CN110543809A - 一种电力作业现场风险监管入侵视频识别方法 - Google Patents
一种电力作业现场风险监管入侵视频识别方法 Download PDFInfo
- Publication number
- CN110543809A CN110543809A CN201910549007.1A CN201910549007A CN110543809A CN 110543809 A CN110543809 A CN 110543809A CN 201910549007 A CN201910549007 A CN 201910549007A CN 110543809 A CN110543809 A CN 110543809A
- Authority
- CN
- China
- Prior art keywords
- electric power
- operation site
- power operation
- point
- area
- 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 29
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000009545 invasion Effects 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 230000006399 behavior Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
Abstract
本发明涉及一种电力作业现场风险监管入侵视频识别方法,属于基于AI的电网生产管理安全作业管控关键技术,主要针对电力作业现场的入侵行为进行识别,识别准确率高,能实现自动监控,无人值守。该方法主要包括如下步骤:步骤1:背景模型初始化;步骤2:前进检测;步骤3:模型更新;步骤4:形态学滤波;步骤5:目标区域获取;步骤6:区域模块匹配;步骤7:标记非工作人员入侵区域。本发明所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。
Description
技术领域
本发明涉及基于AI的电网生产管理安全作业管控关键技术,具体涉及一种电力作业现场风险监管入侵视频识别方法。
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。通过在复杂的变电站背景下,针对视频中的入侵行为进行识别分析,可以及时提醒工作人员关注视频画面,从而真正做到自动监控,无人值守。
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,为了实现视频入侵行为的自动识别,需要从两个层面上对图像进行处理:视频处理底层,背景模型建立与更新以及运动目标的检测与跟踪;视频处理的高层,即入侵目标行为的分析。本系统中,本发明主要针对非工作人员入侵行为进行识别,识别准确率高,能实现自动监控,无人值守。
发明内容
本发明所要解决的技术问题是提供一种电力作业现场风险监管入侵视频识别方法,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。。
为解决上述问题,本发明所采取的技术方案是:
一种电力作业现场风险监管入侵视频识别方法,利用ViBe背景建模方法建立场景的ViBe背景模型,其包括如下步骤:
步骤1:背景模型初始化;
步骤2:前进检测;
步骤3:模型更新;
步骤4:形态学滤波;
步骤5:目标区域获取;
步骤6:区域模块匹配;
步骤7:标记非工作人员入侵区域。
作为本发明的进一步改进,所述步骤1为:
对于每一个像素点存储一个大小为N的样本集,随机选择该像素点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,...,vN}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,所述步骤2为:
记v(x)为x点处的像素值,M(x}={v1,v2,...,vN}为x处背景样本集,样本集大小为N,SR(v(x))为以x为中心、R为半径的区域,
如果x处样本集中的像素值包含在x为中心、R为半径的区域内个数大于最小值,如公式:
#{SR(v(x))∩{v1,v2,...,vN}}≥#min
所示,则判断x属于背景点,否则为前景点。
作为本发明的进一步改进,所述步骤3的模型更新包括如下步骤:
(1)更新每一个背景点的模型样本值,同时更新每一个背景点相邻点的模型样本值;
(2)当前景点计数达到临界值时将其变为背景,更新其模型样本值。
(3)选择要替换的样本集中的样本值,并随机选取一个样本值进行更新。
作为本发明的进一步改进,所述步骤4的形态学滤波包括如下步骤:
(1)利用连通域分析获得前景区域的外接矩形框;
(2)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,Rw、Rh分别为矩形的宽和高,要求其必须满足以下条件:
Min<Rw×Rh<Max
作为本发明的进一步改进,所述步骤5为前景区域经过形态学滤波后得到候选目标区域。
作为本发明的进一步改进,所述步骤6为利用区域信息,将目标区域同相应的背景区域进行模板匹配。
作为本发明的进一步改进,所述匹配方法采用标准相关系数匹配,匹配结果小于阈值Rth,则最终判断为非工作人员
作为本发明的进一步改进,所述步骤7为对非工作人员入侵区域画框标记,并记录入侵区域位置信息。
采用上述技术方案所产生的有益效果在于:
本发明所述的电力作业现场风险监管入侵视频识别方法,尤其对于入侵行为进行识别,识别准确率高,能实现自动监控,无人值守。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是本发明实的方案流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对发明进行清楚、完整的描述。
一种电力作业现场风险监管入侵视频识别方法,利用ViBe背景建模方法,建立场景的背景模型。在ViBe模型中,背景模型为每个背景点存储了一个样本集,然后将每一个新的像素值和样本集进行比较来判断是否属于背景点。如果一个新的观察值属于背景点,那么它应该和样本集中的采样值比较接近。利用背景模型进行运动前景的检测,得到前景像素点集,最后利用连通域分析,获得目标区域,然后经过模板匹配,判断该目标属于非工作人员的入侵行为,并输出报警信号。
该识别方法包括如下步骤:步骤1:背景模型初始化;步骤2:前进检测;步骤3:模型更新;步骤4:形态学滤波;步骤5:目标区域获取;步骤6:区域模块匹配;步骤7:标记非工作人员入侵区域。
所述步骤1为:对于每一个像素点存储一个大小为N的样本集,随机选择该像素点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,...,vN}为x处背景样本集,样本集大小为N。
所述步骤2为:记v(x)为x点处的像素值,M(x)={v1,v2,...,vN}为x处背景样本集,样本集大小为N,SR(v(x))为以x为中心、R为半径的区域,如果x处样本集中的像素值包含在x为中心、R为半径的区域内个数大于最小值,如公式:
#{SR(v(x))∩{v1,v2,...,vN}}≥#min
所示,则判断x属于背景点,否则为前景点。
所述步骤3的模型更新包括如下步骤:(1)更新每一个背景点的模型样本值,同时更新每一个背景点相邻点的模型样本值;(2)当前景点计数达到临界值时将其变为背景,更新其模型样本值。选择要替换的样本集中的样本值,并随机选取一个样本值进行更新。
所述步骤4的形态学滤波包括如下步骤:(1)利用连通域分析获得前景区域的外接矩形框;(2)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,Rw、Rh分别为矩形的宽和高,要求其必须满足以下条件:
Min<Rw×Rh<Max
所述步骤5为前景区域经过形态学滤波后得到候选目标区域。所述步骤6为利用区域信息,将目标区域同相应的背景区域进行模板匹配。所述匹配方法采用标准相关系数匹配,匹配结果小于阈值Rth,则最终判断为非工作人员
所述步骤7为对非工作人员入侵区域画框标记,并记录入侵区域位置信息。
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 (9)
1.一种电力作业现场风险监管入侵视频识别方法,利用ViBe背景建模方法建立场景的ViBe背景模型,其特征在于,其包括如下步骤:
步骤1:背景模型初始化;
步骤2:前进检测;
步骤3:模型更新;
步骤4:形态学滤波;
步骤5:目标区域获取;
步骤6:区域模块匹配;
步骤7:标记非工作人员入侵区域。
2.根据权利要求1所述的一种电力作业现场风险监管入侵视频识别方法,其特征在于,所述步骤1为:
对于每一个像素点存储一个大小为N的样本集,随机选择该像素点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,...,vN}为x处背景样本集,样本集大小为N。
3.根据权利要求1所述的一种电力作业现场风险监管入侵视频识别方法,其特征在于,所述步骤2为:
记v(x)为x点处的像素值,M(x)={v1,v2,...,vN}为x处背景样本集,样本集大小为N,SR(v(x))为以x为中心、R为半径的区域;
如果x处样本集中的像素值包含在x为中心、R为半径的区域内个数大于最小值,如公式:
#{SR(v(x))∩{v1,v2,...,vN}}≥#min
所示,则判断x属于背景点,否则为前景点。
4.根据权利要求1所述的一种电力作业现场风险监管入侵视频识别方法,其特征在于,所述步骤3包括如下步骤:
(1)更新每一个背景点的模型样本值,同时更新每一个背景点相邻点的模型样本值;
(2)当前景点计数达到临界值时将其变为背景,更新其模型样本值;
(3)选择要替换的样本集中的样本值,并随机选取一个样本值进行更新。
5.根据权利要求1所述的一种电力作业现场风险监管入侵视频识别方法,其特征在于:所述步骤4包括如下步骤:
(1)利用连通域分析获得前景区域的外接矩形框;
(2)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,Rw、Rh分别为矩形的宽和高,要求其必须满足以下条件:
Min<Rw×Rh<Max
6.根据权利要求5所述的一种电力作业现场风险监管入侵视频识别方法,其特征在于:所述步骤5为前景区域经过形态学滤波后得到候选目标区域。
7.根据权利要求1所述的一种电力作业现场风险监管入侵视频识别方法,其特征在于:所述步骤6为利用区域信息,将目标区域同相应的背景区域进行模板匹配。
8.根据权利要求7所述的一种电力作业现场风险监管入侵视频识别方法,其特征在于:所述匹配方法采用标准相关系数匹配,匹配结果小于阈值Rth,,则最终判断为非工作人员
9.根据权利要求1所述的一种电力作业现场风险监管入侵视频识别方法,其特征在于:所述步骤7为对非工作人员入侵区域画框标记,并记录入侵区域位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549007.1A CN110543809A (zh) | 2019-06-24 | 2019-06-24 | 一种电力作业现场风险监管入侵视频识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549007.1A CN110543809A (zh) | 2019-06-24 | 2019-06-24 | 一种电力作业现场风险监管入侵视频识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543809A true CN110543809A (zh) | 2019-12-06 |
Family
ID=68709740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910549007.1A Pending CN110543809A (zh) | 2019-06-24 | 2019-06-24 | 一种电力作业现场风险监管入侵视频识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543809A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200014A (zh) * | 2020-09-16 | 2021-01-08 | 中国石油大学(华东) | 一种基于somd的室外电力场景下异物入侵检测算法 |
CN112532919A (zh) * | 2020-10-27 | 2021-03-19 | 许继集团有限公司 | 一种电力现场作业远程可视化监视方法及系统 |
CN117557108A (zh) * | 2024-01-10 | 2024-02-13 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 电力作业风险智能识别模型的训练方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013178172A1 (zh) * | 2012-08-30 | 2013-12-05 | 中兴通讯股份有限公司 | 一种监控视频摘要的方法及装置 |
CN105427303A (zh) * | 2015-11-18 | 2016-03-23 | 江苏省电力公司检修分公司 | 一种变电站遗留物的视觉测量与估计方法 |
CA2874715A1 (en) * | 2014-12-15 | 2016-06-15 | Ibm Canada Limited - Ibm Canada Limitee | Dynamic video and sound adjustment in a video conference |
US20170169574A1 (en) * | 2015-12-10 | 2017-06-15 | Microsoft Technology Licensing, Llc | Motion detection of object |
CN109685827A (zh) * | 2018-11-30 | 2019-04-26 | 南京理工大学 | 一种基于dsp的目标检测与跟踪方法 |
-
2019
- 2019-06-24 CN CN201910549007.1A patent/CN110543809A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013178172A1 (zh) * | 2012-08-30 | 2013-12-05 | 中兴通讯股份有限公司 | 一种监控视频摘要的方法及装置 |
CA2874715A1 (en) * | 2014-12-15 | 2016-06-15 | Ibm Canada Limited - Ibm Canada Limitee | Dynamic video and sound adjustment in a video conference |
CN105427303A (zh) * | 2015-11-18 | 2016-03-23 | 江苏省电力公司检修分公司 | 一种变电站遗留物的视觉测量与估计方法 |
US20170169574A1 (en) * | 2015-12-10 | 2017-06-15 | Microsoft Technology Licensing, Llc | Motion detection of object |
CN109685827A (zh) * | 2018-11-30 | 2019-04-26 | 南京理工大学 | 一种基于dsp的目标检测与跟踪方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200014A (zh) * | 2020-09-16 | 2021-01-08 | 中国石油大学(华东) | 一种基于somd的室外电力场景下异物入侵检测算法 |
CN112532919A (zh) * | 2020-10-27 | 2021-03-19 | 许继集团有限公司 | 一种电力现场作业远程可视化监视方法及系统 |
CN117557108A (zh) * | 2024-01-10 | 2024-02-13 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 电力作业风险智能识别模型的训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
CN110543809A (zh) | 一种电力作业现场风险监管入侵视频识别方法 | |
CN114373245B (zh) | 基于数字化电厂的智能巡检系统 | |
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
CN111932709A (zh) | 一种基于ai识别实现加油站巡检作业违规安全监管的方法 | |
CN112115927A (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
CN112112629A (zh) | 一种钻井作业过程中的安全业务管理系统和方法 | |
CN116091901A (zh) | 一种基于监控设备故障诊断分析的运维管理平台 | |
CN111476083A (zh) | 一种电力员工安全帽佩戴自动识别方法 | |
CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
CN109345787A (zh) | 一种基于智能图像识别技术的输电线路防外损监控报警系统 | |
CN109001210B (zh) | 一种人防门密封胶条老化龟裂检测系统及方法 | |
CN113536440B (zh) | 一种基于bim运维管理系统的数据处理方法 | |
CN113297913B (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
CN112532927A (zh) | 一种施工现场智能安全管控系统 | |
CN115574945B (zh) | 一种矿热炉巡检机器人控制系统及方法 | |
CN111353465A (zh) | 基于深度学习技术的变电站人员行为分析方法及系统 | |
CN114330477A (zh) | 一种基于混合现实设备的电力设备缺陷检测系统及方法 | |
CN117911953A (zh) | 一种人工智能电力作业风险监管识别系统及方法 | |
CN117424988B (zh) | 一种用于智能化管理焊机的图像处理系统和处理方法 | |
CN114219999B (zh) | 结构外挂装饰板防脱落机器视觉自动监测方法及系统 | |
CN117726966A (zh) | 一种基于人工智能的视频巡检方法及终端 | |
Liu et al. | Detection of Drainage Well Cover Blockage Based on Machine Vision |
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 |