CN112634233A - 基于图像检测和分析技术在配电设备中的应用方法 - Google Patents

基于图像检测和分析技术在配电设备中的应用方法 Download PDF

Info

Publication number
CN112634233A
CN112634233A CN202011545120.1A CN202011545120A CN112634233A CN 112634233 A CN112634233 A CN 112634233A CN 202011545120 A CN202011545120 A CN 202011545120A CN 112634233 A CN112634233 A CN 112634233A
Authority
CN
China
Prior art keywords
image
power distribution
distribution equipment
analysis
target detection
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
Application number
CN202011545120.1A
Other languages
English (en)
Inventor
杨长征
张志明
王勇
刘欧
代安东
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.)
Sichuan Electric Appliance Group Middle And Low Voltage Intelligent Distribution Co ltd
Original Assignee
Sichuan Electric Appliance Group Middle And Low Voltage Intelligent Distribution Co ltd
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 Sichuan Electric Appliance Group Middle And Low Voltage Intelligent Distribution Co ltd filed Critical Sichuan Electric Appliance Group Middle And Low Voltage Intelligent Distribution Co ltd
Priority to CN202011545120.1A priority Critical patent/CN112634233A/zh
Publication of CN112634233A publication Critical patent/CN112634233A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于图像检测和分析技术在配电设备中的应用方法，其目的是基于目标检测、姿态分析和图像增强技术构建一种低成本、高准确率，且能够适用于各种复杂环境下的配电设备管理技术。使用YOLO V3目标检测技术对以能够精确地从摄像头采集的视频中检测定位出人、狗、车等目标，并提取为只包含人的部分的连续图像序列，然后通过改进的OpenPose算法对提取出的连续图像序列进行分析。同时为了使本发明能够适用于各种天气和环境，本发明使用图像去雾和低光照图像增强技术对摄像头的视频进行逐帧处理，并且对设备硬件需求较低，程序推理速度较快，推理准确性较高，适用性强。

Description

基于图像检测和分析技术在配电设备中的应用方法
技术领域
本发明涉及配电设备监测技术领域，特别涉及基于图像检测和分析技术在配电设备中的应用方法。
背景技术
近些年，由于深度神经网络的出现，人工智能在图像增强、目标检测、姿态分析等领域取得了很大的成功。这些技术的准确率和实时性已经能够达到和人相当甚至超过人的水平，并且这些技术依托智能摄像头等设备对数据进行采集和处理，已经被广泛的应用于自动驾驶、高铁站人流管理等应用场景中。
一直以来，我国对于配电主要通过人工值守和视频监控两种方式。对于人工值守的配电设备管理方式，由于配电设备数量众多且分布较广，人工值守需要耗费了极大的人工成本。对于采用视频监控的配电设备管理方式，由于配电设备分布区域广泛以及对于视频处理的效率较差，主要使用人工处理，对各配电设备发生的情况无法做到实时处理，并且处理存在大量纰漏。同时由于许多配电设备位于室外，采用视频监控的管理方式受天气、光照等因素的影响较大。
发明内容
本发明的目的在于克服现有技术的不足，提供了基于图像检测和分析技术在配电设备中的应用方法。
本发明的目的是通过以下技术方案来实现的：
基于图像检测和分析技术在配电设备中的应用方法，包括以下步骤：
S1:在配电设备周围安装若干个智能摄像头，并利用智能摄像头对配电设备周围进行实时监测并形成视频；
S2:将S1中的视频进行逐帧分离形成图像，并对分离后的每帧图像中的雾以及明暗情况进行判断，如果判断图像需要处理，那么需要先对图像进行处理后才能进入下一步，如果判断图像不需要处理就可直接进入下一步；
S3:利用目标检测模型YOLO V3对S2中输出后的视频中的目标进行检测，当检测到视频中存在人时，将标定人所在的位置进行锚点以及在相应边框的长宽值进行，得到只包含人的连续序列图像；
S4:将S3中输出的连续序列图像输入到OpenPose算法中进行姿态分析，并根据姿态分析得出的结果作出相应的响应；
S5:将姿态分析的结果以及响应的结果都传输至监测用户端，并对配电设备周围的人进行提示。
进一步地，所述S2中，图像需要去雾采用暗通道处理方法进行去雾；
对于任何输入的图像J，其暗通道可以用公式①来表示：
Figure BDA0002855779660000021
其中，Jc表示彩色图像每个通道，Ω(x)是以x为中心的一块方形区域；
所以，对于一张待处理的图像，可以通过公式②来表示：
I(x)＝J(x)t(x)+A(1-t(x)) ②
其中，J(x)是去雾后的图像，t(x)为透射率，A为全球的大气光成分；通过公式②，我们可以推导出图像去雾公式如公式③所示：
Figure BDA0002855779660000022
其中，t0为预设的透射率的下限值，通过使用公式③建立的算法，可以成功的去除图像中的雾。
进一步地，所述S2中，图像需要增强采用直方图均衡算法的原理，对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量控制在一个小的区间内。
进一步地，所述S3中，利用目标检测模型YOLO V3对目标进行检测，包括以下步骤：
S3.1：将图像输入到目标检测模型YOLO V3中；
S3.2：利用目标检测模型YOLO V3中的特征提取模块的对图像中的特征信息进行快速提取；
S3.3：利用目标检测模型YOLO V3中的全连接层对图像中非线性特征信息进行提取；
S3.4利用目标检测模型YOLO V3中的检测模块对有特征的图像设置一个置信度，对本置信度高的人进行坐标及长宽比例标记；
S3.5：从目标检测模型YOLO V3中输出图像。
进一步地，所述S3.4中，人或物体的坐标以输入图像的边框为基准，输入图像的下侧边为x轴，输入图像左边为y轴。
进一步地，所述S4中，利用OpenPose算法进行姿态分析，包括以下步骤：
S4.1：输入带有标记的图像；
S4.2：将所述S4.1中的图像输入到特征提取模块中，并对图像中的特征进行提取；
S4.3：将S4.2中提取的特征输入到两个并行的卷积网络中，一个分支的卷积网络用来预测包含有多个关节的关节置信图，另一个分支的卷积网络用来预测包含有多个关节仿射场的集合；
S4.4：优化每个分支的特征，使关节置信图每个关节对之间连接形成二分匹配图；
S4.5：使用PAF值将二分匹配图里较弱的关节对之间的连接删除；
S4.6：检出图像中所有人的人体姿态骨架，得到解析结果，并对测到的人的图像进行姿态评估。
进一步地，所述S5中，所述提示包括对路过的人进行安全提醒，对偷盗和破坏的人进行警告并将信息报送相关人员。
本发明的有益效果是：
本发明采用搭载高效的目标检测神经网络模型YOLO V3的智能摄像头对配电设备进行监测，本目标检测模型具有推理速度快、检测准确率高、内存和计算资源占用小等特点，能够在几毫秒的时间内准确地完成对采集到视频中出现的物体进行检测，能够对配电设备附近所出现的各种情况进行实时地和准确地处理，同时由于本模型对于内存和计算资源需求低，使用本模型进行采集视频的处理可以降低配电设备管理的成本。通过改进的OpenPose算法对检测模型检测到的目标的行为进行实时姿态分析，将目标的行为判定为正常接近、破坏设备、偷盗设备等行为，对正常接近的目标播放带电勿靠近的语言提醒，对破防和偷盗行为的目标播放警报并反馈给相关人员进行处理。采用图像去雾技术和低光照图像增强技术对摄像头采集的视频进行逐帧增强，以在雾天和夜晚等环境下对配电设备进行有效的管理。
附图说明
图1为本发明流程图；
图2为图像去雾效果图；
图3为低光照图像增强效果图；
图4为YOLO模型检测过程图；
图5为姿态评估流程图；
图6为姿态评估效果图。
具体实施方式
下面将结合实施例，对本发明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，本领域技术人员在没有付出创造性劳动的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。
参阅图1-6，本发明提供一种技术方案：
基于图像检测和分析技术在配电设备中的应用方法，包括以下步骤：
(1)在配电设备周围安装若干个智能摄像头，并利用智能摄像头对配电设备周围进行实时监测，并将监测的过程形成视频。
(2)将步骤(1)中的视频进行逐帧分离形成图像，并对分离后的每帧图像中的雾以及明暗情况进行判断，如果判断图像需要处理，那么需要先对图像进行处理后才能进入下一步，如果判断图像不需要处理就可直接进入下一步。本阶段为图像增强阶段，是将摄像头采集到的视频进行逐帧的图像增强，对雾天图像进行去雾，对低光照图像进行光照增强，通用图像增强阶段，可以使后续的目标检测和姿态分析阶段适用于各种复杂环境。此步骤先判断是否去雾，如果需要就先去雾，如果不需要就进入到图像明暗检测，如果图像较暗，那就需要进行低光照图像增强，如果图像不暗，就直接进入到目标检测模型中。
(3)利用目标检测模型YOLO V3对步骤(2)中输出后的视频中的目标进行检测，当检测到视频中存在人时，将标定人所在的位置进行锚点以及在相应边框的长宽值进行，得到只包含人的连续序列图像。本阶段为目标检测阶段，是将通过目标检测模型YOLO V3对检测视频中的目标进行检测，当检测到视频中存在人时，将标定人所在位置的锚点(Achor)和相应边框的长宽值以得到只包含人的连续图像序列。
(4)将步骤(3)中输出的连续序列图像输入到OpenPose算法中进行姿态分析，并根据姿态分析得出的结果作出相应的响应。
(5)将姿态分析的结果以及响应的结果都传输至监测用户端，并对配电设备周围的人进行提示。
在一些实施例中，在步骤(2)中，图像需要去雾采用暗通道处理方法进行去雾；对于任何输入的图像J，其暗通道可以用公式①来表示：
Figure BDA0002855779660000061
其中，Jc表示彩色图像每个通道，Ω(x)是以x为中心的一块方形区域；
所以，对于一张待处理的图像，可以通过公式②来表示：
I(x)＝J(x)t(x)+A(1-t(x)) ②
其中，J(x)是去雾后的图像，t(x)为透射率，A为全球的大气光成分；通过公式②，我们可以推导出图像去雾公式如公式③所示：
Figure BDA0002855779660000062
其中，t0为预设的透射率的下限值，通过使用公式③建立的算法，可以成功的去除图像中的雾。图像去雾效果如图2所示。
在一些实施例中，在步骤(2)中，图像需要增强采用直方图均衡算法的原理，对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量控制在一个小的区间内。在实际应用中，配电设备需要长时间在低光照的环境下工作，本技术基于直方图均衡算法对低光照图像进行增强。直方图均衡算法的原理是对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量大致相等。在通过直方图均衡算法处理的直方图中，其中间的峰顶部分对比度会得到增强，而两侧的谷底部分对比度降低。在直方图中，如果输出数据分段值较小的话，会产生粗略分类的视觉效果。采用直方图均衡算法进行低光照图像增强的效果如图3所示。
在一些实施例中，在步骤(3)中，利用目标检测模型YOLO V3对目标进行检测包括以下步骤：(3.1)将图像输入到目标检测模型YOLO V3中；(3.2)利用目标检测模型YOLO V3中的特征提取模块的对图像中的特征信息进行快速提取；(3.3)利用目标检测模型YOLO V3中的全连接层对图像中非线性特征信息进行提取；(3.4)利用目标检测模型YOLO V3中的检测模块对有特征的图像设置一个置信度，对本置信度高的人进行坐标及长宽比例标记；(3.5)从目标检测模型YOLO V3中输出图像。YOLO模型检测过程如图4所示，YOLO V3是一种的基于深度神经网络轻量级目标检测模型，YOLO V3模型以端到端的方式进行目标检测。与传统的目标检测模型相比，YOLO V3的检测准确率与传统模型相当，但是其推理速度远快于传统模型。同时其对计算资源和内存的需求也远低于传统模型，非常适合部署于摄像头等设备。本技术将YOLO V3模型部署于智能摄像头上用于配电设备管理，一是可以降低对摄像头的计算和内存资源需求，二是可以加速目标检测速度，对配电设备出现的各种情况及时做出反应。
在一些实施例中，在步骤(3.4)中，人或物体的坐标以输入图像的边框为基准，输入图像的下侧边为x轴，输入图像左边为y轴。输入图像输入到YOLO模型中，YOLO模块从左到右依次为特征提取模块、全连接层、检测模块。特征提取模块：由先进的预训练卷积神经网络组成，本模型性能优越且内存和计算量负担较少，能够快速有效地提取出输入图像中的特征信息。全连接层：包含连个全连接卷积神经网络，本部分的作用是提升提取的特征的非线性，以提升图像检测的效果。检测模块：有一组卷积神经网络组成，输出为一个置信度和边框的四个坐标值。置信度是对本边框预测的确定性分数，分数越高则越肯定本边框内存在物体。四个坐标值分布为本边框相对于输入图像的x和y轴的相对值以及长宽比例，已经检测边框相对于整个输入图像的长宽比例。通过将摄像头采集到的视频中的逐帧的图像输入到YOLO模型中，可以检测出图像中出现的人，同时将包含人的区域分离出来用于后续的姿态评估。
在一些实施例中，在步骤(4)中，利用OpenPose算法进行姿态分析包括以下步骤：(4.1)输入带有标记的图像；(4.2)将步骤(4.1)中的图像输入到特征提取模块中，并对图像中的特征进行提取；(4.3)将步骤(4.2)中提取的特征输入到两个并行的卷积网络中，一个分支的卷积网络用来预测包含有多个关节的关节置信图，另一个分支的卷积网络用来预测包含有多个关节仿射场的集合；(4.4)优化每个分支的特征，使关节置信图每个关节对之间连接形成二分匹配图；(4.5)使用PAF值将二分匹配图里较弱的关节对之间的连接删除；(4.6)检出图像中所有人的人体姿态骨架，得到解析结果，并对测到的人的图像进行姿态评估。本发明的目的是进行实时的、准确的配电设备管理，所以本发明改进了OpenPose算法进行实时姿态评估，姿态评估过程如图5所示。首先输入图像会先经过特征提取模块经过特征提取，接下来，提取的特征会被输入到两个并行的卷积网络中，第一个分支用来预测18个置信图，每个图代表人体骨架中的一个关节。第二个分支预测一个集合，本集合中包含38个关节仿射场(Part Affinity Fields，PAFs)，描述各关节之间的连接程度。然后，通过用一连串的步骤来优化每个分支的特征。使用关节置信图每个关节对之间形成二分匹配图。最后，使用PAF值将二分匹配图里较弱的连接被删除，检出图中所有人的人体姿态骨架，姿态评估效果图如图6所示。
在一些实施例中，在步骤(5)中，所述提示包括对路过的人进行安全提醒，对偷盗和破坏的人进行警告并将信息报送相关人员。通过将配电设备附近检测到的人的图像进行姿态评估，可以分析出其行为是正常路过、偷盗还是破坏，从而有效的、准确度做出反应，对路过的人进行安全预警，对偷盗和破坏的人进行防盗警报并将信息报送相关人员。
本发明的目的是基于目标检测、姿态分析和图像增强技术构建一种低成本的、高准确率的，且能够适用于各种复杂环境下的配电设备管理技术。本发明中首先使用YOLO V3目标检测技术对以能够精确地从摄像头采集的视频中检测定位出人、狗、车等目标，并提取为只包含人的部分的连续图像序列。然后通过改进的OpenPose算法对提取出的连续图像序列进行分析，针对不同的分析结果进行不同的措施。同时为了使本发明能够适用于各种天气和环境，本发明使用图像去雾和低光照图像增强技术对摄像头的视频进行逐帧处理。本发明对设备硬件需求较低，程序推理速度较快，推理准确性较高，适用性强，可以很大程度上推动配电设备管理朝着低成本化、高适应性、高准确性的方向发展。
本发明将基于深度学习的人工智能模型部署于智能摄像头等设备对配电设备进行管理。本发明使用图像增强技术来克服传统室外配电设备的视频监控受天气和环境干扰的问题，拓宽了本配电设备管理技术的适用性。同时本发明还考虑了智能摄像头计算和内存资源有限的问题，使用了轻量级的人工智能模型，在保证能够准确地检测配电设备附近的目标的同时具有快速的推理能力。并且本发明使用的目标检测模型对计算和内存资源的需求较低，能够降低配电设备管理的硬件成本。本发明也克服了传统配电设备管理中需要人工现场值守或视频值守的问题，本发明使用姿态评估技术对配电设备附近检测到的目标姿态进行自动地分析并准确地判定其行为，然后做出相应措施，极大地降低了配电设备管理的人工成本。本技术将图像增强技术、目标检测技术、姿态评估技术融合应用，构建了一个完整的配电设备管理模型。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.基于图像检测和分析技术在配电设备中的应用方法，其特征在于，包括以下步骤：
S1:在配电设备周围安装若干个智能摄像头，并利用智能摄像头对配电设备周围进行实时监测并形成视频；
S2:将S1中的视频进行逐帧分离形成图像，并对分离后的每帧图像中的雾以及明暗情况进行判断，如果判断图像需要处理，那么需要先对图像进行处理后才能进入下一步，如果判断图像不需要处理就可直接进入下一步；
S3:利用目标检测模型YOLO V3对S2中输出后的视频中的目标进行检测，当检测到视频中存在人时，将标定人所在的位置进行锚点以及在相应边框的长宽值进行，得到只包含人的连续序列图像；
S4:将S3中输出的连续序列图像输入到OpenPose算法中进行姿态分析，并根据姿态分析得出的结果作出相应的响应；
S5:将姿态分析的结果以及响应的结果都传输至监测用户端，并对配电设备周围的人进行提示。
2.根据权利要求1所述的基于图像检测和分析技术在配电设备中的应用方法，其特征在于：所述S2中，图像需要去雾采用暗通道处理方法进行去雾；
对于任何输入的图像J，其暗通道可以用公式①来表示：
Figure FDA0002855779650000011
其中，Jc表示彩色图像每个通道，Ω(x)是以x为中心的一块方形区域；
所以，对于一张待处理的图像，可以通过公式②来表示：
I(x)＝J(x)t(x)+A(1-t(x)) ②
其中，J(x)是去雾后的图像，t(x)为透射率，A为全球的大气光成分；通过公式②，我们可以推导出图像去雾公式如公式③所示：
Figure FDA0002855779650000021
其中，t0为预设的透射率的下限值，通过使用公式③建立的算法，可以成功的去除图像中的雾。
3.根据权利要求1或2所述的基于图像检测和分析技术在配电设备中的应用方法，其特征在于：所述S2中，图像需要增强采用直方图均衡算法的原理，对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量控制在一个小的区间内。
4.根据权利要求1所述的基于图像检测和分析技术在配电设备中的应用方法，其特征在于，所述S3中，利用目标检测模型YOLO V3对目标进行检测，包括以下步骤：
S3.1：将图像输入到目标检测模型YOLO V3中；
S3.2：利用目标检测模型YOLO V3中的特征提取模块的对图像中的特征信息进行快速提取；
S3.3：利用目标检测模型YOLO V3中的全连接层对图像中非线性特征信息进行提取；
S3.4利用目标检测模型YOLO V3中的检测模块对有特征的图像设置一个置信度，对本置信度高的人进行坐标及长宽比例标记；
S3.5：从目标检测模型YOLO V3中输出图像。
5.根据权利要求4所述的基于图像检测和分析技术在配电设备中的应用方法，其特征在于：所述S3.4中，人或物体的坐标以输入图像的边框为基准，输入图像的下侧边为x轴，输入图像左边为y轴。
6.根据权利要求4或5所述的基于图像检测和分析技术在配电设备中的应用方法，其特征在于，所述S4中，利用OpenPose算法进行姿态分析，包括以下步骤：
S4.1：输入带有标记的图像；
S4.2：将所述S4.1中的图像输入到特征提取模块中，并对图像中的特征进行提取；
S4.3：将S4.2中提取的特征输入到两个并行的卷积网络中，一个分支的卷积网络用来预测包含有多个关节的关节置信图，另一个分支的卷积网络用来预测包含有多个关节仿射场的集合；
S4.4：优化每个分支的特征，使关节置信图每个关节对之间连接形成二分匹配图；
S4.5：使用PAF值将二分匹配图里较弱的关节对之间的连接删除；
S4.6：检出图像中所有人的人体姿态骨架，得到解析结果，并对测到的人的图像进行姿态评估。
7.根据权利要求1所述的基于图像检测和分析技术在配电设备中的应用方法，其特征在于：所述S5中，所述提示包括对路过的人进行安全提醒，对偷盗和破坏的人进行警告并将信息报送相关人员。
CN202011545120.1A 2020-12-24 2020-12-24 基于图像检测和分析技术在配电设备中的应用方法 Pending CN112634233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011545120.1A CN112634233A (zh) 2020-12-24 2020-12-24 基于图像检测和分析技术在配电设备中的应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011545120.1A CN112634233A (zh) 2020-12-24 2020-12-24 基于图像检测和分析技术在配电设备中的应用方法

Publications (1)

Publication Number Publication Date
CN112634233A true CN112634233A (zh) 2021-04-09

Family

ID=75324152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011545120.1A Pending CN112634233A (zh) 2020-12-24 2020-12-24 基于图像检测和分析技术在配电设备中的应用方法

Country Status (1)

Country Link
CN (1) CN112634233A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940882A (zh) * 2017-02-15 2017-07-11 国网江苏省电力公司常州供电公司 一种符合人眼视觉特性的变电站视频图像清晰化方法
WO2018067684A1 (en) * 2016-10-04 2018-04-12 The Johns Hopkins University Measuring patient mobility in the icu using a novel non-invasive sensor
CN109002783A (zh) * 2018-07-02 2018-12-14 北京工业大学 救援环境中的人体检测以及姿态识别方法
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
CN110298234A (zh) * 2019-05-15 2019-10-01 国网湖南省电力有限公司 基于人体姿态识别的变电站带电区域安全预警方法及系统
CN110956077A (zh) * 2019-10-08 2020-04-03 福建和盛高科技产业有限公司 基于配电站房防误操作及作业安全的方法
CN111144263A (zh) * 2019-12-20 2020-05-12 山东大学 一种建筑工人高坠事故预警方法及装置
CN111339883A (zh) * 2020-02-19 2020-06-26 国网浙江省电力有限公司 复杂场景下基于人工智能的变电站内异常行为识别与检测方法
CN111353465A (zh) * 2020-03-12 2020-06-30 智洋创新科技股份有限公司 基于深度学习技术的变电站人员行为分析方法及系统
CN111931653A (zh) * 2020-08-11 2020-11-13 沈阳帝信人工智能产业研究院有限公司 安全监测方法、装置、电子设备和可读存储介质
CN111985402A (zh) * 2020-08-20 2020-11-24 广东电网有限责任公司电力科学研究院 一种变电站安全围栏翻越行为识别方法、系统及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018067684A1 (en) * 2016-10-04 2018-04-12 The Johns Hopkins University Measuring patient mobility in the icu using a novel non-invasive sensor
CN106940882A (zh) * 2017-02-15 2017-07-11 国网江苏省电力公司常州供电公司 一种符合人眼视觉特性的变电站视频图像清晰化方法
CN109002783A (zh) * 2018-07-02 2018-12-14 北京工业大学 救援环境中的人体检测以及姿态识别方法
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
CN110298234A (zh) * 2019-05-15 2019-10-01 国网湖南省电力有限公司 基于人体姿态识别的变电站带电区域安全预警方法及系统
CN110956077A (zh) * 2019-10-08 2020-04-03 福建和盛高科技产业有限公司 基于配电站房防误操作及作业安全的方法
CN111144263A (zh) * 2019-12-20 2020-05-12 山东大学 一种建筑工人高坠事故预警方法及装置
CN111339883A (zh) * 2020-02-19 2020-06-26 国网浙江省电力有限公司 复杂场景下基于人工智能的变电站内异常行为识别与检测方法
CN111353465A (zh) * 2020-03-12 2020-06-30 智洋创新科技股份有限公司 基于深度学习技术的变电站人员行为分析方法及系统
CN111931653A (zh) * 2020-08-11 2020-11-13 沈阳帝信人工智能产业研究院有限公司 安全监测方法、装置、电子设备和可读存储介质
CN111985402A (zh) * 2020-08-20 2020-11-24 广东电网有限责任公司电力科学研究院 一种变电站安全围栏翻越行为识别方法、系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YIFENG HAN 等: "A real-time video detection method of the surge arrester handling mode based on Yolo-v3 and Open-Pose", 《PROCEEDINGS OF THE 38TH CHINESE CONTROL CONFERENCE》 *
王丹: "图像识别技术在配网设备状态监测中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *

Similar Documents

Publication Publication Date Title
CN111444821B (zh) 一种城市道路标志自动识别方法
CN110807353B (zh) 一种基于深度学习的变电站异物识别方法、装置及系统
CN103069434B (zh) 用于多模式视频事件索引的方法和系统
CN103440484B (zh) 一种适应室外大空间的火焰检测方法
CN108257347B (zh) 一种利用卷积神经网络的火焰图像序列分类方法及装置
CN110490043A (zh) 一种基于区域划分和特征提取的森林烟火检测方法
CN110334660A (zh) 一种雾天条件下基于机器视觉的森林火灾监测方法
CN109472193A (zh) 人脸检测方法及装置
CN106339657A (zh) 基于监控视频的秸秆焚烧监测方法、装置
Naufal et al. Preprocessed mask RCNN for parking space detection in smart parking systems
CN111401188A (zh) 一种基于人体关键点特征的交警手势识别方法
CN114202646A (zh) 一种基于深度学习的红外图像吸烟检测方法与系统
CN101411190B (zh) 虚假运动过滤器
CN111582074A (zh) 一种基于场景深度信息感知的监控视频树叶遮挡检测方法
CN104463104A (zh) 一种静态车辆目标快速检测方法及装置
CN109684982B (zh) 结合易混目标排除的基于视频分析的火焰检测方法
CN116846059A (zh) 一种用于电网巡检和监控的边缘检测系统
KR102171384B1 (ko) 영상 보정 필터를 이용한 객체 인식 시스템 및 방법
CN110969173B (zh) 目标分类方法及装置
CN107635188A (zh) 一种基于Docker平台的视频车辆跟踪分析方法
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN115147450B (zh) 基于运动帧差图像的移动目标检测方法及检测装置
Savakis et al. Semantic background estimation in video sequences
CN115965934A (zh) 一种停车位检测方法及装置

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: 20210409

RJ01 Rejection of invention patent application after publication