您好, 访客   登录/注册

基于EasyDL平台视频事件监测系统在铁路运维中的应用

来源:用户上传      作者:

  摘   要:人工智能技术日益发展,为了更好地减轻铁路视频监控人员工作量,保障铁路作业人员安全,减少事故发生,文章针对铁路运营维护的5个场景,设计了一种基于EasyDL平台的视频事件监测系统。此系统基于人工智能EasyDL平台,建立未佩戴安全帽、未穿防护服、特殊区域人员徘徊等机器学习模型,利用相关模型识别铁路作业人员的一些违规行为,及时记录并给出警示。测试结果表明,该系统能够准确识别摄像头抓拍到的违规事件,有助于进一步保障铁路作业人员的安全。
  关键词:人工智能;EasyDL;视频事件监测;安全
  1    我国铁路发展概况
  目前,我国铁路实现了跨越式发展,为了强化劳动安全管理,提高人身安全保障能力,各铁路公司均在其辖区安装了视频监控系统,并安排专人24小时在线监控,要求视频监控人员持续性高度集中注意力,而靠人眼看的方式容易出现疏漏。随着信息化时代的到来,人工智能(Artificial Intelligence,AI)在社会各领域得到了普遍应用。百度AI开放平台为了满足人们在图像识别领域的个性化需求,提供了EasyDL定制化图像识别服务[1]。该平台应用百度AutoDL/AutoML技术,基于少量数据就能获得出色性能和模型效果。系统通过调用EasyDL平台训练好的各类监测模型,监测铁路室内外各种施工、维修、检查等作业是否存在违规行为,实现AI能力与铁路视频监控系统的整合,具备完善的鉴权、流控等安全机制。此平台还支持查找云端模型识别错误数据,纠正结果并将其加入模型迭代训练集,不断优化模型效果[2]。
  2    系统简介
  该系统基于百度AI EasyDL开放平台中的物体检测技术,通过互联网接入铁路现有视频监控系统,能够精准识别各类场景中未佩戴安全帽、未穿防护服、未穿反光马甲、特殊区域人员徘徊、抽烟、接打手机等违规事件,并通过微信消息及时提醒管理人员,从而进一步保障铁路运维过程中的安全。
  系统设计主要包含3个过程:(1)基于EasyDL平台物体检测技术建立各类事件检测模型。(2)通过互联网以固定IP方式将现有视频监控系统中的网络硬盘录像机(Network Video Recorder,NVR)接入视频事件监测系统。(3)通过接入的NVR直接调用终端摄像头并定时抓拍现场照片,同时回调EasyDL平台事件监测模型识别异常事件,并发送异常事件提醒消息。系统整体架构如图1所示。
  3    系统设计
  3.1  基于EasyDL平台训练模型
  基于百度的图形化深度学习平台EasyDL,训练铁路违规行为检测模型。该平台采用PaddlePaddle深度学习框架,结合自动搜索模型技术(Auto Model Search),保证模型效果领先训练物体检测模型,支持选择多种算法,可满足不同场景对性能、效果的不同需求[3]。目前,EasyDL可支持创建6类模型:图像分类、物体检测、图像分割、文本分类、声音分类和视频分类。本系统主要基于物体检测技术训练未佩戴安全帽、未穿反光服、特殊区域人员徘徊、抽烟、接打手机等监测模型。以训练未佩戴安全帽监测模型为例介绍具体过程,分为4个步骤,依次是:
  (1)创建模型,確定模型名称为未佩戴安全帽监测模型、确定模型功能为识别视频中未戴安全帽的作业人员。
  (2)上传并标注数据分类,按分类(戴安全帽图片和不戴安全帽图片)上传图片,戴安全帽和未戴安全帽图片各500张。
  (3)训练模型并校验模型效果,以云端API的方式进行部署,用上传的数据一键训练模型并校验模型效果。
  (4)发布模型,训练完成后,将模型部署在公有云服务器[4]。
  3.2  视频事件监测系统功能设计
  该系统主要包含两大模块:一是基础管理,主要包含用户管理、菜单管理、角色管理、权限管理、系统日志等基础支撑功能。二是视频事件检测管理,主要包含核心功能如下:
  (1)NVR管理,可针对现有视频监控系统中拥有固定IP地址的NVR进行接入,同一组织机构下可接入多个NVR,接入信息主要包含NVR的名称、IP地址、端口和链接口令等。
  (2)NVR通道管理,同一NVR可接入多路摄像头。主要包括:通道所属名称、通道序号、所属NVR、抓拍时间设置、提醒人员、违规事项,同一路摄像头可以设置多个违规事项抓拍。
  (3)摄像头图片抓拍,可设置抓拍时间段、时间间隔及频次,系统自动抓拍现场照片并保存。
  (4)图片识别模型调用,根据预先设置的违规事项,系统自动调用EasyDL平台训练好的监测模型进行异常事件识别。针对同一张照片可调用多个模型。
  (5)图片识别结果返回,将调用模型后的异常事件图片识别结果返回给视频事件检测系统。
  (6)异常事件结果记录,系统自动记录识别出的异常事件并截图保存。
  (7)异常事件消息提醒,系统自动将异常事件以微信消息的形式推送给安全管理人员。
  4    系统应用场景
  该系统适用于《某电务段劳动安全卡控措施》中的以下5种场景,如铁路工作人员违反铁路劳动安全规定,则该监控系统能够识别截图并给安全管理人员推送消息。
  (1)未佩戴安全帽监测模型应用场景。规定进入高速铁路防护栅栏内的所有人员必须佩戴安全帽;车载登顶作业时,作业人员必须戴安全帽,防止高空坠落;库内检修或机车底部作业时,作业人员必须戴安全帽,防止碰伤及坠落物体砸伤。
  (2)未穿作业服和反光马甲监测模型应用场景。所有进入高速铁路防护栅栏内的各级管理人员,必须戴高警帽、穿作业服或穿戴反光马甲(夜间),方可进行施工、维修、应急处置等作业。   (3)特殊區域人员徘徊监测模型应用场景。高速铁路劳动安全要求规定作业人员在天窗或封锁时间以外,禁止进入站内封闭范围内,禁止进入区间防护栅栏、桥面、隧道内。
  (4)抽烟监测模型应用场景。机械室禁止吸烟。
  (5)接打手机等违规事件监测模型应用场景。列车维护人员进行库内作业时,不得接打个人手机;动车组三级平台作业,严禁接打手机;库车线作业穿越库车线股道、道口时,严禁接打手机。
  5    测试结果
  该系统接入某施工单位视频监控系统进行为期一周试验,监测现场施工人员是否存在未戴安全帽违规行为,共接入视频监控站点4个,视频监控点位18个,能够做到精准识别未戴安全帽违规行为。基于EasyDL平台的视频事件监测系统有以下优势:
  (1)可接入现有摄像头资源,终端无需加装任何设备。
  (2)全天候在线实时监测,无需视频监控管理人员。
  (3)支持多种异常事件监测识别。
  (4)云端智能识别处理,异常事件自动报警。
  本文仅是AI在铁路监控方面的初步应用,尽管利用EasyDL平台构建的铁路异常事件监测模型不能全面覆盖所有违规行为,但基于EasyDL平台构建模型操作简单,获得的模型效果良好,为促进AI在铁路监控方面的应用提出了新的思路。
  [参考文献]
  [1]张喜红,王玉香.基于百度AI中药材品鉴助手系统的设计[J].新余学院学报,2019(2):25-28.
  [2]孟凯.图像识别技术在铁路监控系统中的应用[J].硅谷,2013(14):103-105.
  [3]刘洋,史煜,曹雪倩,等.自动化机器学习在眼部疫病识别及分类中的初步应用[J].中国教育医学,2019(3):44-49.
  [4]孙睿康.基于EasyDLd的超新星自动搜寻系统设计[J].智能计算机与应用,2019(1):262-263.
  Abstract:With the development of artificial intelligence technology, in order to reduce the workload of railway video surveillance personnel better, ensure the safety of railway operators, and reduce the occurrence of accidents, this article designs a video event monitoring system based on the EasyDL platform for the five scenarios of railway operation and maintenance. This system builds machine learning models such as wearing no hard hats, protective clothing, people in special areas and so on based on the artificial intelligence EasyDL platform, and identifies some violations of railway operators of using relevant models, records and gives timely warnings. The test results shows that the system can accurately identify violation captured by the camera, which helps to ensure the safety of railway operators further.
  Key words:artificial intelligence; EasyDL; video event monitoring; security
转载注明来源:https://www.xzbu.com/8/view-15233443.htm