一种工业现场视觉AI分析与安全预警系统和方法与流程

一种工业现场视觉ai分析与安全预警系统和方法
技术领域
1.本发明涉及人工智能技术领域，尤其涉及一种工业现场视觉ai分析与安全预警系统和方法。


背景技术：

2.在大型工业厂区的生产中，为了保障企业的正常运营，实现经济效益目标，因此生产过程的安全十分注重。多项作业过程、物料搬运与设备设施等操作过程都具有较高的危险性，因而安全隐患较多，不佩戴安全帽、工服等现象屡见不鲜，并且存在较大的污染性；另外，没有做系统性地分析每个区域安全事故发生的概率，从而会导致安全事故会不断在同一个地区重复发生，不能做到提前预知和做好防范措施，导致事故不断发生，风险难以降低，大大地影响了工厂的经济效益和名誉，因此使用ai分析提升安全环保管理是工业企业现代化发展的必然要求。


技术实现要素：

3.为解决上述背景技术中提出的技术问题，本发明提供一种能够通过ai智能算法分析检测影响安全的行为，以及安全风险评估分析的工业现场视觉ai分析与安全预警系统和方法。具体技术方案如下：第一方面，本发明提供一种工业现场视觉ai分析与安全预警系统，包括系统平台层、网络层和感知层，其中所述系统平台层包括：ai算法平台，用于将接入厂区内影响安全要素的视频、图片和人员轨迹进行算法分析，包括安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为进行检测；安全帽管理平台，用于将安全帽的语音通话、视频通话、人员定位的数据进行存储和管理；视频管理平台，用于将摄像机的语音通话、视频通话、图片数据进行存储和管理；安全管控平台，用于特殊危险作业的审批、作业票审批、安全风险评估分析、绩效管理工伤管理、台账管理和作业计划；还用于将安全事件的统计，识别安全事件异常高的时间段或区域；所述感知层包括传感器组，其中所述传感器组包括摄像机组；所述网络层包括5g网络。
4.优选的，对安全帽佩戴、工服穿戴识别采用卷积神经网络和yolo算法检测，包括：对安全帽佩戴、工服穿戴识别采用卷积神经网络和yolo算法检测，包括：cnn模型训练，使用标注的目标物体图像数据，训练一个cnn模型，使其能准确地判断图像中是否存在目标物体，以及目标物体的位置；yolo模型训练，使用标注的目标物体图像数据和目标物体位置信息，训练一个yolo模型，实现目标检测，预测目标物体的位置和类别；模型集成，将训练好的cnn模型和yolo模型进行集成，cnn模型用于提取图像特征，
并将其输入yolo模型进行目标检测和分类，yolo模型将输出目标物体的位置信息；后处理，对于yolo输出的多个物体检测结果，执行非极大值抑制(nms) 后处理步骤，以筛选出最终的目标物体检测结果；所述安全管控平台还用于安全风险评估分析，所述安全风险评估分析包括：数据收集和分类：统计一段时间内每个区域发生安全事故的数量，其中安全事故包括摔倒、举手求救、高空坠落、火灾、中毒、人为破坏的行为，并作分类；区域划分：将厂区划分为多个区域；统计每个区域的事故数量：每个区域按照安全事故的种类进行数量统计；计算期望值：计算每个区域每种事故类型的期望值，对于特定区域i和特定事故类型 j，首先计算该区域该事故类型的发生概率，即p(事故j│
区域i)，计算每种事故类型的期望值，使用以下公式期望值e(事故j│
区域i)= p(事故j│
区域i)x 总事故数量；其中，总事故数量是在所有区域中发生的总事故数量。
5.优选的，通过计算出每个区域发生特定事故的概率，将当前或未来时间段内发生或预计发生的特定安全事故计算得出其对应的期望值，对每个区域的期望值进行分析和评估，并作出安全分析关联性预测模型的建立。
6.优选的，根据建立的预测模型不断地将新的数据输入模型，通过输入模型进行事件结果的计算或预测，对模型重复地进行调整。
7.优选的，若预测模型在预设时间段内的变化率达不到最低值，则系统发出预警信息，提醒安全事故问题改善没达标。
8.第二方面，本发明还提供一种工业现场视觉ai分析与安全预警方法，包括步骤：将接入厂区内影响安全要素的视频、图片和人员轨迹进行算法分析，包括安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为进行检测；将安全帽的语音通话、视频通话、人员定位的数据进行存储和管理；将摄像机的语音通话、视频通话、图片数据进行存储和管理；进行特殊危险作业的审批、作业票审批、安全风险评估分析、绩效管理工伤管理、台账管理和作业计划；统计安全事件，识别安全事件异常高的时间段或区域；对安全帽佩戴、工服穿戴识别采用卷积神经网络和yolo算法检测，包括：cnn模型训练，使用标注的安全帽图像数据，训练一个cnn模型，使其能准确地判断图像中是否存在安全帽，以及安全帽的位置；yolo模型训练，使用标注的安全帽图像数据和安全帽位置信息，训练一个yolo模型，实现目标检测，预测安全帽的位置和类别；模型集成，将训练好的cnn模型和yolo模型进行集成，cnn模型用于提取图像特征，并将其输入yolo模型进行目标检测和分类，yolo模型将输出安全帽的位置信息；后处理，对于yolo输出的多个物体检测结果，执行非极大值抑制(nms) 后处理步骤，以筛选出最终的安全帽检测结果；所述安全风险评估分析包括：数据收集和分类：统计一段时间内每个区域发生安全事故的数量，其中安全事故包括摔倒、举手求救、高空坠落、火灾、中毒、人为破坏的行为，并作分类；区域划分：将厂区划分为多个区域；
统计每个区域的事故数量：每个区域按照安全事故的种类进行数量统计；计算期望值：计算每个区域每种事故类型的期望值，对于特定区域i和特定事故类型 j，首先计算该区域该事故类型的发生概率，即p(事故j│
区域i)，计算每种事故类型的期望值，使用以下公式期望值e(事故j│
区域i)= p(事故j│
区域i)x 总事故数量；其中，总事故数量是在所有区域中发生的总事故数量。
9.优选的，包括步骤：通过计算出每个区域发生特定事故的概率，将当前或未来时间段内发生或预计发生的特定安全事故计算得出其对应的期望值，对每个区域的期望值进行分析和评估，并作出安全分析关联性预测模型的建立。
10.优选的，包括步骤：根据建立的预测模型不断地将新的数据输入模型，通过输入模型进行事件结果的计算或预测，对模型重复地进行调整；若预测模型在预设时间段内的变化率达不到最低值，则系统发出预警信息，提醒安全事故问题改善没达标。
11.本发明的有益效果是：1、通过运用ai算法识别厂区内的安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为，实现智能准确识别，减少通过人工监控导致的疏忽遗漏，能有效降低人力成本，提高经济效益。
12.2、通过运用各种摄像机，例如布控球获取场地视频信息和通话语音信息，及时采集现场实时情况，便于实时跟踪和循迹。
13.3、对安全帽佩戴、工服穿戴识别采用卷积神经网络和yolo算法检测，能够高度准确地检测出安全帽和工服的存在或缺失，有助于减少误报和漏报，提高安全性。卷积神经网络和 yolo算法在各种环境条件下都能良好地工作，包括光照变化、背景杂乱等。将卷积神经网络和yolo算法应用于安全帽佩戴和工服穿戴识别可以提高工业现场的安全性、自动化和效率，减少潜在的危险情况。对于确保工作人员遵守安全规定和降低事故风险非常有益。
14.4、通过数学期望值作安全风险评估，通过计算出每个区域发生特定事故的概率，将当前或未来时间段内发生或预计发生的特定安全事故计算得出其对应的期望值，对每个区域的期望值进行分析和评估，可以预测某个区域发生该事故的次数，能给予管理者一定的参考依据，针对该区域频繁发生的事故引起关注，更容易找出事故原因，从而不断完善场地设施，形成良好的修改迭代循环。
附图说明
15.图1为本发明一种工业现场视觉ai分析与安全预警系统的原理框图。
16.图2为本发明一种工业现场视觉ai分析与安全预警方法的流程图。
17.图3为本发明一种工业现场视觉ai分析与安全预警方法的另一流程图。
18.图4为本发明一种工业现场视觉ai分析与安全预警方法的又一流程图。
具体实施方式
19.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并
不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
20.参见图1至图4，一方面，本发明提供一种工业现场视觉ai分析与安全预警系统，包括系统平台层10、网络层20和感知层30，其中所述系统平台层10包括：ai算法平台12，用于将接入厂区内影响安全要素的视频、图片和人员轨迹进行算法分析，包括安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为进行检测；安全帽管理平台14，用于将安全帽的语音通话、视频通话、人员定位的数据进行存储和管理；视频管理平台13，用于将摄像机的语音通话、视频通话、图片数据进行存储和管理；安全管控平台11，用于特殊危险作业的审批、作业票审批、安全风险评估分析、绩效管理工伤管理、台账管理和作业计划；还用于将安全事件的统计，识别安全事件异常高的时间段或区域；所述感知层30包括传感器组，其中所述传感器组包括摄像机组；所述网络层20包括5g网络。
21.在本实施例中，通过各种识别算法把安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为进行检测，其中，安全帽和工服的识别，可以通过卷积神经网络和yolo算法进行识别；摔倒检测可以使用行为识别和目标检测算法，可以通过监测人体关键点或使用深度学习模型，如基于cnn和循环神经网络的模型，来实时识别人体姿态，判断是否发生摔倒。吸烟和打电话的行为识别可以使用行为识方法，结合监测手部姿态和物体识别。通过监测手的位置和姿态，以及图像中是否有吸烟物品或手机等，来判断人员是否在吸烟或打电话。举手求救的行为识别可以使用姿态估计和行为识别方法。通过监测人体关键点，特别是手部的位置和姿态，来判断是否发生举手求救的行为。以上算法识别均通过本系统的摄像机组进行采集图片和视频信息，并发送至ai算法平台处进行分析。
22.安全帽管理平台14，安全帽上安装的定位芯片，安全帽管理平台14通过5g网络与安全帽连接，接收安全帽发送的定位信息、视频信息、语音信息等，并通过电子地图实时展示已配带5g智能安全帽的人员轨迹。具体的，安全帽可以使用5g智能安全帽mt5000。
23.视频管理平台13，用于接收布控球、全彩夜视摄像机、高温炉内摄像机等各类型摄像机的图片信息和视频信息，将摄像机的语音通话、视频通话、图片数据进行存储和管理。
24.安全管控平台11，用于特殊危险作业的审批和作业票审批，包括审批作业类型、申请单位、申请人、作业内容、作业证编号(唯一)、证件名称、实施安全教育人部门、实施安全教育人、审批表编号(唯一)、完工验收人、作业方式、当班班长、作业负责人、作业监督人、作业级别、涉及特殊危险作业、风险辨识结果、作业人等信息，作业工人需提前在手机端上提交危险作业审批申请或作业票审批申请，作业负责人可在安全管理平台上给予审批。且作业完成时将任务状态反馈至安全管控平台作业任务。
25.在本系统平台中，感知层30通过网络层20与系统平台层10信息交互，进而系统平台层10与应用层连接，应用层为监控大屏和手机电脑等终端设备。
26.进一步地，对安全帽佩戴、工服穿戴识别采用卷积神经网络和yolo算法检测，包括：卷积神经网络cnn模型训练，使用标注的目标物体图像数据，训练一个cnn模型，使其能准确地判断图像中是否存在目标物体，以及目标物体的位置；
yolo模型训练，使用标注的目标物体图像数据和目标物体位置信息，训练一个yolo模型，实现目标检测，预测目标物体的位置和类别；模型集成，将训练好的cnn模型和yolo模型进行集成，cnn模型用于提取图像特征，并将其输入yolo模型进行目标检测和分类，yolo模型将输出目标物体的位置信息；后处理，对于yolo输出的多个物体检测结果，执行非极大值抑制(nms) 后处理步骤，以筛选出最终的目标物体检测结果。
27.在本实施例中，具体的识别为步骤1：数据准备：收集包含安全帽和非安全帽场景的图像数据集，并进行标注。标注应包括每个图像中安全帽的位置（边界框）和类别标签。此数据将用于训练和验证模型。
28.步骤2：训练卷积神经网络：使用收集到的数据集，训练一个卷积神经网络，以便它能够检测图像中的安全帽。可以使用一些常见的cnn架构，如resnet、vgg等。训练过程中，网络将学习从图像中提取特征并定位安全帽。
29.步骤3：集成yolo算法：在卷积神经网络训练完成后，集成yolo算法。yolo算法可以帮助检测多个对象，并为每个对象生成包围框和类别概率。
30.步骤4：模型微调：将训练好的卷积神经网络与yolo算法相结合后，可根据需要对整体模型进行微调，包括调整模型的超参数，如置信度阈值、非极大值抑制（nms）的阈值等。
31.步骤5：测试和验证：使用独立的测试数据集对整体模型进行测试和验证，以评估其性能。确保模型能够准确地检测安全帽的存在并定位其位置。通过结合cnn和yolo算法，可以实现实时的安全帽识别系统，能够快速、准确地检测并定位工业现场中的安全帽和工服是否穿戴。结合cnn和yolo算法用于监测安全帽和工服能实现高效性、多目标检测能力、高精度和适应性更强。
32.进一步地，所述安全管控平台还用于安全风险评估分析，所述安全风险评估分析包括：数据收集和分类：统计一段时间内每个区域发生安全事故的数量，其中安全事故包括摔倒、举手求救、高空坠落、火灾、中毒、人为破坏的行为，并作分类；区域划分：将厂区划分为多个区域；统计每个区域的事故数量：每个区域按照安全事故的种类进行数量统计； 计算期望值：计算每个区域每种事故类型的期望值，对于特定区域i和特定事故类型 j，首先计算该区域该事故类型的发生概率，即p(事故j│
区域i)，计算每种事故类型的期望值，使用以下公式期望值e(事故j│
区域i)= p(事故j│
区域i)x 总事故数量；其中，总事故数量是在所有区域中发生的总事故数量。
33.在本实施例中，步骤1：数据收集和分类：收集与各区域相关的安全事故数据。确保每个事故都被分类为摔倒、举手求救、高空坠落、火灾、中毒、人为破坏等不同类型。数据应包括事故发生的区域、日期和事故类型。
34.步骤2：区域划分：将工业厂区划分为多个区域，以确保每个区域的边界清晰可识别，可根据实际的工业现场布局和区域划分来进行。
35.步骤3：统计每个区域的事故数量：对于每个区域，计算不同类型安全事故的数量，例如：
区域a摔倒事故：10起区域a举手求救：5起区域b高空坠落：3起区域b火灾：2起步骤4：计算期望值：计算每个区域每种事故类型的期望值，期望值的计算可以通过以下步骤来实现：对于特定区域i和特定事故类型 j，首先计算该区域该事故类型的发生率(概率)，即p(事故j│
区域i)。可以通过统计该区域该类型事故的数量除以总事故数量来获得。计算每种事故类型的期望值，使用以下公式：期望值e(事故j│
区域i)= p(事故j│
区域i)x 总事故数量。
36.例如，对于区域a和摔倒事故的期望值计算：p(摔倒|区域a) =（假设总共发生了15起事故）e({摔倒}|{区域a})= 10/15 x 15 = 10以上公式可以计算每个区域每种事故类型的期望值，进而管理人员可以了解在每个区域中每种事故类型的平均发生频率，有助于采取适当的安全措施和预防措施，以减少后续继续发生的可能性；例如区域a频繁发生摔倒事故，可以加强区域a的地板摩擦性或建议工人穿防滑鞋等改进措施。
37.进一步地，s24，通过计算出每个区域发生特定事故的概率，将当前或未来时间段内发生或预计发生的特定安全事故计算得出其对应的期望值，对每个区域的期望值进行分析和评估，并作出安全分析关联性预测模型的建立。
38.在本实施例中，预先收集大量的安全事件数据，包括每个区域发生的不同类型的安全事故、日期和时间信息等。需要说明的是，这些数据为历史数据。对收集的数据进行分析，以了解不同区域和不同类型事故的发生频率，并进行数据清洗、异常值检测和缺失数据填充等预处理步骤，以确保数据的质量和完整性。进而再建立关联性预测模型，选择适当的特征（或属性）来描述每个区域和每种安全事件类型的情况，包括区域的特征（如工作人员数量、设备数量）、时间特征（如日期、时间段）、事件类型等。特征工程的目标是提取与安全事件关联性最高的特征。使用关联规则挖掘算法（如apriori算法）来发现不同事件之间的关联性。例如，可以查看是否存在一些特定事件组合的常见模式，以预测它们之间的关联性；例在区域a内常发生摔倒事故，区域b经常发生火灾事故等。另外，还可以使用时间序列分析，对时间序列数据进行分析，探索不同事件类型随时间的变化趋势，可以帮助管理人员了解是否存在某种周期性的关联性；例如区域c在某些时间段内经常发生偷窃事故，管理人员可以根据该时间段加强防守和看管。建立模型后，需要对其进行评估和优化。使用历史数据来测试模型的性能，比较模型的预测结果与实际发生的情况，以确定模型的准确性和可靠性。可以根据实际需要，调整模型的参数或特征，以提高其性能。一旦建立了可靠的关联性预测模型，可以将其应用于当前或未来时间段内的安全事件预测。模型可以识别潜在的安全风险，提前采取措施来减少事故发生的可能性。
39.建立关联性预测模型有以下有益效果：
①
提前预警：模型可以提前识别潜在的安全问题，以便及时采取预防措施，减少事故风险。
40.②
资源优化：通过预测事故的发生，管理人员可以更有效地分配资源，确保安全措
施得到充分利用。
41.③
数据驱动决策：模型基于数据和事实进行决策，减少了主观判断的影响，提高了决策的科学性。
42.④
持续改进：通过不断监控模型的性能和结果，能进行持续改进和优化，以适应不断变化的安全环境。
43.进一步地，s25，根据建立的预测模型不断地将新的数据输入模型，通过输入模型进行事件结果的计算或预测，对模型重复地进行调整。
44.在本实施例中，建立的预测模型不断地将新的数据输入模型，目的是为了将目前优化环境后输出的结果输入模型当中，便于观察整顿措施整改后事件的变化趋势，可以观察是否有所趋减，若无趋减趋势，可以及时调整整改策略，以降低再次发生的可能性。
45.进一步地，s26，若预测模型在预设时间段内的变化率达不到最低值，则系统发出预警信息，提醒安全事故问题改善没达标。
46.在本实施例中，可以在系统中预设一个时间段，并同时通过比较两个时间点之间的模型性能指标来计算变化率：
①
选择性能指标：确定评估模型性能的指标，对于关联性预测模型，指标可以包括准确性、召回率、f1分数等。
47.②
选择两个时间点：选择比较的两个时间点。通常这些时间点应该是相对较近的，以便监测模型性能的变化。
48.③
计算性能指标：在两个时间点分别计算所选性能指标的值。例如，可以在时间点1计算模型的准确性为0.85，在时间点2计算准确性为0.80。
49.④
计算变化率：变化率=(性能指标2-性能指标1) / 性能指标1。
50.⑤
设定阈值：确定阈值，该阈值表示性能变化的最小可接受水平。阈值的选择根据实际需求设定。例如，可以将阈值设置为-0.05，表示如果模型性能下降了5%或更多，系统将发出预警信息。
51.⑥
监控和触发预警：定期计算模型性能的变化率，并将其与设定的阈值进行比较。如果变化率低于阈值，表示模型的性能下降到了不可接受的水平，系统应触发预警信息，提醒改善安全事故问题。
52.另一方面，基于同一发明构思，本发明还提供一种工业现场视觉ai分析与安全预警方法，其中，与本发明提供的工业现场视觉ai分析与安全预警方系统工作原理相同或相似，因此重复之处不再赘述。包括步骤：将接入厂区内影响安全要素的视频、图片和人员轨迹进行算法分析，包括安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为进行检测；将安全帽的语音通话、视频通话、人员定位的数据进行存储和管理；将摄像机的语音通话、视频通话、图片数据进行存储和管理；进行特殊危险作业的审批、作业票审批、安全风险评估分析、绩效管理工伤管理、台账管理和作业计划；统计安全事件，识别安全事件异常高的时间段或区域；s10，对安全帽佩戴、工服穿戴识别采用卷积神经网络和yolo算法检测，包括：cnn模型训练，使用标注的安全帽图像数据，训练一个cnn模型，使其能准确地判断图像中是否存在安全帽，以及安全帽的位置；
s11，yolo模型训练，使用标注的安全帽图像数据和安全帽位置信息，训练一个yolo模型，实现目标检测，预测安全帽的位置和类别；s12，模型集成，将训练好的cnn模型和yolo模型进行集成，cnn模型用于提取图像特征，并将其输入yolo模型进行目标检测和分类，yolo模型将输出安全帽的位置信息；s13，后处理，对于yolo输出的多个物体检测结果，执行非极大值抑制(nms) 后处理步骤，以筛选出最终的安全帽检测结果。
53.进一步地，包括步骤：s20，安全风险评估分析包括：数据收集和分类：统计一段时间内每个区域发生安全事故的数量，其中安全事故包括摔倒、举手求救、高空坠落、火灾、中毒、人为破坏的行为，并作分类；s21，区域划分：将厂区划分为多个区域；s22，统计每个区域的事故数量：每个区域按照安全事故的种类进行数量统计；s23，计算期望值：计算每个区域每种事故类型的期望值，对于特定区域i和特定事故类型 j，首先计算该区域该事故类型的发生概率，即p(事故j│
区域i)，计算每种事故类型的期望值，使用以下公式期望值e(事故j│
区域i)= p(事故j│
区域i)x 总事故数量；其中，总事故数量是在所有区域中发生的总事故数量。
54.进一步地，包括步骤：s24，通过计算出每个区域发生特定事故的概率，将当前或未来时间段内发生或预计发生的特定安全事故计算得出其对应的期望值，对每个区域的期望值进行分析和评估，并作出安全分析关联性预测模型的建立。
55.进一步地，包括步骤：s25，根据建立的预测模型不断地将新的数据输入模型，通过输入模型进行事件结果的计算或预测，对模型重复地进行调整；s26，若预测模型在预设时间段内的变化率达不到最低值，则系统发出预警信息，提醒安全事故问题还没有减少。
56.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

技术特征：
1.一种工业现场视觉ai分析与安全预警系统，其特征在于，包括系统平台层、网络层和感知层，其中所述系统平台层包括：ai算法平台，用于将接入厂区内影响安全要素的视频、图片和人员轨迹进行算法分析，包括安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为进行检测；安全帽管理平台，用于将安全帽的语音通话、视频通话、人员定位的数据进行存储和管理；视频管理平台，用于将摄像机的语音通话、视频通话、图片数据进行存储和管理；安全管控平台，用于特殊危险作业的审批、作业票审批、安全风险评估分析、绩效管理、工伤管理、台账管理和作业计划；还用于将安全事件的统计，识别安全事件异常高的时间段或区域；所述感知层包括传感器组，其中所述传感器组包括摄像机组；所述网络层包括5g网络；对安全帽佩戴、工服穿戴识别采用卷积神经网络和yolo算法检测，包括：cnn模型训练，使用标注的目标物体图像数据，训练一个cnn模型，使其能准确地判断图像中是否存在目标物体，以及目标物体的位置；yolo模型训练，使用标注的目标物体图像数据和目标物体位置信息，训练一个yolo模型，实现目标检测，预测目标物体的位置和类别；模型集成，将训练好的cnn模型和yolo模型进行集成，cnn模型用于提取图像特征，并将其输入yolo模型进行目标检测和分类，yolo模型将输出目标物体的位置信息；后处理，对于yolo输出的多个物体检测结果，执行非极大值抑制(nms) 后处理步骤，以筛选出最终的目标物体检测结果。2.根据权利要求1所述的工业现场视觉ai分析与安全预警系统，其特征在于，所述安全管控平台还用于安全风险评估分析，所述安全风险评估分析包括：数据收集和分类：统计一段时间内每个区域发生安全事故的数量，其中安全事故包括摔倒、举手求救、高空坠落、火灾、中毒、人为破坏的行为，并作分类；区域划分：将厂区划分为多个区域；统计每个区域的事故数量：每个区域按照安全事故的种类进行数量统计；计算期望值：计算每个区域每种事故类型的期望值，对于特定区域i和特定事故类型j，首先计算该区域该事故类型的发生概率，即p(事故
j
│
区域
i
)，计算每种事故类型的期望值，使用以下公式期望值e(事故
j
│
区域
i
)= p(事故
j
│
区域
i
)x 总事故数量；其中，总事故数量是在所有区域中发生的总事故数量。3.根据权利要求2所述的工业现场视觉ai分析与安全预警系统，其特征在于，通过计算出每个区域发生特定事故的概率，将当前或未来时间段内发生或预计发生的特定安全事故计算得出其对应的期望值，对每个区域的期望值进行分析和评估，并作出安全分析关联性预测模型的建立。4.根据权利要求3所述的工业现场视觉ai分析与安全预警系统，其特征在于，根据建立的预测模型不断地将新的数据输入模型，通过输入模型进行事件结果的计算或预测，对模型重复地进行调整。5.根据权利要求4所述的工业现场视觉ai分析与安全预警系统，其特征在于，若预测模
型在预设时间段内的变化率达不到最低值，则系统发出预警信息，提醒安全事故问题改善没达标。6.一种工业现场视觉ai分析与安全预警方法，其特征在于，包括步骤：将接入厂区内影响安全要素的视频、图片和人员轨迹进行算法分析，包括安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为进行检测；将安全帽的语音通话、视频通话、人员定位的数据进行存储和管理；将摄像机的语音通话、视频通话、图片数据进行存储和管理；进行特殊危险作业的审批、作业票审批、安全风险评估分析、绩效管理工伤管理、台账管理和作业计划；统计安全事件，识别安全事件异常高的时间段或区域；对安全帽佩戴、工服穿戴识别采用卷积神经网络和yolo算法检测，包括：cnn模型训练，使用标注的目标物体图像数据，训练一个cnn模型，使其能准确地判断图像中是否存在目标物体，以及目标物体的位置；yolo模型训练，使用标注的目标物体图像数据和目标物体位置信息，训练一个yolo模型，实现目标检测，预测目标物体的位置和类别；模型集成，将训练好的cnn模型和yolo模型进行集成，cnn模型用于提取图像特征，并将其输入yolo模型进行目标检测和分类，yolo模型将输出目标物体的位置信息；后处理，对于yolo输出的多个物体检测结果，执行非极大值抑制(nms) 后处理步骤，以筛选出最终的目标物体检测结果；所述安全风险评估分析包括：数据收集和分类：统计一段时间内每个区域发生安全事故的数量，其中安全事故包括摔倒、举手求救、高空坠落、火灾、中毒、人为破坏的行为，并作分类；区域划分：将厂区划分为多个区域；统计每个区域的事故数量：每个区域按照安全事故的种类进行数量统计；计算期望值：计算每个区域每种事故类型的期望值，对于特定区域i和特定事故类型 j，首先计算该区域该事故类型的发生概率，即p(事故
j
│
区域
i
)，计算每种事故类型的期望值，使用以下公式期望值e(事故
j
│
区域
i
)= p(事故
j
│
区域
i
)x 总事故数量；其中，总事故数量是在所有区域中发生的总事故数量。7.根据权利要求6所述的工业现场视觉ai分析与安全预警方法，其特征在于，包括步骤：通过计算出每个区域发生特定事故的概率，将当前或未来时间段内发生或预计发生的特定安全事故计算得出其对应的期望值，对每个区域的期望值进行分析和评估，并作出安全分析关联性预测模型的建立。8.根据权利要求7所述的工业现场视觉ai分析与安全预警方法，其特征在于，包括步骤：根据建立的预测模型不断地将新的数据输入模型，通过输入模型进行事件结果的计算或预测，对模型重复地进行调整；若预测模型在预设时间段内的变化率达不到最低值，则系统发出预警信息，提醒安全事故问题还没有减少。

技术总结
本发明公开一种工业现场视觉AI分析与安全预警系统和方法，包括系统平台层、网络层和感知层，其中所述系统平台层包括：AI算法平台，用于将接入厂区内影响安全要素的视频、图片和人员轨迹进行算法分析，包括安全帽佩戴、摔倒、工服穿戴、吸烟、打电话、举手求救的行为进行检测；安全帽管理平台，用于将安全帽的语音通话、视频通话、人员定位的数据进行存储和管理。通过数学期望值作安全风险评估，通过计算出每个区域发生特定事故的概率，可以预测某个区域发生该事故的次数，能给予管理者一定的参考依据，针对该区域频繁发生的事故引起关注，更容易找出事故原因，从而不断完善场地设施。从而不断完善场地设施。从而不断完善场地设施。


技术研发人员：钟鸿亮 梁淑婷 胡辉龙
受保护的技术使用者：广东鉴面智能科技有限公司
技术研发日：2023.09.04
技术公布日：2023/10/11