling和Classifier四个部分。对于输入Faster RCNN网络的任意一张监控图像,首先通过CNN进行特征提取,得到特征映射图。RPN层用多个anchors box遍历特征映射图,得到多个区域;每个区域与GT比较,判断是前景的概率,并计算区域的中心点坐标、宽和高,剔除掉重叠的框,根据前景概率的高低排列,取较高概率的区域为候选区域。候选区域和CNN生成的特征映射图输入到ROI pooling层输,输出固定7×7大小的特征图;Classifier层利用Softmax loss和L1 loss对特征图完成分类和定位,输出采样人员和工作平台区域的目标检测结果。
具体地,训练过程主要包括以下步骤:
(a)使用标注工具进行训练集图像数据的标注;
(b)因训练样本较少,在训练之前采用翻转、缩放、裁剪、平移、添加噪声创造出更多样本;
(c)对所有样本数据进行验证和训练集分配,验证集在训练过程中的作用是确定模型和修改超参数,超参数包括学习率,反向递归修改权重,验证模型的泛化能力,使得模型在验证集上达到最优;
(d)修改与训练有关的参数,参数包括anchor scale;由于输入图片有小目标,训练过程中,通过尝试修改感受视野的大小以及对输入图片进行裁剪;
(e)优化模型检测效果,提高检测人员、工作区域的检测能力。
②针对人员采样动作识别,设计基于OpenPose框架的深层神经网络,捕获每个人体关节点的全部上下文特征信息,学习关节点的拓扑结构和关节间的关系,从而有效检测动作识别。采用自上向下的关键点检测框架,根据先验知识过滤与人体位置无交集的部件检测结果,并提出一种基于多模块级联的位置回归策略,针对不同情况的干扰样本进行分阶段优化调整。
具体地,包括以下步骤:
(a)通过VGG-19进行对监控视频进行特征信息提取,然后采用两分支的多阶段CNN,第一分支用来预测confidence map St,第二分支用来预测PAFs Lt;在每个阶段之后,预测到的confidence map St、PAFs Lt以及图像特征信息被连接用于下一阶段。
(b)从图像特征信息中提取肢体关键点的具体位置,采用非极大抑制算法获得heat map中的峰值置信度,作为该肢体关键点的score;
(c)通过步骤a、b,获得了采样人员关节的信息,信息包括位置和分数,然后采用关节信息和PAFs来获得肢体连接;建立深度骨架模型,该模型包含19个肢体,确定每一肢体所对应的两个part和PAFs,将两个part之间的PAFs信息进行积分,所得结果作为该肢体的置信度;
(d)获得了所有肢体后,形成人体的整体骨架,通过不同动作对应的骨架不同的统计特征,从而进行采样人员的特定动作的识别。
二、泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;
①针对液位尺和液位指针的识别,采用Faster RCNN深度学习算法,识别出液位尺和液位指针,并对两个目标同步检测,检测后进行空间位置逻辑判断,进一步降低误测。
②针对液位刻度的识别,通过对液位刻度标注,确定刻度尺的刻度范围;通过线段检测确定精准液位刻度,线段检测采用直线Hough变换,通过对二值化的图像方向投影,选择峰值投影值对应的直线参数为线段方向和位置参数,从而确定好各个液位刻度的位置,直线Hough变换在检测出的液位尺区域范围内进行,减少环境的干扰。
S3、若以上识别不符合要求,则发出报警信号并进行展示。
具体地,报警推送模块中,如图2所示,对于人员是否定期进行泥浆池液面监测的识别,若人员没有连续10s出现在监控视频中或者深度学习检测出的人员和工作平台区域的交叉比小于0.5或者连续100帧不符合采样下蹲动作,则发出报警信号给报警推送模块。
其中,计算人员和工作区域的矩形框的交集,判定交叉比是否超过0.5,判定公式为:
IoU(parts,passer)=parts(x,y,w,h)∩passer(x,y,w,h)
其中,x、y、w、h分别代表矩形框两个顶点坐标和宽度、高,当交集为达到指定比例时输出报警信号。
特别的,如果需要区分具体岗位具体人员,可以采用人脸识别算法,通过后台建立监测人员图像资源库,按时采集现场人员人脸图像,判定人员的到岗情况。
对于泥浆池液面的识别,若液位尺通过标注出警戒线或者液位指针达到液位警戒线,则发出报警信号给报警推送模块。
具体地,如图3所示,图像异常报警模块包括系统管理模块、报警推送模块、整改闭环模块以及统计分析模块;
其中,系统管理模块主要针对现场视频监控点位和实现的场景识别进行灵活配置,配置内容包括点位配置、算法配置、权限配置以及账号密码配置,控制算法是否在运行状态以及运行何种算法;
报警推送模块主要用于将报警时间、地点、类型及图片进行推送,推送方式包括电脑、短信以及微信;可根据实际场景设定不同的报警等级。如果既识别出现场人员没有按时测量泥浆池液面,且液面异常升高,则事件进行升级管理,推送给更高层次的管理人员。同时,现场可配置声光报警仪,及时给作业人员和管理人员进行报警提醒,缩短报警事件处置时间;
整改闭环模块主要是针对发现的报警事件,通过任务分配及时在线整改和验证;
统计分析模块主要用于通过视频结构化描述,对已有的违章类型报警事件进行不同维度分析及趋势预测,自动生成通报,协助发现现场管理薄弱环节。可根据图像识别出来的关键字段进行不同维度的分析,辅助业务管理决策,如不同时间段、不同地点、不同人员、不同报警等级。
一种基于图像识别的钻井溢流人员操作风险监测方法,采用如上所述的一种基于图像识别的钻井溢流人员操作风险监测系统,包括以下步骤:
S1、视频采集模块采集关于泥浆池、人员以及液位尺的监控视频,通过视频传输模块将采集到的视频流通过监控视频传输的RTSP协议传送到视频存储服务器;
S2、逻辑判断模块根据算法对视频存储服务器的监控视频进行逻辑判断,包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别,其中人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作的识别两部分,泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;
S3、若以上识别不符合要求,则发出报警信号给报警推送模块,值守人员及时通过对讲机、广播、派人到现场等方式对危险操作进行制止,现场并可配置声光报警仪器。报警结果经过视频结构化描述后,将报警时间、地点、类型及图片进行推送。
实施例2
一种基于图像识别的钻井溢流人员操作风险监测系统,如图1所示,包括视频采集模块、视频传输模块、逻辑判断模块以及图像异常报警模块;视频采集模块用于采集关于泥浆池、人员以及液位尺的监控视频;视频传输模块用于将采集到的监控视频流传送到视频存储服务器,以便后续对现场工况进行检测、分析;逻辑判断模块用于根据算法对视频存储服务器的监控视频进行逻辑判断,逻辑判断包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别,其中人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作的识别两部分,泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;图像异常报警模块包括系统管理模块、报警推送模块、整改闭环模块以及统计分析模块;
具体地,视频采集模块基于泥浆池附近设置的固定或移动摄像头,要求可以在线实时传输,且采集到的人员、液位尺、泥浆池等目标不存在全面遮挡或遮挡面积比例小于15%、遮挡持续时间小于3s,目标尺寸不小于100*100,像素不低于1080p。在该实施例中,视频采集模块采集到的人员、液位尺、泥浆池等目标不存在全面遮挡或遮挡面积比例为13%,遮挡持续时间为2.5s,目标尺寸为150*150,像素为1080p。
具体地,逻辑判断模块中,包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别;
其中,一、人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作识别两部分;
①针对人员到岗识别,设计了基于Faster RCNN的深层神经网络,以整体的方式进行采样人员和工作区域的目标检测。在Faster RCNN模型中,主要包括CNN、RPN(RegionProposal Network)、ROI pooling和Classifier四个部分。对于输入Faster RCNN网络的任意一张监控图像,首先通过CNN进行特征提取,得到特征映射图。RPN层用多个anchors box遍历特征映射图,得到多个区域;每个区域与GT比较,判断是前景的概率,并计算区域的中心点坐标、宽和高,剔除掉重叠的框,根据前景概率的高低排列,取较高概率的区域为候选区域。候选区域和CNN生成的特征映射图输入到ROI pooling层输,输出固定7×7大小的特征图;Classifier层利用Softmax loss和L1 loss对特征图完成分类和定位,输出采样人员和工作平台区域的目标检测结果。
具体地,训练过程主要包括以下步骤:
(a)使用标注工具进行训练集图像数据的标注;
(b)因训练样本较少,在训练之前采用翻转、缩放、裁剪、平移、添加噪声创造出更多样本;
(c)对所有样本数据进行验证和训练集分配,验证集在训练过程中的作用是确定模型和修改超参数,超参数包括学习率,反向递归修改权重,验证模型的泛化能力,使得模型在验证集上达到最优;
(d)修改与训练有关的参数,参数包括anchor scale;由于输入图片有小目标,训练过程中,通过尝试修改感受视野的大小以及对输入图片进行裁剪;
(e)优化模型检测效果,提高检测人员、工作区域的检测能力。
②针对人员采样动作识别,设计基于OpenPose框架的深层神经网络,捕获每个人体关节点的全部上下文特征信息,学习关节点的拓扑结构和关节间的关系,从而有效检测动作识别。采用自上向下的关键点检测框架,根据先验知识过滤与人体位置无交集的部件检测结果,并提出一种基于多模块级联的位置回归策略,针对不同情况的干扰样本进行分阶段优化调整。
具体地,包括以下步骤:
(a)通过VGG-19进行对监控视频进行特征信息提取,然后采用两分支的多阶段CNN,第一分支用来预测confidence map St,第二分支用来预测PAFs Lt;在每个阶段之后,预测到的confidence map St、PAFs Lt以及图像特征信息被连接用于下一阶段。
(b)从图像特征信息中提取肢体关键点的具体位置,采用非极大抑制算法获得heat map中的峰值置信度,作为该肢体关键点的score;
(c)通过步骤a、b,获得了采样人员关节的信息,信息包括位置和分数,然后采用关节信息和PAFs来获得肢体连接;建立深度骨架模型,该模型包含19个肢体,确定每一肢体所对应的两个part和PAFs,将两个part之间的PAFs信息进行积分,所得结果作为该肢体的置信度;
(d)获得了所有肢体后,形成人体的整体骨架,通过不同动作对应的骨架不同的统计特征,从而进行采样人员的特定动作的识别。
二、泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;
①针对液位尺和液位指针的识别,采用Faster RCNN深度学习算法,识别出液位尺和液位指针,并对两个目标同步检测,检测后进行空间位置逻辑判断,进一步降低误测。
②针对液位刻度的识别,通过对液位刻度标注,确定刻度尺的刻度范围;通过线段检测确定精准液位刻度,线段检测采用直线Hough变换,通过对二值化的图像方向投影,选择峰值投影值对应的直线参数为线段方向和位置参数,从而确定好各个液位刻度的位置,直线Hough变换在检测出的液位尺区域范围内进行,减少环境的干扰。
S3、若以上识别不符合要求,则发出报警信号并进行展示。
具体地,报警推送模块中,如图2所示,对于人员是否定期进行泥浆池液面监测的识别,若人员没有连续10s出现在监控视频中或者深度学习检测出的人员和工作平台区域的交叉比小于0.5或者连续100帧不符合采样下蹲动作,则发出报警信号给报警推送模块。
其中,计算人员和工作区域的矩形框的交集,判定交叉比是否超过0.5,判定公式为:
IoU(parts,passer)=parts(x,y,w,h)∩passer(x,y,w,h)
其中,x、y、w、h分别代表矩形框两个顶点坐标和宽度、高,当交集为达到指定比例时输出报警信号。
特别的,如果需要区分具体岗位具体人员,可以采用人脸识别算法,通过后台建立监测人员图像资源库,按时采集现场人员人脸图像,判定人员的到岗情况。
对于泥浆池液面的识别,若液位尺通过标注出警戒线或者液位指针达到液位警戒线,则发出报警信号给报警推送模块。
具体地,如图3所示,图像异常报警模块包括系统管理模块、报警推送模块、整改闭环模块以及统计分析模块;
其中,系统管理模块主要针对现场视频监控点位和实现的场景识别进行灵活配置,配置内容包括点位配置、算法配置、权限配置以及账号密码配置,控制算法是否在运行状态以及运行何种算法;
报警推送模块主要用于将报警时间、地点、类型及图片进行推送,推送方式包括电脑、短信以及微信;可根据实际场景设定不同的报警等级。如果既识别出现场人员没有按时测量泥浆池液面,且液面异常升高,则事件进行升级管理,推送给更高层次的管理人员。同时,现场可配置声光报警仪,及时给作业人员和管理人员进行报警提醒,缩短报警事件处置时间;
整改闭环模块主要是针对发现的报警事件,通过任务分配及时在线整改和验证;
统计分析模块主要用于通过视频结构化描述,对已有的违章类型报警事件进行不同维度分析及趋势预测,自动生成通报,协助发现现场管理薄弱环节。可根据图像识别出来的关键字段进行不同维度的分析,辅助业务管理决策,如不同时间段、不同地点、不同人员、不同报警等级。
一种基于图像识别的钻井溢流人员操作风险监测方法,采用如上所述的一种基于图像识别的钻井溢流人员操作风险监测系统,包括以下步骤:
S1、视频采集模块采集关于泥浆池、人员以及液位尺的监控视频,通过视频传输模块将采集到的视频流通过监控视频传输的RTSP协议传送到视频存储服务器;
S2、逻辑判断模块根据算法对视频存储服务器的监控视频进行逻辑判断,包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别,其中人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作的识别两部分,泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;
S3、若以上识别不符合要求,则发出报警信号给报警推送模块,值守人员及时通过对讲机、广播、派人到现场等方式对危险操作进行制止,现场并可配置声光报警仪器。报警结果经过视频结构化描述后,将报警时间、地点、类型及图片进行推送。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,包括视频采集模块、视频传输模块、逻辑判断模块以及图像异常报警模块;所述视频采集模块用于采集关于泥浆池、人员以及液位尺的监控视频;所述视频传输模块用于将采集到的监控视频流传送到视频存储服务器;所述逻辑判断模块用于根据算法对视频存储服务器的监控视频进行逻辑判断,逻辑判断包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别,其中人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作的识别两部分,泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;所述图像异常报警模块包括系统管理模块、报警推送模块、整改闭环模块以及统计分析模块;
所述系统管理模块用于针对现场视频监控点位和实现的场景识别进行灵活配置,控制算法是否在运行状态以及运行何种算法;所述报警推送模块用于将报警时间、地点、类型及图片进行推送,推送方式包括电脑、短信以及微信;所述整改闭环模块用于针对发现的报警事件,及时在线整改和验证;所述统计分析模块用于通过视频结构化描述,对已有的报警事件进行不同维度分析及趋势预测,自动生成通报,协助发现现场管理薄弱环节。
2.根据权利要求1所述的一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,在所述逻辑判断模块中,针对人员到岗识别,设计了基于Faster RCNN的深层神经网络,以整体的方式进行采样人员和工作区域的目标检测;在Faster RCNN模型中,主要包括CNN、RPN、ROI pooling和Classifier四个部分;对于输入Faster RCNN网络的任意一张监控图像,首先通过CNN进行特征提取,得到特征映射图;RPN层用多个anchors box遍历特征映射图,得到多个区域;每个区域与GT比较,判断是前景的概率,并计算区域的中心点坐标、宽和高,剔除掉重叠的框,根据前景概率的高低排列,取较高概率的区域为候选区域;候选区域和CNN生成的特征映射图输入到ROI pooling层,输出固定7×7大小的特征图;Classifier层利用Softmax loss和L1 loss对特征图完成分类和定位,输出采样人员和工作平台区域的目标检测结果。
3.根据权利要求1所述的一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,在所述逻辑判断模块中,针对人员采样动作的识别基于OpenPose框架的深层神经网络,深度学习方法包括以下步骤:
(a)通过VGG-19进行对监控视频进行特征信息提取,然后采用两分支的多阶段CNN,第一分支用来预测confidence map St,第二分支用来预测PAFs Lt;在每个阶段之后,预测到的confidence map St、PAFs Lt以及图像特征信息被连接用于下一阶段;
(b)从图像特征信息中提取肢体关键点的具体位置,采用非极大抑制算法获得heatmap中的峰值置信度,作为该肢体关键点的score;
(c)通过步骤a、b,获得了采样人员关节的信息,信息包括位置和分数,然后采用关节信息和PAFs来获得肢体连接;建立深度骨架模型,该模型包含19个肢体,确定每一肢体所对应的两个part和PAFs,将两个part之间的PAFs信息进行积分,所得结果作为该肢体的置信度;
(d)获得了所有肢体后,形成人体的整体骨架,通过不同动作对应的骨架不同的统计特征,从而进行采样人员的特定动作的识别。
4.根据权利要求1任一项所述的一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,在所述逻辑判断模块中,针对液位尺和液位指针识别,采用Faster RCNN深度学习算法,识别出液位尺和液位指针,并对两个目标同步检测,检测后进行空间位置逻辑判断,进一步降低误测。
5.根据权利要求1任一项所述的一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,在所述逻辑判断模块中,针对液位刻度识别,通过对液位刻度标注,确定刻度尺的刻度范围。
6.根据权利要求5任一项所述的一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,通过线段检测确定精准液位刻度,线段检测采用直线Hough变换,通过对二值化的图像方向投影,选择峰值投影值对应的直线参数为线段方向和位置参数,从而确定好各个液位刻度的位置,直线Hough变换在检测出的液位尺区域范围内进行,减少环境的干扰。
7.根据权利要求3所述的一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,在所述报警推送模块中,对于人员是否定期进行泥浆池液面监测的识别,若人员没有连续10s出现在监控视频中或者深度学习检测出的人员和工作平台区域的交叉比小于0.5或者连续100帧不符合采样动作,则发出报警信号。
8.根据权利要求7所述的一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,计算人员和工作区域的矩形框的交集,判定交叉比是否超过0.5,判定公式为:
IoU(parts,passer)=parts(x,y,w,h)∩passer(x,y,w,h)
其中,x、y、w、h分别代表矩形框两个顶点坐标和宽度、高,当交集为达到指定比例时输出报警信号。
9.根据权利要求1所述的一种基于图像识别的钻井溢流人员操作风险监测系统,其特征在于,在所述报警推送模块中,对于泥浆池液面的识别,通过液位尺标注出警戒线,当液位指针达到液位警戒线时,则发出报警信号。
10.一种基于图像识别的钻井溢流人员操作风险监测方法,其特征在于,采用如权利要求1-9任一项所述的一种基于图像识别的钻井溢流人员操作风险监测系统,包括以下步骤:
S1、视频采集模块采集关于泥浆池、人员以及液位尺的监控视频,通过视频传输模块将采集到的视频流通过监控视频传输的RTSP协议传送到视频存储服务器;
S2、逻辑判断模块根据算法对视频存储服务器的监控视频进行逻辑判断,包括人员是否定期进行泥浆池液面监测的识别以及泥浆池液面的识别,其中人员是否定期进行泥浆池液面监测的识别包括人员到岗识别以及人员采样动作的识别两部分,泥浆池液面的识别包括液位尺的识别、液位指针的识别、液位刻度的识别;
S3、若以上识别不符合要求,则发出报警信号给报警推送模块,报警推送模块将报警时间、地点、类型及图片进行推送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210847897.6A CN117475464A (zh) | 2022-07-19 | 2022-07-19 | 一种基于图像识别的钻井溢流人员操作风险监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210847897.6A CN117475464A (zh) | 2022-07-19 | 2022-07-19 | 一种基于图像识别的钻井溢流人员操作风险监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117475464A true CN117475464A (zh) | 2024-01-30 |
Family
ID=89629774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210847897.6A Pending CN117475464A (zh) | 2022-07-19 | 2022-07-19 | 一种基于图像识别的钻井溢流人员操作风险监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475464A (zh) |
-
2022
- 2022-07-19 CN CN202210847897.6A patent/CN117475464A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep learning-based safety helmet detection in engineering management based on convolutional neural networks | |
CN110996067A (zh) | 基于深度学习的高危作业环境下的人员安全实时智能视频监控系统 | |
CN111341068B (zh) | 一种基于深度学习的钻井现场危险区域预警系统构成方法 | |
CN109920185A (zh) | 一种基于毫米波雷达与视频数据融合检测移动目标的方法 | |
CN103517042A (zh) | 一种养老院老人危险行为监测方法 | |
CN107272634B (zh) | 一种基于三维vr和数据服务器的虚拟采煤演练控制系统 | |
CN104535356A (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统 | |
CN110121053B (zh) | 一种钻井现场风险分级预警的视频监控方法 | |
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
CN114973140A (zh) | 基于机器视觉的危险区域人员闯入监测方法及系统 | |
CN104866827A (zh) | 基于视频监控平台的人员翻越行为的检测方法 | |
CN112991669A (zh) | 一种危险作业预警方法、系统、存储介质及处理终端 | |
CN112112629A (zh) | 一种钻井作业过程中的安全业务管理系统和方法 | |
CN111950359A (zh) | 一种核电厂防止人因失误智能化系统及方法 | |
CN116385948B (zh) | 一种预警铁路边坡异常的系统和方法 | |
CN112685812A (zh) | 一种动态监管方法、装置、设备及存储介质 | |
Zhang | Safety management of civil engineering construction based on artificial intelligence and machine vision technology | |
CN109873990A (zh) | 一种基于计算机视觉的矿山非法开采预警方法 | |
CN113344882A (zh) | 基于计算机视觉的矿下钻机钻杆计数方法 | |
CN111553264B (zh) | 一种适用于中小学生的校园非安全行为检测及预警方法 | |
CN117475464A (zh) | 一种基于图像识别的钻井溢流人员操作风险监测系统及方法 | |
CN113506416A (zh) | 一种基于智能视觉分析的工程异常预警方法及系统 | |
CN116259013B (zh) | 一种入侵检测系统 | |
CN104677429A (zh) | 一种智能化综合故障诊断系统及诊断方法 | |
CN116978180A (zh) | 一种炼钢厂环境安全检测方法、装置、介质及电子设备 |
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 |