CN114049589A - 一种基于人工智能的变电站监测系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的变电站监测系统，有效的解决了现有技术无法对变电站检修施工人员的安全防护以及施工行为的安全生产问题不能起到预警和监督的现象，本发明所述的所述数据采集层采集的图像包括用来构建员工图像信息库的员工图像和变电站监控设备所抓拍的人员图像，并将所采集的图像通过实时数据传输方式传输至智能识别层，所述智能识别层将人员图像经运维监测模型进行比对，并输出比对结果至决策分析层，所述决策分析层对比对结果进行分析得到分析结果，并做出相应的决策，实现对变电站进行有效监控。

Description

一种基于人工智能的变电站监测系统

技术领域

本发明涉及人工智能领域，特别是一种基于人工智能的变电站监测系统。

背景技术

变电站在我国电力系统中发挥着重要的作用，它不仅要实施变压的工作，还要保证将电厂的电能有效输送到各个用电区域，对整个用电系统有着至关紧要的意义。然而，在电力系统及科学技术不断发展的同时，各种安全隐患也随之浮现出来，其中，人为因素是导致变电站安全问题最关键的因素。因此，完成变电站的运维工作，加强工作人员安全意识就显得举足轻重。

如今，我国电网变电站主要使用遥视、遥测和遥信这几种方式进行站内的运维检测，装备遥视系统可以实现变电站远程直观监控的工作，但是并不能对海量的数据进行智能监控分析，而且对于变电站运维检修人员的安全防护以及施工行为的安全生产问题不能起到预警和监督的作用。

因此本发明提供一种的新的方案来解决此问题。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于人工智能的变电站监测系统，有效的解决了现有技术无法对变电站检修施工人员的安全防护以及施工行为的安全生产问题不能起到预警和监督的现象。

其解决的技术方案是，一种基于人工智能的变电站监测系统，所述监测系统包括数据采集层、智能识别层、决策分析层，所述数据采集层采集的图像包括用来构建员工图像信息库的员工图像和变电站监控设备所抓拍的人员图像，并将所采集的图像通过实时数据传输方式传输至智能识别层；

所述智能识别层将人员图像经运维监测模型进行比对，并输出比对结果至决策分析层；

所述决策分析层对比对结果进行分析得到分析结果，并做出相应的决策。

进一步地，所述员工图像包括人脸样例图像、人体样例头部图像和人体样例图像。

进一步地，所述智能识别层将人员图像经运维监测模型进行识别包括以下步骤：

S1、输入从变电站监控设备所抓拍的人员图像；

S2、将所输入的人员图像处理为统一的大小和格式；

S3、利用HOG算法、卷积神经网络CNN、图像处理算法和员工图像信息库构建运维监测模型并进行训练，所述运维监测模型包括变电站运维检修人员人脸识别模型、安全帽智能检测模型和人员着装智能检测模型；

S4、将S2中的人员图像输入运维监测模型中进行比对并选择分类器，对人脸识别特征与人脸库中的图像进行特征对比，输出比对结果，其中比对结果包括第一比对结果、第二比对结果和第三比对结果。

进一步地，所述步骤S4中使用支持向量机SVM算法作为分类器完成人脸的分类识别，SVM算法的具体实现过程如下：

S31、将员工图像信息库中的m个员工图像作为训练样本集，将训练样本集记为D＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，其中x_i为多维特征向量，y_i为二元输出，y_i∈{-1，+1}。

S32、针对SVM算法建立的最优决策超平面进而使得平面两侧样本集的距离最大化，故构造约束优化问题如下：

其中，α_i指的是拉格朗日乘子。

S33、使用SMO算法求出式(9)为最小值时，向量α对应的值α^*，其中α＝(α1，α2，α3，...，αm)。

S34、利用α^*计算超平面的参数ω^*，计算公式如下：

S35、找出s个支持向量，即满足α_s＞0对应的样本(x_s，y_s)，通过公式(11)计算每个支持向量(x_s，y_s)对应的模型参数

S36、计算超平面的参数b^*，对所有的

求平均值即

S37、由超平面的参数ω^*与b^*获得超平面与分类决策函数f(x)

ω^*·x+b^*＝0 (14)

f(x)＝sign(ω^*·x+b^*) (15)

其中x是由多维特征向量x_i组成的，即x＝(x1，x2，...，x_m)。

进一步地，所述步骤S4中，特征对比具体包括以下步骤：

S41、设定变电站监控视频抓拍运维检修人员的频次；

S42、截取运维检修人员的人员图像，其中人员图像包括人脸图像、人体头部图像和人体图像；

S43、将人脸图像输入人脸识别模型中进行特征比对并输出比对结果，当第一比对结果是不一致或者不存在时，则判定此人并非变电站内的运维检修人员，此时决策分析层发出警告，当第一比对结果比对一致时，则判定此人为变电站内的运维检修人员，此时决策分析层不会发出警告，并将抓拍到的人脸图像作为人脸识别模型的输入数据再次进行训练；

S44、将人体头部图像与安全帽智能检测模型进行特征比对并输出第二比对结果，当比对结果是佩戴安全帽的概率小于给定的临界值时，则判定此运维检修人员没有佩戴安全帽或者安全帽佩戴不规范，此时决策分析系统发出警告，当第二比对结果是佩戴安全帽的概率大于等于给定的临界值时，则判定此运维检修人员规范佩戴安全帽，此时决策分析系统不会发出警告，并将抓拍到的人体头部图像作为安全帽智能检测模型输入数据再次进行训练；

S45、将人体图像与人员着装智能检测模型进行特征比对并输出第三比对结果，当比对结果是不一致时，则判定此运维检修人员着装不规范，此时决策分析系统发出警告，当第三比对结果是一致时，则判定此运维检修人员着装规范符合变电站运维安全规范，此时决策分析系统不会发出警告。

进一步地，所述步骤S43中，将80％作为第一比对结果的临界值，≥80％是比对一致，＜80％是不一致，需要人工核验。

进一步地，所述步骤S44中，将80％作为第二比对结果的临界值，若佩戴安全帽的概率≥80％，则判定为工人佩戴了安全帽，若佩戴其他帽子或未佩戴任何帽子的概率≥80％，则判定为工人未按要求佩戴安全帽。

进一步地，所述步骤S45中，第三比对结果包括人体图像中着装的颜色和黑白轮廓图对应位置的像素值是否一致，其中所述的判断着装的颜色是否一致利用人体图像中着装部分的像素值直方图与人体样例图像的像素值直方图的相关系数r进行判定，当相关系数r≥0.8，则认为颜色一致；若相关系数r<0.8，则认为颜色不一致，相关系数r的计算公式如下：

其中H₁(i)，H₂(i)分别表示人体图像和人体样例图像中像素值为i的像素点个数，

分别表示人体图像和人体样例图像所有像素值的平均值；

将人体图像和人体样例图像分别进行预处理后得到的黑白轮廓图分别作为第一黑白轮廓图和第二黑白轮廓图，所述的判断黑白轮廓图对应位置的像素值是否一致是第一黑白轮廓图和第二黑白轮廓图对应位置的像素值是否一致进行判定，当同为黑或同为白，则记为1，否则记为0，并将所有位置的像素值的判定结果相加，除以像素点总个数，得到像素值相似百分比，当像素值相似百分比≥70％，判定为着装轮廓与样例标准着装轮廓一致，若像素值相似百分比<70％，判定为着装轮廓与样例标准着装轮廓不一致。

由于以上技术方案的采用，本发明与现有技术相比具有如下优点：

本发明利用HOG算法、卷积神经网络CNN、图像处理算法和员工图像信息库构建运维监测模型并进行训练，并将检测出的人员图像分别输出至人脸识别模型、安全帽智能检测模型和人员着装智能检测模型进行检测提升本系统的准确性，进而实现对进出变电站的人员进行监控，并对运维检修人员的着装以及是否佩戴安全帽进行有效监控，决策分析层根据智能识别层输出的比对结果决定是否发出警告，现有技术无法对变电站检修施工人员的安全防护以及施工行为的安全生产问题不能起到预警和监督的现象。

附图说明

图1是本发明实施例提供的基于人工智能识别的变电站运维监测系统架构图；

图2是本发明实施例提供的人脸识别流程图；

图3是本发明实施例提供的安全帽智能检测流程图；

图4是本发明实施例提供的人员着装智能检测流程图。

具体实施方式

为有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1-4对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。

下面将参照附图描述本发明的各示例性的实施例。

一种基于人工智能的变电站监测系统，用来对变电站的进出人员进行监控，所述监测系统包括数据采集层、智能识别层、决策分析层，所述数据采集层采集的图像包括用来构建员工图像信息库的员工图像和变电站监控设备所抓拍的人员图像，并将所采集的图像通过实时数据传输方式传输至智能识别层；

所述智能识别层将人员图像经运维监测模型进行比对，并输出比对结果至决策分析层；

所述决策分析层对比对结果进行分析得到分析结果，并做出相应的决策。

所述员工图像包括人脸样例图像、人体头部样例图像和人体样例图像。

所述智能识别层将人员图像经运维监测模型进行识别包括以下步骤：

S1、输入从变电站监控设备所抓拍的人员图像；

S2、将所输入的人员图像处理为统一的大小和格式；

S3、利用HOG算法、卷积神经网络CNN、图像处理算法和员工图像信息库构建运维监测模型并进行训练，所述运维监测模型包括变电站运维检修人员人脸识别模型、安全帽智能检测模型和人员着装智能检测模型；

S4、将S2中的人员图像输入运维监测模型中进行比对并选择分类器，对人脸识别特征与人脸库中的图像进行特征对比，输出比对结果，其中比对结果包括第一比对结果、第二比对结果和第三比对结果。

所述步骤S4中使用支持向量机SVM算法作为分类器完成人脸的分类识别，其中支持向量机SVM算法具体实现过程如下：

S31、将员工图像信息库中的m个员工图像作为训练样本集，将训练样本集记为D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，其中x_i为多维特征向量，y_i为二元输出，y_i∈{-1，+1}。

S32、针对SVM算法建立的最优决策超平面进而使得平面两侧样本集的距离最大化，故构造约束优化问题如下：

其中，α_i指的是拉格朗日乘子。

S33、使用SMO算法求出式(9)为最小值时，向量α对应的值α^*，其中其中α＝(α1，α2，α3，...，αm)。

S34、利用α^*计算超平面的参数ω^*，计算公式如下：

S35、找出s个支持向量，即满足α_s＞0对应的样本(x_s，y_s)，通过公式(11)计算每个支持向量(x_s，y_s)对应的模型参数

S36、计算超平面的参数b^*，对所有的

求平均值即

S37、由超平面的参数ω^*与b^*获得超平面与分类决策函数f(x)

ω^*·x+b^*＝0 (14)

f(x)＝sign(ω^*·x+b^*) (15)

其中x是由多维特征向量x_i组成的，即x＝(x1，x2，...，x_m)。

所述步骤S4中，特征对比具体包括以下步骤：

S41、设定变电站监控视频抓拍运维检修人员的频次；

S42、截取运维检修人员的人员图像，其中人员图像包括人脸图像、人体头部图像和人体图像；

S43、将人脸图像输入人脸识别模型中进行特征比对并输出比对结果，当第一比对结果是不一致或者不存在时，则判定此人并非变电站内的运维检修人员，此时决策分析层发出警告，当第一比对结果比对一致时，则判定此人为变电站内的运维检修人员，此时决策分析层不会发出警告，并将抓拍到的人脸图像作为人脸识别模型的输入数据再次进行训练；

S44、将人体头部图像与安全帽智能检测模型进行特征比对并输出第二比对结果，当比对结果是佩戴安全帽的概率小于给定的临界值时，则判定此运维检修人员没有佩戴安全帽或者安全帽佩戴不规范，此时决策分析系统发出警告，当第二比对结果是佩戴安全帽的概率大于等于给定的临界值时，则判定此运维检修人员规范佩戴安全帽，此时决策分析系统不会发出警告，并将抓拍到的人体头部图像作为安全帽智能检测模型输入数据再次进行训练；

S45、将人体图像与人员着装智能检测模型进行特征比对并输出第三比对结果，当比对结果是不一致时，则判定此运维检修人员着装不规范，此时决策分析系统发出警告，当第三比对结果是一致时，则判定此运维检修人员着装规范符合变电站运维安全规范，此时决策分析系统不会发出警告。

所述步骤S3中构建人脸识别模型的具体步骤如下：

A1、采集变电站内所有运维检修员工的员工图像，每人不少于15张，图像需要在不同的光线状态、不同表情、不同时间下进行采集；

A2、对所采集的员工图像进行预处理，所述预处理包括图像灰度化处理、噪声处理、亮度处理、尺寸规划处理和像素归一化处理，进而得到格式统一的员工图像；

A3：利用HOG特征提取算法对人脸样例图像进行特征提取；

A4：根据提取的人脸特征建立人脸识别模型。

所述步骤A3中应用HOG算法提取人脸样例图像的特征的具体过程如下：

A31、对所采集的人脸样例图像利用Gamma矫正和图像灰度化处理对颜色空间进行归一化处理，以此来解决拍摄光线太强或太暗的问题，

其中Gamma矫正利用平方根方式将人脸样例图像的整体亮度进行调整，可将亮度提高或降低，公式如式(1)所示：Y(x，y)＝I(x，y)^γ (1)

其中Y(x,y)代表处理后的图像中坐标(x,y)像素点的亮度，I(x,y)代表原始图像中坐标(x,y)像素点的亮度，γ＝0.5；

其中，图像灰度化处理是将彩色RGB三个分量转化为灰度图像，具体转化公式如式(2)所示：

Gray＝0.3*R+0.59*G+0.11*B (2)

其中，R表示图像的红色通道，G表示图像的绿色通道，B表示图像的蓝色通道；

A32、对经过颜色空间归一化的人脸样例图像求取其梯度和梯度方向，水平方向采用[-1,0,1]^T的梯度算子，垂直方向采用[1,0,1]^T梯度算子，人脸样例图像的梯度计算方法如式(3)和(4)所示：

G_x(x，y)＝H(x+1，y)-H(x-1，y) (3)

G_y(x，y)＝H(x，y+1)-H(x，y-1) (4)

其中，G_x(x，y)代表图像中坐标(x，y)的像素点在水平方向上梯度分量，G_y(x，y)表示图像中坐标(x，y)的像素点在垂直方向上梯度分量，再根据式(5)和式(6)两式计算像素点(x，y)处的梯度幅值和梯度方向：

其中，M(x，y)表示人脸样例图像在坐标(x，y)的像素点的梯度幅值，θ(x，y)表示人脸样例图像在坐标为(x，y)的像素点的梯度方向；

A33、计算人脸样例图像基于梯度方向的权重投影，将经过步骤A2处理的人脸样例图像划分成若干个大小不一且互相不重叠的单元，并计算其梯度的幅值与方向，并在每个单元中独立做梯度方向统计，生成直方图，该直方图的横轴为梯度方向，一般梯度方向可取两个不同的范围，分别是0°～180°或者0～360°，为了消除角度正负对于检测精度的影响，通常使用0°～180°的梯度方向范围，接着将梯度的取值范围平均分为9个度数范围bin，且分别对应一个直方图，包含于各单元内的像素点为其对应的梯度方向直方图加权投票，权重为该像素点的梯度幅值大小，且人脸样例图像划分方式是将人脸样例图像视作待检测窗口，设置16×16大小的图像块为滑动窗口，以8个像素点为步长按照从左至右，由上至下的顺序依次滑动，由此可将图像划分为若干个8×8大小的单元，并且每个图像块是由4个单元组成的；

A34、使用L2-norm的归一化函数对直方图进行归一化处理，对每一图像块的直方图进行归一化，能够使特征对光照、阴影、边缘对比度等具有更好的不变性，其中特征向量V在未归一化时的L2范数表达式(7)为：

则归一化后的特征向量V的计算如式(8)所示：

A35、将每一个图像块进行归一化后的特征向量V串联起来，得到形成一个维度大小为

的人脸样例图像的HOG特征向量，其中β表示每个单元中度数范围bin的个数，

表示人脸样例图像中图像块的个数，ζ表示每个图像块中单元的个数；

在所述步骤S3中，安全帽智能检测模型构建步骤具体如下：

B1、收集每个工人佩戴不同颜色、类型的安全帽各个角度的人体头部样例图像，佩戴不同颜色、轮廓与安全帽相似的普通帽子各个角度的人体头部样例图像，以及工人未佩戴任何帽子的各个角度人体头部样例图像，建立安全帽标准对比库，用于与监控视频实时截取得到的图像数据进行对比判断。

B2、使用卷积神经网络对从监控视频中截取得到的人体头部样例图像进行训练学习，首先随机给定卷积神经网络CNN的权值和参数。

B3、将待判定的人体头部样例图像输入到卷积神经网络CNN中，经过卷积神经网络CNN结构中卷积层、激励层、池化层三个层的不同计算处理，提取出图像数据的特征值，其中卷积层将人体头部样例图像的各个局部与设定好的权值对应相乘求和，得到由图像每个部分新的像素值所组成的像素矩阵，激励层是将卷积层计算得到的新的像素矩阵使用RELU激活函数进行计算，得到新的像素矩阵，池化层对激励层计算形成的像素矩阵按区域找到最大像素值最终形成最大值矩阵，此最大值矩阵为人体头部样例图像的特征矩阵。

B4、把步骤B3最终提取的人体头部样例图像的特征矩阵输入到全连接层，使用步骤S42设定的参数和权值对图像的数据特征值进行计算分类，得到图像数据中佩戴了安全帽、佩戴普通帽子和未佩戴任何帽子的概率。

B5、将步骤S44得到的概率使用反向传播算法计算卷积神经网络CNN的误差，基于梯度下降法重新设定S42中的权值和参数，再对原始图像数据使用卷积神经网络CNN的卷积层、激励层、池化层和全连接层操作输出分类概率，使误差达到最小。

B6、取误差最小的一组概率过，判断原始图像数据中的工人是否佩戴了安全帽。

在所述步骤S3中，人员着装智能检测模型步骤如下：

C1、采集工人统一标准的人体样例图像，包括正面、侧面、俯视角度的图片，建立着装标准对比库，用于与监控视频实时截取得到的图像数据进行对比判断；

C2、将步骤S2中抓拍到的人体图像输入到人员着装智能检测模型中；

C3、提取着装部分的RGB颜色特征，与着装标准对比库对整体着装的颜色进行对比，颜色相似度达到80％及以上，则视为着装符合标准，其中颜色特征的提取和表示方式是将着装部分R、G、B三个通道的灰度值提取出来，并统计各级灰度值出现的频次，画出直方图，与对比库中标准着装的颜色分布直方图进行对比；

C4、将彩色的着装图片通过设定的阈值转换成只有黑和白的二值图片，通过膨胀、腐蚀算法提取着装的轮廓和形态，与标准着装对比库中的轮廓形态进行比对，像素值相似百分比达到70％则认为着装符合标准。

所述步骤S43中，将80％作为第一比对结果的临界值，≥80％是比对一致，＜80％是不一致，需要人工核验。

所述步骤S44中，将80％作为第二比对结果的临界值，若佩戴安全帽的概率≥80％，则判定为工人佩戴了安全帽，若佩戴其他帽子或未佩戴任何帽子的概率≥80％，则判定为工人未按要求佩戴安全帽。

所述步骤S45中，第三比对结果包括人体图像中着装的颜色和黑白轮廓图对应位置的像素值是否一致，其中所述的判断着装的颜色是否一致利用人体图像中着装部分的像素值直方图与人体样例图像的像素值直方图的相关系数r进行判定，当相关系数r≥0.8，则认为颜色一致；若相关系数r<0.8，则认为颜色不一致，相关系数r的计算公式如下：

其中H₁(i)，H₂(i)分别表示人体图像和人体样例图像中像素值为i的像素点个数，

分别表示人体图像和人体样例图像所有像素值的平均值；

将人体图像和人体样例图像分别进行预处理后得到的黑白轮廓图分别作为第一黑白轮廓图和第二黑白轮廓图，所述的判断黑白轮廓图对应位置的像素值是否一致是第一黑白轮廓图和第二黑白轮廓图对应位置的像素值是否一致进行判定，当同为黑或同为白，则记为1，否则记为0，并将所有位置的像素值的判定结果相加，除以像素点总个数，得到像素值相似百分比，当像素值相似百分比≥70％，判定为着装轮廓与样例标准着装轮廓一致；若像素值相似百分比<70％，判定为着装轮廓与样例标准着装轮廓不一致。

本发明在进行具体使用的时候，所述监测系统包括数据采集层、智能识别层、决策分析层，所述数据采集层采集的图像包括用来构建员工图像信息库的员工图像和变电站监控设备所抓拍的人员图像，并将所采集的图像通过实时数据传输方式传输至智能识别层，所述智能识别层将人员图像经运维监测模型进行比对，并输出比对结果至决策分析层，所述决策分析层对比对结果进行分析得到分析结果，并做出相应的决策，本发明利用HOG算法、卷积神经网络CNN、图像处理算法和员工图像信息库构建运维监测模型并进行训练，并将检测出的人员图像分别输出至人脸识别模型、安全帽智能检测模型和人员着装智能检测模型进行检测提升本系统的准确性，进而实现对进出变电站的人员进行监控，并对运维检修人员的着装以及是否佩戴安全帽进行有效监控，决策分析层根据智能识别层输出的比对结果决定是否发出警告，现有技术无法对变电站检修施工人员的安全防护以及施工行为的安全生产问题不能起到预警和监督的现象。

Claims (8)

1.一种基于人工智能的变电站监测系统，其特征在于，所述监测系统包括数据采集层、智能识别层、决策分析层，所述数据采集层采集的图像包括用来构建员工图像信息库的员工图像和变电站监控设备所抓拍的人员图像，并将所采集的图像通过实时数据传输方式传输至智能识别层；

所述智能识别层将人员图像经运维监测模型进行比对，并输出比对结果至决策分析层；

所述决策分析层对比对结果进行分析得到分析结果，并做出相应的决策。

2.如权利要求1所述的一种基于人工智能的变电站监测系统，其特征在于，所述员工图像包括人脸样例图像、人体样例头部图像和人体样例图像。

3.如权利要求1所述的一种基于人工智能的变电站监测系统，其特征在于，所述智能识别层将人员图像经运维监测模型进行识别包括以下步骤：

S1、输入从变电站监控设备所抓拍的人员图像；

S2、将所输入的人员图像处理为统一的大小和格式；

S3、利用HOG算法、卷积神经网络CNN、图像处理算法和员工图像信息库构建运维监测模型并进行训练，所述运维监测模型包括变电站运维检修人员人脸识别模型、安全帽智能检测模型和人员着装智能检测模型；

S4、将S2中的人员图像输入运维监测模型中进行比对并选择分类器，对人脸识别特征与人脸库中的图像进行特征对比，输出比对结果，其中比对结果包括第一比对结果、第二比对结果和第三比对结果。

4.如权利要求3所述的一种基于人工智能的变电站监测系统，其特征在于，所述步骤S4中使用支持向量机SVM算法作为分类器完成人脸的分类识别，SVM算法的具体实现过程如下：

S31、将员工图像信息库中的m个员工图像作为训练样本集，将训练样本集记为D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，其中x_i为多维特征向量，y_i为二元输出，y_i∈{-1,+1}。

S32、针对SVM算法建立的最优决策超平面进而使得平面两侧样本集的距离最大化，故构造约束优化问题如下：

其中，α_i指的是拉格朗日乘子。

S33、使用SMO算法求出式(9)为最小值时，向量α对应的值α^*，其中α＝(α1,α2,α3,...,αm)。

S34、利用α^*计算超平面的参数ω^*，计算公式如下：

S35、找出s个支持向量，即满足α_s＞0对应的样本(x_s,y_s)，通过公式(11)计算每个支持向量(x_s,y_s)对应的模型参数

S36、计算超平面的参数b^*，对所有的

求平均值即

S37、由超平面的参数ω^*与b^*获得超平面与分类决策函数f(x)

ω^*·x+b^*＝0 (14)

f(x)＝sign(ω^*·x+b^*) (15)

其中x是由多维特征向量x_i组成的，即x＝(x1,x2,...,x_m)。

5.如权利要求3所述的一种基于人工智能的变电站监测系统，其特征在于，所述步骤S4中，特征对比具体包括以下步骤：

S41、设定变电站监控视频抓拍运维检修人员的频次；

S42、截取运维检修人员的人员图像，其中人员图像包括人脸图像、人体头部图像和人体图像；

S43、将人脸图像输入人脸识别模型中进行特征比对并输出比对结果，当第一比对结果是不一致或者不存在时，则判定此人并非变电站内的运维检修人员，此时决策分析层发出警告，当第一比对结果比对一致时，则判定此人为变电站内的运维检修人员，此时决策分析层不会发出警告，并将抓拍到的人脸图像作为人脸识别模型的输入数据再次进行训练；

S44、将人体头部图像与安全帽智能检测模型进行特征比对并输出第二比对结果，当比对结果是佩戴安全帽的概率小于给定的临界值时，则判定此运维检修人员没有佩戴安全帽或者安全帽佩戴不规范，此时决策分析系统发出警告，当第二比对结果是佩戴安全帽的概率大于等于给定的临界值时，则判定此运维检修人员规范佩戴安全帽，此时决策分析系统不会发出警告，并将抓拍到的人体头部图像作为安全帽智能检测模型输入数据再次进行训练；

S45、将人体图像与人员着装智能检测模型进行特征比对并输出第三比对结果，当比对结果是不一致时，则判定此运维检修人员着装不规范，此时决策分析系统发出警告，当第三比对结果是一致时，则判定此运维检修人员着装规范符合变电站运维安全规范，此时决策分析系统不会发出警告。

6.如权利要求5所述的一种基于人工智能的变电站监测系统，其特征在于，所述步骤S43中，将80％作为第一比对结果的临界值，≥80％是比对一致，＜80％是不一致，需要人工核验。

7.如权利要求5所述的一种基于人工智能的变电站监测系统，其特征在于，所述步骤S44中，将80％作为第二比对结果的临界值，若佩戴安全帽的概率≥80％，则判定为工人佩戴了安全帽，若佩戴其他帽子或未佩戴任何帽子的概率≥80％，则判定为工人未按要求佩戴安全帽。

8.根据权利要求5所述的一种基于人工智能的变电站监测系统，其特征在于，所述步骤S45中，第三比对结果包括人体图像中着装的颜色和黑白轮廓图对应位置的像素值是否一致，其中所述的判断着装的颜色是否一致利用人体图像中着装部分的像素值直方图与人体样例图像的像素值直方图的相关系数r进行判定，当相关系数r≥0.8，则认为颜色一致；若相关系数r<0.8，则认为颜色不一致，相关系数r的计算公式如下：

其中H₁(i),H₂(i)分别表示人体图像和人体样例图像中像素值为i的像素点个数，

分别表示人体图像和人体样例图像所有像素值的平均值；

将人体图像和人体样例图像分别进行预处理后得到的黑白轮廓图分别作为第一黑白轮廓图和第二黑白轮廓图，所述的判断黑白轮廓图对应位置的像素值是否一致是第一黑白轮廓图和第二黑白轮廓图对应位置的像素值是否一致进行判定，当同为黑或同为白，则记为1，否则记为0，并将所有位置的像素值的判定结果相加，除以像素点总个数，得到像素值相似百分比，当像素值相似百分比≥70％，判定为着装轮廓与样例标准着装轮廓一致，若像素值相似百分比<70％，判定为着装轮廓与样例标准着装轮廓不一致。

Images