CN112085620A - 一种服务于电力生产作业场景的安全监管方法及系统 - Google Patents
一种服务于电力生产作业场景的安全监管方法及系统 Download PDFInfo
- Publication number
- CN112085620A CN112085620A CN202010867416.9A CN202010867416A CN112085620A CN 112085620 A CN112085620 A CN 112085620A CN 202010867416 A CN202010867416 A CN 202010867416A CN 112085620 A CN112085620 A CN 112085620A
- Authority
- CN
- China
- Prior art keywords
- key object
- neural network
- recognition neural
- image recognition
- image
- 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 30
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 239000003550 marker Substances 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 238000007726 management method Methods 0.000 description 6
- 238000003466 welding Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
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
- 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
- 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
-
- 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
Abstract
本发明公开了一种服务于电力生产作业场景的安全监管方法及系统,其方法包括采集各个不同电力作业场景的图像训练样本,并对所述图像训练样本进行特征标记;搭建图像识别神经网络,利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络;采集当前电力作业场景的图像样本,并基于所述最优图像识别神经网络对所述图像样本进行特征标记;获取标记后的图像样本中所包含的关键物体的相关信息,并基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作;若是,生成对所述关键物体的违规操作告警信息。本发明实施例可对电力作业进行实时监控取证与违规操作警示,极大地降低安全风险。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种服务于电力生产作业场景的安全监管方法及系统。
背景技术
在大规模开展电力基建和电力检修等工程项目时,现场施工作业量大且作业环境复杂,导致风险隐患高,对于作业风险较高的电力施工作业,一旦出现作业事故往往会引起重大安全事故。因此,在电力作业过程中,包括电力建设和电力检修,均需要借助各种技术手段和规范制度来提升作业的安全性。
当前的电力作业通常选派管理人员进行现场监督与管理,但是该做法存在以下几点不足:1)无法在作业全程中保持高度专注;2)现场环境复杂,人工监督难以面面俱到;3)违规操作取证采样困难,且后续还需要人工复检。综上所述,依靠人工监督的方法给电力作业管理带来比较高的不确定性,对作业风险的管控仍不到位,难以保障施工人员的人身安全。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种服务于电力生产作业场景的安全监管方法及系统,通过智能化地对电力作业全程进行实时监控取证与违规操作警示,可大幅度地提升电力作业的安全性。
为了解决上述问题,本发明提出了一种服务于电力生产作业场景的安全监管方法,所述方法包括:
采集各个不同电力作业场景的图像训练样本,并对所述图像训练样本进行特征标记;
搭建图像识别神经网络,利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络;
采集当前电力作业场景的图像样本,并基于所述最优图像识别神经网络对所述图像样本进行特征标记;
获取标记后的图像样本中所包含的关键物体的相关信息,并基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作;
在判断当前电力作业场景下出现违规操作之后,生成对所述关键物体的违规操作告警信息。
可选的,所述利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络包括:
利用标记后的图像训练样本对所述图像识别神经网络进行训练,获取训练后的权重因子;
利用所述权重因子对所述图像识别神经网络进行优化,获取所述最优图像识别神经网络。
可选的,所述关键物体的相关信息包括所述关键物体所对应的类别记号、标记框中心点位置和标记框大小信息。
可选的,所述基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作包括:
将所述关键物体的相关信息导入运行逻辑判断函数进行求解,获取所述关键物体的交并比;
判断所述交并比是否小于预设阈值;
若所述交并比小于所述预设阈值,则判断当前电力作业场景下出现违规操作,并生成对所述关键物体的违规操作告警信息;
若所述交并比大于等于所述预设阈值,则判断当前电力作业场景下未出现违规操作,并基于作业规范对当前电力作业场景进行风险提示。
可选的,所述运行逻辑判断函数为:
其中,xi为标记框中心点位置i所指代的关键物体,xk为标记框中心点位置k所指代的关键物体,xm为标记框中心点位置m所指代的关键物体,xn为标记框中心点位置n所指代的关键物体,R(xi)为关键物体xi的标记框大小信息,R(xk)为关键物体xk的标记框大小信息,R(xm)为关键物体xm的标记框大小信息,R(xn)为关键物体xn的标记框大小信息,y为交并比。
另外,本发明实施例还提供了一种服务于电力生产作业场景的安全监管系统,所述系统包括:
样本预采集模块,用于采集各个不同电力作业场景的图像训练样本,并对所述图像训练样本进行特征标记;
网络训练模块,用于搭建图像识别神经网络,利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络;
样本提取模块,用于采集当前电力作业场景的图像样本,并基于所述最优图像识别神经网络对所述图像样本进行特征标记;
行为判断模块,用于获取标记后的图像样本中所包含的关键物体的相关信息,并基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作;
错误告警模块,用于在判断当前电力作业场景下出现违规操作之后,生成对所述关键物体的违规操作告警信息。
可选的,所述网络训练模块用于利用标记后的图像训练样本对所述图像识别神经网络进行训练,获取训练后的权重因子;利用所述权重因子对所述图像识别神经网络进行优化,获取所述最优图像识别神经网络。
可选的,所述关键物体的相关信息包括所述关键物体所对应的类别记号、标记框中心点位置和标记框大小信息。
可选的,所述行为判断模块用于将所述关键物体的相关信息导入运行逻辑判断函数进行求解,获取所述关键物体的交并比;判断所述交并比是否小于预设阈值;若所述交并比小于所述预设阈值,则判断当前电力作业场景下出现违规操作,并跳转至所述错误告警模块执行;若所述交并比大于等于所述预设阈值,则判断当前电力作业场景下未出现违规操作,并基于作业规范对当前电力作业场景进行风险提示。
可选的,所述运行逻辑判断函数为:
其中,xi为标记框中心点位置i所指代的关键物体,xk为标记框中心点位置k所指代的关键物体,xm为标记框中心点位置m所指代的关键物体,xn为标记框中心点位置n所指代的关键物体,R(xi)为关键物体xi的标记框大小信息,R(xk)为关键物体xk的标记框大小信息,R(xm)为关键物体xm的标记框大小信息,R(xn)为关键物体xn的标记框大小信息,y为交并比。
在本发明实施例中,通过图像识别神经网络可对电力作业场景进行智能化地特征提取与信息取证,并借助交并比完成违规操作识别,相比于传统的人工监督方式可大幅度地提升电力作业的安全性,保障对电力作业风险的精细化管控,同时降低人力成本与时间成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例公开的一种服务于电力生产作业场景的安全监管方法的流程示意图;
图2是本发明实施例公开的一种服务于电力生产作业场景的安全监管系统的结构组成图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示出了本发明实施例中的一种服务于电力生产作业场景的安全监管方法的流程示意图,所述方法包括如下:
S101、采集各个不同电力作业场景的图像训练样本,并对所述图像训练样本进行特征标记;
在本发明实施例中,首先利用终端设备在各个不同应用场景下采集电力作业的图像训练样本,其中所述图像训练样本包含符合作业规范的训练样本与不符合作业规范的训练样本;其次将所述图像训练样本通过远程通讯方式上传至服务器,并在该服务器中通过LabelImg图像标注软件对所述图像训练样本进行关键物体标注,其中所述关键物体包括工作人员、安全帽、护目镜和电焊枪,在标注过程中应遵循以下两点:针对不同应用场景下所出现的同一种物体应统一类别标记,并以不同工作人员进行归属区分;针对同一种物体的标注原则应尽量保持统一性,如标注安全帽时应把人体头部同时框选、标注电焊枪时应把手持该电焊枪的人体手部同时框选。
需要说明的是,所述终端设备具备图像采集功能、行为识别功能、人机交互功能与数据上传功能,且其在电力作业现场可通过固定在某一位置或者由工作人员手持操作来完成后续的识别报警功能。
S102、搭建图像识别神经网络,利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络;
在本发明实施实施例中,首先以YOLOv3神经网络框架作为所述图像识别神经网络,使用公共图像数据库上的模型参数对所述图像识别神经网络进行初始化;其次,利用标记后的图像训练样本对所述图像识别神经网络进行训练,获取训练后的权重因子,包括:将标记后的图像训练样本按照技术人员规定的比例划分为两部分,其中的小部分训练样本作为训练结果的检验数据集,剩下的大部分训练样本作为训练数据集输入至所述图像识别神经网络进行模型训练,即通过将该大部分训练样本进行分类,在ImageNet层上结合SGD优化方法和MSE代价函数对其中的各类训练样本进行多轮训练,从而获取所述权重因子;最后,利用所述权重因子对所述图像识别神经网络进行优化,即对其收敛速度进行适当调整,以获取所述最优图像识别神经网络,再将所述最优图像识别神经网络通过远程通讯方式回传至特定终端设备进行下载烧录,或者在网络状态不佳的情况下通过可移动数据存储设备进行拷贝粘贴。
S103、采集当前电力作业场景的图像样本,并基于所述最优图像识别神经网络对所述图像样本进行特征标记;
在本发明实施例中,首先由该特定终端设备对其所处的当前作业场景进行图像样本的采集,利用所述最优图像识别神经网络根据特征分类原则对所述图像样本进行物体识别,对符合规定特征的关键物体及其相关联的周围环境进行标记框绘制,并记录该标记框的中心点位置与大小信息,同时显示出该标记框所对应的物体名称,便于技术人员查看比对。
需要说明的是,由于该特定终端设备具备人机交互功能,说明在该特定终端设备的界面上可查询到关于标记框的各个相关信息,若所述最优图像识别神经网络在反馈识别完毕的情况下,技术人员查询不到任何输出结果且已通过人工排查方式确认所述图像样本存在关键物体时,可通过重置该特定终端设备的工作状态、或者对所述最优图像识别神经网络进行重新烧录或者重新训练的方式来消除故障。
S104、获取标记后的图像样本中所包含的关键物体的相关信息,并基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作;
在本发明实施例中,所述关键物体的相关信息包括所述关键物体所对应的类别记号、标记框中心点位置和标记框大小信息。具体实施过程包括:
(1)将所述关键物体的相关信息导入运行逻辑判断函数进行求解,获取所述关键物体的交并比,其中所述运行逻辑判断函数为:
式中,xi为标记框中心点位置i所指代的关键物体,xk为标记框中心点位置k所指代的关键物体,xm为标记框中心点位置m所指代的关键物体,xn为标记框中心点位置n所指代的关键物体,R(xi)为关键物体xi的标记框大小信息,R(xk)为关键物体xk的标记框大小信息,R(xm)为关键物体xm的标记框大小信息,R(xn)为关键物体xn的标记框大小信息,y为交并比。
假设所述标记后的图像样本中包含有人员A、人员B和人员C,而针对人员A佩戴安全帽的情况标记为A1、人员B佩戴护目镜的情况标记为B2以及人员C手持电焊枪的情况标记为C3,以此类推,以判断当前电力作业场景下是否出现人员A未佩戴安全帽的情况为例进行说明:从所述关键物体的相关信息中筛选出类别标记为A1的所有相关信息,接着基于所有相关信息中所包含的标记框中心点位置,按照距离最小原则将所有相关信息进行两两组合(如xi与xk组合,xm与xn组合),并利用上述公式求解出人员A佩戴安全帽的交并比。
(2)判断所述交并比是否小于预设阈值,其中该预设阈值是由技术人员根据需要的判断精度自行设定的,其判断结果包括:若所述交并比小于所述预设阈值,则判断当前电力作业场景下出现违规操作,即说明在当前电力作业场景下人员A出现未佩戴安全帽的违规操作,继续执行步骤S106;若所述交并比大于等于所述预设阈值,则判断当前电力作业场景下未出现违规操作,即说明在当前电力作业场景下人员A正常佩戴安全帽,继续执行步骤S105。
S105、基于作业规范对当前电力作业场景进行风险提示;
在本发明实施例中,对当前电力作业场景进行风险提示的具体表现为:针对该服务器所发送的当前电力作业场景所处的环境信息以及气象信息,结合作业规范来评估当前电力作业场景的安全风险等级,并对现场管理员进行提醒。
S106、生成对所述关键物体的违规操作告警信息。
在本发明实施例中,结合步骤S104所提供的例子,此时该特定终端设备将生成对人员A未佩戴安全帽的违规操作告警信息并显示在界面上,同时利用语音播报的方式进行现场示警,以提示现场管理员及时对该违规操作告警信息进行查看处理,再由现场管理员根据人员A的当前工作状态进行任务接收选择,分别为:当人员A处于允许不佩戴安全帽的状态,则现场管理人员手动选择取消警报;当人员A处于应佩戴安全帽的状态,则现场管理人员指导人员A更正违规行为,并手动选择对所述图像样本进行本地存档以及上报至该服务器进行备份管理,可作为人员A的违规证据。
图2示出了本发明实施例中的一种服务于电力生产作业场景的安全监管系统的结构组成图,所述系统包括:
样本预采集模块201,用于采集各个不同电力作业场景的图像训练样本,并对所述图像训练样本进行特征标记;
网络训练模块202,用于搭建图像识别神经网络,利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络;
具体的,所述网络训练模块202用于利用标记后的图像训练样本对所述图像识别神经网络进行训练,获取训练后的权重因子;利用所述权重因子对所述图像识别神经网络进行优化,获取所述最优图像识别神经网络。
样本提取模块203,用于采集当前电力作业场景的图像样本,并基于所述最优图像识别神经网络对所述图像样本进行特征标记;
行为判断模块204,用于获取标记后的图像样本中所包含的关键物体的相关信息,并基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作,其中所述关键物体的相关信息包括所述关键物体所对应的类别记号、标记框中心点位置和标记框大小信息;
具体的,所述行为判断模块204用于将所述关键物体的相关信息导入运行逻辑判断函数进行求解,获取所述关键物体的交并比;判断所述交并比是否小于预设阈值;若所述交并比小于所述预设阈值,则判断当前电力作业场景下出现违规操作,并跳转至所述错误告警模块205执行;若所述交并比大于等于所述预设阈值,则判断当前电力作业场景下未出现违规操作,并基于作业规范对当前电力作业场景进行风险提示。
其中,所述运行逻辑判断函数为:
式中,xi为标记框中心点位置i所指代的关键物体,xk为标记框中心点位置k所指代的关键物体,xm为标记框中心点位置m所指代的关键物体,xn为标记框中心点位置n所指代的关键物体,R(xi)为关键物体xi的标记框大小信息,R(xk)为关键物体xk的标记框大小信息,R(xm)为关键物体xm的标记框大小信息,R(xn)为关键物体xn的标记框大小信息,y为交并比。
错误告警模块205,用于在判断当前电力作业场景下出现违规操作之后,生成对所述关键物体的违规操作告警信息。
其中,所述系统被配置用于执行上述的服务于电力生产作业场景的安全监管方法,针对所述系统中的各个模块的具体实施方式请参考图1所示出的方法流程图及具体实施内容,在此不再赘述。
在本发明实施例中,通过图像识别神经网络可对电力作业场景进行智能化地特征提取与信息取证,并借助交并比完成违规操作识别,相比于传统的人工监督方式可大幅度地提升电力作业的安全性,保障对电力作业风险的精细化管控,同时降低人力成本与时间成本。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例所提供的一种服务于电力生产作业场景的安全监管方法及系统进行了详细介绍,本文中采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种服务于电力生产作业场景的安全监管方法,其特征在于,所述方法包括:
采集各个不同电力作业场景的图像训练样本,并对所述图像训练样本进行特征标记;
搭建图像识别神经网络,利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络;
采集当前电力作业场景的图像样本,并基于所述最优图像识别神经网络对所述图像样本进行特征标记;
获取标记后的图像样本中所包含的关键物体的相关信息,并基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作;
在判断当前电力作业场景下出现违规操作之后,生成对所述关键物体的违规操作告警信息。
2.根据权利要求1所述的服务于电力生产作业场景的安全监管方法,其特征在于,所述利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络包括:
利用标记后的图像训练样本对所述图像识别神经网络进行训练,获取训练后的权重因子;
利用所述权重因子对所述图像识别神经网络进行优化,获取所述最优图像识别神经网络。
3.根据权利要求1所述的服务于电力生产作业场景的安全监管方法,其特征在于,所述关键物体的相关信息包括所述关键物体所对应的类别记号、标记框中心点位置和标记框大小信息。
4.根据权利要求1所述的服务于电力生产作业场景的安全监管方法,其特征在于,所述基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作包括:
将所述关键物体的相关信息导入运行逻辑判断函数进行求解,获取所述关键物体的交并比;
判断所述交并比是否小于预设阈值;
若所述交并比小于所述预设阈值,则判断当前电力作业场景下出现违规操作,并生成对所述关键物体的违规操作告警信息;
若所述交并比大于等于所述预设阈值,则判断当前电力作业场景下未出现违规操作,并基于作业规范对当前电力作业场景进行风险提示。
6.一种服务于电力生产作业场景的安全监管系统,其特征在于,所述系统包括:
样本预采集模块,用于采集各个不同电力作业场景的图像训练样本,并对所述图像训练样本进行特征标记;
网络训练模块,用于搭建图像识别神经网络,利用标记后的图像训练样本对所述图像识别神经网络进行训练,并获取最优图像识别神经网络;
样本提取模块,用于采集当前电力作业场景的图像样本,并基于所述最优图像识别神经网络对所述图像样本进行特征标记;
行为判断模块,用于获取标记后的图像样本中所包含的关键物体的相关信息,并基于所述关键物体的相关信息判断当前电力作业场景下是否出现违规操作;
错误告警模块,用于在判断当前电力作业场景下出现违规操作之后,生成对所述关键物体的违规操作告警信息。
7.根据权利要求6所述的服务于电力生产作业场景的安全监管系统,其特征在于,所述网络训练模块用于利用标记后的图像训练样本对所述图像识别神经网络进行训练,获取训练后的权重因子;利用所述权重因子对所述图像识别神经网络进行优化,获取所述最优图像识别神经网络。
8.根据权利要求6所述的服务于电力生产作业场景的安全监管系统,其特征在于,所述关键物体的相关信息包括所述关键物体所对应的类别记号、标记框中心点位置和标记框大小信息。
9.根据权利要求6所述的服务于电力生产作业场景的安全监管系统,其特征在于,所述行为判断模块用于将所述关键物体的相关信息导入运行逻辑判断函数进行求解,获取所述关键物体的交并比;判断所述交并比是否小于预设阈值;若所述交并比小于所述预设阈值,则判断当前电力作业场景下出现违规操作,并跳转至所述错误告警模块执行;若所述交并比大于等于所述预设阈值,则判断当前电力作业场景下未出现违规操作,并基于作业规范对当前电力作业场景进行风险提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867416.9A CN112085620A (zh) | 2020-08-25 | 2020-08-25 | 一种服务于电力生产作业场景的安全监管方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867416.9A CN112085620A (zh) | 2020-08-25 | 2020-08-25 | 一种服务于电力生产作业场景的安全监管方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085620A true CN112085620A (zh) | 2020-12-15 |
Family
ID=73729744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010867416.9A Pending CN112085620A (zh) | 2020-08-25 | 2020-08-25 | 一种服务于电力生产作业场景的安全监管方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085620A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433026A (zh) * | 2023-04-17 | 2023-07-14 | 广东电网有限责任公司茂名供电局 | 一种智慧接地线现场管理方法、系统、介质及计算机 |
CN116579609A (zh) * | 2023-05-15 | 2023-08-11 | 三峡科技有限责任公司 | 一种基于巡检过程中的违规操作分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447034A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于YOLOv3网络的自动驾驶中交通标识检测方法 |
CN109697430A (zh) * | 2018-12-28 | 2019-04-30 | 成都思晗科技股份有限公司 | 基于图像识别的工作区域安全帽佩戴的检测方法 |
CN110502965A (zh) * | 2019-06-26 | 2019-11-26 | 哈尔滨工业大学 | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 |
CN110852283A (zh) * | 2019-11-14 | 2020-02-28 | 南京工程学院 | 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 |
CN111062429A (zh) * | 2019-12-12 | 2020-04-24 | 上海点泽智能科技有限公司 | 基于深度学习的厨师帽和口罩佩戴的检测方法 |
-
2020
- 2020-08-25 CN CN202010867416.9A patent/CN112085620A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447034A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于YOLOv3网络的自动驾驶中交通标识检测方法 |
CN109697430A (zh) * | 2018-12-28 | 2019-04-30 | 成都思晗科技股份有限公司 | 基于图像识别的工作区域安全帽佩戴的检测方法 |
CN110502965A (zh) * | 2019-06-26 | 2019-11-26 | 哈尔滨工业大学 | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 |
CN110852283A (zh) * | 2019-11-14 | 2020-02-28 | 南京工程学院 | 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 |
CN111062429A (zh) * | 2019-12-12 | 2020-04-24 | 上海点泽智能科技有限公司 | 基于深度学习的厨师帽和口罩佩戴的检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433026A (zh) * | 2023-04-17 | 2023-07-14 | 广东电网有限责任公司茂名供电局 | 一种智慧接地线现场管理方法、系统、介质及计算机 |
CN116579609A (zh) * | 2023-05-15 | 2023-08-11 | 三峡科技有限责任公司 | 一种基于巡检过程中的违规操作分析方法 |
CN116579609B (zh) * | 2023-05-15 | 2023-11-14 | 三峡科技有限责任公司 | 一种基于巡检过程中的违规操作分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110971878B (zh) | 一种工程现场管理系统 | |
CN111552700B (zh) | 一种用于对电力系统项目进行动态审计的智慧审计系统 | |
CN110322147A (zh) | 一种建设工程监理信息管理方法及系统 | |
CN109859829A (zh) | 一种基于微信公众平台的医疗设备报修系统及其运行方法 | |
WO2022110913A1 (zh) | 突发事件推演图结构的构建及突发事件推演的方法和装置 | |
CN107798489A (zh) | 一种基于微信平台的电网作业现场安全管理方法 | |
CN106327605A (zh) | 一种巡检方法 | |
CN112085620A (zh) | 一种服务于电力生产作业场景的安全监管方法及系统 | |
CN109117526A (zh) | 一种适用于机械系统设备维修指引数据记录及分析系统 | |
CN110689148A (zh) | 一种基于ar技术的计量设备故障检测方法 | |
CN109670673A (zh) | 露天矿生产管控系统 | |
CN106251240A (zh) | 基于大数据的输电网络预警方法 | |
US20240142063A1 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
CN107369123A (zh) | 应急模拟演练方案生成方法、装置、介质和计算机设备 | |
CN110677430A (zh) | 一种基于网络安全设备日志数据的用户风险度评估方法和系统 | |
CN114021971A (zh) | 一种高速公路运维管理综合评价系统、方法及存储介质 | |
CN110490361A (zh) | 城市电网应急管理的数字预案系统及其设计方法 | |
CN114091944A (zh) | 云端协同的配网工程现场作业分析决策系统 | |
CN115809785A (zh) | 一种智慧工地管理系统 | |
CN115987692B (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
CN104318739B (zh) | 电力安全、质量现场监察主站-无线数据终端管理系统 | |
CN109767108B (zh) | 一种电力调度系统线路状态精准分析方法 | |
CN106921519A (zh) | 一种基于自动化调度和流程管理进行ip路由封堵的方法 | |
CN104133850A (zh) | 基于历史运行数据筛分技术的配电网故障仿真分析方法 | |
CN112446619B (zh) | 配电网抢修处理方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |
|
RJ01 | Rejection of invention patent application after publication |