CN113536950A - 一种基于人工智能的人员触电检测方法和系统 - Google Patents
一种基于人工智能的人员触电检测方法和系统 Download PDFInfo
- Publication number
- CN113536950A CN113536950A CN202110689429.6A CN202110689429A CN113536950A CN 113536950 A CN113536950 A CN 113536950A CN 202110689429 A CN202110689429 A CN 202110689429A CN 113536950 A CN113536950 A CN 113536950A
- Authority
- CN
- China
- Prior art keywords
- electric shock
- human body
- degree
- obtaining
- continuous
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 58
- 206010044565 Tremor Diseases 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 25
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 5
- 238000011410 subtraction method Methods 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 claims 1
- 206010014357 Electric shock Diseases 0.000 description 87
- 230000006399 behavior Effects 0.000 description 22
- 208000002740 Muscle Rigidity Diseases 0.000 description 13
- 210000003423 ankle Anatomy 0.000 description 12
- 210000002310 elbow joint Anatomy 0.000 description 9
- 206010008531 Chills Diseases 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 7
- 210000000629 knee joint Anatomy 0.000 description 5
- 210000000544 articulatio talocruralis Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010014405 Electrocution Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000001513 elbow Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010234 longitudinal analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000002832 shoulder Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种基于人工智能的人员触电检测方法及系统,该方法包括:采集易触电区域的实时视频;提取实时视频中的运动目标,判断运动目标是否为人体;识别运动目标为人体时的行为状态是否发生突变;对发生突变的行为,获取特征向量的稳定度及每个关节角度的连续不变程度,计算人体的僵直度;获取人体的颤抖度,结合僵直度、易触电区域的电力参数的变化情况,获取触电指标,若触电指标高于设定的触电阈值,认为发生触电现象。基于计算机视觉进行触电行为判定,同时结合易触电区域的电力参数的变化情况,能够提高触电人员检测的精度,准确识别是否为触电行为,同时避免了硬件误判断带来的频繁断电。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的人员触电检测方法和系统。
背景技术
现代社会的高速发展,社会风貌的不断改善,高压箱、电线杆、路灯等设备越来越多,在带来便利的同时,导致易触电区域越来越广泛,人员触电风险逐渐增加,准确检测触电事故,及时做好救援工作,保障人身安全,是十分重要的。
目前检测触电、控制漏电的方法主要通过监测易触电区域,获取触电区域中电流变化情况,来判断是否有人员触电。
发明人在实践中,发现上述现有技术存在以下缺陷:
通过电流变化这一指标判断人体是否触电,这种硬件检测触电行为存在错检误检的情况,不能准确分析是否是触电事故,造成频繁断电。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的人员触电检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明提供了一种人员触电检测方法,该方法包括采集易触电区域的实时视频;提取实时视频中的运动目标,判断运动目标是否为人体;在运动目标为人体时,识别人体的行为状态是否发生突变;对发生突变的行为,以每帧图像中人体的多个关节角度作为一个特征向量,对连续多帧图像中的特征向量进行分析,获取特征向量的稳定度以及每个关节角度的连续不变程度,根据稳定度和连续不变程度得到人体的僵直度;
获取人体的颤抖度,根据僵直度、颤抖度、易触电区域的电力参数的变化情况,获取触电指标,若触电指标高于设定的触电阈值,认为发生触电现象。
优选的,获取特征向量的稳定度的方法,包括获取连续多帧图像中的多个关节角度之间的关联系数序列;计算关联系数序列的波动程度,以波动程度作为稳定度。
优选的,获取连续不变程度的方法,包括利用滑窗提取连续多帧图像中关节角度保持不变的滑窗数量,分析关节角度连续不变的程度。
优选的,获取人体的颤抖度的方法,包括获取连续多帧图像中人体的同一关键点数据,计算关键点的移动速度;根据关键点的位置信息,计算人体颤抖幅度以及颤抖频率;根据移动速度、颤抖幅度和颤抖频率得到颤抖度。
优选的,提取实时视频中的运动目标采用的方法为背景差分法。
优选的,该方法包括获取人体的二维骨架图;根据二维骨架图检测人体的行为状态,判断突变情况。
第二方面,本发明实施例提供了一种人员触电检测系统,该系统包括:视频采集模块,用于采集易触电区域的实时视频;人员检测模块,用于提取实时视频中的运动目标,判断运动目标是否为人体;动作突变性判断模块,用于在运动目标为人体时,识别人体行为状态是否发生突变;僵直度获取模块,用于对发生突变的行为,以每帧图像中人体的多个关节角度作为一个特征向量,对连续多帧图像中的特征向量进行分析,获取特征向量的稳定度以及每个关节角度的连续不变程度,根据稳定度和连续不变程度得到人体的僵直度;触电指标评估模块,用于获取人体的颤抖度,根据僵直度、颤抖度、易触电区域的电力参数变化情况,获取触电指标,若触电指标高于设定的触电阈值,认为发生触电现象。
优选的,僵直度获取模块,还包括关联系数获取单元,用于获取根据关节角度构建特征向量稳定分析模型,得到不同向量的关联系数;计算波动程度单元,用于计算关联系数序列的波动程度。
进一步,僵直度获取模块,还包括关节角度不变程度获取单元,用于利用滑窗提取连续多帧图像中关节角度保持不变的滑窗数量,分析关节角度连续不变的程度。
进一步,颤抖度获取模块,还包括移动速度获取单元,用于获取连续多帧图像中人体的同一关键点数据,计算关键点的移动速度;幅度和频率获取单元,用于根据关键点的位置信息,计算人体颤抖幅度以及颤抖频率;获取颤抖度单元,用于根据移动速度、颤抖幅度和颤抖频率得到颤抖度。
本发明具有如下有益效果:
基于人工智能的人员触电检测方法通过采集易触电区域的实时视频,提取实时视频中的前景运动目标,判断运动目标是否是人体,当运动目标为人体时,判断人体的行为状态是否发生突变,以人体多个关节角度作为特征向量,对连续多帧图像的特征向量进行分析,得到特征向量的稳定度和关节角度连续不变程度,计算人体的僵直度和颤抖度,结合易触电区域的电力参数的变化情况,综合判断触电情况,提高触电人员检测的精度,也避免了硬件误判断带来的频繁断电。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种人员触电检测的方法流程图;
图2为本发明一个实施例所提供的一种人员触电检测的系统框图;
图3为本发明一个实施例所提供的一种右踝关键点的移动坐标图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的人员触电检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
该基于人工智能的人员触电检测方法所适用的场合可以为易触电区域,比如高压线、街道路灯等具有漏电风险的区域。
为了准确分析易触电区域发生的异常情况是否是人员触电事故,本发明实施例利用基于人工智能的人员触电检测方法,提高人员触电检测的精度。
下面结合附图具体的说明本发明所提供的一种基于人工智能的人员触电检测方法和系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的人员触电检测的方法流程图,
该基于人工智能的人员触电检测方法包括:
步骤S110,采集易触电区域的实时视频。
在高压线、街道路灯等易触电区域部署相机,进行易触电区域的实时视频的采集。需要说明的是,相机的部署保证拍摄范围全面覆盖易触电区域。
步骤S120,提取实时视频中的运动目标,判断运动目标是否为人体。
根据采集到的易触电区域实时视频,进行运动目标提取,提取实时视频中的运动目标采用的方法为背景差分法,以下给出一种具体实现过程:
1)对相机采集的实时视频图像进行背景建模。
本发明实施例中,采用高斯背景建模算法进行背景建模;在其他实施例中,该背景建模的方法还可以采用:高斯建模、混合高斯模型、自组织背景建模或者基于颜色信息的背景建模等。
2)利用建立好的背景图像进行运动目标前景的提取。
本发明实施例中,采用背景差分算法进行提取前景运动目标;在其他实施例中,该前景提取算法还可以采用:帧差法、背景差分法、光流法等。
3)对异常前景进行分析,判断异常前景是否属于人员。
统计提取的运动目标前景图像的像素之和,对运动目标前景图像像素之和进行预设前景目标像素和阈值,当提取的前景图像像素之和超过前景目标像素和阈值时,认为该前景目标为人体。
需要说明的是,本实施例中异常前景是指图像中出现运动目标。若系统判断出该区域出现人体,则执行步骤S130,否则,不执行步骤S130。以降低系统损耗,减少无关因素的影响,同时降低后续系统的无用检测分析。
步骤S130,在运动目标为人体时,识别人体的行为状态是否发生突变。
1)获取人体的二维骨架图。
本发明实施例先采用DNN网络模型对人体关键点进行检测,DNN网络模型为关键点检测Encoder-关键点检测Decoder结构,关键点包括头部、颈部、左右肩、肘、腕、髋、膝、踝关节,共有14个关键点。制作标签数据,对关键点进行标注,然后将标签数据以及含有人体的图像数据送入网络中进行迭代训练,采用均方差损失函数不断更新模型参数,输出为人体关键点的热力图。
由于在该区域存在不止一人的情况,为了区分人体关键点,防止多人人体关键点之间的错误识别,本发明实施例采用自编码的方式,通过一系列的二维向量场对图像域中的躯干位置和方向进行编码,即属于一个躯干上的每一个像素都对应一个二维向量,这个向量表示人体上的一个关键点到另一个关键点的方向,训练一个多人关键点区分网络模型。
该多人关键点区分网络采用端对端的编码解码结构,输入为人体关键点的热力图,输出为人体的二维骨架图。
需要说明的是,网络训练的标签数据为在人体区域中编码从一个关键点到另一个关键点的方向,并用一个向量进行表示,数据的标注包括关键点位置和方向的矢量图。
2)根据二维骨架图检测人体的行为状态,判断突变情况。
本发明实施例将采用Encoder-Decoder-FC的TCN网络模型对人体二维骨架图进行检测识别,将存在突变的行为骨架序列均标注为1,将正常行为序列标注为0,通过编码解码器对特征进行提取分析,最后经全连接层对异常行为进行识别,分析人体的行为状态是否发生突变。
具体的,网络的标签数据为人为制作的标签数据,网络的输出为人体行为类别,网络采用交叉熵损失函数进迭代训练。
步骤S140,对发生突变的行为,以每帧图像中人体的多个关节角度作为一个特征向量,对连续多帧图像中的特征向量进行分析,获取特征向量的稳定度以及每个关节角度的连续不变程度,根据稳定度和连续不变程度得到人体的僵直度。
本发明实施例通过设置连续多帧人体左右肘关节角度左右膝关节角度选取连续50帧图像,将其对应时间记录为t=1,2…,50,并获取连续50帧图像中的人体关节角度序列,根据连续50帧中关节角度变化情况进行肢体僵直度分析,以下给出具体分析过程:
1)获取连续多帧图像中的多个关节角度之间的关联系数序列。
首先将每帧图像中的四个关节角度作为一个特征向量,可得到对应的50个特征向量,将50个特征向量作为一组序列数据用于后续特征向量稳定程度的分析,序列记为{T1,T2,…,T50},且:构建特征向量稳定分析模型,本发明取间隔时间为2,计算时间间隔为2时的特征向量的稳定情况,对向量进行纵向分析,特征向量稳定分析模型具体为:
2)计算关联系数序列的波动程度,以得到的波动程度作为稳定度。
具体的,根据特征向量稳定分析模型可得到等间隔特征向量的关联系数系列{K1,3,K2,4,…,K48,50},然后计算关联系数序列的波动程度Δ:
Δ=Kmax-Kmin
式中,波动程度Δ越小,关联系数序列的波动程度越小,根据先验可知特征向量越稳定,对应人体僵直度越高。
3)利用滑窗提取连续多帧图像中关节角度保持不变的滑窗数量,分析关节角度连续不变的程度。
本发明实施例采用1×7的窗口,对每个关节的角度序列进行步长为1的滑窗,分析窗口内连续7个数据的状态,然后进行条件设置,用于后面根据满足不同条件的窗口数据进行对应关节角度的变化分析。条件设置具体为:
本发明实施例以选取的50帧人体左肘关节角度为例:对于1×7窗口中的7个连续的角度值完全相同时,本发明设置该窗口为满足第一条件的窗口,记录所有满足条件1的窗口个数N1;考虑到角度数据采集过程中存在噪声的影响,因此,对于1×7窗口中的7个连续的角度值,存在一个不相同的数据时,将该窗口作为满足第二条件的窗口,记录角度序列中该窗口的总数N2;窗口内7个连续的角度值中存在两个不相同的数据时,将该窗口作为满足第三条件的窗口,记录角度序列中该窗口的总数N3。
本发明实施例通过满足条件的窗口检测关节角度保持连续不变情况,针对满足不同条件的窗口进行统计分析,并构建关节角度分析模型,判断人体四肢关节角度的变化情况。同样以左肘关节角度为例,关节角度分析模型为:
L1=N1*W1+N2*W2+N3*W3
式中,L1为人体左肘关节角度的连续不变的程度,N1为满足第一条件的窗口所出现的次数、N2为满足第二条件的窗口所出现的次数、N3为满足第三条件的窗口所出现的次数,W1为满足第一条件的窗口的模型权重值、W2为满足第二条件的窗口的模型权重值、W3为满足第三条件的窗口的模型权重值,且W1>W2>W3。
根据本发明实施例所建的关节角度分析模型可知,函数值越大,则关节角度保持连续不变的程度越高,对应人体僵直度将越高。
同理求取人体右肘关节角度连续不变程度L2,人体左膝关节角度连续不变程度L3,人体右膝关节角度连续不变程度L4。
4)根据整体特征向量的稳定程度以及对肘关节、膝关节角度序列的分析,共同判定人体僵直程度,构建人体僵直度评估模型R:
人体僵直度评估模型R的函数值越大,则连续多帧内人体僵直程度越高。
步骤S150,获取人体的颤抖度,根据僵直度、颤抖度、易触电区域的电力参数的变化情况,获取触电指标,若触电指标高于设定的触电阈值,认为发生触电现象。
为提高系统检测精度,本发明实施例将从以下几个步骤分析人体颤抖程度。
步骤S151,首先获取连续多帧图像中人体的同一关键点数据,计算同一关键点的抖动速度。
考虑到人体触电时,脚步颤抖特征比较明显、易获取,因此,本发明实施例选取人体右踝关键点用于计算关键点的抖动速度。计算连续多帧右踝关键点的抖动速度V:
其中,L为连续多帧同一关键点平均抖动幅度,t为相邻帧的帧间时差。
本发明实施例中,L取连续10帧的二维骨架图。
需要说明的是,根据速度计算模型可以分析关键点的抖动速度,对其进行归一化,保证函数值处于[0,1]。当关键点抖动速度超过预设的抖动速度阈值时,则判定人体存在不断颤抖现象。本发明抖动速度阈值取值为0.8。
步骤S152,根据步骤S151中的同一关键点的位置信息,计算人体颤抖幅度。
具体的,分析发生异常突变行为的二维骨架图中人体右踝关节的水平移动最大范围、竖直移动最大范围来分析连续多帧踝关节的颤抖幅度。
选取连续20帧二维骨架图,基于右踝关键点的位置信息,计算最大颤抖范围,作为人体的颤抖幅度:
MH=Max(x)-Min(x)
MV=Max(y)-Min(y)
式中,MH为水平颤抖范围,MV为竖直颤抖范围,Max(x)为右踝关键点坐标的水平最大值,Min(x)为右踝关键点坐标的水平最小值。
步骤S153,根据步骤S151中的同一关键点的位置信息,计算人体的颤抖频率。
具体的,分析发生异常突变行为的二维骨架图中人体右踝关节的颤抖频率。
选取连续10帧二维骨架图{1,2,3,4,5,6,7,8,9,10},基于位置信息将10帧图像的右踝关键点进行拟合,得到这10帧图像中右踝关键点的移动情况,如图3所示,对右踝关键点坐标进行分组,3帧一组分为8组,具体分组为{1,2,3}、{2,3,4}、{3,4,5}、{4,5,6}、{5,6,7}、{6,7,8}、{7,8,9}、{8,9,10}。将每组中间的一帧关键点作为中心点,分析每组三个关键点组成的角度:
1)将相对于左右相邻两点坐标位置信息均发生变化的点作为颤抖点。例如图3中第2帧对应的关键点。
2)当角度为水平或者竖直180°时,则认为该中心点不是颤抖点。例如图3中的第9帧不能作为颤抖点,相对于相邻两点只是y值发生变化,其x值未发生变化。
具体的,y值为右踝关键点水平移动距离,x值为右踝关键点抖动幅度。
识别判定每组中的颤抖点,并记录颤抖点个数,计算右踝关键点的颤抖频率:
式中,C为颤抖点个数,f0为所求颤抖频率,t为相邻帧的帧间时差。
步骤S154,根据步骤S151计算的抖动速度、步骤S152计算的颤抖幅度和步骤S153计算的颤抖频率构建颤抖度检测模型,颤抖度检测模型ET的表达式为:
式中,a、k为大于1的参数,本发明实施例设置为a=5、k=3、c=0.1。
根据获取的人体僵直度以及颤抖度,本发明实施例将构建触电风险分析模型。触电风险分析模型是基于视觉获取的人体僵直度及颤抖度检测结果,对人体出现触电现象的风险进行计算。该触电风险模型为:
F=αR+βET
式中,F为触电风险值,α为人体僵直度评估模型R的权重值,β为颤抖度检测模型ET的权重值。
本发明实施例取值为α=β=0.5。
为进一步更加精确地识别触电现象,本发明实施例将结合易触电区域的电力参数的变化情况进行联合分析,获取触电指标F′,函数表达式为:
F′=F*ln(σ+e)
其中,σ为电力参数异常评估指标。当检测到触电事故发生,电力参数异常评估指标σ为1,当没有触电情况时,电力参数异常评估指标σ为0。
采用归一化方法对触电指标模型进行归一化,保证函数值处于[0,1],便于后续更加直观分析。
本发明实施例对触电指标的函数值进行设置:当F′<0.3时,认为行为突变不属于触电行为,没有发生触电现象;当函数值高于0.3时,确定出现触电现象,系统将及时发出警示。
优选的,本发明实施例中电力参数采用电流。采集易触电区域范围内的各线路的电流,根据每个线路的电流变化情况判断是否发生漏电,若发生漏电,电力参数异常评估指标为1,若没有发生漏电,则电力参数异常评估指标为0。
综上所述,基于人工智能的人员触电检测方法通过采集易触电区域的实时视频,提取实时视频中的前景运动目标,判断运动目标是否是人体,当运动目标为人体时,判断人体的行为状态是否发生突变,以人体多个关节角度作为特征向量,对连续多帧图像的特征向量进行分析,得到特征向量的稳定度和关节角度连续不变程度,计算人体的僵直度和颤抖度,结合易触电区域的电力参数的变化情况,综合判断触电情况,提高触电人员检测的精度,也避免了硬件误判断带来的频繁断电。
基于与上述方法实施例相同的发明构思,本发明还提供了一种基于人工智能的人员触电检测系统。
图2示出了本发明另一个实施例提供的人员触电检测系统框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,人员触电检测系统框图200包括:视频采集模块210、人员检测模块220、动作突变性判断模块230、僵直度获取模块240、触电指标评估模块250。
视频采集模块210用于采集易触电区域的实时视频;人员检测模块220用于提取实时视频中的运动目标,判断运动目标是否为人体;动作突变性判断模块230,用于在运动目标为人体时,识别人体行为状态是否发生突变;僵直度获取模块240,用于对发生突变的行为,以每帧图像中人体的多个关节角度作为一个特征向量,对连续多帧图像中的特征向量进行分析,获取特征向量的稳定度以及每个关节角度的连续不变程度,根据稳定度和连续不变程度得到人体的僵直度;触电指标评估模块250,用于获取人体的颤抖度,根据僵直度、颤抖度、易触电区域的电力参数变化情况,获取触电指标,若触电指标高于设定的触电阈值,认为发生触电现象。
优选的,僵直度获取模块,还包括:
关联系数获取单元,用于获取根据关节角度构建特征向量稳定分析模型,得到不同向量的关联系数;计算波动程度单元,用于计算关联系数序列的波动程度。
优选的,僵直度获取模块,还包括:
关节角度不变程度获取单元,用于利用滑窗提取连续多帧图像中关节角度保持不变的滑窗数量,分析关节角度连续不变的程度。
优选的,颤抖度获取模块,还包括:
移动速度获取单元,用于获取连续多帧图像中人体的同一关键点数据,计算关键点的移动速度;幅度和频率获取单元,用于根据关键点的位置信息,计算人体颤抖幅度以及颤抖频率;获取颤抖度单元,用于根据移动速度、颤抖幅度和颤抖频率得到颤抖度。
综上所述,基于人工智能的人员触电检测系统,通过视频采集模块采集易触电区域的实时视频,利用人员检测模块提取实时视频中的运动目标,判断运动目标是否为人体,通过动作突变性判断模块识别运动目标为人体时的行为状态是否发生突变,根据僵直度获取模块以人体多个关节角度作为一个特征向量,对连续多帧图像中的特征向量进行分析,获取特征向量的稳定度和关节角度的连续不变程度,计算人体僵直度和颤抖度,利用触电指标评估模块结合人体僵直度、颤抖度、易触电区域的电力参数变化情况,获取触电指标。实现人员触电的精准检测,减少误判的概率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的人员触电检测方法,其特征在于,该方法包括以下步骤:
采集易触电区域的所述实时视频;
提取所述实时视频中的运动目标,判断所述运动目标是否为人体;
在所述运动目标为人体时,识别所述人体的行为状态是否发生突变;
对所述发生突变的行为,以每帧图像中所述人体的多个关节角度作为一个特征向量,对连续多帧图像中的所述特征向量进行分析,获取所述特征向量的稳定度以及每个所述关节角度的连续不变程度,根据所述稳定度和所述连续不变程度得到人体的僵直度;
获取所述人体的颤抖度,根据所述僵直度、所述颤抖度、所述易触电区域的电力参数的变化情况,获取触电指标,若所述触电指标高于设定的触电阈值,认为发生触电现象。
2.根据权利要求1所述的一种基于人工智能的人员触电检测方法,其特征在于,所述获取所述特征向量的稳定度的方法,包括以下几个步骤:
获取所述连续多帧图像中的多个所述关节角度之间的关联系数序列;
计算所述关联系数序列的波动程度,以所述波动程度作为所述稳定度。
3.根据权利要求1或2所述的一种基于人工智能的人员触电检测方法,其特征在于,所述获取连续不变程度的方法,包括以下步骤:
利用滑窗提取所述连续多帧图像中关节角度保持不变的滑窗数量,分析所述关节角度连续不变的程度。
4.根据权利要求1或3所述的一种基于人工智能的人员触电检测方法,其特征在于,所述获取所述人体的颤抖度的方法,包括以下步骤:
获取所述连续多帧图像中人体的同一关键点数据,计算所述关键点的移动速度;
根据所述关键点的位置信息,计算人体颤抖幅度以及颤抖频率;
根据所述移动速度、所述颤抖幅度和所述颤抖频率得到所述颤抖度。
5.根据权利要求1所述的一种基于人工智能的人员触电检测方法,其特征在于,所述提取所述实时视频中的运动目标采用的方法为背景差分法。
6.根据权利要求1所述的方法,其特征在于,所述识别所述人体的行为状态是否发生突变,该方法包括以下步骤:
获取所述人体的二维骨架图;
根据所述二维骨架图检测所述人体的行为状态,判断突变情况。
7.一种基于人工智能的人员触电检测系统,其特征在于,包括:
视频采集模块,用于采集易触电区域的实时视频;
人员检测模块,用于提取所述实时视频中的运动目标,判断所述运动目标是否为人体;
动作突变性判断模块,用于在所述运动目标为人体时,识别所述人体行为状态是否发生突变;
僵直度获取模块,用于对所述发生突变的行为,以每帧图像中所述人体的多个关节角度作为一个特征向量,对连续多帧图像中的所述特征向量进行分析,获取所述特征向量的稳定度以及每个所述关节角度的连续不变程度,根据所述稳定度和所述连续不变程度得到人体的僵直度;
触电指标评估模块,用于获取所述人体的颤抖度,根据所述僵直度、所述颤抖度、所述易触电区域的电力参数变化情况,获取触电指标,若所述触电指标高于设定的触电阈值,认为发生触电现象。
8.根据权利要求7所述的系统,其特征在于,所述僵直度获取模块,还包括:
关联系数获取单元,用于获取根据关节角度构建特征向量稳定分析模型,得到不同向量的关联系数;
计算波动程度单元,用于计算所述关联系数序列的波动程度。
9.根据权利要求7或8所述的系统,其特征在于,所述僵直度获取模块,还包括:
关节角度不变程度获取单元,用于利用滑窗提取所述连续多帧图像中关节角度保持不变的滑窗数量,分析所述关节角度连续不变的程度。
10.根据权利要求7所述的系统,其特征在于,所述颤抖度获取模块,还包括:
移动速度获取单元,用于获取连续多帧图像中人体的同一关键点数据,计算所述关键点的移动速度;
幅度和频率获取单元,用于根据所述关键点的位置信息,计算人体颤抖幅度以及颤抖频率;
获取颤抖度单元,用于根据所述移动速度、所述颤抖幅度和所述颤抖频率得到所述颤抖度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689429.6A CN113536950A (zh) | 2021-06-22 | 2021-06-22 | 一种基于人工智能的人员触电检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689429.6A CN113536950A (zh) | 2021-06-22 | 2021-06-22 | 一种基于人工智能的人员触电检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113536950A true CN113536950A (zh) | 2021-10-22 |
Family
ID=78125469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110689429.6A Pending CN113536950A (zh) | 2021-06-22 | 2021-06-22 | 一种基于人工智能的人员触电检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536950A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641570A (zh) * | 2022-12-26 | 2023-01-24 | 中国汽车技术研究中心有限公司 | 驾驶行为确定方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077591A (zh) * | 2013-03-27 | 2014-10-01 | 冉祥 | 电脑智能自动监控系统 |
US20190133521A1 (en) * | 2017-10-02 | 2019-05-09 | The Trustees Of Columbia University In The City Of New York | Virtual burrow assay for a diversity of neurological and psychiatric disorders |
CN111339883A (zh) * | 2020-02-19 | 2020-06-26 | 国网浙江省电力有限公司 | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 |
CN112597842A (zh) * | 2020-12-15 | 2021-04-02 | 周美跃 | 基于人工智能的运动检测面瘫程度评估系统 |
CN112597898A (zh) * | 2020-12-24 | 2021-04-02 | 珠高电气检测有限公司 | 基于实时计步的电力人员安全状态智能识别方法及介质 |
-
2021
- 2021-06-22 CN CN202110689429.6A patent/CN113536950A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077591A (zh) * | 2013-03-27 | 2014-10-01 | 冉祥 | 电脑智能自动监控系统 |
US20190133521A1 (en) * | 2017-10-02 | 2019-05-09 | The Trustees Of Columbia University In The City Of New York | Virtual burrow assay for a diversity of neurological and psychiatric disorders |
CN111339883A (zh) * | 2020-02-19 | 2020-06-26 | 国网浙江省电力有限公司 | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 |
CN112597842A (zh) * | 2020-12-15 | 2021-04-02 | 周美跃 | 基于人工智能的运动检测面瘫程度评估系统 |
CN112597898A (zh) * | 2020-12-24 | 2021-04-02 | 珠高电气检测有限公司 | 基于实时计步的电力人员安全状态智能识别方法及介质 |
Non-Patent Citations (2)
Title |
---|
DEG/HF-00087: "ETSI Guide Human Factors (HF); User experience guidelines; Telecare services (eHealth)", TSI EG 202 487, no. 1 * |
李健: "接触网运行维护中的若干典型技术问题分析", 中国优秀硕士学位论文全文数据库 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641570A (zh) * | 2022-12-26 | 2023-01-24 | 中国汽车技术研究中心有限公司 | 驾驶行为确定方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
Vishnu et al. | Human fall detection in surveillance videos using fall motion vector modeling | |
CN109492581B (zh) | 一种基于tp-stg框架的人体动作识别方法 | |
Brulin et al. | Posture recognition based on fuzzy logic for home monitoring of the elderly | |
CN114220176A (zh) | 一种基于深度学习的人体行为的识别方法 | |
CN109064484B (zh) | 基于子群组划分与动量特征融合的人群运动行为识别方法 | |
CN105069434B (zh) | 一种视频中人体动作行为识别方法 | |
CN114067358A (zh) | 一种基于关键点检测技术的人体姿态识别方法及系统 | |
CN107818307B (zh) | 一种基于lstm网络的多标签视频事件检测方法 | |
CN112163564B (zh) | 基于人体关键点行为识别与lstm的跌倒预判方法 | |
CN103164858A (zh) | 基于超像素和图模型的粘连人群分割与跟踪方法 | |
CN113011367A (zh) | 一种基于目标轨迹的异常行为分析方法 | |
CN113963315A (zh) | 一种复杂场景下实时视频多人行为识别方法及系统 | |
CN108537181A (zh) | 一种基于大间距深度度量学习的步态识别方法 | |
CN109902565A (zh) | 多特征融合的人体行为识别方法 | |
CN112488057A (zh) | 一种利用人头点定位和关节点信息的单相机多目标跟踪方法 | |
Zhang et al. | Fall detection in videos with trajectory-weighted deep-convolutional rank-pooling descriptor | |
CN109117774A (zh) | 一种基于稀疏编码的多视角视频异常检测方法 | |
CN112233145A (zh) | 一种基于rgb-d时空上下文模型的多目标遮挡跟踪方法 | |
CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
Wang et al. | Video anomaly detection method based on future frame prediction and attention mechanism | |
CN114792429A (zh) | 多视角摔倒检测方法、装置及存储介质 | |
CN113536950A (zh) | 一种基于人工智能的人员触电检测方法和系统 | |
Ding et al. | Machine learning model for feature recognition of sports competition based on improved TLD algorithm | |
KR101675692B1 (ko) | 구조 학습 기반의 군중 행동 인식 방법 및 장치 |
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 |