目标检测和行为识别技术是智能视频监控的重要研究内容,传统目标检测和行为技术已经成功应用于智能视频监控系统中。然而在一些特定的应用场景,传统目标检测和行为识别技术存在以下缺陷:将传统目标检测算法应用于污水检测时,只能定性地检测图像中是否存在污水及其位置,无法获取污水区域形状、大小信息;传统行为识别技术以人为核心,主要关注人员自身行为识别,无法识别人-物交互行为。针对上述两个问题,本文提出了一个基于生成对抗网络的污水检测算法和基于深度学习的人-物交互行为识别算法,并将这两个算法应用于石油钻井智能视频监控系统中。具体地,本文主要创新和工作包括:1、针对当前目标检测算法应用于污水检测时存在的问题,本文提出了一个基于生成对抗网络的污水检测算法。该算法中生成器以GAN作为基础网络,用于获取图像中污水区域位置、大小及形状信息。污水排量等级分类器基于生成器提取的特征信息,实现了污水排量等级分类。该算法采用了多任务学习,基于本文构建的污水图像数据集,一次训练,得到的污水检测模型具有污水区域、排量等级检测两种功能。实验表明,本文提出的算法不仅能够检测污水位置,还能获取污水形状、大小信息及判别污水排量等级。2、针对当前行为识别算法无法识别人-物交互行为问题,本文提出了一个基于深度学习的人-物交互行为识别算法。在融合目标检测算法YOLO和骨骼提取算法openpose的基础上,通过本文构建的知识库进行匹配,实现了人-物发生关联时的行为识别,可对人员是否正确穿戴帽子、鞋子和手持物体三种人-物交互行为进行识别。实验表明,本文提出的算法识别准确率可达90%,可用性和可靠性较好,能满足智能视频监控应用要求。3、基于本文所提出的两个算法,研究这两个算法在石油钻井智能视频监控系统中的应用。重点研究钻井现场污水区域检测、排量等级预警,以及监测石油工人是否佩戴安全帽、穿着工作靴进入作业区,保障钻井现场的生产安全。将监测结果记入日志,出现异常时,实时告警且存储告警图像,用于后续调查分析。