阅读说明：本技术 一种基于人工智能的管道入侵自动预警方法、系统及设备 (A kind of pipeline invasion automatic early warning method, system and equipment based on artificial intelligence ) 是由 刘劲松 王星 王力伟 于 2019-07-26 设计创作，主要内容包括：本申请所提供的一种基于人工智能的管道入侵自动预警方法、系统及设备,所述方法包括：获取管道设备所在位置的监控视频及位置信息；检测所述监控视频中是否存在入侵行为；若是,则生成管道入侵预警信息并通过北斗信号收发器进行短报文预警；本申请通过检测管道设备所在位置的监控视频中是否存在入侵行为,通过北斗信号收发器进行短报文预警,可快速自动预警并定位到预警位置,相比于传统人工巡检方式,实时性高,便于应急预案的实施,相比于传统依靠振动传感器巡检的方式,采用更为前沿的计算机视觉技术,能够更精准的预警,有效降低误报率。(A kind of pipeline invasion automatic early warning method, system and equipment based on artificial intelligence provided herein, which comprises obtain the monitor video and location information of pipe-line equipment position；It detects in the monitor video with the presence or absence of intrusion behavior；If so, generating pipeline attack early warning information and carrying out short message early warning by Beidou signal transceiver；It whether there is intrusion behavior in the monitor video that the application passes through detection pipe-line equipment position, short message early warning is carried out by Beidou signal transceiver, fast automatic early warning and early warning position can be navigated to, compared to traditional artificial routine inspection mode, real-time is high, convenient for the implementation of emergency preplan, compared to the mode that tradition relies on vibrating sensor inspection, using the computer vision technique in more forward position, can more accurately early warning, rate of false alarm is effectively reduced.)

一种基于人工智能的管道入侵自动预警方法、系统及设备

技术领域

本申请涉及管道设备安全检测技术领域，尤其是涉及一种基于人工智能的管道入侵自动预警方法、系统及设备。

背景技术

燃气管道尤其是长距离输送的燃气管道是燃气最主要的输送设备，我国地域辽阔且西气东输工程跨度非常大，对燃气管道的巡检监控保护提出了艰巨的要求和需求。长输燃气管道两侧5米内不得存在施工或其他破坏管道的行为，管道一旦被破坏发生泄漏的话，将会对安全产生重大威胁。

目前针对长输管道的巡检方式主要依靠传感器和人工方式。传感器巡检的方式中采用的传感器主要有两类：光纤传感器和振动传感器，这两类传感器的工作原理都依赖管道周围的振动来推断是否被入侵，极其容易误报，给抢修人员带来很多不必要的麻烦。而人工巡检的方式虽然没有误报，但是由于巡检的速度慢、时间久，而且无法第一时间发现入侵破坏情况而延误了抢修的工作进度。

因此，基于目前现有的检测设备都是基于管道被入侵破坏后发生一定程度的泄漏后才报警，且巡检速度慢，误报率高，亟需一种基于人工智能的管道入侵自动预警方法、系统及设备，以实现实时的、误报率低的、管道入侵自动预警。

发明内容

针对现有技术的不足，本申请提供一种基于人工智能的管道入侵自动预警方法、系统及设备，解决了现有技术中管道入侵后巡检时效性低、误报率高等问题。

为解决上述技术问题，本申请提供一种基于人工智能的管道入侵自动预警方法，包括：

获取管道设备所在位置的监控视频及位置信息；

检测所述监控视频中是否存在入侵行为；

若是，则生成管道入侵预警信息并通过北斗信号收发器进行短报文预警。

优选的，所述检测所述监控视频中是否存在入侵行为，包括：

将所述监控视频进行任务分发处理；

将所述监控视频进行视频解码处理得到解码视频；

判断视频处理器的负载是否空闲，若是则加载所述解码视频至视频处理器；

利用视频处理器预设的深度学习算法检测所述解码视频中是否存在入侵行为；

若是，则存储监控视频的视频截图与视频片段。[AZ1]

更优选的，所述利用视频处理器预设的深度学习算法检测所述解码视频是否存在入侵行为，包括：

利用深度学习算法提取解码视频的图像数据特征信息；

将来源于不同监控设备的图像数据特征信息根据监控设备的位置信息做几何变换，并将特征信息映射到一个参考摄像头上；

根据两两匹配度加权选取可靠的特征信息，进而确定入侵目标的位置和运动轨迹信息；

根据所述入侵目标的位置和运动轨迹信息检测所述解码视频中是否存在入侵行为。

优选的，所述生成管道入侵预警信息并通过北斗信号收发器进行短报文预警，包括：

将所述监控视频对应的监控设备编号及管道设备入侵位置信息生成预警信息；

通过北斗信号收发器发送预警信息至远程后台进行短报文预警。

本申请还提供一种基于人工智能的管道入侵自动预警系统，包括：

获取单元，所述获取单元配置用于获取管道设备所在位置的监控视频及位置信息；

检测单元，所述检测单元配置用于检测所述监控视频是否存在入侵行为；

预警单元，所述预警单元配置用于若存在入侵行为，则生成管道入侵预警信息并通过北斗信号收发器进行短报文预警。

优选的，所述系统还包括供电单元，所述供电单元配置用于为系统供电。

优选的，所述检测单元具体包括：

路由分发单元，所述路由分发处理单元配置用于将所述监控视频进行任务分发处理；

视频解码单元，所述视频解码单元配置用于将所述监控视频进行视频解码处理得到解码视频；

负载均衡单元，所述负载均衡单元用于判断视频处理器的负载是否空闲，若是则加载所述解码视频至视频处理器；

计算单元，所述计算单元配置用于利用视频处理器预设的深度学习算法判断所述解码视频中是否存在入侵行为；

存储单元，所述存储单元配置用于存储存在入侵行为的监控视频的视频截图与视频片段。

优选的，所述计算单元具体用于：

利用深度学习算法提取解码视频的图像数据特征信息；

将来源于不同监控设备的图像数据特征信息根据监控设备的位置信息做几何变换，并将特征信息映射到一个参考摄像头上；

根据两两匹配度加权选取可靠的特征信息，进而确定入侵目标的位置和运动轨迹信息；

根据所述入侵目标的位置和运动轨迹信息检测所述解码视频中是否存在入侵行为。[AZ2]

优选的，所述预警单元包括：

生成单元，所述生成单元配置用于将所述监控视频对应的监控设备编号及管道设备入侵位置信息生成预警信息；

发送单元，所述发送单元配置用于通过北斗信号收发器发送预警信息至远程后台进行短报文预警。

本发明还提供基于一种基于人工智能的管道入侵自动预警设备，包括：

监控设备、边缘检测设备、北斗信号收发器及供电设备，

其中，所述监控设备与边缘检测设备连接，用于监控管道设备并将监控视频实时发送至边缘检测设备；

所述边缘检测设备与北斗信号收发器连接，用于检测所述监控视频中是否存在入侵行为，若存在，则生成管道入侵预警信息发送至北斗信号收发器；

所述北斗信号收发器用于接收管道入侵预警信息进行短报文预警并发送所述位置信息；

所述供电设备与监控设备、边缘检测单元及北斗信号收发器连接供电。

优选的，所述监控设备由4-20个独立的高清监控摄像头组成。

优选的，所述边缘检测设备具体包括：主控单元、计算模块及存储模块，所述主控单元包括：路由模块、视频解码模块、MCU模块；所述计算单元包括AP模块及NP处理模块。

优选的，所述供电设备包括：太阳能电池板及与该太阳能电池板相连的内置储能电池，所述内置储能电池的输出端作为监控设备、边缘检测设备及北斗信号收发器的供电端。

本申请通过检测管道设备所在位置的监控视频中是否存在入侵行为，通过北斗信号收发器进行短报文预警，可快速自动预警并定位到预警位置，相比于传统人工巡检方式，实时性高，便于应急预案的实施，相比于传统依靠振动传感器巡检的方式，采用更为前沿的计算机视觉技术，能够更精准的预警，有效降低误报率。

此外，本申请采用当下流行的DSA(领域专用)芯片架构，降低运行入侵检测算法所需要的功耗；本申请利用北斗进行入侵预警信息的发布，将北斗报文作为信息载体，不依赖移动通信与互联网通信，可以解决偏远无人无2/3/4G信号覆盖地区的通信问题，且具有精准的定位功能与短报文功能，能够实现预警信息的发布和预警位置的快速定位；本申请采用清洁能源太阳能供电，满足整体设备的用电需求，不仅解决了长输管道所处环境供电极为不便、供电设施稀缺的问题，而且对环境友好，具备可持续使用优势。由于整体设备的安装方式为非侵入管道式，安装工程成本较低，可实现快速部署。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种基于人工智能的管道入侵自动预警方法流程图；

图2为本申请实施例所提供的一种基于人工智能的管道入侵自动预警系统结构示意图；

图3为本申请实施例所提供的一种基于人工智能的管道入侵自动预警设备结构组成示意图；

图4为本申请实施例所提供的边缘检测设备DSA芯片架构图；

图5为本申请实施例所提供的一种基于人工智能的管道入侵自动预警系统工作运行流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面对本申请中出现的关键术语进行解释。

DSA：Domain Specific Architecture，领域专用架构；

MCU：Microcontroller Unit，微控制单元；

AP：Adjunct Processor，副处理器；

NP：Neural Network Processor，神经网络专用处理器。

请参考图1，图1为本申请实施例所提供的一种基于人工智能的管道入侵自动预警方法流程图，该预警方法100包括：

S101：获取管道设备所在位置的监控视频及位置信息；

S102：检测所述监控视频中是否存在入侵行为；

S103：若是，则生成管道入侵预警信息并通过北斗信号收发器进行短报文预警。

需要说明的是，入侵行为包括但不限于：人为挖掘、打桩机挖掘、挖土机挖掘或地震干扰。

基于上述实施例，作为优选的实施例，所述步骤102检测所述监控视频中是否存在入侵行为，包括：

将所述监控视频进行任务分发处理；

将所述监控视频进行视频解码处理得到解码视频；

判断视频处理器的负载是否空闲，若是则加载所述解码视频至视频处理器；

利用视频处理器预设的深度学习算法检测所述解码视频中是否存在入侵行为；

若是，则存储监控视频的视频截图与视频片段。

基于上述实施例，作为优选的实施例，所述利用视频处理器预设的深度学习算法检测所述解码视频是否存在入侵行为，包括：

利用深度学习算法提取解码视频的图像数据特征信息；

将来源于不同监控设备的图像数据特征信息根据监控设备的位置信息做几何变换，并将特征信息映射到一个参考摄像头上；

根据两两匹配度加权选取可靠的特征信息，进而确定入侵目标的位置和运动轨迹信息；

根据所述入侵目标的位置和运动轨迹信息检测所述解码视频中是否存在入侵行为。

基于上述实施例，作为优选的实施例，所述步骤103生成管道入侵预警信息并通过北斗信号收发器进行短报文预警，包括：

将所述监控视频对应的监控设备编号及管道设备入侵位置信息生成预警信息；

通过北斗信号收发器发送预警信息至远程后台进行短报文预警。

需要说明的是，所述预警信息还可包括入侵时间、入侵判定结果等关键信息。

具体的，基于人工智能的管道入侵自动预警方法包括：

获取管道设备所在位置的监控视频及位置信息；

将所述监控视频进行任务分发处理；

将所述监控视频进行视频解码处理得到解码视频；

判断视频处理器的负载是否空闲，若是则加载所述解码视频至视频处理器；

利用视频处理器预设的深度学习算法检测所述解码视频中是否存在入侵行为；

若是，则存储监控视频的视频截图与视频片段。

利用YOLO v3深度学习算法提取解码视频的图像数据特征信息；

将来源于不同监控设备的图像数据特征信息根据监控设备的位置信息做几何变换，并将特征信息映射到一个参考摄像头上；

根据两两匹配度加权选取可靠的特征信息，进而确定入侵目标的位置和运动轨迹信息；

根据所述入侵目标的位置和运动轨迹信息检测所述解码视频中是否存在入侵行为；

若是，则将所述监控视频对应的监控设备编号及管道设备入侵位置信息生成预警信息；

通过北斗信号收发器发送预警信息至远程后台进行短报文预警。

请参考图2，图2本申请实施例所提供的一种基于人工智能的管道入侵自动预警系统结构示意图，该预警系统200包括：

获取单元201，所述获取单元201配置用于获取管道设备所在位置的监控视频及位置信息；

检测单元202，所述检测单元202配置用于检测所述监控视频是否存在入侵行为；

预警单元203，所述预警单元203配置用于若存在入侵行为，生成管道入侵预警信息并通过北斗信号收发器进行短报文预警。

基于上述实施例，作为优选的实施例，所述系统还包括供电单元，所述供电单元配置用于为系统供电。

基于上述实施例，作为优选的实施例，所述检测单元202具体包括：

路由分发单元，所述路由分发处理单元配置用于将所述监控视频进行任务分发处理；

视频解码单元，所述视频解码单元配置用于将所述监控视频进行视频解码处理得到解码视频；

负载均衡单元，所述负载均衡单元用于判断视频处理器的负载是否空闲，若是则加载所述解码视频至视频处理器；

计算单元，所述计算单元配置用于利用视频处理器预设的深度学习算法判断所述解码视频中是否存在入侵行为；

存储单元，所述存储单元配置用于存储存在入侵行为的监控视频的视频截图与视频片段。

基于上述实施例，作为优选的实施例，所述计算单元具体用于：

利用深度学习算法提取解码视频的图像数据特征信息；

将来源于不同监控设备的图像数据特征信息根据监控设备的位置信息做几何变换，并将特征信息映射到一个参考摄像头上；

根据两两匹配度加权选取可靠的特征信息，进而确定入侵目标的位置和运动轨迹信息；

根据所述入侵目标的位置和运动轨迹信息检测所述解码视频中是否存在入侵行为。

基于上述实施例，作为优选的实施例，所述预警单元203包括：

生成单元，所述生成单元配置用于将所述监控视频对应的监控设备编号及管道设备入侵位置信息生成预警信息；

发送单元，所述发送单元配置用于通过北斗信号收发器发送预警信息至远程后台进行短报文预警。

请参考图3，图3本申请实施例所提供的一种基于人工智能的管道入侵自动预警设备结构组成示意图，该预警设备300包括：

监控设备301、边缘检测设备302、北斗信号收发器303及供电设备304，

其中，所述监控设备301与边缘检测设备302连接，用于监控管道设备并将监控视频实时发送至边缘检测设备302；

所述边缘检测设备302与北斗信号收发器303连接，用于检测所述监控视频中是否存在入侵行为，若存在，则生成管道入侵预警信息发送至北斗信号收发器303；

所述北斗信号收发器303用于接收管道入侵预警信息进行短报文预警并发送所述位置信息；

所述供电设备304与监控设备301、边缘检测单元302及北斗信号收发器303连接供电。

基于上述实施例，作为优选的实施例，所述监控设备由4-20个独立的高清监控摄像头组成。

基于上述实施例，作为优选的实施例，所述边缘检测设备具体包括：主控单元、计算模块、存储模块，所述主控单元包括：路由模块、视频解码模块、MCU模块；所述计算单元包括AP模块及NP模块。

具体的，边缘检测设备DSA芯片架构图如图4所示，由图4可知，边缘检测设备基于定制DSA芯片实现，搭载深度学习等相关算法，内部包含主控单元、计算模块及存储模块。主控单元包含路由模块、视频解码模块及MCU模块，计算单元包括NP模块及AP模块，其中，路由模块负责任务分发处理，视频解码模块负责对多个摄像头采集的视频进行视频解码处理，MCU模块负责负载均衡即判断NP模块是否负载空闲，AP模块负责加载视频至NP模块，NP模块负责运行深度学习算法对视频进行最优帧选取、裁剪、入侵判断。存储单元负责存储相关图片和视频片段，当算法判定为入侵时，截取的图片和视频片段则分类存储在存储模块，以供查询调取。

基于上述实施例，作为优选的实施例，所述供电设备包括：太阳能电池板及与该太阳能电池板相连的内置储能电池，所述内置储能电池的输出端作为监控设备、边缘检测设备及北斗信号收发器的供电端。

需要说明的是，上述边缘检测设备DSA芯片架构中，MCU选用较为高端的ARM核，A73；AP选用较为低端的ARM核，A53；NP模块采用谷歌公司开发的神经网络专用处理器TPU，内嵌TensorFlow开源软件库，采用YOLOv3深度学习算法进行视频图像的训练、甄选和识别等工作，其TPU处理速度比当前GPU和CPU要快15到30倍。较之传统芯片，TPU也更加节能，功耗效率(TOPS/Watt)上提升了30到80倍。

请参考图5，图5本申请实施例所提供的一种基于人工智能的管道入侵自动预警系统工作运行流程图，该系统工作运行步骤为：

监控摄像头拍摄的多组监控视频流入，路由分发模块进行任务分发处理，视频解码模块进行视频解码处理，MCU模块进行负载均衡判断，即判断NP模块的子模块m是否空闲(m初始值为0)，若否，则继续判断NP模块的子模块m+1是否空闲，若是，AP模块载入视频至该负载空闲的NP子模块，NP子模块运行深度学习算法进行最优帧选取、裁剪，并运行深度学习算法对所选帧图进行入侵判断(具体的，利用YOLO v3深度学习算法提取解码视频的图像数据特征信息；将来源于不同监控设备的图像数据特征信息根据监控设备的位置信息做几何变换，并将特征信息映射到一个参考摄像头上；根据两两匹配度加权选取可靠的特征信息，进而确定入侵目标的位置和运动轨迹信息；根据所述入侵目标的位置和运动轨迹信息检测所述解码视频中是否存在入侵行为)；若存在入侵行为，则生成管道入侵预警信息并通过北斗信号收发器进行短报文预警；存储模块存储监控视频的视频截图与视频片段。

远程后台接收到警报并处理，应急人员根据预警信息中的管道设备入侵位置信息进行定位，到达现场获取全部信息，并根据现场全部信息判断是否存在入侵行为，如存在则进行应急作业进行管道设备维护，同时拷贝设备存储模块内视频截图与视频片段进行入侵行为追责，并重置预警设备的报警信息，以保障其继续进行预警工作。

本申请通过检测管道设备所在位置的监控视频中是否存在入侵行为，通过北斗信号收发器进行短报文预警，可快速自动预警并定位到预警位置，相比于传统人工巡检方式，实时性高，便于应急预案的实施，相比于传统依靠振动传感器巡检的方式，采用更为前沿的计算机视觉技术，能够更精准的预警，有效降低误报率。

此外，本申请采用当下流行的DSA(领域专用)芯片架构，降低运行入侵检测算法所需要的功耗；本申请利用北斗进行入侵预警信息的发布，将北斗报文作为信息载体，不依赖移动通信与互联网通信，可以解决偏远无人无2/3/4G信号覆盖地区的通信问题，且具有精准的定位功能与短报文功能，能够实现预警信息的发布和预警位置的快速定位；本申请采用清洁能源太阳能供电，满足整体设备的用电需求，不仅解决了长输管道所处环境供电极为不便、供电设施稀缺的问题，而且对环境友好，具备可持续使用优势。由于整体设备的安装方式为非侵入管道式，安装工程成本较低，可实现快速部署

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。