CN113239759A - 一种电网作业现场违章识别方法 - Google Patents
一种电网作业现场违章识别方法 Download PDFInfo
- Publication number
- CN113239759A CN113239759A CN202110472056.7A CN202110472056A CN113239759A CN 113239759 A CN113239759 A CN 113239759A CN 202110472056 A CN202110472056 A CN 202110472056A CN 113239759 A CN113239759 A CN 113239759A
- Authority
- CN
- China
- Prior art keywords
- power grid
- grid operation
- channel
- identification method
- real
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- 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
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
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)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种电网作业现场违章识别方法，包括以下步骤：步骤S10：获取电网作业现场内作业人员的实时监控数据；步骤S20：使用迁移学习方法对实时监控数据进行分析从而判断出作业人员的人体姿态是否出现违章；步骤S30：使用双通道卷积神经网络对实时监控数据进行分析从而判断出作业人员的动作是否出现违章；步骤S40：当判断出作业人员的人体姿态和/或动作出现违章时进行报警。本发明能够实时、自动对电网作业现场是否出现违章进行识别，从而能够加强作业现场人员管控、提高检测准确率和效率。
Description
技术领域
本发明涉及电力作业管理技术领域，具体涉及一种电网作业现场违章识别方法。
背景技术
电网安全管理是一个庞大、复杂、理论性和操作性极强的系统工程。随着经济社会发展和人民生活水平的不断提高，全社会对安全、经济、优质用电的需求越来越高，电网安全管理的压力越来越大，电网企业必须不断加强管理，开拓创新，才能保证人身、电网、设备安全，为经济社会发展提供安全、可靠的电力保障。
在安全生产诸要素中，“人”是最关键而又最活跃的因素，也是影响安全生产最主要的因素，作业人员的安全意识和行为直接影响到作业安全。面对点多、面广、量大的作业现场，作业点安全督察必须依靠督察人员到现场开展检查的方式已经无法满足现场安全管控的要求。现阶段，虽然变电站视频监控系统已纳入安全生产管控系统，户外作业现场逐步开始应用移动视频监控装置，但仍需要各级督察人员通过实时观看回传视频或后期调取存储的历史视频进行反违章检查，虽然能发现一些违章，但挂一漏万仍是常态。
发明内容
本发明的目的是提供一种能够实时、自动对电网作业现场是否出现违章进行识别，从而能够加强作业现场人员管控、提高检测准确率和效率的电网作业现场违章识别方法。
为达到上述目的，本发明采用的技术方案是：
一种电网作业现场违章识别方法，包括以下步骤：
步骤S10：获取电网作业现场内作业人员的实时监控数据；
步骤S20：使用迁移学习方法对所述实时监控数据进行分析从而判断出作业人员的人体姿态是否出现违章；
步骤S30：使用双通道卷积神经网络对所述实时监控数据进行分析从而判断出作业人员的动作是否出现违章；
步骤S40：当判断出作业人员的人体姿态和/或动作出现违章时进行报警。
所述步骤S10中，通过摄像头获取所述实时监控数据，所述实时监控数据包括图像数据和视频数据。
所述步骤S20包括以下步骤：
步骤S21：从所述图像数据中提取作业人员的头部样本图像和肘部样本图像；
步骤S22：收集电网作业现场内作业人员的头部训练样本图像和肘部训练样本图像作为人体姿态训练样本图像，并利用所述人体姿态训练样本图像训练卷积神经网络模型，分别获得头部是否正确佩戴安全帽和是否短袖着装对应的迁移学习模型；
步骤S23：利用所述迁移学习模型对所述头部样本图像和所述肘部样本图像进行识别，从而判断出作业人员的人体姿态是否出现违章。
所述步骤S22中，是否短袖着装对应的迁移学习模型为肤色检测模型。
所述步骤S21和所述步骤S22中，通过姿态估计算法获取所述肘部样本图像和所述肘部训练样本图像，所述姿态估计算法的实施过程为：①检测出待处理图像中的人体上半身；②根据学习得到的关节先验分布确定待处理图像中人体上半身部分中的关节分布区域；③通过关节外观模型对所述关节分布区域的卷积计算关节在所述关节分布区域内的定位概率；④基于人体模型计算关节最终定位概率，并确定关节在所述关节分布区域中的最终定位，从而获取所述肘部样本图像和所述肘部训练样本图像。
所述步骤S30中，所述双通道卷积神经网络包括空间通道和时间通道。
所述步骤S30包括以下步骤：
步骤S31：通过所述空间通道提取所述视频数据中每一帧的静态特征信息；
步骤S32：通过所述时间通道提取所述视频数据中用光流所表示的运动动态特征信息；
步骤S33：对所述空间通道和所述时间通道进行双通道信息融合得到能够表征作业人员的动作是否出现违章的输出结果，从而利用所述输出结果判断出作业人员的动作是否出现违章。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明能够实时、自动对电网作业现场是否出现违章进行识别，从而能够加强作业现场人员管控、提高检测准确率和效率。
附图说明
附图1为本发明的电网作业现场违章识别方法的流程图。
附图2为批复椭圆区域示意图。
附图3为本发明的电网作业现场违章识别方法中涉及的双通道卷积神经网络的结构图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一：如附图1所示，一种电网作业现场违章识别方法，包括以下步骤：
步骤S10：图像采集，通过摄像头实时获取电网作业现场内作业人员的实时监控数据，实时监控数据包括图像数据和视频数据。
步骤S20：使用迁移学习方法对实时监控数据进行分析从而判断出作业人员的人体姿态是否出现违章。作业人员的人体姿态违章主要包括作业人员未佩戴安全帽、虽然佩戴安全帽但佩戴不规范（以上两者统称为未正确佩戴安全帽）以及短袖着装。
该步骤S20包括以下步骤：
步骤S21：从图像数据中提取作业人员的头部样本图像和肘部样本图像。
步骤S22：收集大量电网作业现场内作业人员的头部训练样本图像和肘部训练样本图像作为人体姿态训练样本图像，并利用人体姿态训练样本图像训练卷积神经网络模型，分别获得头部是否正确佩戴安全帽和是否短袖着装对应的迁移学习模型。
上述步骤S21、步骤S22的先后顺序可调换。
步骤S23：利用迁移学习模型对头部样本图像和肘部样本图像进行识别，从而判断出作业人员的人体姿态是否出现违章，即判断出作业人员是否正确佩戴安全帽、是否短袖着装。
迁移学习(Transfer learning) 顾名思义就是把已学习训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务是存在相关性的，所以通过迁移学习可以将已经学到的模型参数通过某种方式来分享给新模型，从而加快并优化模型的学习效率，而不用像大多数网络那样从零学习。
步骤S21和步骤S22中，通过姿态估计算法得到作业人员手臂区域，获取肘部样本图像和肘部训练样本图像。姿态估计算法的实施过程为：①检测出待处理图像中的人体上半身；②根据学习得到的关节先验分布确定待处理图像中人体上半身部分中的关节分布区域；③通过关节外观模型对关节分布区域的卷积计算关节在关节分布区域内的定位概率；④基于人体模型计算关节最终定位概率，并确定关节在关节分布区域中的最终定位，从而获取肘部样本图像和肘部训练样本图像。
然后，步骤S22中，是否短袖着装对应的迁移学习模型为肤色检测模型，即利用肤色检测模型判断手臂是否裸露。肤色作为人的体表显著特征之一，尽管人的肤色因为人种的不同有差异，呈现出不同的颜色，但是在排除了亮度和视觉环境等对肤色的影响后，皮肤的色调基本一致，这就为利用颜色信息来做肤色分割提供了理论的依据。经过皮肤统计信息可以知道，如果将皮肤信息映射到YCrCb空间，则在CrCb二维空间中这些皮肤像素点近似成一个椭圆分布，如图2所示。因此如果我们得到了一个CrCb的椭圆，下次来一个坐标(Cr,Cb)我们只需判断它是否在椭圆内，如果是，则可以判断其为皮肤，否则就是非皮肤像素点。
步骤S30：使用双通道卷积神经网络对实时监控数据进行分析从而判断出作业人员的动作是否出现违章。双通道卷积神经网络包括空间通道和时间通道。
该步骤S30包括以下步骤：
步骤S31：通过空间通道提取视频数据中每一帧的静态特征信息。
步骤S32：通过时间通道提取视频数据中用光流所表示的运动动态特征信息。
步骤S33：对空间通道和时间通道进行双通道信息融合得到能够表征作业人员的动作是否出现违章的输出结果，从而利用输出结果判断出作业人员的动作是否出现违章。
上述步骤中，空间通道和时间通道均采用卷积神经网络进行特征提取。采用基于双通道卷积神经网络来识别违章动作，双通道卷积神经网络进行视频中的行为识别分析时，采用了独立的空间和时间双通道来完成识别，在分别提取了静态和动态特征后再将每个通道的结果进行融合，最终做出判断。双通道深度卷积神经网络正是借鉴了人体视觉系统的构造，分别用空间通道和时间通道模拟腹侧通道和背侧通道，从而能够综合时空信息做出有关行为识别的判断。双通道卷积神经网络整体结构如下图3所示，包含两个单通道神经网络，分别为空间通道网络和时间通道网络。在进行识别时，将视频中提取出的单帧图像输入空间通道，再将预处理计算得到的光流图像输入时间通道，得到相应的标签预测概率，最后进行时间、空间双通道信息融合得到最终输出结果。
步骤S40：当判断出作业人员的人体姿态和/或动作出现违章时进行报警。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种电网作业现场违章识别方法，其特征在于：所述电网作业现场违章识别方法包括以下步骤：
步骤S10：获取电网作业现场内作业人员的实时监控数据；
步骤S20：使用迁移学习方法对所述实时监控数据进行分析从而判断出作业人员的人体姿态是否出现违章；
步骤S30：使用双通道卷积神经网络对所述实时监控数据进行分析从而判断出作业人员的动作是否出现违章；
步骤S40：当判断出作业人员的人体姿态和/或动作出现违章时进行报警。
2.根据权利要求1所述的一种电网作业现场违章识别方法，其特征在于：所述步骤S10中，通过摄像头获取所述实时监控数据，所述实时监控数据包括图像数据和视频数据。
3.根据权利要求2所述的一种电网作业现场违章识别方法，其特征在于：所述步骤S20包括以下步骤：
步骤S21：从所述图像数据中提取作业人员的头部样本图像和肘部样本图像；
步骤S22：收集电网作业现场内作业人员的头部训练样本图像和肘部训练样本图像作为人体姿态训练样本图像，并利用所述人体姿态训练样本图像训练卷积神经网络模型，分别获得头部是否正确佩戴安全帽和是否短袖着装对应的迁移学习模型；
步骤S23：利用所述迁移学习模型对所述头部样本图像和所述肘部样本图像进行识别，从而判断出作业人员的人体姿态是否出现违章。
4.根据权利要求3所述的一种电网作业现场违章识别方法，其特征在于：所述步骤S22中，是否短袖着装对应的迁移学习模型为肤色检测模型。
5.根据权利要求3所述的一种电网作业现场违章识别方法，其特征在于：所述步骤S21和所述步骤S22中，通过姿态估计算法获取所述肘部样本图像和所述肘部训练样本图像，所述姿态估计算法的实施过程为：①检测出待处理图像中的人体上半身；②根据学习得到的关节先验分布确定待处理图像中人体上半身部分中的关节分布区域；③通过关节外观模型对所述关节分布区域的卷积计算关节在所述关节分布区域内的定位概率；④基于人体模型计算关节最终定位概率，并确定关节在所述关节分布区域中的最终定位，从而获取所述肘部样本图像和所述肘部训练样本图像。
6.根据权利要求2所述的一种电网作业现场违章识别方法，其特征在于：所述步骤S30中，所述双通道卷积神经网络包括空间通道和时间通道。
7.根据权利要求6所述的一种电网作业现场违章识别方法，其特征在于：所述步骤S30包括以下步骤：
步骤S31：通过所述空间通道提取所述视频数据中每一帧的静态特征信息；
步骤S32：通过所述时间通道提取所述视频数据中用光流所表示的运动动态特征信息；
步骤S33：对所述空间通道和所述时间通道进行双通道信息融合得到能够表征作业人员的动作是否出现违章的输出结果，从而利用所述输出结果判断出作业人员的动作是否出现违章。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110472056.7A CN113239759A (zh) | 2021-04-29 | 2021-04-29 | 一种电网作业现场违章识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110472056.7A CN113239759A (zh) | 2021-04-29 | 2021-04-29 | 一种电网作业现场违章识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113239759A true CN113239759A (zh) | 2021-08-10 |
Family
ID=77131392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110472056.7A Withdrawn CN113239759A (zh) | 2021-04-29 | 2021-04-29 | 一种电网作业现场违章识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239759A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657297A (zh) * | 2021-08-20 | 2021-11-16 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于特征分析的作业违章智能识别方法及设备 |
| CN113850229A (zh) * | 2021-10-18 | 2021-12-28 | 重庆邮电大学 | 基于视频数据机器学习的人员异常行为预警方法、系统及计算机设备 |
| CN116030427A (zh) * | 2023-03-30 | 2023-04-28 | 国网湖北省电力有限公司经济技术研究院 | 一种适用于施工作业现场安全管控的场景判别方法 |
-
2021
- 2021-04-29 CN CN202110472056.7A patent/CN113239759A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657297A (zh) * | 2021-08-20 | 2021-11-16 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于特征分析的作业违章智能识别方法及设备 |
| CN113850229A (zh) * | 2021-10-18 | 2021-12-28 | 重庆邮电大学 | 基于视频数据机器学习的人员异常行为预警方法、系统及计算机设备 |
| CN113850229B (zh) * | 2021-10-18 | 2023-12-22 | 深圳市成玉信息技术有限公司 | 基于视频数据机器学习的人员异常行为预警方法、系统及计算机设备 |
| CN116030427A (zh) * | 2023-03-30 | 2023-04-28 | 国网湖北省电力有限公司经济技术研究院 | 一种适用于施工作业现场安全管控的场景判别方法 |
| CN116030427B (zh) * | 2023-03-30 | 2023-06-23 | 国网湖北省电力有限公司经济技术研究院 | 一种适用于施工作业现场安全管控的场景判别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113239760A (zh) | 一种电网作业现场违章识别系统 | |
| CN113239759A (zh) | 一种电网作业现场违章识别方法 | |
| CN111539276B (zh) | 一种在电力场景下安全帽实时检测的方法 | |
| CN113553979B (zh) | 一种基于改进yolo v5的安全服检测方法和系统 | |
| CN113705372B (zh) | 一种应用于配网作业现场违章的ai识别系统 | |
| CN111209864B (zh) | 一种电力设备目标识别方法 | |
| CN112927464A (zh) | 基于边缘智能的作业现场宏链安全管控系统 | |
| CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
| CN113989711B (zh) | 一种配电施工安全工器具使用识别方法及系统 | |
| CN107133592A (zh) | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 | |
| CN114665608B (zh) | 用于变电站的智能感知巡检系统及方法 | |
| CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 | |
| CN116092199A (zh) | 一种员工工作状态识别方法及识别系统 | |
| CN113538370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
| CN108228900B (zh) | 基于分层结构的电力设备多光谱数据中心模型建立方法 | |
| CN114037873A (zh) | 基于人工智能的变电站二次回路保护压板检测系统及方法 | |
| CN113536842B (zh) | 电力作业人员安全着装识别方法及装置 | |
| CN104123008B (zh) | 一种基于静态手势的人机交互方法及系统 | |
| CN112926488A (zh) | 基于电力杆塔结构信息的作业人员违章识别方法 | |
| CN115471911A (zh) | 一种电网作业现场违章动作识别方法和系统 | |
| CN116311082B (zh) | 基于关键部位与图像匹配的穿戴检测方法及系统 | |
| CN117333815A (zh) | 一种在营销现场的作业人员的识别方法和系统 | |
| CN116665419B (zh) | 电力生产作业中基于ai分析的故障智能预警系统及方法 | |
| CN115641550A (zh) | 一种用于化工场所中工作人员防护用具佩戴情况的检测方法及检测系统 | |
| CN112528855B (zh) | 一种电力作业着装规范识别方法和装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210810 |