視頻智能管理系統在智慧工地中的應用

謝輝

（中國石油西南油氣田公司通信與信息技術中心，四川成都，610000）

0 引言

在油田數字化建設不斷發展并完善的今天，現場管理情況基本依靠文字報告，缺乏準確、及時的反映與存檔，監管成本高，施工現場管理難度大，因此為了保證在施工現場的安全，視頻智能管理系統與安全生產的結合,不僅能提升企業對安全生產的預測、預判和預控能力,并且為企業加強和創新安全管理提供了重要保障和有力支撐。

1 實施背景

在各建設項目施工現場，隨著工業視頻監控系統全面覆蓋施工現場，便攜式巡檢記錄儀的使用等，前端攝像機數量眾多，畫面多，而系統的智能化程度較低，現有監控方式缺陷明顯：

1.1 海量視頻數據對監控數據分析,查詢困難

高清視頻數據是全天24小時持續不斷錄制，存儲時間30天-90天，數據量巨大。數據 “沉睡”在硬盤中，數據判讀和分析依靠人工進行，效率低、實時性差、人為誤判等缺點，同時視頻監控人員工作強度大。

1.2 人、車、物管理需要

施工現場工作人員穿戴規范識別的需求，生產區人員管控需求，生產區車輛管控需求，設備設施遠程巡檢需求。

1.3 施工作業管理需要

管線站場、閥室視頻監控系統與各種安防、自控系統聯動的要求的逐步提高，有針對施工作業場景的視頻資源篩選的需求，比如火災、漏油、工衣工帽等事件，通過人工監督，發現違章后可以痕跡化管理的需求，保障施工違規及時發現的需求。

因此，建設覆蓋各建設項目施工現場的視頻智能管理系統，對視頻數據實時智能分析，自動判斷、及時發現違章操作等敏感事件，達到對工地現場異常事件“早發現、早預防、快處理”，提高在建工地安全管理水平和效率。

2 視頻智能管理系統技術

2.1 智能分析技術簡介

自20世紀90年代智能視頻分析技術誕生以來，經過數十年的發展，這項起源于計算機視覺的技術伴隨著商業化的逐步應用正日益受到人們的普遍重視。

視頻智能分析技術定義：源自計算機視覺技術，利用智能分析算法對視頻內容進行運算和分析，它的核心技術是對視頻內容的行為進行識別和分析，以提取視頻場景中發生的一些特定的事件或監控目標的特定行為。一旦目標在場景中出現了違反預定義分析規則的行為，系統會觸發預設置的聯動規則，從而達到主動提醒的功能。

分類：從智能分析系統的產品形態來說，分為兩類：一類是由智能算法+DSP來實現，常見于安裝在前端的智能分析攝像機與智能分析視頻服務器；另一類是采用后端PC服務器加智能分析軟件的運行模式。

“前端分析”技術特點：將智能分析算法嵌入到前端攝像機，對采集的視頻內容立即進行分析，提取出畫面中關鍵的、感興趣的、有效的信息，形成結構化的數據，減少了視頻信息上傳的網絡帶寬壓力。優勢在于每一路前端攝像機都可以做智能的實時分析，消滅延時，減輕后端的計算壓力，可以做到無遺漏的智能分析。缺點是受到前端芯片體積限制，處理性能不佳，實際應用中效果不理想，只能作為普通輔助手段。

“后端分析”技術特點：后端服務器可以應用更為復雜的算法，特別是那些移植到相機中需要大量優化和改進的、以及前端無法實時運行的復雜算法，分析效果相對前端產品要好；同時，只需要上傳視頻流給智能分析服務器即可，一臺智能分析服務器可以同時處理幾十路前端視頻流等。缺點是需要視頻信息實時上傳，對網絡帶寬的需求較大。

針對在建項目施工現場對智能識別的要求高的特點，通信傳輸網絡帶寬充足，對比分析，采用以后端PC服務器加智能分析軟件的核心運行模式，具體網絡架構如圖1所示。

圖1 智慧工地視頻智能管理系統整體架構

2.2 智能視頻識別技術

2.2.1 基于深度學習的視頻分析方法

圖像處理和識別技術利用濾波和分類技術，常見的主要針對特定的對象或者場景下的傳統算法，如小波濾波、淺層神經網絡、SVM等。隨著人工智能方法的運用，深度學習法技術運用在圖像處理中，可提高識別率、泛化能力，基于深度學習的影像智能處理技術。

圖2 深度學習視頻處理流程

深度學習模型應用于圖像（視頻）的自動化處理，識別準確度高，泛化能力強。其最大特點是，需要大數據來訓練。因此，對處理器的要求，就是需要大量的并行的重復計算，具有高算力的GPU一般是服務器端的選擇。

GPU具有如下特點：

提供了多核并行計算的基礎結構，可以支撐大量數據的并行計算。并行計算它是一種一次可執行多個指令的算法，目的是提高計算速度，及通過擴大問題求解規模，解決大型而復雜的計算問題。

擁有更高的訪存速度。

更高的浮點運算能力。浮點運算能力是關系到處理器的多媒體、3D圖形處理的一個重要指標，因此浮點運算的能力是考察處理器計算能力的重要指標。

2.2.2 算法的實現

根據各建設項目施工現場視頻數據通過深度學習算法通過數據標注、樣本訓練、神經網絡模型優化等環節，建立起性能良好的參數化模型。

圖3 算法實現流程圖

圖4 算法模型建立過程

2.2.3 樣本庫的建立

對于各建設項目施工現場的基本目標模型（包括人員、車輛等），基于視頻數據和基本目標模型，對不同的場景（如白天和夜晚），建立特定的樣本庫，包括：入侵檢測、停留檢測、徘徊檢測、自動跟蹤，物體識別、火焰識別、工衣工帽識別等。通過有效的數據增強方法，不斷擴展數據集。

圖5 采集視頻示意圖

2.3 后臺管理系統

在建設項目管理中心部署后臺管理系統，硬件：根據處理對象的不同，形成同時處理30路，100路，200路視頻的設備，并配置相應處理能力的GPU服務器。

實現主要性能指標：

(1) 視頻識別速度 ：≥ 20FPS（720P）， ≥ 15FPS（1080P）。

(2)事件智能分析識別率： ≥85%；能有效識別明火、人、勞保服帽等。

軟件功能：由實時告警、歷史告警、業務統計、視頻預覽、用戶管理和配置管理組成。

告警模式：智能識別告警，自動巡檢模式告警。可以對火警、人、動物、車進行智能識別告警，并進行告警過濾。

告警分類：根據實際應用，對告警信息進行分類，優先級較高的告警會立即置頂，并一直保留到處理完畢為止。

告警信息發布：通過手機公眾號、APP、短信等方式，實現移動終端實時監控處理，并具有視頻瀏覽功能。

3 視頻智能管理系統在施工現場應用

選取某在建井臺，部署固定攝像機視頻監控系統，系統組網采用租用鏈路，以太網方式組網，在控制室存儲，前端攝像機接入路數2路。

系統部署：在控制室部署視頻智能管理系統，利用GPU服務器強大的圖像處理能力，將非結構化的視頻數據，轉換成計算機易于識別和處理的結構化信息，將視頻中包含的關鍵信息提取出來，轉換成文字、數字描述，建立與視頻幀的關聯，實現計算機對視頻的分析、對比、搜索功能。

利用智能分析軟件的深度學習功能，對背景、監測區域自定義形狀，并組合多個規則、多種算法同時處理。建立反饋機制，由人工對每次報警的結果進行判斷，并反饋給軟件，讓分析系統自動學習并更新，以建立報警事件數據庫。

應用結果：能夠實現對人、車、工服工帽的識別。以下為實驗過程中識別目標時的視頻圖像。在視頻智能分析設備運行良好，傳輸通道滿足要求的情況下，智能識別準確率達到85%，應用效果滿足系統功能。

表1 系統應用相關數據統計表

4 結論

視頻智能管理系統在智慧工地中的應用非常重要。通過增強管理平臺的智能化，引入深度學習能力，隨著巡線中各種視頻庫和樣本庫的積累，基于深度學習的人工智能方法對航拍視頻事件特征的提取更加準確、分析識別率更高，以機器視覺替代人工查閱，準確地識別和告警，將人從繁重的盯防中解脫出來。

與此同時，提高報警準確率，最大限度地減少誤報和漏報現象的發生，從業務邏輯、預告警分類等方面建立的智慧工地安全預警體系將更加貼合施工現場的需求，保障建設過程的安全。

實現對在建施工現場，改善項目現場管理現狀，實現現場實時監控，數據及時傳輸，保障現場安全，減少項目管理成本，實現智慧管理具有重要意義。