【技术实现步骤摘要】
本专利技术属于ai应用部署，具体涉及一种基于arm平台ai应用部署的安全生产智慧监管系统。
技术介绍
1、工厂生产环境往往因为安全基础设施不完善，导致无法及时进行必要的安全管控，现阶段在安全管控期间主要管控措施是通过安全负责人依据安全规章制度进行排查，此类措施在面对作业现场安全生产监管时，受到生产规模、工厂建设环境、作业空间有限等客观因素的影响，排查难度较大，耗费大量人力物力资源，安全管理效率低下；部分工厂未能按照标准化体系运行，安全生产要素运行管理缺失，标准化创建与运行分离，工厂作业人员流动性大、安全意识较弱，导致作业现场隐患多，安全管理难度大。
2、目前非法区域入侵检测对在安全管理及事故预防中极为重要，而对安全行为和工厂环境的安全检查，实践中较多依赖人来实施，在实时性、准确性、可靠性方面难以满足管理需求，需要更加实时、准确、智能的手段来解决。基于传统的计算机视觉和传感器技术在现场实际应用的局限性较强，多人集聚复杂场景下识别效率低下，以此为基础的安全监管系统普遍存在对触发事件缺少判断分析，缺乏智能性，所以安全生产管理的效率和质量还需进一步提升。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种基于arm平台ai应用部署的安全生产智慧监管系统，
2、本专利技术的目的可以通过以下技术方案实现：
3、一种基于arm平台ai应用部署的安全生产智慧监管系统，包括：ai应用模块、模型移植模块、模型调用模块、前端设备采集模块、终端监管模
4、所述ai应用模块用于通过深度学习框架对构建的边缘ai应用模型进行训练导出得到模型文件；
5、所述模型移植模块用于通过神经网络交换格式将所述模型文件转换为嵌入式系统平台的数据格式指令文件，并对所述边缘ai应用模型进行量化处理；
6、所述模型调用模块用于对所述边缘ai应用模型进行全生命周期管理，将所述边缘ai应用模型部署为在线服务，并进行模型调用验证；
7、所述前端设备采集模块用于通过监控摄像头对生产现场进行图像采集，在视频时序的控制下，采集图像经过滤波放大处理后，以信号形式输出至边缘计算服务器中；
8、所述终端监管模块用于根据所述前端设备采集模块的安全监管类别调用部署所述边缘ai应用模型，基于所述边缘计算服务器进行模型推理计算并将计算结果发送至终端监管平台。
9、具体地，所述边缘ai应用模型包括区域智能入侵检测模型、人员跌落识别模型、安全绳目标检测模型；
10、所述区域智能入侵检测模型通过所述监控摄像头生产现场检测图像，对所述生产现场检测图像进行图像预处理后得到入侵检测图像；
11、根据生产现场的位置区域设定安全保护区，根据检测区域背景初始图像的灰度矩阵对角线方向上相邻两像素之差近似梯度幅值检测边缘得到边缘特征图，对所述边缘特征图进行形态学处理去除残留噪声后得到抗干扰检测图像，将所述抗干扰检测图像中的边缘特征点通过参数空间变换映射到极坐标系中，预设极坐标像素点累加阈值，若所述极坐标系中坐标点的累加值超过所述极坐标像素点累加阈值，则提取所述极坐标系中坐标点对应直角坐标系的直线方向，将处于所述直线方向上的所述边缘特征点进行连接得到安全保护区的区域检测图；
12、根据所述检测区域背景初始图像对所述入侵检测图像进行自适应阈值分割得到目标图像和背景图像，对所述目标图像进行目标检测后得到检测帧目标，并用所述背景图像更新所述检测区域背景初始图像，将检测后的检测帧目标合成为运动目标，根据所述运动目标和所述区域检测图进行入侵判定得到区域入侵结果。
13、具体地，所述人员跌落识别模型通过对所述监控摄像头采集的实时视频流进行高精度跌倒检测，所述安全绳目标检测模型用于识别所述实时视频流中的人体、安全绳背心的具体位置信息。
14、具体地，所述全生命周期管理为端到端的模型服务过程，包括项目启动管理、特征工程管道、模型应用实验、自动化机器学习工作流管道；所述项目启动管理用于定位模型的初始数据分析的数据源；所述特征工程管道用于定义集成组件进行持续部署的应用代码和编排组件，通过数据转换规则和清理规则进行数据清洗任务，执行特征计算任务，根据计算结果反馈改进特征工程规则并加载到特征存储系统；所述模型应用实验用于创建训练数据集和测试数据集，通过所述训练数据集触发模型训练，根据所述测试集对模型参数以交互方式进行测试和验证，迭代训练停止后导出模型并将代码提交至存储库；所述自动化机器学习工作流管道用于提取模型版本，执行自动模型评估和迭代的超参数更新，将训练完成的模型推送至模型注册表。
15、具体地，其特征在于，所述量化处理方法为：根据量化范围和位宽将训练完成后的单精度浮点数模型转化为低比特宽度的定点模型。
16、具体地，所述边缘计算服务器采用双存储单元进行数据备份，基于fpga核心控制器控制数据的接收与存储，通过阻隔芯片接收数据信号并传递给对应的内部控制单元，通过内部fifo缓存数据，等待fpga控制fifp读操作，将缓存的数据送入所述双存储单元。
17、具体地，所述安全监管类别包括工厂环境安全类、工厂环境空间现场安全类、从业人员操作行为类；所述工厂环境安全类通过所述区域智能入侵检测模型对工厂作业现场以及主要出入口进行远程监控；所述工厂环境空间现场安全类通过所述人员跌落识别模型自动识别安全隐患；所述从业人员操作行为类通过所述安全绳目标检测模型监控工人是否正确佩戴安全绳，及时发现违规行为并发出告警。
18、具体地，所述边缘ai应用模型通过docker容器化平台将应用程序及其依赖项打包到一个可移植容器中进行部署。
19、本专利技术的有益效果为：
20、通过传感器、监控设备和ai模型，实时监测生产环境中的各种安全风险因素，建立从隐患发现、预警、处理到复查的闭环管理机制，确保每项隐患都能得到彻底解决，并记录在系统中，为后续的事故追溯与经验总结提供依据；对工厂作业现场以及主要出入口进行远程监控，通过智能区域入侵模型自动识别安全隐患和人员违规行为；基于arm平台在已有的监控设备上进行智能改造，针对实际应用场景对ai应用算法进行实时调优，构建了基于物联网的多层级安全智能生产监管系统，提供模块化的平台，促进了功能扩展、部署及个性化定制，实现了数据的集成与共享，提高了ai应用模型的泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于ARM平台AI应用部署的安全生产智慧监管系统，其特征在于，包括：AI应用模块、模型移植模块、模型调用模块、前端设备采集模块、终端监管模块；
2.根据权利要求1所述的系统，其特征在于，所述边缘AI应用模型包括区域智能入侵检测模型、人员跌落识别模型、安全绳目标检测模型；
3.根据权利要求1所述的系统，其特征在于，所述人员跌落识别模型通过所述监控摄像头采集的实时视频流进行高精度跌倒检测，所述安全绳目标检测模型用于识别所述实时视频流中的人体、安全绳背心的具体位置信息。
4.根据权利要求1所述的系统，其特征在于，所述全生命周期管理为端到端的模型服务过程，包括项目启动管理、特征工程管道、模型应用实验、自动化机器学习工作流管道；所述项目启动管理用于定位模型的初始数据分析的数据源；所述特征工程管道用于定义集成组件进行持续部署的应用代码和编排组件，通过数据转换规则和清理规则进行数据清洗任务，执行特征计算任务，根据计算结果反馈改进特征工程规则并加载到特征存储系统；所述模型应用实验用于创建训练数据集和测试数据集，通过所述训练数据集触发模型训练，根据所述测
5.根据权利要求1所述的系统，其特征在于，所述量化处理方法为：根据量化范围和位宽将训练完成后的单精度浮点数模型转化为低比特宽度的定点模型。
6.根据权利要求1所述的系统，其特征在于，所述边缘计算服务器采用双存储单元进行数据备份，基于FPGA核心控制器控制数据的接收与存储，通过阻隔芯片接收数据信号并传递给对应的内部控制单元，通过内部FIFO缓存数据，等待FPGA控制FIFP读操作，将缓存的数据送入所述双存储单元。
7.根据权利要求1所述的系统，其特征在于，所述安全监管类别包括工厂环境安全类、工厂环境空间现场安全类、从业人员操作行为类；所述工厂环境安全类通过所述区域智能入侵检测模型对工厂作业现场以及主要出入口进行远程监控；所述工厂环境空间现场安全类通过所述人员跌落识别模型自动识别安全隐患；所述从业人员操作行为类通过所述安全绳目标检测模型监控工人是否正确佩戴安全绳，及时发现违规行为并发出告警。
8.根据权利要求1所述的系统，其特征在于，所述边缘AI应用模型通过Docker容器化平台将应用程序及其依赖项打包到一个可移植容器中进行部署。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的基于ARM平台AI应用部署的安全生产智慧监管系统。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的基于ARM平台AI应用部署的安全生产智慧监管系统。
...【技术特征摘要】
1.一种基于arm平台ai应用部署的安全生产智慧监管系统，其特征在于，包括：ai应用模块、模型移植模块、模型调用模块、前端设备采集模块、终端监管模块；
2.根据权利要求1所述的系统，其特征在于，所述边缘ai应用模型包括区域智能入侵检测模型、人员跌落识别模型、安全绳目标检测模型；
3.根据权利要求1所述的系统，其特征在于，所述人员跌落识别模型通过所述监控摄像头采集的实时视频流进行高精度跌倒检测，所述安全绳目标检测模型用于识别所述实时视频流中的人体、安全绳背心的具体位置信息。
4.根据权利要求1所述的系统，其特征在于，所述全生命周期管理为端到端的模型服务过程，包括项目启动管理、特征工程管道、模型应用实验、自动化机器学习工作流管道；所述项目启动管理用于定位模型的初始数据分析的数据源；所述特征工程管道用于定义集成组件进行持续部署的应用代码和编排组件，通过数据转换规则和清理规则进行数据清洗任务，执行特征计算任务，根据计算结果反馈改进特征工程规则并加载到特征存储系统；所述模型应用实验用于创建训练数据集和测试数据集，通过所述训练数据集触发模型训练，根据所述测试集对模型参数以交互方式进行测试和验证，迭代训练停止后导出模型并将代码提交至存储库；所述自动化机器学习工作流管道用于提取模型版本，执行自动模型评估和迭代的超参数更新，将训练完成的模型推送至模型注册表。
5.根据权利要求1所述的系统，其特征在于，所述量化处理方法为：根据量化范围和位宽将训练完成...
【专利技术属性】
技术研发人员：曹嘉修，司洋，孙建英，宋桂棉，常涛，伏云辉，董晓娟，张建杰，
申请(专利权)人：上海迪维欧电子设备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。