一种基于AI的燃气安检智能辅助方法与流程

本发明属于燃气安全检测，具体为一种基于ai的燃气安检智能辅助方法。

背景技术：

1、燃气安全检查作为城镇燃气供气体系运行保障的关键环节，其检查质量直接关系到用户端用气安全与公共安全。近年来，随着城市燃气覆盖规模的持续扩大以及用户用气场景的日益复杂化，传统的入户安检模式在效率与准确性方面面临的压力与日俱增。

2、目前，燃气入户安检主要由安检人员依照预先设定的检查清单逐项执行，通过移动终端设备或纸质表单记录隐患排查结果。这种以人工为主导的检查方式在燃气行业发展初期较好地满足了基础性的安检需求，然而随着应用场景的不断深化以及行业对安检质量要求的持续提升，其内在局限性愈发凸显。

3、从安检执行层面而言，不同安检人员对同一隐患现象的判断标准往往存在不一致性，这种主观差异主要源于检查人员经验水平的参差不齐以及对隐患定义理解的偏差，进而导致安检结果存在显著的个体差异，影响了隐患排查的统一性与可比性。从信息记录层面而言，现场拍摄的照片主要用于事后留档备查，在检查当下并未发挥对隐患识别的实时辅助作用，安检人员需要在完成现场检查后依据记忆或照片进行二次判断，信息传递的时效性与准确性均受到制约。

4、从业务流程层面而言，当现场环境较为复杂、隐患项目较多或安检人员经验不足时，容易出现漏检、误填以及证据与题项脱节等问题，整改方式、整改期限、签字信息和安检结果通常分散于多个界面之中，彼此之间缺乏有效的关联与整合机制，不利于后续审核、责任追溯以及数据价值的深度挖掘。

5、随着计算机视觉技术的快速迭代发展以及移动智能终端计算能力的显著提升，利用人工智能模型对安检现场图像进行自动化隐患检测在算法层面已经具备了成熟的工程应用条件。

6、然而，客观而言，现有技术方案大多仅停留在识别结果的简单展示层面，尚未将图像识别结果与安检问卷题项、人工专业判断、整改参数配置以及业务提交流程进行有效的深度整合，致使人工智能识别能力无法真正嵌入安检业务的完整闭环之中。识别结果与业务逻辑之间的这种割裂状态，不仅限制了人工智能技术在实际安检场景中效能的最大化释放，也使得安检人员难以便捷地利用识别结果优化其检查决策流程。

7、综上所述，如何构建一种能够将人工智能识别能力与安检业务流程深度融合的智能辅助方案，使图像识别结果能够自动关联至对应的安检问卷题项，并根据识别结果、问卷作答、风险评分以及整改参数生成完整的结构化安检数据包，已成为本领域技术人员当前面临的关键技术挑战和亟待解决的技术难题。

技术实现思路

1、本发明的目的在于提供一种基于ai的燃气安检智能辅助方法，以解决背景技术中提出的现有燃气安检技术中存在的检查结果主观差异大、图像识别与问卷题项缺乏关联、隐患信息与整改参数分散、人工智能识别能力未能深度嵌入业务闭环的问题。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于ai的燃气安检智能辅助方法，包括以下步骤：

4、步骤s1，获取适配当前安检工单的结构化隐患问卷，结构化隐患问卷包含多个不同危险等级的隐患题项；

5、步骤s2，获取现场采集的安检目标对象图像；

6、步骤s3，将图像输入至预先训练的目标检测模型进行隐患检测，输出隐患标签以及基础识别置信度；

7、步骤s4，依据与安检工单相关的现场设备的先验物理环境参数，动态调整并生成对应的动态判定阈值；

8、步骤s5，在预置的隐患标签与题项规则库中，确定与隐患标签相映射的目标隐患题项，当基础识别置信度大于或等于动态判定阈值时，自动将目标隐患题项在结构化隐患问卷中的状态切换为异常预选状态；

9、步骤s6，接收针对异常预选状态的人工复核指令，以确认最终处于异常状态的隐患题项；

10、步骤s7，基于最终处于异常状态的隐患题项以及人工复核指令的操作类型，计算整体风险评分数值，并基于风险评分数值生成结构化安检数据包。

11、根据上述技术方案，获取适配当前安检工单的结构化隐患问卷的步骤，具体包括：

12、采用分级规则匹配算法，先依据用户类型基础分类规则建立基础题项集合，再将行业安检强制检查规则库中的强制必选题项并入该基础题项集合并按题项标识去重，最后依据安检场景适配规则对非强制题项进行筛选，其中，当各规则存在冲突时，行业安检强制检查规则库优先级最高、用户类型基础分类规则次之、安检场景适配规则最低，生成包含隐患大类分组标识、题型配置和题项元数据列表的结构化隐患问卷。

13、根据上述技术方案，输出隐患标签以及基础识别置信度的步骤，具体包括：

14、通过目标检测模型输出多组候选框以及对应的隐患类别的分类分值向量；

15、采用非极大值抑制算法剔除重叠冗余框，留存有效区域坐标作为隐患位置框；

16、对有效区域坐标对应的分类分值向量做归一化处理得到各类别概率分布，取概率最大值作为基础识别置信度；

17、将概率最高的隐患类别匹配内置的燃气隐患标准标签库以生成隐患标签；若排名前两位的隐患类别概率差值小于预设临界值，则输出多候选标签集合。

18、根据上述技术方案，依据与安检工单相关的现场设备的先验物理环境参数，动态调整并生成对应的动态判定阈值的步骤，具体包括：

19、确定与隐患标签对应的隐患风险级别相匹配的基准阈值；

20、获取依据安检工单的用户类型设定的场景调整系数；

21、获取依据现场设备使用年限设定的设备年限调整系数，其中，设备使用年限越长的设备对应的设备年限调整系数越小；

22、将基准阈值、场景调整系数以及设备年限调整系数相乘，计算得到针对当前工单与题项的动态判定阈值。

23、根据上述技术方案，在确定与隐患标签相映射的目标隐患题项的过程中，还包括：

24、执行场景关键词匹配规则进行二次校验，提取安检工单中的用户类型和设备场景作为关键词，利用关键词作为过滤条件，排除在隐患标签与题项规则库中不相关的映射结果。

25、根据上述技术方案，人工复核指令包括确认操作、驳回操作和手动补录操作；接收针对异常预选状态的人工复核指令的步骤，具体包括：

26、若接收到驳回操作，则将对应的隐患题项状态恢复为正常，且不纳入后续风险评分数值的计算集合中；

27、若接收到手动补录操作，则响应于安检人员对未被目标检测模型识别出的隐患题项的人工补充选择，将对应的隐患题项状态直接变更为异常。

28、根据上述技术方案，计算整体风险评分数值的步骤，采用多因子加权求和算法实现，具体包括：

29、对于每一个最终处于异常状态的隐患题项，分别获取其对应的危险等级权重、置信度系数、人工确认因子以及历史规则因子，并将前述四项因子相乘得到各个隐患题项的单项风险乘积；

30、将所有处于异常状态的隐患题项的单项风险乘积进行累加求和，得到常规求和计算结果；

31、将常规求和计算结果乘以一预设的评分缩放系数，并将相乘后的结果与设定的满分区间上限值进行数值比对，取二者中的最小值作为最终输出的风险评分数值。

32、根据上述技术方案，针对置信度系数的赋值，具体包括：

33、若隐患题项存在匹配的基础识别置信度，则将基础识别置信度原值作为该隐患题项的置信度系数；

34、若隐患题项是经由手动补录操作触发产生异常状态，则强制赋予该隐患题项的置信度系数为预设的最大满额置信度数值。

35、根据上述技术方案，基于ai的燃气安检智能辅助方法内置最高级别强制覆盖业务规则；在计算整体风险评分数值的过程中，还包括：

36、当所有最终处于异常状态的隐患题项中，存在危险等级为一级隐患、且经确认操作或手动补录操作确认的严重隐患题项时，判断常规求和计算结果乘以评分缩放系数后的分值是否小于预设的一级风险下限值；

37、若是，则跳过取最小值的常规计算步骤，直接强制赋予风险评分数值为一级风险下限值；在判定为严重泄漏时，直接强制赋予风险评分数值为满分区间上限值。

38、根据上述技术方案，基于风险评分数值生成结构化安检数据包的步骤，具体包括：

39、根据风险评分数值所处的预设评分区间，判定当前安检记录对应的整体隐患等级；

40、根据整体隐患等级，自动匹配对应的整改方式和整改期限参数；

41、将结构化隐患问卷的最终状态、隐患识别与人工确认结果、图像证据、签字信息以及匹配的整改方式和整改期限参数进行一体化整合，生成json格式的结构化安检数据包；

42、通过数字签名算法对生成的结构化安检数据包计算哈希值并附加数字签名，以实现防篡改保护。

43、与现有技术相比，本发明具有以下有益效果：

44、本发明通过构建动态判定阈值自适应调整机制，将用户类型、设备使用年限等先验物理环境参数前置作用于阈值端，在保持模型底层概率推断客观性的同时，有效解决了普适性置信度在特定场景下触发不稳定的难题，显著提升了高危或老化设备的隐患检出准确度并消减了人工主观差异。

45、本发明构建了从非结构化图像数据到结构化安检表单的精准映射通道，利用隐患标签-题项规则库与场景关键词的双重校验匹配，实现异常题项的自动化预选与视觉高亮，将识别结果转化为业务动作的时间缩短至秒级，大幅提升了现场填单效率与准确性。

46、本发明将隐患最终状态、人机交互操作过程、图像证据及电子签字等信息一体化整合，并结合数字签名与哈希校验机制生成结构化安检数据包，形成了证据、操作、结论强绑定的数据闭环，从根本上防止了结果篡改和假安检现象，全面保障了安检结果的标准统一与全链路可追溯性。