一种事故原因离线智能诊断系统的制作方法

1.本发明涉及危险化学品生产经营安全管理技术领域，具体而言，涉及一种事故原因离线智能诊断系统。


背景技术：

2.随着视频监控技术的逐渐发展，视频监控在各领域都得到了广泛的应用，监控视频数据量也呈现出海量增长，是大数据时代的重要数据对象。
3.目前关于智能视频分析技术，大多是基于智能视频技术本身的基础研究，而对将智能视频分析关键技术应用于事故原因诊断分析，尤其是针对危险化学品生产经营等行业的安全生产领域的涉及甚少。对于危险化学品生产经营企业，要时刻防范事故风险，如不慎发生事故，在其发生后应立即采取应急预案，之后应尽快调查事故原因，避免后续生产经营风险。在调查事故原因时，面对监控视频提供的海量数据信息，如果事故调查人员没有方法进行有效、科学的提取，那么势必耗费大量的人力资源和时间成本，且易出现漏检漏查问题。


技术实现要素：

4.本发明在于提供一种事故原因离线智能诊断系统，其能够缓解上述问题。
5.为了缓解上述的问题，本发明采取的技术方案如下：
6.本发明提供了一种事故原因离线智能诊断系统，包括视频数据读取层、中心处理层、数据存储层和关键特征识别算法模型库；
7.所述关键特征识别算法模型库存储有若干类关键特征识别算法模型，所述关键特征识别算法模型为深度学习神经网络模型，且基于从开源数据集获取的对应类的化工事故图像数据训练而成；
8.所述视频数据读取层用于获取监控视频图像数据；
9.所述中心处理层用于从所述关键特征识别算法模型库，选择对应类的关键特征识别算法模型作为当前事故原因诊断模型，并将所述监控视频图像数据输入当前事故原因诊断模型，当前事故原因诊断模型对所述监控视频图像数据进行诊断，若未识别出关键特征，则不输出诊断结果，若识别出关键特征，则输出该关键特征属于当前事故原因诊断模型对应类的事故原因的概率，以及该关键特征对应的视频段和截图作为诊断结果；
10.所述数据存储层用于存储输出的诊断结果。
11.在本发明的一较佳实施方式中，所述关键特征识别算法模型包括卷积神经网络模型和多个分类器，所述分类器的分类精度可调，精度越高的分类操作，识别速率越低，反之则越高；对于每个所述关键特征识别算法模型，所述中心处理层能选择其对应精度的分类操作用于对所述监控视频图像数据进行诊断。
12.在本发明的一较佳实施方式中，所述中心处理层包括条件选择窗口，该窗口设置有分析精度选择窗和关键特征识别算法模型选择窗。
13.在本发明的一较佳实施方式中，所述关键特征识别算法模型的训练方法包括卷积神经网络模型训练以及分类器训练。
14.在本发明的一较佳实施方式中，所述关键特征识别算法模型的训练过程包括：利用从开源数据集获取的化工事故图像数据训练所述卷积神经网络模型，使所述卷积神经网络模型能识别化工事故图像数据中的关键特征；采用训练好的卷积神经网络模型对从开源数据集获取的化工事故图像数据进行图像cnn特征提取，构建关键特征训练集；采用关键特征训练集对分类器进行训练。
15.与现有技术相比，本发明的有益效果是：
16.本发明将通过视频分析技术建立的危险化学品生产经营企业的关键特征识别算法模型库应用到事故原因诊断识别上，利用计算机辅助或代替人工对离线视频进行识别分析，过滤用户不关心的无用信息，仅提取特定事件的关键信息，大大提高事件诊断效率；
17.本发明通过可选的模型识别精确度实现了智能识别系统的识别速率可调。
18.为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
19.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
20.图1是本发明所述事故原因离线智能诊断系统的结构框图；
21.图2是本发明所述事故原因离线智能诊断系统的事故诊断流程图；
22.图3是本发明所述关键特征识别算法模型的结构框图，且示出了其诊断流程。
具体实施方式
23.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
24.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.请参照图1～图3，本发明提供了一种事故原因离线智能诊断系统，包括视频数据读取层、中心处理层、数据存储层和关键特征识别算法模型库。
26.在本发明中，关键特征识别算法模型库存储有若干类关键特征识别算法模型，其类别数量可根据需要进行扩展，例如可以包括人员聚集关键特征识别算法模型、非法闯入关键特征识别算法模型、值班室脱岗关键特征识别算法模型、消防通道堵塞关键特征识别算法模型、环境着火关键特征识别算法模型以及环境冒烟关键特征识别算法模型，这些模
型可用于判断需要识别的视频中是否出现了与自己相似度较高的关键特征，如有关键特征出现在画面中，则系统自动判定出现异常事件，对异常事件发生的视频段落进行提取储存，生成记录表格，从而便于工作人员快速抓取异常信息，获取事故原因；若画面中未出现模型中的关键特征，则输出未检测到关键特征等类似的字样。
27.在本发明中，关键特征识别算法模型为深度学习神经网络模型，且基于从开源数据集获取的对应类的化工事故图像数据训练而成。
28.开源数据集可以为imagenet和/或pascal voc等图像数据库，这些数据库中存放着大量的图片源，可从其中选到所需的化工事故图像数据，所选择的图片都使用labelimg工具进行人工标注，即把数据集中需要识别的信息标记出来(如将画面中着火部位进行人工标注，标注标签为“着火”)，得到标注后的图像数据和图像数据对应的标签文件。
29.在本发明中，关键特征识别算法模型包括卷积神经网络模型和多个分类器，分类器的分类精度可调，精度越高的分类操作，识别速率越低，反之则越高。
30.其中，各分类器的结构可以不同，例如softmax、svm、随机森林等，各分类器的结构也可以相同，但是所采用的训练数据源不同。
31.在本发明中，关键特征识别算法模型的训练方法包括卷积神经网络模型训练以及分类器训练，具体包括：
32.1)利用从开源数据集获取的化工事故图像数据训练卷积神经网络模型，使卷积神经网络模型能识别化工事故图像数据中的关键特征；
33.2)采用训练好的卷积神经网络模型对从开源数据集获取的化工事故图像数据进行图像cnn特征提取，构建关键特征训练集；
34.3)采用关键特征训练集对分类器进行训练。
35.在本发明中，中心处理层根据需要识别的事故类型，从关键特征识别算法模型库中调用对应类型的关键特征识别算法模型作为当前事故原因诊断模型，如图1所示。
36.视频数据读取层获取到的待诊断的视频图像数据首先输入当前事故原因诊断模型的卷积神经网络模型，并识别出所需的关键特征。
37.为了实现分类精度可调，对分类器进行组合使用，设有n个分类器，按照从低到高的顺序，得到不同精度的诊断结果的具体组合方式如下：
38.第一精度的诊断结果：
39.仅选择将识别出的关键特征输入第一分类器，第一分类器得到的分类结果作为第一精度的诊断结果。
40.第二精度的诊断结果：
41.选择将识别出的关键特征输入第一分类器和第二分类器，第一分类器和第二分类器分别得到的分类结果进行组合，最终得到第二精度的诊断结果。
42.第三精度的诊断结果：
43.选择将识别出的关键特征输入第一分类器、第二分类器和第三分类器，第一分类器、第二分类器和第三分类器分别得到的分类结果进行组合，最终得到第三精度的诊断结果。
44.……
45.第n精度的诊断结果：
46.选择将识别出的关键特征输入第一分类器、第二分类器、第三分类器、
……
、第n分类器，第一分类器、第二分类器、第三分类器、
……
、第n分类器分别得到的分类结果进行组合，最终得到第n精度的诊断结果。
47.以三个分类器为例，其组合方式以及数据走向如图3所示。
48.在本发明中，可采用设置分类器权重的方法组合将各分类器的分类结果进行组合，各分类器都有各自对应的权重，各分类器的权重和为1。最初可设置一个初始权重，之后根据在实际应用中的表现状态进行修正，修正后仍然需保证各分类器的权重和为1。
49.修正方法为：当某个分类器的分类结果正确时，另一个分类器的分类结果错误时，则将检测正确的分类器的权重加0.001，将检测错误的分类器的权重减0.001，而对于未参与检测的分类器，则其权重不发生变化。
50.在进行关键特征识别时，先根据当前选择的分类器的数量，对当前选择的分类器的权重进行调节，使当前选择的分类器的权重和为1，当前选择的分类器的权重相对比例在调整前、后不变；
51.之后将当前选择的各个分类器的分类结果中的概率与各自的调整后权重相乘，得到的结果相加，得到新的概率，即作为当前事故原因诊断模型对应类的事故原因的概率。
52.我们通过多次测试，发现所选择的分类器越多，则诊断结果精度越高，但是所耗费的时间越长。
53.在本发明中，中心处理层包括条件选择窗口，该窗口设置有关键特征识别算法模型选择窗和分析精度选择窗。
54.在中心处理层的关键特征识别算法模型选择窗可选择对应类的关键特征识别算法模型作为当前事故原因诊断模型，在中心处理层的分析精度选择窗可选择当前事故原因诊断模型的分析精度后，相当于选择了当前事故原因诊断模型的分类器的组合方式。
55.将来自视频数据读取层的监控视频图像数据输入当前事故原因诊断模型，则当前事故原因诊断模型按照所选择的分析精度对应的组合操作方式，对监控视频图像数据进行诊断，若未识别出关键特征，则不输出诊断结果，若识别出关键特征，则输出该关键特征属于当前事故原因诊断模型对应类的事故原因的概率，以及该关键特征对应的视频段和截图作为诊断结果。
56.在本发明的一可选实施例中，可将视频数据读取层与目标危险化学品生产经营企业的视频监控系统建立单向视频数据传送通道，使目标视频监控系统中的实时视频图像数据能实时传输至视频数据读取层，之后进行后续的视频分析。在这样操作后，一旦目标危险化学品生产经营企业发生事故，则可第一时间在本发明系统的数据存储层中查询诊断结果，第一时间获取到事故原因。
57.在本发明的一可选实施例中，可为本系统配置能显示数据存储层中的诊断结果的led显示屏。
58.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。