CN113239760A - 一种电网作业现场违章识别系统 - Google Patents

一种电网作业现场违章识别系统 Download PDF

Info

Publication number
CN113239760A
CN113239760A CN202110472491.XA CN202110472491A CN113239760A CN 113239760 A CN113239760 A CN 113239760A CN 202110472491 A CN202110472491 A CN 202110472491A CN 113239760 A CN113239760 A CN 113239760A
Authority
CN
China
Prior art keywords
detection module
violation
regulations
module
identification system
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Withdrawn
Application number
CN202110472491.XA
Other languages
English (en)
Inventor
王晓东
王加臣
陈俊
唐璜
梅文哲
赵呈呈
邬建民
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.)
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Suzhou Power Supply Co of State Grid Jiangsu Electric Power 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 Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110472491.XA priority Critical patent/CN113239760A/zh
Publication of CN113239760A publication Critical patent/CN113239760A/zh
Withdrawn legal-status Critical Current

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)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种电网作业现场违章识别系统，包括：图像采集模块用于获取电网作业现场内作业人员的实时监控数据；静态违章检测模块，用于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；动态违章检测模块，用于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；报警模块，用于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；控制模块，用于分别控制图像采集模块、静态违章检测模块、动态违章检测模块、报警模块并传输信号。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

一种电网作业现场违章识别系统
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系统。
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系统。
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系统，包括：
图像采集模块，所述图像采集模块用于获取电网作业现场内作业人员的实时监控数据；
静态违章检测模块，所述静态违章检测模块用于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；
动态违章检测模块，所述动态违章检测模块用于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；
报警模块，所述报警模块用于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；
控制模块，所述控制模块分别与所述图像采集模块、所述静态违章检测模块、所述动态违章检测模块、所述报警模块相连接，用于分别控制所述图像采集模块、所述静态违章检测模块、所述动态违章检测模块、所述报警模块并传输信号。
所述实时监控数据包括图像数据和视频数据。
所述静态违章检测模块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。
所述静态违章检测模块判断作业人员的人体姿态是否出现违章的方法为：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；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；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。
是否短袖着装对应的迁移学习模型为肤色检测模型。
所述动态违章检测模块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
所述双通道卷积神经网络包括空间通道和时间通道。
所述动态违章检测模块判断作业人员的动作是否出现违章的方法为：通过所述空间通道提取所述视频数据中每一针的静态特征信息；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；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系统的结构图。
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系统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系统，包括图像采集模块2、静态违章检测模块31、动态违章检测模块32、报警模块4和控制模块1，控制模块1分别与图像采集模块2、静态违章检测模块31、动态违章检测模块32、报警模块4相连接。
图像采集模块2用于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。静态违章检测模块31用于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。动态违章检测模块32用于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。报警模块4用于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，避免出现安全事故。控制模块1用于分别控制图像采集模块2、静态违章检测模块31、动态违章检测模块32、报警模块4并传输信号。
静态违章检测模块31所判断的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。静态违章检测模块31判断作业人员的人体姿态是否出现违章的方法为：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；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，并利用人体姿态训练样本图像训练基于迁移学习的卷积神经网络模型，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；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。
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。
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，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。
动态违章检测模块32中采用的双通道卷积神经网络包括空间通道和时间通道。动态违章检测模块32判断作业人员的动作是否出现违章的方法为：通过空间通道提取视频数据中每一针的静态特征信息；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；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。
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 (8)

1.一种电网作业现场违章识别系统，其特征在于：所述电网作业现场违章识别系统包括：
图像采集模块，所述图像采集模块用于获取电网作业现场内作业人员的实时监控数据；
静态违章检测模块，所述静态违章检测模块用于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；
动态违章检测模块，所述动态违章检测模块用于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；
报警模块，所述报警模块用于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；
控制模块，所述控制模块分别与所述图像采集模块、所述静态违章检测模块、所述动态违章检测模块、所述报警模块相连接，用于分别控制所述图像采集模块、所述静态违章检测模块、所述动态违章检测模块、所述报警模块并传输信号。
2.根据权利要求1所述的一种电网作业现场违章识别系统，其特征在于：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系统，其特征在于：所述静态违章检测模块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。
4.根据权利要求3所述的一种电网作业现场违章识别系统，其特征在于：所述静态违章检测模块判断作业人员的人体姿态是否出现违章的方法为：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；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；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。
5.根据权利要求4所述的一种电网作业现场违章识别系统，其特征在于：是否短袖着装对应的迁移学习模型为肤色检测模型。
6.根据权利要求2所述的一种电网作业现场违章识别系统，其特征在于：所述动态违章检测模块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。
7.根据权利要求6所述的一种电网作业现场违章识别系统，其特征在于：所述双通道卷积神经网络包括空间通道和时间通道。
8.根据权利要求7所述的一种电网作业现场违章识别系统，其特征在于：所述动态违章检测模块判断作业人员的动作是否出现违章的方法为：通过所述空间通道提取所述视频数据中每一针的静态特征信息；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；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。
CN202110472491.XA 2021-04-29 2021-04-29 一种电网作业现场违章识别系统 Withdrawn CN113239760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110472491.XA CN113239760A (zh) 2021-04-29 2021-04-29 一种电网作业现场违章识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110472491.XA CN113239760A (zh) 2021-04-29 2021-04-29 一种电网作业现场违章识别系统

Publications (1)

Publication Number Publication Date
CN113239760A true CN113239760A (zh) 2021-08-10

Family

ID=77131471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110472491.XA Withdrawn CN113239760A (zh) 2021-04-29 2021-04-29 一种电网作业现场违章识别系统

Country Status (1)

Country Link
CN (1) CN113239760A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657314A (zh) * 2021-08-20 2021-11-16 咏峰（大连）科技有限公司 一种工业环境下动静态不安全行为识别方法和系统
CN113824859A (zh) * 2021-08-17 2021-12-21 衢州光明电力投资集团有限公司赋腾科技分公司 一种施工违章隐患自动识别与报警装置
CN115223104A (zh) * 2022-09-14 2022-10-21 深圳市睿拓新科技有限公司 一种基于场景识别的违章作业行为检测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113824859A (zh) * 2021-08-17 2021-12-21 衢州光明电力投资集团有限公司赋腾科技分公司 一种施工违章隐患自动识别与报警装置
CN113824859B (zh) * 2021-08-17 2023-04-18 衢州光明电力投资集团有限公司赋腾科技分公司 一种施工违章隐患自动识别与报警装置
CN113657314A (zh) * 2021-08-20 2021-11-16 咏峰（大连）科技有限公司 一种工业环境下动静态不安全行为识别方法和系统
CN115223104A (zh) * 2022-09-14 2022-10-21 深圳市睿拓新科技有限公司 一种基于场景识别的违章作业行为检测方法及系统

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
CN113705372B (zh) 一种应用于配网作业现场违章的ai识别系统
CN112927464A (zh) 基于边缘智能的作业现场宏链安全管控系统
CN113903081A (zh) 一种水电厂图像视觉识别人工智能报警方法及装置
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
CN113988573A (zh) 基于电力系统巡检无人机的风险判断方法、系统和介质
CN113807240A (zh) 基于非配合式人脸识别的变电站人员着装智能监控方法
CN113111771A (zh) 一种发电厂工作人员不安全行为的识别方法
CN114926778A (zh) 一种生产环境下的安全帽与人员身份识别系统
CN113989711A (zh) 一种配电施工安全工器具使用识别方法及系统
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
CN111222477A (zh) 一种基于视觉的双手离开方向盘检测方法及装置
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
CN114821806A (zh) 作业人员行为确定方法、装置、电子设备及存储介质
CN112528855B (zh) 一种电力作业着装规范识别方法和装置
CN116030405A (zh) 一种基于人工智能的行人目标的安全护具穿戴监控方法
CN114330477A (zh) 一种基于混合现实设备的电力设备缺陷检测系统及方法
CN112926488A (zh) 基于电力杆塔结构信息的作业人员违章识别方法
CN115410137B (zh) 基于时空特征的双流工人劳动状态识别方法
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
LU501401B1 (en) Action risk identification method for power system field operation based on graph convolution

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