CN113657165A - 电力现场作业中的危险攀登行为识别算法 - Google Patents
电力现场作业中的危险攀登行为识别算法 Download PDFInfo
- Publication number
- CN113657165A CN113657165A CN202110809549.5A CN202110809549A CN113657165A CN 113657165 A CN113657165 A CN 113657165A CN 202110809549 A CN202110809549 A CN 202110809549A CN 113657165 A CN113657165 A CN 113657165A
- Authority
- CN
- China
- Prior art keywords
- data set
- power field
- training
- field operation
- total data
- 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- Withdrawn
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 27
- 230000006399 behavior Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000013526 transfer learning Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种电力现场作业中的危险攀登行为识别算法，包括以下步骤：S1：通过python 3.6.5+keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数；S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全帽部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集；S3：获取开源数据集，将开源数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充；S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行训练，获得最终模型；S5：通过模型对实时电力现场作业中的安全帽进行检测。该电力现场作业中的危险攀登行为识别算法，识别率高，且识别效率优异，能够及时的发现工人的危险攀登行为，遏制危险攀登行为导致的不安全因素。
Description
技术领域
本发明涉及电力现场目标检测领域，特别是涉及一种电力现场作业中的危险攀登行为识别算法。
背景技术
随着电网规模的快速发展，现场施工作业出现点多面广、作业环境复杂多样的情况。在施工作业中，人的不安全行为、物的不安全状态和环境的不安全因素总是客观存在的，这些不安全因素在生产活动中就形成了风险，且一旦失控就可能导致不安全事故的发生。
为了避免不安全事故的发生，目前电网现场施工作业都会使用摄像头实时监控施工现场，摄像头主要是对工人进行监控。危险攀登行为是人为导致不安全因素的主要因素之一，但是目前配合摄像头检测工人危险攀登行为的方法，检测准确率较低，工人的危险攀登行为仍然不能被完全检测，还是会导致一些不安全事故的发生。
因此，针对现有技术不足，提供一种电力现场作业中的危险攀登行为识别算法以克服现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种电力现场作业中的危险攀登行为识别算法，识别率高，且识别效率优异，能够及时的发现工人的危险攀登行为，遏制危险攀登行为导致的不安全因素。
本发明的目的通过以下技术措施实现。
提供一种电力现场作业中的危险攀登行为识别算法，包括以下步骤：
S1：通过python3.6.5+keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数。
S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全帽部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集。
S3：获取开源数据集，将开元数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充。
S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行模型训练，获得最终模型。
S5：通过模型对实时电力现场作业中的安全帽进行检测。
优选的，S4中使用总数据集进行模型训练时采用衰减学习率的方式进行。
优选的，模型训练过程中通过通过准确率来评价模型。
本发明的一种电力现场作业中的危险攀登行为识别算法，包括以下步骤：S1：通过python3.6.5+keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数；S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全帽部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集；S3：获取开源数据集，将开源数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充；S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行训练，获得最终模型；S5：通过模型对实时电力现场作业中的安全帽进行检测。该电力现场作业中的危险攀登行为识别算法，识别率高，且识别效率优异，能够及时的发现工人的危险攀登行为，遏制危险攀登行为导致的不安全因素。
具体实施方式
结合以下实施例对本发明作进一步说明。
实施例1。
一种电力现场作业中的危险攀登行为识别算法，电力现场作业中的危险攀登行为识别算法，包括以下步骤：S1：通过python3.6.5+keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数。S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全帽部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集。S3：获取开源数据集，将开元数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充。S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行模型训练，获得最终模型。S5：通过模型对实时电力现场作业中的安全帽进行检测。本实施例中，S4中使用总数据集进行模型训练时采用衰减学习率的方式进行。模型训练过程中通过通过准确率来评价模型。该电力现场作业中的危险攀登行为识别算法，识别率高，且识别效率优异，能够及时的发现工人的危险攀登行为，遏制危险攀登行为导致的不安全因素。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (3)
1.一种电力现场作业中的危险攀登行为识别算法，其特征在于，包括以下步骤：
S1：通过python3.6.5+keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数；
S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的工人危险攀登图像部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集；
S3：获取开源数据集，将开源数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充；
S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行模型训练，获得最终模型；
S5：通过模型对实时电力现场作业中的安全帽进行检测。
2.根据权利要求1所述的电力现场作业中的危险攀登行为识别算法，其特征在于：S4中使用总数据集进行模型训练时采用衰减学习率的方式进行。
3.根据权利要求1所述的电力现场作业中的危险攀登行为识别算法，其特征在于：模型训练过程中通过通过准确率来评价模型。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2020107977709 | 2020-08-10 | ||
| CN202010797770 | 2020-08-10 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657165A true CN113657165A (zh) | 2021-11-16 |
Family
ID=78489624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110809549.5A Withdrawn CN113657165A (zh) | 2020-08-10 | 2021-07-16 | 电力现场作业中的危险攀登行为识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657165A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035458A (zh) * | 2022-07-06 | 2022-09-09 | 中国安全生产科学研究院 | 一种安全风险评价方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150074009A1 (en) * | 2002-08-08 | 2015-03-12 | Rf Check, Inc. | System and method for automated training, certification and recordation for climber/tower safety and regulatory compliance at communications sites |
| CN109492575A (zh) * | 2018-11-06 | 2019-03-19 | 东北大学 | 一种基于YOLOv3的扶梯安全监测方法 |
| CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
| CN109684933A (zh) * | 2018-11-30 | 2019-04-26 | 广州大学 | 一种前方行人窜出马路的预警方法 |
| CN110070033A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 |
| WO2019204824A1 (en) * | 2018-04-20 | 2019-10-24 | XNOR.ai, Inc. | Improving image classification through label progression |
| CN111144232A (zh) * | 2019-12-09 | 2020-05-12 | 国网智能科技股份有限公司 | 基于智能视频监控的变电站电子围栏监测方法、存储介质及设备 |
| CN111353465A (zh) * | 2020-03-12 | 2020-06-30 | 智洋创新科技股份有限公司 | 基于深度学习技术的变电站人员行为分析方法及系统 |
| CN113673334A (zh) * | 2020-08-10 | 2021-11-19 | 广东电网有限责任公司 | 电力现场作业中的安全绳检测算法 |
| CN113673335A (zh) * | 2020-08-10 | 2021-11-19 | 广东电网有限责任公司 | 电力现场作业中的危险越界行为识别算法 |
| CN113673333A (zh) * | 2020-08-10 | 2021-11-19 | 广东电网有限责任公司 | 电力现场作业中的跌落检测算法 |
-
2021
- 2021-07-16 CN CN202110809549.5A patent/CN113657165A/zh not_active Withdrawn
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150074009A1 (en) * | 2002-08-08 | 2015-03-12 | Rf Check, Inc. | System and method for automated training, certification and recordation for climber/tower safety and regulatory compliance at communications sites |
| WO2019204824A1 (en) * | 2018-04-20 | 2019-10-24 | XNOR.ai, Inc. | Improving image classification through label progression |
| CN109492575A (zh) * | 2018-11-06 | 2019-03-19 | 东北大学 | 一种基于YOLOv3的扶梯安全监测方法 |
| CN109684933A (zh) * | 2018-11-30 | 2019-04-26 | 广州大学 | 一种前方行人窜出马路的预警方法 |
| CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
| CN110070033A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 |
| CN111144232A (zh) * | 2019-12-09 | 2020-05-12 | 国网智能科技股份有限公司 | 基于智能视频监控的变电站电子围栏监测方法、存储介质及设备 |
| CN111353465A (zh) * | 2020-03-12 | 2020-06-30 | 智洋创新科技股份有限公司 | 基于深度学习技术的变电站人员行为分析方法及系统 |
| CN113673334A (zh) * | 2020-08-10 | 2021-11-19 | 广东电网有限责任公司 | 电力现场作业中的安全绳检测算法 |
| CN113673335A (zh) * | 2020-08-10 | 2021-11-19 | 广东电网有限责任公司 | 电力现场作业中的危险越界行为识别算法 |
| CN113673333A (zh) * | 2020-08-10 | 2021-11-19 | 广东电网有限责任公司 | 电力现场作业中的跌落检测算法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐桂涛: "煤矿视频监控系统中人员目标跟踪算法的研究与实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 09, 15 September 2019 (2019-09-15), pages 021 - 360 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035458A (zh) * | 2022-07-06 | 2022-09-09 | 中国安全生产科学研究院 | 一种安全风险评价方法及系统 |
| CN115035458B (zh) * | 2022-07-06 | 2023-02-03 | 中国安全生产科学研究院 | 一种安全风险评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| CN113344326A (zh) | 多信息融合特殊作业现场动态隐患识别和风险评估系统和方法 | |
| CN113673334A (zh) | 电力现场作业中的安全绳检测算法 | |
| CN112364715A (zh) | 核电作业异常监控方法、装置、计算机设备和存储介质 | |
| CN113673333A (zh) | 电力现场作业中的跌落检测算法 | |
| CN104123567A (zh) | 电力作业工器具现场遗留智能视频识别方法 | |
| CN113657165A (zh) | 电力现场作业中的危险攀登行为识别算法 | |
| CN113673335A (zh) | 电力现场作业中的危险越界行为识别算法 | |
| CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
| CN116152202A (zh) | 基于图像识别技术和红外热成像技术的设备外观检测系统 | |
| CN106340034A (zh) | 一种变压器漏油检测方法 | |
| CN213457742U (zh) | 一种焊接作业监控系统 | |
| CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
| CN115100592B (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
| CN108573233B (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
| CN114463661A (zh) | 一种基于YOLO v5网络的输电线路安全风险监测方法 | |
| Wei et al. | Dress Code Surveillance at Power Grid Construction Site via Object Detection | |
| CN111414825B (zh) | 一种安全帽佩戴检测方法 | |
| CN112132826A (zh) | 基于人工智能的杆塔附件缺陷巡检图像排查方法及系统 | |
| Gao et al. | Design and implementation of fire detection system using new model mixing | |
| CN112598059A (zh) | 一种工人着装检测方法、装置、存储介质及电子设备 | |
| CN105427344A (zh) | 一种变电站智能系统中运动目标检测方法 | |
| CN114943884B (zh) | 基于深度学习的设备保护方法 | |
| CN113762339A (zh) | 电力现场作业中的安全帽检测算法 | |
| CN108363371B (zh) | 一种大型建筑用联合控制系统 |
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 |
Application publication date: 20211116 |