CN110321809A - 一种基于深度学习的变电站作业现场监测方法及装置 - Google Patents
一种基于深度学习的变电站作业现场监测方法及装置 Download PDFInfo
- Publication number
- CN110321809A CN110321809A CN201910513300.2A CN201910513300A CN110321809A CN 110321809 A CN110321809 A CN 110321809A CN 201910513300 A CN201910513300 A CN 201910513300A CN 110321809 A CN110321809 A CN 110321809A
- Authority
- CN
- China
- Prior art keywords
- substation
- personnel
- neural network
- field monitoring
- operating personnel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims abstract description 13
- 238000013138 pruning Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000011017 operating method Methods 0.000 claims abstract description 3
- 238000012806 monitoring device Methods 0.000 claims abstract 3
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008140 language development Effects 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的变电站作业现场监测装置，包括：现场监控人员和作业人员进入变电站作业现场监测程序；现场监控人员选择并确认第一个操作步骤，执行监测工作；摄像头采集现场作业视频文件，并转换为RGB图像；加载改进的深度神经网络YOLO‑V3；输入图像，对设备和标识进行自动识别，判断操作行为是否符合安全规范；根据识别和判断结果，当场发出警告并给出评价结果；将识别和评价结果实时可视化地展现给现场监控人员；现场监控人员确认评价结果并选择进入下一步骤或结束本次操作。使用模型结构剪枝和权重量化两种深度神经网络轻量化方法，实现了深度神经网络模型在嵌入式智能终端中的高精度实时推断，提高安全性和效率。
Description
技术领域
本发明涉及变电站作业现场监测方法及装置，特别涉及一种基于深度学习的变电站作业现场监测方法及装置。
背景技术
电力安全生产是涉及职工生命安全的大事，也是影响电力系统安全、稳定运行和电力企业生存发展的关键。电力生产作业现场具有动态、复杂、多变的特点，容易造成无票作业、超范围作业、无计划作业等，使得作业现场违章频发。随着电网技术复杂程度的不断升高，影响电网安全的因素越来越多，安全生产形势日益严峻。虽然电网、电力企业制定了完备的电力安全生产规程，但是现阶段依然存在因电力安全管理松懈、作业人员安全意识薄弱等原因导致违章行为频发的问题。现代电力安全生产对安监评价系统提出了作业过程可监控、结果可追踪及智能告警等要求。
目前，变电站无人值守已经成为主流趋势，电网公司和电力企业也利用计算机信息技术，探索并建立了电力生产综合联网监控系统，并安排监控技术工作人员实现对现场作业人员的监控管理。该方法提高了安监管理的效率，但是全程依赖监控人员的观察、判断和评估，对监控人员专业素质要求较高，缺少灵活性好、智能化高的辅助手段和设备。随着近几年新一代人工智能技术的快速发展，基于深度学习的图像识别技术也逐步应用到电力安全监管领域中。但是已有的方法是基于后台服务器的部署方式，只能对监控画面中作业人员的操作行为规范性进行识别，不能实现自动评价功能；且推断处理计算在服务器中实现，对现场通信要求高、系统集成度低、灵活性低、成本较高。
发明内容
发明目的：本发明目的是提供一种基于深度学习的变电站作业现场监测方法，该方法对现场作业人员的行为进行全程监测，并提供事后评估功能，辅助监控人员进行实时判断和评价，保障电网的安全生产运行和现场作业人员的人身安全。
本发明的另一目的是提供实施所述基于深度学习的变电站作业现场监测方法的可穿戴装置。
技术方案：本发明提供一种基于深度学习的变电站作业现场监测方法，包括如下步骤：
步骤1，现场监控人员和作业人员分别通过人脸识别或指纹识别进行身份验证，进入变电站作业现场监测程序；
步骤2，现场监控人员从APP程序中调出待执行的操作票，选择并确认第一个操作步骤，开始执行监测工作；
步骤3，摄像头采集现场作业视频文件，并把视频文件逐帧转换为RGB图像；
步骤4，加载改进的深度神经网络YOLO-V3，所述改进的深度神经网络YOLO-V3改进方法为：(1)依据实际安监场景所需识别标签数量与COCO数据集80类进行对比，对特征提取网络的深度进行压缩；(2)依据实际安监场景所需识别标签数量与COCO数据集80类进行对比，对分类网络的深度进行按比例压缩；(3)权重轻量化采用混合精度训练，将权重数据以FP32和FP16两种格式进行组合训练；该方法依据实际所需识别目标的标签数量对特征提取网络和分类网络进行结构压缩，以减少卷积层数量；权重轻量化采用混合精度训练方法，达到模型压缩的效果；模型剪枝方法针对已训练完成的权重参数进行排序，直接裁剪权重小的卷积层，并进行微调训练。
步骤5，输入图像，对设备和标识进行自动识别，并判断作业人员的操作行为是否符合安全规范；
步骤6，根据识别和判断结果，当场发出警告并给出评价结果；
步骤7，将识别和评价结果实时可视化地展现给现场监控人员；
步骤8，现场监控人员确认评价结果并选择进入下一步骤或结束本次操作。
进一步地，所述步骤4中改进的深度神经网络YOLO-V3的训练方法如下：
(1)采用旋转、裁剪、尺度变换等方法对原始图像样本进行扩充；
(2)设置并优化深度神经网络的超参数；
(3)使用多块GPU并行计算，以加快深度神经网络的训练速度；
(4)采用模型剪枝方法针对已训练完成的权重参数进行排序，直接裁剪权重小的卷积层，并进行微调训练。进一步地，
进一步地，所述步骤6中的识别结果包括识别出变电站内作业人员未佩戴安全帽；识别出作业人员走错操作间隔；识别出作业人员未带绝缘手套验电；识别出作业人员使用万能解锁钥匙解锁。
进一步地，所述步骤1中APP程序采用HTML5混合开发框架，基于html或is语言开发，包括身份验证、实时监控和操作票管理三个功能模块；作为监护人员的操作界面和智能视觉终端处理结果的展示界面，用于现场监控人员和作业人员的身份验证，操作票的读取、存储、展现和确认，智能视觉终端处理结果的存储、实时展示和回查。
一种实施所述的基于深度学习的变电站作业现场监测方法的可穿戴装置，其特征在于：为可穿戴式，包括智能视觉终端和手持式平板电脑，智能视觉终端和手持式平板电脑通过Wi-Fi或蓝牙无线通讯网络连接。
进一步地，所述智能视觉终端包括嵌入式人工智能计算芯片、微控制单元、通信模块、报警模块和可见光摄像头，为可穿戴式；用于采集和处理视频数据、识别并判断作业人员的操作行为是否符合安全规范，若有异常当场发出告警，并将视频识别和评价结果传给手持式平板电脑并将识别和评价结果。
有益效果：本发明的方法采用了针对变电站作业现场安全监督需求而改进的深度神经网络YOLO-V3，使用模型结构剪枝和权重量化两种深度神经网络轻量化方法，实现了深度神经网络模型在嵌入式智能终端中的高精度实时推断。本发明的可穿戴装置，使用了嵌入式人工智能计算芯片，实现了所有深度神经网络的推断计算均在嵌入式设备中完成，与使用后台服务器相比，具备更低的设备成本和部署成本，兼具高精度、低功耗、灵活性和实时性等优势，是辅助现场监控人员完成安全监督与评价工作的有力工具。
附图说明
图1为本发明方法的流程示意图；
图2为本发明的对深度神经网络YOLO-V3进行修改的方法流程示意图；
图3为本发明的深度神经网络训练方法的流程示意图；
图4为本发明的可穿戴装置的结构示意图。
具体实施方式
参照图1，本实施例的基于深度学习的变电站作业现场监测方法，包括如下步骤：
步骤1：现场监控人员和作业人员分别通过人脸识别或指纹识别进行身份验证，进入变电站作业现场安全监督与评价程序；
步骤2：现场监控人员从APP程序中调出待执行的操作票，选择并确认第一个操作步骤，开始执行监督和评价工作；
步骤3：摄像头采集现场作业视频文件，并把视频文件逐帧转换为RGB图像；
步骤4：加载经过修改的、使用扩充图像样本进行训练的、且运用模型结构剪枝和权重量化方法轻量化之后的深度神经网络YOLO-V3；
步骤5：将RGB图像依次输入加载好的YOLO-V3中，对操作装备、安全防具、电力设备和标识等进行自动识别，并判断作业人员的操作行为是否符合安全规范；
步骤6：根据识别和判断结果，当场发出警告并给出评价；
步骤7：将视频识别和评价结果实时可视化地展现给现场监控人员；
步骤8：现场监控人员确认评价结果并选择进入下一步骤或结束本次操作。
参照图2，步骤4中的改进深度神经网络YOLO-V3的改进方法如下：
(1)依据实际安监场景所需识别标签数量与COCO数据集80类进行对比，对特征提取网络的深度进行压缩；
(2)依据实际安监场景所需识别标签数量与COCO数据集80类进行对比，对分类网络的深度进行按比例压缩；
(3)权重轻量化采用混合精度训练，将权重数据以FP32和FP16两种格式进行组合训练；
参照图2、图3，步骤4中改进的深度神经网络YOLO-V3的训练方法如下：
(1)采用旋转、裁剪、尺度变换等方法对原始图像样本进行扩充；
(2)设置并优化深度神经网络的超参数；
(3)使用多块GPU并行计算，以加快深度神经网络的训练速度；
(4)采用模型剪枝方法针对已训练完成的权重参数进行排序，直接裁剪权重小的卷积层，并进行微调训练。
步骤6中所述的需要当成发出警告的识别结果包括：
(1)识别出变电站内作业人员未佩戴安全帽；(2)识别出作业人员走错操作间隔；
(3)识别出作业人员未带绝缘手套验电；(4)识别出作业人员使用万能解锁钥匙解锁。
步骤1中的身份识别可以有效监督是否存在违规替代作业人员的行为；步骤2中的程序使得现场监控人员可以利用手持式平板电脑代替传统的纸质操作票或工作票；步骤7中所述的识别和评价结果不仅支持实时可视化展示，还支持结果的存储和回查，可以让现场监控人员方便地回查违规操作图像的识别结果；步骤8中所述的现场监控人员确认评价结果并选择进入下一步骤或结束本次操作，可以有效规范作业人员的操作步骤和行为，有效杜绝跳项、漏项等违章操作
参照图4，本发明的基于深度学习的变电站作业现场安全监督与评价可穿戴装置，包括：
(1)智能视觉终端401：该智能视觉终端主要由嵌入式人工智能计算芯片4011、微控制单元4012、通信模块4013、报警模块4014和可见光摄像头4015组成。智能视觉终端被设计为可穿戴式，佩戴在监护人员胸前，用于采集和处理视频数据、识别并判断作业人员的操作行为是否符合安全规范，若有异常当场发出告警，并将视频识别和评价结果传给手持式平板电脑。
(2)手持式平板电脑402：手持式平板电脑采用Android操作系统，与智能视觉终端通过Wi-Fi或蓝牙无线通讯网络连接。APP程序采用HTML5混合开发框架，基于html、js等语言开发，APP主要设置了身份验证4021、实时监控4022、操作票管理4023三个功能模块。身份验证功能模块用于监控人员和现场作业人员的身份验证；实时监控功能模块用于实时可视化展示智能视觉终端传回的判断处理结果；操作票管理功能模块用于操作票的读取、存储、展现和确认，并支持对违规操作图像识别结果的回查。
Claims (6)
1.一种基于深度学习的变电站作业现场监测方法，其特征在于：包括如下步骤：
步骤1：现场监控人员和作业人员分别通过人脸识别或指纹识别进行身份验证，进入变电站作业现场监测程序；
步骤2：现场监控人员从APP程序中调出待执行的操作票，选择并确认第一个操作步骤，开始执行监测工作；
步骤3：摄像头采集现场作业视频文件，并把视频文件逐帧转换为RGB图像；
步骤4：加载改进的深度神经网络YOLO-V3，所述改进的深度神经网络YOLO-V3改进方法为：(1)依据实际安监场景所需识别标签数量与COCO数据集80类进行对比，对特征提取网络的深度进行压缩；(2)依据实际安监场景所需识别标签数量与COCO数据集80类进行对比，对分类网络的深度进行按比例压缩；(3)权重轻量化采用混合精度训练，将权重数据以FP32和FP16两种格式进行组合训练；
步骤5：输入图像，对设备和标识进行自动识别，并判断作业人员的操作行为是否符合安全规范；
步骤6：根据识别和判断结果，当场发出警告并给出评价结果；
步骤7：将识别和评价结果实时可视化地展现给现场监控人员；
步骤8：现场监控人员确认评价结果并选择进入下一步骤或结束本次操作。
2.根据权利要求1所述的基于深度学习的变电站作业现场监测方法，其特征在于：所述步骤4中改进的深度神经网络YOLO-V3的训练方法如下：
(1)采用旋转、裁剪、尺度变换等方法对原始图像样本进行扩充；
(2)设置并优化深度神经网络的超参数；
(3)使用多块GPU并行计算，以加快深度神经网络的训练速度；
(4)采用模型剪枝方法针对已训练完成的权重参数进行排序，直接裁剪权重小的卷积层，并进行微调训练。
3.根据权利要求1所述的基于深度学习的变电站作业现场监测方法，其特征在于：所述步骤6中的识别结果包括识别出变电站内作业人员未佩戴安全帽；识别出作业人员走错操作间隔；识别出作业人员未带绝缘手套验电；识别出作业人员使用万能解锁钥匙解锁。
4.根据权利要求1所述的基于深度学习的变电站作业现场监测方法，其特征在于：所述步骤1中APP程序采用HTML5混合开发框架，基于html或is语言开发，包括身份验证、实时监控和操作票管理三个功能模块；作为监护人员的操作界面和智能视觉终端处理结果的展示界面，用于现场监控人员和作业人员的身份验证，操作票的读取、存储、展现和确认，智能视觉终端处理结果的存储、实时展示和回查。
5.一种基于深度学习的变电站作业现场监测装置，其特征在于：为可穿戴式，包括智能视觉终端和手持式平板电脑，智能视觉终端和手持式平板电脑通过Wi-Fi或蓝牙无线通讯网络连接。
6.根据权利要求5所述的基于深度学习的变电站作业现场监测装置，其特征在于：所述智能视觉终端包括嵌入式人工智能计算芯片、微控制单元、通信模块、报警模块和可见光摄像头，为可穿戴式；用于采集和处理视频数据、识别并判断作业人员的操作行为是否符合安全规范，若有异常当场发出告警，并将视频识别和评价结果传给手持式平板电脑并将识别和评价结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910513300.2A CN110321809A (zh) | 2019-06-13 | 2019-06-13 | 一种基于深度学习的变电站作业现场监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910513300.2A CN110321809A (zh) | 2019-06-13 | 2019-06-13 | 一种基于深度学习的变电站作业现场监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110321809A true CN110321809A (zh) | 2019-10-11 |
Family
ID=68119606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910513300.2A Pending CN110321809A (zh) | 2019-06-13 | 2019-06-13 | 一种基于深度学习的变电站作业现场监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321809A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160523A (zh) * | 2019-12-16 | 2020-05-15 | 上海交通大学 | 基于特征值区域的动态量化方法、系统及介质 |
| CN111275943A (zh) * | 2020-02-27 | 2020-06-12 | 中国人民解放军陆军特色医学中心 | 一种可穿戴的护理操作流程监测装置 |
| CN111325167A (zh) * | 2020-02-26 | 2020-06-23 | 中国铁路上海局集团有限公司南京动车段 | 一种基于深度学习技术的巡检作业评价方法 |
| 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 |
| CN111445106A (zh) * | 2020-03-02 | 2020-07-24 | 国网辽宁省电力有限公司电力科学研究院 | 一种用电采集设备故障处理作业现场安全控制方法及系统 |
| CN112347889A (zh) * | 2020-10-29 | 2021-02-09 | 广东电网有限责任公司电力科学研究院 | 一种变电站作业行为辨识方法及装置 |
| CN112348306A (zh) * | 2020-09-09 | 2021-02-09 | 北京华商三优新能源科技有限公司 | 一种面向配电运检中的TitanOS人工智能开发方法及装置 |
| 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 |
| CN112507945A (zh) * | 2020-12-18 | 2021-03-16 | 南方电网电力科技股份有限公司 | 作业人员行为管控方法、装置、电子设备及存储介质 |
| CN112532920A (zh) * | 2020-10-28 | 2021-03-19 | 深圳英飞拓科技股份有限公司 | 一种工地系统智能化监控实现方法及系统 |
| 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 |
| CN113033393A (zh) * | 2021-03-24 | 2021-06-25 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控系统及方法 |
| CN113204223A (zh) * | 2021-07-05 | 2021-08-03 | 广东电网有限责任公司佛山供电局 | 一种变电站一次设备的调度系统及其调度方法 |
| CN113450535A (zh) * | 2021-06-03 | 2021-09-28 | 国网湖北省电力有限公司检修公司 | 一种电力现场作业安全管控装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145789A (zh) * | 2018-08-09 | 2019-01-04 | 炜呈智能电力科技（杭州）有限公司 | 供电系统安全作业保障方法及系统 |
| CN109409309A (zh) * | 2018-11-05 | 2019-03-01 | 电子科技大学 | 一种基于人体检测的智能报警系统和方法 |
-
2019
- 2019-06-13 CN CN201910513300.2A patent/CN110321809A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145789A (zh) * | 2018-08-09 | 2019-01-04 | 炜呈智能电力科技（杭州）有限公司 | 供电系统安全作业保障方法及系统 |
| CN109409309A (zh) * | 2018-11-05 | 2019-03-01 | 电子科技大学 | 一种基于人体检测的智能报警系统和方法 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111160523B (zh) * | 2019-12-16 | 2023-11-03 | 上海交通大学 | 基于特征值区域的动态量化方法、系统及介质 |
| CN111160523A (zh) * | 2019-12-16 | 2020-05-15 | 上海交通大学 | 基于特征值区域的动态量化方法、系统及介质 |
| CN111325167A (zh) * | 2020-02-26 | 2020-06-23 | 中国铁路上海局集团有限公司南京动车段 | 一种基于深度学习技术的巡检作业评价方法 |
| CN111275943A (zh) * | 2020-02-27 | 2020-06-12 | 中国人民解放军陆军特色医学中心 | 一种可穿戴的护理操作流程监测装置 |
| CN111445106A (zh) * | 2020-03-02 | 2020-07-24 | 国网辽宁省电力有限公司电力科学研究院 | 一种用电采集设备故障处理作业现场安全控制方法及系统 |
| CN111445106B (zh) * | 2020-03-02 | 2023-12-01 | 国网辽宁省电力有限公司电力科学研究院 | 一种用电采集设备故障处理作业现场安全控制方法及系统 |
| 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 |
| CN112348306A (zh) * | 2020-09-09 | 2021-02-09 | 北京华商三优新能源科技有限公司 | 一种面向配电运检中的TitanOS人工智能开发方法及装置 |
| CN112532920A (zh) * | 2020-10-28 | 2021-03-19 | 深圳英飞拓科技股份有限公司 | 一种工地系统智能化监控实现方法及系统 |
| CN112347889B (zh) * | 2020-10-29 | 2024-04-05 | 广东电网有限责任公司电力科学研究院 | 一种变电站作业行为辨识方法及装置 |
| CN112347889A (zh) * | 2020-10-29 | 2021-02-09 | 广东电网有限责任公司电力科学研究院 | 一种变电站作业行为辨识方法及装置 |
| 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 |
| CN112507945A (zh) * | 2020-12-18 | 2021-03-16 | 南方电网电力科技股份有限公司 | 作业人员行为管控方法、装置、电子设备及存储介质 |
| CN113033393B (zh) * | 2021-03-24 | 2022-09-30 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控系统及方法 |
| CN113033393A (zh) * | 2021-03-24 | 2021-06-25 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控系统及方法 |
| CN113450535A (zh) * | 2021-06-03 | 2021-09-28 | 国网湖北省电力有限公司检修公司 | 一种电力现场作业安全管控装置 |
| CN113204223A (zh) * | 2021-07-05 | 2021-08-03 | 广东电网有限责任公司佛山供电局 | 一种变电站一次设备的调度系统及其调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321809A (zh) | 一种基于深度学习的变电站作业现场监测方法及装置 | |
| CN110674772B (zh) | 电力作业现场智能安全管控辅助系统及方法 | |
| CN211741994U (zh) | 一种电网现场作业安全风险的识别监控装置 | |
| CN110795989A (zh) | 一种电力作业智能安全监督系统及其监督方法 | |
| CN113627897B (zh) | 现场作业人员安全的管控方法和装置及存储介质 | |
| CN104915600B (zh) | 一种Android应用程序安全风险评估方法与装置 | |
| CN211509189U (zh) | 电力作业现场监督设备及系统 | |
| CN111611439A (zh) | 消防安全监测方法、装置、计算机设备和存储介质 | |
| CN110599735A (zh) | 一种基于变电站作业违章行为智能识别的告警方法 | |
| CN113050478A (zh) | 一种变电站施工人员作业状态监测及预警的方法 | |
| CN112911017A (zh) | 基于智能互联网的作业人员安全状态风险管控系统 | |
| CN115567690A (zh) | 一种自动识别现场作业危险点的智慧监控系统 | |
| CN113506416A (zh) | 一种基于智能视觉分析的工程异常预警方法及系统 | |
| CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
| CN113922502B (zh) | 一种智能视频运维管理系统及管理方法 | |
| CN110414812A (zh) | 一种安全风险管理可视化监测预警系统 | |
| CN113743725B (zh) | 基于边缘计算的登高作业人员的登高资质检测方法及系统 | |
| CN111510685A (zh) | 一种基于三维模型的信息输出方法及装置 | |
| CN114462882B (zh) | 一种基于物联网技术的水利施工用安全防护系统 | |
| CN106778051A (zh) | 一种基于国产cpu的哨位健康监测系统 | |
| CN110751125A (zh) | 穿戴检测方法及装置 | |
| CN115022598A (zh) | 水电安全人工智能视频监控系统 | |
| CN112507794A (zh) | 一种基于人工智能的校园安全防控装置及系统 | |
| Zhu et al. | Analysis on cognitive behaviors and prevention of human errors of coalmine hoist drivers | |
| Menghao et al. | Research on the Application of Artificial Intelligence Technology in Safety Control of Electric Power Operation Site |
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: 20191011 |
|
| RJ01 | Rejection of invention patent application after publication |