CN110378908A - 一种基于视觉分析的电网作业现场违章检测方法 - Google Patents

Abstract

本发明公开了一种基于视觉分析的电网作业现场违章检测方法，属于基于AI的电网生产管理安全作业管控关键技术；本发明所述方法包括：对第一帧图像，利用ViBe方法分别建立两个背景模型B1、B2；对背景模型进行更新；前景图像获取，利用背景模型B1和B2对应像素值的差别来判断前景区域；利用连通域分析，获得前景区域的外接矩形框，根据外接矩形框的面积以及宽高比进行滤波；停留时间判断，对前景区域中像素点连续被检测为前景点的次数进行计数，计数超过阈值，判定其属于遗留物；对遗留物区域画框标记，并记录遗留物位置信息。

Description

一种基于视觉分析的电网作业现场违章检测方法

技术领域

本发明涉及注塑成型技术领域，具体为一种基于视觉分析的电网作业现场违章检测方法。

背景技术

电网作业现场类型多样，不同作业现场抢修、试验、检修过程中由不同的专业人员负责，安全无小事,安全大于天,生产安全风险管控成为电网日常工作中最重要的工作之一。然而日常工作中，工作区域范围大，作业繁杂，人员众多，而监督管理人员有限，部分工作人员自觉性不高，安全意识不够、对作业现场安全隐患麻痹大意，导致习惯性违章屡禁不止，因此很有可能在不经意间导致事故发生，威胁人员生命安全，威胁电网运行安全。

目前一般以人工现场稽查和远程视频稽查为主要手段来进行作业现场安全管控，取得一定成效，但也存在以下四点不足：

1、作业现场，尤其是配网作业现场点多面广。稽查人员有限，难以全部覆盖，往往疲于奔命，稽查效率较低。

2、稽查人员即使到现场，也是来去匆匆，无法进行作业全过程安全稽查。

3、稽查人员未必能够做到百分之百严格执法。

4、远程视频稽查实际上是另一种方式的人工稽查，完全依赖监控中心人员眼睛看。作业高峰期视频画面一多难免顾此失彼，且监控人员劳动强度大。

随着人工智能技术的发展,采用基于视觉分析和深度学习的技术已经却得了长足的进步,当前，新一轮科技革命和产业变革正在萌发，大数据的形成、理论算法的革新、计算能力的提升及网络设施的演进驱动人工智能发展进入新阶段，智能化成为技术和产业发展的重要方向。

目前，变电站视频监控中，需要工作人员不间断地进行监视，通过人为理解与判断是否发生异常，并且判断异常类别，及时做出相应决策。变电站监控的监视范围大、部署监控点多以及异常随机发生，都给变电站工作人员带来了很大的工作强度。

变电站的监控场景十分复杂，现场有大量需要监控的设备以及区域，并且存在大量干扰，作业人员的违章行为也需要进行检测，如作业人员物品遗留，属于违章行为的一种，所谓违章遗留物，首先是场景中原来没有的物体，进入场景中某一个位置，然后被遗弃，也就是停留超过一定时间，则被判定为遗留物。本发明所提供的基于视觉分析的电网作业现场违章检测方法的基本原理是先对场景进行双背景建模，两个模型分别利用不同的更新策略，利用两个背景模型的差异来获得违章遗留的区域，最后利用连通域方法标记出违章遗留的物品。

发明内容

本发明要解决的技术问题是克服现有的缺陷，提供一种实施方便、检测准确的基于视觉分析的电网作业现场违章检测方法。

为实现上述目的，本发明提供如下技术方案：

一种基于视觉分析的电网作业现场违章检测方法，所述方法包括：

对第一帧图像，利用ViBe方法分别建立两个背景模型B1、B2；

对背景模型进行更新；

前景图像获取，利用背景模型B1和B2对应像素值的差别来判断前景区域；

利用连通域分析，获得前景区域的外接矩形框，根据外接矩形框的面积以及宽高比进行滤波；

停留时间判断，对前景区域中像素点连续被检测为前景点的次数进行计数，计数超过阈值，判定其属于工作人员违章行为；

对工作人员违章行为区域画框标记，并记录工作人员违章行为位置信息。

作为本发明的进一步改进，对第一帧图像，利用ViBe方法分别建立两个背景模型B1、B2，具体通过如下方式实现：

对于每一个像素点存储一个大小为N的样本集，随机选择它的邻居点的像素值作为它的模型样本集中的值。

记v(x)为x点处的像素值，M(x)＝{v₁，v₂，...，v_N}为x处背景样本集，样本集大小为N。

作为本发明的进一步改进，对背景模型进行更新，具体通过如下方式实现：

对背景模型B₁，利用每一帧图像I对其进行更新，对背景模型B₂，每隔20帧图像，对其更新一次，更新方式相同

作为本发明的进一步改进，前景图像获取，利用背景模型B1和B2对应像素值的差别来判断前景区域，具体通过如下方式实现：

|B₁(x，y)-B₂(x，y)|＞Th则该点为前景

|B₁(x，y)-B₂(x，y)|＜Th则该点为背景。

作为本发明的进一步改进，利用连通域分析，获得前景区域的外接矩形框，根据外接矩形框的面积以及宽高比进行滤波，具体通过如下方式实现：

记R为前景区域的外接矩形，R_w、R_h分别为矩形的宽和高，要求其必须满足以下条件：

Min＜R_w×R_h＜Max

作为本发明的进一步改进，停留时间判断，对前景区域中像素点连续被检测为前景点的次数进行计数，计数超过阈值，判定其属于工作人员违章行为，具体通过如下方式实现：

其中，N_still为该像素点连续被判断为前景的次数，当N_still＞Threshold时判定物体为工作人员违章行为，其中Threshold为可调整的计时阈值。

与现有技术相比，本发明的有益效果是：先对场景进行双背景建模，两个模型分别利用不同的更新策略，利用两个背景模型的差异来获得工作人员违章行为区域，最后利用连通域方法标记出工作人员违章行为。所述检测方法有效的提高了检测率，同时减少了误报率。本发明提供的方法是基于深度人工智能的电力作业现场风险监管手段，实现作业现场高效监管,提高监管水平，降低作业安全风险。能够满足多种作业场景下的实时监控、提前预警、主动告警、融合通信的一体化安全风险管控装置和系统，结合公司安全管控平台，实现作业人员身份信息核验、实时监控、风险预警、联合管理的全新安全风险管控管理模式，有效提升安全生产管理水平。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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它的附图。

图1为本发明的检测方法示意图。

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所示的一种基于视觉分析的电网作业现场违章检测方法，所述方法包括：

(1)背景模型建立

对第一帧图像，利用ViBe方法分别建立两个背景模型B1、B2，对于每一个像素点存储一个大小为N的样本集，随机选择它的邻居点的像素值作为它的模型样本集中的值。

记v(x)为x点处的像素值，M(x)＝{v₁，v₂，...，v_N}为x处背景样本集，样本集大小为N。

(2)背景模型更新

对背景模型B₁，利用每一帧图像I对其进行更新，对背景模型B₂，每隔20帧图像，对其更新一次，更新方式相同

(3)前景图像获取

利用背景模型B₁和B₂对应像素值的差别来判断前景区域

|B₁(x，y)-B₂(x，y)|＞Th则该点为前景

|B₁(x，y)-B₂(x，y)|＜Th则该点为背景。

(4)形态学滤波

利用连通域分析，获得前景区域的外接矩形框，根据外接矩形框的面积以及宽高比进行滤波，记R为前景区域的外接矩形，R_w、R_h分别为矩形的宽和高，要求其必须满足以下条件：

Min＜R_w×R_h＜Max

(5)停留时间判断

对前景区域中像素点连续被检测为前景点的次数进行计数，计数超过阈值，判定其属于工作人员违章行为

其中，N_still为该像素点连续被判断为前景的次数，当N_still＞Threshold时判定物体为工作人员违章行为，其中Threshold为可调整的计时阈值。

(6)标记工作人员违章行为区域

对工作人员违章行为区域画框标记，并记录工作人员违章行为位置信息。

先对场景进行双背景建模，两个模型分别利用不同的更新策略，利用两个背景模型的差异来获得工作人员违章行为区域，最后利用连通域方法标记出工作人员违章行为。所述检测方法有效的提高了检测率，同时减少了误报率。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (6)

1.一种基于视觉分析的电网作业现场违章检测方法，其特征在于，所述方法包括：

对第一帧图像，利用ViBe方法分别建立两个背景模型B1、B2；

对背景模型进行更新；

前景图像获取，利用背景模型B1和B2对应像素值的差别来判断前景区域；

利用连通域分析，获得前景区域的外接矩形框，根据外接矩形框的面积以及宽高比进行滤波；

停留时间判断，对前景区域中像素点连续被检测为前景点的次数进行计数，计数超过阈值，判定其属于工作人员违章行为；

对工作人员违章行为区域画框标记，并记录工作人员违章行为位置信息。

2.根据权利要求1所述的一种基于视觉分析的电网作业现场违章检测方法，其特征在于，对第一帧图像，利用ViBe方法分别建立两个背景模型B1、B2，具体通过如下方式实现：

对于每一个像素点存储一个大小为N的样本集，随机选择它的邻居点的像素值作为它的模型样本集中的值。

记v(x)为x点处的像素值，M(x)＝{v₁，v₂，...，v_N}为x处背景样本集，样本集大小为N。

3.根据权利要求1所述的一种基于视觉分析的电网作业现场违章检测方法，其特征在于：对背景模型进行更新，具体通过如下方式实现：

对背景模型B₁，利用每一帧图像I对其进行更新，对背景模型B₂，每隔20帧图像，对其更新一次，更新方式相同

4.根据权利要求1所述的一种基于视觉分析的电网作业现场违章检测方法，其特征在于，前景图像获取，利用背景模型B1和B2对应像素值的差别来判断前景区域，具体通过如下方式实现：

|B₁(x，y)-B₂(x，y)|＞Th则该点为前景

|B₁(x，y)-B₂(x，y)|＜Th则该点为背景。

5.根据权利要求1所述的一种基于视觉分析的电网作业现场违章检测方法，其特征在于，利用连通域分析，获得前景区域的外接矩形框，根据外接矩形框的面积以及宽高比进行滤波，具体通过如下方式实现：

记R为前景区域的外接矩形，R_w、R_h分别为矩形的宽和高，要求其必须满足以下条件：

Min<R_w×R_h<Max

6.根据权利要求1所述的一种基于视觉分析的电网作业现场违章检测方法，其特征在于，停留时间判断，对前景区域中像素点连续被检测为前景点的次数进行计数，计数超过阈值，判定其属于工作人员违章行为，具体通过如下方式实现：

其中，N_still为该像素点连续被判断为前景的次数，当N_still＞Threshold时判定物体为工作人员违章行为，其中Threshold为可调整的计时阈值。