CN119832499A - 一种场地安全风险自动监测预警的方法及系统 - Google Patents

Abstract

本申请公开了一种场地安全风险自动监测预警的方法及系统，涉及场地安全管理领域。本申请的调度摄像头获得清晰图像识别结果的方法利用图像识别技术，构建了多个角色识别模型，能够实时监测和分析监控画面中不同类型的场地风险，并且利用摄像头联动的方式，在一个摄像头无法进行场地风险识别时，调用场地的其他摄像头进行辅助识别，保证了识别结果的准确性和可信度。另外，进一步的结合场地风险分析决策模型的理解和判断复杂多变的安全风险的能力，实现不同场地的安全风险全面监测。

Description

一种场地安全风险自动监测预警的方法及系统

技术领域

本申请涉及场地安全管理领域，特别是涉及一种场地安全风险自动监测预警的方法及系统。

背景技术

在当前的场地安全风险监测领域中，传统的方式主要依赖固定的摄像头监控系统搭配人工巡逻的方式。人工巡逻虽然能够灵活应对各种突发情况，但受限于人力成本、巡逻频次以及人的主观判断等因素，难以做到全面、及时的风险监测。而固定的摄像头监控系统虽然能够提供持续的监控画面，但缺乏智能分析和预警能力，只能依靠人工查看监控录像来识别潜在风险，这同样存在效率低下、易漏检等问题。

随着计算机技术的快速发展，基于摄像头的监控系统逐渐崭露头角。这类系统能够通过简单的图像识别，对监控画面中的异常行为进行自动识别和预警。然而，现有的监控系统大多针对特定的应用场景进行开发，仅具备简单的人脸识别、车辆车牌识别、脱帽识别等，缺乏针对复杂场地环境的全面监测。

发明内容

本申请的目的是提供一种场地安全风险自动监测预警的方法及系统，以实现对复杂场地环境的全面监测。

为实现上述目的，本申请提供了如下方案。

第一方面，本申请提供了一种调度摄像头获得清晰图像识别结果的方法，包括如下步骤。

将场地内的每个摄像头在巡视任务中拍摄的图像信息输入图像识别模型进行不同类型的场地风险识别，获取每个摄像头所在区域的识别结果集；所述图像识别模型包括多个角色识别模型；所述角色识别模型根据场地类型配置对应的风险规则集，用于识别不同类型的场地风险；所述识别结果集包括：触发规则的风险类型及其标注信息，所述标注信息为风险描述、疑似风险和无法识别。

当第一目标摄像头所在区域的识别结果集中存在疑似风险或无法识别的标注信息时，根据所述第一目标摄像头的位置信息，动态调度至少一个第二目标摄像头对所述第一目标摄像头所在的区域进行识别，直至获取目标风险类型的风险描述或已经调度完所有第二目标摄像头；所述第一目标摄像头为场地内的摄像头，所述第二目标摄像头为场地内除了第一目标摄像头外能够拍摄到第一目标摄像头所在区域的摄像头；所述目标风险类型为疑似风险或无法识别的标注信息对应的风险类型。

当已经调度完所有第二目标摄像头仍然无法获取目标风险类型的风险描述时，根据所有第二目标摄像头获得的目标风险类型的标注信息，生成目标风险类型的风险描述。

第二方面，本申请提供了一种场地安全风险自动监测预警的方法，包括如下步骤。

采用上述的调度摄像头获得清晰图像识别结果的方法，获取场地内每个摄像头所在区域的识别结果集。

将每个摄像头所在区域的识别结果集、目标参数及人员定位数据输入场地风险分析决策模型，结合预设的风险评分规则及风险级别阈值，确定监测预警决策；所述目标参数包括：设备参数和/或环境参数。

基于所述监测预警决策，动态调整摄像头的工作模式以持续追踪风险区域，并通过云台指令调用多摄像头协同监控；同时根据风险级别向指定人员发送分级预警信息，并触发疏散通知或设备调度指令。

第三方面，本申请提供了一种场地安全风险自动监测预警的系统，包括：云端服务器、监控中心以及移动端APP；所述移动端APP布设在场地的人员的手机上，用于个人信息的管理、紧急求助和定位；所述云端服务器与所述监控中心、所述移动端APP及布设在场地的所有摄像头连接，所述云端服务器用于执行上述的场地安全风险自动监测预警的方法。

根据本申请提供的具体实施例，本申请具有了以下技术效果。

本申请提供了一种场地安全风险自动监测预警的方法及系统，本申请的调度摄像头获得清晰图像识别结果的方法利用图像识别技术，构建了多个角色识别模型，能够实时监测和分析监控画面中不同类型的场地风险，并且利用摄像头联动的方式，在一个摄像头无法进行场地风险识别时，调用场地的其他摄像头进行辅助识别，保证了识别结果的准确性和可信度。另外，进一步的结合场地风险分析决策模型的理解和判断复杂多变的安全风险的能力，实现不同场地的安全风险全面监测。

本申请的系统通过在云端服务器中部署包含多种角色能力的场地风险分析决策模型，通过图像识别模型中角色对应特定风险规则集，来实现对不同场地类型的风险特征分类识别；通过场地风险分析决策模型对识别结果进行动态评分累加，并结合设备参数、环境参数与人员定位数据划分安全等级，并触发分级响应机制：包括中断摄像头常规巡视任务、调用多摄像头协同聚焦风险区域、按风险级别发送预警或疏散通知，以及联动监控中心画面窗口分级显示以进行风险追踪。该系统还支持用户在场地风险分析决策模型和图像识别模型中自定义组合风险规则集，用于适配不同场地的监测需求形成"识别-评估-控制-预警"的闭环管理。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的一种调度摄像头获得清晰图像识别结果的方法的流程示意图。

图2为本申请一实施例提供的一种场地安全风险自动监测预警的方法的流程示意图。

具体实施方式

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，所描述的实施例仅仅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。

使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

在一个示例性的实施例中，如图1所示，提供了一种调度摄像头获得清晰图像识别结果的方法，包括如下步骤：

步骤101，将场地内的每个摄像头在巡视任务中拍摄的图像信息输入图像识别模型进行不同类型的场地风险识别，获取每个摄像头所在区域的识别结果集；所述图像识别模型包括多个角色识别模型；所述角色识别模型根据场地类型配置对应的风险规则集，用于识别不同类型的场地风险；所述识别结果集包括：触发规则的风险类型及其标注信息，所述标注信息为风险描述、疑似风险和无法识别。

步骤102，当第一目标摄像头所在区域的识别结果集中存在疑似风险或无法识别的标注信息时，根据所述第一目标摄像头的位置信息，动态调度至少一个第二目标摄像头对所述第一目标摄像头所在的区域进行识别，直至获取目标风险类型的风险描述或已经调度完所有第二目标摄像头；所述第一目标摄像头为场地内的摄像头，所述第二目标摄像头为场地内除了第一目标摄像头外能够拍摄到第一目标摄像头所在区域的摄像头；所述目标风险类型为疑似风险或无法识别的标注信息对应的风险类型。

步骤103，当已经调度完所有第二目标摄像头仍然无法获取目标风险类型的风险描述时，根据所有第二目标摄像头获得的目标风险类型的标注信息，生成目标风险类型的风险描述。

在本申请的步骤103中，在目标风险类型的风险描述生成过程中，可采用人工辅助的方式，该辅助方式可以查看各个摄像头拍摄的场景图像，也可以现场查看。也可以第一目标摄像头和各个第二目标摄像头获得的目标风险类型的标注信息进行系统自动生成，示例性的，当存在预设数量的标注信息为疑似风险，则确定该风险描述为存在风险，否则确定为不存在风险，具体方式可根据需要自行设置，在此不做赘述。

本申请另一个示例性的实施例中，上述步骤101中，该图像识别模型中包含有许多角色识别模型，该角色识别模型为已经训练好的角色模型，例如：施工现场安全巡视角色，厂房安保巡视角色，人员安全安保巡视角色，这些角色模型都是各种安全风险规则形成的一个规则集，不同的角色针对不同的模型所训练的规则均不相同，所以根据场地类型选取对应的巡视角色。

当上述的方法应用于施工现场时，选取施工现场安全巡视角色，那么该图像识别模型在巡检过程中会针对以下规则进行场地风险判断。

规则A1：人员聚集。

规则A2：消防安全。

规则A3：烟雾检测。

规则A4：施工坠落。

规则A5：坍塌掩埋。

规则A6：物体坠落。

规则A7：施工时安全设施的正确佩戴。

规则A8：电气安全施工风险检测。

规则A9：机械伤害安全风险检测。

规则A10：人员疏散风险检测。

规则A11：事态问题解决方案检测。

每个规则可基于一个角色识别模型实现，在本申请实施例中，也可进一步的根据新的规则增加新的角色识别模型，上述的11条规则为一个示例，在实际应用中，可根据需求进行增加或减少，在此不做赘述，上述的11条规则也不能限定本申请的方法的保护范围。

在本申请实施例中，上述步骤101之前，还需要执行如下步骤：

根据上述方法应用的场地的类型，获取场地的巡检角色，例如上述的施工现场安全巡视角色。

巡检角色中的包含的风险判断规则集将置入到图像识别模型的模组中，此时图像识别模组具备了对应规则集的识别任务。

在另一个示例性的实施例中，上述的不同规则对应的角色识别模型由用于图像识别的深度学习模型训练得到，下面火苗检测规则为例进行说明，其他规则的角色识别模型的训练方式与火苗识别规则一致，区别仅在于训练样本的不同，在此不做赘述。

通过网络爬虫从互联网上抓取图片，或者购买已有的数据集，构建大量标注了火苗的火苗数据集，并确保火苗数据集中包括不同环境、角度、光照条件下的火苗图片，以提高模型的泛化能力。

对火苗数据集进行数据清洗：去除不清晰或不符合要求的图片。

对火苗数据集进行标注：使用工具（如LabelImg）对图片进行标注，标记出火苗的位置。

对火苗数据集进行增强：通过旋转、缩放、裁剪等方法增加数据量，提高模型的鲁棒性。

由技术开发人员在开发环境中选取深度学习模型，可选取一个或多个常用模型，当选取一个模型（例如，卷积神经网络模型（Convolutional Neural Networks, CNN））时，直接对该模型进行训练，得到上述的用于火苗检测的角色识别模型。

当选取多个模型时，例如，选取VGG、ResNet、Inception、MobileNet或EfficientNet等对于火苗识别，具体的训练过程包括如下步骤。

划分数据集：将数据集划分为训练集、验证集和测试集。

配置训练参数：设置学习率、批次大小、迭代次数等超参数。

训练模型：使用框架如TensorFlow或PyTorch进行模型训练。监控训练过程中的损失函数和准确率，调整超参数以优化模型性能。

模型评估：使用测试集评估模型的准确率、召回率、F1分数等指标。

进一步对模型进行优化，对模型进行调优。

调参：调整超参数，如学习率、正则化系数等。

集成学习：使用多个模型进行投票或加权平均，提高预测准确性。

迁移学习：利用预训练模型进行微调，加快训练速度并提高性能。

将训练后的角色识别模型打包成火苗识别规则功能，以备其他应用程序加载或调用。

将训练好的多个巡视规则加以组合，可以形成规则集，得到图像识别模型，这样的规则集由场地风险分析决策模型进行收录，用户使用智能巡视监控中心系统时，可直接选取一个设定好规则集的角色，如不满足现场巡视需求，可根据现场的实际情况来自行选取多个巡视规则并且将这样的规则集设定成一个自定义的巡视角色，同时设定每个规则触发后，接收告警信息的人员列表，以及每个规则触发后的风险阈值分值大小，如无自定义分值设置则按照系统默认进行处理，当设定好巡视角色后，此时巡视角色是一个以多模型、多识别规则、多属性判断参数的集合体；所有的巡视规则加载到图像识别引擎中，那么图像识别引擎将具备这些规则对应的识别能力。

在一个示例性的实施例中，如图2所示，提供了一种场地安全风险自动监测预警的方法，包括如下步骤201-步骤203。

步骤201，采用上述的调度摄像头获得清晰图像识别结果的方法，获取场地内每个摄像头所在区域的识别结果集。

步骤202，将每个摄像头所在区域的识别结果集、目标参数及人员定位数据输入场地风险分析决策模型，结合预设的风险评分规则及风险级别阈值，确定监测预警决策；所述目标参数包括：设备参数和/或环境参数。

步骤203，基于所述监测预警决策，动态调整摄像头的工作模式以持续追踪风险区域，并通过云台指令调用多摄像头协同监控；同时根据风险级别向指定人员发送分级预警信息，并触发疏散通知或设备调度指令。

实施上述的步骤201至步骤203，可实现对复杂场地的安全风险全面监测。

在本申请实施例中，上述步骤201给场地的摄像头设定日常巡视工作任务，摄像头会根据日常巡视任务的工作方式以及时间进行日常巡视，摄像头在日常巡视中将拍摄到的画面信息，实时传输给图像识别模型进行风险规则识别；如果识别到风险规则，此时图像识别模型会将该影像的关键触发内容进行标注并转成图片，图片交由场地风险分析决策模型进行后续风险预测评判。

在另一个示例性的实施例中，上述的场地风险分析决策模型根据当前场地选择的角色中的风险判断规则集进行风险评分统计；根据统计结果来判断对当前场地风险是继续进行关注，还是进行风险报警；必要时中断附近的摄像头巡视任务，转为持续关注风险区，来对风险结果进行准确判断；使用多摄像头对风险区的风险内容进行反复评估，使得风险预估将更加准确。

场地风险分析决策模型中包含的巡检角色由多个风险判断规则集组合，当图像识别模型加载这些风险判断规则集，可对当前拍摄到的画面进行实时分析，当任意一个规则被触发时，结合训练内容，产生一条单条告警信息与一条风险评分。根据风险高低，由于巡检角色自行判定告警信息是发送给指定场内人员，还是发送给场内管理人员。

示例性的，当场地监测任务为巡视时，上述步骤202中的风险评分规则为巡视规则，该巡视规则包括规则B1-规则B25。

规则B1：人员聚集。

规则B2：消防检测。

规则B3：火苗检测。

规则B4：烟雾检测。

规则B5：有毒气体检测。

规则B6：环境风险检测。

规则B7：盗窃风险检测。

规则B8：自然灾害检测。

规则B9：施工坠落。

规则B10：坍塌掩埋。

规则B11：物体坠落。

规则B12：安全设施佩戴。

规则B13：施工设备安全防护。

规则B14：电气安全风险。

规则B15：机械伤害风险。

规则B16：外来人员风险。

规则B17：人员行为异常。

规则B18：可疑人员风险。

规则B19：食品安全风险。

规则B20：体育设施风险。

规则B21：盗抢安全风险。

规则B22：作业安全风险。

规则B23：人员疏散风险检测。

规则B24：事态问题解决方案检测。

规则B25：摄像头无法识别风险。

上述的规则为本申请给出的一个示例，在实际的应用过程中可根据需求添加或减少。

不同的规则包含不同的风险评分，风险评分可以累加，当风险评分累加过高时场地风险级别对应升高。

场地风险分析决策模型通过如下方式训练得到。

由技术开发人员在开发环境中选取深度学习模型，主要以大文本模型为主（例如：GPT（Generative Pretrained Transformer，预训练变换器模型）、BERT（BidirectionalEncoder Representations from Transformers，基于变换器的双向编码器表示模型）、deepseek-v3（大数据模型）等初始模型），这些模型特别适合处理长依赖关系、大规模文本数据、适合处理上下文之间的逻辑关系同时能加载参数数据。

进一步对初始模型结合图像识别结果进行文本训练，这里按照施工现场安全员角色的巡视要求进行逻辑训练，并给出2个简单的角色训练任务。

人员聚集的判断依据：画面或图像的识别结果以文本形式进行告知，将该文本形式的识别结果加载到大文本模型中，此时获取到的文本内容为：[一个画面中同时出现5个以上（包括5个）人员]，此时大文本模型根据此类文本内容将当前图像的识别结果判断为人员聚集，并根据当前触发规则，记录当前摄像头的部署区域坐标信息，同时记录当前区域的风险值（示例性的，令风险值增加1），风险值较低时对当前判断进行长时间观测，直到风险解除，如风险未解除，则按照事态情况自行选择是向管理人员预警还是对当前风险进行升级。

消防安全隐患判断依据：画面或图像的识别结果以文本形式告知，示例性的该文本内容为：[当前画面中未识别到消防设施灭火器等设备]，此时大文本模型根据此类文本内容将当前图像的识别结果判断为消防安全隐患，记录当前摄像头的部署区域坐标信息，同时记录当前区域的风险值（示例性的，令风险值增加6）。

上述的场地风险分析决策模型还包括：环境与设备参数模型、摄像头操作模型和预警通知规则模型，环境与设备参数模型用于当大语言模型需要获取目标参数时生成采集目标参数的执行结构的控制指令；所述摄像头操作模型用于当大语言模型需要对场地的摄像头进行控制时，生成摄像头控制指令；所述预警通知规则模型用于当大语言模型需要向场地的人员发送预警信息时，生成预警信息发送的指令。

其中，摄像头操作模型的设置，主要为了方便大文本模型做出监测预警决策后用于调用摄像头的云台操作指令，所有云台操作指令由开发人员对其进行指令封装，形成指令参数表；在大文本模型角色逻辑训练时进行设定，在风险区域分值满足阈值的情况下需要通过摄像头的部署区域来获取周边摄像头，同时通过指令参数表向这些摄像头的发送云台操作指令。

环境与设备参数模型的设置，主要为了方便大文本模型根据现场的一些实时参数，对场地风险进行推测使用，例如：当前场地的风速、风向；人员定位的位置信息、场地范围电子围栏的坐标集；一些施工机械设备的工作参数等。

预警通知规则模型的设置，主要为了大文本模型根据触发的规则事件，实时调用一些预警通知，通知的方式与通知的人员列表等相关参数指令由开发人员对其进行指令封装，形成指令参数表；在大文本模型角色逻辑训练时进行设定，后期应用到系统中时根据接入的人员信息进行更新。

大文本模型的训练过程如下。

配置训练参数：设置学习率、批次大小、迭代次数等超参数。

训练模型：使用框架如TensorFlow或PyTorch进行模型训练。监控训练过程中的损失函数和准确率，调整超参数以优化模型性能。

文本生成：由测试人员评估模型生成的文本质量，如连贯性、语法正确性等。

代码生成：由测试人员评估模型生成的代码是否能正确运行，摄像头云台的指令集能否正常调用。

调参：开发人员调整模型的参数，如学习率、正则化系数等，以帮助建立稳定的模型输出。

集成学习：使用多个模型进行投票或加权平均，提高预测准确性。

迁移学习：利用预训练模型进行微调，加快训练速度并提高性能。

导出模型：将训练好的模型导出为可部署的格式，如TensorFlow SavedModel或ONNX。

从而获得一个能根据现场环境参数、人员入场参数、现场摄像头列表的配置对摄像头进行操控的场地风险分析决策模型。

在另一个示例性的实施例中，场地风险分析决策模型除了获取角色集风险判断规则外，可以获取到一些设备的环境参数信息，场内人员的移动端APP的人员定位信息等其他实时参数信息，便于角色进行风险推测，在根据环境参数判断到风险项时可以改变部分云台摄像头的工作任务。

在场地风险分析决策模型中，巡视角色风险预警标准与摄像头的协调调用标准，具体如下。

场地安全风险级别分值定义：0-2安全、2-4轻度安全、4-6中度安全、6-8低风险、8-10中度风险、11-15高风险、15-20危险。

安全：所有摄像头正常进行巡视任务。

轻度安全：中断拍摄到风险项的摄像头的巡视任务，对当前风险项进行持续追踪拍摄，直到风险隐患解除或风险物离开，期间进行追踪计时，在5分钟内隐患未解除，升级为中度安全。

中度安全：中断拍摄到风险项的摄像头的巡视任务，对当前风险项进行持续追踪拍摄，当风险物离开当前巡视摄像头的拍摄范围时，将当前追踪任务下达到附近的摄像头，由附近的摄像头完成追踪拍摄任务的交替工作，直到风险隐患解除，期间进行追踪计时，在5分钟内隐患未解除，升级为低风险。

风险：中断拍摄到风险项的摄像头的巡视任务，同时协调该区域范围内的云台摄像头，中断附近3个云台摄像头的巡视任务，转为对当前风险先进行多角度拍摄风险识别，直到风险隐患解除，期间对场地管理者进行APP预警提醒、短信预警提醒，监控中心的多画面窗口中，当前事态的监控画面以红色窗口闪动，继续进行追踪计时，在5分钟内隐患未解除，升级为中度风险。

中度风险：中断拍摄到风险项的摄像头的巡视任务，同时协调该区域范围内的云台摄像头，中断附近3个云台摄像头的巡视任务，转为对当前风险先进行多角度拍摄风险识别，直到风险隐患解除，期间对场地管理者进行APP预警提醒、短信预警提醒、电话预警告知，监控中心的多画面窗口中，当前事态的监控画面以红色窗口闪动，继续进行追踪计时，在5分钟内隐患未解除，升级为高风险或危险。

高风险或危险：期间对场地作业的全部人员进行APP预警提醒、短信预警提醒，自动向在场人员移动端APP发送疏散通知，同时对场地管理人员电话预警告知，监控中心多画面窗口关闭，仅仅只显示当前事态的主要画面及3个次要画面，直到管理员主动恢复巡视任务，并将场地风险标记为安全。

在本申请实施例中，预警通知规则模型根据系统使用过程中录入的告警人员列表，入场人员基本信息与定位信息，以及场地风险的危险情况自行选择通知标准。

场地风险分析决策模型可以针对轻度安全、中度安全、风险、中度风险的简单风险事故进行干预行通知，此类通知属于单例通知，例如：高空施工人员未佩戴安全设备，此时系统根据人员入场定位信息以及参数，单独对当前工人进行预警通知。

当前系统可针对风险、中度风险、高风险和危险的复杂形风险事故进行事态告警通知，此类通知属于多例分类通知，例如：场地发生火情，协调发现火情周边的摄像头协调工作，确定火情范围，根据火情范围，通知该范围周边的工作人员远离火情区域，扩大事态风险预测，协调场内其他摄像头对消防设备进行图像检索，当画面检索到消防设备时，将消防设备的相关区域等信息通知到场地负责人，并提醒负责人组织人员使用此区域消防设备来消除场地风险。

在一个示例性的实施例中，上述的大文本模型用于执行如下步骤301-步骤307。

步骤301，根据预设的风险评分规则，对摄像头m所在区域的识别结果集中的触发规则的风险类型的风险描述进行评分，获得不同类型的场地风险的评分结果。

步骤302，判断摄像头m所在区域的识别结果集中是否存在评分结果大于第一风险等级阈值的场地风险，获得第一判断结果。

步骤303，若所述第一判断结果为否，则对不同类型的场地风险的评分结果进行综合计算，获得综合评分结果，根据所述综合评分结果确定摄像头m所在区域的风险等级。

步骤304，若所述第一判断结果为是，则确定评分结果大于第一风险等级阈值的场地风险是否为与目标参数相关的场地风险，获得第二判断结果。

步骤305，若所述第二判断结果为是，则基于评分结果大于第一风险等级阈值的场地风险和所述目标参数确定摄像头m所在区域的风险等级。

步骤306，若所述第二判断结果为否，基于评分结果大于第一风险等级阈值的场地风险确定摄像头m所在区域的风险等级。

步骤307，基于摄像头m所在区域的风险等级制定监测预警决策。

针对不同的风险等级制定的监测预警决策具体如下。

当所述风险等级为安全时，制定的监测预警决策为：正常执行巡视任务。

当所述风险等级为轻度安全时，制定的监测预警决策为：持续获取摄像头m所在区域的识别结果集，确定在第一预设时间段内风险等级为轻度安全的场地风险是否解除，若解除，则将风险等级更新为安全，若未解除，则将风险等级更新为中度安全。

当所述风险等级为中度安全时，制定的监测预警决策为：持续获取以摄像头m为中心的第一预设范围的所有摄像头所在区域的识别结果集，所述第一预设范围根据摄像头部署密度及风险区域动态调整；对风险等级为中度安全的场地风险进行追踪，确定在第二预设时间段内风险等级为中度安全的场地风险是否解除，若解除，则将风险等级更新为安全，若未解除，则将风险等级更新为风险。

当所述风险等级为风险时，制定的监测预警决策为：向场地的管理者进行APP预警提醒和短信预警提醒，在监测中心的多画面窗口中进行预警提示；控制以摄像头m为中心的第二预设范围的所有摄像头对风险等级为风险的场地风险进行多角度监测，所述第二预设范围根据摄像头部署密度及风险区域动态调整；确定在第三预设时间段内风险等级为风险的场地风险是否解除，若解除，则将风险等级更新为安全，若未解除，则将风险等级更新为中度风险。

当所述风险等级为中度风险时，制定的监测预警决策为：对场地的管理者进行APP预警提醒、短信预警提醒和电话预警告知，在监测中心的多画面窗口中进行预警提示；控制以摄像头m为中心的第三预设范围的所有摄像头对风险等级为中度风险的场地风险进行多角度监测，所述第三预设范围根据摄像头部署密度及风险区域动态调整；确定在第五预设时间段内风险等级为中度风险的场地风险是否解除，若解除，则将风险等级更新为安全，若未解除，则将风险等级更新为高风险。

当所述风险等级为高风险或危险时，制定的监测预警决策为：控制以摄像头m为中心的第四预设范围的所有摄像头对风险等级为高风险的场地风险进行多角度监测；所述第四预设范围根据摄像头部署密度及风险区域动态调整；对场地的全部人员进行APP预警提醒、短信预警提醒，向场地的全部人员发送APP疏散通知，对场地的管理者进行电话预警告知，控制监测中心的除了目标画面窗口之外的各个画面窗口关闭，并在目标画面窗口中进行预警提示，所述目标画面窗口包括能够拍摄到风险等级为高风险或危险的场地风险的一个或多个摄像头的画面窗口，直到系统管理员将风险等级重设为安全。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的场地安全风险自动监测预警的方法的场地安全风险自动监测预警的系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个系统实施例中的具体限定可以参见上文中对于方法的限定，在此不再赘述。

在一个示例性的实施例中，提供了一种场地安全风险自动监测预警的系统，包括：云端服务器、监控中心以及移动端APP；所述移动端APP布设在场地的人员的手机上，用于个人信息的管理、紧急求助和定位；所述云端服务器与所述监控中心、所述移动端APP及布设在场地的所有摄像头连接，所述云端服务器用于执行上述的场地安全风险自动监测预警的方法。

在一个示例性的实施例中，上述的系统中包含的各个组件可分为硬件设备和软件设备。

其中，硬件设备主要包括监控中心及用于部署云端服务器的计算机终端。监控中心包括显示器和硬盘录像机。

显示器：配套监控显示设备，安装在监控中心，通过连接摄像头来显示监控画面。

硬盘录像机：用于链接所有监控摄像头，并将所有监控画面进行录入保存。

在本申请实施例中监控中心连接现场的所有摄像头，该摄像头为配套监控画面采集设备，示例性的，在本申请实施例选用360°带云台的摄像头，清晰度500万以上，具备夜间红外摄像功能，作为场地智能风险分析主控摄像头。

其中，软件设备包括云端服务器、移动端APP及监控大屏端APP。

云端服务器：用于存储、处理、分析、训练来自智能终端、摄像头、移动端人员APP、模型等多种数据，提供人员定位、轨迹追踪、数据分析、场地风险预测、摄像头实时接力追踪等功能。

移动端APP：安装在现场人员的手机上，提供个人信息查看、紧急求助、人员定位等功能。

监控大屏端APP：安装在基于Android底层的电视设备或显示设备上，用于查看场地人员位置信息、人员安全应急管理的相关数据。

在一个示例性的实施例中，上述的系统的工作原理具体如下。

场地的所有摄像头等相关硬件部署在需要实施智能巡视的场地现场；重要区域、人员行走等流动区按照无死角拍摄要求部署摄像头。

所有场地现场出入口均部署道闸设备，道闸设备利用智能终端设备与云端服务器进行连接，用于获取进出场地的人员信息以及人员位置坐标信息，如无部署道闸设备的条件，可以由进场场地的人员随身佩戴定位标识手环等设备，用于向云端服务器发送入场人员的实时位置信息与人员基本信息。

场地内摄像头对场地进行实时拍摄，同时也将画面信息传给云端服务器，由云端服务器中部署的图像识别模型对影像进行实时分析。

云端服务器中部署许多已经训练好的不同角色的场地风险分析决策模型，例如：施工现场安全巡视角色，厂房安保巡视角色，人员安全安保巡视角色，这些角色模型都是各种安全风险规则形成的一个规则集，不同的角色针对不同的模型所训练的规则均不相同，所以根据场地类型选取对应的巡视角色。

本申请实施例提供的方法和系统具有如下优点。

1、提高场地安全风险监测效率。

自动化监测：通过图像识别技术，实现对监控画面中的异常行为进行实时监测和分析，提高监测效率。

精准预警：根据预设的风险规则集，对潜在风险进行精准预警，减少漏检和误报。

2、提升风险管理水平。

标准化管理：通过场地风险分析决策模型，将场地安全风险规则标准化，确保不同人员之间的风险管理水平一致。

灵活应对复杂环境：场地风险分析决策模型可以根据不同场地的安全风险监测需求和风险点进行定制和训练，适应复杂多变的场地环境。

3、增强风险应对能力。

实时响应：场地风险分析决策模型能够实时监测和分析监控画面，对潜在风险进行快速响应。

多级预警机制：根据风险级别制定不同的预警措施，确保风险得到及时有效的控制。

4、提高监控准确性。

高效识别：场地风险分析决策模型中涵盖的图像识别技术能够准确识别监控画面中的异常行为，减少误报和漏检。

全方位监控：通过云台摄像头和固定摄像头的配合，实现对场地的全方位监控。

5、可扩展性和可定制性。

规则集可定制：用户可以根据场地需求自定义风险规则集，满足不同场景下的安全风险监测需求。

巡视角色可扩展：场地风险分析决策模型可以根据新的风险规则进行训练，增加新的巡视角色。

6、提高资源利用率。

智能调度：场地风险分析决策模型能够根据风险级别和摄像头分布情况，智能调度云台摄像头进行风险追踪和拍摄。

数据存储与分析：云端服务器能够存储和处理大量数据，为场地安全风险监测提供数据支持和分析依据。

7、降低人力成本。

替代人工巡视：通过智能监控系统，可以替代部分人工巡视任务，减少安保人员数量。

减少培训成本：场地风险分析决策模型经过训练后，能够持续稳定地执行巡视任务，无需频繁的人员培训和更替。

为了说明本申请的上述方法和系统的具体实现方式，本申请实施例还提供了4个具体的示例。

示例1：人员聚集聚众斗殴监测预警。

在某一大型施工现场的工人居住区，夜幕降临后，工人们结束了一天的辛劳，部分工人选择聚在一起休息聊天。智能巡视监控系统的摄像头捕捉到了这一场景，清晰地记录下了人员的聚集情况。

当人员数量超过系统预设的阈值（如5人以上），并持续一段时间未消散时，图像识别模型立即识别出“人员聚集”的风险规则，触发了风险预警。此时，系统不仅标注了关键触发内容，还转为了图片形式，交由场地风险分析决策模型进行进一步的风险预测评判。

通过分析，系统发现聚集人群中有饮酒行为，且气氛逐渐紧张，有斗殴的苗头。模型迅速调动附近的摄像头进行多角度监控，并启动了更高级别的风险评估。随着事态的升级，系统立即中断了附近摄像头的常规巡视任务，转为对该事件风险的持续关注。

同时，系统通过云端服务器向场地管理者发送了APP预警提醒和短信预警，详细告知了风险区域、风险类型以及可能的后果。管理者迅速响应，派遣安保人员前往现场进行干预，有效防止了斗殴事件的发生。

案例应用的优势结果：通过图像识别技术和场地风险分析决策模型的结合，系统能够实时监测和分析监控画面中的异常行为，对潜在风险进行精准预警，有效降低了人力成本，提升了风险管理水平。此外，系统的实时响应和多级预警机制也确保了风险得到及时有效的控制。

示例2：施工现场材料堆放区出现明火监测预警。

在施工现场的材料堆放区，由于工人操作不当，不慎引发了明火。智能巡视监控系统的摄像头立即捕捉到了这一异常情况，并识别出“消防安全隐患”的风险规则，触发了风险报警。

随着火势的逐渐变大，模型迅速协调周边多个摄像头进行多角度观察火势。系统通过云端服务器向场地管理者发送了紧急预警提醒，并通过APP、短信等多种方式通知了在场的所有人员。

为了确保人员的安全疏散，系统联动了人员行走区域内的摄像头，实时监控疏散通道的情况，判断是否有遮挡物或障碍物影响疏散。通过智能分析，系统发现一条疏散通道被临时堆放的材料堵塞，立即向管理者发出了疏散通道受阻的警告。

为了进一步减少财产损失，系统会调用场内摄像头寻找合适的消防设施设备，并将寻找到的消防设备的位置信息通知管理者，提醒管理者可以组织人员利用消防设备进一步控制场地火势。

管理者迅速组织工人清理疏散通道，确保人员能够迅速撤离，获取消防设备进一步控制火势蔓延。在智能巡视监控系统的协助下，火势及时得到了有效控制，人员疏散有序进行，未造成人员伤亡和重大财产损失。

案例应用的优势结果：系统不仅能够实时监测和分析监控画面中的异常行为，还能根据风险级别制定不同的预警措施。通过智能调度和联动控制，系统能够确保风险得到及时有效的控制，同时提高监控准确性和资源利用率。

示例3：物体坠落风险监测预警。

在某大型施工现场，建筑的楼宇高耸入云，施工人员在高处紧张地进行着各项作业。由于工作繁忙，部分施工人员将工具随意散落在附近，这一场景迅速引起了智能巡视监控系统的风险注视。此时，系统正通过实时采集每位施工人员的位置信息，得知一名工人将要路过此处。

楼宇下方一名工人正沿道路行走，准备前往另一处施工区域。与此同时，系统结合当日的大风天气情况，以及该工人可能路过的位置信息和行走速度，进行了一系列复杂的数据分析评估。系统判断，散落在高处的工具在大风的作用下存在被吹落的可能性，从而砸伤下方的工人。

面对这一人生安全风险，系统立即启动了预警机制。它不仅向高处的施工人员发送了风险预警信息，提醒他们立即整理散落的工具并加强安全防护；同时，也向下方路过的工人发送了精确的预警通知，告知他改变行走路线。由于系统的及时干预和精准预警，成功避免了这起潜在的物体坠落伤人事故。

示例4：高空作业安全风险监测预警。

在施工现场，一个大风肆虐的天气下。当日的气象数据被实时接入到大模型中，为系统提供了准确的环境参数信息。与此同时，摄像头正密切监控着高空作业区域的情况。

在高空作业平台上，一名工人正在进行紧张的技术作业。然而，由于疏忽大意，他并未正确佩戴安全绳。这一安全隐患很快被摄像头捕捉到了。系统通过图像识别技术，准确判断出了工人未佩戴安全绳的情况，并立即启动了安全风险分析决策模型进行进一步评估。

结合当日的大风天气和工人的作业位置信息，系统判断该工人面临极高的安全施工风险。于是，系统迅速向工人发送了风险预警信息，提醒他立即停止作业并正确佩戴安全绳。同时，系统也将这一风险情况通报给了现场的管理人员，以便他们能够及时采取进一步的安全措施，并对该危险作业人员进行批评并指正。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

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；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种调度摄像头获得清晰图像识别结果的方法，其特征在于，包括如下步骤：

将场地内的每个摄像头在巡视任务中拍摄的图像信息输入图像识别模型进行不同类型的场地风险识别，获取每个摄像头所在区域的识别结果集；所述图像识别模型包括多个角色识别模型；所述角色识别模型根据场地类型配置对应的风险规则集，用于识别不同类型的场地风险；所述识别结果集包括：触发规则的风险类型及其标注信息，所述标注信息为风险描述、疑似风险和无法识别；

当第一目标摄像头所在区域的识别结果集中存在疑似风险或无法识别的标注信息时，根据所述第一目标摄像头的位置信息，动态调度至少一个第二目标摄像头对所述第一目标摄像头所在的区域进行识别，直至获取目标风险类型的风险描述或已经调度完所有第二目标摄像头；所述第一目标摄像头为场地内的摄像头，所述第二目标摄像头为场地内除了第一目标摄像头外能够拍摄到第一目标摄像头所在区域的摄像头；所述目标风险类型为疑似风险或无法识别的标注信息对应的风险类型；

当已经调度完所有第二目标摄像头仍然无法获取目标风险类型的风险描述时，根据所有第二目标摄像头获得的目标风险类型的标注信息，生成目标风险类型的风险描述。

2.一种场地安全风险自动监测预警的方法，其特征在于，包括如下步骤：

采用权利要求1所述的调度摄像头获得清晰图像识别结果的方法，获取场地内每个摄像头所在区域的识别结果集；

将每个摄像头所在区域的识别结果集、目标参数及人员定位数据输入场地风险分析决策模型，结合预设的风险评分规则及风险级别阈值，确定监测预警决策；所述目标参数包括：设备参数和/或环境参数；

基于所述监测预警决策，动态调整摄像头的工作模式以持续追踪风险区域，并通过云台指令调用多摄像头协同监控；同时根据风险级别向指定人员发送分级预警信息，并触发疏散通知或设备调度指令。

3.根据权利要求2所述的场地安全风险自动监测预警的方法，其特征在于，场地风险分析决策模型包括大文本模型，所述大文本模型用于执行如下步骤：

根据预设的风险评分规则，对摄像头m所在区域的识别结果集中的触发规则的风险类型的风险描述进行评分，获得不同类型的场地风险的评分结果；

判断摄像头m所在区域的识别结果集中是否存在评分结果大于第一风险等级阈值的场地风险，获得第一判断结果；

若所述第一判断结果为否，则对不同类型的场地风险的评分结果进行综合计算，获得综合评分结果，根据所述综合评分结果确定摄像头m所在区域的风险等级；

若所述第一判断结果为是，则确定评分结果大于第一风险等级阈值的场地风险是否为与目标参数相关的场地风险，获得第二判断结果；

若所述第二判断结果为是，则基于评分结果大于第一风险等级阈值的场地风险和所述目标参数确定摄像头m所在区域的风险等级；

若所述第二判断结果为否，基于评分结果大于第一风险等级阈值的场地风险确定摄像头m所在区域的风险等级；

基于摄像头m所在区域的风险等级制定监测预警决策。

4.根据权利要求3所述的场地安全风险自动监测预警的方法，其特征在于，基于摄像头m所在区域的风险等级制定监测预警决策，具体包括：

当所述风险等级为安全时，制定的监测预警决策为：正常执行巡视任务；

当所述风险等级为轻度安全时，制定的监测预警决策为：持续获取摄像头m所在区域的识别结果集，确定在第一预设时间段内风险等级为轻度安全的场地风险是否解除，若解除，则将风险等级更新为安全，若未解除，则将风险等级更新为中度安全；

当所述风险等级为中度安全时，制定的监测预警决策为：持续获取以摄像头m为中心的第一预设范围的所有摄像头所在区域的识别结果集，所述第一预设范围根据摄像头部署密度及风险区域动态调整；对风险等级为中度安全的场地风险进行追踪，确定在第二预设时间段内风险等级为中度安全的场地风险是否解除，若解除，则将风险等级更新为安全，若未解除，则将风险等级更新为风险。

5.根据权利要求3所述的场地安全风险自动监测预警的方法，其特征在于，基于摄像头m所在区域的风险等级制定监测预警决策，具体包括：

当所述风险等级为风险时，制定的监测预警决策为：向场地的管理者进行APP预警提醒和短信预警提醒，在监测中心的多画面窗口中进行预警提示；控制以摄像头m为中心的第二预设范围的所有摄像头对风险等级为风险的场地风险进行多角度监测，所述第二预设范围根据摄像头部署密度及风险区域动态调整；确定在第三预设时间段内风险等级为风险的场地风险是否解除，若解除，则将风险等级更新为安全，若未解除，则将风险等级更新为中度风险。

6.根据权利要求3所述的场地安全风险自动监测预警的方法，其特征在于，基于摄像头m所在区域的风险等级制定监测预警决策，具体包括：

当所述风险等级为中度风险时，制定的监测预警决策为：对场地的管理者进行APP预警提醒、短信预警提醒和电话预警告知，在监测中心的多画面窗口中进行预警提示；控制以摄像头m为中心的第三预设范围的所有摄像头对风险等级为中度风险的场地风险进行多角度监测，所述第三预设范围根据摄像头部署密度及风险区域动态调整；确定在第五预设时间段内风险等级为中度风险的场地风险是否解除，若解除，则将风险等级更新为安全，若未解除，则将风险等级更新为高风险。

7.根据权利要求3所述的场地安全风险自动监测预警的方法，其特征在于，基于摄像头m所在区域的风险等级制定监测预警决策，具体包括：

当所述风险等级为高风险或危险时，制定的监测预警决策为：控制以摄像头m为中心的第四预设范围的所有摄像头对风险等级为高风险的场地风险进行多角度监测；所述第四预设范围根据摄像头部署密度及风险区域动态调整；对场地的全部人员进行APP预警提醒、短信预警提醒，向场地的全部人员发送APP疏散通知，对场地的管理者进行电话预警告知，控制监测中心的除了目标画面窗口之外的各个画面窗口关闭，并在目标画面窗口中进行预警提示，所述目标画面窗口包括能够拍摄到风险等级为高风险或危险的场地风险的一个或多个摄像头的画面窗口，直到系统管理员将风险等级重设为安全。

8.根据权利要求7所述的场地安全风险自动监测预警的方法，其特征在于，当风险等级为高风险或危险时，制定的监测预警决策还包括：

联动摄像头对人员疏散通道进行实时监控，判断是否存在障碍物；若存在障碍物，向管理人员发送疏散通道受阻警告；并过检索场地内用于清理疏散通道的清理设备，并将清理设备的位置信息通知管理人员。

9.根据权利要求3所述的场地安全风险自动监测预警的方法，其特征在于，所述场地风险分析决策模型还包括：环境与设备参数模型、摄像头操作模型和预警通知规则模型；

所述环境与设备参数模型用于当大语言模型需要获取目标参数时生成采集目标参数的执行结构的控制指令；

所述摄像头操作模型用于当大语言模型需要对场地的摄像头进行控制时，生成用于控制摄像头的云台指令；

所述预警通知规则模型用于当大语言模型需要向场地的人员发送预警信息时，生成预警信息发送的指令。

10.一种场地安全风险自动监测预警的系统，其特征在于，所述场地安全风险自动监测预警的系统包括：云端服务器、监控中心以及移动端APP；

所述移动端APP布设在场地的人员的手机上，用于个人信息的管理、紧急求助和定位；

所述云端服务器与所述监控中心、所述移动端APP及布设在场地的所有摄像头连接，所述云端服务器用于执行权利要求2-9任一项所述的场地安全风险自动监测预警的方法。