CN113191699A - 一种配电施工现场安全监管方法 - Google Patents
一种配电施工现场安全监管方法 Download PDFInfo
- Publication number
- CN113191699A CN113191699A CN202110656208.9A CN202110656208A CN113191699A CN 113191699 A CN113191699 A CN 113191699A CN 202110656208 A CN202110656208 A CN 202110656208A CN 113191699 A CN113191699 A CN 113191699A
- Authority
- CN
- China
- Prior art keywords
- image set
- construction site
- safety
- detection model
- equipment
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 114
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 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
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001769 paralizing effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请属于电力施工技术领域,本申请提供了一种配电施工现场安全监管方法,包括:获取施工现场图像集并根据施工现场图像集判断施工现场风险等级;将施工现场图像集进行预处理,获得待识别图像集;将待识别图像集输入至预先训练好的目标检测模型中进行目标识别,基于施工现场风险等级依次进行带电设备临近检测和安全工器具装备检测并输出检测结果;根据检测结果判断是否满足施工安全要求,若是,则保存识别数据,以用于更新目标检测模型;若否,则发出告警信息。本申请能够实时监测施工现场的安全,避免由于监护人员疏忽导致的监管不到位的问题。
Description
技术领域
本申请涉及电力施工技术领域,具体涉及一种配电施工现场安全监管方法。
背景技术
电力作业普遍具有作业分散、施工人员少、临时性工作多、作业难度小、电压等级低等特征。在安全管理上,一般是派遣监护人员进行监管和指挥,但不利于统一管理和规范管理,也易使施工人员、监护人员和组织指挥人员产生松懈麻痹心理,常常由于疏忽而发生安全事故。例如发生触电事故、由于未穿戴安全带发生坠亡事故等,是需要事故发生后才通过人力去查看监控摄像数据查找原因,而这种方式费时费力而且预防性不强。
发明内容
有鉴于此,本申请旨在解决现有的依靠监护人员进行施工现场安全监管可能导致的监管不到位的问题。
为了解决上述技术问题,本申请第一方面提供了一种配电施工现场安全监管方法,包括:
获取施工现场图像集并根据施工现场图像集判断施工现场风险等级;
将施工现场图像集进行预处理,获得待识别图像集;
将待识别图像集输入至预先训练好的目标检测模型中进行目标识别,基于施工现场风险等级依次进行带电设备临近检测和安全工器具装备检测并输出检测结果;
根据检测结果判断是否满足施工安全要求,若是,则保存识别数据,以用于更新目标检测模型;若否,则发出告警信息。
进一步的,预先训练好的目标检测模型具体包括:
带电设备与人体检测模型,用于识别具有带电设备和施工人员;
带电设备临近检测模型,用于识别带电设备与施工人员的距离;
安全工器具检测模型,用于识别施工人员身上携带的安全工器具。
进一步的,带电设备与人体检测模型、带电设备临近检测模型和安全工器具检测模型的预先训练过程具体包括:
从施工现场的历史监控视频流中提取含有施工人员的图像、含有带电设备的图像以及含有安全工器具的图像;
利用深度学习框架对含有施工人员的图像、含有带电设备的图像以及含有安全工器具的图像进行识别训练,以获得带电设备与人体检测模型、带电设备临近检测模型和安全工器具检测模型。
进一步的,将待识别图像集输入至预先训练好的目标检测模型中进行目标识别具体包括:
将待识别图像集输入至预先训练好的目标检测模型中;
利用预先训练好的目标检测模型进行目标检测,获得待识别图像集中每个图像的所有目标的类别、矩形框的坐标值和置信度分数;
将置信度分数大于预设分数阈值的图像筛选出来,得到包含人体、带电设备和安全工器具三种目标的第二待识别图像集。
进一步的,带电设备临近检测具体包括:
根据人体矩形框的坐标值和带电设备矩形框的坐标值计算人体矩形框和带电设备矩形框之间的实际距离;
判断实际距离是否小于预设安全距离阈值,若是,则执行后续步骤;若否,则输出第一检测结果并执行后续步骤,预设安全距离阈值根据施工现场风险等级确定,第一检测结果用于表示施工人员临近带电设备。
进一步的,安全工器具装备检测识别具体包括:
根据人体矩形框的坐标值和安全工器具矩形框的坐标值计算人体矩形框和安全工器具矩形框的重合度;
判断重合度是否小于预设重合度阈值,若是,则执行后续步骤;若否,则输出第二检测结果并执行后续步骤,预设重合度阈值根据施工现场风险等级确定,第二检测结果用于表示施工人员没有佩戴安全工器具。
进一步的,获取施工现场图像集并根据施工现场图像集判断施工现场风险等级具体包括:
获取施工现场的监控视频流,并从监控视频流中逐帧提取包含施工人员的施工现场图片,以获得施工现场图像集;
根据施工现场图像集判断施工现场风险等级。
进一步的,将施工现场图像集进行预处理,获得待识别图像集具体包括:
转换施工现场图像集的图片格式为可以输入到预先训练好的目标检测模型中的图片格式,以获得第一预处理图像集;
将第一预处理图像集进行缩放,以获得待识别图像集。
进一步的,将第一预处理图像集进行缩放具体包括:
获取预先训练好的目标检测模型所需的第一图像尺寸;
根据第一图像尺寸和第一预处理图像集的图像尺寸计算等比缩小系数;
根据等比缩小系数对第一预处理图像集的图像进行等比缩放,获得第二预处理图像集;
将第二预处理图像集中的图像的剩余部分进行填充,获得待识别图像集。
本申请第二方面提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如第一方面所述的一种配电施工现场安全监管方法。
综上,本申请提供了一种配电施工现场安全监管方法,本方法通过获取施工现场的图像来判断施工现场的风险等级,然后利用预先训练好的模型对施工现场的图像进行识别,以进行带电设备临近检测和安全工器具装备检测,从而判断在相应的施工现场风险等级之下,施工人员与带电设备之间的距离是否满足安全要求以及施工人员是否完整装备相应的安全工器具,若不满足安全要求,则及时发出告警信息。本方法由于能够对施工现场的图像进行及时的识别检测,避免了因为监护人员的疏忽而导致监管不到位的问题。
附图说明
为了更清楚地说明本申请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,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种配电施工现场安全监管方法的流程示意图;
图2是本发明实施例提供的一种配电施工现场安全监管方法的流程简图。
具体实施方式
为使得本申请的目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
请参阅图1,本实施例提供了一种配电施工现场安全监管方法,包括:
S101:获取施工现场图像集并根据施工现场图像集判断施工现场风险等级。
需要说明的是,在本实施例中,获取施工现场图像集可以通过在现场部署摄像头,通过摄像头对施工现场实现不间断的监控,从而可以减少监护人员的数量。在获取施工现场的监控视频流后,从监控视频流中逐帧提取包含施工人员的施工现场图片,以获得施工现场图像集。
在施工现场图像集中根据施工现场是否靠近道路、是否具有相关警示牌及围栏等判断风险等级,具体的风险等级分类可以参考供电局配电施工作业指导书和风险等级说明书。
比如现场无变压器无道路、风险等级为1,需要着装安全帽、安全服以及安全带;
现场存在变压器或者道路、风险等级为2,有变压器需要识别绝缘手套、有道路需要识别防护栏或跨越架。
现场存在变压器和道路时,风险等级为3,需要识别所有的安全工器具(竹梯除外)。
对于风险等级的判断可以通过预先训练相应的风险等级判断模型进行自动判断,也可通过管理员手动输入施工现场该次作业的风险等级,使得判断结果更为准确。
S102:将施工现场图像集进行预处理,获得待识别图像集。
需要说明的是,由于利用不同的深度神经网络训练出来的目标检测模型所需的图片格式和尺寸要求不同,因此需要对图像进行格式转换以及尺寸缩放。
首先是格式转换,即转换施工现场图像集的图片格式为可以输入到预先训练好的目标检测模型中的图片格式,以获得第一预处理图像集。
其次是尺寸缩放,即将第一预处理图像集进行缩放,以获得待识别图像集。具体的缩放过程为获取预先训练好的目标检测模型所需的第一图像尺寸;根据第一图像尺寸和第一预处理图像集的图像尺寸计算等比缩小系数;根据等比缩小系数对第一预处理图像集的图像进行等比缩放,获得第二预处理图像集;将第二预处理图像集中的图像的剩余部分进行填充,获得待识别图像集。由于将图片直接缩放至需要的大小会导致图片失真,比例失调。因此可以将图片等比例缩放至需要的尺寸,然后将剩余部分填充即可。
上述的图片格式转换和尺寸缩放均可利用opencv进行处理。
S103:将待识别图像集输入至预先训练好的目标检测模型中进行目标识别,基于施工现场风险等级依次进行带电设备临近检测和安全工器具装备检测并输出检测结果。
需要说明的是,本实施例中的目标检测模型有三种,具体为带电设备与人体检测模型,用于识别具有带电设备和施工人员;带电设备临近检测模型,用于识别带电设备与施工人员的距离;安全工器具检测模型,用于识别施工人员身上携带的安全工器具。
进一步的,上述的带电设备与人体检测模型、带电设备临近检测模型和安全工器具检测模型的预先训练过程具体包括:从施工现场的历史监控视频流中提取含有施工人员的图像、含有带电设备的图像以及含有安全工器具的图像;利用深度学习框架对含有施工人员的图像、含有带电设备的图像以及含有安全工器具的图像进行识别训练,以获得带电设备与人体检测模型、带电设备临近检测模型和安全工器具检测模型。利用深度学习框架训练相应的模型属于熟知技术,在此不再赘述。
通过深度学习框架训练好相应的目标检测模型以后,便可基于施工现场风险等级依次进行带电设备临近检测和安全工器具装备检测并输出检测结果,具体如下:
1)目标识别
将待识别图像集输入至预先训练好的目标检测模型中;
利用预先训练好的目标检测模型进行目标检测,获得待识别图像集中每个图像的所有目标的类别、矩形框的坐标值和置信度分数;
需要说明的是,该处目标类别即指人体、带电设备和安全工器具三种。
将置信度分数大于预设分数阈值的图像筛选出来,得到包含人体、带电设备和安全工器具三种目标的第二待识别图像集。
2)带电设备临近检测
根据人体矩形框的坐标值和带电设备矩形框的坐标值计算人体矩形框和带电设备矩形框之间的实际距离;
判断实际距离是否小于预设安全距离阈值,若是,则执行后续步骤;若否,则输出第一检测结果并执行后续步骤,预设安全距离阈值根据施工现场风险等级确定,第一检测结果用于表示施工人员临近带电设备,即现场属于高风险时,若施工人员与带电设备之间的距离过小,则认为施工人员临近带电设备。
3)安全工器具装备检测识别
根据人体矩形框的坐标值和安全工器具矩形框的坐标值计算人体矩形框和安全工器具矩形框的重合度;
判断重合度是否小于预设重合度阈值,若是,则执行后续步骤;若否,则输出第二检测结果并执行后续步骤,预设重合度阈值根据施工现场风险等级确定,第二检测结果用于表示施工人员没有佩戴安全工器具,即不同的风险等级要求施工人员至少着装相应的安全工器具,以保证安全需要。若在某一风险等级下,施工人员对应的人体矩形框没有与相应的安全器具矩形框(绝缘手套矩形框、安全帽矩形框、安全带矩形框等)重合,即认为此时的重合度小于预设重合度阈值。
S104:根据检测结果判断是否满足施工安全要求,若是,则保存识别数据,以用于更新目标检测模型;若否,则发出告警信息。
需要说明的是,此处检测结果包括前述的第一检测结果和第二检测结果,根据第一检测结果可知施工人员临近带电设备,可判定为不符合安全要求;而根据第二检测结果,可判定施工人员未装备相应的安全工器具,可判定为不符合安全要求。此时,可以查询相应的摄像头编号信息,即与该不符合安全要求的图像对应的摄像头的编号信息,然后根据编号信息查找其所属的施工作业信息,然后对该施工的管理员发送站内信和短信通知。
请参阅图2,在本实施例的具体实施中,可以配置数据服务器、应用服务器以及算法服务器以实现该方法。其中应用服务器用于进行前端的数据交互以及处理与数据服务器和算法服务器之间的请求。数据服务器分布式安装数据库,保存原始数据和运行时产生的监测数据。摄像机可以设置无线传输模块和语音播报功能。并现场定时发送图片至服务器直接进行识别,识别出异常后于现场播放语音告警。配套独立供电装置和架设装置,随取随用。后台通过接口设置摄像机拍照间隔和目标路径。使摄像机定时拍摄图片发送到应用服务器(即不通过视频流逐帧获取图片,可以减少后期处理的图像数量,加快处理速度)。不同摄像机。不同现场拥有不同的监测方案。应用服务器接收图片后,将其存入数据服务器,并将图片地址发送到算法服务器的目标检测模型的接口。算法服务器安装部署深度学习环境框架TensorFlow,按照图像处理库opencv来进行图像处理,安装GPU的驱动程序来加速图像处理速度。上传三种检测模型到算法服务器中的当前项目工程所在目录,运行三种检测模型,加载模型参数到内存中进行模型初始化工作,并不断地监测是否有图像需要进行识别,如果发现待识别的图像,则触发图像识别任务进行带电设备与人体检测,带电设备临近检测、安全工器具检测。根据风险等级判断人体和带电设备的距离是否合格,人体是否装备安全工器具,然后将结果返回应用服务器。
应用服务器得到带电设备临近检测、是否着装安全工器具检测的结果后,如果为是,即根据该摄像机编号查询其所属的施工作业信息,然后对该施工的管理员发送站内信和短信通知。识别结果如果为否,则不返回告警,只保存该次识别数据至数据服务器。算法服务器定时根据最新的数据更新带电设备与人体检测模型、带电设备临近检测模型、安全工器具检测模型。
本实施例提供的一种配电施工现场安全监管方法,通过获取施工现场的图像来判断施工现场的风险等级,然后利用预先训练好的模型对施工现场的图像进行识别,以进行带电设备临近检测和安全工器具装备检测,从而判断在相应的施工现场风险等级之下,施工人员与带电设备之间的距离是否满足安全要求以及施工人员是否完整装备相应的安全工器具,若不满足安全要求,则及时发出告警信息。本方法由于能够对施工现场的图像进行及时的识别检测,避免了因为监护人员的疏忽而导致监管不到位的问题。
此外,本实施例中由于采用了算法服务器对待识别的图像采用opencv进行预处理,将经过预处理的图像输入到预先训练好的目标检测模型中,预先训练好的目标检测模型会输出检测到的目标的类别、矩形框坐标和分数;依据预先设定的分数阈值对目标检测输出目标进行筛选,得到其中人、带电设备、安全工器具三类目标;依据人和带电设备目标矩形框坐标,计算人和带电设备的距离,低于设定距离阈值,则认定是人靠近带电设备,不低于距离阈值,则认定人没有临近带电设备,完成人是否临近带电设备判定过程。依据人和安全工器具目标矩形框坐标,计算人和安全工器具的矩形框重合度,低于设定重合度阈值,则认定人是装备安全工器具;不低于重合度阈值,则认定人没有装备安全工器具,完成人是否装备安全工器具判定过程。于是,综合人是否临近带电设备判定结果和人是否装备安全工器具判定结果,确定风险等级。将结果返回至应用服务器。然后由应用服务器进行告警。整个过程不依赖于人为操作,施工现场的安全监管可以自动运行,并且准确率较高。
以上是对本申请的一种配电施工现场安全监管方法的一个实施例进行的详细描述,以下将对本申请的一种计算机可读存储介质的实施例进行详细描述。
一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如前述实施例所述的一种配电施工现场安全监管方法。
在本申请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,在本申请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,本申请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,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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:Random Access 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申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种配电施工现场安全监管方法,其特征在于,包括:
获取施工现场图像集并根据所述施工现场图像集判断施工现场风险等级;
将所述施工现场图像集进行预处理,获得待识别图像集;
将所述待识别图像集输入至预先训练好的目标检测模型中进行目标识别,基于所述施工现场风险等级依次进行带电设备临近检测和安全工器具装备检测并输出检测结果;
根据所述检测结果判断是否满足施工安全要求,若是,则保存识别数据,以用于更新所述目标检测模型;若否,则发出告警信息。
2.根据权利要求1所述的一种配电施工现场安全监管方法,其特征在于,所述预先训练好的目标检测模型具体包括:
带电设备与人体检测模型,用于识别具有带电设备和施工人员;
带电设备临近检测模型,用于识别带电设备与施工人员的距离;
安全工器具检测模型,用于识别施工人员身上携带的安全工器具。
3.根据权利要求2所述的一种配电施工现场安全监管方法,其特征在于,所述带电设备与人体检测模型、带电设备临近检测模型和安全工器具检测模型的预先训练过程具体包括:
从施工现场的历史监控视频流中提取含有施工人员的图像、含有带电设备的图像以及含有安全工器具的图像;
利用深度学习框架对所述含有施工人员的图像、含有带电设备的图像以及含有安全工器具的图像进行识别训练,以获得所述带电设备与人体检测模型、带电设备临近检测模型和安全工器具检测模型。
4.根据权利要求1所述的一种配电施工现场安全监管方法,其特征在于,所述将所述待识别图像集输入至预先训练好的目标检测模型中进行目标识别具体包括:
将所述所述待识别图像集输入至预先训练好的目标检测模型中;
利用所述预先训练好的目标检测模型进行目标检测,获得所述待识别图像集中每个图像的所有目标的类别、矩形框的坐标值和置信度分数;
将所述置信度分数大于所述预设分数阈值的图像筛选出来,得到包含人体、带电设备和安全工器具三种目标的第二待识别图像集。
5.根据权利要求4所述的一种配电施工现场安全监管方法,其特征在于,所述带电设备临近检测具体包括:
根据人体矩形框的坐标值和带电设备矩形框的坐标值计算所述人体矩形框和所述带电设备矩形框之间的实际距离;
判断所述实际距离是否小于预设安全距离阈值,若是,则执行后续步骤;若否,则输出第一检测结果并执行后续步骤,所述预设安全距离阈值根据所述施工现场风险等级确定,所述第一检测结果用于表示施工人员临近带电设备。
6.根据权利要求5所述的一种配电施工现场安全监管方法,其特征在于,所述安全工器具装备检测识别具体包括:
根据人体矩形框的坐标值和安全工器具矩形框的坐标值计算所述人体矩形框和所述安全工器具矩形框的重合度;
判断所述重合度是否小于预设重合度阈值,若是,则执行后续步骤;若否,则输出第二检测结果并执行后续步骤,所述预设重合度阈值根据所述施工现场风险等级确定,所述第二检测结果用于表示施工人员没有佩戴安全工器具。
7.根据权利要求1所述的一种配电施工现场安全监管方法,其特征在于,所述获取施工现场图像集并根据所述施工现场图像集判断施工现场风险等级具体包括:
获取施工现场的监控视频流,并从所述监控视频流中逐帧提取包含施工人员的施工现场图片,以获得施工现场图像集;
根据所述施工现场图像集判断施工现场风险等级。
8.根据权利要求1所述的一种配电施工现场安全监管方法,其特征在于,所述将所述施工现场图像集进行预处理,获得待识别图像集具体包括:
转换所述施工现场图像集的图片格式为可以输入到所述预先训练好的目标检测模型中的图片格式,以获得第一预处理图像集;
将所述第一预处理图像集进行缩放,以获得待识别图像集。
9.根据权利要求8所述的一种配电施工现场安全监管方法,其特征在于,所述将所述第一预处理图像集进行缩放具体包括:
获取所述预先训练好的目标检测模型所需的第一图像尺寸;
根据所述第一图像尺寸和所述第一预处理图像集的图像尺寸计算等比缩小系数;
根据所述等比缩小系数对所述第一预处理图像集的图像进行等比缩放,获得第二预处理图像集;
将所述第二预处理图像集中的图像的剩余部分进行填充,获得待识别图像集。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-9中任一项所述的一种配电施工现场安全监管方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110656208.9A CN113191699A (zh) | 2021-06-11 | 2021-06-11 | 一种配电施工现场安全监管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110656208.9A CN113191699A (zh) | 2021-06-11 | 2021-06-11 | 一种配电施工现场安全监管方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191699A true CN113191699A (zh) | 2021-07-30 |
Family
ID=76976859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110656208.9A Pending CN113191699A (zh) | 2021-06-11 | 2021-06-11 | 一种配电施工现场安全监管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191699A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569801A (zh) * | 2021-08-11 | 2021-10-29 | 广东电网有限责任公司 | 一种配电施工现场带电设备及其带电区域识别方法及装置 |
CN114092875A (zh) * | 2021-11-01 | 2022-02-25 | 南方电网深圳数字电网研究院有限公司 | 基于机器学习的作业现场安全监管方法及装置 |
CN114885133A (zh) * | 2022-07-04 | 2022-08-09 | 中科航迈数控软件(深圳)有限公司 | 基于深度图像的设备安全实时监控方法、系统及相关设备 |
CN115047814A (zh) * | 2022-06-13 | 2022-09-13 | 国网山东省电力公司胶州市供电公司 | 一种基于5g的登杆作业安全监管系统及方法 |
CN116055675A (zh) * | 2022-08-29 | 2023-05-02 | 中建八局第三建设有限公司 | 一种基于卷积神经网络的施工现场安全防护网安装监测方法 |
CN116740819A (zh) * | 2023-08-14 | 2023-09-12 | 中通信息服务有限公司 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
CN116895043A (zh) * | 2023-06-13 | 2023-10-17 | 郑州宝冶钢结构有限公司 | 一种施工现场智能安全监控预警方法、系统及存储介质 |
CN117252328A (zh) * | 2023-07-04 | 2023-12-19 | 南通理工学院 | 一种基于bim的项目集成管理方法及系统 |
WO2024066039A1 (zh) * | 2022-09-27 | 2024-04-04 | 深圳先进技术研究院 | 一种基于多源数据融合的施工风险评估方法及装置 |
CN118071565A (zh) * | 2024-04-22 | 2024-05-24 | 中国水利水电第九工程局有限公司 | 一种公路施工人员安全定位管理系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074956A (zh) * | 2011-02-11 | 2011-05-25 | 华北电网有限公司 | 一种电网风险管理方法以及系统 |
JP2012221363A (ja) * | 2011-04-12 | 2012-11-12 | Ikari Shodoku Kk | 作業環境安全対策案決定方法 |
CN106097648A (zh) * | 2016-08-04 | 2016-11-09 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 变电站运检作业空间三维安全监测方法 |
CN111753712A (zh) * | 2020-06-22 | 2020-10-09 | 中国电力科学研究院有限公司 | 电力生产人员安全监测方法、系统以及设备 |
CN112163572A (zh) * | 2020-10-30 | 2021-01-01 | 国网北京市电力公司 | 识别对象的方法和装置 |
CN112183265A (zh) * | 2020-09-17 | 2021-01-05 | 国家电网有限公司 | 基于图像识别的电力施工视频监控告警方法及系统 |
-
2021
- 2021-06-11 CN CN202110656208.9A patent/CN113191699A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074956A (zh) * | 2011-02-11 | 2011-05-25 | 华北电网有限公司 | 一种电网风险管理方法以及系统 |
JP2012221363A (ja) * | 2011-04-12 | 2012-11-12 | Ikari Shodoku Kk | 作業環境安全対策案決定方法 |
CN106097648A (zh) * | 2016-08-04 | 2016-11-09 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 变电站运检作业空间三维安全监测方法 |
CN111753712A (zh) * | 2020-06-22 | 2020-10-09 | 中国电力科学研究院有限公司 | 电力生产人员安全监测方法、系统以及设备 |
CN112183265A (zh) * | 2020-09-17 | 2021-01-05 | 国家电网有限公司 | 基于图像识别的电力施工视频监控告警方法及系统 |
CN112163572A (zh) * | 2020-10-30 | 2021-01-01 | 国网北京市电力公司 | 识别对象的方法和装置 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569801A (zh) * | 2021-08-11 | 2021-10-29 | 广东电网有限责任公司 | 一种配电施工现场带电设备及其带电区域识别方法及装置 |
CN113569801B (zh) * | 2021-08-11 | 2023-01-13 | 广东电网有限责任公司 | 一种配电施工现场带电设备及其带电区域识别方法及装置 |
CN114092875A (zh) * | 2021-11-01 | 2022-02-25 | 南方电网深圳数字电网研究院有限公司 | 基于机器学习的作业现场安全监管方法及装置 |
CN115047814A (zh) * | 2022-06-13 | 2022-09-13 | 国网山东省电力公司胶州市供电公司 | 一种基于5g的登杆作业安全监管系统及方法 |
CN114885133A (zh) * | 2022-07-04 | 2022-08-09 | 中科航迈数控软件(深圳)有限公司 | 基于深度图像的设备安全实时监控方法、系统及相关设备 |
CN114885133B (zh) * | 2022-07-04 | 2022-10-04 | 中科航迈数控软件(深圳)有限公司 | 基于深度图像的设备安全实时监控方法、系统及相关设备 |
CN116055675A (zh) * | 2022-08-29 | 2023-05-02 | 中建八局第三建设有限公司 | 一种基于卷积神经网络的施工现场安全防护网安装监测方法 |
WO2024066039A1 (zh) * | 2022-09-27 | 2024-04-04 | 深圳先进技术研究院 | 一种基于多源数据融合的施工风险评估方法及装置 |
CN116895043A (zh) * | 2023-06-13 | 2023-10-17 | 郑州宝冶钢结构有限公司 | 一种施工现场智能安全监控预警方法、系统及存储介质 |
CN116895043B (zh) * | 2023-06-13 | 2024-01-26 | 郑州宝冶钢结构有限公司 | 一种施工现场智能安全监控预警方法、系统及存储介质 |
CN117252328A (zh) * | 2023-07-04 | 2023-12-19 | 南通理工学院 | 一种基于bim的项目集成管理方法及系统 |
CN116740819A (zh) * | 2023-08-14 | 2023-09-12 | 中通信息服务有限公司 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
CN116740819B (zh) * | 2023-08-14 | 2023-12-19 | 中通信息服务有限公司 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
CN118071565A (zh) * | 2024-04-22 | 2024-05-24 | 中国水利水电第九工程局有限公司 | 一种公路施工人员安全定位管理系统及方法 |
CN118071565B (zh) * | 2024-04-22 | 2024-06-21 | 中国水利水电第九工程局有限公司 | 一种公路施工人员安全定位管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191699A (zh) | 一种配电施工现场安全监管方法 | |
CN106372662B (zh) | 安全帽佩戴的检测方法和装置、摄像头、服务器 | |
CN109766755B (zh) | 人脸识别方法及相关产品 | |
EP3716212A1 (en) | Image coding method, action recognition method, and computer device | |
CN105426827A (zh) | 活体验证方法、装置和系统 | |
CN110718067A (zh) | 违规行为告警方法及相关装置 | |
CN109544870B (zh) | 用于智能监控系统的报警判断方法与智能监控系统 | |
CN107463887A (zh) | 列车驾驶员手势智能检查系统及智能检查方法 | |
CN106960473B (zh) | 一种行为感知系统及方法 | |
CN103810696B (zh) | 一种目标对象图像检测方法及装置 | |
CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
CN102750709A (zh) | 利用视频检测打架行为的方法和装置 | |
CN114187561A (zh) | 异常行为的识别方法、装置、终端设备及存储介质 | |
CN114155492A (zh) | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 | |
CN112906441B (zh) | 用于通信行业查勘维护的图像识别系统及方法 | |
CN114724246B (zh) | 危险行为识别方法及装置 | |
CN115567690A (zh) | 一种自动识别现场作业危险点的智慧监控系统 | |
CN114092875A (zh) | 基于机器学习的作业现场安全监管方法及装置 | |
CN113392706A (zh) | 抽烟及使用手机行为检测装置及方法 | |
CN113536842A (zh) | 电力作业人员安全着装识别方法及装置 | |
CN112885014A (zh) | 预警方法、装置、系统和计算机可读存储介质 | |
CN113283273A (zh) | 基于视觉技术的前方障碍物实时检测方法及系统 | |
CN111582183A (zh) | 一种公共场所的口罩识别方法及系统 | |
CN115909400A (zh) | 一种用于低分辨率监控场景中使用手机行为的识别方法 | |
CN115641607A (zh) | 电力施工现场作业人员穿戴行为检测方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |