CN114758302A - 一种基于分散注意力机制的电力场景异常行为检测方法 - Google Patents
一种基于分散注意力机制的电力场景异常行为检测方法 Download PDFInfo
- Publication number
- CN114758302A CN114758302A CN202210490419.4A CN202210490419A CN114758302A CN 114758302 A CN114758302 A CN 114758302A CN 202210490419 A CN202210490419 A CN 202210490419A CN 114758302 A CN114758302 A CN 114758302A
- Authority
- CN
- China
- Prior art keywords
- attention mechanism
- abnormal behavior
- power scene
- decentralized
- power
- 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
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 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
- 238000012544 monitoring process Methods 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
-
- 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
本发明涉及电力场景下人员安全行为管控技术领域,公开了一种基于分散注意力机制的电力场景异常行为检测方法，包括以下步骤：采集电力场景异常行为图片并添加标签；以Faster R‑CNN检测网络为框架增加Split‑attention module分散注意力机制模块，建立深度学习网络模型；随机划分为训练集和测试集；训练集数据增强后对Faster R‑CNN、ResNet50和Split‑attention module网络结构的深度学习网络模型进行训练，然后采用测试集测试调整，针对待测图像输入固化后的异常行为检测模型，输出获得检测结果。本发明能够实现异常行为的自动检测，具有较高的准确率，并且具有稳定性好，抗干扰能力强，通用性高等优点，具有良好的鲁棒性，能够应用于电力场景智能监管系统。
Description
技术领域
本发明涉及电力场景下人员安全行为管控技术领域，尤其涉及一种基于分散注意力机制的电力场景异常行为检测方法。
背景技术
电力场景安全管控等级较高，对于现场施工人员行为具有严格的规范，及时发现人员异常行为能够排除安全隐患。对电力现场的设备擅自挪动极易引发作业事故，造成严重的损失。长期以来，电力现场的人员异常行为管控均由现场巡查人员负责，效率低，人力成本高，且无法及时发现安全隐患。随着计算机视觉技术和深度学习技术的发展，通过现场图像自动识别电力场景异常行为的需求日渐突出。
发明内容
基于此，本发明的目的在于提供一种基于分散注意力机制的电力场景异常行为检测方法，可自动完成电力施工作业场景下的人员异常行为自动检测，可提高管控效率，提高安全效率。
为了实现上述目的，本发明采用了如下技术方案：一种基于分散注意力机制的电力场景异常行为检测方法，包括以下步骤：
S1：采集电力场景异常行为样本图片；
S2：以Faster R-CNN检测网络为框架增加Split-attention module分散注意力机制模块，建立深度学习网络模型；
S3：将样本集随机划分为训练集和测试集；
S4：对训练集数据进行数据增强，增强后的训练集通过Faster R-CNN、ResNet50和Split-attention module网络结构的深度学习网络模型进行训练，然后采用测试集进行测试调整并优化网络结构；
S5：针对待测图像输入固化后的异常行为检测模型，输出获得检测结果。
作为上述技术方案的进一步描述：
所述步骤S1中电力场景包括但不限于移动安全围栏电力场景、移动电缆支撑架电力场景和移动消防栓电力场景。
作为上述技术方案的进一步描述：
所述步骤S2中分散注意力机制模块由特征图组和分散注意力操作组成。
作为上述技术方案的进一步描述：
所述特征图组将输入的特征图分成K个基数组，与之不同的是，再将基数组内部划分为R个小组，因此最初的输入特征图就被沿着通道维度划分为G＝K×R个特征图小组，然后在每一个特征图小组上施加映射变换。
作为上述技术方案的进一步描述：
所述分散注意力操作每个基数组的组合表示可以通过融合内部分组获得；通过空间维度的全局平均池化可以实现聚合通道维度的全局上下文信息。
作为上述技术方案的进一步描述：
所述步骤S4中所提出的Faster R-CNN、ResNet50和Split-attention module深度学习网络模型性能优于所有现有ResNet变体，并且不会因为结合的结构降低计算效率，甚至可以实现更好的速度精度折衷。
本发明具有如下有益效果：
与现有技术相比，该一种基于分散注意力机制的电力场景异常行为检测方法，通过分散注意力模块增加了跨通道的特征关联，针对复杂的人员行为检测能更准确的完成任务；同时在Faster R-CNN、ResNet50和Split-attention module深度学习网络模型的配合下，能够实现异常行为的自动检测，具有较高的准确率，并且具有稳定性好，抗干扰能力强，通用性高等优点，具有良好的鲁棒性，能够应用于电力场景智能监管系统。
附图说明
图1为本发明提出的一种基于分散注意力机制的电力场景异常行为检测方法的流程框图；
图2为本发明提出的一种基于分散注意力机制的电力场景异常行为检测方法的电力场景图；
图3为本发明提出的一种基于分散注意力机制的电力场景异常行为检测方法的实施检测结果数据分析图。
具体实施方式
参照图1-3，本发明提供的一种基于分散注意力机制的电力场景异常行为检测方法，包括以下步骤：
S1：采集电力场景异常行为样本图片；
S2：以Faster R-CNN检测网络为框架增加Split-attention module分散注意力机制模块，建立深度学习网络模型；
S3：将样本集随机划分为训练集和测试集；
S4：对训练集数据进行数据增强，增强后的训练集通过Faster R-CNN、ResNet50和Split-attention module网络结构的深度学习网络模型进行训练，然后采用测试集进行测试调整并优化网络结构；
S5：针对待测图像输入固化后的异常行为检测模型，输出获得检测结果。
作为上述技术方案的进一步的的实施方式：
步骤S1中电力场景包括但不限于移动安全围栏电力场景、移动电缆支撑架电力场景和移动消防栓电力场景。
作为上述技术方案的进一步的的实施方式：
步骤S2中分散注意力机制模块由特征图组和分散注意力操作组成。
作为上述技术方案的进一步的的实施方式：
特征图组将输入的特征图分成个基数组，与之不同的是，再将基数组内部划分为个小组，因此最初的输入特征图就被沿着通道维度划分为个特征图小组，然后在每一个特征图小组上施加映射变换。
作为上述技术方案的进一步的的实施方式：
分散注意力操作每个基数组的组合表示可以通过融合内部分组获得；通过空间维度的全局平均池化可以实现聚合通道维度的全局上下文信息。
作为上述技术方案的进一步的的实施方式：
步骤S4中所提出的Faster R-CNN、ResNet50和Split-attention module深度学习网络模型性能优于所有现有ResNet变体，并且不会因为结合的结构降低计算效率，甚至可以实现更好的速度精度折衷。
工作原理：
使用本发明时，实验样本场景包括移动安全围栏、移动电缆支撑架、移动消防栓、跨越安全围栏等，然后通过所提出的Faster R-CNN、ResNet50和Split-attention module深度学习网络模型进行检测，其中的yd_aqwl代表移动安全围栏，yd_dlzcj代表移动电缆支撑架，ppjsj代表攀爬脚手架，yd_xfs代表移动消防栓,kuayue代表跨越安全围栏，yd_dlzcj代表移动电缆支撑架；gts代表样本中真值的数量，dets代表检测的数量，recall代表真实的正样本有多少被正确预测出来，precision表示预测的正样本中有多少是真实的，ap表示检测的平均精度。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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说，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，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 (6)
1.一种基于分散注意力机制的电力场景异常行为检测方法，其特征在于：包括以下步骤：
S1：采集电力场景异常行为样本图片；
S2：以Faster R-CNN检测网络为框架增加Split-attention module分散注意力机制模块，建立深度学习网络模型；
S3：将样本集随机划分为训练集和测试集；
S4：对训练集数据进行数据增强，增强后的训练集通过Faster R-CNN、ResNet50和Split-attention module网络结构的深度学习网络模型进行训练，然后采用测试集进行测试调整并优化网络结构；
S5：针对待测图像输入固化后的异常行为检测模型，输出获得检测结果。
2.根据权利要求1所述的一种基于分散注意力机制的电力场景异常行为检测方法，其特征在于：所述步骤S1中电力场景包括但不限于移动安全围栏电力场景、移动电缆支撑架电力场景和移动消防栓电力场景。
3.根据权利要求1所述的一种基于分散注意力机制的电力场景异常行为检测方法，其特征在于：所述步骤S2中分散注意力机制模块由特征图组和分散注意力操作组成。
4.根据权利要求3所述的一种基于分散注意力机制的电力场景异常行为检测方法，其特征在于：所述特征图组将输入的特征图分成K个基数组，与之不同的是，再将基数组内部划分为R个小组，因此最初的输入特征图就被沿着通道维度划分为G＝K×R个特征图小组，然后在每一个特征图小组上施加映射变换。
5.根据权利要求3所述的一种基于分散注意力机制的电力场景异常行为检测方法，其特征在于：所述分散注意力操作每个基数组的组合表示可以通过融合内部分组获得；通过空间维度的全局平均池化可以实现聚合通道维度的全局上下文信息。
6.根据权利要求1所述的一种基于分散注意力机制的电力场景异常行为检测方法，其特征在于：所述步骤S4中所提出的Faster R-CNN、ResNet50和Split-attention module深度学习网络模型性能优于所有现有ResNet变体，并且不会因为结合的结构降低计算效率，甚至可以实现更好的速度精度折衷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210490419.4A CN114758302A (zh) | 2022-05-07 | 2022-05-07 | 一种基于分散注意力机制的电力场景异常行为检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210490419.4A CN114758302A (zh) | 2022-05-07 | 2022-05-07 | 一种基于分散注意力机制的电力场景异常行为检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114758302A true CN114758302A (zh) | 2022-07-15 |
Family
ID=82335941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210490419.4A Pending CN114758302A (zh) | 2022-05-07 | 2022-05-07 | 一种基于分散注意力机制的电力场景异常行为检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114758302A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112613476A (zh) * | 2020-12-31 | 2021-04-06 | 西南石油大学 | 一种基于机器视觉自动检测工人不安全行为的方法 |
| CN112861816A (zh) * | 2021-03-30 | 2021-05-28 | 中国工商银行股份有限公司 | 异常行为检测方法及装置 |
| WO2021248687A1 (zh) * | 2020-06-10 | 2021-12-16 | 南京理工大学 | 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统 |
| CN113822240A (zh) * | 2021-11-22 | 2021-12-21 | 广东电网有限责任公司中山供电局 | 一种电力现场作业视频数据提取异常行为的方法及装置 |
-
2022
- 2022-05-07 CN CN202210490419.4A patent/CN114758302A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2021248687A1 (zh) * | 2020-06-10 | 2021-12-16 | 南京理工大学 | 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统 |
| CN112613476A (zh) * | 2020-12-31 | 2021-04-06 | 西南石油大学 | 一种基于机器视觉自动检测工人不安全行为的方法 |
| CN112861816A (zh) * | 2021-03-30 | 2021-05-28 | 中国工商银行股份有限公司 | 异常行为检测方法及装置 |
| CN113822240A (zh) * | 2021-11-22 | 2021-12-21 | 广东电网有限责任公司中山供电局 | 一种电力现场作业视频数据提取异常行为的方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| HANG ZHANG ET AL: "ResNeSt: Split-Attention Networks", 《ARXIV:2004.08955V2》 * |
| 孙勇: "建筑工人不安全行为智能检测系统研究与设计实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
| 机器之心: "《https://m.thepaper.cn/baijiahao_7029398》", 18 April 2020 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111833598B (zh) | 一种高速公路无人机交通事件自动监测方法及系统 | |
| CN108320553B (zh) | 基于道路驾驶事件的路况预测方法 | |
| WO2021051863A1 (zh) | 水位预警监控方法、装置、存储介质及电子设备 | |
| CN103700261A (zh) | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 | |
| WO2022078353A1 (zh) | 车辆行使状态判断方法、装置、计算机设备及存储介质 | |
| CN109094574B (zh) | 一种基于台架的无人车驾驶状态测量控制系统 | |
| CN110175507A (zh) | 模型评估方法、装置、计算机设备和存储介质 | |
| CN112203054B (zh) | 监控视频点位标注方法、装置、存储介质及电子设备 | |
| CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
| CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
| CN116170660A (zh) | 用于摄像头的算法调度方法、装置、计算机设备及介质 | |
| CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及系统 | |
| CN112182132A (zh) | 一种地铁用户的识别方法、系统、设备和存储介质 | |
| CN113486885A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
| CN114758302A (zh) | 一种基于分散注意力机制的电力场景异常行为检测方法 | |
| CN111540196A (zh) | 基于高点视频的车流量预警方法、设备、存储介质及装置 | |
| CN113554610A (zh) | 一种光伏组件运行状态检测方法及其应用装置 | |
| CN114612735A (zh) | 基于深度学习的吊钩防脱装置检测方法 | |
| CN114693490A (zh) | 一种数字园区智能巡检方法与系统 | |
| CN111627242B (zh) | 一种室内停车库中停车位的融合定位方法 | |
| CN117197978A (zh) | 一种基于深度学习的林火监测预警系统 | |
| CN115830447A (zh) | 一种超高层建筑安全施工智能监管方法、系统及装置 | |
| CN115148025A (zh) | 一种交通目标轨迹预测方法及可读存储介质 | |
| CN108303100A (zh) | 聚焦点分析方法及计算机可读存储介质 | |
| CN113887420A (zh) | 一种基于ai的城市公共车位智能化检测识别系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220715 |