CN112347889B - 一种变电站作业行为辨识方法及装置 - Google Patents
一种变电站作业行为辨识方法及装置 Download PDFInfo
- Publication number
- CN112347889B CN112347889B CN202011183973.5A CN202011183973A CN112347889B CN 112347889 B CN112347889 B CN 112347889B CN 202011183973 A CN202011183973 A CN 202011183973A CN 112347889 B CN112347889 B CN 112347889B
- Authority
- CN
- China
- Prior art keywords
- electroscope
- adopting
- data set
- image
- end position
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000000306 recurrent effect Effects 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 36
- 230000005611 electricity Effects 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
Abstract
本发明公开了一种变电站作业行为辨识方法及装置,包括:获取大量标注过的验电棒图像;采用验电棒图像训练目标检测网络,得到验电棒检测模型;采用不同身高的人员进行验电操作,获取对应的验电视频数据集;采用验电棒检测模型检测验电视频数据集中每一帧图像,记录图像中验电棒的顶端和底端位置,得到包括验电棒顶端和底端位置的第一数据集;采用第一数据集对构建好的深度递归神经网络进行训练,得到验电违规检测模型;采用验电违规检测模型对新采集的验电视频进行分类,判断视频中是否出现违规验电行为。本发明通过采用卷积神经网络进行验电棒的检测、集成卷积网络和递归网络判别违规验电行为,提高了违规验电行为的识别率。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种变电站作业行为辨识方法及装置。
背景技术
变电站作为电力系统的关键节点,必须进行高质量的运行维护工作才能保证电力系统安全稳定运行。在变电站的运行维护和日常作业中,经常需要进行验电操作。由于变电站环境的危险性,验电操作通常必须由专业技术人员完成。但是,不同的技术人员对安全规范的理解和执行程度可能存在差异,从而带来潜在的违规操作风险,给验电安全造成了巨大隐患。实时监督验电人员的操作行为,自动对操作行为进行判别,及时提醒不规范的行为动作,从而避免安全事故的发生,是电力系统自动化发展和安全监管的重要需求。
人工智能,特别是基于深度学习的计算机视觉技术的发展,给自动化的视频行为分析带来了可能。通常来说,卷积特征具有描述图像深层特征的优势,而递归网络具有描述时序特征的优势,另外,卷积网络具有描述拓扑信息的优势;结合这三种深度学习网络进行视频行为分析,构建鲁棒的违规验电行为识别方法,具有非常重要的研究意义和价值。
发明内容
本发明实施例提供了一种变电站作业行为辨识方法及装置,使得提高了违规验电行为识别的稳定性。
有鉴于此,本发明第一方面提供了一种变电站作业行为辨识方法,所述方法包括:
获取大量标注过的验电棒图像,标注方法为采用矩形框标注出完整的所述验电棒图像中验电棒,同时标注验电棒的顶端和底端,所述验电棒图像包含不同光照条件的图像样本;
采用所述验电棒图像对构建好的目标检测网络进行训练,得到验电棒检测模型;
采用不同身高的人员进行验电操作,获取对应的验电视频数据集,所述验电视频数据集中包括正样本和负样本,所述正样本为合格的验电操作,所述负样本为违规的验电操作;
采用所述验电棒检测模型检测所述验电视频数据集中视频的每一帧图像,记录图像中验电棒的顶端和底端位置,得到包括验电棒顶端和底端位置的第一数据集;
采用所述第一数据集对构建好的深度递归神经网络进行训练,得到验电违规检测模型;
采用所述验电违规检测模型对新采集的验电视频进行分类,判断视频中是否出现违规验电行为。
可选的,所述目标检测网络的主干由YOLO网络构成,还包括用于检测所述验电棒图像中验电棒顶端和底端位置坐标的坐标回归分支。
可选的,所述深度递归神经网络采用双层双向LSTM深度学习结构,隐含层节点数设置为128,输出层节点数设置为2。
可选的,所述标注过的验电棒图像不少于1000张。
可选的,所述正样本和负样本的数量不少于20000张。
本发明第二方面提供一种变电站作业行为辨识装置,所述装置包括:
第一获取单元,用于获取大量标注过的验电棒图像,标注方法为采用矩形框标注出完整的所述验电棒图像中验电棒,同时标注验电棒的顶端和底端,所述验电棒图像包含不同光照条件的图像样本;
第一训练单元,用于采用所述验电棒图像对构建好的目标检测网络进行训练,得到验电棒检测模型;
第二获取单元,用于采用不同身高的人员进行验电操作,获取对应的验电视频数据集,所述验电视频数据集中包括正样本和负样本,所述正样本为合格的验电操作,所述负样本为违规的验电操作;
检测单元,用于采用所述验电棒检测模型检测所述验电视频数据集中视频的每一帧图像,记录图像中验电棒的顶端和底端位置,得到包括验电棒顶端和底端位置的第一数据集;
第二训练单元,用于采用所述第一数据集对构建好的深度递归神经网络进行训练,得到验电违规检测模型;
分类单元,用于采用所述验电违规检测模型对新采集的验电视频进行分类,判断视频中是否出现违规验电行为。
可选的,所述目标检测网络的主干由YOLO网络构成,还包括用于检测所述验电棒图像中验电棒顶端和底端位置坐标的坐标回归分支。
可选的,所述深度递归神经网络采用双层双向LSTM深度学习结构,隐含层节点数设置为128,输出层节点数设置为2。
可选的,所述标注过的验电棒图像不少于1000张。
可选的,所述正样本和负样本的数量不少于20000张。
从以上技术方案可以看出,本发明具有以下优点:
本发明中,提供了一种变电站作业行为辨识方法,获取大量标注过的验电棒图像,标注方法为采用矩形框标注出完整的验电棒图像中验电棒,同时标注验电棒的顶端和底端,验电棒图像包含不同光照条件的图像样本;采用验电棒图像对构建好的目标检测网络进行训练,得到验电棒检测模型;;采用不同身高的人员进行验电操作,获取对应的验电视频数据集,验电视频数据集中包括正样本和负样本,正样本为合格的验电操作,负样本为违规的验电操作;采用验电棒检测模型检测验电视频数据集中视频的每一帧图像,记录图像中验电棒的顶端和底端位置,得到包括验电棒顶端和底端位置的第一数据集;采用第一数据集对构建好的深度递归神经网络进行训练,得到验电违规检测模型;采用验电违规检测模型对新采集的验电视频进行分类,判断视频中是否出现违规验电行为。
本发明通过对验电棒图像中的验电棒以及验电棒的顶端和底端进行标注,通过卷积神经网络对包括合格验电操作的正样本和违规验电操作的负样本的待测图像中验电棒进行检测,从而获取验电棒顶端和底端位置数据集,采用第一数据集对构建好的深度递归神经网络进行训练,从而建立验电棒顶端和底端位置与验电是否违规之间的联系;通过采用集成卷积网络和递归网络进行违规验电行为的判别,提高了违规验电行为的识别率。
附图说明
图1为本发明一种变电站作业行为辨识方法的一个实施例的方法流程图;
图2为本发明一种变电站作业行为辨识装置的一个实施例的结构示意图;
图3为本发明实施例中的带分支的目标检测与坐标回归网络结构示意图;
图4为本发明实施例中的深度递归神经网络结构图。
具体实施方式
为了使本领域技术人员更好地理解本发明方案,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为一种变电站作业行为辨识方法的一个实施例的方法流程图,如图1所示,图1中包括:
101、获取大量标注过的验电棒图像,标注方法为采用矩形框标注出完整的验电棒图像中验电棒,同时标注验电棒的顶端和底端,验电棒图像包含不同光照条件的图像样本。
需要说明的是,本发明可以对获取的大量验电棒图像进行标注,需要标注的内容包括用矩形框标注图像中的验电棒,并标注验电棒的顶端和底端位置,验电棒图像包含不同光照条件的图像样本;另外获取的验电棒图像应当不少于1000张。
102、采用验电棒图像对构建好的目标检测网络进行训练,得到验电棒检测模型。
需要说明的是,本发明将标注好的验电棒图像训练构建好的目标检测网络,得到验电棒检测模型。验电棒检测模型可以采用基于深度学习的目标检测网络,目标神经网络的主干可以是YOLO网络构成,本发明在主干网络之后还增加了坐标回归分支,用于输出图像中验电棒的顶点坐标(X1,Y1)以及底端坐标(X2,Y2),其带坐标回归分支的卷积神经网络的具体结构如图3所示,图3仅为一种示例性说明,实际还可以包括其他结构。
103、采用不同身高的人员进行验电操作,获取对应的验电视频数据集,验电视频数据集中包括正样本和负样本,正样本为合格的验电操作,负样本为违规的验电操作。
需要说明的是,本发明获取的验电视频数据集可以采用监控摄像头直接进行录制获取,可以分别获取不同身高的人进行验电操作,避免验电人身高对验电棒坐标的影响;另外,采集的验电视频数据包括合格的验电操作视频数据以及不合格的验电操作视频数据,其中正样本为合格的验电操作视频数据,负样本为不合格的验电操作视频数据,本发明中获取的正样本和负样本的数量都应该不少于20000个。
104、采用验电棒检测模型检测验电视频数据集中视频的每一帧图像,记录图像中验电棒的顶端和底端位置,得到包括验电棒顶端和底端位置的第一数据集。
需要说明的是,本发明可以采用构建好的验电棒检测模型检测验电视频数据集中视频的每一帧图像,同时记录图像中验电棒的顶点坐标(X1,Y1)以及底端坐标(X2,Y2),得到包括验电棒顶端和底端位置的第一数据集,同时获取验电视频数据集中正样本、负样本及其验电棒顶端和底端位置的对应关系。
105、采用第一数据集对构建好的深度递归神经网络进行训练,得到验电违规检测模型。
需要说明的是,本发明将验电棒顶端和底端位置数据集对构建好的深度递归神经网络进行训练,从而获取正样本、负样本和验电棒顶端和底端位置的对应关系,生成验电违规检测模型。
具体的,深度递归神经网络可以采用双层双向LSTM深度学习结构,隐含层节点数设置为128,输出层节点数设置为2。深度递归神经网络的机构图可以参考图4所示的深度递归神经网络结构图。
106、采用验电违规检测模型对新采集的验电视频进行分类,判断视频中是否出现违规验电行为。
需要说明的是,对验电违规检测模型训练完成后,可以将待测的验电视频输入进验电违规检测模型中,通过正样本、负样本和验电棒顶端和底端位置的对应关系,输出分类结果,从而判断出待测验电视频中的验电操作是否违规。
本发明通过对验电棒图像中的验电棒以及验电棒的顶端和底端进行标注,通过卷积神经网络对包括合格验电操作的正样本和违规验电操作的负样本的待测图像中验电棒进行检测,从而获取验电棒顶端和底端位置数据集,采用包括验电棒顶端和底端位置的第一数据集对构建好的深度递归神经网络进行训练,从而建立验电棒顶端和底端位置与验电是否违规之间的联系;通过采用集成卷积网络和递归网络进行违规验电行为的判别,提高了违规验电行为的识别率。
以上是本发明方法的实施例,本发明还包括一种变电站作业行为辨识装置的一个实施例,如图2所示,图2中包括:
第一获取单元201,用于获取大量标注过的验电棒图像,标注方法为采用矩形框标注出完整的验电棒图像中验电棒,同时标注验电棒的顶端和底端,验电棒图像包含不同光照条件的图像样本;
第一训练单元202,用于采用验电棒图像对构建好的目标检测网络进行训练,得到验电棒检测模型;
第二获取单元203,用于采用不同身高的人员进行验电操作,获取对应的验电视频数据集,验电视频数据集中包括正样本和负样本,正样本为合格的验电操作,负样本为违规的验电操作;
检测单元204,用于采用验电棒检测模型检测验电视频数据集中视频的每一帧图像,记录图像中验电棒的顶端和底端位置,得到包括验电棒顶端和底端位置的第一数据集;
第二训练单元205,用于采用第一数据集对构建好的深度递归神经网络进行训练,得到验电违规检测模型;
分类单元206,用于采用验电违规检测模型对新采集的验电视频进行分类,判断视频中是否出现违规验电行为。
在一种具体的实施方式中,目标检测网络的主干由YOLO网络构成,还包括用于检测验电棒图像中验电棒顶端和底端位置坐标的坐标回归分支。
在一种具体的实施方式中,深度递归神经网络采用双层双向LSTM深度学习结构,隐含层节点数设置为128,输出层节点数设置为2。
在一种具体的实施方式中,标注过的验电棒图像不少于1000张。
在一种具体的实施方式中,正样本和负样本的数量不少于20000张。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明中术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:RandomAccess Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种变电站作业行为辨识方法,其特征在于,包括:
获取大量标注过的验电棒图像,标注方法为采用矩形框标注出完整的所述验电棒图像中验电棒,同时标注验电棒的顶端和底端,所述验电棒图像包含不同光照条件的图像样本;
采用所述验电棒图像对构建好的目标检测网络进行训练,得到验电棒检测模型;
采用不同身高的人员进行验电操作,获取对应的验电视频数据集,所述验电视频数据集中包括正样本和负样本,所述正样本为合格的验电操作,所述负样本为违规的验电操作;
采用所述验电棒检测模型检测所述验电视频数据集中视频的每一帧图像,记录图像中验电棒的顶端和底端位置,得到包括验电棒顶端和底端位置的第一数据集;
采用所述第一数据集对构建好的深度递归神经网络进行训练,得到验电违规检测模型;
采用所述验电违规检测模型对新采集的验电视频进行分类,判断视频中是否出现违规验电行为。
2.根据权利要求1所述的变电站作业行为辨识方法,其特征在于,所述目标检测网络的主干由YOLO网络构成,还包括用于检测所述验电棒图像中验电棒顶端和底端位置坐标的坐标回归分支。
3.根据权利要求1所述的变电站作业行为辨识方法,其特征在于,所述深度递归神经网络采用双层双向LSTM深度学习结构,隐含层节点数设置为128,输出层节点数设置为2。
4.根据权利要求1所述的变电站作业行为辨识方法,其特征在于,所述标注过的验电棒图像不少于1000张。
5.根据权利要求1所述的变电站作业行为辨识方法,其特征在于,所述正样本和负样本的数量不少于20000张。
6.一种变电站作业行为辨识装置,其特征在于,包括:
第一获取单元,用于获取大量标注过的验电棒图像,标注方法为采用矩形框标注出完整的所述验电棒图像中验电棒,同时标注验电棒的顶端和底端,所述验电棒图像包含不同光照条件的图像样本;
第一训练单元,用于采用所述验电棒图像对构建好的目标检测网络进行训练,得到验电棒检测模型;
第二获取单元,用于采用不同身高的人员进行验电操作,获取对应的验电视频数据集,所述验电视频数据集中包括正样本和负样本,所述正样本为合格的验电操作,所述负样本为违规的验电操作;
检测单元,用于采用所述验电棒检测模型检测所述验电视频数据集中视频的每一帧图像,记录图像中验电棒的顶端和底端位置,得到包括验电棒顶端和底端位置的第一数据集;
第二训练单元,用于采用所述第一数据集对构建好的深度递归神经网络进行训练,得到验电违规检测模型;
分类单元,用于采用所述验电违规检测模型对新采集的验电视频进行分类,判断视频中是否出现违规验电行为。
7.根据权利要求6所述的变电站作业行为辨识装置,其特征在于,所述目标检测网络的主干由YOLO网络构成,还包括用于检测所述验电棒图像中验电棒顶端和底端位置坐标的坐标回归分支。
8.根据权利要求6所述的变电站作业行为辨识装置,其特征在于,所述深度递归神经网络采用双层双向LSTM深度学习结构,隐含层节点数设置为128,输出层节点数设置为2。
9.根据权利要求6所述的变电站作业行为辨识装置,其特征在于,所述标注过的验电棒图像不少于1000张。
10.根据权利要求6所述的变电站作业行为辨识装置,其特征在于,所述正样本和负样本的数量不少于20000张。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183973.5A CN112347889B (zh) | 2020-10-29 | 2020-10-29 | 一种变电站作业行为辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183973.5A CN112347889B (zh) | 2020-10-29 | 2020-10-29 | 一种变电站作业行为辨识方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347889A CN112347889A (zh) | 2021-02-09 |
CN112347889B true CN112347889B (zh) | 2024-04-05 |
Family
ID=74355767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011183973.5A Active CN112347889B (zh) | 2020-10-29 | 2020-10-29 | 一种变电站作业行为辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347889B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297914B (zh) * | 2021-04-26 | 2023-04-18 | 云南电网有限责任公司信息中心 | 一种配网现场作业验电动作识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829429A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 基于YOLOv3的监控场景下的安防敏感物品检测方法 |
CN110321809A (zh) * | 2019-06-13 | 2019-10-11 | 国电南瑞科技股份有限公司 | 一种基于深度学习的变电站作业现场监测方法及装置 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
CN111669548A (zh) * | 2020-06-04 | 2020-09-15 | 赛特斯信息科技股份有限公司 | 针对配电网爬杆作业实现安全监管处理的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8761443B2 (en) * | 2012-04-18 | 2014-06-24 | Ivs, Inc. | Automatic record detection device and method for stop arm violation event |
-
2020
- 2020-10-29 CN CN202011183973.5A patent/CN112347889B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829429A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 基于YOLOv3的监控场景下的安防敏感物品检测方法 |
CN110321809A (zh) * | 2019-06-13 | 2019-10-11 | 国电南瑞科技股份有限公司 | 一种基于深度学习的变电站作业现场监测方法及装置 |
CN111222423A (zh) * | 2019-12-26 | 2020-06-02 | 深圳供电局有限公司 | 基于作业区域的目标识别方法、装置、计算机设备 |
CN111669548A (zh) * | 2020-06-04 | 2020-09-15 | 赛特斯信息科技股份有限公司 | 针对配电网爬杆作业实现安全监管处理的方法 |
Non-Patent Citations (1)
Title |
---|
"面向变电站视频监控终端的目标检测方法及其优化";吴晖 等;《广东电力》;20190925;第32卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112347889A (zh) | 2021-02-09 |
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 | |
CN111914468A (zh) | 一种空气污染智能监控分析方法及装置 | |
EP4163889A1 (en) | System for counting quantity of game tokens | |
CN111507283A (zh) | 基于课堂场景的学生行为识别方法及系统 | |
CN109101933A (zh) | 一种基于人工智能的情绪行为可视化分析方法 | |
CN108764047A (zh) | 群体情绪行为分析方法和装置、电子设备、介质、产品 | |
CN107896335B (zh) | 基于大数据技术的视频检测和评级方法 | |
CN110458126B (zh) | 一种受电弓状态监测方法及装置 | |
CN110931112A (zh) | 一种基于多维信息融合和深度学习的脑部医学影像分析方法 | |
CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
CN115460647B (zh) | 基于eSIM卡和5G基站的物联网故障定位方法及系统 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN116580350A (zh) | 一种实验室安全监测预警方法及系统 | |
CN112687022A (zh) | 一种基于视频的智能楼宇巡检方法及系统 | |
CN109783560A (zh) | 基于深度学习多特征融合的电力设备状态的检测方法 | |
CN113780342A (zh) | 一种基于自监督预训练的智能检测方法、装置及机器人 | |
CN111368824B (zh) | 一种仪表识别方法、移动设备及存储介质 | |
CN112347889B (zh) | 一种变电站作业行为辨识方法及装置 | |
CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
CN105160285A (zh) | 基于立体视觉的自动人体跌倒识别方法及系统 | |
CN113313084A (zh) | 一种基于深度学习的睡岗检测方法 | |
CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 | |
CN108073854A (zh) | 一种现场巡检的检测方法及装置 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |