一种钻井作业过程中的安全业务管理系统和方法
技术领域
本发明涉及油气田开发工程技术领域，尤其涉及一种钻井作业过程中的安全业务管理系统和方法。
背景技术
石油钻井工程是油气田开发生产过程的重要组成部分，因其具有井喷、硫化氢泄漏、机械伤害等风险，也是事故多发环节，一直是安全生产监测的重点。视频监控作为一种有效的安全监管手段，已广泛应用于钻井作业现场，对发现事故隐患、遏制和杜绝事故发生起到了积极作用。由于传统的视频监控限于通过人员值守和录像存储实现人工查看和事后追溯，导致值守人员无法顾及所有监控场景，且难以长期保持注意力高度集中，发现高风险行为相对滞后，大量的视频数据给实时监视报警和有效使用带来了新的挑战。
直接作业环节一直是钻井安全管理的瓶颈，事故呈现多发态势，且多数是“三违”事故，如不戴安全帽、作业现场人员违规接打电话、人员操作危险站位，违章频率高，是导致钻井作业过程中机械伤害、物体打击以及高压射流冲击等事故事件频发的关键原因之一。对这些违章事件，需要借助基于深度学习的图像识别算法进行实时识别及时报警。
专利CN201278022Y描述了一种煤矿井下人员位置检测分站，包括与低频信号发射模块及低频信号接收模块连接的中央处理器、存储器等，利用RFID技术，可实现管理人员对井下矿工的可靠掌握；专利CN202544928U提供了一种井下人员位置检测与管理系统，利用无线射频技术、数据处理技术、数据通信技术和地理信息系统，结合无线网络传输技术Zigbee，实现了井下人员精确定位，能从地面实时监测井下人员设备位置，为事故预防和应急救援提供基础；专利203630373U公开了一种变电站人员位置监控装置，利用压强及重量传感器，实现开关间内人员位置定位。
但上述专利仅能实现人员定位功能，预警报警仍依靠人工实现，数据处理存在不确定性和滞后性，尚无法实现高效准确的自动预警功能，同时上述专利实施过程均较为依赖固定装置建设，无法适用于流动性较强的钻井作业。
发明内容
为解决上述技术问题，本发明公开了一种钻井作业过程中的安全业务管理系统和方法。
为实现上述目的，本发明采用下述技术方案：
一种钻井作业过程中的安全业务管理系统，包括相连接的视频监控系统、安全视频智能分析与报警系统，其中：
视频监控系统包括基础支撑模块；
安全视频智能分析与报警系统包括视频解析模块、现场管控模块和决策支撑模块。
作为本发明的进一步优选，所述基础支撑模块包括前端设备、采集传输设备、视频存储设备、数据协议单元、分析服务器和报警设备。
作为本发明的进一步优选，所述视频解析模块包括目标描述、分类识别、特征计算、视频结构化和智能比对。
作为本发明的进一步优选，所述现场管控模块包括周界防范、人脸识别准入、风险分级、现场确认和现场处置。
作为本发明的进一步优选，所述决策支撑模块包括异常报警推送、移动应用、闭环管控、违章数据库、统计报表和可视化展示。
一种钻井作业过程中的安全业务管理方法，采用上述的安全业务管理系统，包括视频监控系统流程、安全视频智能分析流程和报警流程。
作为本发明的进一步优选，安全视频智能分析流程中，包括图像处理分析、事件判定和事件处理三个步骤。
作为本发明的进一步优选，图像处理分析步骤：基于井场已部署好摄像头，集中式获取钻井作业现场实时视频流，选择性设定观测区域及算法，基于目标几何和统计特征进行图像分割，在复杂场景中对多个目标进行目标检测、类型识别、目标跟踪，实现目标及特征的自动提取，将目标数据在视频图像上直观标示，并输出目标及特征数据；
作为本发明的进一步优选，事件判定步骤：依据目标特征及异常事件判定模型，采用深度学习算法，实现异常事件的类型判定，并输出相应报警信息；
作为本发明的进一步优选，事件处理：后台管理端接收前端各类报警信息，综合生成现场的安全态势，并结合现场业务场景对风险分级分类，实现态势数据的可视化显示，并可进一步执行态势信息的浏览、异常事件处理的任务。
作为本发明的进一步优选，安全视频智能分析与报警步骤中，建立的详细报警时序规则为：
(1)同级报警信息，时间上先发生的，排在处理序列的前面；
(2)不同级别报警信息，首先按时间排序，若同时发生，优先等级较高的排在处理序列的前面；
(3)相关联的多个报警信息升级确认为事件，首先按时间排序，若有相关联的多个报警信息发生，升级确认后的事件优先等级最高，排在处理序列的最前面。
本发明的有益效果是，开发了全新的视频监控系统、安全视频智能分析与报警系统，大大降低了现有技术的监控遗漏概率，相对传统视频监控系统实现了智能化，提升了风险研判、预警及应急处置能力。
附图说明
图1为本发明结构示意图；
图2为本发明中的安全视频智能分析流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，一种钻井作业过程中的安全业务管理系统，包括相连接的视频监控系统、安全视频智能分析与报警系统，其中：
视频监控系统包括基础支撑模块；
安全视频智能分析与报警系统包括视频解析模块、现场管控模块和决策支撑模块。
特别的，所述基础支撑模块包括前端设备、采集传输设备、视频存储设备、数据协议单元、分析服务器和报警设备。
特别的，所述视频解析模块包括目标描述、分类识别、特征计算、视频结构化和智能比对。
特别的，所述现场管控模块包括周界防范、人脸识别准入、风险分级、现场确认和现场处置。
特别的，所述决策支撑模块包括异常报警推送、移动应用、闭环管控、违章数据库、统计报表和可视化展示。
一种钻井作业过程中的安全业务管理方法，采用上述的安全业务管理系统，包括视频监控系统流程、安全视频智能分析流程和报警流程。
特别的，安全视频智能分析流程中，包括图像处理分析、事件判定和事件处理三个步骤：
图像处理分析，基于井场已部署好摄像头，集中式获取钻井作业现场实时视频流，选择性设定观测区域及算法，基于目标几何和统计特征进行图像分割，在复杂场景中对多个目标进行目标检测、类型识别、目标跟踪，实现目标及特征的自动提取，将目标数据在视频图像上直观标示，并输出目标及特征数据；
事件判定，依据目标特征及异常事件判定模型，采用深度学习算法，实现异常事件的类型判定，并输出相应报警信息；
事件处理，后台管理端接收前端各类报警信息，综合生成现场的安全态势，并结合现场业务场景对风险分级分类，实现态势数据的可视化显示，并可进一步执行态势信息的浏览、异常事件处理的任务。
在安全视频智能分析与报警步骤中，根据风险分级分类管控原则，对于一般事件，确认后及时完成现场闭环处置，对于重大事件，通过对多渠道采集的信息融合分析，视频、现场确认无误后，调取应急预案启动应急措施，同时通知相关管理人员，必要时开启报警系统，及时通知现场人员尽快撤离。
建立的详细报警时序规则为：
(1)同级报警信息，时间上先发生的，排在处理序列的前面；
(2)不同级别报警信息，首先按时间排序，若同时发生，优先等级较高的排在处理序列的前面；
(3)相关联的多个报警信息升级确认为事件，首先按时间排序，若有相关联的多个报警信息发生，升级确认后的事件优先等级最高，排在处理序列的最前面。
本发明是基于企业建设的统一视频监控设备(包括工业视频、安防视频和施工作业移动视频)进行提升改造，充分考虑现场安全管理存在的风险特点及管理要求，整合现有的软硬件资源，利用视频智能分析算法模型自动识别周界入侵、环境异常和人员违章，及时形成报警事件推送给管理人员，并构建风险分级管控和处置流程，完成报警事件的闭环追踪；本发明具备任务配置、实时检测报警、报警视频截取、历史查询、证据归档等功能，可对人员身份确认、不戴安全帽、不戴安全带、进入危险区域、抽烟、接打电话、明火、烟雾等典型应用场景进行检测，同时具备深度学习算法模型，可根据现场不同环境学习训练后，快速搭建其他应用场景。
需要说明的是，为满足钻井现场遮挡多、固定视频无法进行覆盖的情况，实现直接作业过程、溢流监测坐岗等场景识别需求，采用CN201720137864.7公开的一种隔爆本安混合型防爆监控终端，其具有的特点是：自带显示屏，科现场查看视频摄制位置与效果并可配置清晰度等各种参数；支持移动、联通、电信的3G/4G/华为专网，可使用所有运营商网络；适应性强，另外支持本地与远程异量保存，降低数据流量费用成本；摄像头带有360度旋转无限位的云台控制，可以本地及远程旋转检视巡视。；气体监测采用等截面风道、牛筋管、无刷风扇式、浓度衰减低，可靠性周期长；带有GPS/BD功能，可以通过地图直观掌握全厂作业情况及风险分布。易携带，可随时随地部署，可本地高清视频存储与远程高压缩比图像同步发送(通讯连接时)，弥补了钻井现场设备设施密集、视频采集传输难、局部作业无法监控等不足，实现钻井现场高风险、临时作业的全过程有效监控。
为解决视频分析处理缺少计算资源支撑问题，达到高密度计算、最大化提升计算能力的效果，研发了安全视频智能分析工作站，用于对接入的视频信号分析，实现海量非结构化视频数据的快速结构化数据存储、运算与检索，单台工作站最大支持100路1080P实时视频流全帧率活动目标智能分析，其具体参数如下：
表1安全视频智能分析工作站主要参数指标
卷积神经网络(Convolutional Neural Networks，简称CNN)是当前图像识别领域的研究热点，CNN的泛化能力要显著优于其它方法，已成为模式分类、物体检测和物体识别的主流方法。人员检测是作业违章识别的前序步骤，是典型的目标检测问题和计算机视觉的基础算法，于候选区域的检测框架，从R-CNN到FasterR-CNN，算法性能越来越高，速度越来越快。本发明采用FasterR-CNN框架实现行人检测，采用CNN方法实现违章行为识别。
实施例1
以现场违章接打电话为例，算法流程如下：
①根据现场摄像头监控区域，配置对应的算法任务，采集相应的视频流；
②采用训练好的Faster-RCNN检测模型，对于输入视频隔帧检测图像中的人员；
③采用多目标跟踪算法串联每个人员的截图序列；
④选取每个人员截图序列中最好(可选面积最大)的人员截图；
⑤将行人截图送入训练好的CNN分类模型识别打电话行为，报警值达到设定好的界限时，则推送违章行为，给出具体的报警时间、视频点位、违章类型、报警级别等信息。
采用当前成熟的人脸识别算法，通过该功能，对溢流监测坐岗流程进行较小的调整，就能实现坐岗的精细管理。具体流程包括：
①采集溢流坐岗监测人员正面人脸图像，以证件照片为最佳，建立后台人脸数据库；
②坐岗人员在泥浆池测量液面时，根据约定的要求，在已放置好的视频监控设备前面执行规定动作，完成人脸图像采集；
③采用人脸识别算法对人员身份识别，即：采用训练好的CascadeCNN人脸检测器，对于输入视频隔帧检测图像中的人脸，然后采用训练好的CNN分类器识别人脸确认身份；
④记录取样人的身份和取样时间，将人员照片、检测时间与系统后台人脸数据库及设置时间比对，如果超过时间间隔或在某一时间段内未检测到取样人员，则判定为违章行为，由管理员后台确认后将报警信息及时推送给现场管理人员。
本发明采用GB28181协议获取监控平台中摄像机的码流然后进行违章行为检测，以危险场所现场违规接打电话识别为例，要求图像像素720P以上，分析目标像素宽度80以上，视频帧率为25帧/s，光照良好，摄像头角度适中，无遮挡。
接入视频流对该算法验证，能够准确识别现场接打电话行为，在满足光照、视角、分辨率、无遮挡等条件下，作业人员接打电话行为识别准确率大于80％。
同时，对溢流监测人员进行实时检测记录，在满足条件的情况下，基于人脸识别的身份确认准确率达到99％以上。
实施例2
以现场是否佩戴安全帽为例，算法流程如下：
①根据现场摄像头监控区域，配置对应的算法任务，采集相应的视频流；
②采用训练好的Faster-RCNN检测模型，对于输入视频隔帧检测图像中的人员；
③采用多目标跟踪算法串联每个人员的截图序列；
④选取每个人员截图序列中最好(可选面积最大)的人员截图；
⑤将行人截图送入训练好的CNN分类模型识别安全帽是否佩戴的行为，报警值达到设定好的界限时，则推送违章行为，给出具体的报警时间、视频点位、违章类型、报警级别等信息。
采用当前成熟的人脸识别算法，通过该功能，对溢流监测坐岗流程进行较小的调整，就能实现坐岗的精细管理。具体流程包括：
①采集溢流坐岗监测人员正面人脸图像，以证件照片为最佳，建立后台人脸数据库；
②坐岗人员在泥浆池测量液面时，根据约定的要求，在已放置好的视频监控设备前面执行规定动作，完成人脸图像采集；
③采用人脸识别算法对人员身份识别，即：采用训练好的CascadeCNN人脸检测器，对于输入视频隔帧检测图像中的人脸，然后采用训练好的CNN分类器识别人脸确认身份；
④记录取样人的身份和取样时间，将人员照片、检测时间与系统后台人脸数据库及设置时间比对，如果超过时间间隔或在某一时间段内未检测到取样人员，则判定为违章行为，由管理员后台确认后将报警信息及时推送给现场管理人员。
本发明采用GB28181协议获取监控平台中摄像机的码流然后进行违章行为检测，以危险场所现场是否佩戴安全帽识别为例，要求图像像素720P以上，分析目标像素宽度80以上，视频帧率为25帧/s，光照良好，摄像头角度适中，无遮挡。
接入视频流对该算法验证，能够准确识别现场是否佩戴安全帽的行为，在满足光照、视角、分辨率、无遮挡等条件下，作业人员佩戴安全帽的识别准确率大于85％。
同时，对溢流监测人员进行实时检测记录，在满足条件的情况下，基于人脸识别的身份确认准确率达到99％以上。
实施例3
以现场人员操作危险站位为例，算法流程如下：
①根据现场摄像头监控区域，配置对应的算法任务，采集相应的视频流；
②采用训练好的Faster-RCNN检测模型，对于输入视频隔帧检测图像中的人员；
③采用多目标跟踪算法串联每个人员的截图序列；
④选取每个人员截图序列中最好(可选面积最大)的人员截图；
⑤将行人截图送入训练好的CNN分类模型识别操作危险站位行为，报警值达到设定好的界限时，则推送违章行为，给出具体的报警时间、视频点位、违章类型、报警级别等信息。
采用当前成熟的人脸识别算法，通过该功能，对溢流监测坐岗流程进行较小的调整，就能实现坐岗的精细管理。具体流程包括：
①采集溢流坐岗监测人员正面人脸图像，以证件照片为最佳，建立后台人脸数据库；
②坐岗人员在泥浆池测量液面时，根据约定的要求，在已放置好的视频监控设备前面执行规定动作，完成人脸图像采集；
③采用人脸识别算法对人员身份识别，即：采用训练好的CascadeCNN人脸检测器，对于输入视频隔帧检测图像中的人脸，然后采用训练好的CNN分类器识别人脸确认身份；
④记录取样人的身份和取样时间，将人员照片、检测时间与系统后台人脸数据库及设置时间比对，如果超过时间间隔或在某一时间段内未检测到取样人员，则判定为违章行为，由管理员后台确认后将报警信息及时推送给现场管理人员。
本发明采用GB28181协议获取监控平台中摄像机的码流然后进行违章行为检测，以危险场所现场违规操作危险站位识别为例，要求图像像素720P以上，分析目标像素宽度80以上，视频帧率为25帧/s，光照良好，摄像头角度适中，无遮挡。
接入视频流对该算法验证，能够准确识别现场操作危险站位行为，在满足光照、视角、分辨率、无遮挡等条件下，作业人员操作危险站位行为识别准确率大于80％。
同时，对溢流监测人员进行实时检测记录，在满足条件的情况下，基于人脸识别的身份确认准确率达到99％以上。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
