基于深度学习的天然气电厂智能视频监控平台应用分析

郄文波

（中海油信息科技有限公司，广东 深圳 518086）

0 引 言

随着互联网信息技术的不断发展，视频监控逐渐从传统的模拟化、信息数字化转变为新型网络智能化模式[1]。相较于传统视频监控模式，网络智能化视频监控模式具备监测精度高、图像解译效果好以及快捷方便等特征，能够应用在监测视频图像序列目标定位、检测分析、跟踪以及高级定义等方面。深度学习下的视频监控平台能通过特征要素识别分析，将训练抽取的特征要素值应用在视频图像分类、设备信息安全检测等方面，提升生产的智能性、安全性[2,3]。

1 天然气电厂智能视频监控平台整体设计

1.1 视频监控平台学习方法比较分析

为了精准掌握深度学习模式优势特征属性，通过方法本质、学习背景、识别精准度以及适用场景分析等对比分析传统视频监控方法和基于深度学习视频监控方法，如表1所示。

表1 深度学习与传统视频监控方法对比分析表

在4种项目分析中，传统视频监控方法和深度学习监控方法均能较好地应用于天然气电厂监控管理。相较于深度学习方式，传统方法在本质上缺乏海量数据特征训练，视频目标识别和分类精度较低。深度学习视频监控方法在应用中干扰性小，学习时间短。在适用场景方面，深度学习视频监控方法在配置硬件设备时无需大量参数，操作更为便捷高效。

1.2 平台设计原则

以神经网络深度学习为背景，探索天然气电厂智能视频监控平台基础原理和设计原则。通过深度学习方法对监控视频数据海量样本进行训练，并通过选取特征参数样本进行视频异常点分析[4]。若海量训练样本经特征向量分析后发现异常值，则平台系统通过硬件设备及时定位、检测，通过软件设备进行异常数据传输、分析，以此实现天然气电厂视频监控智能预警服务，提升天然气电厂生产安全等级。

基于深度学习的智能视频监控平台遵循以下原则：一是智能视频监控平台操作界面简单，具备较好的易用性和安全性；二是智能监控平台在不同时间层面中满足用户的管理调度需求，保证各系统子功能数据同平台控制中心数据传输、交互、分析的同步性，实现海量数据存储、训练分析等；三是平台安防系统及时修订保密级别、用户权限，对重要信息多层加密，防止数据丢失，保证平台采集视频信息的准确性。

1.3 平台整体架构体系

依据天然气电厂智能视频监控平台设计原理和实际应用需求，采用Raspberry Pi作为智能监控平台架构核心单元，平台整体架构如图1所示[5]。

图1 天然气电厂智能视频监控平台架构

基于深度学习的天然气电厂智能视频监控平台包括报警监控单元、视频信息处理中心、服务器、Web服务器管理中心以及数据库管理中心。其中，报警监控单元主要依据信息处理中心的特征结果判定天然气电厂监控区域设备状态、设备元件信息动态特征等，以实现故障预警提示。数据库管理中心主要将所采集的视频监控信息进行存储、筛选、分析等。经数据管理中心优化后，将整理的视频信息数据集汇总传输至Web服务区器管理中心，实现高效化、智能化以及一体化的管理。

1.4 平台主体内容分析

通过分析监控平台系统主体内容，依据不同性质和作用将其划分为安全管理模块、监控管理模块、报警信息管理模块以及系统管理模块。安全管理模块通过分析电厂设备、人员信息数据特征向量变化，从而实现天然气电厂内部安全预警管理[6]。监控管理模块则实时监测厂区安全和数据信息安全，当某一视频监控区域出现设备损坏现象时，监控硬件及时采集信息并传输至平台管理中心进行特征要素识别。通过动态历史信息特征识别，匹配相似特征视频，以实现提示预警。系统管理模块主要负责各平台硬件设备、软件设备服务、协调及统一调度，实现平台智能化安全管理、监控管理、报警管理等，并依据深度学习技术特征优势采集、统计并分析各功能区动态变化特征，从而保障平台各系统安全稳定运行。

2 天然气电厂智能视频监控平台实现与分析

现阶段，天然气电厂因管理不到位、值守不及时、人员巡查不精准而造成的安全事故频繁出现。由于深度学习方法在视频监控中具有信息识别精度高、背景干扰因素少、无复杂参数配置以及能通过特征向量分析处理海量视频信息数据异常值等诸多优势，因此基于深度学习方法构建天然气电厂智能视频监控平台，节约天然气电厂监控管理的经济成本，提高资源利用率。

智能平台ER数据库在设计实现中以海量数据为基础，具备多功能特征的关系模型，共建共享。基于深度学习的天然气电厂智能视频监控数据库具体ER设计如图2所示。

图2 深度学习下电厂智能视频监控数据库ER图

本文所构建的天然气电厂智能视频监控平台数据信息检测流程一般为数据输入、分析检测、判定CV内容、帧间数据信息检索判定、视频输出以及视频动态展示等。其中，输入视频信息和读取部分由R语言或Python软件实现，CV内容检测和帧间数据检测通过深度学习实现。通过平台前端系统软件采集视频信息，传输并存储于数据库管理中心。前端软件与后端软件协同操作，依据深度学习方法对平台视频信息特征要素多重训练分析后判定检测信息是否存在异常，进而通过智能软件服务平台实现天然气电厂内部设备、元件的动态监控[7]。

表征学习是指对采集的视频数据要素进行重识别分析的过程。当对某一采集的视频信息片段特征训练时，通过二次训练筛选或推出新的视频信息特征要素，并经过两次特征向量分析对比提高特征向量分析精度，实现对天然气电厂智能视频监控平台的视频信息诊断和监测预警。

除此之外，度量学习作为智能视频监控检索领域的常见方式，与表征学习在学习本质和特征上存在显著区别。例如，度量学习在测试分析过程中以计算机输入视频信息为主体，通过获取同ID设备下的视频信息相似度后进行划分，即缩小同ID设备下两者距离或扩大不同ID间两者距离进行视频特征信息筛选。

3 天然气电厂智能视频监控平台实际应用分析

当前，基于深度学习技术的智能视频监控平台在天然气电厂运营管理、产业安全评估、经济产能增值等方面极为重要。基于深度学习的智能视频监控平台通过海量视频信息数据特征训练对比分析，从而实现全区域、高精度、及时性监测和预警服务。智能平台上线后不仅降低了厂内设备的运营维护、保养成本，而且也提高了天然气电厂管理能力和水平。除此之外，该平台具备全天候可靠监控、自动化控制管理等优势，不仅很大程度上避免了天然气电厂人力、物力资源浪费，而且有效提升了电厂工作效率、安全管理效率（预警提示、特征异常值分析等），消除了安全隐患。智能视频监控平台能针对监控区域进行不间断分析预警，并依据深度学习算法强大的视频图像处理能力使用户可以更加精确地定义视频特征，减少误报和因人为检修不到位所引起的天然气电厂安全事故，提升安全效益。

4 结 论

基于智能视频平台数据特征向量分析，检测视频监控平台海量视频数据异常特征要素，实现平台监控预警能力。通过表征学习实现采集视频数据要素重识别过程，并经过二次向量特征对比分析后提高特征向量分析精度，减少天然气电厂内可能出现的安全事故。