一种基于深度学习的钻井现场危险区域预警系统与方法技术方案

一种基于深度学习的钻井现场危险区域预警系统和方法，包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；由所述视频采集模块进行图像采集，并传输进入所述视频智能识别模块；所述视频识别模块对采集的图像进行人员识别，并将识别结果传输进入所述危险分析模块；所述危险分析模块判断图像内的人员是否位于危险区域，且钻柱的旋转状态，判断是否触发所述预警模块，进行预警。本发明专利技术所述的预警系统方便高效，能够实现实时监测，提高了钻井现场的智能化管理水平；可以实现对钻台危险区域人员靠近的自动预警，能够极大提升监控效率，降低事故发生，对井队安全生产起到促进作用。

An early warning system and method of dangerous area in drilling site based on deep learning

【技术实现步骤摘要】
一种基于深度学习的钻井现场危险区域预警系统与方法
本专利技术涉及钻井领域，尤其涉及一种基于深度学习的钻井现场危险区域预警系统与方法。
技术介绍
钻井现场对安全生产的要求日益严格，钻柱正常旋转过程可能会对靠近的作业工人造成人身伤害，属于安全事故潜在发生场所。目前，钻柱旋转过程对其附近工人靠近行为的管控主要靠人工来实现，通过现场摄像头将钻台附近的情况传输至监控室，通过专职人员查看的方式来监测，这种方法局限性很大，不能做到实时提醒，并且难以做到全天候监控。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的钻井现场危险区域预警系统与方法，从而解决现有技术中存在的前述问题。为了实现上述目的，本专利技术采用的技术方案如下：一种基于深度学习的钻井现场危险区域预警系统，包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；所述视频采集模块连接所述视频智能识别模块，将采集到的钻台周围的图像传输进入所述视频智能识别模块；所述视频智能识别模块输出端连接所述危险分析模块，将识别结果传输给所述危险分析模块；所述危险分析模块输出端与所述预警模块进行电连接，当识别结果位于危险区域内，且钻柱转动时，触发所述预警模块。优选的，所述视频智能识别模块、所述危险分析模块和所述预警模块均嵌入至NVIDIAJetsonXT2硬件平台中。优选的，所述视频采集模块通过所述NVIDIAJetsonXT2硬件平台的接口连接所述视频智能识别模块。优选的，所述危险区域预警系统通过所述NVIDIAJetsonXT2硬件平台获取钻柱的旋转状态。优选的，所述视频采集模块包括摄像头。一种基于深度学习的钻井现场危险区域预警系统的方法，包括以下步骤：S1、将视频采集模块安装于钻台区域上端，采集所述钻台周围的图像并传输进入视频智能识别模块；S2、所述视频识别模块中通过卷积神经网络识别算法构建图像检测模型，通过所述图像检测模型对所述钻台周围的人员进行检测，并输出人员识别序列和对应的目标区域矩形框，传输进入危险识别模块；S3、所述危险识别模块将所述目标区域矩形框转化为目标中心坐标点，并判断所述目标中心坐标点是否位于预先设定的危险区域内，当钻柱旋转状态下，有一个及一个以上的所述目标中心坐标点位于所述危险区域内，则触发预警模块，所述预警模块发出警报声音。优选的，所述危险识别模块通过NVIDIAJetsonXT2硬件平台获取所述钻柱的旋转状态。优选的，所述图像检测模型的创建方式为：收集所述钻台周围的图片，对其中的工人进行手工标注，并进行监督学习训练，应用深度学习算法离线训练出图像检测模型。优选的，所述视频识别模块处理单帧图像，处理速度为10fps。优选的，所述危险区域以钻柱为中心，宽度范围为0.4倍摄像头输出图像宽度，高度为摄像头输出图像高度。本专利技术的有益效果是：本专利技术所述的基于深度学习的钻井现场危险区域预警系统和方法，借助深度学习算法，构建了一种轻量级识别模型，能够克服光照、遮挡等对工人检测精度的影响，实现全天候实时监测，工作过程中对进入旋转钻柱附近的现场人员进行声音警报，达到提醒现场人员的功能，最大限度降低现场人员由于疏忽大意进入危险区域而引起的安全事故。本专利技术所述的预警系统方便高效，能够实现实时监测，提高了钻井现场的智能化管理水平；可以实现对钻台危险区域人员靠近的自动预警，能够极大提升监控效率，降低事故发生，对井队安全生产起到促进作用。附图说明图1是危险区域预警系统的结构示意图；图2是神经网络组成图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。一种基于深度学习的钻井现场危险区域预警系统，其结构如图1所示，包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；所述视频采集模块连接所述视频智能识别模块，将采集到的钻台周围的图像传输进入所述视频智能识别模块；所述视频智能识别模块输出端连接所述危险分析模块，将识别结果传输给所述危险分析模块；所述危险分析模块输出端与所述预警模块进行电连接，当识别结果位于危险区域内时，触发所述预警模块。所述视频智能识别模块、所述危险分析模块和所述预警模块均嵌入至NVIDIAJetsonXT2硬件平台中；所述视频采集模块通过所述NVIDIAJetsonXT2硬件平台的接口连接所述视频智能识别模块；所述危险区域预警系统通过NVIDIAJetsonXT2硬件平台获取钻柱的旋转状态。基于深度学习的钻井现场危险区域预警系统的方法，包括以下步骤：S1、在钻台区域上端安装一组摄像头作为视频采集模块，采集所述钻台周围的图像并传输进入视频智能识别模块中；S2、所述视频识别模块中通过卷积神经网络识别算法构建图像检测模型，所述图像检测模型在所述NVIDIAJetsonXT2中运行，通过所述图像检测模型对所述钻台周围的人员进行检测，并输出人员识别序列和对应的目标区域矩形框，所述人员识别序列表示图像中的人员数量，所述目标区域矩形框表示每一个人员对应的区域矩形框；所述图像检测模型利用卷积神经网络识别算法进行构建：采用的神经网络由卷积层、池化层、非线性RELU层等组成，如图2所示，输入图像归一化为300×300大小，经过一系列的卷积层学习到不同尺度的特征图,分别如下：[Cov5_3,Cov7,Cov8_2,Cov9_2,Cov10_2,Cov11_2]对其中5种不同的卷积层的输出的特征图分别用两个不同的3×3的卷积核进行卷积，一个输出分类用的confidence；一个输出回归用的localization，网络最后的损失层由SmoothL1和Softmax组成；Anchor设计方法：每一个特征图上的一个特征元组，可以预测若干个Anchors。其大小由scale(大小)和aspectratio(长宽比)决定。Scale的计算公式如下：其中Smin＝0.2，表示最底层的scale；Smax＝0.9，表示最高层的scale；Aspectratio，用ar表示为下式：ar＝{1,2,3,1/2,1/3}因此每个defaultbox的宽wk和高hk计算公式为：数据准备好后，收集所述钻台周围的图片，对其中的工人进行手工标注，并对上述模型进行监督学习训练，应用深度学习算法离线训练出图像检测模型。S3、危险识别模块预先定义一个矩形区域作为危险区域，将所述目标区域矩形框转化为目标中心坐标点，并通过所述NVIDIAJetsonXT2硬件平台获取所述钻柱的旋转状态；所述危险识别模块判断所述目标中心坐标点是否位于所述危险区域内，当所述目标中心坐标点位于所述危险区域内，且所述钻柱处于旋转状态时，触发所述预警模块，所述预警模块发出警报声；否则不进行报警。实施例...

【技术保护点】
1.一种基于深度学习的钻井现场危险区域预警系统，其特征在于，包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；所述视频采集模块连接所述视频智能识别模块，将采集到的钻台周围的图像传输进入所述视频智能识别模块；所述视频智能识别模块输出端连接所述危险分析模块，将识别结果传输给所述危险分析模块；所述危险分析模块输出端与所述预警模块进行电连接，当识别结果位于危险区域内，且钻柱转动时，触发所述预警模块。/n

【技术特征摘要】
1.一种基于深度学习的钻井现场危险区域预警系统，其特征在于，包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；所述视频采集模块连接所述视频智能识别模块，将采集到的钻台周围的图像传输进入所述视频智能识别模块；所述视频智能识别模块输出端连接所述危险分析模块，将识别结果传输给所述危险分析模块；所述危险分析模块输出端与所述预警模块进行电连接，当识别结果位于危险区域内，且钻柱转动时，触发所述预警模块。


2.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统，其特征在于，所述视频智能识别模块、所述危险分析模块和所述预警模块均嵌入至NVIDIAJetsonXT2硬件平台中。


3.根据权利要求2所述的基于深度学习的钻井现场危险区域预警系统，其特征在于，所述视频采集模块通过所述NVIDIAJetsonXT2硬件平台的接口连接所述视频智能识别模块。


4.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统，其特征在于，所述危险区域预警系统通过所述NVIDIAJetsonXT2硬件平台获取钻柱的旋转状态。


5.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统，其特征在于，所述视频采集模块包括摄像头。


6.一种基于权利要求1-4的所述基于深度学习的钻井现场危险区域...

【专利技术属性】
技术研发人员：缑柏弘，卢月胜，来建强，
申请(专利权)人：北京四利通控制技术股份有限公司，
类型：发明
国别省市：北京;11