CN113469654A - 一种基于智能算法融合的变电站多层次安全管控系统 - Google Patents
一种基于智能算法融合的变电站多层次安全管控系统 Download PDFInfo
- Publication number
- CN113469654A CN113469654A CN202110756031.XA CN202110756031A CN113469654A CN 113469654 A CN113469654 A CN 113469654A CN 202110756031 A CN202110756031 A CN 202110756031A CN 113469654 A CN113469654 A CN 113469654A
- Authority
- CN
- China
- Prior art keywords
- transformer substation
- face
- pedestrian
- worker
- image
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000002265 prevention Effects 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 238000004806 packaging method and process Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 230000001960 triggered effect Effects 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 74
- 238000012549 training Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012850 discrimination method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 2
- 230000009545 invasion Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000003631 expected effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于智能算法融合的变电站多层次安全管控系统,包括:信息采集传输层:用于采集变电站入口处待检人员的人脸、姿态信息、工作区域内工作人员的行为信息;多级智能算法层:包括非工作人员入侵多级防控模块、工作人员违规行为识别模块,用于非工作人员入侵检测、工作人员违规行为识别;算法部署推理层:将多个智能算法融合封装成统一镜像,实现算法模型在变电站算法服务器的部署;显示及预警层:包括变电站安防总控制台、预警装置,实现各级智能算法推理结果的显示,出现异常情况时触发警示灯和蜂鸣器。本发明能有效利用硬件资源,提升变电站安全管控等级。
Description
技术领域
本发明属于变电站安全管控技术领域,具体涉及一种基于智能算法融合的变电站多层次安全防控系统。
背景技术
变电站安全管理工作是电力生产安全的一个重要组成部分,科学的变电站安全管控系统能够有效减少安全事故,保障国家电力安全,也能够提高电力行业的经济效益。
随着我国智能变电站技术以及深度学习技术的发展,变电站安全管控技术已经取得了一些显著进展。然而,现有智能变电站安全管控系统仍存在人力资源浪费、管控等级不足、存在安全隐患等问题。大多数智能变电站安全管控系统只对变电站进出人员进行管理,且使用安全等级较低的静态人脸检测技术,存在安全隐患。部分智能变电站安全管控系统只对变电站内工作区域实施基于图像的行为检测,存在较多的误检、漏检现象。此外,部署智能算法需要硬件资源,部分智能变电站将单一算法部署到独立的服务器,无法充分利用硬件资源,造成浪费,导致生产成本增加。
发明内容
本发明针对目前主流变电站安全管控系统存在的缺陷,提出一种基于智能算法融合的变电站多层次安全管控系统,以期能实现变电站入口处非工作人员多级入侵防控、变电站内工作区域工作人员违规行为检测,以提高变电站安全管控等级和智能化水平,从而保障变电站的电力生产安全。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于智能算法融合的变电站多层次安全管控系统的特点包括:
信息采集传输层,用于采集变电站入口处待检人员的人脸图像信息、行人图像信息,并采集工作区域内工作人员的行为视频信息,从而将采集到的图像、视频信息传输到对应的人脸识别模型、行人重识别模型和行为识别模型;
多级智能算法层,包括:非工作人员入侵多级防控模块、工作人员违规行为识别模块;所述非工作人员入侵多级防控模块建立工作人员的图像数据库,并训练人脸识别算法模型、行人重识别模型,以用于非工作人员入侵的检测;所述工作人员违规行为识别模块训练行为识别模型,并用于工作人员违规行为的识别;
算法部署推理层,用于将所述人脸识别模型,行人重识别模型和行为识别模型中的智能算法融合封装成统一的镜像,从而部署在变电站算法服务器中;
显示及预警层,包括:变电站安防总控制台、预警装置;所述变电站安防总控制台用于调度管理,并实时显示信息采集传输层采集到的数据,以及所述多级智能算法层的检测和识别结果;所述预警装置用于在检测或识别结果出现异常情况时,触发变电站内警示灯和蜂鸣器。
优选的,信息采集传输层包括:人脸采集及显示设备、变电站入口监控设备、变电站工作区域监控设备,并根据TCP协议,将采集到的图像、视频信息通过网线传输到多级智能算法层所在服务器的输入接口。
优选的,非工作人员入侵多级防控模块按如下步骤实现非工作人员入侵检测:
S11:制作人脸数据集及行人重识别数据集;
采集变电站工作人员的人脸图像数据,且每个工作人员的一组人脸图像数据至少包含正面、和30度侧面的两张图像;对采集到的人脸图像数据进行标注及预处理,制作成人脸训练数据集,对所述人脸训练数据集进行缩放、裁剪、翻转的图像增强方法进行预处理,得到预处理后的人脸训练数据集;
采集变电站工作人员的行人图像数据,且每个工作人员的一组行人图像数据至少包含由两个不同角度、不同参数的摄像机拍摄的6张图像,对姿态数据库中的图像数据进行标注及预处理,制作成行人训练数据集,对所述行人训练数据集进行随机缩放、随机翻转、裁剪、随机擦除、填充、颜色变换的方法进行图像增强,得到预处理后的行人训练数据集;
S12:训练人脸识别模型及行人重识别模型:
所述人脸识别模型的训练,先利用公开的大规模人脸数据集对Facenet网络进行预训练;基于预处理后的人脸训练数据集,使用三元组损失及交叉验证的深度学习策略对预训练后的Facenet网络的输出层进行参数优化,得到人脸识别算法模型;
所述行人重识别模型的训练,先利用公开的大规模人脸数据集对Resnext+FPN网络进行预训练;基于预处理后的行人训练数据集,使用Warmup及学习率衰减的训练策略对预训练后的Resnext+FPN网络的输出层进行参数优化,得到行人重识别算法模型;
S13:建立变电站职工人脸数据库及行人重识别数据库:
将工作人员的人脸图像数据、行人图像数据分别送入人脸识别算法模型、行人重识别算法模型,得到每个ID对应的原始特征向量,将原始特征向量以字典类型进行存储;
S14:模型推理:
人脸采集及显示设备将人脸图像送入人脸识别算法模型,得到相应人员的特征向量,并与变电站职工人脸数据库中的每个特征向量计算欧氏距离,并选取最优欧式距离后,用阈值判别法判定输入的人脸图像与最优欧式距离对应的数据库图像是否属于相同个体;
如果是同一个体,则检索所匹配的数据库图像在人脸数据库中对应的ID信息,并返回相应的ID信息,表示认证成功,如果不是同一个体,则返回空,表示认证失败;
变电站入口监控设备将行人图像送入行人重识别模型,得到相应人员的特征向量,并与变电站职工行人数据库中的每个特征向量计算欧氏距离,并选取最优欧式距离后,用阈值判别法判定输入的人脸图像与最优欧式距离对应的数据库图像是否属于相同个体;
如果是同一个体,则检索所匹配的数据库图像在行人数据库中对应的ID信息,并返回相应的ID信息,表示认证成功,如果不是同一个体,则返回空,表示认证失败;
S15:所述非工作人员入侵多级防控模块将认证结果生成为JSON文件后传输给所述变电站安防总控制台;
优选的,工作人员违规行为识别模块按如下步骤识别工作人员违规行为:
S21:采集变电站工作场景下的违规行为视频数据,且所述视频数据包括违规行为数据和正常行为数据;对违规行为数据进行标注,制作成行为识别训练数据集;
S22:训练违规行为识别模型:
所述违规行为识别模型为TSN网络,由空间流卷积网络和时间流卷积网络构成;空间流卷积网络以RGB图像作为输入,利用ImageNet预训练模型进行初始化;利用交叉模式预训练技术,初始化时间流卷积网络;基于行为识别训练数据集,使用数据增强及正则化技术对初始化后的TSN网络进行参数优化,得到违规行为识别模型;
S23:将变电站工作区域监控设备采集到的视频片段送入行为识别模型,得到违规行为识别结果,若存在违规行为,使用训练好的目标检测网络标记出人员位置,并将识别结果和人员位置坐标打包为JSON串发送给所述变电站安防总控制台。
优选的,算法部署推理层是利用Docker容器,并基于Linux系统将人脸识别模型、行人重识别模型、行为识别模型、推理框架封装成统一的镜像,并将镜像部署到算法服务器,算法服务器应包括CPU、内存、多块GPU、存储器。
优选的,所述变电站安防总控制台对来自非工作人员入侵多级防控模块的JSON文件进行解析,并得到认证结果,若认证结果为空,则表示遭到非工作人员入侵,并控制门禁不开;否则,控制门禁开启;
同时,所述变电站安防总控制台对来自工作人员违规行为识别模块的JSON文件进行解析,并得到违规行为识别结果,若存在违规行为,则相应违规行为视频数据内的人员被标出,触发所述预警装置的蜂鸣器与警示灯,表示变电站的工作人员存在不规范行为。
与现有技术相比,本发明的有益效果在于:
1、本发明提出了基于智能算法融合的多层次安全管控系统,大幅提升了变电站安全等级;不仅对变电站人员进出进行管控,还对站内工作区域进行实时检测,若出现任何异常情况,监控中心能够在第一时间知晓,从而立刻采取防范措施,实现了全方位安全管控,全面提升了变电站安全管控等级;
2、本发明利用Docker容器实现多个算法模型的融合部署,充分利用硬件资源,降低了算法模型部署成本;
3、本发明利用深度学习领域的多种技术,提升了变电站安全管控的智能化程度。
附图说明
图1为基于智能算法融合的变电站多层次安全管控系统简要结构图;
图2为非工作人员入侵多级防控模块算法训练推理图;
图3为工作人员违规行为识别模块算法训练推理图;
图4为基于智能算法融合的变电站多层次安全管控系统整体布局图。
具体实施方式
本发明应用于高安防等级、高智能化程度的变电站、工厂等各类应用场景,通过搭建基于智能算法融合的变电站多层次安全管控系统,对进出口处待检人员进行多级防控、对工作区域内工作人员进行实时违规行为检测,提高变电站的安全等级和智能化程度。具体的说,如图1所示,一种基于智能算法融合的变电站多层次安全管控系统,包括:
信息采集传输层,用于采集变电站入口处待检人员的人脸图像信息、行人图像信息,并采集工作区域内工作人员的行为视频信息,包括人脸采集及显示设备、变电站入口监控设备、变电站工作区域监控设备,并根据TCP协议,将采集到的图像、视频信息通过网线传输到多级智能算法层所在服务器的输入接口,从而将采集到的图像、视频信息传输到对应的人脸识别模型、行人重识别模型和行为识别模型;
多级智能算法层,包括:非工作人员入侵多级防控模块、工作人员违规行为识别模块;非工作人员入侵多级防控模块建立工作人员的图像数据库,并训练人脸识别算法模型、行人重识别模型,以用于非工作人员入侵的检测;工作人员违规行为识别模块训练行为识别模型,并用于工作人员违规行为的识别;
算法部署推理层,用于将人脸识别模型,行人重识别模型和行为识别模型中的智能算法融合封装成统一的镜像,从而部署在变电站算法服务器中;
显示及预警层,包括:变电站安防总控制台、预警装置;变电站安防总控制台用于调度管理,并实时显示信息采集传输层采集到的数据,以及多级智能算法层的检测和识别结果;预警装置用于在检测或识别结果出现异常情况时,触发变电站内警示灯和蜂鸣器。
具体实施中,如图2所示,非工作人员入侵多级防控模块按如下步骤实现非工作人员入侵检测:
步骤1:制作人脸数据集及行人重识别数据集;
步骤2:训练人脸识别模型及行人重识别模型;
步骤3:建立变电站职工人脸数据库及行人重识别数据库;
步骤4:模型推理及结果传输。
具体实施步骤如下:
步骤1具体为:
采集变电站工作人员的人脸图像数据,且每个工作人员的一组人脸图像数据至少包含正面、和30度侧面的两张图像;对采集到的人脸图像数据进行标注及预处理,制作成人脸训练数据集,对人脸训练数据集进行缩放、裁剪、翻转的图像增强方法进行预处理,得到预处理后的人脸训练数据集,并按照7:3的比例将其分为训练集和验证集;
采集变电站工作人员的行人图像数据,且每个工作人员的一组行人图像数据至少包含由两个不同角度、不同参数的摄像机拍摄的6张图像,对姿态数据库中的图像数据进行标注及预处理,制作成行人训练数据集,对行人训练数据集进行随机缩放、随机翻转、裁剪、随机擦除、填充、颜色变换的方法进行图像增强,得到预处理后的行人训练数据集;
步骤2具体为:
人脸识别模型的训练,先利用公开的大规模人脸数据集对Facenet网络进行预训练;基于预处理后的人脸训练数据集,使用三元组损失及交叉验证的深度学习策略对预训练后的Facenet网络的输出层进行参数优化;利用验证集对模型进行验证,当模型在验证集上取得的AP>=90时,认为模型训练达到预期效果,通过验证,否则调整训练参数,继续训练,直至达到预期效果,得到人脸识别算法模型;
行人重识别模型的训练,是先利用公开的大规模人脸数据集对Resnext+FPN网络进行预训练;基于预处理后的行人训练数据集,使用Warmup及学习率衰减的训练策略对预训练后的Resnext+FPN网络的输出层进行参数优化,得到行人重识别算法模型;
步骤3具体为:
将工作人员的人脸图像数据、行人图像数据分别送入训练好的人脸识别算法模型、行人重识别算法模型,得到每个ID对应的原始特征向量,将原始特征向量以字典类型进行存储;
步骤4具体为:
人脸采集及显示设备将人脸图像送入人脸识别算法模型,得到相应人员的特征向量,并与变电站职工人脸数据库中的每个特征向量计算欧氏距离,并选取最优欧式距离后,用阈值判别法判定输入的人脸图像与最优欧式距离对应的数据库图像是否属于相同个体;
如果是同一个体,则检索所匹配的数据库图像在人脸数据库中对应的ID信息,并返回相应的ID信息,表示认证成功,如果不是同一个体,则返回空,表示认证失败;
变电站入口监控设备将行人图像送入行人重识别模型,得到相应人员的特征向量,并与变电站职工行人数据库中的每个特征向量计算欧氏距离,并选取最优欧式距离后,用阈值判别法判定输入的人脸图像与最优欧式距离对应的数据库图像是否属于相同个体;如果是同一个体,则检索所匹配的数据库图像在行人数据库中对应的ID信息,并返回相应的ID信息,表示认证成功,如果不是同一个体,则返回空,表示认证失败;
最终,非工作人员入侵多级防控模块将认证结果生成为JSON文件后传输给变电站安防总控制台;
如图3所示,工作人员违规行为识别模块按如下步骤识别工作人员违规行为:
步骤A:制作行为识别数据集;
步骤B:训练违规行为识别模型;
步骤C:模型推理及结果传输;
具体实施步骤如下:
步骤A具体为:
采集变电站工作场景下的三种违规行为视频数据,具体为抽烟、奔跑、摘除安全帽,且视频数据包括违规行为数据和正常行为数据;对违规行为数据进行标注,制作成行为识别训练数据集;
步骤B具体为:
违规行为识别模型为TSN网络,由空间流卷积网络和时间流卷积网络构成;空间流卷积网络以RGB图像作为输入,并利用ImageNet预训练模型进行初始化;利用交叉模式预训练技术初始化时间流卷积网络;使用随机裁剪、水平翻转等常规方式进行数据增强,并基于增强后的行为识别训练数据集,采用Dropout技术对初始化后的TSN网络进行参数优化,减少训练过程中的过拟合,得到违规行为识别模型;
步骤C具体为:
将变电站工作区域监控设备采集到的视频片段送入违规行为识别模型,得到违规行为识别结果,若存在违规行为,使用训练好的目标检测网络标记出人员位置,采用在COCO数据集上训练好的Faster-RCNN模型作为目标检测网络,并将识别结果和人员位置坐标打包为JSON串发送给变电站安防总控制台。
本实施例中,一种基于智能算法融合的变电站多层次安全管控系统的整体布局如图4所示,利用Docker容器,并基于Linux系统将人脸识别模型、行人重识别模型、违规行为识别模型、推理框架封装成统一的镜像,部署到算法服务器中,将模型推理结果传输到变电站安防总控制台,变电站安防总控制台对来自非工作人员入侵多级防控模块及工作人员违规行为识别模块的JSON文件进行解析,并得到认证结果,若认证结果为空,则表示遭到非工作人员入侵,并控制门禁不开;否则,控制门禁开启;若存在违规行为,则相应违规行为视频数据内的人员被标出,同时,触发预警装置的蜂鸣器与警示灯,表示变电站的工作人员存在不规范行为。
综上所述,本发明一种高效、多层次、协同性、智能化的变电站安全管控系统,对变电站进出口以及站内工作区域进行同步管控,发现异常立即告警提示,同时节约成本,有效解决了变电站安全管控等级不足的技术问题。
Claims (6)
1.一种基于智能算法融合的变电站多层次安全管控系统,其特征在于,包括:
信息采集传输层,用于采集变电站入口处待检人员的人脸图像信息、行人图像信息,并采集工作区域内工作人员的行为视频信息,从而将采集到的图像、视频信息传输到对应的人脸识别模型、行人重识别模型和行为识别模型;
多级智能算法层,包括:非工作人员入侵多级防控模块、工作人员违规行为识别模块;所述非工作人员入侵多级防控模块建立工作人员的图像数据库,并训练人脸识别算法模型、行人重识别模型,以用于非工作人员入侵的检测;所述工作人员违规行为识别模块训练行为识别模型,并用于工作人员违规行为的识别;
算法部署推理层,用于将所述人脸识别模型,行人重识别模型和行为识别模型中的智能算法融合封装成统一的镜像,从而部署在变电站算法服务器中;
显示及预警层,包括:变电站安防总控制台、预警装置;所述变电站安防总控制台用于调度管理,并实时显示信息采集传输层采集到的数据,以及所述多级智能算法层的检测和识别结果;所述预警装置用于在检测或识别结果出现异常情况时,触发变电站内警示灯和蜂鸣器。
2.根据权利要求1所述的一种基于智能算法融合的变电站多层次安全管控系统,其特征在于,所述信息采集传输层包括:人脸采集及显示设备、变电站入口监控设备、变电站工作区域监控设备,并根据TCP协议,将采集到的图像、视频信息通过网线传输到多级智能算法层所在服务器的输入接口。
3.根据权利要求1所述的一种基于智能算法融合的变电站多层次安全管控系统,其特征在于,所述非工作人员入侵多级防控模块按如下步骤实现非工作人员入侵检测:
S11:制作人脸数据集及行人重识别数据集;
采集变电站工作人员的人脸图像数据,且每个工作人员的一组人脸图像数据至少包含正面、和30度侧面的两张图像;对采集到的人脸图像数据进行标注及预处理,制作成人脸训练数据集,对所述人脸训练数据集进行缩放、裁剪、翻转的图像增强方法进行预处理,得到预处理后的人脸训练数据集;
采集变电站工作人员的行人图像数据,且每个工作人员的一组行人图像数据至少包含由两个不同角度、不同参数的摄像机拍摄的6张图像,对姿态数据库中的图像数据进行标注及预处理,制作成行人训练数据集,对所述行人训练数据集进行随机缩放、随机翻转、裁剪、随机擦除、填充、颜色变换的方法进行图像增强,得到预处理后的行人训练数据集;
S12:训练人脸识别模型及行人重识别模型:
所述人脸识别模型的训练,是先利用公开的大规模人脸数据集对Facenet网络进行预训练;基于预处理后的人脸训练数据集,使用三元组损失及交叉验证的深度学习策略对预训练后的Facenet网络的输出层进行参数优化,从而得到人脸识别算法模型;
所述行人重识别模型的训练,是先利用公开的大规模人脸数据集对Resnext+FPN网络进行预训练;基于预处理后的行人训练数据集,使用Warmup及学习率衰减的训练策略对预训练后的Resnext+FPN网络的输出层进行参数优化,从而得到行人重识别算法模型;
S13:建立变电站职工人脸数据库及行人重识别数据库:
将工作人员的人脸图像数据、行人图像数据分别送入人脸识别算法模型、行人重识别算法模型,得到每个ID对应的原始特征向量,将原始特征向量以字典类型进行存储;
S14:模型推理:
人脸采集及显示设备将人脸图像送入人脸识别算法模型,得到相应人员的特征向量,并与变电站职工人脸数据库中的每个特征向量计算欧氏距离,并选取最优欧式距离后,用阈值判别法判定输入的人脸图像与最优欧式距离对应的数据库图像是否属于相同个体;
如果是同一个体,则检索所匹配的数据库图像在人脸数据库中对应的ID信息,并返回相应的ID信息,表示认证成功,如果不是同一个体,则返回空,表示认证失败;
变电站入口监控设备将行人图像送入行人重识别模型,得到相应人员的特征向量,并与变电站职工行人数据库中的每个特征向量计算欧氏距离,并选取最优欧式距离后,用阈值判别法判定输入的人脸图像与最优欧式距离对应的数据库图像是否属于相同个体;
如果是同一个体,则检索所匹配的数据库图像在行人数据库中对应的ID信息,并返回相应的ID信息,表示认证成功,如果不是同一个体,则返回空,表示认证失败;
S15:所述非工作人员入侵多级防控模块将认证结果生成为JSON文件后传输给所述变电站安防总控制台。
4.根据权利要求1所述的一种基于智能算法融合的变电站多层次安全管控系统,其特征在于,所述工作人员违规行为识别模块按如下步骤识别工作人员违规行为:
S21:采集变电站工作场景下的违规行为视频数据,且所述视频数据包括违规行为数据和正常行为数据;对违规行为数据进行标注,制作成行为识别训练数据集;
S22:训练违规行为识别模型:
所述违规行为识别模型为TSN网络,由空间流卷积网络和时间流卷积网络构成;空间流卷积网络以RGB图像作为输入,并利用ImageNet预训练模型进行初始化;利用交叉模式预训练方法初始化时间流卷积网络;基于行为识别训练数据集,使用数据增强及正则化方法对初始化后的TSN网络进行参数优化,得到违规行为识别模型;
S23:将变电站工作区域监控设备采集到的视频片段送入违规行为识别模型,得到违规行为识别结果,若存在违规行为,使用训练好的目标检测网络标记出人员位置,并将识别结果和人员位置坐标打包为JSON串后发送给所述变电站安防总控制台。
5.根据权利要求1所述的一种基于智能算法融合的变电站多层次安全管控系统,其特征在于,所述算法部署推理层是利用Docker容器,并基于Linux系统将人脸识别模型、行人重识别模型、违规行为识别模型、推理框架封装成统一的镜像,并将镜像部署到算法服务器。
6.根据权利要求1所述的一种基于智能算法融合的变电站多层次安全管控系统,其特征在于,所述变电站安防总控制台对来自非工作人员入侵多级防控模块的JSON文件进行解析,并得到认证结果,若认证结果为空,则表示遭到非工作人员入侵,并控制门禁不开;否则,控制门禁开启;
同时,所述变电站安防总控制台对来自工作人员违规行为识别模块的JSON文件进行解析,并得到违规行为识别结果,若存在违规行为,则相应违规行为视频数据内的人员被标出,触发所述预警装置的蜂鸣器与警示灯,表示变电站的工作人员存在不规范行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110756031.XA CN113469654B (zh) | 2021-07-05 | 2021-07-05 | 一种基于智能算法融合的变电站多层次安全管控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110756031.XA CN113469654B (zh) | 2021-07-05 | 2021-07-05 | 一种基于智能算法融合的变电站多层次安全管控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469654A true CN113469654A (zh) | 2021-10-01 |
CN113469654B CN113469654B (zh) | 2024-03-15 |
Family
ID=77877992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110756031.XA Active CN113469654B (zh) | 2021-07-05 | 2021-07-05 | 一种基于智能算法融合的变电站多层次安全管控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469654B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114040164A (zh) * | 2021-11-09 | 2022-02-11 | 南通中安高科电子有限公司 | 一种基于图像视频实时监控的人员作业安全监理云平台 |
CN114048439A (zh) * | 2021-10-09 | 2022-02-15 | 大庆恒驰电气有限公司 | 一种基于ai的安全行为分析系统及方法 |
CN116546023A (zh) * | 2023-07-06 | 2023-08-04 | 北京宝隆泓瑞科技有限公司 | 一种油气作业区暴力行为识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021608A (zh) * | 2017-10-31 | 2018-05-11 | 赛尔网络有限公司 | 一种基于Docker的轻量级网站部署方法 |
CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
US20180260630A1 (en) * | 2017-03-10 | 2018-09-13 | Turing Video, Inc. | Activity recognition method and system |
US20180261071A1 (en) * | 2017-03-10 | 2018-09-13 | Turing Video, Inc. | Surveillance method and system based on human behavior recognition |
CN110472531A (zh) * | 2019-07-29 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 视频处理方法、装置、电子设备及存储介质 |
CN112308885A (zh) * | 2019-07-29 | 2021-02-02 | 顺丰科技有限公司 | 基于光流的暴力抛扔检测方法、装置、设备和存储介质 |
-
2021
- 2021-07-05 CN CN202110756031.XA patent/CN113469654B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260630A1 (en) * | 2017-03-10 | 2018-09-13 | Turing Video, Inc. | Activity recognition method and system |
US20180261071A1 (en) * | 2017-03-10 | 2018-09-13 | Turing Video, Inc. | Surveillance method and system based on human behavior recognition |
CN108021608A (zh) * | 2017-10-31 | 2018-05-11 | 赛尔网络有限公司 | 一种基于Docker的轻量级网站部署方法 |
CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
CN110472531A (zh) * | 2019-07-29 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 视频处理方法、装置、电子设备及存储介质 |
CN112308885A (zh) * | 2019-07-29 | 2021-02-02 | 顺丰科技有限公司 | 基于光流的暴力抛扔检测方法、装置、设备和存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048439A (zh) * | 2021-10-09 | 2022-02-15 | 大庆恒驰电气有限公司 | 一种基于ai的安全行为分析系统及方法 |
CN114040164A (zh) * | 2021-11-09 | 2022-02-11 | 南通中安高科电子有限公司 | 一种基于图像视频实时监控的人员作业安全监理云平台 |
CN116546023A (zh) * | 2023-07-06 | 2023-08-04 | 北京宝隆泓瑞科技有限公司 | 一种油气作业区暴力行为识别方法及系统 |
CN116546023B (zh) * | 2023-07-06 | 2023-09-29 | 北京宝隆泓瑞科技有限公司 | 一种油气作业区暴力行为识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113469654B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469654B (zh) | 一种基于智能算法融合的变电站多层次安全管控系统 | |
CN109657592B (zh) | 一种智能挖掘机的人脸识别方法 | |
CN105913559B (zh) | 一种基于体感技术的银行atm机智能监控方法 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN110996067A (zh) | 基于深度学习的高危作业环境下的人员安全实时智能视频监控系统 | |
CN107818312A (zh) | 一种基于异常行为识别的嵌入式系统 | |
CN106815958A (zh) | 报警系统、报警分析/显示装置,报警分析/显示方法 | |
KR101036947B1 (ko) | 컴퓨터 영상 분석기술을 이용한 범죄 및 사고예방 자동경비 시스템 | |
CN110765848A (zh) | 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法 | |
CN111428617A (zh) | 一种基于视频图像的配网违规检修行为的识别方法和系统 | |
CN112541439A (zh) | 一种电厂智能视频监控方法与系统 | |
CN104599427A (zh) | 一种用于公路隧道的智能图像型火灾报警系统 | |
CN113223046B (zh) | 一种监狱人员行为识别的方法和系统 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN113537007B (zh) | 应用于铁路站台的非工作人员入侵检测与报警方法和装置 | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
CN109214309A (zh) | 一种基于深度学习的茶山采摘人员异常行为监控方法 | |
CN202856897U (zh) | 一种基于人脸识别的智能视频监控系统 | |
CN116704411A (zh) | 一种基于物联网的安防管控方法、系统及存储介质 | |
CN115131732A (zh) | 一种结合目标检测和语义分割的安全带违规佩戴检测方法 | |
CN109492548A (zh) | 基于视频分析的区域mask图片的获得方法 | |
CN106022977A (zh) | 一种变电站工作现场安全分析方法 | |
CN114170644A (zh) | 基于视频结构化的警用行人轻生行为预警方法 | |
CN113536847A (zh) | 一种基于深度学习的工业场景视频分析系统及其方法 | |
CN114821785B (zh) | 基于假定评估与贝叶斯学习的潜在突发犯罪人员识别方法 |
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 |