[发明专利]一种安全生产的视频监控方法及系统

说明书

本申请公开了一种安全生产的视频监控方法，包括接收与安全生产有关的视频流图像。从视频流图像中，每间隔若干帧图像，选取一帧图像。将所选取的图像输入深度卷积神经网络模型，以识别以下至少一项或几项与安全生产有关的违规内容：待识别对象的违规外观信息、待识别对象的违规行为信息、车辆种类或车辆驶入的区域信息、生产设备的异常状态、烟火状态、遗留物信息。将识别出的违规内容对应的图像进行存储，以输入至深度卷积神经网络模型对深度卷积神经网络模型进行再次训练。本申请通过上述方法实现了对生产环境全方位的安全监控，同时实现了深度卷积神经网络模型的自动更新升级，保证了安全隐患检测的准确度。

技术领域

本申请涉及监控技术领域，尤其涉及一种安全生产的视频监控方法及系统。

背景技术

随着社会的发展和经济的进步，人们的安全意识不断增强，生产过程中的安全问题正在受到越来越多的关注与重视。为了更好的监控生产过程中出现的各种安全隐患及问题，视频监控系统被广泛部署在生产环境中。然而传统的视频监控系统只能做到录像功能，因此，越来越多的视频监控系统采用人工智能技术在一定程度上实现监控系统的智能化，可实现对生产过程中存在的安全隐患进行分析识别。

但目前大部分智能视频监控系统都具有一定的局限性，识别内容单一，识别结果不精确问题。

发明内容

本申请实施例提供了一种安全生产的视频监控方法及系统，用以解决现有的视频监控系统在对生产场景内存在的安全隐患内容进行识别时，容易出现识别结果不精确的技术问题。

一方面，本申请实施例提供了一种安全生产的视频监控方法，包括：接收与安全生产有关的视频流图像。从视频流图像中，每间隔若干帧图像，选取一帧图像。将所选取的图像输入深度卷积神经网络模型，以识别以下至少一项或几项与安全生产有关的违规内容：待识别对象的违规外观信息、待识别对象的违规行为信息、车辆种类或车辆驶入的区域信息、生产设备的异常状态、烟火状态、遗留物信息。将识别出的违规内容对应的图像进行存储，以输入至深度卷积神经网络模型对深度卷积神经网络模型进行再次训练。

在本申请的一种实现方式中，在将所选取的图像输入深度卷积神经网络模型之前，还包括：获取图像样本库。其中，图像样本库包含多种有关安全隐患场景的样本图像。标注图像样本库中每张样本图像所包含的与安全隐患相关的内容。使用图像样本库中的多张样本图像以及标注出的样本图像中包含的与安全隐患相关内容，通过机器学习训练得到深度卷积神经网络模型。

在本申请的一种实现方式中，待识别对象的违规外观信息包括：待识别对象未戴安全帽、待识别对象未穿规定工装、待识别对象未戴手套。待识别对象的违规行为信息包括：待识别对象使用手机、待识别对象吸烟。车辆种类或车辆驶入区域信息包括：外来车辆信息、车辆驶入违禁区。生产设备的异常状态包括：生产设备出现腐蚀、生产设备破损、生产设备漏油。烟火状态包括：监控区域出现烟火。遗留物信息包括：监控区域出现纸箱、监控区域出现衣物。

在本申请的一种实现方式中，在将所选取的图像输入深度卷积神经网络模型之前，还包括：获取图像样本库。其中，图像样本库包含多种有关安全隐患场景的样本图像。标注图像样本库中每张样本图像所包含的运动对象的至少一个部位点。使用图像样本库中的多张样本图像以及标注出的运动对象的至少一个部位点，通过机器学习训练得到深度卷积神经网络模型。其中，至少一个部位点包括以下任意一项或多项：头顶、左肩尾、右肩尾、左肘点、右肘点、左腕点、右腕点、左髋点、右髋点、左膝点、右膝点、左踝点、右踝点。

在本申请的一种实现方式中，在将所选取的图像输入深度卷积神经网络模型之前，还包括：根据深度卷积神经网络模型对输入图像格式的要求，对所选取的图像进行预处理。预处理至少包括以下任意一项或者几项：改变所选取的图像的颜色、调整所选取的图像的大小、对所选取的图像进行校正。

在本申请的一种实现方式中，方法还包括：基于角色访问控制方法确定视频流图像对应的访问权限。访问权限与账号进行关联。访问权限的级别与账号对应用户的级别有关。