CN111310723A - 基于深度学习技术的变电站人员穿戴规范分析方法 - Google Patents
基于深度学习技术的变电站人员穿戴规范分析方法 Download PDFInfo
- Publication number
- CN111310723A CN111310723A CN202010170638.5A CN202010170638A CN111310723A CN 111310723 A CN111310723 A CN 111310723A CN 202010170638 A CN202010170638 A CN 202010170638A CN 111310723 A CN111310723 A CN 111310723A
- Authority
- CN
- China
- Prior art keywords
- transformer substation
- wearing
- picture
- model
- deep learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习技术的变电站人员穿戴规范分析方法,属于变电站人员安全监测技术领域;包括步骤S1,采集待标注图片数据集;步骤S2,对采集到的待标注图片进行变电站人员及其穿戴标注;步骤S3,导入已标注图片对Cascade R‑CNN进行训练获得穿戴分析模型;步骤S4,将所述模型部署到服务器中,由服务器加载模型参数;步骤S5,调用模型对监控设备上传到服务器中的图片进行自动识别,测试效果;步骤S6,根据测试结果调整参数;步骤S7,调用模型自动检测监控范围内变电站工作人员有无穿戴安全装备;实现对变电站施工人员进行实时监控,及时发现未穿戴安全装备的施工人员并进行告警,提高识别精度。
Description
技术领域
本发明涉及一种基于深度学习技术的变电站人员穿戴规范分析方法,属于变电站人员安全监测技术领域。
背景技术
在变电站作业,安全帽、工作服是必不可少的安全装备,它们可以在危险事故发生时为工作人员提供一定的防护,有效减少工作人员所受到的伤害。但是,总有安全意识较低的施工人员在工作时忘记穿戴安全装备,增加施工过程中的安全隐患。为减少安全事故的发生,施工现场常装有监控设备,安排工作人员对现场施工人员进行实时监控,这种方式经常是人力监控多个画面,个人精力的衰减、疏忽往往会忽略潜在危险,因此这种方法并不能有效避免安全事故的发生,同时还占用了大量的人力物力。
综上所述,如何提供一种高效、可靠的穿戴监测系统,对变电站中未穿戴安全装备的人员进行告警提示,降低施工过程中的安全隐患,是目前本领域技术人员亟待解决的问题。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供一种基于深度学习技术的变电站人员穿戴分析方法,实现对变电站工作人员穿戴的实时分析,及时反馈,规范施工人员的穿戴,保障施工人员的安全,保障安全施工。
本发明所述基于深度学习技术的变电站人员穿戴规范分析方法,包括如下步骤:
步骤S1,采集待标注图片数据集;
步骤S2,对采集到的待标注图片进行变电站人员及其穿戴标注,得到已标注图片集;
步骤S3,导入已标注图片对Cascade R-CNN进行训练获得穿戴分析模型;
步骤S4,将所述模型部署到服务器中,由服务器加载模型参数;
步骤S5,调用模型对监控设备上传到服务器中的图片进行自动识别,测试效果;
步骤S6,根据测试结果调整参数,优化模型性能;
步骤S7,调用模型自动检测监控范围内变电站工作人员有无穿戴安全装备。
优选地,步骤S1通过变电站内监控设备,实时获取变电站视频信息至服务器中,通过对变电站视频流截取的方式获得待标注的图片数据集。
优选地,步骤S2包括如下步骤:
步骤S201,初始标注:对待标注图片中变电站人员进行框选并打上“person”标签,对变电站人员的穿着进行框选,若为工作服则标注“uniform”,若非工作服则标注“coat”;对变电站人员头部进行框选,若戴有安全帽则标注“helmet”,若未戴安全帽则标注“head”,得到初始标注数据集;
步骤S202,数据清洗:筛选初始标注数据中存在的错误标注、空标注进行修正,得到数据清洗数据集;
步骤S203,数据精炼:筛除数据清洗数据集中的重复图片,得到已标注图片集。
优选地,步骤S202包括如下步骤:
步骤S20201,遍历初始标注数据集,读取标注数据;
步骤S20202,检测标注数据中是否存在标注信息,若不存在则判定为空标注,若存在则执行步骤S20203;
步骤S20203,检测标注数据中标注的标签是否属于所要求标注的标签,若不是则判定为错误标签;
步骤S20204,修正错误标注、空标注,得到数据清洗数据集。
优选地,步骤S203包括如下步骤:
步骤S20301,分析数据清洗数据集中的已标注图片,提取SURF特征进行特征点匹配;
步骤S20302,判断相似度,若判断结果是否大于所设定相似度阈值,则判定为重复图片;
步骤S20303,按照1:10的方式在重复图片中进行筛选,得到已标注图片集。
优选地,步骤S7包括如下步骤:
步骤S701,通过变电站安装的监控设备对现场实时监控;
步骤S702,在服务器中调用模型读取监控设备实时传来的视频流进行变电站人员穿戴框选识别,若识别穿着为工作服则标注“uniform”,若识别穿着为非工作服则标注“coat”,若识别戴有安全帽则标注“helmet”,若识别未戴安全帽则标注“head”。
优选地,还包括:
步骤S8,当变电站工作人员出现未穿戴安全装备时进行告警提示。
优选地,步骤S3中导入已标注图片对Cascade R-CNN进行训练获得穿戴分析模型包括如下步骤:
步骤S301,设置Cascade R-CNN的结构,对网络中每个级联的R-CNN设置递增的的IOU阈值;
步骤S302,利用已标注图片对Cascade R-CNN进行训练获得穿戴分析模型。
优选地,步骤S6中所述参数包括learning rate、batch_size、resize、NMS。
与现有技术相比,本发明具有以下有益效果:
(1)本发明所述基于深度学习技术的变电站人员穿戴规范分析方法实现了对变电站施工人员进行实时监控,及时发现了未穿戴安全装备的施工人员并进行告警。
(2)本发明本发明所述基于深度学习技术的变电站人员穿戴规范分析方法采用Cascade R-CNN算法,并做了针对性的改进工作,提高了识别精度,可对监控范围内目标进行准确识别,为保障电网施工人员安全提供可有力的技术支持。
附图说明
图1为本发明所述基于深度学习技术的变电站人员穿戴规范分析方法流程图;
图2为本发明所述Cascade R-CNN的网络结构图;
图3为本发明所述基于深度学习技术的变电站人员穿戴规范分析方法第一识别效果图;
图4为本发明所述基于深度学习技术的变电站人员穿戴规范分析方法第二识别效果图。
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,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例1
如图1所示,本发明所述基于深度学习技术的变电站人员穿戴规范分析方法,包括如下步骤:
步骤S1,采集待标注图片数据集;
步骤S2,对采集到的待标注图片进行变电站人员及其穿戴标注,得到已标注图片集;
步骤S3,利用Cascade R-CNN算法搭建穿戴分析模型,导入已标注图片进行训练;
步骤S4,将所述模型部署到服务器中,由服务器加载模型参数;
步骤S5,调用模型对监控设备上传到服务器中的图片进行自动识别,测试效果;
步骤S6,根据测试结果调整参数,优化模型性能;
步骤S7,调用模型自动检测监控范围内变电站工作人员有无穿戴安全装备。
其中,步骤S1通过变电站内监控设备,实时获取变电站视频信息至服务器中,通过对变电站视频流截取的方式获得待标注的图片数据集。
其中,步骤S2包括如下步骤:
步骤S201,初始标注:对待标注图片中变电站人员进行框选并打上“person”标签,对变电站人员的穿着进行框选,若为工作服则标注“uniform”,若非工作服则标注“coat”;对变电站人员头部进行框选,若戴有安全帽则标注“helmet”,若未戴安全帽则标注“head”,得到初始标注数据集;
步骤S202,数据清洗:筛选初始标注数据中存在的错误标注、空标注进行修正,得到数据清洗数据集;
步骤S203,数据精炼:筛除数据清洗数据集中的重复图片,得到已标注图片集。
在此,步骤S201利用标注工具labelImg进行初始标注,步骤S202包括如下步骤:
步骤S20201,遍历初始标注数据集,读取标注数据;
步骤S20202,检测标注数据中是否存在标注信息,若不存在则判定为空标注,若存在则执行步骤S20203;
步骤S20203,检测标注数据中标注的标签是否属于所要求标注的标签,若不是则判定为错误标签;
步骤S20204,修正错误标注、空标注,得到数据清洗数据集。
步骤S203包括如下步骤:
步骤S20301,分析数据清洗数据集中的已标注图片,提取SURF特征进行特征点匹配;
步骤S20302,判断相似度,若判断结果是否大于所设定相似度阈值,则判定为重复图片;
步骤S20303,按照1:10的方式在重复图片中进行筛选,得到已标注图片集。
其中,步骤S7包括如下步骤:
步骤S701,通过变电站安装的监控设备对现场实时监控;
步骤S702,在服务器中调用模型读取监控设备实时传来的视频流进行变电站人员穿戴框选识别,若识别穿着为工作服则标注“uniform”,若识别穿着为非工作服则标注“coat”,若识别戴有安全帽则标注“helmet”,若识别未戴安全帽则标注“head”。
其中,步骤S3中导入已标注图片对Cascade R-CNN进行训练获得穿戴分析模型包括如下步骤:
步骤S301,设置Cascade R-CNN的结构,对网络中每个级联的R-CNN设置递增的的IOU阈值;
步骤S302,利用已标注图片对Cascade R-CNN进行训练获得穿戴分析模型。
优选地,步骤S6中所述参数包括learning rate、batch_size、resize、NMS。
如图2所示,Cascade R-CNN通过级联的R-CNN网络,对每个级联的R-CNN设置不同的IoU阈值,即通过调整bounding boxes,给下一阶段找到一个IoU更高的正样本来训练,使每个网络输出的准确度提升一点,用作下一个更高精度的网络的输入,逐步将网络输出的准确度进一步提高。图中,H1代表的是Cascade R-CNN进行检测与分类的head,C1代表最终的分类结果,B1代表最终的bounding box回归结果。Cascade R-CNN的特点在于:CascadeR-CNN得到B1回归后的检测框后,将其输入到H2部分,继续回归,以此类推到H3部分,使得每次对bounding box都提高一定的精度,以达到提高检测框准确度的作用。
其中,步骤S6中所述参数包括learning rate、batch_size、resize、NMS。
如图3、图4所示,采用本发明所述基于深度学习技术的变电站人员穿戴规范分析方法,进行变电站人员穿戴规范分析,实现了对变电站施工人员进行实时监控,及时发现了未穿戴安全装备的变电站人员。
本发明所述基于深度学习技术的变电站人员穿戴规范分析方法,还包括:
步骤S8,当变电站工作人员出现未穿戴安全装备时进行告警提示,即当变电站人员穿戴为“coat”和/或“head”则触发告警。
以上所述仅为本发明的较佳实施例而己,并不以本发明为限制,凡在本发明的精神和原则之内所作的均等修改、等同替换和改进等,均应包含在本发明的专利涵盖范围内。
Claims (9)
1.一种基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,包括如下步骤:
步骤S1,采集待标注图片数据集;
步骤S2,对采集到的待标注图片进行变电站人员及其穿戴标注,得到已标注图片集;
步骤S3,导入已标注图片对Cascade R-CNN进行训练获得穿戴分析模型;
步骤S4,将所述模型部署到服务器中,由服务器加载模型参数;
步骤S5,调用模型对监控设备上传到服务器中的图片进行自动识别,测试效果;
步骤S6,根据测试结果调整参数,优化模型性能;
步骤S7,调用模型自动检测监控范围内变电站工作人员有无穿戴安全装备。
2.根据权利要求1所述的基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,步骤S1通过变电站内监控设备,实时获取变电站视频信息至服务器中,通过对变电站视频流截取的方式获得待标注图片数据集。
3.根据权利要求1所述的基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,步骤S2包括如下步骤:
步骤S201,初始标注:对待标注图片中变电站人员进行框选并打上“person”标签,对变电站人员的穿着进行框选,若为工作服则标注“uniform”,若非工作服则标注“coat”;对变电站人员头部进行框选,若戴有安全帽则标注“helmet”,若未戴安全帽则标注“head”,得到初始标注数据集;
步骤S202,数据清洗:筛选初始标注数据中存在的错误标注、空标注进行修正,得到数据清洗数据集;
步骤S203,数据精炼:筛除数据清洗数据集中的重复图片,得到已标注图片集。
4.根据权利要求3所述的基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,步骤S202包括如下步骤:
步骤S20201,遍历初始标注数据集,读取标注数据;
步骤S20202,检测标注数据中是否存在标注信息,若不存在则判定为空标注,若存在则执行步骤S20203;
步骤S20203,检测标注数据中标注的标签是否属于所要求标注的标签,若不是则判定为错误标签;
步骤S20204,修正错误标注、空标注,得到数据清洗数据集。
5.根据权利要求3所述的基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,步骤S203包括如下步骤:
步骤S20301,分析数据清洗数据集中的已标注图片,提取SURF特征进行特征点匹配;
步骤S20302,判断相似度,若判断结果是否大于所设定相似度阈值,则判定为重复图片;
步骤S20303,按照1:10的方式在重复图片中进行筛选,得到已标注图片集。
6.根据权利要求3或4或5所述的基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,步骤S7包括如下步骤:
步骤S701,通过变电站安装的监控设备对现场实时监控;
步骤S702,在服务器中调用模型读取监控设备实时传来的视频流进行变电站人员穿戴框选识别,若识别穿着为工作服则标注“uniform”,若识别穿着为非工作服则标注“coat”,若识别戴有安全帽则标注“helmet”,若识别未戴安全帽则标注“head”。
7.根据权利要求6所述的基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,还包括:
步骤S8,当变电站工作人员出现未穿戴安全装备时进行告警提示。
8.根据权利要求1所述的基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,步骤S3中导入已标注图片对Cascade R-CNN(级联卷积神经网络)进行训练获得穿戴分析模型包括如下步骤:
步骤S301,设置Cascade R-CNN的结构,对网络中每个级联的R-CNN设置递增的的IOU阈值;
步骤S302,利用已标注图片对Cascade R-CNN进行训练获得穿戴分析模型。
9.根据权利要求1所述的基于深度学习技术的变电站人员穿戴规范分析方法,其特征在于,步骤S6中所述参数包括learning rate、batch_size、resize、NMS。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010170638.5A CN111310723A (zh) | 2020-03-12 | 2020-03-12 | 基于深度学习技术的变电站人员穿戴规范分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010170638.5A CN111310723A (zh) | 2020-03-12 | 2020-03-12 | 基于深度学习技术的变电站人员穿戴规范分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310723A true CN111310723A (zh) | 2020-06-19 |
Family
ID=71162219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010170638.5A Pending CN111310723A (zh) | 2020-03-12 | 2020-03-12 | 基于深度学习技术的变电站人员穿戴规范分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310723A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814762A (zh) * | 2020-08-24 | 2020-10-23 | 深延科技(北京)有限公司 | 头盔佩戴检测方法和装置 |
CN112183472A (zh) * | 2020-10-28 | 2021-01-05 | 西安交通大学 | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
CN110264466A (zh) * | 2019-06-28 | 2019-09-20 | 广州市颐创信息科技有限公司 | 一种基于深度卷积神经网络的钢筋检测方法 |
CN110287847A (zh) * | 2019-06-19 | 2019-09-27 | 长安大学 | 基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法 |
CN110826555A (zh) * | 2019-10-12 | 2020-02-21 | 天津大学 | 一种人机协同的图像目标检测数据半自动标注方法 |
-
2020
- 2020-03-12 CN CN202010170638.5A patent/CN111310723A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
CN110287847A (zh) * | 2019-06-19 | 2019-09-27 | 长安大学 | 基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法 |
CN110264466A (zh) * | 2019-06-28 | 2019-09-20 | 广州市颐创信息科技有限公司 | 一种基于深度卷积神经网络的钢筋检测方法 |
CN110826555A (zh) * | 2019-10-12 | 2020-02-21 | 天津大学 | 一种人机协同的图像目标检测数据半自动标注方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814762A (zh) * | 2020-08-24 | 2020-10-23 | 深延科技(北京)有限公司 | 头盔佩戴检测方法和装置 |
CN112183472A (zh) * | 2020-10-28 | 2021-01-05 | 西安交通大学 | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 |
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 | |
CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
CN102866313A (zh) | 电力隧道电缆运行状态综合监控方法 | |
CN113296427B (zh) | 一种基于物联网的建筑工地安全监测系统 | |
CN109242104A (zh) | 一种利用数据分析实时发现设备故障异常的系统 | |
CN111310723A (zh) | 基于深度学习技术的变电站人员穿戴规范分析方法 | |
CN115511367B (zh) | 生产线的质量智能管理系统 | |
CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN116826958A (zh) | 一种数字化输电通道智能安全巡检方法 | |
CN111259855A (zh) | 基于深度学习的移动式安全帽佩戴检测方法 | |
CN113988573A (zh) | 基于电力系统巡检无人机的风险判断方法、系统和介质 | |
CN116185757A (zh) | 机房能耗智能监测系统 | |
CN109285331B (zh) | 一种基于数据分析和温度预测的电力电缆温度预警系统 | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
CN113297913B (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
CN113934536A (zh) | 面向边缘计算的数据采集方法 | |
CN116614366B (zh) | 一种基于边缘计算的工业互联网优化方法及系统 | |
CN116844315A (zh) | 人工智能预警方法、系统及存储介质 | |
CN116756505B (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
CN116976865A (zh) | 基于大数据分析的船舶维修器件调配管理系统 | |
CN115328986A (zh) | 一种电厂安全预警数据分析处理方法及系统 |
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 |