[发明专利]基于大数据监控的人工智能油气田防范判别系统与方法

权利要求书

1.基于大数据监控的人工智能油气田防范判别系统，其特征在于，所述基于大数据监控的人工智能油气田防范判别系统包括存储单元、视频巡检控制单元和视频分析识别单元；

其中，存储单元用于存储预定的数据库；在完成深度学习样本库时，自30万帧监控图像中，选择代表性图像，利用标定软件针对红外及可见光下的人员、车辆、动物进行标注，并自开放图像库中引入了部分人员、车辆图像样本进行标注，生成样本库；

视频巡检控制单元用于设置视频巡检预置点，每次发出巡检指令后在所述数据库内添加对应的信息框，所述信息框内包括该预置点的属性信息；每个预置点的属性信息包括以下一种或多种：巡检点标识；云台信息；相机类型；相机信息；以及观测范围；

巡检点标识是数字或字符串，代表单独的报警区，红外和可见光下是不同的；

相机类型包括用0表示的可见光类型相机和用1表示的红外类型相机；

视频分析识别单元用于获取所述数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标及入侵目标的类型，将识别后的结果经过处理后返回至所述数据库；

视频巡检控制单元还用于读取所述数据库内的由所述视频分析识别单元返回的结果，并在该结果超出预设的报警阈值时进行报警；

所述人工智能油气田防范判别系统还包括模型获得单元，所述模型获得单元用于构建用于识别入侵目标及入侵目标类型的识别模型；其中，所述模型获得单元包括：RPN训练模块，其用于利用训练样本对预定模型进行RPN训练；快速R-CNN训练模块，其用于利用训练样本对经过所述RPN训练后的模型进行快速R-CNN训练；RPN微调模块，其用于对当前模型进行RPN微调；快速R-CNN微调模块，其用于对当前模型进行快速R-CNN微调；

所述模型获得单元构建的所述识别模型用于识别以下对象：可见光下人员、可见光下车辆、红外下人员以及红外下车辆；

所述模型获得单元在训练所述识别模型的过程中，基于巡检参数，采用深度学习方法来训练可见光下人员及车辆的训练样本，采用移动目标检测方法来训练红外下人员及车辆的训练样本。

2.基于大数据监控的人工智能油气田防范判别方法，其特征在于，所述基于大数据监控的人工智能油气田防范判别方法包括：

步骤一、设置视频巡检预置点，每次发出巡检指令后在数据库内添加对应的信息框，所述信息框内包括该预置点的属性信息；在完成深度学习样本库时，自30万帧监控图像中，选择代表性图像，利用标定软件针对红外及可见光下的人员、车辆、动物进行标注，并自开放图像库中引入了部分人员、车辆图像样本进行标注，生成样本库；每个预置点的属性信息包括以下一种或多种：巡检点标识；云台信息；相机类型；相机信息；以及观测范围；巡检点标识是数字或字符串，代表单独的报警区，红外和可见光下是不同的；相机类型包括用0表示的可见光类型相机和用1表示的红外类型相机；

步骤二、获取所述数据库内的该预置点的属性信息，对该预置点进行图像分析对比，以确定是否存在入侵目标，并在确定存在入侵目标的情况下获得该入侵目标的类型；

步骤三、将识别后的结果经过处理后返回至所述数据库；

步骤四、读取所述数据库内的由所述步骤三中返回的结果，并在该结果超出预设的报警阈值时进行报警；

步骤五、当进行下次视频巡检时重复步骤一至步骤四；

所述人工智能油气田防范判别方法还包括：构建用于识别入侵目标及入侵目标类型的识别模型；其中，所述的构建用于识别入侵目标及入侵目标类型的识别模型的步骤包括：利用训练样本对预定模型进行RPN训练；利用训练样本对经过所述RPN训练后的模型进行快速R-CNN训练；对当前模型进行RPN微调；对当前模型进行快速R-CNN微调；

其中，构建的所述识别模型用于识别以下对象：可见光下人员、可见光下车辆、红外下人员以及红外下车辆；

在训练所述识别模型的过程中，基于巡检参数，采用深度学习方法来训练可见光下人员及车辆的训练样本，采用移动目标检测方法来训练红外下人员及车辆的训练样本。