CN113591751A - 变电站异常情况告警方法、装置、计算机设备及存储介质 - Google Patents

变电站异常情况告警方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113591751A
CN113591751A CN202110903180.4A CN202110903180A CN113591751A CN 113591751 A CN113591751 A CN 113591751A CN 202110903180 A CN202110903180 A CN 202110903180A CN 113591751 A CN113591751 A CN 113591751A
Authority
CN
China
Prior art keywords
detection
abnormal condition
video data
identified
biological
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
Application number
CN202110903180.4A
Other languages
English (en)
Inventor
刘宝刚
李中英
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.)
Shenzhen Laida Siwei Information Technology Co ltd
Original Assignee
Shenzhen Laida Siwei Information Technology 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 Shenzhen Laida Siwei Information Technology Co ltd filed Critical Shenzhen Laida Siwei Information Technology Co ltd
Priority to CN202110903180.4A priority Critical patent/CN113591751A/zh
Publication of CN113591751A publication Critical patent/CN113591751A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种变电站异常情况告警方法、装置、计算机设备及存储介质，应用于变电站技术领域，用于提高保护变电站的安全的有效性。本发明提供的方法包括：采集变电站的目标区域的初始视频数据；检测所述初始视频数据中的目标检测对象，并生成所述目标检测对象的对象检测框，得到待识别视频数据，其中，所述目标检测对象包括机器对象、仪器对象和生物对象；根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型，对所述待识别视频数据进行检测，得到检测结果；基于所述检测结果确定所述目标区域是否存在异常情况，若所述检测结果为所述目标区域存在异常情况，则根据所述异常情况发出对应的告警信号，其中，所述异常情况包括机器异常情况、仪器异常情况以及生物对象异常情况。

Description

变电站异常情况告警方法、装置、计算机设备及存储介质
技术领域
本发明涉及变电站技术领域，尤其涉及变电站异常情况检测方法、装置、计算机设备及存储介质。
背景技术
随着我国电网调度自动化的提高，变电站的无人值守是电力系统的发展趋势。随着智能化、信息化的不断提高，各种基于人工智能的智能监控系统在电网系统中推广，但是在智能监控的应用过程中，变电站各类区域的监控系统处于各自独立的情况，并且只能处于安全监控，不能实时检测到变电站的异常情况，不利于变电站的安全。
发明内容
本发明提供一种变电站异常情况告警方法、装置、计算机设备及存储介质，以提高保护变电站的安全的有效性。
一种变电站异常情况告警方法，包括：
接收安全检查任务，基于所述安全检查任务，采集目标区域的初始视频数据；
基于目标检测算法，确定所述初始视频数据中的目标检测对象，并生成所述目标检测对象的对象检测框，得到待识别视频数据，其中，所述目标检测对象包括机器对象、仪器对象和生物对象；
根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型，对所述待识别视频数据进行检测，得到检测结果；
基于所述检测结果确定所述目标区域是否存在异常情况，若所述检测结果为所述目标区域存在异常情况，则根据所述异常情况发出对应的告警信号，其中，所述异常情况包括机器异常情况、仪器异常情况以及生物对象异常情况。
一种变电站异常情况告警装置，包括：
视频数据采集模块，用于接收安全检查任务，基于所述安全检查任务，采集目标区域的初始视频数据；
目标检测对象确定模块，用于基于目标检测算法，确定所述初始视频数据中的目标检测对象，并生成所述目标检测对象的对象检测框，得到待识别视频数据，其中，所述目标检测对象包括机器对象、仪器对象和生物对象
检测结果生成模块，用于根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型，对所述待识别视频数据进行检测，得到检测结果；
异常情况判断模块，用于基于所述检测结果确定所述目标区域是否存在异常情况，若所述检测结果为所述目标区域存在异常情况，则根据所述异常情况发出对应的告警信号，其中，所述异常情况包括机器异常情况、仪器异常情况以及生物对象异常情况。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述变电站异常情况告警方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述变电站异常情况告警方法的步骤。
本发明提供的变电站异常情况告警方法、装置、计算机设备及存储介质，采集变电站目标区域的视频数据，通过目标检测算法，检测出视频数据中的目标检测对象，得到待识别视频数据；其中，目标检测对象包括机器对象、仪器对象和生物对象；根据目标检测对象，采用不同的异常情况检测模型，对待识别视频数据进行检测，得到检测结果；基于检测结果确定所述区域是否存在异常情况，若存在异常情况，则基于异常情况发出对应的告警信号。通过对多种目标检测对象进行计算机视觉分析，从而判断目标检测对象是否存在异常情况，从多个维度对异常情况进行检测，提高检测到异常情况的准确性，从而更能保障变电站的安全。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中变电站异常情况告警方法的一应用环境示意图；
图2是本发明一实施例中变电站异常情况告警方法的一流程图；
图3是本发明一实施例中变电站异常情况告警装置的结构示意图；
图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请提供的变电站异常情况告警方法，可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。其中，计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
系统框架100可以包括终端设备101、102、103，网络104和服务器105。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或者发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本发明实施例所提供的变电站异常情况告警方法由服务器执行，相应地，变电站异常情况告警装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备、网络和服务器，本发明实施例中的终端设备具体可以对应的是实际生产中的应用系统。
在一实施例中，如图2所示，提供一种变电站异常情况告警方法，包括如下步骤S201至S204。
S201、接收安全检查任务，基于安全检查任务，采集目标区域的初始视频数据。
其中，安全检查任务是指对变电站进行安全检查的任务。可选的，安全检查任务是自动触发，其中，触发机制的频率可以根据具体应用场景设定，在此不做限定。
其中，根据安全检查任务，通过安装在变电站中的采集设备对目标区域采集对应的图像或者视频数据。
在本实施例中，优选采集目标区域的视频数据，进一步的，对视频数据进行解码处理，得到视频数据帧。对视频数据帧进行筛选，将画面模糊、数据破损的视频数据帧剔除出去，得到处理后的视频数据帧。
S202、基于目标检测算法，确定初始视频数据中的目标检测对象，并生成目标检测对象的对象检测框，得到待识别视频数据，其中，目标检测对象包括机器对象、仪器对象和生物对象。
其中，目标检测算法将视频数据中的目标检测对象检测出来，并用边界框框出来，作为目标检测对象的候选区域，得到待识别视频数据。对待识别视频数据中的候选区域，使用深度网络提取特征，通过分类器判别每个目标检测对象的候选区域属于哪一类目标检测对象。其中，目标检测对象的类别包括机器对象、仪器对象和生物对象。
在本实施例的应用场景中，即在变电站中，机器对象是指主变电器，需要检测出主变电器是否存在渗漏油情况。仪器对象是指套管油位计、油枕油位计以及瓦斯继电器，需要检测套管油位计、油枕油位计的油位是否异常，并检测瓦斯继电器的观察窗是否存在气体异常；其中，通过分析气体的颜色判断瓦斯继电器是否存在气体异常。生物对象是指人、动物等具有生命体征的对象，在变电站区域，需要检测变电站内的工作人员是否佩戴安全帽，以及检测有无生物侵入变电站区域。
作为一种优先方式，对变电站的周围以及内部情况进行实时监控，判断变电站周围是否存在烟雾等，判断变电站是否起火。
进一步的，通过采集烟雾的图片数据以及不存在烟雾的图片数据作为训练数据，将训练数据输入到异常情况检测模型中进行训练，以使得异常情况检测模型检测到变电站是否存在烟雾、火焰的异常情况，进一步保证了变电站的安全。
S203、根据待识别视频数据，利用与目标检测对象对应的异常情况检测模型，对待识别视频数据进行检测，得到检测结果。
其中，需要预先采集训练数据，对异常情况检测模型进行训练，使得异常情况检测数据可以检测到对应的异常情况。其中，根据目标检测对象的类别不同，需要对每一类的目标检测对象采集一组正常情况的图片数据以及一组异常情况的图片数据，使得异常情况检测模型可以检测到每一类的目标检测对象的异常情况。
其中，对目标检测对象进行分类，根据目标检测对象的类别，采用不同的异常情况检测模型进行检测。
其中，目标检测对象为机器对象，采用基于Cascade R-CNN(CascadeRegion-ConvolutionalNeuralNetworks)算法模型的异常情况检测模型检测待识别视频数据中的机器对象的异常情况，得到机器对象检测结果。
目标检测对象为仪器对象，采用基于YOLOV4-tiny(YouOnlyLookOnceV4-tiny，实时对象检测模型)算法模型的异常情况检测模型检测仪器对象的异常情况，得到仪器对象检测结果。
目标检测对象为生物对象，采用基于YOLOV4(YouOnlyLookOnceV4，实时对象检测算法)算法模型，构建异常情况检测模型，检测生物对象的异常情况，得到生物对象检测结果。
在本实施例中，异常情况检测模型包括对上述目标检测对象的异常情况检测，即在异常情况检测模型由上述的算法模型构建，分别对不同类别的目标检测对象进行检测，以检测到不同类型的异常情况，并及时进行反馈，提高了保护变电站的安全的有效性。
S204、基于检测结果确定目标区域是否存在异常情况，若检测结果为目标区域存在异常情况，则根据异常情况发出对应的告警信号，其中，异常情况包括机器异常情况、仪器异常情况以及生物对象异常情况。
具体的，在检测结果为所述目标区域存在异常情况，则根据预设的告警方式进行预警。
其中，预设的告警方式可以根据异常情况的程度分为不同的告警层次，其中，可以是通知提醒、警报提醒等。
本实施例中，通过检测到的异常情况进行告警，以起到通知的目的。工作人员可以根据告警信息进行人为干预，以消除潜在危险，保证变电站的危险。
本发明实施例提供的变电站异常情况告警方法，通过采集变电站目标区域的视频数据，通过目标检测算法，检测出视频数据中的目标检测对象，得到待识别视频数据；其中，目标检测对象包括机器对象、仪器对象和生物对象；根据目标检测对象，采用不同的异常情况检测模型，对待识别视频数据进行检测，得到检测结果；基于检测结果确定区域是否存在异常情况，若存在异常情况，则基于异常情况发出对应的告警信号。通过对多种目标检测对象进行计算机视觉分析，从而判断目标检测对象是否存在异常情况，从多个维度对异常情况进行检测，提高检测到异常情况的准确性，从而更能保障变电站的安全。
作为一种可选的实现方式，在本实施例中，目标检测对象为仪器对象，步骤S203中包括如下步骤：
S2031、识别出待识别视频数据中的仪器对象，得到仪器对象待识别数据。
其中，当目标检测对象是仪器对象，则将仪器对象作为目标检测对象，输入到仪器对象异常检测模型中进行检测。
S2032、将仪器对象待识别数据输入到基于目标检测模型的仪器对象异常检测模型中进行检测，得到仪器对象检测结果。
其中，在本实施例中，仪器对象检测模型基于YOLOV4-tiny算法构建。
YOLOV4-Tiny的基础结构与YOLOV4模型类似，整体结构与YOLOV4模型相似，是YOLOV4的精简版模型。
通过对YOLOV4-Tiny模型进行了进一步的改进，对模型整体网络进行了剪枝。
剪枝操作，就是在模型初始化训练之后：1.学习网络的拓扑结构，即了解哪些连接是重要的，并删除不重要的连接，然后删除所有权重低于阈值的连接；2.删除低于阈值的神经元，然后，我们重新训练稀疏网络，以便剩余的连接可以补偿删除的连接。剪枝操作可以重复进行，通常剪枝的比率不能超过0.5，否则精度会大幅度下降。通过剪枝操作，在准确率影响较小的情况下，YOLOV4-Tiny的训练和推理速度提升了15％。2080TIGPU推理速度为0.075s/img。
本实施例中，通过对YOVOV4-tiny模型进行修改，提高仪器对象异常检测模型的检测速度。
进一步的，在步骤S2032中，包括如下步骤：
A、将仪器对象待识别视频数据输入到仪器对象异常检测模型，生成仪器对象的特征图像数据。
其中，对仪器对象中对特征部分进行标注，以生成仪器对象的特征图像数据。
B、将特征图像数据输入到分类模型中进行分类，得到分类结果，将分类结果作为仪器对象检测结果。
其中，将特征图像数据进行分类，得到分类结果。其中，分类模型基于MobileNet(轻量级神经网络)算法构建，其中，MobileNet的基本单元是深度级可分离卷积(depthwiseseparable convolution)。其中，将MobileNet的基本结构修改为卷积层、拟正则化层以及激活层。
进一步的，在训练模型阶段，采集训练数据，其中训练数据包括仪器对象正常情况、异常情况各500张图像对分类模型进行训练，得到训练完成的分类模型。
作为一种可选的实现方式，在本实施例中，目标检测对象为机器对象，步骤S203包括如下步骤:
S2033、识别出初始视频数据中的机器对象，得到机器对象待识别数据。
其中，当目标检测对象是机器对象，将机器对象作为目标检测对象，输入到机器对象检测模型中进行检测。
S2034、将机器对象待识别数据输入到基于深度卷积网络的机器对象异常检测模型中进行检测，得到机器对象检测结果。
在本实施例中，机器对象异常检测模型基于CascadeR-CNN模型构建。
其中，Cascade R-CNN算法是Faster-RCNN的进阶网络，它级联多个检测网络，以达到不断优化预测结果的目的与普通的级联不同，它的多个检测网络是根据不同IOU阈值确定的正负样本进行训练，这是该算法的一大亮点。
Cascade-R-CNN与迭代式的bbox结构以及Integral Loss相似，和Faster-RCNN模型最大的不同点在于cascade-R-CNN中的检测模型是基于前面一个阶段的输出进行训练，而不是像Faster-RCNN一样3个检测模型都是基于最初始的数据进行训练。将Cascade-RCNN的网络连接改成HRNet的结构形式，在各个数据集中的准确率都有大幅度提高，同时对网络进行了剪枝，剪枝比率为0.3，提高了模型推理速度。
本实施例中，通过对CascadeR-CNN的结构进行改进，在保证模型的检测精度的前提下，提高了模型检测视频数据的效率。
作为一种可选的实现方式，在本实施例中，目标检测对象为生物对象，步骤S203包括如下步骤：
S2035、识别出初始视频数据中的生物对象，得到生物对象待识别数据。
其中，当目标检测对象是生物对象，将生物对象作为目标检测对象，输入到生物对象异常检测模型汇总进行检测。
S2036、将生物对象待识别数据输入到基于目标检测算法的生物对象异常检测模型中进行检测，得到生物对象检测结果。
其中，在本实施例中，生物对象异常检测模型基于YOLOV4模型构建。
其中，YOLOV4算法模型的结构主要分为三个部分，分别为输入尾部(通常为608*608的图片数据)、骨干网络(backbone)、颈部(neck)和输出头部(head)。
YOLOV4中通过多个残差块通道融合(Concat)所得，比ResNet结构具有更高的非线性和更强的特征提取能力，由于独特的跨阶段特征融合方法，可以丰富梯度信息，使得计算量降低的同时能够提高精度。Head部分直接输出预测检测框，在输出部分采用了FPN结构，输出分别为：76×76×18、38×38×18、19×19×18的三个不同尺度的特征图。其中18表示类别数目等于1时(类别只有一个)该层的深度，可根据如下公式计算检测框的个数：
3*(numclass+5)
其中，numclass表示检测类别总数。不同的特征图大小表示对应划分的检测对象不同。76×76的网格负责检测小物体，38×38的网格负责检测中等物体，19×19的网格负责检测大物体。
为了进一步提高模型的推理速度而不影响模型的准确率，对以下方面做出了改进：1.为了提高速度，对Bckbone的各个模块进行了精简，换上了tiny-blocks，精度虽有下降但不明显，模型速度明显提升；2.在Neck部分，我们将PAFPN的输出金字塔增加一个108x108的stage，用于检测小目标；3.模型训练出来时的模型体积约为267MB，使用TensorflowLite的模型转换工具，对模型进行FP16精度转换，以及进行TensorRT速度优化，模型体积压缩到201MB，最终在CPU上达到6FPS的推理速度(0.15s/img)，GPU的推理速度为0.08s/img。
Neck部分使用了PAFPN，普通目标检测网络普遍使用FPN(FeaturePyramidNetworks，多尺度目标检测算法)来提高模型对各种尺寸的目标的感受野，而PAFPN在FPN的基础上再加一次自底向上的特征融合路径，进一步提高特征提取的能力。
进一步的，生物对象异常情况包括工作人员不佩戴安全帽以及生物入侵等情况。
通过采集训练数据对生物对象异常检测模型进行训练，其中，训练数据包括人员佩戴安全帽的图片数据、以及人员不佩戴安全帽的图片数据。通过训练数据对生物对象异常监测模型进行训练，以提高生物对象异常检测模型检测到异常情况的准确度。
在本实施例中，通过YOLOV4模型，提高检测到生物对象的效率，即提到检测到异常情况的速度。
进一步的，在步骤S2036之前，还包括如下步骤：
通过TensorRT框架，对生物对象异常检测模型进行改进，得到改进后的生物异常检测模型。
其中，TensorRT是一种神经网络加速引擎，用于加快视频的推理效率，用于提高检测生物对象异常情况的效率。
进一步的，在本实施例中，在步骤S2036之后，还包括如下步骤：
C、对初始视频数据进行处理，得到初始视频数据帧。
D、基于目标检测算法，对初始视频数据帧的生物对象进行检测，得到生物对象视频帧。
E、计算生物对象视频帧中的生物对象的欧式距离，得到生物对象距离结果。
其中，当在视频数据中检测到了生物对象，则根据相邻帧中，计算同一生物对象的移动距离，作为生物对象距离结果。进一步的，比较生物对象距离结果与预设阈值，若生物对象距离结果大于预设阈值，则确定该生物对象的行为异常，作为异常情况。
F、基于生物对象距离结果，判断生物对象与目标区域的距离，若距离小于预设阈值，则确定存在生物对象异常情况。
在本实施例中，通过对生物对象的距离进行识别，以判断生物对象的行为是否威胁到了变电站的安全，从而提高防患突发事件的准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种变电站异常情况告警装置，该变电站异常情况告警装置与上述实施例中变电站异常情况告警方法一一对应。如图3所示，该变电站异常情况告警装置包括：
视频数据采集模块31，用于接收安全检查任务，基于所述安全检查任务，采集目标区域的初始视频数据。
目标检测对象确定模块32，用于基于目标检测算法，确定所述初始视频数据中的目标检测对象，并生成所述目标检测对象的对象检测框，得到待识别视频数据，其中，所述目标检测对象包括机器对象、仪器对象和生物对象。
检测结果生成模块33，用于根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型，对所述待识别视频数据进行检测，得到检测结果。
异常情况判断模块34，用于基于所述检测结果确定所述目标区域是否存在异常情况，若所述检测结果为所述目标区域存在异常情况，则根据所述异常情况发出对应的告警信号，其中，所述异常情况包括机器异常情况、仪器异常情况以及生物对象异常情况。
进一步的，检测结果生成模块33包括如下单元：
仪器对象待识别数据生成单元，用于识别出待识别视频数据中的仪器对象，得到仪器对象待识别数据。
仪器对象检测结果生成单元，用于将仪器对象待识别数据输入到基于目标检测模型的仪器对象异常检测模型中进行检测，得到仪器对象检测结果。
进一步的，仪器对象检测结果生成单元还包括如下子单元：
特征图像数据生成子单元，用于将仪器对象待识别视频数据输入到仪器对象异常检测模型，生成仪器对象的特征图像数据。
仪器对象检测结果子单元，用于将特征图像数据输入到分类模型中进行分类，得到分类结果，将分类结果作为仪器对象检测结果。
进一步的，检测结果生成模块33包括如下单元：
机器对象待识别数据生成单元，用于识别出初始视频数据中的机器对象，得到机器对象待识别数据。
机器对象检测结果生成单元，用于将机器对象待识别数据输入到基于深度卷积网络的机器对象异常检测模型中进行检测，得到机器对象检测结果。
进一步的，检测结果生成模块33包括如下单元：
生物对象待识别数据生成单元，用于识别出初始视频数据中的生物对象，得到生物对象待识别数据。
生物对象检测结果生成单元，用于将生物对象待识别数据输入到基于目标检测算法的生物对象异常检测模型中进行检测，得到生物对象检测结果。
进一步的，本实施例中，还包括如下单元：
生物异常检测模型改进单元，用于通过TensorRT框架，对生物对象异常检测模型进行改进，得到改进后的生物异常检测模型。
进一步的，本实施例中，还包括如下单元：
初始视频数据帧生成单元，用于对初始视频数据进行处理，得到初始视频数据帧。
生物对象视频帧生成单元，用于基于目标检测算法，对初始视频数据帧的生物对象进行检测，得到生物对象视频帧。
生物对象距离结果生成单元，用于计算生物对象视频帧中的生物对象的欧式距离，得到生物对象距离结果。
生物对象异常情况确定单元，用于基于生物对象距离结果，判断生物对象与目标区域的距离，若距离小于预设阈值，则确定存在生物对象异常情况。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于变电站异常情况告警装置的具体限定可以参见上文中对于变电站异常情况告警方法的限定，在此不再赘述。上述变电站异常情况告警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储变电站异常情况告警方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种变电站异常情况告警方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中变电站异常情况告警方法的步骤，例如图2所示的步骤S201至步骤S202及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中变电站异常情况告警装置的各模块/单元的功能，例如图3所示模块31至模块34的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中变电站异常情况告警方法的步骤，例如图2所示的步骤S201至步骤S204及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中变电站异常情况告警装置的各模块/单元的功能，例如图3所示模块31至模块34的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种变电站异常情况告警方法，其特征在于，包括：
接收安全检查任务，基于所述安全检查任务，采集目标区域的初始视频数据；
基于目标检测算法，确定所述初始视频数据中的目标检测对象，并生成所述目标检测对象的对象检测框，得到待识别视频数据，其中，所述目标检测对象包括机器对象、仪器对象和生物对象；
根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型，对所述待识别视频数据进行检测，得到检测结果；
基于所述检测结果确定所述目标区域是否存在异常情况，若所述检测结果为所述目标区域存在异常情况，则根据所述异常情况发出对应的告警信号，其中，所述异常情况包括机器异常情况、仪器异常情况以及生物对象异常情况。
2.根据权利要求1所述的变电站异常情况告警方法，其特征在于，所述目标检测对象为仪器对象，所述根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型进行检测，得到检测结果的步骤包括：
识别出所述待识别视频数据中的仪器对象，得到仪器对象待识别数据；
将所述仪器对象待识别数据输入到基于目标检测模型的仪器对象异常检测模型中进行检测，得到仪器对象检测结果。
3.根据权利要求2所述的变电站异常情况告警方法，其特征在于，所述将将所述仪器对象待识别数据输入到基于目标检测模型的仪器对象异常检测模型中进行检测，得到仪器对象检测结果的步骤包括：
将所述仪器对象待识别视频数据输入到所述仪器对象异常检测模型，生成所述仪器对象的特征图像数据；
将所述特征图像数据输入到分类模型中进行分类，得到分类结果，将所述分类结果作为仪器对象检测结果。
4.根据权利要求1所述的变电站异常情况告警方法，其特征在于，所述目标检测对象为机器对象，所述根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型进行检测，得到检测结果的步骤包括：
识别出所述初始视频数据中的机器对象，得到机器对象待识别数据；
将所述机器对象待识别数据输入到基于深度卷积网络的机器对象异常检测模型中进行检测，得到机器对象检测结果。
5.根据权利要求1所述的变电站异常情况告警方法，其特征在于，所述目标检测对象为生物对象，所述根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型进行检测，得到检测结果的步骤包括：
识别出所述初始视频数据中的生物对象，得到生物对象待识别数据；
将所述生物对象待识别数据输入到基于目标检测算法的生物对象异常检测模型中进行检测，得到生物对象检测结果。
6.根据权利要求5所述的变电站异常情况告警方法，其特征在于，在将所述生物对象待识别数据输入到基于目标检测算法的生物对象异常检测模型中进行检测的步骤之前，所述方法包括：
通过TensorRT框架，对所述生物对象异常检测模型进行改进，得到改进后的生物异常检测模型。
7.根据权利要求5所述的变电站异常情况告警方法，其特征在于，在将所述生物对象待识别数据输入到基于目标检测算法的生物对象异常检测模型中进行检测，得到生物对象检测结果的步骤之后，所述方法还包括：
对所述初始视频数据进行处理，得到初始视频数据帧；
基于目标检测算法，对所述初始视频数据帧的生物对象进行检测，得到生物对象视频帧；
计算所述生物对象视频帧中的所述生物对象的欧式距离，得到生物对象距离结果；
基于所述生物对象距离结果，判断所述生物对象与所述目标区域的距离，若所述距离小于预设阈值，则确定存在生物对象异常情况。
8.一种变电站异常情况告警装置，其特征在于，所述装置包括：
视频数据采集模块，用于接收安全检查任务，基于所述安全检查任务，采集目标区域的初始视频数据；
目标检测对象确定模块，用于基于目标检测算法，确定所述初始视频数据中的目标检测对象，并生成所述目标检测对象的对象检测框，得到待识别视频数据，其中，所述目标检测对象包括机器对象、仪器对象和生物对象
检测结果生成模块，用于根据所述待识别视频数据，利用与所述目标检测对象对应的异常情况检测模型，对所述待识别视频数据进行检测，得到检测结果；
异常情况判断模块，用于基于所述检测结果确定所述目标区域是否存在异常情况，若所述检测结果为所述目标区域存在异常情况，则根据所述异常情况发出对应的告警信号，其中，所述异常情况包括机器异常情况、仪器异常情况以及生物对象异常情况。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述变电站异常情况告警方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述变电站异常情况告警方法的步骤。
CN202110903180.4A 2021-08-06 2021-08-06 变电站异常情况告警方法、装置、计算机设备及存储介质 Pending CN113591751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110903180.4A CN113591751A (zh) 2021-08-06 2021-08-06 变电站异常情况告警方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110903180.4A CN113591751A (zh) 2021-08-06 2021-08-06 变电站异常情况告警方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN113591751A true CN113591751A (zh) 2021-11-02

Family

ID=78256274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110903180.4A Pending CN113591751A (zh) 2021-08-06 2021-08-06 变电站异常情况告警方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113591751A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332465A (zh) * 2022-01-05 2022-04-12 上海秦润数据科技有限公司 一种基于计算机视觉和深度学习发现天然气终端设备异常的方法
CN115242421A (zh) * 2022-03-28 2022-10-25 清华大学 基于网络空间地图的网络异常检测方法及装置
CN117133020A (zh) * 2023-10-26 2023-11-28 湖北华中电力科技开发有限责任公司 基于图像大数据的电网设施异常检测与处理方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332465A (zh) * 2022-01-05 2022-04-12 上海秦润数据科技有限公司 一种基于计算机视觉和深度学习发现天然气终端设备异常的方法
CN115242421A (zh) * 2022-03-28 2022-10-25 清华大学 基于网络空间地图的网络异常检测方法及装置
CN117133020A (zh) * 2023-10-26 2023-11-28 湖北华中电力科技开发有限责任公司 基于图像大数据的电网设施异常检测与处理方法及系统
CN117133020B (zh) * 2023-10-26 2024-01-19 湖北华中电力科技开发有限责任公司 基于图像大数据的电网设施异常检测与处理方法及系统

Similar Documents

Publication Publication Date Title
CN111475804B (zh) 一种告警预测方法及系统
CN107392025B (zh) 基于深度学习的恶意安卓应用程序检测方法
CN113591751A (zh) 变电站异常情况告警方法、装置、计算机设备及存储介质
CN110097037B (zh) 智能监测方法、装置、存储介质及电子设备
CN107862270B (zh) 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN107111610B (zh) 用于神经语言行为识别系统的映射器组件
CN110730164B (zh) 安全预警方法及相关设备、计算机可读存储介质
CN113704410B (zh) 情绪波动检测方法、装置、电子设备及存储介质
He et al. MTAD-TF: Multivariate time series anomaly detection using the combination of temporal pattern and feature pattern
CN107111609A (zh) 用于神经语言行为识别系统的词法分析器
CN114266946A (zh) 遮挡条件下的特征识别方法、装置、计算机设备及介质
CN114205212A (zh) 一种网络安全预警方法、装置、设备及可读存储介质
CN114118295A (zh) 一种异常检测模型训练方法、异常检测方法、装置及介质
CN116453056A (zh) 目标检测模型构建方法和变电站异物入侵检测方法
CN117435999A (zh) 一种风险评估方法、装置、设备以及介质
CN111523322A (zh) 需求文档质量评价模型训练方法及需求文档质量评价方法
CN112084105A (zh) 日志文件监测预警方法、装置、设备及存储介质
CN116977249A (zh) 缺陷检测的方法、模型训练的方法和装置
CN113919544B (zh) 犯罪预警方法、装置、计算机设备及存储介质
CN115296933A (zh) 一种工业生产数据风险等级评估方法及系统
CN110321770B (zh) 管线监控方法、装置、设备和存储介质
US20190236268A1 (en) Behavior determining method, behavior determining apparatus, and non-transitory computer readable medium
CN113420631A (zh) 一种基于图像识别的安全报警方法及装置
CN112364715B (zh) 核电作业异常监控方法、装置、计算机设备和存储介质
US20220383094A1 (en) System and method for obtaining raw event embedding and applications thereof

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