一种区域作业监管方法、系统及存储介质与流程

1.本发明涉及智慧管理领域，尤其涉及的是一种区域作业监管方法、系统及存储介质。


背景技术：

2.近年来，城市建设迅猛发展，城市燃气需求也在不断加快，安全管理问题也日渐凸显，安全隐患和安全事故时有发生。城市燃气安全是城市安全的重要组成部分，随着城市气化率的提升，对于城市燃气来说，燃气泄露及爆炸等安全事故不仅给企业带来严重损失，也给社会经济的发展带来负面影响。燃气管线的特种作业作为影响城市燃气安全重要的一环，工程质量关系到管网的正常运行，尤其是在燃气管网的铺设和建设中。
3.目前，在燃气管线的特种作业过程中，为了避免发生监管人员离岗，作业人员冒名顶替，安全施工保障措施落实不到位，作业流程不规范等一系列的问题，需要安排管理人员定期巡检，导致耗费大量人力物力。
4.因此，现有技术还有待改进和发展。


技术实现要素：

5.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种区域作业监管方法、系统及存储介质，旨在解决现有技术中需要安排管理人员定期巡检特种作业现场，导致耗费大量人力物力的问题。
6.本发明解决问题所采用的技术方案如下：
7.第一方面，本发明实施例提供一种区域作业监管方法，其中，所述方法包括：
8.获取目标区域对应的监控图像；
9.将所述监控图像输入预设的目标模型，得到一个或者若干目标检测物；
10.根据一个或者若干所述目标检测物，确定所述目标区域对应的区域安全状态。
11.在一种实施方式中，所述目标模型包括骨干网络、特征融合层以及检测器，所述将所述监控图像输入预设的目标模型，得到一个或者若干目标检测物，包括：
12.将所述监控图像输入所述骨干网络，得到若干目标特征图，其中，若干所述目标特征图分别对应不同的尺度；
13.将若干所述目标特征图输入所述特征融合层，得到融合特征图；
14.将所述融合特征图输入所述检测器，得到一个或者若干所述目标检测物。
15.在一种实施方式中，所述目标模型还包括下采样模块，所述将所述监控图像输入所述骨干网络，得到若干目标特征图，包括：
16.将所述监控图像输入所述下采样模块，得到若干切片图像，其中，若干所述切片图像分别对应的像素的总和与所述监控图像对应的像素的总和相等，若干所述切片图像分别对应的像素互不重合；
17.对若干所述切片图像进行拼接，得到拼接图像；
18.将所述拼接图像输入所述骨干网络，得到若干所述目标特征图。
19.在一种实施方式中，所述骨干网络包括第一卷积模块、空间金字塔池化层以及第二卷积模块，所述将所述拼接图像输入所述骨干网络，得到若干所述目标特征图，包括：
20.将所述拼接图像输入所述第一卷积模块，得到所述拼接图像对应的全局特征图；
21.将所述全局特征图输入所述空间金字塔池化层，得到若干子特征图，其中，若干所述子特征图分别对应所述全局特征图的不同尺度，若干所述子特征图的大小相同；
22.将若干所述子特征图分别输入所述第二卷积模块，得到若干所述目标特征图。
23.在一种实施方式中，所述骨干网络还包括注意力模块，所述将若干所述子特征图分别输入所述第二卷积模块，得到若干所述目标特征图，包括：
24.将若干所述子特征图分别输入所述第二卷积模块，得到若干初始特征图；
25.将若干所述初始特征图输入所述注意力模块，得到若干所述目标特征图，其中，每一所述目标特征图中各通道分别对应不同的权重值。
26.在一种实施方式中，所述将所述融合特征图输入所述检测器，得到一个或者若干所述目标检测物，包括：
27.将所述融合特征图输入所述检测器；
28.通过所述检测器对所述融合特征图进行分格检测，得到所述融合特征图中的一个或者若干所述目标检测物，其中，若干所述目标检测物分别对应所述目标区域中的不同目标物体。
29.在一种实施方式中，所述通过所述检测器对所述融合特征图进行分格检测，得到所述融合特征图中的一个或者若干所述目标检测物，包括：
30.通过所述检测器对所述融合特征图进行分格检测，得到若干候选检测物；
31.根据若干所述候选检测物，确定一个或者若干所述目标检测物，其中，当所述目标检测物的数量为多个时，任意两个所述目标检测物对应的交并比小于或者等于预设阈值。
32.在一种实施方式中，所述根据一个或者若干所述目标检测物，确定所述目标区域对应的区域安全状态，包括：
33.根据若干所述目标检测物，获取所述目标区域中各目标物体分别对应的实际状态；
34.获取所述目标区域中各目标物体分别对应的标准状态；
35.根据所述目标区域中各目标物体分别对应的标准状态和实际状态，确定所述区域安全状态，其中，所述区域安全状态为安全或者预警。
36.第二方面，本发明实施例还提供一种区域作业监管系统，其中，所述系统包括安全监控管理模块，所述安全监控管理模块包括：
37.图像获取模块，用于获取目标区域对应的监控图像；
38.目标检测模块，用于将所述监控图像输入预设的目标模型，得到一个或者若干目标检测物；
39.状态确定模块，用于根据一个或者若干所述目标检测物，确定所述目标区域对应的区域安全状态。
40.第三方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的区域作业监管方法的
步骤。
41.本发明的有益效果：本发明实施例通过获取目标区域对应的监控图像；将所述监控图像输入预设的目标模型，得到一个或者若干目标检测物；根据一个或者若干所述目标检测物，确定所述目标区域对应的区域安全状态。本发明可以实现对特种作业现场的远程监管，解决了现有技术中需要安排管理人员定期巡检特种作业现场，导致耗费大量人力物力的问题。
附图说明
42.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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的附图。
43.图1是本发明实施例提供的区域作业监管方法的流程框架。
44.图2是本发明实施例提供的目标模型的结构示意图。
45.图3是本发明实施例提供的金字塔池化层的结构示意图。
46.图4是本发明实施例提供的传统方法和空间金字塔池化方法的比较示意图。
47.图5是本发明实施例提供的增加注意力模块后的目标模型的骨干网络的结构示意图。
48.图6是本发明实施例提供的注意力模块的结构示意图。
49.图7是本发明实施例提供的下采样层的原理示意图。
50.图8是本发明实施例提供的目标模型的训练流程示意图。
51.图9是本发明实施例提供的特征融合层的工作原理图。
52.图10是本发明实施例提供的区域作业监管系统的模块示意图。
53.图11是本发明实施例提供的终端的原理框图。
具体实施方式
54.本发明公开了一种区域作业监管方法、系统及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
55.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
56.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的
意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
57.近年来，城市建设迅猛发展，城市燃气需求也在不断加快，安全管理问题也日渐凸显，安全隐患和安全事故时有发生。城市燃气安全是城市安全的重要组成部分，随着城市气化率的提升，对于城市燃气来说，燃气泄露及爆炸等安全事故不仅给企业带来严重损失，也给社会经济的发展带来负面影响。燃气管线的特种作业作为影响城市燃气安全重要的一环，工程质量关系到管网的正常运行，尤其是在燃气管网的铺设和建设中。
58.目前，在燃气管线的特种作业过程中，为了避免发生监管人员离岗，作业人员冒名顶替，安全施工保障措施落实不到位，作业流程不规范等一系列的问题，需要安排管理人员定期巡检，导致耗费大量人力物力。
59.针对现有技术的上述缺陷，本发明提供一种区域作业监管方法，所述方法通过：获取目标区域对应的监控图像；将所述监控图像输入预设的目标模型，得到一个或者若干目标检测物；根据一个或者若干所述目标检测物，确定所述目标区域对应的区域安全状态。本发明可以实现对特种作业现场的远程监管，解决了现有技术中需要安排管理人员定期巡检特种作业现场，导致耗费大量人力物力的问题。
60.如图1所示，所述方法包括如下步骤：
61.步骤s100、获取目标区域对应的监控图像。
62.具体地，目标区域可以是任何一个需要进行作业监管的区域，例如燃区场中进行特种作业的区域。为了实现对目标区域的远程监管，本实施例预先在目标区域设置了摄像装置，用于拍摄目标区域的作业过程，并基于拍摄得到的监控图像及时发现目标区域内不符合作业规范的操作。
63.如图1所示，所述方法还包括如下步骤：
64.步骤s200、将所述监控图像输入预设的目标模型，得到一个或者若干目标检测物。
65.具体地，本实施例预先训练了一个目标模型，用于对获得的监控图像进行图像识别，以确定监控图像中的目标检测物。可以理解的是，目标检测物可以反映目标区域中需要被监管的物体的实际状态，例如目标检测物可以为燃气场站内的作业人员或者运输车辆。
66.在一种实现方式中，所述目标模型包括骨干网络、特征融合层以及检测器，所述步骤s200具体包括：
67.步骤s201、将所述监控图像输入所述骨干网络，得到若干目标特征图，其中，若干所述目标特征图分别对应不同的尺度；
68.步骤s202、将若干所述目标特征图输入所述特征融合层，得到融合特征图；
69.步骤s203、将所述融合特征图输入所述检测器，得到一个或者若干所述目标检测物。
70.具体地，如图2所示，本实施例中的目标模型主要基于三部分组成，第一个是用于进行特征提取的骨干网络；第二个是用于进行特征融合的特征融合层；第三个是用于进行目标检测的检测器。将监控图像输入目标模型以后，其会先被输入骨干网络，通过骨干网络提取监控图像中不同尺度的特征，得到多个目标特征图。然后这些目标特征图又会被输入特征融合层，通过特征融合层将不同尺度的目标特征图进行融合，以使得目标模型可以学习不尺度的特征，提高判断精度。最后将融合后得到的融合特征图输入检测器中，通过检测
器对融合特征图进行目标检测，以确定监控图像中的目标检测物。
71.在一种实现方式中，所述目标模型可以基于yolov5构建，即yolo算法第五代。yolov5可以通过改变网络深度参数，控制网络大小。
72.在一种实现方式中，所述目标模型还包括下采样模块，所述步骤s201具体包括如下步骤：
73.步骤s2011、将所述监控图像输入所述下采样模块，得到若干切片图像，其中，若干所述切片图像分别对应的像素的总和与所述监控图像对应的像素的总和相等，若干所述切片图像分别对应的像素互不重合；
74.步骤s2012、对若干所述切片图像进行拼接，得到拼接图像；
75.步骤s2013、将所述拼接图像输入所述骨干网络，得到若干所述目标特征图。
76.具体地，为了使得整体的计算量变小，从而令目标模型达到加速的目的，本实施例在目标模型中增加了下采样层。可以理解的是，本实施例中的下采样层相当于是数据前处理的作用，是在监控图像进入骨干网络前，对监控图像进行切片操作，以得到若干切片图像，这些切片图像之间的像素是互补关系，即这些切片图像中的像素互不重合，且其总和与监控图像中的像素总和相同，从而达到下采样的目的，且避免了信息丢失。
77.在一种实现方式中，所述下采样模块的工作原理为：针对监控图像，通过邻近下采样的方式每隔一个像素取一个值，得到若干切片图像。
78.举例说明，如图7所示，以yolov5s为例，原始的640
×
640
×
3的图像输入下采样层，采用切片操作，先变成320
×
320
×
12的特征图，再经过一次卷积操作，最终变成320
×
320
×
32的特征图。当切片图像的数量为4时，宽w和高h信息就集中到了通道空间，输入通道扩充了4倍，即拼接起来的图片，相对于原先的rgb三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最终得到了没有信息丢失情况下的二倍下采样特征图。
79.在一种实现方式中，所述骨干网络包括第一卷积模块、空间金字塔池化层以及第二卷积模块，所述步骤s2013具体包括如下步骤：
80.步骤s20131、将所述拼接图像输入所述第一卷积模块，得到所述拼接图像对应的全局特征图；
81.步骤s20132、将所述全局特征图输入所述空间金字塔池化层，得到若干子特征图，其中，若干所述子特征图分别对应所述全局特征图的不同尺度，若干所述子特征图的大小相同；
82.步骤s20133、将若干所述子特征图分别输入所述第二卷积模块，得到若干所述目标特征图。
83.具体地，本实施例中的骨干网络主要包括三种结构，其中两个是用于提取特征的卷积模块，即第一卷积模块和第二卷积模块，一个是用于调整图像大小的空间金字塔池化层。拼接图像首先被输入第一卷积模块，通过第一卷积模块进行特征提取后得到全局特征图。为了解决cnn输入图像大小必须固定的问题，本实施例增加了一个空间金字塔池化层(spp net)。如图4所示，传统的r-cnn需要将图片通过select search选出大概两千个区域再通过cnn卷积层,非常耗时。而加上空间金字塔池化层后可以输入整张图片进入卷积层，从而节省时间，其中，空间金字塔池化层的结构如图3所示。全局特征图输入空间金字塔池化层以后，空间金字塔池化层会根据全局特征图自动生成不同尺度大小的图像，即多个子
特征图。本实施例中不需要像传统的rcnn使用滑动窗口来选择不同尺度大小的图像，因此可以处理任意高宽比和大小的输入图像。最后这些子特征图被输入第二卷积模块进行特征提取，得到可以反映监控图像中不同尺度特征的目标特征图。
84.在一种实现方式中，所述骨干网络还包括注意力模块，所述步骤s20133具体包括如下步骤：
85.步骤s201331、将若干所述子特征图分别输入所述第二卷积模块，得到若干初始特征图；
86.步骤s201332、将若干所述初始特征图输入所述注意力模块，得到若干所述目标特征图，其中，每一所述目标特征图中各通道分别对应不同的权重值。
87.具体地，在实际使用中，由于目标区域对应的现实环境与实验室环境存在差距，因此图像识别势必会收到天气，距离等因素的影响。并且随着天气或距离的变化，图片中的目标会越难识别，造成误检、漏检的情况发生，影响生产安全。因此，如图5所示，本实施例特别在骨干网络的每一个卷积模块中引入了注意力模块(se模块)，将注意力机制嵌入到识别算法当中。具体地，图中conv为卷积层，c3为多个卷积层组成的串联结构，c3leyer是csp bottleneck改进版本，它更简单、更快、更轻，在近乎相似的损耗上能取得更好的结果。由于yolov5使用panet结构的特征融合，因此改进后的骨干网相对于直接使用原始的算法来说更能去掉背景、天气、人物遮挡、距离的影响，较大的提高了检测成功的概率，较好的减少了误报，漏报的情况。panet结构的特征融合方式能够更好的提取更多特征，在做多尺度融合时，将更多特征图进行映射，最后送入检测器时能够更好的检测主题特征。
88.本实施例通过注意力机制快速扫描全局图像，获得需要重点关注的区域，即注意力焦点，例如在燃气场站种的人员部分，或者是特定要识别的目标部分。然后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。因此，将各子特征图输入第二卷积模块后，先得到各子特征图分别对应的初始特征图，再将各初始特征图输入注意力模块中，通过注意力模块确定每一初始特征图中各区域的权重值，可以理解的是，权重值越高的区域后续将被投入更多注意力资源。最后由注意力模块输出每一初始特征图被赋予权重后得到的目标特征图。
89.在一种实现方式中，所述注意力模块包括全局池化层、全连接层以及激活函数层，所述将若干所述初始特征图输入所述注意力模块，得到若干所述目标特征图，其中，每一所述目标特征图中各通道分别对应不同的权重值，包括：
90.将每一所述初始特征图输入所述全局池化层，通过所述全局池化层对该初始特征图进行全局池化，得到该初始特征图对应的压缩特征图，其中，所述全局池化对应的参数基于该初始特征图的尺寸确定；
91.将所述压缩特征图输入所述全连接层，通过所述全连接层对所述压缩特征图进行线性处理，得到该初始特征图对应的第一特征图；
92.将所述第一特征图输入所述激活函数层，通过所述激活函数层对所述第一特征图进行非线性处理，得到该初始特征图对应的第二特征图；
93.将该初始特征图与该初始特征图对应的第二特征图相乘，得到该初始特征图对应的所述目标特征图。
94.具体地，本实施例中的注意力模块主要执行两个功能。第一个功能是通过全局池
化层对特征图执行全局池化，得到当前特征图的压缩特征图，即全局压缩特征量。第二个功能是通过全连接层、激活函数层得到特征图中每个通道的权重值，得到加权后的特征图，即目标特征图。针对每一初始特征图，本实施例将该初始特征图输入注意力模块后得到的第二特征图与该初始特征图本身相乘，以实现两者的融合，从而避免了由于层数加深导致的梯度爆炸的问题。
95.举例说明，本实施例定义统计变量z∈r，c是通过收缩u的空间维度h
×
w来生成的，这样，z的第c个元素通过以下方式计算。其中h和w分别为特征图的高和宽，u为其中某一个卷积核：
[0096][0097]
假设注意力模块的输入是一个h*w*c(其中h为高度，w为宽度，c为通道数)的特征图。首先对其进行全局平均池化，通过全局池化得到1*1*c的特征图(池化大小为h*w)，然后进行两个全连接，第一个全连接层有c/16个神经元作为降维，第二个全连接层的尺寸达到c个神经元，从而增加更多的非线性的处理来适应通道之间的复杂关联。然后加入一个sigmod层，得到1*1*c的特征图。最后，将原始的h*w*c和1*1*c的特征图进行相乘。可以得到一个对不同通道具有不同重要性的特征图这个重要性也就是权重(如图6所示)。
[0098]
在一种实现方式中，本实施例的注意力模块还可以采用协调注意力机制或者其他注意力机制嵌入检测网络。此外，本实施例中的识别算法还可以使用其他基线进行改进例如faster-rcnn，yolov4等算法。不过需要说明的是，其他基线目标检测网络普遍存在推理速度慢，不能实时推理等问题。
[0099]
在一种实现方式中，所述步骤s202具体包括：通过所述特征融合层根据第一尺度顺序依次对若干所述目标特征图进行特征融合，再根据第二尺度顺序依次对若干所述目标特征图进行特征融合，得到所述融合特征图，其中，所述第一尺度顺序与所述第二尺度顺序相反(例如第一尺度顺序为尺度依次增大，则第二尺度顺序为尺度依次减小；第一尺度顺序为尺度依次减小，则第二尺度顺序为尺度依次增大)。
[0100]
简单来说，本实施例中的特征融合层就是将不同尺度的特征图进行叠加。因为不同尺度的特征会具有不同种类的特征，可以让网络学习到不同尺度的特征，提升判断精度，达到最佳的识别效果。
[0101]
举例说明，本实施例中的特征融合层加强了重复迭代，两次迭代的结构如图9所示，p3～p7均为特征图层，特征尺度依次增大，在此可以是对人员工装，安全帽等图像采集后送入卷积计算后的结果，第二列和第三列就是典型的特征融合，首先特征图层先自顶向下的融合，在自底向上融合，输出融合后的多尺度特征。两次迭代的过程中，网络可以更加充分的得到上下文信息，从而对小目标以及难判别的目标进行检测(例如吸烟检测中的小烟头，安全帽检测中的部分人头过小)。在尺度更大的特征图上，检测小目标(因为小目标在大图上更明显)；在尺度小的特征图上，检测大目标。
[0102]
在一种实现方式中，所述步骤s203具体包括如下步骤：
[0103]
步骤s2031、将所述融合特征图输入所述检测器；
[0104]
步骤s2032、通过所述检测器对所述融合特征图进行分格检测，得到所述融合特征
图中的一个或者若干所述目标检测物，其中，若干所述目标检测物分别对应所述目标区域中的不同目标物体。
[0105]
具体地，将特征融合层输出的融合特征图输入检测器进行检测，检测器首先会将特征图进行分格，目的是加速检测。分格后会针对每个格进行检测，以得到监控图像中的目标检测物，从而通过这些识别出来的目标检测物判断目标区域中的目标物体的实际状态。
[0106]
在一种实现方式中，所述步骤s2032具体包括如下步骤：
[0107]
步骤s20321、通过所述检测器对所述融合特征图进行分格检测，得到若干候选检测物；
[0108]
骤s20323、根据若干所述候选检测物，确定一个或者若干所述目标检测物，其中，当所述目标检测物的数量为多个时，任意两个所述目标检测物对应的交并比小于或者等于预设阈值。
[0109]
具体地，本实施例通过检测器对融合特征图进行分格检测后，得到多个候选检测物，由于这些候选检测物可能存在重叠部分，因此需要对这些候选检测物进行筛选，针对存在重叠部分的多个候选检测物，只保留最优的检测物。并将最终保留下来的检测物定义为目标检测物，可以理解的是，经过筛选后各目标检测物基本不存在重叠部分了，因此针对任意两个目标检测物，它们的交并比会小于或者等于预设阈值。
[0110]
举例说明，通过所述检测器对所述融合特征图进行分格，得到若干格；针对每一格，在该格的预设位置处(例如中心位置)生成一组候选检测框，得到若干候选检测框，其中，每一候选检测框中存在一个候选检测物。假设有n个候选检测框，每个候选检测框被分类器计算得到的分数为si，1《＝i《＝n。其中，分类器对候选检测框的评分标准使用的是iou(交并比)，交并比高的候选检测框自然得分就高，而交并比低的候选检测框的得分就低。然后对所有候选检测框进行融合，使得具有重叠部分的各候选检测框中只保留最优的一个。其中，候选检测框的融合过程如下：
[0111]
1.建造一个存放候选检测框的集合h，初始化为包含全部n个框；建造一个存放目标检测框的集合m，初始化为空集。
[0112]
2.将集合h中的所有候选检测框进行排序，选出分数最高的候选检测框m，从集合h移到集合m；
[0113]
3.遍历集合h中的候选检测框，分别与候选检测框m计算交并比，如果高于预设阈值(一般为0～0.5)，则认为该候选检测框与候选检测框m重叠，将该候选检测框从集合h中去除。
[0114]
4.回到第1步进行迭代，直到集合h为空，将集合m中的检测框作为目标检测框。
[0115]
在一种实现方式中，所述目标模型的训练过程包括：
[0116]
将训练数据中的第一图像输入骨干网络，通过所述骨干网络生成所述第一图像对应的若干第一目标特征图，其中，若干所述第一目标特征图分别对应不同的尺度；
[0117]
将若干所述第一目标特征图输入特征融合层，通过所述特征融合层对若干所述第一目标特征图进行特征融合，得到第一融合特征图，以使得网络可以学习到更多有效特征；
[0118]
将所述第一融合特征图输入检测器，得到所述第一图像对应的第一目标检测物集合，其中，所述第一目标检测物集合中包括至少一个检测物；
[0119]
获取所述第一图像对应的标准目标检测物集合，根据所述第一图像对应的所述标
准目标检测物集合和所述第一目标检测物集合计算所述目标模型的损失函数值；
[0120]
根据所述损失函数值对所述目标模型的网络参数进行调整，并继续执行将所述训练数据中的第一图像输入特征融合层的步骤，直至损失函数值收敛至目标值(如图8所示)，表示网络已经学习到了一套比较合理的参数，能够正确的检测出图中目标，则停止训练。可以理解的是，若损失函数值未收敛至目标值，则需要继续进行迭代训练，更新目标模型的网络参数。
[0121]
在一种实现方式中，由于在卷积神经网络对图片进行卷积操作后，会经过优化器(一种非线性函数)进行激活，例如优化器adam和sgd，二者都预设了匹配的训练超参数。本实施例使用sgd优化器，sgd是随机梯度下降，在一般情况下，机器学习训练模型的目标都是最小化损失函数，sgd的方式就是对损失函数求梯度，并且同时找到梯度最小的点，也就是收敛后的最优解。
[0122]
如图1所示，所述方法包括如下步骤：
[0123]
步骤s300、根据一个或者若干所述目标检测物，确定所述目标区域对应的区域安全状态。
[0124]
具体地，由于每一目标检测物都对应目标区域中的一个目标物体，例如人员工装或者安全帽，因此通过监控图像中的各目标检测物就可以实现对目标区域进行远程监管，从而实时得到目标区域的区域安全状态，例如是安全状态还是预警状态(存在安全事故风险)。
[0125]
在一种实现方式中，所述步骤s300具体包括如下步骤：
[0126]
步骤s301、根据若干所述目标检测物，获取所述目标区域中各目标物体分别对应的实际状态；
[0127]
步骤s302、获取所述目标区域中各目标物体分别对应的标准状态；
[0128]
步骤s303、根据所述目标区域中各目标物体分别对应的标准状态和实际状态，确定所述区域安全状态，其中，所述区域安全状态为安全或者预警。
[0129]
具体地，由于监控图像上的每一目标检测物代表目标区域中的一个目标物体，因此通过分析各个目标检测物呈现的状态即可获知各目标物体当前的实际状态，例如燃气场站内特种作业人员的工服穿着状态、安全帽佩戴状态等等。然后针对每一目标物体，根据预先设定的该目标物体对应的标准状态(即符合安全生产规范的状态)和当前获取的实际状态进行比较，即可判断出该目标物体是否存在安全事故风险，进而判断出目标区域的区域安全状态。并在目标区域存在安全事故风险时，及时预警。
[0130]
在一种实现方式中，所述方法还包括：
[0131]
确定目标区域中的若干目标巡检点；
[0132]
根据若干所述目标巡检点，生成巡检计划；
[0133]
根据所述巡检计划对所述目标区域进行巡检管理。
[0134]
在一种实现方式中，所述方法还包括：
[0135]
确定一个或者若干目标设备，获取一个或者若干所述目标设备对应的位置数据和/或运行数据；
[0136]
通过预设的bim模型对所述位置数据和/或所述运行数据进行展示；
[0137]
根据所述运行数据确定损坏设备，通过所述bim模型根据所述损坏设备生成预警
信息，其中，所述损坏设备为运行数据的峰值超过预设预警峰值的设备；
[0138]
将所述预警信息发送给所述损坏设备对应的关联人员；
[0139]
根据所述预警信息对应的风险等级对所述损坏设备进行应急处理。
[0140]
在一种实现方式中，所述方法还包括：
[0141]
获取所述目标区域对应的标准工作规范；
[0142]
根据所述标准安全规范进行安全培训、安全考核以及安全演习。
[0143]
基于上述实施例，本发明还提供了一种区域作业监管系统，如图10所示，所述系统包括安全监控管理模块，所述安全监控管理模块包括：
[0144]
图像获取模块01，用于获取目标区域对应的监控图像；
[0145]
目标检测模块02，用于将所述监控图像输入预设的目标模型，得到一个或者若干目标检测物；
[0146]
状态确定模块03，用于根据一个或者若干所述目标检测物，确定所述目标区域对应的区域安全状态。
[0147]
在一种实现方式中，所述系统还包括数据大屏，用于与飞渡进行对接并嵌入至飞渡cloud平台。
[0148]
在一种实现方式中，所述系统还包括场站管理模块，用于提供场站列表管理，用户可通过此门户进入单一场站进行管理。
[0149]
在一种实现方式中，所述系统还包括智慧燃气巡检管理模块，用于：
[0150]
(1)巡检点配置：结合bim模型选中巡检点，点击bim某个人员可达的区域后，绑定该区域周边设备进行创建，巡检点是由客户巡检管理人员指定，关键要素是巡检点具备需要巡检运维的设施。
[0151]
(2)巡检路线配置：支持编辑存储多条巡检路线，每条路线支持关联多个巡检点。
[0152]
(3)巡检计划配置：可帮助用户快速创建巡检管理计划。
[0153]
(4)巡检管理：选中巡检计划生成巡检任务，并指定巡检人，支持设置巡检频率，例如：现在需要巡检场站a区域，则在巡检计划中创建a区域巡检计划，巡检计划中必须填写巡检名称，选择巡检人员，设置巡检频率，选择巡检线路，设置巡检内容。在计划填写完成后，可在计划预览页面点击
‘
生成巡检任务’，即可生成对应的场站a区域巡检任务。
[0154]
在一种实现方式中，所述系统还包括智慧燃气设备管理模块，用于：
[0155]
(1)设备管理：根据当前场站现有设备创建设备类型，选中设备类型创建相应设备管理。此处设备可进行bim模型挂码，挂码成功相应设备数据可在bim模型里展示位置信息，如果该设备有数据采集传感器，则可以实习运行数据联动展示到bim模型中。
[0156]
(2)设备保养：根据保养计划进行设备保养。
[0157]
(3)设备巡检；
[0158]
(4)设备维修管理：设备维修与bim模型联动，当用户提交设备损坏订单时相对应bim模型可进行关联提醒。系统根据当前设备损坏程度进行相应预警关联人推送。
[0159]
在一种实现方式中，所述系统还包括燃气安全监控管理模块，用于：
[0160]
(1)智慧视频监控：场站环境风险的ai智能识别。
[0161]
(2)智慧人员监控：场站人员不安全行为的ai智能识别。
[0162]
(3)智慧车辆监控：槽车装车卸车流程的ai智能识别。
[0163]
(4)设备监控：场站物的不安全状态的ai智能识别。
[0164]
在一种实现方式中，所述系统还包括燃气安全教育管理模块，用于：
[0165]
(1)安全教育培训：场站用户可在平台内进行场站安全培训，了解场站标准工作规范，安全教育培训还设置考核功能，对场站人员进行考核。
[0166]
(2)消防演习。
[0167]
在一种实现方式中，所述系统还包括应急指挥管理模块，用于：与安全监控模块及bim进行数据管理，当安全监控监控到数据峰值超过预警峰值，根据预警中设置的中高低风险进行智慧应急处理。应急处理包含相应相关单位自动报警，自动断电断气等。
[0168]
在一种实现方式中，所述系统还包括燃气安全监控管理模块，用于：通过ccd采集现场图像，送入云服务器中进行识别操作。其中，识别操作可以基于目标检测算法执行，例如yolov5。yolov5可以通过改变网络深度参数，控制网络大小，并且能够在保证精度的同时拥有较高的推理速度，此外由于yolov5经过海量数据训练，因此还保证了检测的准确性。
[0169]
此外，所述系统还包括设备管理模块、工艺管理模块、系统管理模块等模块。
[0170]
本系统的优点在于：首先调研现有场站，摸清掌握现有场站智慧化数据。整合各类基础及动态数据，梳理规范化的统一流程以及投入各类智慧化设备、系统的使用，为实现真正的智慧燃气管网奠定良好基础；其次，整个系统性能具有开放性、标准化、可扩展、性价比高，从而构建出一个技术先进、使用可靠、经济合理的智慧场站。
[0171]
在一种实现方式中，所述系统将部署在公共云平台提供的云服务器(ecs)上。云平台可以根据用户的需求动态地创建和分配计算资源与存储资源，满足用户多样化的计算和存储需求。通过ecs实现虚拟机底层资源弹性分配、虚拟网络管理、以及在线迁移，满足用户突发的大量资源的弹性需求，消除系统热点，提高虚拟机中运行的应用程序性能。具体要求如下：
[0172]
表1.cloud推荐电脑使用的运行环境
[0173]
[0174][0175]
holo3d for web支持的最大并发数：100
[0176]
(1)并发指的所有客户终端浏览器同一时刻连入holo3d for web私有云服务器的数量。再次强调：“同一时刻”。
[0177]
(2)在holo3d for web私有云服务器端，可以设置超时时间，客户如果不与bim场景进行交互，并超过设定的时间后，自动断开该连接，并释放该并发。
[0178]
(3)举例来说：
[0179]
a用户打开场景1，并发数：1；
[0180]
b用户打开场景1，并发数：2；
[0181]
b用户不关闭场景1，新开页面打开场景2，并发数：3；
[0182]
c用户用手机或者微信打开场景3，并发数：4；
[0183]
a用户关闭场景1，并发数：3；
[0184]
b用户场景1放着不交互，超过10分钟(设定的超时时间)，并发数：2；
[0185]
c用户关闭手机浏览器，并发数1。
[0186]
在一种实现方式中，所述系统软硬件最小配置要求如下所示：
[0187]
表2.系统软硬件最小配置要求
[0188][0189]
在一种实现方式中，所述系统的网络需求为：应用云服务器需要部署bim、gis数据服务，需要较大规模的数据流量和访问量，对带宽资源要求保持恒定速率或有特殊要求的网站，拟采用独享带宽。同时，考虑12个并发用户对系统bim、gis进行操作，每次操作最大数据下载量为1-2mbit/s，网络带宽要求20mbit/s。
[0190]
在一种实现方式中，所述系统的接口要求为：系统采用web services接口或http接口，支持传输xml或json数据。可以方便的与客户现用系统进行集成，交换的文件信息采用规范的xml格式，可以很方便地与其他系统进行信息交换，以满足信息化不断发展和系统集成需要。
[0191]
在一种实现方式中，所述系统的通信需求为：采用http或http ssl通信安全或加密、数据传输速率和同步通信机制。对于客户端与服务器交互的数据，使用安全套接子层(ssl,ssl加密传输主要是针对web的数据传输，基于重要信息的传输安全考虑而设计的。)进行信息交换，并在客户移动终端和服务器之间重要的信息的交换。
[0192]
在一种实现方式中，所述系统的运行环境为：用户电脑端支持微软、谷歌、火狐等主流浏览器、移动端及pad支持苹果、安卓操作系统。
[0193]
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图11所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现区域作业监管方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
[0194]
本领域技术人员可以理解，图11中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0195]
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行区域作业监管方法的指令。
[0196]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，
本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0197]
综上所述，本发明公开了一种区域作业监管方法、系统及存储介质，所述方法通过：获取目标区域对应的监控图像；将所述监控图像输入预设的目标模型，得到一个或者若干目标检测物；根据一个或者若干所述目标检测物，确定所述目标区域对应的区域安全状态。本发明可以实现对特种作业现场的远程监管，解决了现有技术中需要安排管理人员定期巡检特种作业现场，导致耗费大量人力物力的问题。
[0198]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。