CN110769195B - 输电线路施工现场违章智能监控识别系统 - Google Patents
输电线路施工现场违章智能监控识别系统 Download PDFInfo
- Publication number
- CN110769195B CN110769195B CN201910971356.2A CN201910971356A CN110769195B CN 110769195 B CN110769195 B CN 110769195B CN 201910971356 A CN201910971356 A CN 201910971356A CN 110769195 B CN110769195 B CN 110769195B
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- transmission line
- power transmission
- identification
- video
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 238000007405 data analysis Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 230000003068 static effect Effects 0.000 claims description 27
- 230000009471 action Effects 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 abstract description 17
- 230000006399 behavior Effects 0.000 abstract description 10
- 238000000034 method Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 241000272525 Anas platyrhynchos Species 0.000 description 7
- 241000283973 Oryctolagus cuniculus Species 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011555 rabbit model Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 241000272522 Anas Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种输电线路施工现场违章智能监控识别系统，属于电力施工技术领域，包括数据分析平台和向数据分析平台提供连续视频流的视频采集设备。所述视频采集设备包括两个以上的摄像头；所述数据分析平台包括图像采集模块、图像分割模块、物体检测模块、视频采集模块、视频分类模块和隐患识别模型库；所述数据分析平台用于通过根据输电线路外部隐患识别模型判断所述视频采集设备提供的连续视频流中是否出现符合隐患特征的异常视频流。本发明通过该模型识别出基建现场常见的一些违章行为及隐患，并通过持续训练，不断提升识别准确率，及时处理潜在危险，确保现场安全。
Description
技术领域
本发明属于电力施工技术领域，尤其涉及一种用于输电线路施工现场违章智能监控识别的电子系统。
背景技术
目前输电线路施工现场等基建高风险作业现场基本上能保证视频监控系统全覆盖，但针对大范围内施工作业点，一方面，人工审核是否存在违章作业行为工作量极大，同时该项工作也受到工作经验和责任心等主观因素影响，另一方面，现场人员检查和人工审核监控视频存在一些不能及时发现的隐患，如不能及时发现现场不带安全帽、抽烟及其他违章作业行为。
百度EasyDL是一种定制化图像识别的训练和服务平台，支持训练7类模型：图像分类，识别一张图中是否是某类物体/状态/场景。可以识别图片中主体单一的场景；物体检测，在一张图包含多个物体的情况下，定制识别出每个物体的位置、数量、名称。可以识别图片中有多个主体的场景；图像分割，对比物体检测，支持用多边形标注训练数据，模型可像素级识别目标。适合图中有多个主体、需识别其位置或轮廓的场景；文本分类，基于自建分类体系的机器学习方法，可实现文本自动分类；声音分类，识别出当前音频是哪种声音，或者是什么状态/场景的声音；视频分类，分析短视频的内容，识别出视频内人体行为动作，环境变化，或是物体位置/状态变化，现有技术中尚未有使用EasyDL等图像识别训练和服务平台解决输电线路施工现场违章监控识别的技术方案。
发明内容
本发明目的在于提供一种输电线路施工现场违章智能监控识别系统，用于及时发现施工现场不带安全帽、抽烟及其他违章作业行为，及时处理潜在危险，确保现场安全。
本发明提供的技术方案为：一种输电线路施工现场违章智能监控识别系统，包括数据分析平台和向数据分析平台提供连续视频流的视频采集设备，所述视频采集设备包括两个以上的全景摄像头；所述数据分析平台包括图像采集模块、图像分割模块、物体检测模块、视频采集模块和视频分类模块。
上述技术方案第一方面的改进在于，包括现场联动预警设备，所述数据分析平台包括与所述现场联动预警设备通讯连接的通知单元。
上述技术方案第二方面的改进在于，所述数据分析平台用于生成输电线路外部隐患识别模型。
上述各方案的进一步改进在于，所述输电线路外部隐患识别模型包括场景识别单元、设备识别单元、标识识别单元、人体识别单元、动作识别单元和隐患识别模型集，所述隐患识别模型集是隐患识别模型库的一个子集。
上述技术方案第三方面的改进在于，所述数据分析平台通过所述视频采集设备提供的连续视频流建立或者修改隐患识别模型库。
上述各技术方案的进一步改进在于，所述异常数据流至少包含一张静态图片的数据；所述连续视频流中每张静态图片之间的最小时间间隔小于1s。
上述技术方案第四方面的改进在于，所述视频采集设备包括设在一个监控点的三个摄像头，所述三个摄像头同时向所述数据分析平台提供该监控点的连续视频流。在第四方面的一些优选实施例中，所述三个摄像头呈直角三角形部署。在第四方面的另一些优选实施例中，所述摄像头为全景摄像头。
本发明技术方案及改进的技术方案带来的有益效果为：通过图像采集模块、图像分割模块、物体检测模块、视频采集模块和视频分类模块训练获取输电线路外部隐患识别模型，通过该模型识别出基建现场常见的一些违章行为及隐患，并通过持续训练，不断提升识别准确率。
附图说明
图1为本发明实施例的输电线路施工现场违章智能监控识别系统中异常视频流判断过程的数据流示意图；
图2为本发明实施例的输电线路施工现场违章智能监控识别系统中异常视频流输出结果的数据流示意图；
图3为本发明实施例中摄像头的部署示意图；
其中，1、摄像头，2、监控点。
具体实施方式
首先需要说明的是，本发明中图像采集模块、图像分割模块、物体检测模块、视频采集模块和视频分类模块等功能模块可以为网络深度学习API调用模块或者本地深度学习API调用模块，调用的深度学习系统包括EasyDL等网络服务平台或者Tensorflow、Theano、Keras、Caffe等可以本地部署的深度学习框架，其工作原理是通过调用深度学习系统创建识别模型、训练识别模型、校验识别模型以及调用识别模型对数据进行分析并得出分析结果。作为一个例子，如为了识别一张静态图片的动物是鸭还是兔，需要在深度学习系统中建立鸭模型和兔模型，然后向深度学习系统提供大量包含鸭的静态图片用于训练鸭模型，提供大量包含兔的静态图片作为训练素材用于训练兔模型，当训练特征值收敛后得到可使用的鸭模型和兔模型。一方面的，当使用单模型识别时，可以设置识别阈值，如仅调用兔模型识别当前未知静态图片，当为兔的概率大于60%时，输出该图片识别及过为兔，否则不为兔；另一方面，为了提供更全面准确的识别，可以分别调用鸭模型和兔模型对一张未知静态图片进行识别，当调用结果分析该图片为鸭的概率大于兔时，则输出结果为鸭，反之输出结果为兔。同样的，一个识别模型也可以是基于视频的，一段视频可以认为是包含时序信息的多张静态图片的连续识别，而时序信息也会作为识别模型的一个特征量参与深度学习，如识别手语、唇语等固定动作逻辑。
本发明的核心精神的第一方面是构建了一个隐患识别模型库，包括多个隐患识别模型，每个隐患识别模型通过以下方式获得，搜集整理符合一个隐患特征的多张静态图片或者多个短视频，调用深度学习系统API建立该隐患特征的隐患识别模型，每个隐患特征可以是“抽烟”、“未保持安全距离”等具有具体意义的特征，也可以是通过大量搜集同一类事故现场事故前的图片或者视频得到包含多种事故可能性但均非直接原因的图形隐患特征，如体现故障前设备位置和人员移动方向的图片或者视频，则生成的隐患识别模型为该类事故现场的一个隐患识别模型。每个隐患识别模型具有唯一的隐患编码，对应一个具体的训练素材选取标准。
本发明的核心精神的第二方面是构建了一种与现场相关的输电线路外部隐患识别模型，该识别模型包含以下几部分：场景识别单元、设备识别单元、标识识别单元、人体识别单元、动作识别单元和隐患识别模型集。其中，场景识别单元用于通过静态图片识别施工场景以便确定该施工场景对应的多个场景隐患编码，设备识别单元用于通过静态图片识别施工场景内包括的设备以便确定各个设备对应的多个设备隐患编码，标识识别单元用于通过静态图片识别出现在施工场景内的各种具有安全意义的文字或者图像标志等安全标识以便确定每个安全标识对应的标识隐患编码，人体识别单元用于通过一张或多张时间连续的静态图片识别施工现场出现的人体以便对人体定位、分析并进行进一步的人体动作识别，动作识别单元用于通过多张时间连续的静态图片识别人体动作或者设备运动以便判断人体动作或者设备运动是否符合场景隐患编码、设备隐患编码或者标识隐患编码所对应的隐患识别模型集中的隐患识别模型。
下面结合附图和实施例具体说明本发明技术方案的发明构思，以便相关技术人员理解、实施和在本发明基础上做出其他改进。
如图1、2、3所示，本实施例是一种输电线路施工现场违章智能监控识别系统，包括采集施工现场视频信息的视频采集设备和接收视频采集设备提供的连续视频流的数据分析平台，数据分析平台用于通过根据输电线路外部隐患识别模型判断所述视频采集设备提供的连续视频流中是否出现符合隐患特征的异常视频流。数据分析平台基于windows环境运行，包括图像采集模块、图像分割模块、物体检测模块、视频采集模块、视频分类模块五个功能模块和隐患识别模型库，隐患识别模型库基于百度EasyDL的深度学习训练过程的建立，隐患识别模型库中各个模型的生成平台为：硬件平台，CPU x86_64，Nvidia GPU；操作系统支持，Windows 7 64bit；环境依赖，.NET Framework 4.5，Visual C++ RedistributablePackages for Visual Studio 2013，Visual C++ Redistributable Packages forVisual Studio 2015；GPU依赖，CUDA 8.x + cuDNN 7.x；协议，HTTP。其中，图像采集模块调用EasyDL的图像分类API实现，图像分割模块调用EasyDL的图像分割API实现，物体检测模块EasyDL的物体检测API实现，视频采集模块EasyDL的和视频分类模块EasyDL的视频分类API实现。
如图3所示的俯视示意图，在矩形施工现场，根据两个区域的风险高低，在风险极值区域附近设置监控点2，每个监控点包含两个以上能够观察该监控点的摄像头1，每个监控点2的多个摄像头1同时采集该监控点附近的视频数据并通过边缘计算就地编码为视频流，作为一组时间同步的数据通过视频流中继网络存储于视频监控服务器，以便其他系统模块通过视频监控服务器提供的接口调取实时的上述视频流或者历史存储的上述视频流，实时视频流调取时的网络延时应小于1000ms。具体的，本实施例的一个方面的，每个施工现场先通过航拍获取平面地形，然后通过图像分割模块分割为多个图像区域，每个图像区域至少设有一个监控点，每个监控点设有3个呈直角三角形分布的全景摄像头，用于同步获取三组视频流，以便将三组视频流合并后获取监控点每个物体的大致位置分布，产生深度信息。该方面的一些实施例中，三个摄像头也可以不为直角三角形分布，只需在分布中满足任两个摄像头的中心距大于这两个摄像头的半焦距的和即可，另外至少有两个摄像头的水平位置不同，同时，至少有两个摄像头的垂直位置不同。该方面的一些实施例中，三个摄像头也可以不为全景摄像头，可以通过多轴旋转平台搭载的高清摄像头，通过设置的旋转轨道，在边缘计算中直接转为三组全景视频流。在一些实施例中，在一个监控点的全部可能的工作面均为同一水平面，或者同一垂直平面，或者各个工作面到达该监控点部署的摄像头中心点的差距不足以影响摄像头对隐患的信息识别时，也可以仅部署两颗摄像头，用于通过两个摄像头捕捉图像的像素差和两颗摄像头的中心距计算设备或者移动物体的空间位置，并将该信息也作为隐患识别模型的训练数据集对患识别模型进行训练。
本实施例在施工现场设置的现场联动预警设备，如广播设备，数据分析平台还包括一个通过线程、进程或者消息与各个功能模块通讯的通知单元，通知单元与现场联动预警设备通讯连接，在获取上述各个功能模块的输出结果后向现场联动预警设备推送携带输出结果信息的信号。作为本实施例的一个具体模式，各个功能模块的对异常流的判断可以是基于一个定时单元的周期性触发后的响应，也可以是如上述通知单元的对于一个事务请求的响应。作为本实施例的一个具体实施方式，所述现场联动预警设备也可以是包括移动终端的即时通讯设备，所述通知单元包括至少一个用于传输信息的通讯模块，例如，在一个没有GPRS信号或者卫星通讯设备的施工区域，可以通过在施工区域内部署微型基站，通过架设临时光纤与本系统的通知单元按照以太网协议通讯连接，现场联动预警设备是施工人员携带的手持终端，各个手持终端与微型基站无线连接后，通过光纤与通知单元通讯连接，从而实现针对性的通知，这种识别一般是根据手持终端携带者不同的外部标识进行批量识别的，如红色安全帽是监理人员，不应出现在施工地区一个未经许可的地点，如果发现盖隐患，则以应当通知指定的当日现场值班人员保证现场安全；当施工区域有多台微型基站时，还可以通过微型基站对各个手持终端进行定位，定位信息通过以太网返回本系统后，通知单元在接收到信息后，可以对摄像头识别的空间位置，结合定位信息，直接将消息推送给隐患区域方圆20米之内的人员，该模式下，微型基站与摄像头部署之间的相对位置，应当配置于本系统服务器内，用于两种定位方式的同步，以重合定位空间。
本实施例中，数据分析平台出于对于一个请求的响应，提取一段实时视频流的一个完整静态图片帧，用于生成输电线路外部隐患识别模型。
在本发明另一些实施例中，异常数据流包含两张以上的静态图片的数据，选取方式在于提取隐患发生前一个时间段内，连续或者不连续的多个静态图片，用于与动作识别单元的特征进行动作匹配，适用于对于固定设备为坐标，对经过该固定设备的包括人体在内的物体进行识别判断，如，对于吊臂下通行行为的识别过程在于，通过训练得到一个吊臂的模型，通过场景识别单元识别当前有吊臂作业的环节以及当前各个设备或者而固定物的空间位置关系，通过设备识别单元识别一个具体的固定物为吊臂，进一步定位下方这一方向，当有移动物体经过吊臂下方时，或者位于吊臂作业半径内时，通过动作识别单元对移动物体可能轨迹进行识别，如果符合隐患特征，则对该区域范围内的通过人体识别单元识别的人员进行警示通知。，
本实施例中，输电线路外部隐患识别模型包括场景识别单元、设备识别单元、标识识别单元、人体识别单元、动作识别单元和隐患识别模型集，隐患识别模型集是隐患识别模型库的一个子集。
所述数据分析平台通过所述视频采集设备提供的连续视频流建立或者修改隐患识别模型库。
所述异常数据流至少包含一张静态图片的数据。
本实施例通过以下的工作过程，实现对符合隐患特征的异常视频流的判断。
步骤100，针对一个隐患搜集相关的静态图片或者短视频，使用搜集到的静态图片或者短视频通过调用EasyDL的API接口建立该隐患的隐患识别模型，由多个隐患对应的多个隐患识别模型组成隐患识别模型；
步骤200，根据请求，截取视频流中的同一时间点的包含多个视角的静态图片组，通过该静态图片组建立一个输电线路外部隐患识别模型。当其隐患识别模型集为非空时，认为存在风险隐患，输出隐患识别模型集内隐患识别模型对应的隐患特征。
作为一个示例的，上述步骤中每个隐患对象可以对应下列描述的隐患特征：
1）跨越架拉线与网片主索道共用地锚；
2）张力机出口与绞磨未横向排列；
3）牵张机和线轴进出线方向不一致；
4）附件作业人员上下未使用软梯；
5）传递金具的挂点位置不合理；
6）人员上下同时展开作业面；
7）吊臂下方存在车辆、人员或其他杂物。
具体的，步骤100可以包括以下步骤：
步骤101，定义一个隐患对象，并建立该隐患对象的模型索引表。
步骤102，通过图像采集模块提取包含该隐患对应的异常视频流的历史视频流，标记具体的一张或者连续的多张异常图像帧，通过图像分割模块，将异常图像帧中可识别的物体分割为场景、设备、安全标识和人体，将分割后的物体图片调用物体检测模块建立与该施工场景相关的各个物体的识别模型，每个识别模型在模型索引表中分别注册自己的场景隐患编码、设备隐患编码、标识隐患编码和人体识别编码。
步骤103，视频采集模块根据人体识别编码对应的识别模型提取各个视频流中各特定人体的连续多张静态图片，将这些连续多张静态图片通过视频分类模块建立行为识别模型，将各个行为识别模型在模型索引表中注册对应的行为隐患编码。
步骤104，以每个隐患对象作为一个隐患识别模型，建立包含多个隐患识别模型的隐患识别模型库，每个隐患识别模型具有唯一标识。
以隐患对象7）为例，其模型索引表参照下表：
具体的，步骤200中可以输电线路外部隐患识别模型在建立后，如果其隐患识别模型集包括上述隐患识别模型3）和7），则认为该视频流指定时间段存在“牵张机和线轴进出线方向不一致”和“吊臂下方存在车辆、人员或其他杂物”两种隐患。
在本发明的另一些实施例中，隐患识别模型的训练，依赖于一种CNN网络，对于一个m×m像素的异常图像帧，使用一个n×n的卷积核（filter）进行卷积，得到一个特征映射（Feature Map），每一个卷积核都可以提取特定的特征，不同的卷积核提取不同的特征。所述CNN网络，至少有两个非线性可训练的卷积层，两个非线性的固定卷积层（Pooling Laye）和一个全连接层，一共至少5个隐含层。CNN中每一层的由多个Feature Map组成，每个Feature Map由多个神经单元组成，同一个Feature Map的所有神经单元共用一个卷积核（即权重），卷积核代表一个特征，比如某个卷积核代表一个设备部件，那么把这个卷积核在整个图片上滚一下，卷积值较大的区域就很有可能是该部件。卷积核在一些实施例中也称为权重，CNN中不需要单独去计算一个卷积，而是一个固定大小的权重矩阵去图像上匹配时，该操作与卷积类似。特别的，本发明提及的CNN也包括BP网络，在BP网络中卷积核是某层的所有权重，即感知区域是整个图像。权重共享策略减少了需要训练的参数，使得训练出来的模型的泛化能力更强，在使用U-net技术的BP网络中，可以得到更好的收敛效果，这种U-net中，可以包含具有残差块的残差网络，用于对同一异常图像帧的多个局部细节特征予以分析和识别，增加隐患识别的准确度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种输电线路施工现场违章智能监控识别系统，包括数据分析平台和向数据分析平台提供连续视频流的视频采集设备，其特征在于：
所述视频采集设备包括设在每个监控点的两个以上的摄像头，以便在一个时间提供同一监控点的两个以上方向的视频流；
所述数据分析平台包括图像采集模块、图像分割模块、物体检测模块、视频采集模块、视频分类模块和隐患识别模型库；所述数据分析平台，用于，根据输电线路外部隐患识别模型判断所述视频采集设备提供的各个监控点的连续视频流中是否出现符合隐患特征的异常视频流；
所述输电线路外部隐患识别模型包括场景识别单元、设备识别单元、标识识别单元、人体识别单元、动作识别单元和隐患识别模型集，所述隐患识别模型集是隐患识别模型库的一个子集；
其中，场景识别单元用于通过静态图片识别施工场景以便确定该施工场景对应的多个场景隐患编码；设备识别单元用于通过静态图片识别施工场景内包括的设备以便确定各个设备对应的多个设备隐患编码；标识识别单元用于通过静态图片识别出现在施工场景内的各种安全标识以便确定每个安全标识对应的标识隐患编码；人体识别单元用于通过一张或多张时间连续的静态图片识别施工现场出现的人体以便对人体定位、分析并进行进一步的人体动作识别；动作识别单元用于通过多张时间连续的静态图片识别人体动作或者设备运动以便判断人体动作或者设备运动是否符合场景隐患编码、设备隐患编码或者标识隐患编码所对应的隐患识别模型集中的隐患识别模型。
2.根据权利要求1所述的输电线路施工现场违章智能监控识别系统，其特征在于：包括现场联动预警设备，所述数据分析平台包括与所述现场联动预警设备通讯连接的通知单元。
3.根据权利要求1所述的输电线路施工现场违章智能监控识别系统，其特征在于：所述数据分析平台用于生成输电线路外部隐患识别模型。
4.根据权利要求1所述的输电线路施工现场违章智能监控识别系统，其特征在于：所述数据分析平台通过所述视频采集设备提供的连续视频流建立或者修改隐患识别模型库。
5.根据权利要求1所述的输电线路施工现场违章智能监控识别系统，其特征在于：所述异常视频流至少包含一张静态图片的数据。
6.根据权利要求1所述的输电线路施工现场违章智能监控识别系统，其特征在于：所述连续视频流中每张静态图片之间的最小时间间隔小于1s。
7.根据权利要求1所述的输电线路施工现场违章智能监控识别系统，其特征在于：所述视频采集设备包括设在一个监控点的三个摄像头，所述三个摄像头同时向所述数据分析平台提供该监控点的连续视频流。
8.根据权利要求7所述的输电线路施工现场违章智能监控识别系统，其特征在于：三个所述摄像头呈直角三角形部署。
9.根据权利要求7或8所述的输电线路施工现场违章智能监控识别系统，其特征在于：所述摄像头为全景摄像头。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910971356.2A CN110769195B (zh) | 2019-10-14 | 2019-10-14 | 输电线路施工现场违章智能监控识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910971356.2A CN110769195B (zh) | 2019-10-14 | 2019-10-14 | 输电线路施工现场违章智能监控识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110769195A CN110769195A (zh) | 2020-02-07 |
| CN110769195B true CN110769195B (zh) | 2021-09-07 |
Family
ID=69331981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910971356.2A Active CN110769195B (zh) | 2019-10-14 | 2019-10-14 | 输电线路施工现场违章智能监控识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110769195B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111970485A (zh) * | 2020-07-15 | 2020-11-20 | 北京华电天仁电力控制技术有限公司 | 一种基于eLTE 1.8G无线专网30可视化检修移动监控系统及方法 |
| CN112101180B (zh) * | 2020-09-10 | 2023-04-07 | 湖北烽火平安智能消防科技有限公司 | 一种人的不安全行为识别方法及系统 |
| CN112613454A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种电力基建施工现场违章识别方法及系统 |
| CN113824859B (zh) * | 2021-08-17 | 2023-04-18 | 衢州光明电力投资集团有限公司赋腾科技分公司 | 一种施工违章隐患自动识别与报警装置 |
| CN115601707B (zh) * | 2022-11-03 | 2024-01-23 | 国网湖北省电力有限公司荆州供电公司 | 电力系统输电线路在线监测方法和系统 |
| CN116977925B (zh) * | 2023-07-25 | 2024-05-24 | 广州市智慧农业服务股份有限公司 | 一种全方位智能监控的视频安全管理系统 |
| CN116883952B (zh) * | 2023-09-07 | 2023-11-17 | 吉林同益光电科技有限公司 | 基于人工智能算法的电力施工现场违章识别方法及系统 |
| CN117764540A (zh) * | 2024-02-22 | 2024-03-26 | 上海巡智科技有限公司 | 智能审核方法、审核系统、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080031491A1 (en) * | 2006-08-03 | 2008-02-07 | Honeywell International Inc. | Anomaly detection in a video system |
| CN101778262A (zh) * | 2010-02-10 | 2010-07-14 | 南京航空航天大学 | 一种输电线路防外力破坏智能视频监控系统 |
| CN103108159B (zh) * | 2013-01-17 | 2017-02-22 | 国家电网公司 | 一种电力智能视频分析监控系统和方法 |
| CN103645691A (zh) * | 2013-11-28 | 2014-03-19 | 青岛海尔软件有限公司 | 具有报警功能的基于Android平台的家居监控系统 |
| CN107679495B (zh) * | 2017-10-09 | 2020-08-07 | 济南大学 | 一种输电线路周边活动工程车辆的检测方法 |
| 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 |
-
2019
- 2019-10-14 CN CN201910971356.2A patent/CN110769195B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110769195A (zh) | 2020-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110769195B (zh) | 输电线路施工现场违章智能监控识别系统 | |
| CN112216049B (zh) | 一种基于图像识别的施工警戒区监测预警系统及方法 | |
| CN110197128A (zh) | 基于边缘计算与云端统筹的人脸识别架构设计方法 | |
| CN109255288A (zh) | 一种路面破损检测方法、装置及终端设备 | |
| CN112258573B (zh) | 抛出位置获取方法、装置、计算机设备及存储介质 | |
| CN103067514B (zh) | 用于视频监控分析系统的云计算资源优化的方法和系统 | |
| CN105915853A (zh) | 基于红外感知的远程无人定损方法及系统 | |
| CN104902233B (zh) | 综合安全监控系统 | |
| CN110516518A (zh) | 一种非机动车违法载人检测方法、装置及电子设备 | |
| CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
| CN106371603A (zh) | 基于位置服务和增强现实技术的角色定位捕捉方法 | |
| CN112309068B (zh) | 一种基于深度学习的森林火灾预警方法 | |
| CN111710177A (zh) | 智慧交通信号灯组网协同优化控制系统及控制方法 | |
| CN112685812A (zh) | 一种动态监管方法、装置、设备及存储介质 | |
| CN109905423A (zh) | 一种智能管理系统 | |
| CN114187543A (zh) | 一种高空电力作业场景下的安全带检测方法及系统 | |
| CN203608290U (zh) | 基于视频监控与图像分析的变电站作业管控系统 | |
| CN112906441A (zh) | 用于通信行业查勘维护的图像识别系统及方法 | |
| CN110276379A (zh) | 一种基于视频图像分析的灾情信息快速提取方法 | |
| CN113628172A (zh) | 一种人员手持武器智能检测算法及智慧城市安防系统 | |
| CN116310979B (zh) | 图像识别方法、风险管控平台及方法、安全管控平台 | |
| CN113055473A (zh) | 一种基于物联网和安全云的区域安全防控方法及系统 | |
| CN108446856A (zh) | 基于动态位置服务的风险识别系统和方法 | |
| CN115565137A (zh) | 一种基于改进YOLOv5的不安全行为检测与报警方法 | |
| CN116012939A (zh) | 违规行为的确定方法和装置、存储介质及电子装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |