(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210980387.6 (22)申请日 2022.08.16 (71)申请人 四川华能氢能科技有限公司 地址 611900 四川省成 都市彭州市石化北 路东段2号技术创新中心大楼1-3-11 号 (72)发明人 周心怡　李太斌　张冲　 (74)专利代理 机构 成都众恒智合专利代理事务 所(普通合伙) 51239 专利代理师 刘沁 (51)Int.Cl. G06V 20/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01)G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/52(2022.01) (54)发明名称 一种事故原因离线智能诊断系统 (57)摘要 本发明公开了一种事故原因离线智能诊断 系统， 涉及危险化学品事故监控技术领域， 包括 视频数据读取层、 中心处理层、 数据存储层和关 键特征识别算法模型库； 关键特征识别算法模型 库存储有若干类 关键特征识别算法模 型， 关键特 征识别算法模 型为深度学习神经网络模型， 且基 于从开源数据集获取的对应类的化工事故图像 数据训练而成； 视频数据读取层用于获取监控视 频图像数据； 中心处理层用于选择关键特征识别 算法模型对监控视频图像数据进行诊断并输出 诊断结果； 数据存储层用于存储诊断结果。 本发 明利用计算机辅助或代替人工对离线视频进行 识别分析， 过滤用户不关心的无用信息， 仅提取 特定事件的关键信息， 大 大提高事 件诊断效率。 权利要求书1页 说明书4页 附图2页 CN 115205761 A 2022.10.18 CN 115205761 A 1.一种事故原因离线智能诊断系统， 其特征在于， 包括视频数据读取层、 中心处理层、 数据存储层和关键特 征识别算法模型库； 所述关键特征识别算法模型库存储有若干类关键特征识别算法模型， 所述关键特征识 别算法模型为深度学习神经网络模型， 且基于从开源数据集 获取的对应类的化工事故图像 数据训练而成； 所述视频 数据读取层用于获取监控视频图像数据； 所述中心 处理层用于从所述关键特征识别算法模型库， 选择对应类的关键特征识别算 法模型作为当前事故原因诊断模型， 并将所述监控视频图像数据输入当前事故原因诊断模 型， 当前事故原因诊断模型对所述监控视频图像数据进 行诊断， 若 未识别出关键特征， 则不 输出诊断结果， 若识别出关键特征， 则输出该关键特征属于当前事故原因诊断模型对应类 的事故原因的概 率， 以及该关键特 征对应的视频 段和截图作为诊断结果； 所述数据存 储层用于存 储输出的诊断结果。 2.根据权利要求1所述的事故原因离线智能诊断系统， 其特征在于， 所述关键特征识别 算法模型库存储有： 人员聚集关键特征识别算法模 型、 非法闯入关键特征识别算法模型、 值 班室脱岗关键特征识别算法模型、 消防通道堵塞关键特征识别算法模型、 环境着火关键特 征识别算法模型以及环境冒烟关键特 征识别算法模型。 3.根据权利要求1所述的事故原因离线智能诊断系统， 其特征在于， 所述开源数据集为 ImageNet和/或Pascal  VOC。 4.根据权利要求1所述的事故原因离线智能诊断系统， 其特征在于， 所述关键特征识别 算法模型包括卷积神经网络模型和多个分类器， 所述分类器的分类精度可调， 精度越高的 分类操作， 识别速率越低， 反之则越高； 对于每个所述关键特征识别算法模型， 所述中心处 理层能选择其对应精度的分类操作用于对所述 监控视频图像数据进行诊断。 5.根据权利要求4所述的事故原因离线智能诊断系统， 其特征在于， 所述中心 处理层包 括条件选择窗口， 该窗口设置有分析精度选择窗和关键特 征识别算法模型选择窗。 6.根据权利要求4所述的事故原因离线智能诊断系统， 其特征在于， 所述关键特征识别 算法模型的训练方法包括卷积神经网络模型训练以及分类 器训练。 7.根据权利要求6所述的事故原因离线智能诊断系统， 其特征在于， 所述关键特征识别 算法模型的训练过程包括： 利用从开源数据集获取的化工事故图像数据训练所述卷积神经 网络模型， 使所述卷积神经网络模型能识别化工事故 图像数据中的关键特征； 采用训练好 的卷积神经网络模型对从开源数据集获取的化工事故图像数据进行图像CNN特征提取， 构 建关键特征训练集； 采用关键特 征训练集对分类 器进行训练。 8.根据权利要求7所述的事故原因离线智能诊断系统， 其特征在于， 从开源数据集获取 的化工事故图像数据， 均为使用Label Img工具标注过的数据。 9.根据权利要求8所述的事故原因离线智能诊断系统， 其特征在于， 对于每一类从开源 数据集获取的化工事故图像数据， 其数量均为20 00张以上。 10.根据权利要求9所述的事故原因离线智能诊断系统， 其特征在于， 所述监控视频图 像数据的格式为MP4/ M4V/FLV/ MOV/WMV。权　利　要　求　书 1/1 页 2 CN 115205761 A 2一种事故原因 离线智能诊断系统 技术领域 [0001]本发明涉及危险化学品生产经营安全管理技术领域， 具体而言， 涉及一种事故原 因离线智能诊断系统。 背景技术 [0002]随着视频监控技术的逐渐发展， 视频监控在各领域都得到了广泛的应用， 监控视 频数据量也呈现出海量增长， 是 大数据时代的重要数据对象。 [0003]目前关于智能视频分析技术， 大多是基于智能视频技术本身的基础研究， 而对将 智能视频分析关键技术应用于事故原因诊断分析， 尤其是针对危险化学品生产经营等行业 的安全生产领域的涉及甚少。 对于危险化学品生产经营企业， 要时刻防范事故风险， 如不慎 发生事故， 在其 发生后应立即采取应急预案， 之后应尽快调查事故原因， 避免后续生产经营 风险。 在调查事故原因时， 面对监控视频提供的海量数据信息， 如果事故调查人员没有方法 进行有效、 科学的提取， 那么势必耗费大量的人力资源和时间成本， 且易出现漏检漏查问 题。 发明内容 [0004]本发明在于提供一种事故原因离线智能诊断系统， 其能够缓解上述问题。 [0005]为了缓解上述的问题， 本发明采取的技 术方案如下： [0006]本发明提供了一种事故原因离线智能诊断系统， 包括视频数据读取层、 中心处理 层、 数据存 储层和关键特 征识别算法模型库； [0007]所述关键特征识别算法模型库 存储有若干类关键特征识别算法模型， 所述关键特 征识别算法模型为深度学习神经网络模型， 且基于从开源数据集 获取的对应类的化工事故 图像数据训练而成； [0008]所述视频 数据读取层用于获取监控视频图像数据； [0009]所述中心处理层用于从所述关键特征识别算法模型库， 选择对应类的关键特征识 别算法模型作为当前事故原因诊断模型， 并将所述监控视频图像数据输入当前事故原因诊 断模型， 当前事故原因诊断模型对所述监控视频图像数据进 行诊断， 若 未识别出关键特征， 则不输出诊断结果， 若识别出关键特征， 则输出该关键特征属于当前事故原因诊断模型对 应类的事故原因的概 率， 以及该关键特 征对应的视频 段和截图作为诊断结果； [0010]所述数据存 储层用于存 储输出的诊断结果。 [0011]在本发明的一较佳实施方式中， 所述关键特征识别算法模型包括卷积神经网络模 型和多个分类器， 所述分类器的分类精度可调， 精度越高的分类操作， 识别速率越低， 反之 则越高； 对于每个所述关键特征识别算法模型， 所述中心处理层能选择其对应精度的分类 操作用于对所述 监控视频图像数据进行诊断。 [0012]在本发明的一较佳实施方式中， 所述中心处理层包括条件选择窗口， 该窗口设置 有分析精度选择窗和关键特 征识别算法模型选择窗。说　明　书 1/4 页 3 CN 115205761 A 3