CN111274876B - 一种基于视频分析的调度监控方法和系统 - Google Patents
一种基于视频分析的调度监控方法和系统 Download PDFInfo
- Publication number
- CN111274876B CN111274876B CN202010022999.5A CN202010022999A CN111274876B CN 111274876 B CN111274876 B CN 111274876B CN 202010022999 A CN202010022999 A CN 202010022999A CN 111274876 B CN111274876 B CN 111274876B
- Authority
- CN
- China
- Prior art keywords
- substation equipment
- video
- state
- substation
- equipment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 230000006835 compression Effects 0.000 claims abstract description 13
- 238000007906 compression Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明的一种基于视频分析的调度监控方法和系统，采集变电站的所有状态的视频以及图像，基于卷积神经网络进行变电站设备视频信息进行特征提取，进行特征压缩和索引生成，存储至变电站设备信息数据库；提取已存储的视频目标分类检索特征，基于变电站设备视频及图像进行多源异构数据信息融合模型的构建；获取基于卷积神经网络的视频图像状态识别结果，提取变电站设备的状态运行信息，构建变电站设备状态标准库；基于构建的多源异构数据信息融合模型和变电站设备状态标准库，导入变电站设备的监控接口，进行变电站设备的实时监控。本发明通过构建多源异构数据信息融合模型，建立变电站设备监控体系，提升变电站安全运行水平和设备运维效率。
Description
技术领域
本发明涉及视频监管技术领域，具体涉及一种基于视频分析的调度监控方法和系统。
背景技术
现有的变电站设备的状态运行多是以人工进行监管和维护，如机械臂刀闸状态识别(开/合)、汇控柜(出线设备)指示灯识别、油压表、避雷器泄漏电流表、SF6压力表等设备状态为主要监控对象，相关维护人员需要投入大量精力来确保变电站的安全生产。
由于天气、光照以及季节替换等多变因素，更加增加了维护人员的工作压力，因此亟需一种能够代替人工进行变电站设备的状态巡检的技术，能够在代替维护人员工作的同时，还能够应对物理环境因素带来的影响，做到有效监控和管理。
发明内容
针对上述现有技术存在的问题，本发明提出一种基于视频分析的调度监控方法和系统来解决问题，通过构建多源异构数据信息融合模型，建立变电站设备监控体系，提升变电站安全运行水平和设备运维效率。
本发明提供的一种基于视频分析的调度监控方法，包括如下步骤：
采集变电站设备的所有状态的视频以及图像，基于卷积神经网络进行变电站设备视频信息进行特征提取，进行特征压缩和索引生成，存储至变电站设备信息数据库；
提取已存储的视频目标分类检索特征，基于变电站设备的视频以及图像进行多源异构数据信息融合模型的构建；
获取基于卷积神经网络的视频图像状态识别结果，提取变电站设备的状态运行信息，构建变电站设备状态标准库；
基于构建的多源异构数据信息融合模型和变电站设备状态标准库，导入变电站设备的监控接口，进行变电站设备的实时监控。
作为上述方案的进一步优化，所述的基于卷积神经网络进行变电站设备视频信息进行特征提取的步骤包括如下：
基于计算机视觉库进行变电站设备视频信息的帧图像截取并存储；
提取已存储的变电站设备的帧图像，进行卷积神经网络的局部范围像素感知，进行变电站设备图像的卷积层的特征内容输出；
基于卷积层的特征输出进行下采样，进行特征内容的特征降维，压缩变电站设备图像的数据和参数数量；
获取变电站设备的特征降维内容，采用激励函数进行非线性映射，将所有的特征图像进行连接并输出特征提取结果。
作为上述方案的进一步优化，所述多源异构数据信息融合模型的构建具体包括如下：
采集变电站设备的环境参数以及设备状态信息；
采用深度随机配置网络进行变电站设备的环境参数以及设备状态信息的多层面特征到输出类别的非线性映射能力；
针对变电站设备的环境参数以及设备状态信息进行集成以及融合处理。
作为上述方案的进一步优化，所述变电站设备状态标准库构建包括如下：
基于卷积神经网络进行变电站设备的任意状态的帧图像识别；
采集变电站设备的包含标准状态的帧图像以及非标准状态的帧图像进行标准库构建。
作为上述方案的进一步优化，所述变电站设备的实时监控具体包括如下：
获取变电站设备的监控视频接口，进行变电站设备的实时视频图像截图；
基于截取的视频图像采用卷积神经网络进行特征提取；
基于构建的多源异构数据信息融合模型进行视频图像导入，获取变电站设备图像的融合结果；
将变电站设备图像的融合结果数据与变电站设备状态标准库存储的数据进行匹配，针对匹配失败的变电站设备状态进行告警。
本发明还公开了一种基于视频分析的调度监控系统，包括如下步骤：
数据采集模块，用于采集变电站设备的所有状态的视频以及图像；
特征提取模块，用于基于卷积神经网络进行变电站设备视频信息进行特征提取，进行特征压缩和索引生成，存储至变电站设备信息数据库；
融合模型构建模块，用于提取已存储的视频目标分类检索特征，基于变电站设备的视频以及图像进行多源异构数据信息融合模型的构建；
标准库构建模块，用于获取基于卷积神经网络的视频图像状态识别结果，提取变电站设备的状态运行信息，构建变电站设备状态标准库；
监控模块，用于基于构建的多源异构数据信息融合模型和变电站设备状态标准库，导入变电站设备的监控接口，进行变电站设备的实时监控。
作为上述方案的进一步优化，所述的特征提取模块包括如下：
图像截取单元，用于基于计算机视觉库进行变电站设备视频信息的帧图像截取并存储；
卷积层处理单元，用于提取已存储的变电站设备的帧图像，进行卷积神经网络的局部范围像素感知，进行变电站设备图像的卷积层的特征内容输出；
池化层处理单元，用于基于卷积层的特征输出进行下采样，进行特征内容的特征降维，压缩变电站设备图像的数据和参数数量；
全连接层处理单元，用于获取变电站设备的特征降维内容，采用激励函数进行非线性映射，将所有的特征图像进行连接并输出特征提取结果。
作为上述方案的进一步优化，所述融合模型构建模块包括如下：
信息采集单元，用于采集变电站设备的环境参数以及设备状态信息；
融合映射单元，用于采用深度随机配置网络进行变电站设备的环境参数以及设备状态信息的特征到输出类别的非线性映射能力，保证构建的深度随机配置网络尽可能全面地描述这些特征，获得分类判别能力强的特征表征。
融合处理单元，用于针对变电站设备的环境参数以及设备状态信息进行集成以及融合处理。。
作为上述方案的进一步优化，所述变电站设备标准库构建模块包括如下：
图像识别单元，用于基于卷积神经网络进行变电站设备的任意状态的帧图像识别；
库构建单元，用于采集变电站设备的包含标准状态的帧图像以及非标准状态的帧图像进行标准库构建。
作为上述方案的进一步优化，所述系统具体包括如下：
获取变电站设备的监控视频接口，进行变电站设备的实时视频图像截图；
基于截取的视频图像采用卷积神经网络进行特征提取；
基于构建的多源异构数据信息融合模型进行视频图像导入，获取变电站设备图像的融合结果；
将变电站设备图像的融合结果数据与变电站设备状态标准库存储的数据进行匹配，针对匹配失败的变电站设备状态进行告警。
本发明采用上述的技术方案，与现有技术相比，本发明的一种基于视频分析的调度监控方法与系统，具有以下技术效果：
1.本发明的一种基于视频分析的调度监控方法，通过采集变电站设备状态的视频及图像，进行变电站设备的特征提取，针对存储的目标分类检索特征进行多源异构数据信息融合模型的构建，再基于多源异构数据信息融合模型和变电站设备状态标准库，导入变电站设备的监控接口，进行变电站设备的实时监控，若存在异常状态则进行状态告警，提高对变电站的全程监管，减轻维护人员的工作压力。
2.本发明的一种基于视频分析的调度监控方法，通过将所变电站设备采集的多状态信息之间的不同参数综合起来，优化提升同一目标设备在不同光照、遮挡、角度等情况下的识别性能，增强了调度监控的容错性，提升变电站设备的稳定运行能力。
附图说明
图1为本发明的一种基于视频分析的调度监控方法的流程示意图；
图2为本发明的一种基于视频分析的调度监控方法的特征提取流程示意图；
图3为本发明的一种基于视频分析的调度监控方法的模型构建流程示意图；
图4为本发明的一种基于视频分析的调度监控方法的标准库构建流程示意图；
图5为本发明的一种基于视频分析的调度监控方法的另一幅流程示意图；
图6为本发明的一种基于视频分析的调度监控系统的结构框图。
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明了，下面通过附图中及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。
实施例1
如图1-6所示，本发明实施例提供了一种基于视频分析的调度监控方法，包括如下步骤：
S100，采集变电站设备的所有状态的视频以及图像，基于卷积神经网络进行变电站设备视频信息进行特征提取，进行特征压缩和索引生成，存储至变电站设备信息数据库；
具体的，所述的基于卷积神经网络进行变电站设备视频信息进行特征提取的步骤包括如下：
S110，基于计算机视觉库进行变电站设备视频信息的帧图像截取并存储；
具体的，本实施例涉及的变电站设备视频信息包括机械臂刀闸状态识别(开/合)、汇控柜(出线设备)指示灯识别、油压表、避雷器泄漏电流表、SF6压力表以及其他常用设备的状态作为监控对象；
S120，提取已存储的变电站设备的帧图像，进行卷积神经网络的局部范围像素感知，进行变电站设备图像的卷积层的特征内容输出；
S130，基于卷积层的特征输出进行下采样，进行特征内容的特征降维，压缩变电站设备图像的数据和参数数量；
S140，获取变电站设备的特征降维内容，采用激励函数进行非线性映射，将所有的特征图像进行连接并输出特征提取结果；
通过采用卷积神经网络针对变电站设备视频图像进行特征提取，有效将变电站设备以及设备的状态进行存储记录，便于用于进行后续多源异构数据信息融合模型的构建；
S200，提取已存储的视频目标分类检索特征，基于变电站设备的视频以及图像进行多源异构数据信息融合模型的构建；
具体的，所述多源异构数据信息融合模型的构建具体包括如下：
S210，采集变电站设备的环境参数以及设备状态信息；
具体的，本实施例涉及的变电站设备的环境参数包括变电站设备在不同的光照强度、光照遮光面积以及拍摄角度等其他物理影响因素；
S220，采用深度随机配置网络进行变电站设备的环境参数以及设备状态信息的多层面特征到输出类别的非线性映射能力；
S230，针对变电站设备的环境参数以及设备状态信息进行集成以及融合处理；
S300，获取基于卷积神经网络的视频图像状态识别结果，提取变电站设备的状态运行信息，构建变电站设备状态标准库；
具体的，所述变电站设备状态标准库构建包括如下：
S310，基于卷积神经网络进行变电站设备的任意状态的帧图像识别；
S320，采集变电站设备的包含标准状态的帧图像以及非标准状态的帧图像进行标准库构建；
通过构建变电站设备状态标准库，有效进行变电站任意设备的任意状态记录，包括在运行、故障、维护以及其他具备指示作用的状态信息进行存储，针对任意设备进行各状态的标准库建立，便于变电站设备的实时监控检测结果与已记录状态进行比对，减轻工作人员的工作负担；
S400，基于构建的多源异构数据信息融合模型和变电站设备状态标准库，导入变电站设备的监控接口，进行变电站设备的实时监控；
具体的，所述变电站设备的实时监控具体包括如下：
S410，获取变电站设备的监控视频接口，进行变电站设备的实时视频图像截图；
S420，基于截取的视频图像采用卷积神经网络进行特征提取；
S430，基于构建的多源异构数据信息融合模型进行视频图像导入，获取变电站设备图像的融合结果；
S440，将变电站设备图像的融合结果数据与变电站设备状态标准库存储的数据进行匹配，针对匹配失败的变电站设备状态进行告警；
本发明实施例还公开了一种基于视频分析的调度监控系统，包括如下步骤：
数据采集模块100，用于采集变电站设备的所有状态的视频以及图像；优选的，本实施的数据采集模块100为摄像机，除此之外还可以是其他任意具备拍摄功能与传输功能的硬件设备；
特征提取模块200，用于基于卷积神经网络进行变电站设备视频信息进行特征提取，进行特征压缩和索引生成，存储至变电站设备信息数据库；
具体的，所述的特征提取模块200包括如下：
图像截取单元210，用于基于计算机视觉库进行变电站设备视频信息的帧图像截取并存储；
卷积层处理单元220，用于提取已存储的变电站设备的帧图像，进行卷积神经网络的局部范围像素感知，进行变电站设备图像的卷积层的特征内容输出；
池化层处理单元230，用于基于卷积层的特征输出进行下采样，进行特征内容的特征降维，压缩变电站设备图像的数据和参数数量；
全连接层处理单元240，用于获取变电站设备的特征降维内容，采用激励函数进行非线性映射，将所有的特征图像进行连接并输出特征提取结果；
融合模型构建模块300，用于提取已存储的视频目标分类检索特征，基于变电站设备的视频以及图像进行多源异构数据信息融合模型的构建；
具体的，所述融合模型构建模块300包括如下：
信息采集单元310，用于采集变电站设备的环境参数以及设备状态信息；
融合映射单元320，用于采用深度随机配置网络进行变电站设备的环境参数以及设备状态信息的特征到输出类别的非线性映射能力，保证构建的深度随机配置网络尽可能全面地描述这些特征，获得分类判别能力强的特征表征；
融合处理单元330，用于针对变电站设备的环境参数以及设备状态信息进行集成以及融合处理；
标准库构建模块400，用于获取基于卷积神经网络的视频图像状态识别结果，提取变电站设备的状态运行信息，构建变电站设备状态标准库；
具体的，所述变电站设备标准库构建模块400包括如下：
图像识别单元410，用于基于卷积神经网络进行变电站设备的任意状态的帧图像识别；
库构建单元420，用于采集变电站设备的包含标准状态的帧图像以及非标准状态的帧图像进行标准库构建；
监控模块500，用于基于构建的多源异构数据信息融合模型和变电站设备状态标准库，导入变电站设备的监控接口，进行变电站设备的实时监控；
具体的，所述变电站设备的实时监控系统具体包括如下：
基于数据采集模块100进行变电站设备的实时监控，通过图像截取单元210获取变电站设备的瞬时状态图片，基于卷积层处理单元220、池化层处理单元230以及全连接层处理单元240进行变电站设备瞬时状态图片的特征提取，并进行特征压缩和索引生成，存储至变电站设备信息数据库(图中未标出)；同时基于图像识别单元410进行变电站设备的不同状态的瞬时图片存储，确保记录变电站设备的所有状态信息，并基于存储的各状态信息图片构建标准库，以便后续进行实时监控的变电站设备的状态比对；
基于融合模型构建模块300的信息采集单元310进行变电站设备的环境参数采集，如变电站设备在不同的光照强度、光照遮光面积以及拍摄角度等其他物理影响因素下的设备采集图片，基于融合映射单元320以及融合处理单元330进行多源异构数据信息融合模型的构建，实现针对不同物理环境因素下的变电站设备的图片处理；
基于数据采集模块100进行变电站设备的监控，且基于多源异构数据信息融合模型，针对监控对象进行图片采集，且进行采集图片的特征提取；
若进行特征提取后图片的内容显示目标设备在运行或维护状态，则继续保持该状态；若进行特征提取后图片的内容显示目标设备的状态非正常状态，则通过系统内预留的相关工作人员的联系方式(如手机号码)进行信息告警。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于视频分析的调度监控方法，其特征在于，包括如下步骤：
采集变电站设备的所有状态的视频以及图像，基于卷积神经网络进行变电站设备视频信息进行特征提取，进行特征压缩和索引生成，存储至变电站设备信息数据库；
提取已存储的视频目标分类检索特征，基于变电站设备的视频以及图像进行多源异构数据信息融合模型的构建；
所述多源异构数据信息融合模型的构建具体包括如下：
采集变电站设备的环境参数以及设备状态信息；
采用深度随机配置网络进行变电站设备的环境参数以及设备状态信息的多层面特征到输出类别的非线性映射能力；
针对变电站设备的环境参数以及设备状态信息进行集成以及融合处理；
获取基于卷积神经网络的视频图像状态识别结果，提取变电站设备的状态运行信息，构建变电站设备状态标准库；
基于构建的多源异构数据信息融合模型和变电站设备状态标准库，导入变电站设备的监控接口，进行变电站设备的实时监控。
2.根据权利要求1所述的一种基于视频分析的调度监控方法，其特征在于，所述的基于卷积神经网络进行变电站设备视频信息进行特征提取的步骤包括如下：
基于计算机视觉库进行变电站设备视频信息的帧图像截取并存储；
提取已存储的变电站设备的帧图像，进行卷积神经网络的局部范围像素感知，进行变电站设备图像的卷积层的特征内容输出；
基于卷积层的特征输出进行下采样，进行特征内容的特征降维，压缩变电站设备图像的数据和参数数量；
获取变电站设备的特征降维内容，采用激励函数进行非线性映射，将所有的特征图像进行连接并输出特征提取结果。
3.根据权利要求1所述的一种基于视频分析的调度监控方法，其特征在于，所述变电站设备状态标准库构建包括如下：
基于卷积神经网络进行变电站设备的任意状态的帧图像识别；
采集变电站设备的包含标准状态的帧图像以及非标准状态的帧图像进行标准库构建。
4.根据权利要求1所述的一种基于视频分析的调度监控方法，其特征在于，所述变电站设备的实时监控具体包括如下：
获取变电站设备的监控视频接口，进行变电站设备的实时视频图像截图；
基于截取的视频图像采用卷积神经网络进行特征提取；
基于构建的多源异构数据信息融合模型进行视频图像导入，获取变电站设备图像的融合结果；
将变电站设备图像的融合结果数据与变电站设备状态标准库存储的数据进行匹配，针对匹配失败的变电站设备状态进行告警。
5.一种基于视频分析的调度监控系统，其特征在于，包括如下步骤：
数据采集模块，用于采集变电站设备的所有状态的视频以及图像；
特征提取模块，用于基于卷积神经网络进行变电站设备视频信息进行特征提取，进行特征压缩和索引生成，存储至变电站设备信息数据库；
融合模型构建模块，用于提取已存储的视频目标分类检索特征，基于变电站设备的视频以及图像进行多源异构数据信息融合模型的构建；
所述融合模型构建模块包括如下：
信息采集单元，用于采集变电站设备的环境参数以及设备状态信息；
融合映射单元，用于采用深度随机配置网络进行变电站设备的环境参数以及设备状态信息的特征到输出类别的非线性映射能力，保证构建的深度随机配置网络全面地描述这些特征，获得分类判别能力好的特征表征；
融合处理单元，用于针对变电站设备的环境参数以及设备状态信息进行集成以及融合处理；
标准库构建模块，用于获取基于卷积神经网络的视频图像状态识别结果，提取变电站设备的状态运行信息，构建变电站设备状态标准库；
监控模块，用于基于构建的多源异构数据信息融合模型和变电站设备状态标准库，导入变电站设备的监控接口，进行变电站设备的实时监控。
6.根据权利要求5所述的一种基于视频分析的调度监控系统，其特征在于，所述的特征提取模块包括如下：
图像截取单元，用于基于计算机视觉库进行变电站设备视频信息的帧图像截取并存储；
卷积层处理单元，用于提取已存储的变电站设备的帧图像，进行卷积神经网络的局部范围像素感知，进行变电站设备图像的卷积层的特征内容输出；
池化层处理单元，用于基于卷积层的特征输出进行下采样，进行特征内容的特征降维，压缩变电站设备图像的数据和参数数量；
全连接层处理单元，用于获取变电站设备的特征降维内容，采用激励函数进行非线性映射，将所有的特征图像进行连接并输出特征提取结果。
7.根据权利要求5所述的一种基于视频分析的调度监控系统，其特征在于，所述变电站设备标准库构建模块包括如下：
图像识别单元，用于基于卷积神经网络进行变电站设备的任意状态的帧图像识别；
库构建单元，用于采集变电站设备的包含标准状态的帧图像以及非标准状态的帧图像进行标准库构建。
8.根据权利要求5所述的一种基于视频分析的调度监控系统，其特征在于，所述系统具体包括如下：
获取变电站设备的监控视频接口，进行变电站设备的实时视频图像截图；
基于截取的视频图像采用卷积神经网络进行特征提取；
基于构建的多源异构数据信息融合模型进行视频图像导入，获取变电站设备图像的融合结果；
将变电站设备图像的融合结果数据与变电站设备状态标准库存储的数据进行匹配，针对匹配失败的变电站设备状态进行告警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010022999.5A CN111274876B (zh) | 2020-01-09 | 2020-01-09 | 一种基于视频分析的调度监控方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010022999.5A CN111274876B (zh) | 2020-01-09 | 2020-01-09 | 一种基于视频分析的调度监控方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111274876A CN111274876A (zh) | 2020-06-12 |
| CN111274876B true CN111274876B (zh) | 2024-02-13 |
Family
ID=70998922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010022999.5A Active CN111274876B (zh) | 2020-01-09 | 2020-01-09 | 一种基于视频分析的调度监控方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111274876B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418055A (zh) * | 2020-11-18 | 2021-02-26 | 东方通信股份有限公司 | 一种基于视频分析的调度方法及人员轨迹追踪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242439A (zh) * | 2018-09-21 | 2019-01-18 | 国家电网有限公司 | 基于变电站设备相关联数据的特征提取识别方法 |
| CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
| CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
| CN110351536A (zh) * | 2019-08-20 | 2019-10-18 | 深圳江行联加智能科技有限公司 | 一种变电站环境异常检测系统、方法及装置 |
| CN110378234A (zh) * | 2019-06-20 | 2019-10-25 | 合肥英威晟光电科技有限公司 | 基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 |
| CN110417120A (zh) * | 2019-06-26 | 2019-11-05 | 广东康云科技有限公司 | 一种变电站实景三维智能巡检系统及方法 |
-
2020
- 2020-01-09 CN CN202010022999.5A patent/CN111274876B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242439A (zh) * | 2018-09-21 | 2019-01-18 | 国家电网有限公司 | 基于变电站设备相关联数据的特征提取识别方法 |
| CN109446970A (zh) * | 2018-10-24 | 2019-03-08 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
| CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
| CN110378234A (zh) * | 2019-06-20 | 2019-10-25 | 合肥英威晟光电科技有限公司 | 基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 |
| CN110417120A (zh) * | 2019-06-26 | 2019-11-05 | 广东康云科技有限公司 | 一种变电站实景三维智能巡检系统及方法 |
| CN110351536A (zh) * | 2019-08-20 | 2019-10-18 | 深圳江行联加智能科技有限公司 | 一种变电站环境异常检测系统、方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111274876A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112910094A (zh) | 基于泛在电力物联网的变电站远方自动巡检系统及方法 | |
| CN105100732A (zh) | 一种机房服务器远程监控方法及系统 | |
| CN109784138B (zh) | 无人变电站图像数据化巡视方法 | |
| CN112083000B (zh) | 一种变电站设备外观缺陷的智能识别方法及系统 | |
| 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 | |
| CN102868110A (zh) | 户外环网柜视频监控方法、装置及系统 | |
| CN109509190A (zh) | 视频监控图像筛选方法、装置、系统及存储介质 | |
| CN111274876B (zh) | 一种基于视频分析的调度监控方法和系统 | |
| CN113177614A (zh) | 一种城市轨道交通供电开关柜图像识别系统及方法 | |
| CN115131505A (zh) | 一种变电站多系统融合的全景感知系统 | |
| CN113193616B (zh) | 一种用于输电通道监拍设备的健康状态评估方法 | |
| CN114243932A (zh) | 一种变电站视频及环境监控站端系统智能运维终端 | |
| CN111414890A (zh) | 一种机车车号自动检测方法 | |
| CN111541877A (zh) | 一种变电站设备自动监测系统 | |
| CN113188662A (zh) | 一种红外热成像故障自动识别系统和方法 | |
| CN112966552B (zh) | 一种基于智能识别的例行巡视方法及系统 | |
| CN115393340A (zh) | 一种基于5g算法的ai视觉产品质量检测系统 | |
| CN113518205A (zh) | 一种基于ai分析的视频巡查处理方法 | |
| CN113052340A (zh) | 聚合多源数据的预警方法、系统及存储介质 | |
| CN117728570A (zh) | 一种基于边缘计算的电网视频分析系统及方法 | |
| CN209896769U (zh) | 变压器智能一体化非接触式在线监测装置 | |
| CN111639134A (zh) | 一种基于区块链的产业环节监管方法和系统 | |
| CN106296442A (zh) | 一种电力设备仿真监控方法及系统 | |
| CN111598007A (zh) | 一种变电站设备自动监测方法 | |
| CN213338759U (zh) | 一种高空抛物捕获系统 |
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 |