CN109145789A - 供电系统安全作业保障方法及系统 - Google Patents
供电系统安全作业保障方法及系统 Download PDFInfo
- Publication number
- CN109145789A CN109145789A CN201810899568.XA CN201810899568A CN109145789A CN 109145789 A CN109145789 A CN 109145789A CN 201810899568 A CN201810899568 A CN 201810899568A CN 109145789 A CN109145789 A CN 109145789A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- operating personnel
- video
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Abstract
本申请提供一种供电系统安全作业保障方法及系统,保障方法包括:采集作业现场的视频信息;对视频信息进行视频抽帧、图像预处理和识别分析,其包括:利用人脸识别技术对作业人员的身份进行识别;利用定位技术对作业人员的运动轨迹进行跟踪;利用图像处理技术对作业人员的安全违规行为进行判别;利用图像处理技术对作业人员的作业质量进行检验;根据分析结果,如果作业现场出现未授权的非作业人员,和/或作业人员闯入禁区,和/或作业人员未按要求关闭设备柜门,和/或作业人员存在安全违规行为,和/或作业人员的作业质量未达到验收标准,则发出报警提示和/或记录。本申请能够以更科学、更智能的方式为供电系统的安全作业提供有力的基础保障。
Description
技术领域
本申请属于电网监控技术领域,具体涉及一种供电系统安全作业保障方法及系统。
背景技术
近年来,随着我国国民经济的迅猛发展,电力负荷逐年增加,供电系统的结构也日趋复杂。同时,随着近些年来电力施工中发生的众多电力事故,大部分是由于监管不到位,电力施工人员自身对安全的不重视造成的,国家也加大了对电力行业安全监管的力度。特别是变电站和和输电线路等电力系统的重要设施,作为整个电网运行的核心组成部分,其建设前期人员安全、运转的安全性和可靠性直接关系整个电力系统的稳固。
目前,供电系统还是采用传统的监控方式来保障安全作业,监控端工作人员必须随时监控视频画面,以防漏掉故障与违反安全生产要求的图像。安全检查时更得通盘检索,浪费大量人力、物力与时间,无法充分发挥监控系统的功效。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供了一种供电系统安全作业保障方法及系统。
根据本申请实施例的第一方面,本申请提供了一种供电系统安全作业保障方法,其包括以下步骤:
采集作业现场的视频信息;
对采集的视频信息进行视频抽帧、图像预处理和识别分析,其具体包括:利用人脸识别技术对作业人员的身份进行识别;利用定位技术对作业人员的运动轨迹进行跟踪;利用图像处理技术对作业人员的安全违规行为进行判别;利用图像处理技术对作业人员的作业质量进行检验;
所述利用人脸识别技术对作业人员的身份进行识别包括以下步骤:
将接收到的人员ID与预存储的人员ID进行比对,如果二者相同,则接收到的人员ID为已授权的ID,否则为未授权的ID;
构建人脸识别的卷积神经网络;
利用人像样本图像训练人脸识别的卷积神经网络;
利用训练好的人脸识别的卷积神经网络对接收到的实时视频流进行识别,识别作业现场是否有未授权的非作业人员;
所述利用定位技术对作业人员的运动轨迹进行跟踪包括以下步骤:
对预处理后的图像中的运动目标进行识别,并提取运动目标的轮廓信息;
去除轮廓信息中飞鸟、蚊虫、烟雾等造成的干扰信息,并将去除干扰信息后的轮廓信息对应的运动目标的位置信息映射到预设的供电系统的电子地图中;
在供电系统的电子地图中显示运动目标的运动轨迹;
供电系统的电子地图中预设非安全区域或禁止闯入区域,判断运动目标是否闯入非安全区域或禁止闯入区域;
所述利用图像处理技术对作业人员的安全违规行为进行判别包括以下步骤:
构建人员行为的卷积神经网络;
利用包含作业人员行为的样本图像训练人员行为的卷积神经网络;
利用训练好的人员行为的卷积神经网络对接收到的实时视频流进行判别,判别现场作业人员是否有未佩戴安全帽、未穿工作服、未带防电手套、抽烟或打电话等安全违规行为;
所述利用图像处理技术对作业人员的作业质量进行验收包括以下步骤:
构建设备运行状态的卷积神经网络;
利用设备运行状态的样本图像训练设备运行状态的卷积神经网络;
利用训练好的设备运行状态的卷积神经网络对接收到的实时视频流进行检验,检验现场作业人员作业后设备的运行状态是否出现故障;
根据分析结果,如果作业现场出现未授权的非作业人员,和/或作业人员闯入禁区,和/或作业人员未按要求关闭设备柜门,和/或作业人员存在安全违规行为,和/或作业人员的作业质量未达到验收标准,则发出报警提示和/或记录。
进一步地,所述利用人像样本图像训练人脸识别的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优。
进一步地,所述利用训练好的人脸识别的卷积神经网络对接收到的实时视频流进行识别的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入人脸识别的卷积神经网络;然后启动人脸识别的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
进一步地,所述利用包含作业人员行为的样本图像训练人员行为的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优;
所述利用包含作业人员行为的样本图像训练人员行为的卷积神经网络时,构建训练数据集需要对原始数据集中图像的感兴趣区域进行标注;所述图像的感兴趣区域包括第一和第二感兴趣区域,其中,第一感兴趣区域包括人体的头部至足部区域,第二感兴趣区域包括头部、颈部和手部区域;进行标注时按照以下规则进行标注:第一感兴趣区域的标注:未佩戴安全帽、未穿工作服或未穿安全鞋;第二感兴趣区域的标注:抽烟或打电话。
进一步地,所述利用训练好的人员行为的卷积神经网络对接收到的实时视频流进行判别的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入人员行为的卷积神经网络;然后启动人员行为的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
进一步地,所述利用设备运行状态的样本图像训练设备运行状态的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优;
所述利用设备运行状态的样本图像训练设备运行状态的卷积神经网络时,构建训练数据集需要对原始数据集中图像的感兴趣区域进行标注,所述图像的感兴趣区域的分类标注规则为:设备运行正常和设备运行故障。
进一步地,所述利用训练好的设备运行状态的卷积神经网络对接收到的实时视频流进行检验的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入设备运行状态的卷积神经网络;然后启动设备运行状态的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
根据本申请实施例的第二方面,本申请提供了一种供电系统安全作业保障系统,其包括前端采集单元、网络单元和远程监控单元;
所述前端采集单元包括多个照明装置和摄像装置,所述照明装置和摄像装置匹配设置;所述摄像装置安装在预设的各监控点处,利用所述摄像装置采集各监控点的视频信息;所述照明装置用于提供照射监控点处作业人员面部区域的光线;所述摄像装置包括网络摄像机、云台和固定座,所述网络摄像机安装在云台上,所述照明装置设置在网络摄像机的一侧,所述云台用于控制所述网络摄像相机和照明装置转动;所述云台安装在所述固定座上;
所述前端采集单元采集到的视频信息通过所述网络单元传输至所述远程监控单元;
所述远程监控单元对接收到的实时视频信息进行识别,如果识别出作业现场有未授权的非作业人员,和/或作业人员闯入禁区,和/或作业人员未按要求关闭设备柜门,和/或作业人员存在安全违规行为,和/或作业人员的作业质量未达到验收标准,则发出报警提示和/或进行日志记录;
所述日志记录包括时间信息以及该时间信息对应的视频图像描述,根据所述视频图像描述能够关联到所述视频图像;
所述远程监控单元包括身份识别模块、跟踪模块、违规行为识别模块和验收模块;
所述身份识别模块对接收到的视频信息进行处理后,识别出图像中的运动目标以及与运动目标对应的ID信息,并对进入作业现场的人员进行ID身份和人脸识别;
所述跟踪模块对接收到的视频信息进行处理后,识别出图像中的运动目标及其位置信息,并判断运动目标是否闯入禁区;
所述违规行为识别模块对接收到的视频信息进行处理后,通过构建安全行为判别神经网络,识别现场工作人员是否有安全违规行为;
所述验收模块对接收到的视频信息进行处理后,通过构建设备运行状态判别神经网络,识别作业人员的作业质量是否达到验收标准。
根据本申请实施例的第三方面,本申请提供了一种供电系统安全作业保障终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器处理所述计算机程序时实现如上述第一方面的方法。
根据本申请实施例的第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面的方法。
根据本申请的上述具体实施方式可知,至少具有以下有益效果:本申请通过对作业现场进行视频监控,能够对进入现场的人员进行管理,通过人脸识别检测,能够达到人员监管的目的;能够监督工作人员在作业过程中对安全规范准则的遵守情况,实时的检测并识别违反安全作业规定的行为;能够对非安全区域或禁止闯入区域进行实时监测,保证人员安全和设备的安全运行;能够对作业人员的作业质量进行远程检验;综上所述,本申请能够以更科学、更智能的方式为供电系统的安全作业提供有力的基础保障。
应了解的是,上述一般描述及以下具体实施方式仅为示例性及阐释性的,其并不能限制本申请所欲主张的范围。
附图说明
下面的所附附图是本申请的说明书的一部分,其示出了本申请的实施例,所附附图与说明书的描述一起用来说明本申请的原理。
图1为本申请具体实施方式提供的一种供电系统安全作业保障方法的流程图。
图2为本申请具体实施方式提供的一种供电系统安全作业保障系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白,下面将以附图及详细叙述清楚说明本申请所揭示内容的精神,任何所属技术领域技术人员在了解本申请内容的实施例后,当可由本申请内容所教示的技术,加以改变及修饰,其并不脱离本申请内容的精神与范围。
本申请的示意性实施例及其说明用于解释本申请,但并不作为对本申请的限定。另外,在附图及实施方式中所使用相同或类似标号的元件/构件是用来代表相同或类似部分。
关于本文中所使用的“第一”、“第二”、…等,并非特别指称次序或顺位的意思,也非用以限定本申请,其仅为了区别以相同技术用语描述的元件或操作。
关于本文中所使用的方向用语,例如:上、下、左、右、前或后等,仅是参考附图的方向。因此,使用的方向用语是用来说明并非用来限制本创作。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
关于本文中所使用的“及/或”,包括所述事物的任一或全部组合。
关于本文中的“多个”包括“两个”及“两个以上”;关于本文中的“多组”包括“两组”及“两组以上”。
关于本文中所使用的用语“大致”、“约”等,用以修饰任何可以细微变化的数量或误差,但这些微变化或误差并不会改变其本质。一般而言,此类用语所修饰的细微变化或误差的范围在部分实施例中可为20%,在部分实施例中可为10%,在部分实施例中可为5%或是其他数值。本领域技术人员应当了解,前述提及的数值可依实际需求而调整,并不以此为限。
某些用以描述本申请的用词将于下或在此说明书的别处讨论,以提供本领域技术人员在有关本申请的描述上额外的引导。
实施例1
如图1所示,本实施例提供了一种供电系统安全作业保障方法,其包括以下步骤:
S1、采集作业现场的视频信息。
S2、对采集的视频信息进行视频抽帧、图像预处理和识别分析,其具体包括:利用人脸识别技术对作业人员的身份进行识别;利用定位技术对作业人员的运动轨迹进行跟踪;利用图像处理技术对作业人员的安全违规行为进行判别;利用图像处理技术对作业人员的作业质量进行检验。
S3、根据分析结果,如果作业现场出现未授权的非作业人员,和/或作业人员闯入禁区,和/或作业人员未按要求关闭设备柜门,和/或作业人员存在安全违规行为,和/或作业人员的作业质量未达到验收标准,则发出报警提示和/或记录。
本申请通过对作业现场进行视频监控,能够对进入现场的人员身份进行识别,自动监测作业现场作业人员的行为和活动情况,并对于异常行为或活动进行报警和/或记录,从而能够进一步保障供电系统的安全作业,提高作业人员的安全,规范作业人员的行为。
上述步骤S2中,所述利用人脸识别技术对作业人员的身份进行识别包括以下步骤:
S211、将接收到的人员ID与预存储的人员ID进行比对,如果二者相同,则接收到的人员ID为已授权的ID,否则为未授权的ID。
S212、构建人脸识别的卷积神经网络。
S213、利用人像样本图像训练人脸识别的卷积神经网络。
S214、利用训练好的人脸识别的卷积神经网络对接收到的实时视频流进行识别,识别作业现场是否有未授权的非作业人员;如果识别出作业现场有未授权的非作业人员,则身份识别模块发出报警提示和/或进行日志记录。
上述步骤S213中,所述利用人像样本图像训练人脸识别的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优。
上述步骤S213中,所述人像样本图像采集时,分为佩戴安全帽和未佩戴安全帽两种情形进行,采集时围绕人员头部360°拍照采样。获取人员图像后,采用图像增强技术,对单张图像进行色彩、光照的调节和一定程度图像几何形变处理,提升样本数量构建人像训练集。构建训练集时,每张人像图片均对应一个人员ID编号,人像图片作为模型训练样本输入值,人员ID编号为样本标签值。
上述步骤S214中,所述利用训练好的人脸识别的卷积神经网络对接收到的实时视频流进行识别的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入人脸识别的卷积神经网络;然后启动人脸识别的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
上述步骤S2中,所述利用定位技术对作业人员的运动轨迹进行跟踪包括以下步骤:
S221、对预处理后的图像中的运动目标进行识别,并提取运动目标的轮廓信息。
S222、去除轮廓信息中飞鸟、蚊虫、烟雾等造成的干扰信息,并将去除干扰信息后的轮廓信息对应的运动目标的位置信息映射到预设的供电系统的电子地图中。
S223、在供电系统的电子地图中显示运动目标的运动轨迹。
S224、供电系统的电子地图中预设非安全区域或禁止闯入区域,判断运动目标是否闯入非安全区域或禁止闯入区域,如果有运动目标闯入预设的非安全区域或禁止闯入区域,则发出报警提示和/或进行日志记录。
上述步骤S2中,所述利用图像处理技术对作业人员的安全违规行为进行判别包括以下步骤:
S231、构建人员行为的卷积神经网络。
S232、利用包含作业人员行为的样本图像训练人员行为的卷积神经网络。
S233、利用训练好的人员行为的卷积神经网络对接收到的实时视频流进行判别,判别现场作业人员是否有未佩戴安全帽、未穿工作服、未带防电手套、抽烟或打电话等安全违规行为,如果判别出现场作业人员有未佩戴安全帽、未穿工作服、未带防电手套、抽烟或打电话等安全违规行为,则发出报警提示和/或进行日志记录。
上述步骤S232中,所述利用包含作业人员行为的样本图像训练人员行为的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优。
进一步地,构建训练数据集时需要对原始数据集中图像的感兴趣区域进行标注。具体地,图像的感兴趣区域包括第一和第二感兴趣区域,其中,第一感兴趣区域包括人体的头部至足部区域,第二感兴趣区域包括头部、颈部和手部区域。其中进行标注时按照以下规则进行标注:
第一感兴趣区域的标注:未佩戴安全帽、未穿工作服或未穿安全鞋等。第二感兴趣区域的标注:抽烟或打电话等。
上述步骤S233中,所述利用训练好的人员行为的卷积神经网络对接收到的实时视频流进行判别的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入人员行为的卷积神经网络;然后启动人员行为的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
上述步骤S2中,所述利用图像处理技术对作业人员的作业质量进行验收包括以下步骤:
S241、构建设备运行状态的卷积神经网络。
S242、利用设备运行状态的样本图像训练设备运行状态的卷积神经网络。
S243、利用训练好的设备运行状态的卷积神经网络对接收到的实时视频流进行检验,检验现场作业人员作业后设备的运行状态是否出现故障,如果检验出现场作业人员作业后设备的运行状态故障,则发出报警提示和/或进行日志记录。
上述步骤S242中,所述利用设备运行状态的样本图像训练设备运行状态的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优。
进一步地,构建训练数据集时需要对原始数据集中图像的感兴趣区域进行标注。具体地,图像的感兴趣区域的分类标注规则为:设备运行正常和设备运行故障。
上述步骤S243中,利用训练好的设备运行状态的卷积神经网络对接收到的实时视频流进行检验的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入设备运行状态的卷积神经网络;然后启动设备运行状态的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
上述步骤S243中,设备运行状态的样本图像采集时,分为实际场景下故障隐患图像采集和实验室模拟拍摄故障隐患图像两种形式。实际场景下故障隐患图像采集,可以直接利用用户已有的拍摄到故障隐患图像资料。实验室模拟拍摄,则是由技术人员结合现场实际情况布置实验拍摄环境,对故障设备、装置、部件实物进行拍摄。
实施例2
如图2所示,本实施例提供了一种供电系统安全作业保障系统,其包括前端采集单元1、网络单元2和远程监控单元3。
其中,前端采集单元1包括多个照明装置和摄像装置,照明装置和摄像装置匹配设置。摄像装置的数量根据实际情况确定,分别安装在预设的各监控点处,利用摄像装置采集各监控点的视频信息。照明装置用于提供照射监控点处作业人员面部区域的光线。摄像装置包括网络摄像机、云台和固定座,网络摄像机安装在云台上,照明装置设置在网络摄像机的一侧,云台用于控制网络摄像相机和照明装置转动;云台安装在固定座上。
前端采集单元1采集到的视频信息通过网络单元2传输至远程监控单元3。
远程监控单元3对接收到的实时视频信息进行识别,如果识别出作业现场有未授权的非作业人员,和/或作业人员闯入禁区,和/或作业人员未按要求关闭设备柜门,和/或作业人员存在安全违规行为,和/或作业人员的作业质量未达到验收标准,则发出报警提示和/或进行日志记录。其中,日志记录包括时间信息以及该时间信息对应的视频图像描述,根据该视频图像描述能够关联到该视频图像。具体地,验收标准为作业人员作业后设备运行状态正常。
远程监控单元3包括身份识别模块31、跟踪模块32、违规行为识别模块33和验收模块34。
身份识别模块31对接收到的视频信息进行处理后,识别出图像中的运动目标以及与运动目标对应的ID信息,并对进入作业现场的人员进行ID身份和人脸识别,如果识别出作业现场有未授权的非作业人员,则身份识别模块31发出报警提示和/或进行日志记录。
跟踪模块32对接收到的视频信息进行处理后,识别出图像中的运动目标及其位置信息,并判断运动目标是否闯入禁区。如果识别出作业人员闯入禁区,则跟踪模块32发出报警提示和/或进行日志记录。
违规行为识别模块33对接收到的视频信息进行处理后,通过构建安全行为判别神经网络,识别现场工作人员是否有安全违规行为。如果识别出现场作业人员有未佩戴安全帽、未穿工作服、未带防电手套、抽烟或打电话等安全违规行为,则违规行为识别模块33发出报警提示和/或进行日志记录。
验收模块34对接收到的视频信息进行处理后,通过构建设备运行状态判别神经网络,识别作业人员的作业质量是否达到验收标准。如果识别出现场设备的运行状态为作业后故障,则验收模块34发出报警提示和/或进行日志记录。
在本实施例中,身份识别模块31包括ID比对模块、第一构建模块、第一训练模块、第一识别模块。其中,ID比对模块用于对接收到的人员ID与预存储的人员ID进行比对,如果二者相同,则接收到的人员ID为已授权的ID,否则为未授权的ID。第一构建模块用于构建人脸识别的卷积神经网络。第一训练模块利用人像样本图像训练人脸识别的卷积神经网络。第一识别模块利用训练好的人脸识别的卷积神经网络对接收到的实时视频流进行识别,如果识别出作业现场有未授权的非作业人员,则身份识别模块31发出报警提示和/或进行日志记录。
其中,第一训练模块被配置为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优。
第一识别模块被配置为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入人脸识别的卷积神经网络;然后启动人脸识别的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
人像样本图像采集时,分为佩戴安全帽和未佩戴安全帽两种情形进行,采集时围绕人员头部360°拍照采样。获取人员图像后,采用图像增强技术,对单张图像进行色彩、光照的调节和一定程度图像几何形变处理,提升样本数量构建人像训练集。构建训练集时,每张人像图片均对应一个人员ID编号,人像图片作为模型训练样本输入值,人员ID编号为样本标签值。
在本实施例中,跟踪模块32包括运动目标识别模块、图像过滤模块和位置映射模块。其中,运动目标识别模块对预处理后的图像中的运动目标进行识别,并提取运动目标的轮廓信息;图像过滤模块用于去除轮廓信息中的干扰信息,并将去除干扰信息后的轮廓信息对应的运动目标传输至位置映射模块。具体地,图像过滤模块用于去除飞鸟、蚊虫、烟雾等造成的干扰。位置映射模块将图像中运动目标的位置信息映射到预设的供电系统的电子地图中,显示运动目标的运动轨迹,并判断运动目标是否闯入禁区,如果有运动目标闯入供电系统的电子地图中预设的非安全区域或禁止闯入区域,则发出报警提示和/或进行日志记录。
在本实施例中,违规行为识别模块33包括第二构建模块、第二训练模块、第二判别模块。其中,第二构建模块用于构建人员行为的卷积神经网络。第二训练模块利用包含作业人员行为的样本图像训练人员行为的卷积神经网络。第二判别模块利用训练好的人员行为的卷积神经网络对接收到的实时视频流进行判别,如果判别出现场作业人员有未佩戴安全帽、未穿工作服、未带防电手套、抽烟或打电话等安全违规行为,则违规行为识别模块33发出报警提示和/或进行日志记录。
其中,第二训练模块被配置为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优。
进一步地,第二训练模块构建训练数据集时对原始数据集中图像的感兴趣区域进行标注。具体地,图像的感兴趣区域包括第一和第二感兴趣区域,其中,第一感兴趣区域包括人体的头部至足部区域,第二感兴趣区域包括头部、颈部和手部区域。其中进行标注时按照以下规则进行标注:
第一感兴趣区域的标注:未佩戴安全帽、未穿工作服或未穿安全鞋等。第二感兴趣区域的标注:抽烟或打电话等。
第二判别模块被配置为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入人员行为的卷积神经网络;然后启动人员行为的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
在本实施例中,验收模块34包括第三构建模块、第三训练模块和检验模块。其中,第三构建模块用于构建设备运行状态的卷积神经网络。第三训练模块利用设备运行状态的样本图像训练设备运行状态的卷积神经网络。检验模块利用训练好的设备运行状态的卷积神经网络对接收到的实时视频流进行检验,如果检验出现场作业人员作业后设备的运行状态故障,则验收模块34发出报警提示和/或进行日志记录。
其中,第三训练模块被配置为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优。
进一步地,第三训练模块构建训练数据集时对原始数据集中图像的感兴趣区域进行标注。具体地,图像的感兴趣区域的分类标注规则为:设备运行正常和设备运行故障。
检验模块被配置为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入设备运行状态的卷积神经网络;然后启动设备运行状态的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
设备运行状态的样本图像采集分为实际场景下故障隐患图像采集和实验室模拟拍摄故障隐患图像两种形式。实际场景下故障隐患图像采集,可以直接利用用户已有的拍摄到故障隐患图像资料。实验室模拟拍摄,则是由技术人员结合现场实际情况布置实验拍摄环境,对故障设备、装置、部件实物进行拍摄。
实施例3
本实施例提供了一种供电系统安全作业保障终端设备,其包括存储器、处理器以及存储在存储器中并可以在处理器上运行的计算机程序,例如,供电系统安全作业保障程序。处理器处理计算机程序时能够实现上述各个供电系统安全作业保障方法实施例中的步骤。或者,处理器执行所述计算机程序时能够实现上述各供电系统安全作业保障系统实施例中各单元/模块的功能。
实施例4
本实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,例如,供电系统安全作业保障程序。计算机程序被处理器执行时实现上述各个供电系统安全作业保障方法实施例中的步骤。
以上所述仅为本申请示意性的具体实施方式,在不脱离本申请的构思和原则的前提下,任何本领域的技术人员所做出的等同变化与修改,均应属于本申请保护的范围。
Claims (10)
1.一种供电系统安全作业保障方法,其特征在于,包括以下步骤:
采集作业现场的视频信息;
对采集的视频信息进行视频抽帧、图像预处理和识别分析,其具体包括:利用人脸识别技术对作业人员的身份进行识别;利用定位技术对作业人员的运动轨迹进行跟踪;利用图像处理技术对作业人员的安全违规行为进行判别;利用图像处理技术对作业人员的作业质量进行检验;
所述利用人脸识别技术对作业人员的身份进行识别包括以下步骤:
将接收到的人员ID与预存储的人员ID进行比对,如果二者相同,则接收到的人员ID为已授权的ID,否则为未授权的ID;
构建人脸识别的卷积神经网络;
利用人像样本图像训练人脸识别的卷积神经网络;
利用训练好的人脸识别的卷积神经网络对接收到的实时视频流进行识别,识别作业现场是否有未授权的非作业人员;
所述利用定位技术对作业人员的运动轨迹进行跟踪包括以下步骤:
对预处理后的图像中的运动目标进行识别,并提取运动目标的轮廓信息;
去除轮廓信息中飞鸟、蚊虫、烟雾等造成的干扰信息,并将去除干扰信息后的轮廓信息对应的运动目标的位置信息映射到预设的供电系统的电子地图中;
在供电系统的电子地图中显示运动目标的运动轨迹;
供电系统的电子地图中预设非安全区域或禁止闯入区域,判断运动目标是否闯入非安全区域或禁止闯入区域;
所述利用图像处理技术对作业人员的安全违规行为进行判别包括以下步骤:
构建人员行为的卷积神经网络;
利用包含作业人员行为的样本图像训练人员行为的卷积神经网络;
利用训练好的人员行为的卷积神经网络对接收到的实时视频流进行判别,判别现场作业人员是否有未佩戴安全帽、未穿工作服、未带防电手套、抽烟或打电话等安全违规行为;
所述利用图像处理技术对作业人员的作业质量进行验收包括以下步骤:
构建设备运行状态的卷积神经网络;
利用设备运行状态的样本图像训练设备运行状态的卷积神经网络;
利用训练好的设备运行状态的卷积神经网络对接收到的实时视频流进行检验,检验现场作业人员作业后设备的运行状态是否出现故障;
根据分析结果,如果作业现场出现未授权的非作业人员,和/或作业人员闯入禁区,和/或作业人员未按要求关闭设备柜门,和/或作业人员存在安全违规行为,和/或作业人员的作业质量未达到验收标准,则发出报警提示和/或记录。
2.根据权利要求1所述的方法,其特征在于,所述利用人像样本图像训练人脸识别的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优。
3.根据权利要求1所述的方法,其特征在于,所述利用训练好的人脸识别的卷积神经网络对接收到的实时视频流进行识别的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入人脸识别的卷积神经网络;然后启动人脸识别的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
4.根据权利要求1所述的方法,其特征在于,所述利用包含作业人员行为的样本图像训练人员行为的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优;
所述利用包含作业人员行为的样本图像训练人员行为的卷积神经网络时,构建训练数据集需要对原始数据集中图像的感兴趣区域进行标注;所述图像的感兴趣区域包括第一和第二感兴趣区域,其中,第一感兴趣区域包括人体的头部至足部区域,第二感兴趣区域包括头部、颈部和手部区域;进行标注时按照以下规则进行标注:第一感兴趣区域的标注:未佩戴安全帽、未穿工作服或未穿安全鞋;第二感兴趣区域的标注:抽烟或打电话。
5.根据权利要求1所述的方法,其特征在于,所述利用训练好的人员行为的卷积神经网络对接收到的实时视频流进行判别的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入人员行为的卷积神经网络;然后启动人员行为的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
6.根据权利要求1所述的方法,其特征在于,所述利用设备运行状态的样本图像训练设备运行状态的卷积神经网络的过程为:
训练采用迁移学习技术进行训练,分为样本采集、样本预处理和训练建模;样本为视频时,采用相等时间间隔进行视频图像帧采样,将视频转化为图片格式文件;再对图像进行预处理,预处理包括图像降噪、图像色彩和饱和度调节;完成样本预处理后启动模型训练进程,模型训练分为开发阶段模型原型训练和现场部署后在线迁移学习训练两种模式;模型在训练过程中,在训练集上完成一个批次的训练,均在验证集上进行一次模型精度验证,检查模型泛化能力;模型经多轮迭代收敛后再进行上线部署,后期结合现场增量数据定期进行性能调优;
所述利用设备运行状态的样本图像训练设备运行状态的卷积神经网络时,构建训练数据集需要对原始数据集中图像的感兴趣区域进行标注,所述图像的感兴趣区域的分类标注规则为:设备运行正常和设备运行故障。
7.根据权利要求1所述的方法,其特征在于,所述利用训练好的设备运行状态的卷积神经网络对接收到的实时视频流进行检验的过程为:
对接收到的实时视频流,采用视频抽帧方式进行抽帧后得到单帧图像,再对图像进行降噪、色彩和旋转处理,并以图像矩阵的形式输入设备运行状态的卷积神经网络;然后启动设备运行状态的卷积神经网络向前传播计算模式,输入的图像矩阵经卷积进行图像特征重构后,由图像判别层生成预测标注框和故障种类代码的结构化数据。
8.一种供电系统安全作业保障系统,其特征在于,包括前端采集单元、网络单元和远程监控单元;
所述前端采集单元包括多个照明装置和摄像装置,所述照明装置和摄像装置匹配设置;所述摄像装置安装在预设的各监控点处,利用所述摄像装置采集各监控点的视频信息;所述照明装置用于提供照射监控点处作业人员面部区域的光线;所述摄像装置包括网络摄像机、云台和固定座,所述网络摄像机安装在云台上,所述照明装置设置在网络摄像机的一侧,所述云台用于控制所述网络摄像相机和照明装置转动;所述云台安装在所述固定座上;
所述前端采集单元采集到的视频信息通过所述网络单元传输至所述远程监控单元;
所述远程监控单元对接收到的实时视频信息进行识别,如果识别出作业现场有未授权的非作业人员,和/或作业人员闯入禁区,和/或作业人员未按要求关闭设备柜门,和/或作业人员存在安全违规行为,和/或作业人员的作业质量未达到验收标准,则发出报警提示和/或进行日志记录;
所述日志记录包括时间信息以及该时间信息对应的视频图像描述,根据所述视频图像描述能够关联到所述视频图像;
所述远程监控单元包括身份识别模块、跟踪模块、违规行为识别模块和验收模块;
所述身份识别模块对接收到的视频信息进行处理后,识别出图像中的运动目标以及与运动目标对应的ID信息,并对进入作业现场的人员进行ID身份和人脸识别;
所述跟踪模块对接收到的视频信息进行处理后,识别出图像中的运动目标及其位置信息,并判断运动目标是否闯入禁区;
所述违规行为识别模块对接收到的视频信息进行处理后,通过构建安全行为判别神经网络,识别现场工作人员是否有安全违规行为;
所述验收模块对接收到的视频信息进行处理后,通过构建设备运行状态判别神经网络,识别作业人员的作业质量是否达到验收标准。
9.一种供电系统安全作业保障终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器处理所述计算机程序时实现如所述权利要求1~7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如所述权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810899568.XA CN109145789A (zh) | 2018-08-09 | 2018-08-09 | 供电系统安全作业保障方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810899568.XA CN109145789A (zh) | 2018-08-09 | 2018-08-09 | 供电系统安全作业保障方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145789A true CN109145789A (zh) | 2019-01-04 |
Family
ID=64792301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810899568.XA Pending CN109145789A (zh) | 2018-08-09 | 2018-08-09 | 供电系统安全作业保障方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145789A (zh) |
Cited By (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858223A (zh) * | 2019-01-22 | 2019-06-07 | 深圳航天科创实业有限公司 | 基于识别技术的机电设备授权方法、控制装置及存储介质 |
CN109977843A (zh) * | 2019-03-21 | 2019-07-05 | 重庆工程职业技术学院 | 一种煤矿现场人员行为监测及违章智能识别系统 |
CN110111016A (zh) * | 2019-05-14 | 2019-08-09 | 深圳供电局有限公司 | 作业人员的危险状态监控方法、装置及计算机设备 |
CN110166741A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于人工智能的环境监控方法、装置、设备及存储介质 |
CN110188731A (zh) * | 2019-06-06 | 2019-08-30 | 广东电网有限责任公司 | 一种作业现场的违章告警方法及相关装置 |
CN110188617A (zh) * | 2019-05-05 | 2019-08-30 | 深圳供电局有限公司 | 一种机房智能监控方法及系统 |
CN110300284A (zh) * | 2019-07-01 | 2019-10-01 | 宝业湖北建工集团有限公司 | 基于bim技术的安全监测方法及电子设备 |
CN110321809A (zh) * | 2019-06-13 | 2019-10-11 | 国电南瑞科技股份有限公司 | 一种基于深度学习的变电站作业现场监测方法及装置 |
CN110460817A (zh) * | 2019-08-30 | 2019-11-15 | 广东南粤银行股份有限公司 | 基于人脸识别和地理围栏的数据中心视频监控系统及方法 |
CN110490931A (zh) * | 2019-08-20 | 2019-11-22 | 上海秒针网络科技有限公司 | 轨迹生成方法和装置、存储介质及电子装置 |
CN110493574A (zh) * | 2019-08-27 | 2019-11-22 | 深圳供电局有限公司 | 基于流媒体和ai技术的安监可视化系统 |
CN110569868A (zh) * | 2019-07-19 | 2019-12-13 | 云南昆钢电子信息科技有限公司 | 一种危险作业规范管理系统及其管理方法 |
CN110689054A (zh) * | 2019-09-10 | 2020-01-14 | 华中科技大学 | 一种工人违规行为监测方法 |
CN110738178A (zh) * | 2019-10-18 | 2020-01-31 | 思百达物联网科技(北京)有限公司 | 园区施工安全检测方法、装置、计算机设备及存储介质 |
CN110765848A (zh) * | 2019-09-08 | 2020-02-07 | 天津大学 | 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法 |
CN110781833A (zh) * | 2019-10-28 | 2020-02-11 | 杭州宇泛智能科技有限公司 | 一种认证方法、装置及电子设备 |
CN110853274A (zh) * | 2019-10-18 | 2020-02-28 | 合肥森弗卡电子科技有限公司 | 一种安全防范工程用报警系统 |
CN110909675A (zh) * | 2019-11-22 | 2020-03-24 | 广州供电局有限公司 | 违章行为识别方法、装置、计算机设备和存储介质 |
CN111091069A (zh) * | 2019-11-27 | 2020-05-01 | 云南电网有限责任公司电力科学研究院 | 一种盲图像质量评价引导的电网目标检测方法及系统 |
CN111126219A (zh) * | 2019-12-16 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于人工智能的变电站人员的身份识别系统和方法 |
CN111158323A (zh) * | 2019-12-31 | 2020-05-15 | 西安古鲸电子技术有限公司 | 一种智能安全生产监控系统 |
CN111193906A (zh) * | 2019-12-26 | 2020-05-22 | 深圳供电局有限公司 | 可视化监控管理方法、装置、计算机设备和存储介质 |
CN111191523A (zh) * | 2019-12-11 | 2020-05-22 | 秒针信息技术有限公司 | 信息的显示方法和装置、存储介质及电子装置 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
CN111339933A (zh) * | 2020-02-25 | 2020-06-26 | 北京国网富达科技发展有限责任公司 | 基于深度学习的变电站安全监控方法及装置 |
CN111353465A (zh) * | 2020-03-12 | 2020-06-30 | 智洋创新科技股份有限公司 | 基于深度学习技术的变电站人员行为分析方法及系统 |
CN111581417A (zh) * | 2020-04-28 | 2020-08-25 | 广东电网有限责任公司 | 配电房施工人员的身份识别方法、终端、系统及存储介质 |
CN111652128A (zh) * | 2020-06-02 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种高空电力作业安全监测方法、系统和存储装置 |
CN111783744A (zh) * | 2020-07-31 | 2020-10-16 | 上海仁童电子科技有限公司 | 一种操作现场安全防护检测方法及装置 |
CN111931653A (zh) * | 2020-08-11 | 2020-11-13 | 沈阳帝信人工智能产业研究院有限公司 | 安全监测方法、装置、电子设备和可读存储介质 |
CN112001284A (zh) * | 2020-08-14 | 2020-11-27 | 中建海峡建设发展有限公司 | 基于人工智能的劳务实名制管理系统 |
CN112037451A (zh) * | 2020-08-19 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种预警方法及装置 |
CN112073691A (zh) * | 2020-09-11 | 2020-12-11 | 中国石油集团西南管道有限公司 | 管道工程建设的工地安全监控系统及方法 |
CN112132051A (zh) * | 2020-09-24 | 2020-12-25 | 广东电网有限责任公司广州供电局 | 一种配电房安全识别系统及其识别方法 |
CN112188164A (zh) * | 2020-09-29 | 2021-01-05 | 爱动超越人工智能科技(北京)有限责任公司 | 一种基于ai视觉的违规行为实时监测系统及方法 |
CN112183317A (zh) * | 2020-09-27 | 2021-01-05 | 武汉大学 | 一种基于时空图卷积神经网络的带电作业现场违章行为检测方法 |
CN112183363A (zh) * | 2020-09-29 | 2021-01-05 | 北京市政建设集团有限责任公司 | 地铁工程施工人员安全行为智能分析方法及其系统 |
CN112232189A (zh) * | 2020-10-14 | 2021-01-15 | 长江武汉航道工程局 | 一种基于人脸识别的智能化综合管理系统 |
CN112257838A (zh) * | 2020-10-30 | 2021-01-22 | 衢州学院 | 基于智能视觉感知的电力工器具全生命周期管控方法 |
CN112258026A (zh) * | 2020-10-21 | 2021-01-22 | 国网江苏省电力有限公司信息通信分公司 | 基于视频身份识别的动态定位调度方法及系统 |
CN112347916A (zh) * | 2020-11-05 | 2021-02-09 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
CN112364722A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业人员监控处理方法、装置和计算机设备 |
CN112381778A (zh) * | 2020-11-10 | 2021-02-19 | 国网浙江嵊州市供电有限公司 | 一种基于深度学习的变电站安全管控平台 |
CN112418717A (zh) * | 2020-12-07 | 2021-02-26 | 国网山东省电力公司经济技术研究院 | 基于人工智能的工程现场人员行为预警方法和系统 |
CN112465478A (zh) * | 2020-12-21 | 2021-03-09 | 深圳供电局有限公司 | 值班人员提醒方法及其系统、监控主机、可读存储介质 |
CN112487891A (zh) * | 2020-11-17 | 2021-03-12 | 云南电网有限责任公司 | 一种应用于电力作业现场的视觉智能动态识别模型构建方法 |
CN112839200A (zh) * | 2020-12-25 | 2021-05-25 | 朗坤智慧科技股份有限公司 | 基于5g技术的电厂违章行为识别方法、系统和网络服务端 |
CN112906441A (zh) * | 2019-12-04 | 2021-06-04 | 中国移动通信集团设计院有限公司 | 用于通信行业查勘维护的图像识别系统及方法 |
CN113297914A (zh) * | 2021-04-26 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种配网现场作业验电动作识别方法 |
CN113343854A (zh) * | 2021-06-09 | 2021-09-03 | 北京容联易通信息技术有限公司 | 一种基于视频监控的动火作业流程合规性检测方法 |
CN113610011A (zh) * | 2021-09-22 | 2021-11-05 | 国网江苏省电力有限公司太仓市供电分公司 | 一种应用于配网作业现场人员管控的ai识别系统 |
CN113723169A (zh) * | 2021-04-26 | 2021-11-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、系统及设备 |
CN113850836A (zh) * | 2021-09-29 | 2021-12-28 | 平安科技(深圳)有限公司 | 基于行为轨迹的员工行为识别方法、装置、设备及介质 |
CN114040164A (zh) * | 2021-11-09 | 2022-02-11 | 南通中安高科电子有限公司 | 一种基于图像视频实时监控的人员作业安全监理云平台 |
CN115280395A (zh) * | 2020-03-31 | 2022-11-01 | 株式会社小松制作所 | 检测系统以及检测方法 |
CN115358619A (zh) * | 2022-09-02 | 2022-11-18 | 国网河北省电力有限公司雄安新区供电公司 | 一种数字智能化的电网作业安全管控管理平台 |
CN115588265A (zh) * | 2022-12-12 | 2023-01-10 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视系统 |
CN117095465A (zh) * | 2023-10-19 | 2023-11-21 | 华夏天信智能物联(大连)有限公司 | 一种煤矿安全监管方法及系统 |
CN113723169B (zh) * | 2021-04-26 | 2024-04-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101006923A (zh) * | 2007-01-23 | 2007-08-01 | 天津理工大学 | 基于人体手背皮下静脉血管特征的身份识别仪及识别方法 |
CN106973266A (zh) * | 2017-03-31 | 2017-07-21 | 三峡大学 | 变电站安全作业管控系统及方法 |
CN206894809U (zh) * | 2017-11-27 | 2018-01-16 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统 |
US20180165728A1 (en) * | 2016-12-09 | 2018-06-14 | Bodega AI, Inc. | Distributed and automated transaction systems |
CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
-
2018
- 2018-08-09 CN CN201810899568.XA patent/CN109145789A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101006923A (zh) * | 2007-01-23 | 2007-08-01 | 天津理工大学 | 基于人体手背皮下静脉血管特征的身份识别仪及识别方法 |
US20180165728A1 (en) * | 2016-12-09 | 2018-06-14 | Bodega AI, Inc. | Distributed and automated transaction systems |
CN106973266A (zh) * | 2017-03-31 | 2017-07-21 | 三峡大学 | 变电站安全作业管控系统及方法 |
CN206894809U (zh) * | 2017-11-27 | 2018-01-16 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统 |
CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
Cited By (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858223A (zh) * | 2019-01-22 | 2019-06-07 | 深圳航天科创实业有限公司 | 基于识别技术的机电设备授权方法、控制装置及存储介质 |
CN109977843A (zh) * | 2019-03-21 | 2019-07-05 | 重庆工程职业技术学院 | 一种煤矿现场人员行为监测及违章智能识别系统 |
CN109977843B (zh) * | 2019-03-21 | 2021-03-30 | 重庆工程职业技术学院 | 一种煤矿现场人员行为监测及违章智能识别系统 |
CN110166741A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于人工智能的环境监控方法、装置、设备及存储介质 |
CN110188617A (zh) * | 2019-05-05 | 2019-08-30 | 深圳供电局有限公司 | 一种机房智能监控方法及系统 |
CN110111016A (zh) * | 2019-05-14 | 2019-08-09 | 深圳供电局有限公司 | 作业人员的危险状态监控方法、装置及计算机设备 |
CN110188731A (zh) * | 2019-06-06 | 2019-08-30 | 广东电网有限责任公司 | 一种作业现场的违章告警方法及相关装置 |
CN110321809A (zh) * | 2019-06-13 | 2019-10-11 | 国电南瑞科技股份有限公司 | 一种基于深度学习的变电站作业现场监测方法及装置 |
CN110300284A (zh) * | 2019-07-01 | 2019-10-01 | 宝业湖北建工集团有限公司 | 基于bim技术的安全监测方法及电子设备 |
CN110569868A (zh) * | 2019-07-19 | 2019-12-13 | 云南昆钢电子信息科技有限公司 | 一种危险作业规范管理系统及其管理方法 |
CN110490931A (zh) * | 2019-08-20 | 2019-11-22 | 上海秒针网络科技有限公司 | 轨迹生成方法和装置、存储介质及电子装置 |
CN110493574A (zh) * | 2019-08-27 | 2019-11-22 | 深圳供电局有限公司 | 基于流媒体和ai技术的安监可视化系统 |
CN110493574B (zh) * | 2019-08-27 | 2021-06-11 | 深圳供电局有限公司 | 基于流媒体和ai技术的安监可视化系统 |
CN110460817A (zh) * | 2019-08-30 | 2019-11-15 | 广东南粤银行股份有限公司 | 基于人脸识别和地理围栏的数据中心视频监控系统及方法 |
CN110765848A (zh) * | 2019-09-08 | 2020-02-07 | 天津大学 | 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法 |
CN110689054A (zh) * | 2019-09-10 | 2020-01-14 | 华中科技大学 | 一种工人违规行为监测方法 |
CN110689054B (zh) * | 2019-09-10 | 2022-04-01 | 华中科技大学 | 一种工人违规行为监测方法 |
CN110853274A (zh) * | 2019-10-18 | 2020-02-28 | 合肥森弗卡电子科技有限公司 | 一种安全防范工程用报警系统 |
CN110738178A (zh) * | 2019-10-18 | 2020-01-31 | 思百达物联网科技(北京)有限公司 | 园区施工安全检测方法、装置、计算机设备及存储介质 |
CN110781833A (zh) * | 2019-10-28 | 2020-02-11 | 杭州宇泛智能科技有限公司 | 一种认证方法、装置及电子设备 |
CN110909675A (zh) * | 2019-11-22 | 2020-03-24 | 广州供电局有限公司 | 违章行为识别方法、装置、计算机设备和存储介质 |
CN111091069A (zh) * | 2019-11-27 | 2020-05-01 | 云南电网有限责任公司电力科学研究院 | 一种盲图像质量评价引导的电网目标检测方法及系统 |
CN112906441A (zh) * | 2019-12-04 | 2021-06-04 | 中国移动通信集团设计院有限公司 | 用于通信行业查勘维护的图像识别系统及方法 |
CN112906441B (zh) * | 2019-12-04 | 2023-10-27 | 中国移动通信集团设计院有限公司 | 用于通信行业查勘维护的图像识别系统及方法 |
CN111191523A (zh) * | 2019-12-11 | 2020-05-22 | 秒针信息技术有限公司 | 信息的显示方法和装置、存储介质及电子装置 |
CN111126219A (zh) * | 2019-12-16 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于人工智能的变电站人员的身份识别系统和方法 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
CN111193906A (zh) * | 2019-12-26 | 2020-05-22 | 深圳供电局有限公司 | 可视化监控管理方法、装置、计算机设备和存储介质 |
CN111193906B (zh) * | 2019-12-26 | 2022-03-22 | 深圳供电局有限公司 | 可视化监控管理方法、装置、计算机设备和存储介质 |
CN111158323A (zh) * | 2019-12-31 | 2020-05-15 | 西安古鲸电子技术有限公司 | 一种智能安全生产监控系统 |
CN111339933A (zh) * | 2020-02-25 | 2020-06-26 | 北京国网富达科技发展有限责任公司 | 基于深度学习的变电站安全监控方法及装置 |
CN111353465A (zh) * | 2020-03-12 | 2020-06-30 | 智洋创新科技股份有限公司 | 基于深度学习技术的变电站人员行为分析方法及系统 |
CN115280395A (zh) * | 2020-03-31 | 2022-11-01 | 株式会社小松制作所 | 检测系统以及检测方法 |
CN111581417A (zh) * | 2020-04-28 | 2020-08-25 | 广东电网有限责任公司 | 配电房施工人员的身份识别方法、终端、系统及存储介质 |
CN111652128B (zh) * | 2020-06-02 | 2023-09-01 | 浙江大华技术股份有限公司 | 一种高空电力作业安全监测方法、系统和存储装置 |
CN111652128A (zh) * | 2020-06-02 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种高空电力作业安全监测方法、系统和存储装置 |
CN111783744A (zh) * | 2020-07-31 | 2020-10-16 | 上海仁童电子科技有限公司 | 一种操作现场安全防护检测方法及装置 |
CN111931653A (zh) * | 2020-08-11 | 2020-11-13 | 沈阳帝信人工智能产业研究院有限公司 | 安全监测方法、装置、电子设备和可读存储介质 |
CN112001284A (zh) * | 2020-08-14 | 2020-11-27 | 中建海峡建设发展有限公司 | 基于人工智能的劳务实名制管理系统 |
CN112037451A (zh) * | 2020-08-19 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种预警方法及装置 |
CN112073691A (zh) * | 2020-09-11 | 2020-12-11 | 中国石油集团西南管道有限公司 | 管道工程建设的工地安全监控系统及方法 |
CN112132051A (zh) * | 2020-09-24 | 2020-12-25 | 广东电网有限责任公司广州供电局 | 一种配电房安全识别系统及其识别方法 |
CN112183317A (zh) * | 2020-09-27 | 2021-01-05 | 武汉大学 | 一种基于时空图卷积神经网络的带电作业现场违章行为检测方法 |
CN112188164A (zh) * | 2020-09-29 | 2021-01-05 | 爱动超越人工智能科技(北京)有限责任公司 | 一种基于ai视觉的违规行为实时监测系统及方法 |
CN112183363A (zh) * | 2020-09-29 | 2021-01-05 | 北京市政建设集团有限责任公司 | 地铁工程施工人员安全行为智能分析方法及其系统 |
CN112232189A (zh) * | 2020-10-14 | 2021-01-15 | 长江武汉航道工程局 | 一种基于人脸识别的智能化综合管理系统 |
CN112258026A (zh) * | 2020-10-21 | 2021-01-22 | 国网江苏省电力有限公司信息通信分公司 | 基于视频身份识别的动态定位调度方法及系统 |
CN112258026B (zh) * | 2020-10-21 | 2023-12-15 | 国网江苏省电力有限公司信息通信分公司 | 基于视频身份识别的动态定位调度方法及系统 |
CN112364722A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业人员监控处理方法、装置和计算机设备 |
CN112257838A (zh) * | 2020-10-30 | 2021-01-22 | 衢州学院 | 基于智能视觉感知的电力工器具全生命周期管控方法 |
CN112347916A (zh) * | 2020-11-05 | 2021-02-09 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
CN112347916B (zh) * | 2020-11-05 | 2023-11-17 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
CN112381778A (zh) * | 2020-11-10 | 2021-02-19 | 国网浙江嵊州市供电有限公司 | 一种基于深度学习的变电站安全管控平台 |
CN112487891B (zh) * | 2020-11-17 | 2023-07-18 | 云南电网有限责任公司 | 一种应用于电力作业现场的视觉智能动态识别模型构建方法 |
CN112487891A (zh) * | 2020-11-17 | 2021-03-12 | 云南电网有限责任公司 | 一种应用于电力作业现场的视觉智能动态识别模型构建方法 |
CN112418717A (zh) * | 2020-12-07 | 2021-02-26 | 国网山东省电力公司经济技术研究院 | 基于人工智能的工程现场人员行为预警方法和系统 |
CN112465478A (zh) * | 2020-12-21 | 2021-03-09 | 深圳供电局有限公司 | 值班人员提醒方法及其系统、监控主机、可读存储介质 |
CN112839200B (zh) * | 2020-12-25 | 2023-01-24 | 朗坤智慧科技股份有限公司 | 基于5g技术的电厂违章行为识别方法、系统和网络服务端 |
CN112839200A (zh) * | 2020-12-25 | 2021-05-25 | 朗坤智慧科技股份有限公司 | 基于5g技术的电厂违章行为识别方法、系统和网络服务端 |
CN113723169A (zh) * | 2021-04-26 | 2021-11-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、系统及设备 |
CN113297914A (zh) * | 2021-04-26 | 2021-08-24 | 云南电网有限责任公司信息中心 | 一种配网现场作业验电动作识别方法 |
CN113723169B (zh) * | 2021-04-26 | 2024-04-30 | 中国科学院自动化研究所 | 基于SlowFast的行为识别方法、系统及设备 |
CN113343854A (zh) * | 2021-06-09 | 2021-09-03 | 北京容联易通信息技术有限公司 | 一种基于视频监控的动火作业流程合规性检测方法 |
CN113610011A (zh) * | 2021-09-22 | 2021-11-05 | 国网江苏省电力有限公司太仓市供电分公司 | 一种应用于配网作业现场人员管控的ai识别系统 |
CN113850836A (zh) * | 2021-09-29 | 2021-12-28 | 平安科技(深圳)有限公司 | 基于行为轨迹的员工行为识别方法、装置、设备及介质 |
CN114040164A (zh) * | 2021-11-09 | 2022-02-11 | 南通中安高科电子有限公司 | 一种基于图像视频实时监控的人员作业安全监理云平台 |
CN115358619A (zh) * | 2022-09-02 | 2022-11-18 | 国网河北省电力有限公司雄安新区供电公司 | 一种数字智能化的电网作业安全管控管理平台 |
CN115588265A (zh) * | 2022-12-12 | 2023-01-10 | 华能酒泉风电有限责任公司 | 一种风电场的智能监视系统 |
CN117095465A (zh) * | 2023-10-19 | 2023-11-21 | 华夏天信智能物联(大连)有限公司 | 一种煤矿安全监管方法及系统 |
CN117095465B (zh) * | 2023-10-19 | 2024-02-06 | 华夏天信智能物联(大连)有限公司 | 一种煤矿安全监管方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145789A (zh) | 供电系统安全作业保障方法及系统 | |
CN102890747B (zh) | 在线考试智能监控方法 | |
CN102880781B (zh) | 在线考试智能监控系统 | |
CN110674772A (zh) | 电力作业现场智能安全管控辅助系统及方法 | |
CN108197575A (zh) | 一种基于目标检测和骨点检测的异常行为识别方法及装置 | |
CN110533811A (zh) | 基于ssd实现安全帽检查的方法及装置与系统和存储介质 | |
CN107230267B (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
CN107452104A (zh) | 一种基于智能监控的车辆卡口的车辆控制方法及系统 | |
CN107688884A (zh) | 安检集中管理系统 | |
CN103246869A (zh) | 基于人脸识别和行为语音识别的犯罪监控方法 | |
CN104834902A (zh) | 一种包含视频分析的安检判图系统和判图方法 | |
CN108537922A (zh) | 基于人脸识别的访客预警方法和系统 | |
CN111126153B (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
CN109389794A (zh) | 一种智能化视频监控方法和系统 | |
CN116563797B (zh) | 一种用于智慧校园的监控管理系统 | |
EA038293B1 (ru) | Способ и система выявления тревожных событий при взаимодействии с устройством самообслуживания | |
CN108776452A (zh) | 一种特种设备现场维保监控方法及系统 | |
CN108537920A (zh) | 基于人脸识别的访客监控方法和系统 | |
CN204926116U (zh) | 一种包含视频分析的安检判图系统 | |
CN109460714B (zh) | 识别对象的方法、系统和装置 | |
CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 | |
CN109977806A (zh) | 实现idc机房进出人员精细化管理的系统及其方法 | |
CN114429677A (zh) | 一种煤矿场景作业行为安全识别考核方法及系统 | |
Berkovskyi et al. | CREATION OF INTELLIGENT SYSTEMS FOR ANALYZING SUPERMARKET VISITORS TO IDENTIFY CRIMINAL ELEMENTS | |
Tang et al. | Deep Learning Approach to Automated Data Collection and Processing of Video Surveillance in Sport Activity Prediction. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |