CN113361968A - 基于人工智能和大数据的电网基建人员安全风险评估方法 - Google Patents
基于人工智能和大数据的电网基建人员安全风险评估方法 Download PDFInfo
- Publication number
- CN113361968A CN113361968A CN202110755707.3A CN202110755707A CN113361968A CN 113361968 A CN113361968 A CN 113361968A CN 202110755707 A CN202110755707 A CN 202110755707A CN 113361968 A CN113361968 A CN 113361968A
- Authority
- CN
- China
- Prior art keywords
- power grid
- work
- work type
- artificial intelligence
- graph
- 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.)
- Granted
Links
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于人工智能和大数据的电网基建人员安全风险评估方法;其根据采集的图像数据,获取每个电力作业人员图像以及对应的坐标位置、工种信息,确定同一工种下作业人员的坐标集合,并利用凸包分析方法,获取各工种坐标集合的质心;将质心作为起始节点,坐标位置作为截止节点,构建各工种的作业人员的图数据结构;将获取的各工种的图数据结构的质心进行连接,获取电网区域的图数据结构;利用随机游走方法对电网区域的图数据结构进行层次游走,获取图嵌入向量;将图嵌入向量作为神经网络的输入,输出电网区域作业人员的风险等级,进行预警提示;即本发明的方案能够反映出电网基建过程中单个工种及整体工种的安全风险,使得处理更加简便。
Description
技术领域
本发明涉及电网基建安全技术领域,具体涉及基于人工智能和大数据的电网基建人员安全风险评估方法。
背景技术
在电网企业中基建、运检等生产业务场景下,作业人员为了完成建设任务或及时排查隐患需要到线路及变电站执行,但是目前电力生产现场仍存在安全监管水平较低、操作粗放的现象,导致基建、运检等生产业务中缺乏对一线人员安全进行有效预警。
其中,对于电前电网基建工程常见的安全风险主要是触电、高处坠落、机械伤害、坍塌、火灾等,在安全风险管理工作的实施中,目前,现有一般设置相应的管控系统,对作业人员、设备、重点区域进行监控,能够实现日常的监管;但是该方案并不能定量地进行作业人员的安全风险的评估。
发明内容
本发明的目的在于提供基于人工智能和大数据的电网基建人员安全风险评估方法,用以解决现有方案不能定量地进行作业人员的安全风险的评估的问题。
本发明提供的基于人工智能和大数据的电网基建人员安全风险评估方法,包括以下步骤:
步骤一,获取电网区域的图像数据;
步骤二,对所述图像数据进行处理,获取每个电力作业人员图像以及对应的坐标位置;
步骤三,对每个电力作业人员图像进行识别,获取每个电力作业人员的工种信息;
步骤四,根据作业人员的工种信息以及所述坐标位置,获取同一工种下作业人员的坐标集合,并利用凸包分析方法,获取各工种坐标集合的质心;以质心为起始节点,所述坐标位置为截止节点,通过第一连接边连接起始节点和截止节点,得到各工种的作业人员的图数据结构,所述第一连接边的边权值是根据人员未正常穿戴概率以及工种的聚集程度、节点间距离、作业风险程度确定;
步骤五,将所述各工种坐标集合的质心通过第二连接边进行连接,获取电网区域的图数据结构,所述第二连接的边权值是根据工种之间的交叉风险和所述第一连接边的边权值计算得到;
步骤六,利用随机游走方法对所述电网区域的图数据结构进行层次游走,获取图嵌入向量;所述层次游走是先进行不同工种的质心之间的游走,再进行每个工种内质心到截止节点的游走;
步骤七,根据构建的神经网络,将所述图嵌入向量作为所述神经网络的输入,输出电网区域作业人员的风险等级。
进一步地,所述第一连接边的边权值为:
进一步地,所述工种的聚集程度为
其中,P0i表示第i个核心点坐标,P1i,j表示第i个核心点范围内的第j个边界点坐标,n1表示核心点数量,n2i表示第i个核心点范围内的边界点数量,Euclidean distance为欧式距离公式。
进一步地,所述人员的穿戴风险系数的获取方法为:
构建卷积神经网络;
将所述每个电力作业人员图像分为训练集和测试集,利用所述训练集训练所述卷积神经网络,得到训练好的卷积神经网络;
将所述测试集输入所述训练好的卷积神经网络,输出每个作业人员的穿戴结果;
对所述每个作业人员的穿戴结果进行统计,得到工种内所有作业人员的未正常穿戴概率。
进一步地,所述工种的作业风险程度为:
其中,S′为同一工种作业人员的凸包区域,Sk为作业人员所在的电网区域内的第k个工种区域,N为电网区域内的工种区域个数,wk为权重。
进一步地,所述第二连接边的边权值为:
EW2=logcdCD*(SDWm*SDWt)
其中,SDWm、SDWt分别表示第m个和第t个工种的安全风险,dCD为两个工种作业人员坐标集合的倒角距离,logcdCD*(SDWm*SDWt)用于值域映射,0<c<1;
进一步地,所述步骤六中的层次游走的过程为:
步骤1,将所述第一连接边的边权值和第二连接边的边权值分别进行归一化,并将归一化后的边权值映射到概率空间中,得到对应的边权归一化概率;
步骤2,对所述电网区域的图数据结构进行游走,以其中一工种的质心为起始节点,并结合所述边权归一化概率进行随机游走,得到游走节点,所述游走节点为其他工种的质心;
步骤3,根据所述游走节点,进行工种的作业人员的图数据结构内的随机游走,每游走一次记录一下游走路径对应的归一化边权值,如此反复游走设定次数,然后返回步骤2,按照设定次数重复步骤2和步骤3,得到所述电网区域的图数据结构对应的图嵌入向量。
本发明的有益效果为:
本发明构建的两个图数据结构,可以反映出电网基建过程中单个工种及整体工种的安全风险,且图数据结构可以根据作业人员情况实时更新,可以动态的评估电网基建工程中的人员安全,提高作业人员的谨慎程度,最终通过层次加权随机游走得到包含图数据结构的全局、局部的工种作业人员的特征表示,能够简单、精确的评估作业人员的安全风险。
本发明利用图数据结构,在后续的风险评估中,明显地降低了计算量,使得处理更加简便,同时还结合算法准确获取图像中作业人员工种之间的关系。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍:
图1是本发明的基于人工智能和大数据的电网基建人员安全风险评估方法的方法实施例。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚,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介绍。
本发明提供的基于人工智能和大数据的电网基建人员安全风险评估方法,如图1所示,包括以下步骤:
步骤一,获取电网区域的图像数据;
本实施例中,首先在电网及施工的各个区域部署摄像头。部署摄像头的数目,实施者可根据摄像头拍摄范围的大小及电网及施工区域的大小来决定,其需要保证所有摄像头拍摄的范围要能覆盖到电网整个区域,且保证两个相邻的摄像头要有重合区域,便于更好地进行图像拼接。
步骤二,对所述图像数据进行处理,获取每个电力作业人员图像以及对应的坐标位置;
本实施例中,利用分割网络进行电网区域的图像数据的切割操作,得到每个电力作业人员的图像,具体地,由于对图像数据进行分割为现有技术,此处不再赘述。
上述实施例中,对图像数据进行透视变换得到每个电力作业人员的坐标位置,透视变换需要计算单应性矩阵,可以根据相机图像地面四点到电网基建工程的平面图四角点进行估计,单应性矩阵求解方法为周知的,这里不再赘述。
其中,需要说明的是,在透视变换后,获取透视变换后图像中图像数据的每个电力作业人员包围框的底部中心点的位置,即为作业人员的坐标位置,坐标全部为电网基建工程的平面图下的坐标。
步骤三,对每个电力作业人员图像进行识别,获取每个电力作业人员的工种信息;
上述步骤中,对每个电力作业人员图像进行识别的过程为:
1)获取电力作业人员图像的颜色矩特征;
本实施例中是先对每一张电力作业人员图像提取ROI区域,再提取ROI区域图像的颜色矩特征;上述提取的ROI区域的过程为:
获取电力作业人员图像的中心点及高H和宽W,确定ROI区域的高h和宽w,即可得到ROI区域;
h=q*H
w=q*W
其中,q为映射系数,经验值为0.85。
需要说明的是,通常作业人员处在包围框的中心部位,图像边缘位置通常为背景;因此,作为其他实施方式,本实施例还可以采用以图像中心点为中心,以h、w为高和宽,获取感兴趣ROI区域。
其中,颜色矩是一种简单有效的颜色特征表示方法,有一阶矩(均值,mean)、二阶矩(方差,variance)和三阶矩(斜度,skewness)等,由于颜色信息主要分布于低阶矩中,所以用一阶矩,二阶矩和三阶矩足以表达图像的颜色分布,颜色矩已证明可有效地表示图像中的颜色分布;而本实施例中,获取的是低阶矩特征,感兴趣ROI区域图像可以得到的颜色矩特征为9个数。
2)构建的全连接网络,以获取的颜色矩特征作为输入,输出电力作业人员的工种信息。
其中,全连接网络输入的形状为[B,9],9即颜色矩特征,然后利用全连接网络分类电力作业人员属于哪个工种,损失函数采用交叉熵,分类函数优选地采用Softmax。
其中,全连接网络的训练标签数据通过人为标注,标注类别为工种信息,如特种作业人员、高危作业人员、检修人员、运行人员。
步骤四,根据作业人员的工种信息以及所述坐标位置,获取同一工种下作业人员的坐标集合,并利用凸包分析方法,获取各工种坐标集合的质心;以质心作为起始节点,所述坐标位置作为截止节点,通过第一连接边连接起始节点和截止节点,得到各工种的作业人员的图数据结构,所述第一连接边的边权值是根据人员未正常穿戴概率以及工种的聚集程度、节点间距离、作业风险程度确定;
上述步骤中,对于工种作业人员坐标集合利用凸包算法提取凸包区域,然后在计算凸包区域的质心,得到质心坐标,即作为工种作业人员坐标集合的质心,该质心为人员坐标集合分布的中心;质心的计算在OpenCV等库中有相应封装,直接使用即可。
其中,第一连接边的边权值为:
需要说明的是,上述公式中的0.6为设定的人员未正常穿戴概率,用于确定边权值的计算方式;q为事先设定的系数,用于提高边权值的大小。
上述实施例中最常用的凸包算法是Graham扫描法和Jarvis步进法,为图像处理中常见的处理方法,这里不在赘述其细节。
本实施例中通过获取各工种的坐标集合的质心,也即各工种对应的中心,并以该中心和作业人员的坐标位置,构建相应的图数据结构,在后续计算节点间距离时,使得中心到作业人员的距离更加平均化,避免了个别作业人员的由于较为分散,而影响作业人员所属工种的风险的准确性的问题。
上述步骤中的工种的聚集程度是利用聚类算法对各工种的坐标集合进行聚类,得到各工种坐标集合的核心点和边界点,并根据核心点和边界点计算得到的,其公式如下:
其中,P0i表示第i个核心点坐标,P1i,j表示第i个核心点范围内的第j个边界点坐标,n1表示核心点数量,n2i表示第i个核心点范围内的边界点数量,Euclidean distance为欧式距离公式。
本发明通过采用DBSCAN算法的聚类算法来判断每个工种作业人员的情况,进而过滤掉一些非作业情况的人员,可以提高量化指标的准确性。当然也可以采用其他聚类算法,如均值聚类算法。
上述步骤中的人员的穿戴风险系数的获取方法为:
构建卷积神经网络;
将所述每个电力作业人员图像分为训练集和测试集,利用所述训练集训练所述卷积神经网络,得到训练好的卷积神经网络;
将所述测试集输入所述训练好的卷积神经网络,输出作业人员的每个作业人员的穿戴结果;
对所述每个作业人员的穿戴结果进行统计,得到工种内所有作业人员的未正常穿戴概率。
上述步骤中的卷积神经网络的训练过程,如下:
先将获取的电力作业人员图像进行处理,得到等大的一系列图像,然后进行归一化处理,得到图片矩阵,将图片矩阵变为[0,1]之间的浮点数;
之后,将处理后的图像数据与标签数据(进行one-hot编码,用于后续梯度的传播与计算)送到网络中进行训练。
其中的标签数据是通过对电力作业人员的图像进行安全帽佩戴标注,即未佩戴与佩戴,并分别用数字0和1表示。
本实施例中的卷积神经网络可采用ShuffleNet、MobileNet、EfficientNet等网络架构,其中的损失函数采用交叉熵,分类函数采用Softmax函数;最终经过全连接网络实现安全帽佩戴的检测。
其中,本实施例中的将图片矩阵变为[0,1]之间的浮点数的步骤是为了使卷积神经网络模型更好地收敛。
上述步骤中的作业风险程度为:
其中,S′为同一工种作业人员的凸包区域,Sk为作业人员所在的电网区域内的第k个工种区域,N为电网区域内的工种区域个数,wk为权重。
具体地,电网区域通常分为电站生产区域、施工区域的2个工种区域,以所属施工区域的工种作业人员,现场流动到电站生产区域为例,计算的作业风险程度为:
其中,S′为工种作业人员的凸包区域,S1为电力生产区域,S2为施工区域,w1、w2为相应的权重,一般分别取0.7、0.3。
对于作业风险程度,需要说明的是,实际作业区域因工种、工程而异;通常作业人员处在一个所属的区域作业,这样风险较小,若作业人员处在两个区域,且一区域与作业人员所属的区域不相关,则该工程危险性高,相当于考虑作业人员所处环境所带来的风险。
步骤五,将获取的各工种的图数据结构的质心通过第二连接边进行连接,获取电网区域的图数据结构,所述第二连接的边权值是根据各工种之间的交叉风险和所述第一连接边的边权值计算得到;
其中的第二连接边的边权值为:
EW2=logcdCD*(SDWm*SDWt)
其中,SDWm、SDWt分别表示第m个和第t个工种的安全风险,dCD为两个工种作业人员坐标集合的倒角距离,logcdCD*(SDWm*SDWt)用于值域映射,0<c<1;
其中,本实施例中考虑到各工种之间存在交叉作业,因此,使用3D点云中的倒角距离公式来衡量工种间的交叉值,公式如下:
其中,S1、S2分别为两个工种作业人员坐标集合。x是S1集合中的任一坐标,y是S2集合中的任一坐标。第一项代表S1中任意一点到S2的平均最小距离,第二项则表示S2中任意一点到S1的平均最小距离。
如果该距离较大,则说明两个工种之间人员距离越远;如果距离较小,则说明两个工种之间的人员距离越近。
步骤六,利用随机游走方法对所述电网区域的图数据结构进行层次游走,获取图嵌入向量;所述层次游走是先进行不同工种的质心之间的游走,再进行每个工种内质心到截止节点的游走;
所述步骤七中的层次游走的过程为:
步骤1,将所述第一连接边的边权值和第二连接边的边权值分别进行归一化,并将归一化后的边权值映射到概率空间中,得到对应的边权归一化概率;
步骤2,对所述电网区域的图数据结构进行游走,以其中一工种的质心为起始节点,并结合所述边权归一化概率进行随机游走,得到游走节点,所述游走节点为其他工种的质心;
步骤3,根据所述游走节点,进行工种的作业人员的图数据结构内的随机游走,每游走一次记录一下游走路径对应的归一化边权值,如此反复游走设定次数,然后返回步骤2,按照设定次数重复步骤2和步骤3,得到所述电网区域的图数据结构对应的图嵌入向量。
本实施例中的设定次数为16,那么,最终获取256的图嵌入向量。当然上述设定次数可以根据实际情况进行设定,其并不局限于上述次数。
本实施例的随机游走的方法,通过结合图数据结构的边权值的参数,也即考虑节点与节点之间的关系,得到包含图的全局、局部的特征表示,进而更精确的评估安全风险。步骤七,根据构建的神经网络,将所述图嵌入向量作为所述神经网络的输入,输出电网区域作业人员的风险等级,并进行预警提示。
本实施例中的神经网络为全连接网络,输入为图嵌入向量,输出为风险等级,其中的损失函数采用交叉熵函数。
本实施例中对神经网络的训练,是通过对电网区域的图像数据中的训练进行风险等级的标注。
其中,风险等级分为:0级,表明人员安全,无风险;1级表示一般风险;2级表示中等风险;3级表示最高等级风险。
本实施例中,根据获取的风险等级,对施工管理人员及作业人员进行预警信息提示,其中的预警信息提示按等级划分,如:
3级风险,进行红色预警信息提示;
2级风险,进行黄色预警提示;
1级风险,进行浅黄色预警提示;
0级风险,进行绿色信息显示,不进行预警提示。
需要说明的是,尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (7)
1.一种基于人工智能和大数据的电网基建人员安全风险评估方法,其特征在于,包括以下步骤:
步骤一,获取电网区域的图像数据;
步骤二,对所述图像数据进行处理,获取每个电力作业人员图像以及对应的坐标位置;
步骤三,对每个电力作业人员图像进行识别,获取每个电力作业人员的工种信息;
步骤四,根据作业人员的工种信息以及所述坐标位置,获取同一工种下作业人员的坐标集合,并利用凸包分析方法,获取各工种坐标集合的质心;以质心为起始节点,所述坐标位置为截止节点,通过第一连接边连接起始节点和截止节点,得到各工种的作业人员的图数据结构,所述第一连接边的边权值是根据人员未正常穿戴概率以及工种的聚集程度、节点间距离、作业风险程度确定;
步骤五,将所述各工种坐标集合的质心通过第二连接边进行连接,获取电网区域的图数据结构,所述第二连接的边权值是根据工种之间的交叉风险和所述第一连接边的边权值计算得到;
步骤六,利用随机游走方法对所述电网区域的图数据结构进行层次游走,获取图嵌入向量;所述层次游走是先进行不同工种的质心之间的游走,再进行每个工种内质心到截止节点的游走;
步骤七,根据构建的神经网络,将所述图嵌入向量作为所述神经网络的输入,输出电网区域作业人员的风险等级。
4.根据权利要求2所述的基于人工智能和大数据的电网基建人员安全风险评估方法,其特征在于,所述人员的穿戴风险系数的获取方法为:
构建卷积神经网络;
将所述每个电力作业人员图像分为训练集和测试集,利用所述训练集训练所述卷积神经网络,得到训练好的卷积神经网络;
将所述测试集输入所述训练好的卷积神经网络,输出每个作业人员的穿戴结果;
对所述每个作业人员的穿戴结果进行统计,得到工种内所有作业人员的未正常穿戴概率。
7.根据权利要求1所述的基于人工智能和大数据的电网基建人员安全风险评估方法,其特征在于,所述步骤六中的层次游走的过程为:
步骤1,将所述第一连接边的边权值和第二连接边的边权值分别进行归一化,并将归一化后的边权值映射到概率空间中,得到对应的边权归一化概率;
步骤2,对所述电网区域的图数据结构进行游走,以其中一工种的质心为起始节点,并结合所述边权归一化概率进行随机游走,得到游走节点,所述游走节点为其他工种的质心;
步骤3,根据所述游走节点,进行工种的作业人员的图数据结构内的随机游走,每游走一次记录一下游走路径对应的归一化边权值,如此反复游走设定次数,然后返回步骤2,按照设定次数重复步骤2和步骤3,得到所述电网区域的图数据结构对应的图嵌入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110755707.3A CN113361968B (zh) | 2021-07-05 | 2021-07-05 | 基于人工智能和大数据的电网基建人员安全风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110755707.3A CN113361968B (zh) | 2021-07-05 | 2021-07-05 | 基于人工智能和大数据的电网基建人员安全风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361968A true CN113361968A (zh) | 2021-09-07 |
CN113361968B CN113361968B (zh) | 2023-01-20 |
Family
ID=77538173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110755707.3A Active CN113361968B (zh) | 2021-07-05 | 2021-07-05 | 基于人工智能和大数据的电网基建人员安全风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361968B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082865A (zh) * | 2022-07-27 | 2022-09-20 | 国能大渡河检修安装有限公司 | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156806A (zh) * | 2014-07-22 | 2014-11-19 | 广东电网公司东莞供电局 | 供电作业人身风险实时评估决策系统和方法 |
CN105447326A (zh) * | 2015-12-17 | 2016-03-30 | 国家电网公司 | 一种电网企业工作人员风险行为状况评估方法 |
US20170220964A1 (en) * | 2011-10-14 | 2017-08-03 | Albeado, Inc. | Pervasive, domain and situational-aware, adaptive, automated, and coordinated big data analysis, contextual learning and predictive control of business and operational risks and security |
CN108830457A (zh) * | 2018-05-14 | 2018-11-16 | 国网辽宁省电力有限公司 | 基于人工智能的电网运行监视与控制全景管理系统 |
CN109271881A (zh) * | 2018-08-27 | 2019-01-25 | 国网河北省电力有限公司沧州供电分公司 | 一种变电站内人员安全管控方法、装置及服务器 |
CN111581417A (zh) * | 2020-04-28 | 2020-08-25 | 广东电网有限责任公司 | 配电房施工人员的身份识别方法、终端、系统及存储介质 |
CN112287809A (zh) * | 2020-10-27 | 2021-01-29 | 国家电网有限公司 | 基于图像分析检测安全区域内作业人员的方法、系统和存储介质 |
CN112347916A (zh) * | 2020-11-05 | 2021-02-09 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
US20210176601A1 (en) * | 2019-11-26 | 2021-06-10 | Saudi Arabian Oil Company | Monitoring system for site safety and tracking |
-
2021
- 2021-07-05 CN CN202110755707.3A patent/CN113361968B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170220964A1 (en) * | 2011-10-14 | 2017-08-03 | Albeado, Inc. | Pervasive, domain and situational-aware, adaptive, automated, and coordinated big data analysis, contextual learning and predictive control of business and operational risks and security |
CN104156806A (zh) * | 2014-07-22 | 2014-11-19 | 广东电网公司东莞供电局 | 供电作业人身风险实时评估决策系统和方法 |
CN105447326A (zh) * | 2015-12-17 | 2016-03-30 | 国家电网公司 | 一种电网企业工作人员风险行为状况评估方法 |
CN108830457A (zh) * | 2018-05-14 | 2018-11-16 | 国网辽宁省电力有限公司 | 基于人工智能的电网运行监视与控制全景管理系统 |
CN109271881A (zh) * | 2018-08-27 | 2019-01-25 | 国网河北省电力有限公司沧州供电分公司 | 一种变电站内人员安全管控方法、装置及服务器 |
US20210176601A1 (en) * | 2019-11-26 | 2021-06-10 | Saudi Arabian Oil Company | Monitoring system for site safety and tracking |
CN111581417A (zh) * | 2020-04-28 | 2020-08-25 | 广东电网有限责任公司 | 配电房施工人员的身份识别方法、终端、系统及存储介质 |
CN112287809A (zh) * | 2020-10-27 | 2021-01-29 | 国家电网有限公司 | 基于图像分析检测安全区域内作业人员的方法、系统和存储介质 |
CN112347916A (zh) * | 2020-11-05 | 2021-02-09 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082865A (zh) * | 2022-07-27 | 2022-09-20 | 国能大渡河检修安装有限公司 | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 |
CN115082865B (zh) * | 2022-07-27 | 2022-11-11 | 国能大渡河检修安装有限公司 | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113361968B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN110502965A (zh) | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 | |
CN101563710B (zh) | 识别由视频监视摄像机检测到的对象的特性的方法及装置 | |
Kim et al. | Point-based classification of power line corridor scene using random forests | |
CN111461291A (zh) | 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法 | |
CN112183471A (zh) | 一种现场人员防疫口罩规范佩戴的自动检测方法及系统 | |
CN111723654A (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
CN110348304A (zh) | 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法 | |
CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
CN110956187A (zh) | 一种基于集成学习的无人机影像植物冠层信息提取方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN111209832B (zh) | 变电站巡检机器人辅助避障训练方法、设备及介质 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
CN115294473A (zh) | 一种基于目标检测与实例分割的绝缘子故障识别方法及系统 | |
CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
CN111597901A (zh) | 非法广告牌监控方法 | |
Kumar et al. | Feature relevance analysis for 3D point cloud classification using deep learning | |
CN112102296A (zh) | 一种基于人类概念学的电力设备目标识别方法 | |
CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN113361968B (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 |
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 |