CN113920796B - 一种沉浸式变电站倒闸训练行为评估方法及系统 - Google Patents
一种沉浸式变电站倒闸训练行为评估方法及系统 Download PDFInfo
- Publication number
- CN113920796B CN113920796B CN202111131579.1A CN202111131579A CN113920796B CN 113920796 B CN113920796 B CN 113920796B CN 202111131579 A CN202111131579 A CN 202111131579A CN 113920796 B CN113920796 B CN 113920796B
- Authority
- CN
- China
- Prior art keywords
- training
- actions
- task
- substation
- video
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 362
- 238000011156 evaluation Methods 0.000 title claims abstract description 54
- 230000009471 action Effects 0.000 claims abstract description 208
- 230000006399 behavior Effects 0.000 claims abstract description 58
- 238000013210 evaluation model Methods 0.000 claims abstract description 47
- 230000003068 static effect Effects 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 12
- 230000003993 interaction Effects 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 42
- 238000005516 engineering process Methods 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 23
- 238000013461 design Methods 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000009877 rendering Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000007654 immersion Methods 0.000 claims description 10
- 230000006698 induction Effects 0.000 claims description 10
- 230000003238 somatosensory effect Effects 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 9
- 230000009850 completed effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000036760 body temperature Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000533950 Leucojum Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection 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
- 230000004044 response Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/06—Electrically-operated educational appliances with both visual and audible presentation of the material to be studied
- G09B5/065—Combinations of audio and video presentations, e.g. videotapes, videodiscs, television systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种沉浸式变电站倒闸训练行为评估方法及系统，属于变电站倒闸训练应用技术领域，基于训练场景模拟模块构建变电站倒闸训练时的静态场景，通过操作任务动态展示模块将操作人员的训练动作植入到所述变电站倒闸训练时的静态场景中，实现静态与动态的虚拟结合，通过得分评估与动作分类模块，进行深度学习预训练和修正训练获得适合的训练行为得分评估模型，基于所述训练行为得分评估模型将所述训练动作按照操作错误的占比进行动作分类，便于教学人员根据所述动作分类进行有针对性的进行教学，同时，也便于教学人员识别特定学员的经常性错误动作，对所述特定学员进行精准训练。
Description
技术领域
本发明涉及变电站倒闸训练应用技术领域，尤其涉及一种沉浸式变电站倒闸训练行为评估方法及系统。
背景技术
对于国网公司而言，安全培训必不可少。然而由于受设备、条件、场地、资源等因素的限制，如变电站倒闸操作、高空作业、变电设备检修、线路巡视、消防演练等作业很少或无法随时模拟与训练，这将给员工培训增加了许多难度。除此之外，传统安全培训普遍以说教为主，存在内容枯燥、手段单一，体验性、警示性不足的问题。以上问题的存在大大削减了安全培训的效果，造成人们安全意识普遍不高、安全知识缺乏、应急处置能力不足，使得安全事故频发，造成人身伤害、财产损失、经济损失严重。
随着虚拟现实技术的发展与成熟，一些工程级电力训练仿真系统逐渐出现。例如，公开号为CN110689774A的专利申请方案公开了：基于虚拟现实的电站倒闸操作训练系统的构建及使用方法，将3D建模工具、Unity3D游戏开发引擎、VR设备综合应用，提出一套电站倒闸操作训练系统构建方法，但该专利的内容以及方法流程完成是VR项目制作设计的标准流程，创新点仅在应用创新，且未对系统体验进行科学化行为评估、矫正、启发式教育；公开号为CN108573529A的申请方案一种变电站虚拟现实场景的构建方法和系统也仅提出如何运用三维点云数据构建逼真的3D场景，未涉及操作仿真、评估与启发式矫正教育，因此，本发明提供一种沉浸式变电站倒闸训练行为评估方法及系统，解决上述问题。
发明内容
本发明实施例的目的在于提出一种沉浸式变电站倒闸训练行为评估方法及系统，以解决现有技术中存在的问题。
为了解决上述技术问题，本发明提供一种沉浸式变电站倒闸训练行为评估方法，采用了如下所述的技术方案：
一种沉浸式变电站倒闸训练行为评估方法，包括：
获取变电站的实际环境图片或者视频，基于三维重构技术对所述变电站周边的实际环境、所述变电站和所述变电站倒闸训练任务中所需操作的各个元件进行三维建模，获取静态三维场景；
基于UI界面设计技术对所述静态三维场景中不同元素进行色彩渲染，获取有色三维场景，使用Unity3D动画制作技术对所述有色三维场景进行动画设计，获取动态三维场景；
在所述动态三维场景对应的程序内设置若干个传输交互接口，通过所述传输交互接口，将所述动态三维场景构建为沉浸式三维场景，其中，所述传输交互接口至少应当包括：语音交互接口、体感交互接口、VR沉浸式体验接口、视频录入接口和手柄感应接口；
基于预设视频采集组件，实时获取操作人员进行变电站倒闸训练任务时的训练视频，将所述训练视频通过所述视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示，获取沉浸式训练场景；
基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，基于训练完成的所述动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作，对最新训练人员针对性进行困难动作、易错动作和常规动作教学。
进一步的，所述进行三维建模包括：
可选择的采用3DsMax、Rhino或者4Dcinema三维重构技术进行建模。
进一步的，对所述变电站倒闸训练任务中所需操作的各个元件进行三维建模，至少应当包括：
在训练任务开始前，对处于第一状态的所述各个元件进行三维建模；
在训练任务操作过程中，对处于第二状态的所述各个元件进行三维建模；
在完成训练任务时，对处于第三状态的所述各个元件进行三维建模。
进一步的，所述使用Un ity3D动画制作技术对所述有色三维场景进行动画设计，至少应当包括：
对所述变电站倒闸训练任务中所需操作的各个元件由训练任务开始前的所述第一状态切换至训练任务操作过程中的所述第二状态进行动画设计；
对所述变电站倒闸训练任务中所需操作的各个元件由训练任务操作过程中的所述第二状态切换至完成训练任务时的所述第三状态进行动画设计。
进一步的，所述使用Unity3D动画制作技术对所述有色三维场景进行动画设计，还应当包括：
在模拟操作人员由变电站远处逐渐移动至所述变电站倒闸训练任务中所需操作的各个元件的过程中，对所述变电站周边的实际环境进行远景等比例缩小和后退处理；
在模拟操作人员移动至待操作元件位置时，对所述变电站倒闸训练任务中待操作的当前元件和所述当前元件一定预设范围的所述变电站部分进行近景等比例放大和拉近处理；
在模拟操作人员选择下一个待操作元件进行操作任务时，根据模拟操作人员对应的模拟视角进行周围环境旋转转换。
进一步的，所述手柄感应接口，进行传输交互时的具体实现方式为：
预先在所述动态三维场景的软件程序部分中设置指令接收模块和预先在操作手柄中植入可进行简单程序发送指令的单片机，当操作人员通过所述操作手柄进行变电站倒闸任务训练时，所述单片机向所述指令接收模块实时发送操作手柄的动态操作状态，由所述指令接收模块转发给所述动态三维场景的软件程序部分中处理模块，选择与所述动态操作状态相匹配的功能性接口，实现通过所述操作手柄控制任务训练，其中，所述操作手柄可以选择HTC Vive设备中的手柄，也可以自行设计与所述训练任务相匹配的操作手柄。
进一步的，所述将所述训练视频通过所述视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示，具体实现方式为：
基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示之前，对所述训练视频进行预处理，获取与所述训练任务数量相同的视频解析单元；
对所述视频解析单元中人物动作进行拆分和区别标记处理，获取动作片段；
将预设静态人体三维模型与所述动作片段作为待渲染对象，使用Unity3D动画制作技术在所述沉浸式三维场景中对所述待渲染对象进行动画渲染和动态展示。
进一步的，所述基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，具体包括：
动作行为得分评估模型预训练阶段和动作行为得分评估模型修正训练阶段，
其中，所述动作行为得分评估模型预训练阶段，具体步骤包括：
步骤201，预先录入不同的训练任务和基于kinect录制所述不同的训练任务分别对应的标准训练动作，并存入到预设标准动作库中；
步骤202，基于预设视频采集组件，实时获取当前操作人员进行变电站倒闸训练任务时的训练视频；
步骤203，对所述训练视频进行预处理，获取与所述训练任务数量相同的视频解析单元；
步骤204，对所述视频解析单元中人物动作进行拆分和区别标记处理，获取当前操作人员进行不同的训练任务时的操作动作，与所述标准训练动作进行比对，获取每一个训练任务对应的正确率ω；
步骤205，基于预设算法公式：对当前操作人员的整体训练项目进行得分总评估，获取训练项目评估值，其中，ω表示每一个训练任务对应的正确率，ci表示不同正确率对应的奖惩值，xi表示第i个训练任务对应的评估分值，ai表示第i个训练任务对整体训练项目得分的影响权重系数，i表示整体训练项目所包括的不同训练任务的数量；
步骤206，重复执行步骤202至步骤205，获取若干位操作人员进行整体训练项目时对应的训练项目评估值，并按照所述训练项目评估值的高低进行排序，在排序完成之后，按照训练项目评估值的高低对所述排序结果进行4:6比例划分，划分为优秀与良好两个等级，
其中，所述动作行为得分评估模型修正训练阶段，具体步骤为：
步骤301，获取所述优秀与良好两个等级的区分分值，基于预设视频采集组件，实时获取新操作人员进行变电站倒闸训练任务时的训练视频；
步骤302，重复执行步骤203至步骤205，获取新操作人员对应的训练项目评估值，与所述区分分值进行对比，判断所述新操作人员对应的优秀与良好等级，并对所述新操作人员进行等级确定；
步骤303，循环执行步骤302，确定若干个新操作人员对应的等级，在操作人员的总数量达到预设阈值时，再次按照4:6进行划分，重新确定优秀与良好对应的分值区间；
步骤304，若优秀与良好对应的分值区间趋于稳定值，则所述动作行为得分评估模型修正完成。
进一步的，基于训练完成的所述动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作，具体实现方式为：
在所述动作行为得分评估模型修正完成之后，获取训练等级为优秀的训练人员分别对应的训练动作，从所述训练动作中筛选出错误动作，若存在错误动作的出现频率达到设定的第一阈值，则将所述错误动作标记为困难动作；
在所述动作行为得分评估模型修正完成之后，获取训练等级为良好的训练人员分别对应的训练动作，从所述训练动作中筛选出错误动作，若存在错误动作的出现频率达到设定的第二阈值，且所述错误动作非为所述困难动作，则标记为易错动作；
基于所述预设标准动作库的标准动作，排除所述易错动作和困难动作，将排除后所述标准动作库剩余的动作作为常规动作。
为了解决上述技术问题，本发明实施例还提供了一种沉浸式变电站倒闸训练行为评估系统，采用了如下所述的技术方案：
一种沉浸式变电站倒闸训练行为评估系统，包括：
训练场景模拟模块，用于获取变电站的实际环境图片或者视频，基于三维重构技术对所述变电站周边的实际环境、所述变电站和所述变电站倒闸训练任务中所需操作的各个元件进行三维建模，获取静态三维场景；基于UI界面设计技术对所述静态三维场景中不同元素进行色彩渲染，获取有色三维场景，使用Unity3D动画制作技术对所述有色三维场景进行动画设计，获取动态三维场景；在所述动态三维场景对应的程序内设置若干个传输交互接口，通过所述传输交互接口，将所述动态三维场景构建为沉浸式三维场景，其中，所述传输交互接口至少应当包括：语音交互接口、体感交互接口、VR沉浸式体验接口、视频录入接口和手柄感应接口；
操作任务动态展示模块，用于基于预设视频采集组件，实时获取操作人员进行变电站倒闸训练任务时的训练视频，将所述训练视频通过所述视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示，获取沉浸式训练场景；
得分评估与动作分类模块，用于基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，基于训练完成的所述动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作。
与现有技术相比，本发明实施例主要有以下有益效果：
本发明实施例公开了沉浸式变电站倒闸训练行为评估方法及系统，基于训练场景模拟模块构建变电站倒闸训练时的静态场景，通过操作任务动态展示模块将操作人员的训练动作植入到所述变电站倒闸训练时的静态场景中，实现静态与动态的虚拟结合，通过得分评估与动作分类模块，进行深度学习预训练和修正训练获得适合的训练行为得分评估模型，基于所述训练行为得分评估模型将所述训练动作按照操作错误的占比进行动作分类，便于教学人员根据所述动作分类进行有针对性的进行教学，同时，也便于教学人员识别特定学员的经常性错误动作，对所述特定学员进行精准训练；本发明在虚拟训练系统的开发逻辑中融入语音、体感、沉浸式体验、手柄交互、图象识别等技术，使得训练系统更智能、更自然、更精准，同时，运用三维动画、粒子特效等三维动态技术将倒闸先验知识及标准流程、天气因素考虑在内，以让用户体验模拟不同天气、不同故障时的标准处理流程与注意事项，以加深对倒闸操作等专业知识的快速掌握；同时，本发明中使用kinect2.0设备实时精准识别人体动作是否规范，kinect可同时实时识别六个完整骨骼、每人25个关键节点的静态及动态信息，便于提高对训练动作进行识别的效率和准确性。
附图说明
为了更清楚地说明本发明中的方案，下面将对本发明实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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他的附图。
图1为本发明实施例中所述沉浸式变电站倒闸训练行为评估方法的一个实施例的流程图；
图2为本发明实施例中所述动作行为得分评估模型进行预训练的一个实施例流程图；
图3为本发明实施例中所述动作行为得分评估模型进行修正训练的一个实施例流程图；
图4为本发明实施例中所述沉浸式变电站倒闸训练行为评估系统的一个实施例的结构示意图。
具体实施方式
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；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明；本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本发明的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，图中示出了本发明的沉浸式变电站倒闸训练行为评估方法的一个实施例的流程图，所述的沉浸式变电站倒闸训练行为评估方法包括以下步骤：
步骤101，获取变电站的实际环境图片或者视频，基于三维重构技术对所述变电站周边的实际环境、所述变电站和所述变电站倒闸训练任务中所需操作的各个元件进行三维建模，获取静态三维场景。
在本发明实施例中，所述进行三维建模包括：可选择的采用3DsMax、Rhino或者4Dcinema三维重构技术进行建模。
在本发明实施例中，对所述变电站倒闸训练任务中所需操作的各个元件进行三维建模，至少应当包括：在训练任务开始前，对处于第一状态的所述各个元件进行三维建模；在训练任务操作过程中，对处于第二状态的所述各个元件进行三维建模；在完成训练任务时，对处于第三状态的所述各个元件进行三维建模。
解释：若所述变电站倒闸训练任务中包含断开与闭合开关进行电路检测的任务时，所述元件指的就是闸盒与可开闭开关，此时，实现断开与闭合开关进行电路调节的任务，至少应当包括对闸盒的操作和对可开闭开关的操作，对于外部元件闸盒来说，在闸盒未被打开且未进行电路检测前，闸盒处于闭合状态，则所述闭合状态即为所述第一状态，当闸盒被打开至开闭开关操作之后且未被盖合前，闸盒处于未盖合状态，则所述闭合状态即为所述第二状态，当闸盒被盖合后，闸盒处于盖合状态，则所述盖合状态即为所述第三状态；同理，在对所述元件可开闭开关进行操作时，在操作之前获取所述可开闭开关的连接状态，则所述当前连接状态即为所述开关的第一状态，在操作时获取所述可开闭开关由操作前的连接相切换至另一连接相时，切换时的状态即为所述开关的第二状态，在操作完成后获取所述可开闭开关切换至另一连接相之后的连接状态，即为所述开关的第三状态。
步骤102，基于UI界面设计技术对所述静态三维场景中不同元素进行色彩渲染，获取有色三维场景，使用Unity3D动画制作技术对所述有色三维场景进行动画设计，获取动态三维场景。
在本发明实施例中，所述使用Unity3D动画制作技术对所述有色三维场景进行动画设计，至少应当包括：对所述变电站倒闸训练任务中所需操作的各个元件由训练任务开始前的所述第一状态切换至训练任务操作过程中的所述第二状态进行动画设计；对所述变电站倒闸训练任务中所需操作的各个元件由训练任务操作过程中的所述第二状态切换至完成训练任务时的所述第三状态进行动画设计。
解释：假设所述变电站倒闸训练任务中包括：对变电站的三相电压不平衡时的检测步骤进行模拟训练，已知造成所述变电站的三相电压不平衡的原因主要有：高压或者低压侧保险熔断、接地相发生金属性接地、出线回路缺相运行、三相负荷不平衡、消弧线装置接地，在进行训练任务进行检测时，包括通过不同的步骤与动作操作筛选出具体的原因，至少应当包括对高压侧或者低压侧进行检测、对是否发生金属性接地进行检测、出线回路是否缺相进行检测、三相负荷电压进行检测、消弧线装置是否接地进行检测，此时，对于不同的检测需要进行不同的操作，假设在进行检测操作时需要对某些元件进行操作，在进行动画设计时应当设计元件由当前状态切换至下一状态的位置变化，并动态渲染。
在本发明实施例中，所述使用Unity3D动画制作技术对所述有色三维场景进行动画设计，还应当包括：在模拟操作人员由变电站远处逐渐移动至所述变电站倒闸训练任务中所需操作的各个元件的过程中，对所述变电站周边的实际环境进行远景等比例缩小和后退处理；在模拟操作人员移动至待操作元件位置时，对所述变电站倒闸训练任务中待操作的当前元件和所述当前元件一定预设范围的所述变电站部分进行近景等比例放大和拉近处理；在模拟操作人员选择下一个待操作元件进行操作任务时，根据模拟操作人员对应的模拟视角进行周围环境旋转转换。
解释：由于训练显示屏的窗口大小是固定的，为了使得训练任务符合沉浸式虚拟场景的要求，引入静景的等比缩放和动态后退，使得其更加符合人体目测标准。
步骤103，在所述动态三维场景对应的程序内设置若干个传输交互接口，通过所述传输交互接口，将所述动态三维场景构建为沉浸式三维场景，其中，所述传输交互接口至少应当包括：语音交互接口、体感交互接口、VR沉浸式体验接口、视频录入接口和手柄感应接口。
在本发明实施例中，所述语音交互接口，用于在训练任务进行过程中，进行系统语音和提示语音导播，还用于在实现需多人配合的训练任务时，为所述多个训练人员提供线上交流条件。
在本发明实施例中，所述体感交互接口，用于通过与人体相接触的接触式设备，获取人体的体温，并在训练显示屏上进行动态展示，实时监测在任务训练过程中，人体温度的动态变化。
在本发明实施例中，所述VR沉浸式体验接口，用于通过VR沉浸式设备使得训练人员对所述动态三维场景进行更加直观的体验。
在本发明实施例中，所述视频录入接口，用于通过预设视频录制设备对训练人员进行任务训练时的肢体动作进行视频采集，在经过后台程序处理之后，将所述视频中的动作步骤实时发送至训练显示屏上进行动态展示。
在本发明实施例中，所述手柄感应接口，进行传输交互时的具体实现方式为：预先在所述动态三维场景的软件程序部分中设置指令接收模块和预先在操作手柄中植入可进行简单程序发送指令的单片机，当操作人员通过所述操作手柄进行变电站倒闸任务训练时，所述单片机向所述指令接收模块实时发送操作手柄的动态操作状态，由所述指令接收模块转发给所述动态三维场景的软件程序部分中处理模块，选择与所述动态操作状态相匹配的功能性接口，实现通过所述操作手柄控制任务训练，其中，所述操作手柄可以选择HTCVi ve设备中的手柄，也可以自行设计与所述训练任务相匹配的操作手柄。
此外，本发明实施例中，所述传输交互接口还包括：天气模拟接口，用于在训练任务进行实时接收不同变电站实际所处实际位置的当前天气情况，并基于所述天气情况在所述训练显示屏上进行天气状态展示，例如，若变电站A处于某个地级市，且所述地级市目前处于下雪的状态，则相应的模拟出雪花并在所述训练显示屏上进行动态展示，引入天气展示，更加符合VR沉浸式体验要求。
在本发明实施例中，所述语音交互接口、体感交互接口、VR沉浸式体验接口和手柄感应接口的实现，可以选择HTC Vive设备进行实现，其中，所述HTC Vive设备至少包括：两个可握住的操作手柄组件、一可佩带至头部的VR体验头盔和分别接收不同操作手柄操作信号的两个信号接收与转发基站，所述HTC Vive设备实现所述语音交互和VR沉浸式体验具体为：在所述VR体验头盔处设置耳麦完成语音交互，在所述VR体验头盔的前侧设置VR眼镜用于实现VR沉浸式体验，所述HTC Vive设备实现所述体感交互，具体为：在所述VR体验头盔或者所述操作手柄处设置体温采集装置，实时采集训练人员的当前体温，所述HTC Vive设备实现所述手柄感应，具体为：通过所述操作手柄组件进行操作信号发送，所述信号接收与转发基站在接收到所述操作信号后，将所述操作信号转发至后台程序进行处理，通过信号处理结果控制所述训练显示屏上的虚拟人物进行相应指令操作。
步骤104，基于预设视频采集组件，实时获取操作人员进行变电站倒闸训练任务时的训练视频，将所述训练视频通过所述视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示，获取沉浸式训练场景。在本发明实施例中，所述将所述训练视频通过所述视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示，具体实现方式为：基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示之前，对所述训练视频进行预处理，获取与所述训练任务数量相同的视频解析单元；对所述视频解析单元中人物动作进行拆分和区别标记处理，获取动作片段；将预设静态人体三维模型与所述动作片段作为待渲染对象，使用Unity3D动画制作技术在所述沉浸式三维场景中对所述待渲染对象进行动画渲染和动态展示。
在本发明实施例中，所述对所述训练视频进行预处理，获取与所述训练任务数量相同的视频解析单元，包括：首先对所述训练视频进行视频读取、噪声处理和帧提取，在视频提取完成后，获得经过噪声处理的二次视频，对所述二次视频按照预设的不同训练任务进行分帧处理，获取不同训练任务分别对应的视频片段，作为视频解析单元。
在本发明实施例中，所述对所述视频解析单元中人物动作进行拆分和区别标记处理，获取动作片段，具体实现方式为：获取不同训练任务分别对应的视频片段，对所述视频片段进行动作拆分，获取不同任务动作，并进行区分标记，便于使用所述被标记的人物动作在所述训练显示屏上结合预设静态人体三维模型进行动态拟合，其中，所述对所述视频片段进行动作拆分，获取不同任务动作，并进行区分标记，具体使用kinect2.0设备进行动作识别，kinect可同时实时识别六个完整骨骼、每人25个关键节点的静态及动态信息，便于实时精准识别人体动作是否规范。
步骤105，基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，基于训练完成的所述动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作，对最新训练人员针对性进行困难动作、易错动作和常规动作教学。
在本发明实施例中，所述基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，具体包括：动作行为得分评估模型预训练阶段和动作行为得分评估模型修正训练阶段。
具体参考图2，图2中示出了所述动作行为得分评估模型进行预训练的一个实施例流程图，包括步骤：
步骤201，预先录入不同的训练任务和基于kinect录制所述不同的训练任务分别对应的标准训练动作，并存入到预设标准动作库中；
步骤202，基于预设视频采集组件，实时获取当前操作人员进行变电站倒闸训练任务时的训练视频；
步骤203，对所述训练视频进行预处理，获取与所述训练任务数量相同的视频解析单元；
步骤204，对所述视频解析单元中人物动作进行拆分和区别标记处理，获取当前操作人员进行不同的训练任务时的操作动作，与所述标准训练动作进行比对，获取每一个训练任务对应的正确率ω；
步骤205，基于预设算法公式：对当前操作人员的整体训练项目进行得分总评估，获取训练项目评估值，其中，ω表示每一个训练任务对应的正确率，ci表示不同正确率对应的奖惩值，xi表示第i个训练任务对应的评估分值，ai表示第i个训练任务对整体训练项目得分的影响权重系数，i表示整体训练项目所包括的不同训练任务的数量；
步骤206，重复执行步骤202至步骤205，获取若干位操作人员进行整体训练项目时对应的训练项目评估值，并按照所述训练项目评估值的高低进行排序，在排序完成之后，按照训练项目评估值的高低对所述排序结果进行4:6比例划分，划分为优秀与良好两个等级。
具体参考图3，图3中示出了所述动作行为得分评估模型进行修正训练的一个实施例流程图，包括步骤：
步骤301，获取所述优秀与良好两个等级的区分分值，基于预设视频采集组件，实时获取新操作人员进行变电站倒闸训练任务时的训练视频；
步骤302，重复执行步骤203至步骤205，获取新操作人员对应的训练项目评估值，与所述区分分值进行对比，判断所述新操作人员对应的优秀与良好等级，并对所述新操作人员进行等级确定；
步骤303，循环执行步骤302，确定若干个新操作人员对应的等级，在操作人员的总数量达到预设阈值时，再次按照4:6进行划分，重新确定优秀与良好对应的分值区间；
步骤304，若优秀与良好对应的分值区间趋于稳定值，则所述动作行为得分评估模型修正完成。
在本发明实施例中，基于训练完成的所述动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作，具体实现方式为：在所述动作行为得分评估模型修正完成之后，获取训练等级为优秀的训练人员分别对应的训练动作，从所述训练动作中筛选出错误动作，若存在错误动作的出现频率达到设定的第一阈值，则将所述错误动作标记为困难动作；在所述动作行为得分评估模型修正完成之后，获取训练等级为良好的训练人员分别对应的训练动作，从所述训练动作中筛选出错误动作，若存在错误动作的出现频率达到设定的第二阈值，且所述错误动作非为所述困难动作，则标记为易错动作；基于所述预设标准动作库的标准动作，排除所述易错动作和困难动作，将排除后所述标准动作库剩余的动作作为常规动作。
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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4，作为对上述图2所示方法的实现，本发明提供了一种沉浸式变电站倒闸训练行为评估系统的一个实施例，该系统实施例与图2所示的方法实施例相对应，该系统具体可以应用于各种电子设备中。
如图4所示，本实施例所述的沉浸式变电站倒闸训练行为评估系统4包括：训练场景模拟模块401、操作任务动态展示模块402、得分评估与动作分类模块403。其中：
训练场景模拟模块401，用于获取变电站的实际环境图片或者视频，基于三维重构技术对所述变电站周边的实际环境、所述变电站和所述变电站倒闸训练任务中所需操作的各个元件进行三维建模，获取静态三维场景；基于UI界面设计技术对所述静态三维场景中不同元素进行色彩渲染，获取有色三维场景，使用Unity3D动画制作技术对所述有色三维场景进行动画设计，获取动态三维场景；在所述动态三维场景对应的程序内设置若干个传输交互接口，通过所述传输交互接口，将所述动态三维场景构建为沉浸式三维场景，其中，所述传输交互接口至少应当包括：语音交互接口、体感交互接口、VR沉浸式体验接口、视频录入接口和手柄感应接口；
操作任务动态展示模块402，用于基于预设视频采集组件，实时获取操作人员进行变电站倒闸训练任务时的训练视频，将所述训练视频通过所述视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示，获取沉浸式训练场景；
得分评估与动作分类模块403，用于基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，基于训练完成的所述动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作。
此外，所述沉浸式变电站倒闸训练行为评估系统，还可以设置日志缓存模块，用于在操作人员训练任务结束后，对训练视频和错误动作进行本地存储，便于训练人员在VR视野中查看浏览自己的历史训练信息，以总结不足，继续提高。
本发明实施例公开了沉浸式变电站倒闸训练行为评估方法及系统，基于训练场景模拟模块构建变电站倒闸训练时的静态场景，通过操作任务动态展示模块将操作人员的训练动作植入到所述变电站倒闸训练时的静态场景中，实现静态与动态的虚拟结合，通过得分评估与动作分类模块，进行深度学习预训练和修正训练获得适合的训练行为得分评估模型，基于所述训练行为得分评估模型将所述训练动作按照操作错误的占比进行动作分类，便于教学人员根据所述动作分类进行有针对性的进行教学，同时，也便于教学人员识别特定学员的经常性错误动作，对所述特定学员进行精准训练；本发明在虚拟训练系统的开发逻辑中融入语音、体感、沉浸式体验、手柄交互、图象识别等技术，使得训练系统更智能、更自然、更精准，同时，运用三维动画、粒子特效等三维动态技术将倒闸先验知识及标准流程、天气因素考虑在内，以让用户体验模拟不同天气、不同故障时的标准处理流程与注意事项，以加深对倒闸操作等专业知识的快速掌握；同时，本发明中使用kinect2.0设备实时精准识别人体动作是否规范，kinect可同时实时识别六个完整骨骼、每人25个关键节点的静态及动态信息，便于提高对训练动作进行识别的效率和准确性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。
Claims (9)
1.一种沉浸式变电站倒闸训练行为评估方法，其特征在于，包括下述步骤：
获取变电站的实际环境图片或者视频，基于三维重构技术对变电站周边的实际环境、变电站和变电站倒闸训练任务中所需操作的各个元件进行三维建模，获取静态三维场景；
基于UI界面设计技术对所述静态三维场景中不同元素进行色彩渲染，获取有色三维场景，使用Unity3D动画制作技术对所述有色三维场景进行动画设计，获取动态三维场景；
在所述动态三维场景对应的程序内设置若干个传输交互接口，通过传输交互接口，将所述动态三维场景构建为沉浸式三维场景，其中，所述传输交互接口至少应当包括：语音交互接口、体感交互接口、VR沉浸式体验接口、视频录入接口和手柄感应接口；
基于预设视频采集组件，实时获取操作人员进行变电站倒闸训练任务时的训练视频，将所述训练视频通过视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至沉浸式三维场景中进行操作任务动态展示，获取沉浸式训练场景；
基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，基于训练完成的动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作，对最新训练人员针对性进行困难动作、易错动作和常规动作教学；
其中，基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，具体包括：
动作行为得分评估模型预训练阶段和动作行为得分评估模型修正训练阶段，
其中，所述动作行为得分评估模型预训练阶段，具体步骤包括：
步骤201，预先录入不同的训练任务和基于kinect录制不同的训练任务分别对应的标准训练动作，并存入到预设标准动作库中；
步骤202，基于预设视频采集组件，实时获取当前操作人员进行变电站倒闸训练任务时的训练视频；
步骤203，对所述训练视频进行预处理，获取与训练任务数量相同的视频解析单元；
步骤204，对视频解析单元中人物动作进行拆分和区别标记处理，获取当前操作人员进行不同的训练任务时的操作动作，与标准训练动作进行比对，获取每一个训练任务对应的正确率ω；
步骤205，基于预设算法公式：对当前操作人员的整体训练项目进行得分总评估，获取训练项目评估值，其中，ω表示每一个训练任务对应的正确率，ci表示不同正确率对应的奖惩值，xi表示第i个训练任务对应的评估分值，ai表示第i个训练任务对整体训练项目得分的影响权重系数，i表示整体训练项目所包括的不同训练任务的数量；
步骤206，重复执行步骤202至步骤205，获取若干位操作人员进行整体训练项目时对应的训练项目评估值，并按照训练项目评估值的高低进行排序，在排序完成之后，按照训练项目评估值的高低对排序结果进行4:6比例划分，划分为优秀与良好两个等级，
其中，所述动作行为得分评估模型修正训练阶段，具体步骤为：
步骤301，获取优秀与良好两个等级的区分分值，基于预设视频采集组件，实时获取新操作人员进行变电站倒闸训练任务时的训练视频；
步骤302，重复执行步骤203至步骤205，获取新操作人员对应的训练项目评估值，与区分分值进行对比，判断新操作人员对应的优秀与良好等级，并对新操作人员进行等级确定；
步骤303，循环执行步骤302，确定若干个新操作人员对应的等级，在操作人员的总数量达到预设阈值时，再次按照4:6进行划分，重新确定优秀与良好对应的分值区间；
步骤304，若优秀与良好对应的分值区间趋于稳定值，则动作行为得分评估模型修正完成。
2.根据权利要求1所述的沉浸式变电站倒闸训练行为评估方法，其特征在于，三维建模采用3DsMax、Rhino或者4Dcinema三维重构技术。
3.根据权利要求1所述的沉浸式变电站倒闸训练行为评估方法，其特征在于，对所述变电站倒闸训练任务中所需操作的各个元件进行三维建模，至少应当包括：
在训练任务开始前，对处于第一状态的所述各个元件进行三维建模；
在训练任务操作过程中，对处于第二状态的所述各个元件进行三维建模；
在完成训练任务时，对处于第三状态的所述各个元件进行三维建模。
4.根据权利要求3所述的沉浸式变电站倒闸训练行为评估方法，其特征在于，所述使用Unity3D动画制作技术对所述有色三维场景进行动画设计，至少应当包括：
对所述变电站倒闸训练任务中所需操作的各个元件由训练任务开始前的第一状态切换至训练任务操作过程中的第二状态进行动画设计；
对所述变电站倒闸训练任务中所需操作的各个元件由训练任务操作过程中的第二状态切换至完成训练任务时的第三状态进行动画设计。
5.根据权利要求4所述的沉浸式变电站倒闸训练行为评估方法，其特征在于，所述使用Unity3D动画制作技术对所述有色三维场景进行动画设计，还应当包括：
在模拟操作人员由变电站远处逐渐移动至所述变电站倒闸训练任务中所需操作的各个元件的过程中，对变电站周边的实际环境进行远景等比例缩小和后退处理；
在模拟操作人员移动至待操作元件位置时，对所述变电站倒闸训练任务中待操作的当前元件和当前元件一定预设范围的变电站部分进行近景等比例放大和拉近处理；
在模拟操作人员选择下一个待操作元件进行操作任务时，根据模拟操作人员对应的模拟视角进行周围环境旋转转换。
6.根据权利要求1所述的沉浸式变电站倒闸训练行为评估方法，其特征在于，所述手柄感应接口进行传输交互时的具体实现方式为：
预先在所述动态三维场景的软件程序部分中设置指令接收模块和预先在操作手柄中植入可进行简单程序发送指令的单片机，当操作人员通过操作手柄进行变电站倒闸任务训练时，单片机向所述指令接收模块实时发送操作手柄的动态操作状态，由指令接收模块转发给所述动态三维场景的软件程序部分中处理模块，选择与动态操作状态相匹配的功能性接口，实现通过所述操作手柄控制任务训练，其中，所述操作手柄选择HTC Vive设备中的手柄，或者自行设计的、与所述训练任务相匹配的操作手柄。
7.根据权利要求1所述的沉浸式变电站倒闸训练行为评估方法，其特征在于，将所述训练视频通过所述视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示，具体实现方式为：
基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示之前，对所述训练视频进行预处理，获取与所述训练任务数量相同的视频解析单元；
对所述视频解析单元中人物动作进行拆分和区别标记处理，获取动作片段；
将预设静态人体三维模型与所述动作片段作为待渲染对象，使用Unity3D动画制作技术在所述沉浸式三维场景中对待渲染对象进行动画渲染和动态展示。
8.根据权利要求1所述的沉浸式变电站倒闸训练行为评估方法，其特征在于，基于训练完成的动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作，具体实现方式为：
在所述动作行为得分评估模型修正完成之后，获取训练等级为优秀的训练人员分别对应的训练动作，从训练动作中筛选出错误动作，若存在错误动作的出现频率达到设定的第一阈值，则将所述错误动作标记为困难动作；
在所述动作行为得分评估模型修正完成之后，获取训练等级为良好的训练人员分别对应的训练动作，从训练动作中筛选出错误动作，若存在错误动作的出现频率达到设定的第二阈值，且错误动作非为所述困难动作，则标记为易错动作；
基于所述预设标准动作库的标准动作，排除易错动作和困难动作，将排除后标准动作库剩余的动作作为常规动作。
9.基于权利要求1所述的沉浸式变电站倒闸训练行为评估方法实现的沉浸式变电站倒闸训练行为评估系统，其特征在于，包括：
训练场景模拟模块，用于获取变电站的实际环境图片或者视频，基于三维重构技术对变电站周边的实际环境、变电站和变电站倒闸训练任务中所需操作的各个元件进行三维建模，获取静态三维场景；基于UI界面设计技术对静态三维场景中不同元素进行色彩渲染，获取有色三维场景，使用Unity3D动画制作技术对有色三维场景进行动画设计，获取动态三维场景；在动态三维场景对应的程序内设置若干个传输交互接口，通过传输交互接口，将所述动态三维场景构建为沉浸式三维场景；其中，所述传输交互接口至少包括：语音交互接口、体感交互接口、VR沉浸式体验接口、视频录入接口和手柄感应接口；
操作任务动态展示模块，用于基于预设视频采集组件，实时获取操作人员进行变电站倒闸训练任务时的训练视频，将训练视频通过所述视频录入接口传输入预设视频库中，并基于Unity3D动画制作技术将所述训练视频实时渲染至所述沉浸式三维场景中进行操作任务动态展示，获取沉浸式训练场景；
得分评估与动作分类模块，用于基于深度学习模型，并使用交叉训练原则对所述训练视频进行学习训练，构建动作行为得分评估模型，基于训练完成的所述动作行为得分评估模型，将整个训练项目中的操作动作分为困难动作、易错动作和常规动作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111131579.1A CN113920796B (zh) | 2021-09-26 | 2021-09-26 | 一种沉浸式变电站倒闸训练行为评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111131579.1A CN113920796B (zh) | 2021-09-26 | 2021-09-26 | 一种沉浸式变电站倒闸训练行为评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113920796A CN113920796A (zh) | 2022-01-11 |
| CN113920796B true CN113920796B (zh) | 2023-10-24 |
Family
ID=79236288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111131579.1A Active CN113920796B (zh) | 2021-09-26 | 2021-09-26 | 一种沉浸式变电站倒闸训练行为评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113920796B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095105A (zh) * | 2016-06-21 | 2016-11-09 | 西南交通大学 | 一种牵引变电所值班人员虚拟沉浸式培训仿真系统和方法 |
| CN106166376A (zh) * | 2016-08-02 | 2016-11-30 | 河南牧业经济学院 | 简化24式太极拳综合训练系统 |
| CN108777090A (zh) * | 2018-06-26 | 2018-11-09 | 石家庄微泽科技有限公司 | 一种沉浸式虚拟现实的列检培训方法和系统 |
| CN108961339A (zh) * | 2018-07-20 | 2018-12-07 | 深圳辰视智能科技有限公司 | 一种基于深度学习的点云物体姿态估计方法、装置及其设备 |
| CN110689774A (zh) * | 2019-10-14 | 2020-01-14 | 国家电网有限公司 | 基于虚拟现实的电站倒闸操作训练系统的构建及使用方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11030815B2 (en) * | 2019-09-05 | 2021-06-08 | Wipro Limited | Method and system for rendering virtual reality content |
-
2021
- 2021-09-26 CN CN202111131579.1A patent/CN113920796B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095105A (zh) * | 2016-06-21 | 2016-11-09 | 西南交通大学 | 一种牵引变电所值班人员虚拟沉浸式培训仿真系统和方法 |
| CN106166376A (zh) * | 2016-08-02 | 2016-11-30 | 河南牧业经济学院 | 简化24式太极拳综合训练系统 |
| CN108777090A (zh) * | 2018-06-26 | 2018-11-09 | 石家庄微泽科技有限公司 | 一种沉浸式虚拟现实的列检培训方法和系统 |
| CN108961339A (zh) * | 2018-07-20 | 2018-12-07 | 深圳辰视智能科技有限公司 | 一种基于深度学习的点云物体姿态估计方法、装置及其设备 |
| CN110689774A (zh) * | 2019-10-14 | 2020-01-14 | 国家电网有限公司 | 基于虚拟现实的电站倒闸操作训练系统的构建及使用方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113920796A (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103632581B (zh) | 电能量采集终端调试运维模拟仿真方法 | |
| CN111027486B (zh) | 一种中小学课堂教学效果大数据辅助分析评价系统及其方法 | |
| CN107331220A (zh) | 基于增强现实的变电设备运维仿真培训系统和方法 | |
| CN108900000A (zh) | 电气倒闸监控方法、装置、设备及计算机可读介质 | |
| CN109190975B (zh) | 一种基于o2o和ar/vr的安全素质测评方法及系统 | |
| CN110465089B (zh) | 基于图像识别的地图探索方法、装置、介质及电子设备 | |
| CN106910244A (zh) | 电力设备内部构造现场认知方法和装置 | |
| CN110244851A (zh) | 基于虚拟现实技术的电力技能培训辅助方法及系统 | |
| CN110827602A (zh) | 一种基于vr+ar技术的电缆接头制作和运维技能培训装置及方法 | |
| CN110310530A (zh) | 基于环幕互动的电气设备绝缘试验仿真培训全息教师系统 | |
| CN116027161B (zh) | 电力设备局部放电脉冲信号监测方法、装置、设备及介质 | |
| CN116109455B (zh) | 一种基于人工智能的语言教学辅助系统 | |
| CN107591038A (zh) | 一种杆上变压器停复役的模拟操作交互系统 | |
| CN115169855A (zh) | 一种基于数字孪生车间混合数据集的不安全状态检测方法 | |
| CN110956142A (zh) | 一种智能交互培训系统 | |
| CN115660909A (zh) | 一种数字学校平台沉浸式数字化学习方法及系统 | |
| CN112991857A (zh) | 一种电力应急抢险培训系统及方法 | |
| CN115567690A (zh) | 一种自动识别现场作业危险点的智慧监控系统 | |
| CN108877771A (zh) | 数据处理方法、存储介质和电子设备 | |
| CN116580610A (zh) | 一种虚拟变电站运维vr培训与实景实训系统 | |
| CN109409759B (zh) | 一种基于煤矿安全培训游戏的数据挖掘系统及方法 | |
| CN113920796B (zh) | 一种沉浸式变电站倒闸训练行为评估方法及系统 | |
| CN114299777A (zh) | 一种虚拟现实工业仿真训练系统 | |
| CN110334620A (zh) | 教学质量的评估方法、装置、存储介质及电子设备 | |
| CN113268626A (zh) | 数据处理方法、装置、电子设备及存储介质 |
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 |