CN111967323A - 一种基于深度学习算法的电力带电作业安全检测方法 - Google Patents

一种基于深度学习算法的电力带电作业安全检测方法 Download PDF

Info

Publication number
CN111967323A
CN111967323A CN202010684749.8A CN202010684749A CN111967323A CN 111967323 A CN111967323 A CN 111967323A CN 202010684749 A CN202010684749 A CN 202010684749A CN 111967323 A CN111967323 A CN 111967323A
Authority
CN
China
Prior art keywords
human body
target
image
frame
reference object
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.)
Granted
Application number
CN202010684749.8A
Other languages
English (en)
Other versions
CN111967323B (zh
Inventor
蔡东升
黄琦
章文旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010684749.8A priority Critical patent/CN111967323B/zh
Publication of CN111967323A publication Critical patent/CN111967323A/zh
Application granted granted Critical
Publication of CN111967323B publication Critical patent/CN111967323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V20/48—Matching video sequences
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习算法的电力带电作业安全检测方法，先在作业人员工作服上设置形状规则的、特征明显、易于检测的人体参照物；然后读取摄像机的配置文件，获取人体参照物实际高度H、人体活动半径r1和设备参数；再提取摄像机的历史监控视频，通过历史监控视频训练人体目标检测模型和人体参照物检测模型；最后利用检测模型实现人体目标跟踪，找出移动的人体目标，并完成安全距离检测，从而完成作业人员带电作业安全检测。

Description

一种基于深度学习算法的电力带电作业安全检测方法
技术领域
本发明属于电力带电作业安全检测技术领域，更为具体地讲，涉及一种基于深度学习算法的电力带电作业安全检测方法。
背景技术
电厂、变电站等场所作为国家电力资源生产和配送的关键环节，在整个电力生产系统中起到越来越重要的作用，生产作业安全自然是整个电力生产系统正常运行的重要组成部分。电力带电作业场所多存在高危高压等生产环境，现场带电设备众多，内部结构复杂，很容易发生安全事故。
目前传统视频监测系统也仅有实时显示和历史视频数据回放等简单的功能，不具有针对异常情况的报警功能。通常只能靠电力作业人员定时维护和巡检，对潜在威胁和安全生产问题及时发现和处理，从而保证电力设备长期安全可靠的运行。但由于人工判断的主观性与局限性，往往可能无法及时发现潜在威胁与安全问题，导致事故发生与处理滞后。
对工作人员作业过程中的跟踪与定位是安全生产中的重要组成部分，作业人员必须严格遵守生产安全规范，保持安全作业距离。但传统电力生产作业过程中工作人员只凭记忆遵守各项生产安全规范，如某些危险区域范围、带电体的安全距离、各项作业的规范，一旦疏忽可能导致严重后果，安全作业无后盾。传统的室内定位技术很难满足精度要求，无法实现工作人员的具体定位与安全作业距离的提醒。特别研制定位设备虽然能够满足精度要求，但仍然受到便携性、成本过高等限制无法应用于大规模生产中。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习算法的电力带电作业安全检测方法，实现了低成本高效率下的作业人员的跟踪、定位与安全距离检测。
为实现上述发明目的，本发明一种基于深度学习算法的电力带电作业安全检测方法，其特征在于，包括以下步骤：
(1)、参照物设置与参数获取
在作业人员工作服上设置形状规则、特征明显、易于检测的人体参照物；
读取摄像机的配置文件，获取人体参照物实际高度H、人体活动半径r1和设备参数；其中，设备参数包括设备电气安全距离d，设备中心在以摄像头为原点建立的三维坐标系中，设备中心在XOZ平面上的投影坐标为Q(X,0,Z)和设备半径r2；
(2)、训练人体目标检测模型和人体参照物检测模型
(2.1)、人体目标检测模型
提取摄像机的历史监控视频，采集N张带有工作人员的图像，并将每一张图像转化为灰度图；
利用标定工具对每一张灰度图中的每个人体区域用矩形框进行标定，并标记出矩形框的中心点坐标、长宽以及目标类型；
以每一张灰度图及灰度图中对应矩形框的目标类型、中心点坐标和长宽为输入，训练深度卷积神经网络，使深度卷积神经网络能够准确识别人体目标，从而得到人体目标检测模型；
(2.2)、人体参照物检测模型
在步骤(2.1)的基础上，从N张灰度图中筛选出人体参照物未变形的灰度图；
然后利用标定工具对每一张灰度图中的每个人体参照物区域用矩形框进行标定，并标记出矩形框的中心点坐标、长宽以及目标类型；
以每一张灰度图及灰度图中对应矩形框的目标类型、中心点坐标和长宽为输入，训练深度卷积神经网络，使深度卷积神经网络能够准确识别人体参照物，从而得到人体参照物检测模型；
(3)、人体目标跟踪
(3.1)、读取待检测监控视频的某一帧图像处理成灰度图，然后输入至人体目标检测模型，从而识别出当前帧图像中的人体目标；
(3.2)、计算当前帧与上一帧的人体目标所在矩形框的重叠度K；
Figure BDA0002587132610000021
其中，Sp表示上一帧人体目标所在矩形框面积，Sc表示当前帧人体目标所在矩形框面积；
(3.3)、判断重叠度K是否高于预设阈值，如果高于预设阈值，则认为匹配成功，进入步骤(3.5)；否则，认为匹配失败，进入步骤(3.4)；
(3.4)、当匹配失败时，采用卡尔曼滤波根据上一帧的人体目标框对当前帧的人体目标位置进行运动预测，从而获取当前帧的人体目标的预测目标框，再返回至步骤(3.1)继续读取下一帧图像；
(3.5)、判断连续帧匹配是否成功，如果连续n帧匹配失败，则认为人体目标丢失，算法结束；否则，进入步骤(3.6)；
(3.6)、将当前帧的人体目标所在矩形框与前n帧的人体目标所在矩形框进行对比，若任意两帧对应的人体目标所在矩形框的中心点像素距离超过m像素，则判定人体目标移动，否则判定人体目标未进行移动，则算法结束；
(4)、安全距离检测
(4.1)、将人体目标移动的当前帧图像输入至人体参照物检测模型，从而识别出人体参照物；
(4.2)、在像素坐标系的uOv平面中，将人体参照物所在矩形框的像素横坐标最小值umin和像素纵坐标最小值vmin、最大值vmax构成矩形区域中的两个像素点p(umin,vmin)、p'(umin,vmax)；
(4.3)、将像素点p(umin,vmin)、p'(umin,vmax)的坐标转换到图像坐标系XOY平面中，得到点p(x,y)、p'(x,y')；
(4.4)、将点p(x,y)、p'(x,y')的坐标转换到三维坐标系O-XYZ中，得到点P(Xc,Yc,Zc)、P'(Xc,Y'c,Zc)、P”(Xc,0,Zc)；
(4.5)、计算人体目标与变压器的最小距离Dmin：
Figure BDA0002587132610000031
其中，D为人体目标在三维坐标系XOZ平面的投影坐标与变压器在三维坐标系XOZ平面的投影坐标间的距离；
(4.6)、比较人体与变压器的最小距离Dmin与变压器电气安全距离d进行比较，若Dmin＞d，则目标人体处于安全区域，否则目标人体处于危险区域。
本发明的发明目的是这样实现的：
本发明一种基于深度学习算法的电力带电作业安全检测方法，先在作业人员工作服上设置形状规则的、特征明显、易于检测的人体参照物；然后读取摄像机的配置文件，获取人体参照物实际高度H、人体活动半径r1和设备参数；再提取摄像机的历史监控视频，通过历史监控视频训练人体目标检测模型和人体参照物检测模型；最后利用检测模型实现人体目标跟踪，找出移动的人体目标，并完成安全距离检测，从而完成作业人员带电作业安全检测。
同时，本发明一种基于深度学习算法的电力带电作业安全检测方法还具有以下有益效果：
(1)、本发明利用图像序列相邻帧的信息，目标在当前帧未匹配成功时，根据目标在上一帧的位置利用卡尔曼滤波进行运动预测，并与下一帧检测结果进行匹配，减少因为目标检测算法没有检测到目标或目标被短暂遮挡而导致跟踪丢失的可能，提高了目标跟踪的准确度。
(2)、利用当前帧的人体目标所在矩形框与前n帧的人体目标所在矩形框进行对比来判断人体目标是否移动，相比利用相邻两帧或利用相隔几帧的两帧图像进行对比，可以更敏锐准确的检测到移动不明显的人体目标和快速移动的人体目标。
(3)、根据目标检测与跟踪结果，对移动状态的人体目标进行坐标定位，对不处于移动状态的人体目标直接继承上一帧安全距离检测结果，能够很好地避免人体不同姿态导致参照物变形影响成像进而导致安全距离检测的坐标定位结果偏移产生误差。
附图说明
图1是本发明一种基于深度学习算法的电力带电作业安全检测方法流程图；
图2是像素坐标系与图像坐标系转换示意图；
图3是图像坐标系与三维坐标系转换示意图；
图4是人体目标活动范围和人体与设备的最小距离测算示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明一种基于深度学习算法的电力带电作业安全检测方法流程图。
在本实施例中，针对变压器设备进行安全距离检测，如图1所示，本发明一种基于深度学习算法的电力带电作业安全检测方法，包括以下步骤：
S1、参照物设置与参数获取
在作业人员工作服上设置竖直反光条作为人体参照物。读取摄像机的配置文件，获取竖直反光条实际高度H、人体活动半径r1(取工作人员身高1.6-1.8m，即0.8m≤r1≤0.9m)和变压器参数；其中，变压器参数包括变压器电气安全距离d＝2.7m、变压器中心在以摄像头为原点的三维坐标系O-XYZ的XOZ平面投影坐标Q(X,O,Z)和变压器半径r2；
S2、训练人体目标检测模型和竖直反光条检测模型
S2.1、人体目标检测模型
提取摄像机的历史监控视频，采集10000张带有工作人员的图像，并将每一张图像转化为灰度图；
利用标定工具对每一张灰度图中的每个人体区域用矩形框进行标定，并标记出矩形框的中心点坐标、长宽以及目标类型为人体；
以每一张灰度图及灰度图中对应矩形框的目标类型、中心点坐标和长宽为输入，训练深度卷积神经网络，使深度卷积神经网络能够准确识别人体目标，从而得到人体目标检测模型；
S2.2、竖直反光条检测模型
在步骤S2.1的基础上，从10000张灰度图中筛选出竖直反光条未变形的灰度图；
然后利用标定工具对每一张灰度图中的每个竖直反光条区域用矩形框进行标定，并标记出矩形框的中心点坐标、长宽以及目标类型为参照物；
以每一张灰度图及灰度图中对应矩形框的目标类型、中心点坐标和长宽为输入，训练深度卷积神经网络，使深度卷积神经网络能够准确识别人体目标，从而得到竖直反光条检测模型；
S3、人体目标跟踪
S3.1、读取待检测监控视频的某一帧图像处理成灰度图，然后输入至人体目标检测模型，从而识别出当前帧图像中的人体目标；
S3.2、计算当前帧与上一帧的人体目标所在矩形框的重叠度K；
Figure BDA0002587132610000061
其中，Sp表示上一帧人体目标所在矩形框面积，Sc表示当前帧人体目标所在矩形框面积；
S3.3、判断重叠度K是否高于预设阈值0.6，如果高于预设阈值，则认为匹配成功，进入步骤S3.5；否则，认为匹配失败，进入步骤S3.4；
S3.4、当匹配失败时，采用卡尔曼滤波根据上一帧的人体目标所在矩形框对当前帧的人体目标位置进行运动预测，从而获取当前帧的人体目标的预测目标框，再返回至步骤S3.1继续读取下一帧图像；
S3.5、判断连续帧匹配是否成功，如果连续4帧匹配失败，则认为人体目标丢失，算法结束；否则，进入步骤S3.6；
S3.6、将当前帧的人体目标所在矩形框与前4帧的人体目标所在矩形框进行对比，若任意两帧对应的人体目标所在矩形框的中心点像素距离超过20像素，则判定人体目标移动，否则判定人体目标位置不变，则算法结束；
S4、安全距离检测
S4.1、将人体目标移动的当前帧图像输入至竖直反光条检测模型，从而识别出竖直反光条；
S4.2、在像素坐标系的uOv平面中，将竖直反光条所在矩形框的像素横坐标最小值umin和像素纵坐标最小值vmin、最大值vmax构成矩形区域中的两个像素点p(umin,vmin)、p'(umin,vmax)；
S4.3、如图2所示，将像素点p(umin,vmin)、p'(umin,vmax)的坐标转换到图像坐标系XOY平面中，得到点p(x,y)、p'(x,y')；
具体转换关系为：
Figure BDA0002587132610000071
其中，(x,y)表示所需转换点(u,v)在图像坐标系XOY中的坐标，(u0,v0)表示图像坐标系XOY的原点O在像素坐标系uOv平面中的坐标，dx和dy分别表示每一列和每一行由像素坐标转换到平面坐标的对应转换值；
S4.4、如图3所示，将点p(x,y)、p'(x,y')的坐标转换到三维坐标系O-XYZ中，得到点P(Xc,Yc,Zc)、P'(Xc,Y'c,Zc)及它们在XOZ平面投影坐标P”(Xc,0,Zc)；
具体转换关系为：
Figure BDA0002587132610000072
其中，f为摄像机焦距，h为竖直反光条的竖直高度，h＝y'-y。
S4.5、结合图4，计算人体目标与变压器的最小距离Dmin：
Dmin＝D-r1-r2
Figure BDA0002587132610000073
其中，D为人体目标在三维坐标系XOZ平面的投影坐标与变压器在三维坐标系XOZ平面的投影坐标间的距离；
S4.6、比较人体与变压器的最小距离Dmin与变压器电气安全距离d进行比较，若Dmin＞d，则目标人体处于安全区域，否则目标人体处于危险区域。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种基于深度学习算法的电力带电作业安全检测方法，其特征在于，包括以下步骤：
(1)、参照物设置与参数获取
在作业人员工作服上设置形状规则、特征明显、易于检测的人体参照物；
读取摄像机的配置文件，获取人体参照物实际高度H、人体活动半径r1和设备参数；其中，设备参数包括设备电气安全距离d，设备中心在以摄像头为原点建立的三维坐标系中，设备中心在XOZ平面上的投影坐标为Q(X,0,Z)和设备半径r2；
(2)、训练人体目标检测模型和人体参照物检测模型
(2.1)、人体目标检测模型
提取摄像机的历史监控视频，采集N张带有工作人员的图像，并将每一张图像转化为灰度图；
利用标定工具对每一张灰度图中的每个人体区域用矩形框进行标定，并标记出矩形框的中心点坐标、长宽以及目标类型；
以每一张灰度图及灰度图中对应矩形框的目标类型、中心点坐标和长宽为输入，训练深度卷积神经网络，使深度卷积神经网络能够准确识别人体目标，从而得到人体目标检测模型；
(2.2)、人体参照物检测模型
在步骤(2.1)的基础上，从N张灰度图中筛选出人体参照物未变形的灰度图；
然后利用标定工具对每一张灰度图中的每个人体参照物区域用矩形框进行标定，并标记出矩形框的中心点坐标、长宽以及目标类型；
以每一张灰度图及灰度图中对应矩形框的目标类型、中心点坐标和长宽为输入，训练深度卷积神经网络，使深度卷积神经网络能够准确识别人体参照物，从而得到人体参照物检测模型模型；
(3)、人体目标跟踪
(3.1)、读取待检测监控视频的某一帧图像处理成灰度图，然后输入至人体目标检测模型，从而识别出当前帧图像中的人体目标；
(3.2)、计算当前帧与上一帧的人体目标所在矩形框的重叠度K；
Figure FDA0002587132600000021
其中，Sp表示上一帧人体目标所在矩形框面积，Sc表示当前帧人体目标所在矩形框面积；
(3.3)、判断重叠度K是否高于预设阈值，如果高于预设阈值，则认为匹配成功，进入步骤(3.5)；否则，认为匹配失败，进入步骤(3.4)；
(3.4)、当匹配失败时，采用卡尔曼滤波根据上一帧的人体目标框对当前帧的人体目标位置进行运动预测，从而获取当前帧的人体目标的预测目标框，再返回至步骤(3.1)继续读取下一帧图像；
(3.5)、判断连续帧匹配是否成功，如果连续n帧匹配失败，则认为人体目标丢失，算法结束；否则，进入步骤(3.6)；
(3.6)、将当前帧的人体目标所在矩形框与前n帧的人体目标所在矩形框进行对比，若任意两帧对应的人体目标所在矩形框的中心点像素距离超过m像素，则判定人体目标移动，否则判定人体目标未进行移动，则算法结束；
(4)、安全距离检测
(4.1)、将人体目标移动的当前帧图像输入至人体参照物检测模型，从而识别出人体参照物；
(4.2)、在像素坐标系的uOv平面中，将人体参照物所在矩形框的像素横坐标最小值umin和像素纵坐标最小值vmin、最大值vmax构成矩形区域中的两个像素点p(umin,vmin)、p'(umin,vmax)；
(4.3)、将像素点p(umin,vmin)、p'(umin,vmax)的坐标转换到图像坐标系XOY平面中，得到点p(x,y)、p'(x,y')；
(4.4)、将点p(x,y)、p'(x,y')的坐标转换到三维坐标系O-XYZ中，得到点P(Xc,Yc,Zc)、P'(Xc,Y'c,Zc)、P”(Xc,0,Zc)；
(4.5)、计算人体目标与变压器的最小距离Dmin：
Dmin＝D-r1-r2
Figure FDA0002587132600000022
其中，D为人体目标在三维坐标系XOZ平面的投影坐标与变压器在三维坐标系XOZ平面的投影坐标间的距离；
(4.6)、比较人体与变压器的最小距离Dmin与变压器电气安全距离d进行比较，若Dmin＞d，则目标人体处于安全区域，否则目标人体处于危险区域。
2.一种基于深度学习算法的电力带电作业安全检测方法，其特征在于，所述步骤(4.3)中像素点p(umin,vmin)、p'(umin,vmax)的坐标转换到图像坐标系XOY平面的具体转换关系为：
Figure FDA0002587132600000031
其中，(x,y)表示所需转换点(u,v)在图像坐标系XOY中的坐标，(u0,v0)表示图像坐标系XOY的原点O在像素坐标系uOv平面中的坐标。
3.一种基于深度学习算法的电力带电作业安全检测方法，其特征在于，所述步骤(4.4)中点p(x,y)、p'(x,y')的坐标转换到三维坐标系O-XYZ的具体转换关系为：
Figure FDA0002587132600000032
其中，f为摄像机焦距，h为人体参照物的竖直高度，h＝y'-y。
CN202010684749.8A 2020-07-16 2020-07-16 一种基于深度学习算法的电力带电作业安全检测方法 Active CN111967323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010684749.8A CN111967323B (zh) 2020-07-16 2020-07-16 一种基于深度学习算法的电力带电作业安全检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010684749.8A CN111967323B (zh) 2020-07-16 2020-07-16 一种基于深度学习算法的电力带电作业安全检测方法

Publications (2)

Publication Number Publication Date
CN111967323A true CN111967323A (zh) 2020-11-20
CN111967323B CN111967323B (zh) 2022-07-26

Family

ID=73362000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010684749.8A Active CN111967323B (zh) 2020-07-16 2020-07-16 一种基于深度学习算法的电力带电作业安全检测方法

Country Status (1)

Country Link
CN (1) CN111967323B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569777A (zh) * 2021-08-02 2021-10-29 中国石油天然气集团有限公司 设备旋转工作状态的视频检测方法及其装置
CN115586792A (zh) * 2022-09-30 2023-01-10 三峡大学 基于铁塔参数的无人机电力巡检系统及方法
CN115861407A (zh) * 2023-02-28 2023-03-28 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 基于深度学习的安全距离检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902971A (zh) * 2012-08-31 2013-01-30 电子科技大学 基于智能视觉感知的电梯人流量统计方法及系统
US20190154872A1 (en) * 2017-11-21 2019-05-23 Reliance Core Consulting LLC Methods, systems, apparatuses and devices for facilitating motion analysis in a field of interest
US20200026954A1 (en) * 2019-09-27 2020-01-23 Intel Corporation Video tracking with deep siamese networks and bayesian optimization
CN110971827A (zh) * 2019-12-09 2020-04-07 Oppo广东移动通信有限公司 人像模式拍摄方法、装置、终端设备和存储介质
WO2020098076A1 (zh) * 2018-11-12 2020-05-22 平安科技（深圳）有限公司 跟踪目标的定位方法、装置、设备及存储介质
CN111414886A (zh) * 2020-03-28 2020-07-14 福建工程学院 一种人体动态特征的智能识别系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902971A (zh) * 2012-08-31 2013-01-30 电子科技大学 基于智能视觉感知的电梯人流量统计方法及系统
US20190154872A1 (en) * 2017-11-21 2019-05-23 Reliance Core Consulting LLC Methods, systems, apparatuses and devices for facilitating motion analysis in a field of interest
WO2020098076A1 (zh) * 2018-11-12 2020-05-22 平安科技（深圳）有限公司 跟踪目标的定位方法、装置、设备及存储介质
US20200026954A1 (en) * 2019-09-27 2020-01-23 Intel Corporation Video tracking with deep siamese networks and bayesian optimization
CN110971827A (zh) * 2019-12-09 2020-04-07 Oppo广东移动通信有限公司 人像模式拍摄方法、装置、终端设备和存储介质
CN111414886A (zh) * 2020-03-28 2020-07-14 福建工程学院 一种人体动态特征的智能识别系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUANG QI 等: ""An Online-Learning Sequence Prediction Model for Grid Alarms"", 《2020 ASIA ENERGY AND ELECTRICAL ENGINEERING SYMPOSIUM》 *
万琴等: "基于卡尔曼滤波器的运动目标检测与跟踪", 《湖南大学学报(自然科学版)》 *
滕予非: ""基于离群点检测的高压并联电抗器本体电流互感器测量异常故障在线诊断"", 《电工技术学报》 *
蔡东升 等: ""基于改进型IQC 算法的时延电力系统控制方法研究"", 《电测与仪表》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569777A (zh) * 2021-08-02 2021-10-29 中国石油天然气集团有限公司 设备旋转工作状态的视频检测方法及其装置
CN115586792A (zh) * 2022-09-30 2023-01-10 三峡大学 基于铁塔参数的无人机电力巡检系统及方法
CN115586792B (zh) * 2022-09-30 2023-06-27 三峡大学 基于铁塔参数的无人机电力巡检系统及方法
CN115861407A (zh) * 2023-02-28 2023-03-28 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 基于深度学习的安全距离检测方法及系统

Also Published As

Publication number Publication date
CN111967323B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN111967323B (zh) 一种基于深度学习算法的电力带电作业安全检测方法
CN109657575B (zh) 室外施工人员智能视频跟踪算法
CN108010025B (zh) 基于rcnn的屏柜的开关与指示灯定位和状态识别方法
CN109828267A (zh) 基于实例分割和深度摄像头的变电站巡检机器人障碍物检测和测距方法
CN111027462A (zh) 跨多摄像头的行人轨迹识别方法
CN114972421A (zh) 车间物料识别追踪与定位方法、系统
Cheng et al. The design and application of a track-type autonomous inspection robot for electrical distribution room
CN111563896A (zh) 一种用于接触网异常检测的图像处理方法
CN116773100A (zh) 一种基于多维视频分析的结构渗漏水实时测定方法
Dong et al. Vector detection network: An application study on robots reading analog meters in the wild
CN114299153B (zh) 一种超大电力设备的相机阵列同步标定方法及系统
CN114943904A (zh) 一种基于无人机巡检的作业监测方法
CN117787690A (zh) 吊装作业安全风险识别方法及识别装置
CN116866520B (zh) 一种基于ai的单轨吊安全运行实时监控管理系统
Gao et al. An automatic assembling system for sealing rings based on machine vision
CN110322508B (zh) 一种基于计算机视觉的辅助定位方法
CN115861407A (zh) 基于深度学习的安全距离检测方法及系统
CN114179093B (zh) 一种变电站巡检机器人系统及其避障方法
CN116798117A (zh) 一种基于视频理解的矿井下异常动作识别方法
CN111881863B (zh) 一种区域群体异常行为检测方法
CN113989335A (zh) 一种对厂房内工人自动定位的方法
Lan et al. Weld Recognition of Pressure Vessel Based on Texture Feature
Jang et al. Change detection in unmanned aerial vehicle images for industrial infrastructure rooftop monitoring
CN115424410B (zh) 基于无线辐射感知与多模态数据的高压环境防护方法
CN118710256B (zh) 一种生产设备智能巡检记录系统及方法

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