CN114764900A - 一种变电站现场作业的越界违章监测方法 - Google Patents

一种变电站现场作业的越界违章监测方法 Download PDF

Info

Publication number
CN114764900A
CN114764900A CN202210424211.2A CN202210424211A CN114764900A CN 114764900 A CN114764900 A CN 114764900A CN 202210424211 A CN202210424211 A CN 202210424211A CN 114764900 A CN114764900 A CN 114764900A
Authority
CN
China
Prior art keywords
image data
detection frame
connecting line
point
acquiring
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
CN202210424211.2A
Other languages
English (en)
Inventor
丁俊峰
王昊
刘丰
陈轩
顾德扬
陈蕾
王磊
周健
吴德勇
戴挈军
鞠保兴
陶双柱
张龙
高锋
俞海燕
郎伊紫禾
赵翔飞
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.)
Super High Voltage Branch Of State Grid Jiangsu Electric Power Co ltd
State Grid Jiangsu Electric Power Co Ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Super High Voltage Branch Of State Grid Jiangsu Electric Power Co ltd
State Grid Jiangsu Electric Power Co Ltd
Nanjing University of Posts and Telecommunications
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 Super High Voltage Branch Of State Grid Jiangsu Electric Power Co ltd, State Grid Jiangsu Electric Power Co Ltd, Nanjing University of Posts and Telecommunications filed Critical Super High Voltage Branch Of State Grid Jiangsu Electric Power Co ltd
Priority to CN202210424211.2A priority Critical patent/CN114764900A/zh
Publication of CN114764900A publication Critical patent/CN114764900A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种变电站现场作业的越界违章监测方法，包括：通过移动端摄像头获取变电站作业现场的图像数据；根据预构建的移动端检测模型对图像数据进行识别，获取图像数据中的三角锥、作业人员以及安全帽的检测框；根据三角锥和作业人员的检测框进行周界越界监测；基于RTK定位技术获取安全帽的真实高度；根据安全帽的真实高度和检测框以及作业人员的检测框进行高程越界监测；本发明不仅能有效识别地面违章行为，还能识别高程越界违章行为，且部署灵活，操作简单，实时性强，可重用性好。

Description

一种变电站现场作业的越界违章监测方法
技术领域
本发明涉及一种变电站现场作业的越界违章监测方法，属于智能变电站技术领域。
背景技术
变电站场地环境复杂，存在着威胁人身的众多因素。在变电站施工的过程中,需要对即将误入危险区域的作业人员进行快速准确地检测并及时预警，减少生命和财产的损失。但现有的危险区域检测方法大多数基于传感器的方法，需要布置大量的传感器，实际操作复杂，而且在工人身上附着传感器，会干扰工人的施工操作，而人工观察耗时费力，容易受观察者的精神状态影响。随着人工智能的发展，不少研究人员开始把深度学习技术和危险区域检测问题结合起来。然而现有的技术主要依赖于大量的标记数据进行模型的训练，进而在后端进行检测识别，没有充分利用前端的计算资源，在数据的传输上消耗太大，也降低了适用性。
传统视频监控系统主要为人工监控，事后观察视频取证；而且视频监控系统的架构设计比较单一，不能对视频图像进实时智能分析，不能实现远程监控，并且无法进行异常事件及时报警。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种变电站现场作业的越界违章监测方法，不仅能有效识别地面违章行为，还能识别高程越界违章行为，且部署灵活，操作简单，实时性强，可重用性好。
为达到上述目的，本发明是采用下述技术方案实现的：
本发明提供了一种变电站现场作业的越界违章监测方法，包括：
通过移动端摄像头获取变电站作业现场的图像数据；
根据预构建的移动端检测模型对图像数据进行识别，获取图像数据中的三角锥、作业人员以及安全帽的检测框；
根据三角锥和作业人员的检测框进行周界越界监测；
基于RTK定位技术获取安全帽的真实高度；
根据安全帽的真实高度和检测框以及作业人员的检测框进行高程越界监测。
可选的，所述移动端监测模型的构建包括：
将PyTorch框架下训练好的YOLOv5模型转为ONNX模型；
将ONNX模型转为NCNN模型并作为移动端监测模型；
其中，所述YOLOv5模型的训练包括：
获取变电站作业现场的图像信息并添加三角锥和作业人员的检测框标签；
根据添加检测框标签的图像信息生成样本图像并构建样本集；
将样本集划分为训练集和验证集；
初始化YOLOv5模型，并将训练集中样本图像输入YOLOv5模型进行训练；
将验证集中样本图像输入训练后的YOLOv5模型进行验证，若达到预设需求，则训练完成。
可选的，所述根据三角锥和作业人员的检测框进行周界越界监测包括：
以三角锥检测框底部内侧端点连线围成的多边形区域作为安全区域，多边形区域以外为危险区域；
以作业人员检测框左下角和右下角坐标作为检测点，获取检测点在地面的投影点；
基于PNpoly算法判断两个投影点位于安全区域或多边形区域，若两个投影点均位于安全区域，则所述工作人员未地面越界；若两个投影点均位于危险区域，则所述工作人员地面越界；若两个投影点分别位于安全区域和危险区域，则所述工作人员正在地面越界。
可选的，所述三角锥设置有四个，分别记为A、B、C、D；以三角锥A、B、C、D的检测框底部内侧端点连线围成的长方形区域ABCD作为安全区域。
可选的，所述获取检测点在地面的投影点包括：
获取AC连线侧图像数据中的三角锥和作业人员的检测框；
以作业人员p检测框底部中点向地面做投影线以及投影线的延长线，投影线与AC连线的交点记为M，延长线与BD连线的交点记为N；
根据AC连线侧图像数据中的三角锥和作业人员的检测框计算AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例；
获取AB连线侧图像数据中的三角锥和作业人员的检测框；
根据AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例，获取AB连线侧图像数据中M和N点在AC连线和BD连线上的位置；
以AB连线侧图像数据中M和N点在AC连线和BD连线上的位置设置虚拟三角锥E、F，且虚拟三角锥E检测框的右下角横坐标与M点重合，虚拟三角锥F检测框的左下角横坐标与N点重合；
根据AB连线侧图像数据中的三角锥和作业人员的检测框计算AB连线侧图像数据中M、N点的坐标；
将AB连线侧图像数据中作业人员p检测框底部中点在地面的投影点记为H点；
根据AB连线侧图像数据中M、N点的坐标计算AB连线侧图像数据中H点的坐标；
根据AB连线侧图像数据中H点的坐标计算AB连线侧图像数据中作业人员p检测框左下角和右下角在地面的投影点坐标。
可选的，所述计算AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例包括：
获取AC连线侧图像数据中作业人员p检测框的左上角和右下角的横坐标
Figure BDA0003609055670000031
Figure BDA0003609055670000032
确定AC连线侧图像数据中M和N点的横坐标xM、xN：
Figure BDA0003609055670000041
获取AC连线侧图像数据中三角锥A、B的检测框的左上角的横坐标
Figure BDA0003609055670000042
三角锥C、D的检测框的右下角的横坐标
Figure BDA0003609055670000043
确定AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例K1和K2：
Figure BDA0003609055670000044
可选的，所述计算AB连线侧图像数据中M、N点的坐标包括：
获取AB连线侧图像数据中三角锥A、C的检测框的左上角的纵坐标
Figure BDA0003609055670000045
三角锥A、C的检测框的右下角的纵坐标
Figure BDA0003609055670000046
确定三角锥E的检测框的高度hE：
Figure BDA0003609055670000047
Figure BDA0003609055670000048
获取AB连线侧图像数据中三角锥B、D的检测框的左上角的纵坐标
Figure BDA0003609055670000049
三角锥B、D的检测框的右下角的纵坐标
Figure BDA00036090556700000410
确定三角锥F的检测框的高度hF：
Figure BDA00036090556700000411
Figure BDA00036090556700000412
确定AB连线侧图像数据中M点在AC连线上的位置比例KM：
Figure BDA00036090556700000413
确定AB连线侧图像数据中N点在BD连线上的位置比例KN：
Figure BDA0003609055670000051
获取AB连线侧图像数据中三角锥A、C的检测框的右下角的横坐标
Figure BDA0003609055670000052
确定AB连线侧图像数据中M点的坐标(xM,yM)：
Figure BDA0003609055670000053
Figure BDA0003609055670000054
获取AB连线侧图像数据中三角锥B、D的检测框的左上角的横坐标
Figure BDA0003609055670000055
确定AB连线侧图像数据中N点的坐标(xN,yN)：
Figure BDA0003609055670000056
Figure BDA0003609055670000057
可选的，所述计算AB连线侧图像数据中H点的坐标包括：
获取AB连线侧图像数据中作业人员p的检测框的左上角和右下角横坐标
Figure BDA0003609055670000058
作业人员p的检测框的右下角纵坐标
Figure BDA0003609055670000059
确定AB连线侧图像数据中H点的横坐标xH：
Figure BDA00036090556700000510
获取AB连线侧图像数据中M、N点的横坐标xM、xN，确定AB连线侧图像数据中H点在MN连线上的位置比例KH：
Figure BDA00036090556700000511
获取AB连线侧图像数据中M、N点的纵坐标yM、yN，确定AB连线侧图像数据中H点的坐标(xH,yH)：
Figure BDA00036090556700000512
Figure BDA0003609055670000067
可选的，所述AB连线侧图像数据中作业人员p的检测框左下角在地面的投影点坐标为
Figure BDA0003609055670000061
右下角在地面的投影点坐标为
Figure BDA0003609055670000062
可选的，所述根据真实高度和检测框以及作业人员的检测框进行高程越界监测包括：
AB连线侧图像数据中以安全帽检测框的中心点坐标作为参考点，获取参考点在地面的投影点；
根据AB连线侧图像数据中参考点和参考点在地面的投影点的纵坐标获取参考点到参考点在地面的投影点的距离，记为hQ；
结合安全帽的真实高度HR，确定AB连线侧图像数据与真实数据的比例系数K：
Figure BDA0003609055670000063
获取AB连线侧图像数据中作业人员p的检测框顶部中点纵坐标
Figure BDA0003609055670000064
AB连线侧图像数据中H点纵坐标yH，确定作业人员p的检测框的顶部中点到地面的距离hp：
Figure BDA0003609055670000065
结合AB连线侧图像数据与真实数据的比例系数K，确定作业人员p的检测框的顶部中点到地面的真实高度Hp：
Figure BDA0003609055670000066
若真实高度Hp大于等于预设的越界高度，则所述工作人员高程越界；若真实高度Hp小于预设的越界高度，则所述工作人员未高程越界。
与现有技术相比，本发明所达到的有益效果：
本发明提供的一种变电站现场作业的越界违章监测方法，通过预构建的移动端检测模型对图像数据进行识别，部署灵活，操作简单方便；区别于传统的物理围栏及其他类型的虚拟电子围栏技术，不仅能有效识别地面违章行为，还能识别高空越界违章行为，且实时性强，可重用性好。
附图说明
图1是本发明实施例提供的一种变电站现场作业的越界违章监测方法流程图；
图2是本发明实施例提供的变电站现场作业示意图；
图3是本发明实施例提供的变电站现场作业AC连线侧图像数据示意图；
图4是本发明实施例提供的变电站现场作业AB连线侧图像数据示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明实施例提供了一种变电站现场作业的越界违章监测方法，包括以下步骤：
1、通过移动端摄像头获取变电站作业现场的图像数据。
2、根据预构建的移动端检测模型对图像数据进行识别，获取图像数据中的三角锥、作业人员以及安全帽的检测框。
2.1、移动端监测模型的构建包括：
将PyTorch框架下训练好的YOLOv5模型转为ONNX模型；
将ONNX模型转为NCNN模型并作为移动端监测模型；
2.2、YOLOv5模型的训练包括：
获取变电站作业现场的图像信息并添加三角锥和作业人员的检测框标签；
根据添加检测框标签的图像信息生成样本图像并构建样本集；
将样本集划分为训练集和验证集；
初始化YOLOv5模型，并将训练集中样本图像输入YOLOv5模型进行训练；
将验证集中样本图像输入训练后的YOLOv5模型进行验证，若达到预设需求，则训练完成。
3、根据三角锥和作业人员的检测框进行周界越界监测；具体包括：
3.1、以三角锥检测框底部内侧端点连线围成的多边形区域作为安全区域，多边形区域以外为危险区域；
3.2、以作业人员检测框左下角和右下角坐标作为检测点，获取检测点在地面的投影点；
3.3、基于PNpoly算法判断两个投影点位于安全区域或多边形区域，若两个投影点均位于安全区域，则工作人员未地面越界；若两个投影点均位于危险区域，则工作人员地面越界；若两个投影点分别位于安全区域和危险区域，则工作人员正在地面越界。
如图2所示，在变电站现场作业，工作人员通常设置四个三角锥，本实施以四个三角锥为例：
如图3-4所示，三角锥设置有四个，分别记为A、B、C、D；以三角锥A、B、C、D的检测框底部内侧端点连线围成的长方形区域ABCD作为安全区域。在这种情况下，获取检测点在地面的投影点包括：
S1、获取AC连线侧图像数据(通过摄像头S采集)中的三角锥和作业人员的检测框；
S2、以作业人员p检测框底部中点向地面做投影线以及投影线的延长线，投影线与AC连线的交点记为M，延长线与BD连线的交点记为N；
S3、根据AC连线侧图像数据中的三角锥和作业人员的检测框计算AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例；具体包括：
S3.1、获取AC连线侧图像数据中作业人员p检测框的左上角和右下角的横坐标
Figure BDA0003609055670000081
确定AC连线侧图像数据中M和N点的横坐标xM、xN：
Figure BDA0003609055670000082
S3.2、获取AC连线侧图像数据中三角锥A、B的检测框的左上角的横坐标
Figure BDA0003609055670000083
Figure BDA0003609055670000084
三角锥C、D的检测框的右下角的横坐标
Figure BDA0003609055670000085
确定AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例K1和K2：
Figure BDA0003609055670000091
S4、获取AB连线侧图像数据(通过摄像头F采集)中的三角锥和作业人员的检测框；
S5、根据AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例，获取AB连线侧图像数据中M和N点在AC连线和BD连线上的位置；
S6、以AB连线侧图像数据中M和N点在AC连线和BD连线上的位置设置虚拟三角锥E、F，且虚拟三角锥E检测框的右下角横坐标与M点重合，虚拟三角锥F检测框的左下角横坐标与N点重合；
S7、根据AB连线侧图像数据中的三角锥和作业人员的检测框计算AB连线侧图像数据中M、N点的坐标；具体包括：
S7.1、获取AB连线侧图像数据中三角锥A、C的检测框的左上角的纵坐标
Figure BDA0003609055670000092
三角锥A、C的检测框的右下角的纵坐标
Figure BDA0003609055670000093
确定三角锥E的检测框的高度hE：
Figure BDA0003609055670000094
Figure BDA0003609055670000095
S7.2、获取AB连线侧图像数据中三角锥B、D的检测框的左上角的纵坐标
Figure BDA0003609055670000096
三角锥B、D的检测框的右下角的纵坐标
Figure BDA0003609055670000097
确定三角锥F的检测框的高度hF：
Figure BDA0003609055670000098
Figure BDA0003609055670000101
S7.3、确定AB连线侧图像数据中M点在AC连线上的位置比例KM：
Figure BDA0003609055670000102
S7.4、确定AB连线侧图像数据中N点在BD连线上的位置比例KN：
Figure BDA0003609055670000103
S7.5、获取AB连线侧图像数据中三角锥A、C的检测框的右下角的横坐标
Figure BDA0003609055670000104
确定AB连线侧图像数据中M点的坐标(xM,yM)：
Figure BDA0003609055670000105
Figure BDA0003609055670000106
S7.6、获取AB连线侧图像数据中三角锥B、D的检测框的左上角的横坐标
Figure BDA00036090556700001011
确定AB连线侧图像数据中N点的坐标(xN,yN)：
Figure BDA0003609055670000107
Figure BDA0003609055670000108
S8、将AB连线侧图像数据中作业人员p检测框底部中点在地面的投影点记为H点；
S9、根据AB连线侧图像数据中M、N点的坐标计算AB连线侧图像数据中H点的坐标；
S9.1、获取AB连线侧图像数据中作业人员p的检测框的左上角和右下角横坐标
Figure BDA0003609055670000109
作业人员p的检测框的右下角纵坐标
Figure BDA00036090556700001010
确定AB连线侧图像数据中H点的横坐标xH：
Figure BDA0003609055670000111
S9.2、获取AB连线侧图像数据中M、N点的横坐标xM、xN，确定AB连线侧图像数据中H点在MN连线上的位置比例KH：
Figure BDA0003609055670000112
S9.3、获取AB连线侧图像数据中M、N点的纵坐标yM、yN，确定AB连线侧图像数据中H点的坐标(xH,yH)：
Figure BDA0003609055670000113
S10、根据AB连线侧图像数据中H点的坐标计算AB连线侧图像数据中作业人员p检测框左下角和右下角在地面的投影点坐标。
AB连线侧图像数据中作业人员p的检测框左下角在地面的投影点坐标为
Figure BDA0003609055670000114
右下角在地面的投影点坐标为
Figure BDA0003609055670000115
4、基于RTK定位技术获取安全帽的真实高度。基于RTK定位技术主要包括：
1)在变电站改扩建施工现场安置基准站。将基准站放在地势较高、天空开阔、周围障碍物高度角不超10°、有利于卫星信号接收和数据链发射的位置,且周围无信号反射物的位置，电台天线架设在高处；
2)在作业人员安全帽上放置移动站，即用户接收机；
3)使用4G透传模块与RTK移动站连接，实现将RTK移动站计算到的数据通过4G透传模块传输到云服务器；
4)将获取到的高度信息传送至高程越界检测模块进行高度校准。
5、根据安全帽的真实高度和检测框以及作业人员的检测框进行高程越界监测；具体包括：
AB连线侧图像数据中以安全帽检测框的中心点坐标作为参考点，获取参考点在地面的投影点；
根据AB连线侧图像数据中参考点和参考点在地面的投影点的纵坐标获取参考点到参考点在地面的投影点的距离，记为hQ；
结合安全帽的真实高度HR，确定AB连线侧图像数据与真实数据的比例系数K：
Figure BDA0003609055670000121
获取AB连线侧图像数据中作业人员p的检测框顶部中点纵坐标
Figure BDA0003609055670000122
AB连线侧图像数据中H点纵坐标yH，确定作业人员p的检测框的顶部中点到地面的距离hp：
Figure BDA0003609055670000123
结合AB连线侧图像数据与真实数据的比例系数K，确定作业人员p的检测框的顶部中点到地面的真实高度Hp：
Figure BDA0003609055670000124
若真实高度Hp大于等于预设的越界高度，则工作人员高程越界；若真实高度Hp小于预设的越界高度，则工作人员未高程越界。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种变电站现场作业的越界违章监测方法，其特征在于，包括：
通过移动端摄像头获取变电站作业现场的图像数据；
根据预构建的移动端检测模型对图像数据进行识别，获取图像数据中的三角锥、作业人员以及安全帽的检测框；
根据三角锥和作业人员的检测框进行周界越界监测；
基于RTK定位技术获取安全帽的真实高度；
根据安全帽的真实高度和检测框以及作业人员的检测框进行高程越界监测。
2.根据权利要求1所述的一种变电站现场作业的越界违章监测方法，其特征在于，所述移动端监测模型的构建包括：
将PyTorch框架下训练好的YOLOv5模型转为ONNX模型；
将ONNX模型转为NCNN模型并作为移动端监测模型；
其中，所述YOLOv5模型的训练包括：
获取变电站作业现场的图像信息并添加三角锥和作业人员的检测框标签；
根据添加检测框标签的图像信息生成样本图像并构建样本集；
将样本集划分为训练集和验证集；
初始化YOLOv5模型，并将训练集中样本图像输入YOLOv5模型进行训练；
将验证集中样本图像输入训练后的YOLOv5模型进行验证，若达到预设需求，则训练完成。
3.根据权利要求1所述的一种变电站现场作业的越界违章监测方法，其特征在于，所述根据三角锥和作业人员的检测框进行周界越界监测包括：
以三角锥检测框底部内侧端点连线围成的多边形区域作为安全区域，多边形区域以外为危险区域；
以作业人员检测框左下角和右下角坐标作为检测点，获取检测点在地面的投影点；
基于PNpoly算法判断两个投影点位于安全区域或多边形区域，若两个投影点均位于安全区域，则所述工作人员未地面越界；若两个投影点均位于危险区域，则所述工作人员地面越界；若两个投影点分别位于安全区域和危险区域，则所述工作人员正在地面越界。
4.根据权利要求3所述的一种变电站现场作业的越界违章监测方法，其特征在于，所述三角锥设置有四个，分别记为A、B、C、D；以三角锥A、B、C、D的检测框底部内侧端点连线围成的长方形区域ABCD作为安全区域。
5.根据权利要求4所述的一种变电站现场作业的越界违章监测方法，其特征在于，所述获取检测点在地面的投影点包括：
获取AC连线侧图像数据中的三角锥和作业人员的检测框；
以作业人员p检测框底部中点向地面做投影线以及投影线的延长线，投影线与AC连线的交点记为M，延长线与BD连线的交点记为N；
根据AC连线侧图像数据中的三角锥和作业人员的检测框计算AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例；
获取AB连线侧图像数据中的三角锥和作业人员的检测框；
根据AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例，获取AB连线侧图像数据中M和N点在AC连线和BD连线上的位置；
以AB连线侧图像数据中M和N点在AC连线和BD连线上的位置设置虚拟三角锥E、F，且虚拟三角锥E检测框的右下角横坐标与M点重合，虚拟三角锥F检测框的左下角横坐标与N点重合；
根据AB连线侧图像数据中的三角锥和作业人员的检测框计算AB连线侧图像数据中M、N点的坐标；
将AB连线侧图像数据中作业人员p检测框底部中点在地面的投影点记为H点；
根据AB连线侧图像数据中M、N点的坐标计算AB连线侧图像数据中H点的坐标；
根据AB连线侧图像数据中H点的坐标计算AB连线侧图像数据中作业人员p检测框左下角和右下角在地面的投影点坐标。
6.根据权利要求5所示的一种变电站现场作业的越界违章监测方法，其特征在于，所述计算AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例包括：
获取AC连线侧图像数据中作业人员p检测框的左上角和右下角的横坐标
Figure FDA0003609055660000031
Figure FDA0003609055660000032
确定AC连线侧图像数据中M和N点的横坐标xM、xN：
Figure FDA0003609055660000033
获取AC连线侧图像数据中三角锥A、B的检测框的左上角的横坐标
Figure FDA0003609055660000034
三角锥C、D的检测框的右下角的横坐标
Figure FDA0003609055660000035
确定AC连线侧图像数据中M和N点在AC连线和BD连线上的位置比例K1和K2：
Figure FDA0003609055660000036
7.根据权利要求6所示的一种变电站现场作业的越界违章监测方法，其特征在于，所述计算AB连线侧图像数据中M、N点的坐标包括：
获取AB连线侧图像数据中三角锥A、C的检测框的左上角的纵坐标
Figure FDA0003609055660000037
三角锥A、C的检测框的右下角的纵坐标
Figure FDA0003609055660000038
确定三角锥E的检测框的高度hE：
Figure FDA0003609055660000039
Figure FDA00036090556600000310
获取AB连线侧图像数据中三角锥B、D的检测框的左上角的纵坐标
Figure FDA00036090556600000311
三角锥B、D的检测框的右下角的纵坐标
Figure FDA00036090556600000312
确定三角锥F的检测框的高度hF：
Figure FDA0003609055660000041
Figure FDA0003609055660000042
确定AB连线侧图像数据中M点在AC连线上的位置比例KM：
Figure FDA0003609055660000043
确定AB连线侧图像数据中N点在BD连线上的位置比例KN：
Figure FDA0003609055660000044
获取AB连线侧图像数据中三角锥A、C的检测框的右下角的横坐标
Figure FDA0003609055660000045
确定AB连线侧图像数据中M点的坐标(xM,yM)：
Figure FDA0003609055660000046
Figure FDA0003609055660000047
获取AB连线侧图像数据中三角锥B、D的检测框的左上角的横坐标
Figure FDA0003609055660000048
确定AB连线侧图像数据中N点的坐标(xN,yN)：
Figure FDA0003609055660000049
Figure FDA00036090556600000410
8.根据权利要求7所示的一种变电站现场作业的越界违章监测方法，其特征在于，所述计算AB连线侧图像数据中H点的坐标包括：
获取AB连线侧图像数据中作业人员p的检测框的左上角和右下角横坐标
Figure FDA00036090556600000411
作业人员p的检测框的右下角纵坐标
Figure FDA00036090556600000412
确定AB连线侧图像数据中H点的横坐标xH：
Figure FDA0003609055660000051
获取AB连线侧图像数据中M、N点的横坐标xM、xN，确定AB连线侧图像数据中H点在MN连线上的位置比例KH：
Figure FDA0003609055660000052
获取AB连线侧图像数据中M、N点的纵坐标yM、yN，确定AB连线侧图像数据中H点的坐标(xH,yH)：
Figure FDA0003609055660000053
9.根据权利要求8所示的一种变电站现场作业的越界违章监测方法，其特征在于，所述AB连线侧图像数据中作业人员p的检测框左下角在地面的投影点坐标为
Figure FDA0003609055660000054
右下角在地面的投影点坐标为
Figure FDA0003609055660000055
10.根据权利要求9所示的一种变电站现场作业的越界违章监测方法，其特征在于，所述根据真实高度和检测框以及作业人员的检测框进行高程越界监测包括：
AB连线侧图像数据中以安全帽检测框的中心点坐标作为参考点，获取参考点在地面的投影点；
根据AB连线侧图像数据中参考点和参考点在地面的投影点的纵坐标获取参考点到参考点在地面的投影点的距离，记为hQ；
结合安全帽的真实高度HR，确定AB连线侧图像数据与真实数据的比例系数K：
Figure FDA0003609055660000056
获取AB连线侧图像数据中作业人员p的检测框顶部中点纵坐标
Figure FDA0003609055660000057
AB连线侧图像数据中H点纵坐标yH，确定作业人员p的检测框的顶部中点到地面的距离hp：
Figure FDA0003609055660000061
结合AB连线侧图像数据与真实数据的比例系数K，确定作业人员p的检测框的顶部中点到地面的真实高度Hp：
Figure FDA0003609055660000062
若真实高度Hp大于等于预设的越界高度，则所述工作人员高程越界；若真实高度Hp小于预设的越界高度，则所述工作人员未高程越界。
CN202210424211.2A 2022-04-22 2022-04-22 一种变电站现场作业的越界违章监测方法 Pending CN114764900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210424211.2A CN114764900A (zh) 2022-04-22 2022-04-22 一种变电站现场作业的越界违章监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210424211.2A CN114764900A (zh) 2022-04-22 2022-04-22 一种变电站现场作业的越界违章监测方法

Publications (1)

Publication Number Publication Date
CN114764900A true CN114764900A (zh) 2022-07-19

Family

ID=82364658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210424211.2A Pending CN114764900A (zh) 2022-04-22 2022-04-22 一种变电站现场作业的越界违章监测方法

Country Status (1)

Country Link
CN (1) CN114764900A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115761573A (zh) * 2022-10-26 2023-03-07 燕山大学 港口危险区域入侵检测方法
CN116052223A (zh) * 2023-04-03 2023-05-02 浪潮通用软件有限公司 基于机器视觉识别作业区域人的方法、系统、设备及介质
CN116804765A (zh) * 2023-08-25 2023-09-26 兰笺(苏州)科技有限公司 一种室内空间实测实量指标自动化测定方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257556A (zh) * 2020-10-20 2021-01-22 国网吉林省电力有限公司电力科学研究院 一种基于多边形内外点判断的电力作业安全区域界定方法
CN112818768A (zh) * 2021-01-19 2021-05-18 南京邮电大学 一种基于元学习的变电站改扩建违章行为智能化识别方法
CN112991675A (zh) * 2020-12-10 2021-06-18 国网浙江省电力有限公司杭州供电公司 电力检修现场作业范围监护系统及监护方法
CN113111771A (zh) * 2021-04-12 2021-07-13 济南奔腾时代电力科技有限公司 一种发电厂工作人员不安全行为的识别方法
CN113152985A (zh) * 2021-04-29 2021-07-23 南京邮电大学 面向变电站改扩建施工的超宽带虚拟电子围栏监控方法
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
CN113763203A (zh) * 2021-08-10 2021-12-07 国网湖北省电力有限公司检修公司 变电站智慧安监系统及现场作业安全管控方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112257556A (zh) * 2020-10-20 2021-01-22 国网吉林省电力有限公司电力科学研究院 一种基于多边形内外点判断的电力作业安全区域界定方法
CN112991675A (zh) * 2020-12-10 2021-06-18 国网浙江省电力有限公司杭州供电公司 电力检修现场作业范围监护系统及监护方法
CN112818768A (zh) * 2021-01-19 2021-05-18 南京邮电大学 一种基于元学习的变电站改扩建违章行为智能化识别方法
CN113111771A (zh) * 2021-04-12 2021-07-13 济南奔腾时代电力科技有限公司 一种发电厂工作人员不安全行为的识别方法
CN113152985A (zh) * 2021-04-29 2021-07-23 南京邮电大学 面向变电站改扩建施工的超宽带虚拟电子围栏监控方法
CN113763203A (zh) * 2021-08-10 2021-12-07 国网湖北省电力有限公司检修公司 变电站智慧安监系统及现场作业安全管控方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115761573A (zh) * 2022-10-26 2023-03-07 燕山大学 港口危险区域入侵检测方法
CN116052223A (zh) * 2023-04-03 2023-05-02 浪潮通用软件有限公司 基于机器视觉识别作业区域人的方法、系统、设备及介质
CN116052223B (zh) * 2023-04-03 2023-06-30 浪潮通用软件有限公司 基于机器视觉识别作业区域人的方法、系统、设备及介质
CN116804765A (zh) * 2023-08-25 2023-09-26 兰笺(苏州)科技有限公司 一种室内空间实测实量指标自动化测定方法及装置
CN116804765B (zh) * 2023-08-25 2023-11-14 兰笺(苏州)科技有限公司 一种室内空间实测实量指标自动化测定方法及装置

Similar Documents

Publication Publication Date Title
CN114764900A (zh) 一种变电站现场作业的越界违章监测方法
CN112818768B (zh) 一种基于元学习的变电站改扩建违章行为智能化识别方法
CN112633535B (zh) 一种基于无人机图像的光伏电站智能巡检方法及系统
US9536313B2 (en) Method and apparatus for direct detection, location, analysis, identification, and reporting of vegetation clearance violations
CN112101088B (zh) 一种无人机电力自动巡检方法、装置及系统
CN106657882A (zh) 基于无人机的输变电系统实时监控方法
CN106504362A (zh) 基于无人机的输变电系统巡检方法
CN111931565A (zh) 一种基于光伏电站uav的自主巡检与热斑识别方法及系统
CN107977018A (zh) 基于双目立体视觉和无人机的秸秆焚烧监测方法
CN102435174A (zh) 基于混合式双目视觉的障碍物检测方法及装置
CN107967685A (zh) 一种基于无人机遥感的桥梁墩塔裂缝无损定量检测方法
CN102496232A (zh) 一种输电设施监控方法及系统
CN110703760B (zh) 一种用于安防巡检机器人的新增可疑物体检测方法
CN115100423B (zh) 一种基于视图采集数据实现实时定位系统及方法
CN115909092A (zh) 轻量化输电通道隐患测距方法及隐患预警装置
CN117953016B (zh) 一种泄洪建筑物出口区边坡危岩监测方法及系统
CN115798265A (zh) 一种基于数字孪生技术的数字塔台构建方法及其实现系统
CN117173791A (zh) 一种基于动作识别的配网施工人员违规检测方法及系统
CN103000067A (zh) 直角转弯检测系统及其检测方法
CN115880231A (zh) 一种基于深度学习的输电线路隐患检测方法和系统
CN207155816U (zh) 一种基于智能发电站的机器人巡检系统
CN117726991A (zh) 一种高空吊篮安全带检测方法及终端
CN116243725A (zh) 基于视觉导航的变电站无人机巡检方法及系统
CN116647032A (zh) 一种目标施工车辆的输电线路实时防护系统和方法
CN115578455A (zh) 混凝土结构室内预留洞口的定位方法

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