视频智能管理系统在智慧工地中的应用

谢辉

（中国石油西南油气田公司通信与信息技术中心，四川成都，610000）

0 引言

在油田数字化建设不断发展并完善的今天，现场管理情况基本依靠文字报告，缺乏准确、及时的反映与存档，监管成本高，施工现场管理难度大，因此为了保证在施工现场的安全，视频智能管理系统与安全生产的结合,不仅能提升企业对安全生产的预测、预判和预控能力,并且为企业加强和创新安全管理提供了重要保障和有力支撑。

1 实施背景

在各建设项目施工现场，随着工业视频监控系统全面覆盖施工现场，便携式巡检记录仪的使用等，前端摄像机数量众多，画面多，而系统的智能化程度较低，现有监控方式缺陷明显：

1.1 海量视频数据对监控数据分析,查询困难

高清视频数据是全天24小时持续不断录制，存储时间30天-90天，数据量巨大。数据 “沉睡”在硬盘中，数据判读和分析依靠人工进行，效率低、实时性差、人为误判等缺点，同时视频监控人员工作强度大。

1.2 人、车、物管理需要

施工现场工作人员穿戴规范识别的需求，生产区人员管控需求，生产区车辆管控需求，设备设施远程巡检需求。

1.3 施工作业管理需要

管线站场、阀室视频监控系统与各种安防、自控系统联动的要求的逐步提高，有针对施工作业场景的视频资源筛选的需求，比如火灾、漏油、工衣工帽等事件，通过人工监督，发现违章后可以痕迹化管理的需求，保障施工违规及时发现的需求。

因此，建设覆盖各建设项目施工现场的视频智能管理系统，对视频数据实时智能分析，自动判断、及时发现违章操作等敏感事件，达到对工地现场异常事件“早发现、早预防、快处理”，提高在建工地安全管理水平和效率。

2 视频智能管理系统技术

2.1 智能分析技术简介

自20世纪90年代智能视频分析技术诞生以来，经过数十年的发展，这项起源于计算机视觉的技术伴随着商业化的逐步应用正日益受到人们的普遍重视。

视频智能分析技术定义：源自计算机视觉技术，利用智能分析算法对视频内容进行运算和分析，它的核心技术是对视频内容的行为进行识别和分析，以提取视频场景中发生的一些特定的事件或监控目标的特定行为。一旦目标在场景中出现了违反预定义分析规则的行为，系统会触发预设置的联动规则，从而达到主动提醒的功能。

分类：从智能分析系统的产品形态来说，分为两类：一类是由智能算法+DSP来实现，常见于安装在前端的智能分析摄像机与智能分析视频服务器；另一类是采用后端PC服务器加智能分析软件的运行模式。

“前端分析”技术特点：将智能分析算法嵌入到前端摄像机，对采集的视频内容立即进行分析，提取出画面中关键的、感兴趣的、有效的信息，形成结构化的数据，减少了视频信息上传的网络带宽压力。优势在于每一路前端摄像机都可以做智能的实时分析，消灭延时，减轻后端的计算压力，可以做到无遗漏的智能分析。缺点是受到前端芯片体积限制，处理性能不佳，实际应用中效果不理想，只能作为普通辅助手段。

“后端分析”技术特点：后端服务器可以应用更为复杂的算法，特别是那些移植到相机中需要大量优化和改进的、以及前端无法实时运行的复杂算法，分析效果相对前端产品要好；同时，只需要上传视频流给智能分析服务器即可，一台智能分析服务器可以同时处理几十路前端视频流等。缺点是需要视频信息实时上传，对网络带宽的需求较大。

针对在建项目施工现场对智能识别的要求高的特点，通信传输网络带宽充足，对比分析，采用以后端PC服务器加智能分析软件的核心运行模式，具体网络架构如图1所示。

图1 智慧工地视频智能管理系统整体架构

2.2 智能视频识别技术

2.2.1 基于深度学习的视频分析方法

图像处理和识别技术利用滤波和分类技术，常见的主要针对特定的对象或者场景下的传统算法，如小波滤波、浅层神经网络、SVM等。随着人工智能方法的运用，深度学习法技术运用在图像处理中，可提高识别率、泛化能力，基于深度学习的影像智能处理技术。

图2 深度学习视频处理流程

深度学习模型应用于图像（视频）的自动化处理，识别准确度高，泛化能力强。其最大特点是，需要大数据来训练。因此，对处理器的要求，就是需要大量的并行的重复计算，具有高算力的GPU一般是服务器端的选择。

GPU具有如下特点：

提供了多核并行计算的基础结构，可以支撑大量数据的并行计算。并行计算它是一种一次可执行多个指令的算法，目的是提高计算速度，及通过扩大问题求解规模，解决大型而复杂的计算问题。

拥有更高的访存速度。

更高的浮点运算能力。浮点运算能力是关系到处理器的多媒体、3D图形处理的一个重要指标，因此浮点运算的能力是考察处理器计算能力的重要指标。

2.2.2 算法的实现

根据各建设项目施工现场视频数据通过深度学习算法通过数据标注、样本训练、神经网络模型优化等环节，建立起性能良好的参数化模型。

图3 算法实现流程图

图4 算法模型建立过程

2.2.3 样本库的建立

对于各建设项目施工现场的基本目标模型（包括人员、车辆等），基于视频数据和基本目标模型，对不同的场景（如白天和夜晚），建立特定的样本库，包括：入侵检测、停留检测、徘徊检测、自动跟踪，物体识别、火焰识别、工衣工帽识别等。通过有效的数据增强方法，不断扩展数据集。

图5 采集视频示意图

2.3 后台管理系统

在建设项目管理中心部署后台管理系统，硬件：根据处理对象的不同，形成同时处理30路，100路，200路视频的设备，并配置相应处理能力的GPU服务器。

实现主要性能指标：

(1) 视频识别速度 ：≥ 20FPS（720P）， ≥ 15FPS（1080P）。

(2)事件智能分析识别率： ≥85%；能有效识别明火、人、劳保服帽等。

软件功能：由实时告警、历史告警、业务统计、视频预览、用户管理和配置管理组成。

告警模式：智能识别告警，自动巡检模式告警。可以对火警、人、动物、车进行智能识别告警，并进行告警过滤。

告警分类：根据实际应用，对告警信息进行分类，优先级较高的告警会立即置顶，并一直保留到处理完毕为止。

告警信息发布：通过手机公众号、APP、短信等方式，实现移动终端实时监控处理，并具有视频浏览功能。

3 视频智能管理系统在施工现场应用

选取某在建井台，部署固定摄像机视频监控系统，系统组网采用租用链路，以太网方式组网，在控制室存储，前端摄像机接入路数2路。

系统部署：在控制室部署视频智能管理系统，利用GPU服务器强大的图像处理能力，将非结构化的视频数据，转换成计算机易于识别和处理的结构化信息，将视频中包含的关键信息提取出来，转换成文字、数字描述，建立与视频帧的关联，实现计算机对视频的分析、对比、搜索功能。

利用智能分析软件的深度学习功能，对背景、监测区域自定义形状，并组合多个规则、多种算法同时处理。建立反馈机制，由人工对每次报警的结果进行判断，并反馈给软件，让分析系统自动学习并更新，以建立报警事件数据库。

应用结果：能够实现对人、车、工服工帽的识别。以下为实验过程中识别目标时的视频图像。在视频智能分析设备运行良好，传输通道满足要求的情况下，智能识别准确率达到85%，应用效果满足系统功能。

表1 系统应用相关数据统计表

4 结论

视频智能管理系统在智慧工地中的应用非常重要。通过增强管理平台的智能化，引入深度学习能力，随着巡线中各种视频库和样本库的积累，基于深度学习的人工智能方法对航拍视频事件特征的提取更加准确、分析识别率更高，以机器视觉替代人工查阅，准确地识别和告警，将人从繁重的盯防中解脱出来。

与此同时，提高报警准确率，最大限度地减少误报和漏报现象的发生，从业务逻辑、预告警分类等方面建立的智慧工地安全预警体系将更加贴合施工现场的需求，保障建设过程的安全。

实现对在建施工现场，改善项目现场管理现状，实现现场实时监控，数据及时传输，保障现场安全，减少项目管理成本，实现智慧管理具有重要意义。