CN115223078A - 一种基于高位监控的电力行为识别预警方法、系统及设备 - Google Patents

Abstract

本申请提供了一种基于高位监控的电力行为识别预警方法、系统及设备，本申请通过同时获取多个待识别的高位监控视频流及其所属监控区域；根据监控区域分别确定各高位监控视频流的监控行为类别及与监控行为类别对应的目标电力行为识别神经网络模型；对多个高位监控视频流分别进行预处理得到与其对应的各视频图像集；将各视频图像集分别输入到对应的目标电力行为识别神经网络模型中得到各识别结果；对各识别结果通过低通滤波器进行滤波处理，以剔除异常识别结果；根据过滤后的识别结果生成对应的预警信息；将预警信息发送给目标终端。本申请能够满足同时识别不同的电力行为，并根据识别结果进行预警，不仅提高了巡检效率，且降低了危险系数。

Description

一种基于高位监控的电力行为识别预警方法、系统及设备

技术领域

本申请涉及电力巡检技术领域，尤其涉及一种基于高位监控的电力行为识别预警方法、系统及设备。

背景技术

电力部门的安全运行属于公共安全范畴，特别是沿海城市台风较多，导致未及时发现问题，一旦出现安全问题，其后果十分严重，破坏性更大，会造成巨大的生命、财产和环境损失。对电力日常进行安全监督管理是各级电力部门最重要的工作之一。

目前依托传统人力巡查或排查问题，不仅安全风险大，而且巡检不全面，人力成本高，工作效率有限，往往发现问题滞后，导致事故的发生和财产的损失。且大多数电力工程少人或无人值守，且地处偏僻，电力设施破坏现象比较严重。需要防止未授权人员进入，并对非法入侵的人员、车辆、施工器械等进行监视、报警和阻吓，同时形成完整的记录进行事后追溯。因此亟需依托科技手段，提高工作效率，实现降本增效，为电力部门提高生产效能及管理效率。

现有技术中虽然也采用了一些智能手段进行自动监控，但是监控区域有限，每次只能针对一种电力行为进行检测，不能够满足大面积、长距离的电力巡查。

因此本申请提供了一种基于高位监控的电力行为识别预警方法、系统及设备，在现有人员规模情况下，合理利用智能化巡检，减少人力投入、提高运维效率。

发明内容

本申请实施例的目的在于提供一种基于高位监控的电力行为识别预警方法、系统及设备，以解决人工巡检不仅安全风险大，而且巡检不全面，人力成本高，工作效率有限、监控区域有限，每次只能针对一种电力行为进行检测，不能够满足大面积、长距离的电力巡查的问题。具体技术方案如下：

第一方面，提供了一种基于高位监控的电力行为识别预警方法，所述方法包括：

同时获取多个待识别的高位监控视频流及其所属监控区域；其中所述监控区域包括电力巡线区域、电线杆密集区域、鱼塘/河道区域、候鸟区域、农田密集区域和森林区域；

根据所述监控区域分别确定各高位监控视频流的监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型；其中，所述监控行为类别包括外破行为类别、电线漂浮物行为类别、人员入侵行为类别、人员捕捉候鸟行为类别、焚烧秸秆/垃圾行为类别、森林着火行为类别，对应的，所述目标电力行为识别神经网络模型包括外破识别神经网络模型、电线漂浮物识别神经网络模型、人员入侵识别神经网络模型、捕捉候鸟识别神经网络模型、焚烧秸秆/垃圾识别神经网络模型、森林着火识别神经网络模型；

对所述多个高位监控视频流分别进行预处理得到与其对应的各视频图像集；

将所述各视频图像集分别输入到对应的目标电力行为识别神经网络模型中得到各识别结果；对所述各识别结果通过低通滤波器进行滤波处理，以剔除异常识别结果；

根据过滤后的所述识别结果调用对应的预警信息；

将所述预警信息发送给目标终端。

可选地，所述同时获取多个待识别的高位监控视频流及其所属监控区域包括：

同时获取多个监控设备发送的待识别的视频数据包；

解析所述视频数据包得到各监控设备采集的高位监控视频流及监控设备的位置信息；

根据所述位置信息及预设的位置与区域对应关系确定所述监控设备的监控区域。

可选地，所述根据所述监控区域确定监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型包括：

若所述监控区域为电力巡线区域，则确定监控行为类别为外破行为类别，确定目标电力行为识别神经网络模型为外破识别神经网络模型；

若所述监控区域为电线杆密集区域，则确定监控行为类别为电线漂浮物行为类别，确定目标电力行为识别神经网络模型为电线漂浮物识别神经网络模型；

若所述监控区域为鱼塘/河道区域，则确定监控行为类别为人员入侵行为类别，确定目标电力行为识别神经网络模型为人员入侵识别神经网络模型；

若所述监控区域为候鸟区域，则确定监控行为类别为人员捕捉候鸟行为类别，确定目标电力行为识别神经网络模型为捕捉候鸟识别神经网络模型；

若所述监控区域为农田密集区域，则确定监控行为类别为焚烧秸秆/垃圾行为类别，确定目标电力行为识别神经网络模型为焚烧秸秆/垃圾识别神经网络模型；

若所述监控区域为森林区域，则确定监控行为类别为森林着火行为类别，确定目标电力行为识别神经网络模型为森林着火识别神经网络模型。

可选地，所述焚烧秸秆/垃圾识别神经网络模型和森林着火识别神经网络模型均采用tiny Darknet网络，所述外破识别神经网络模型、电线漂浮物识别神经网络模型、人员入侵识别神经网络模型均采用tiny Yolov3网络。

可选地，所述捕捉候鸟识别神经网络模型包括tiny Yolov3网络、tiny Darknet网络和融合层：

所述tiny Yolov3网络用于对视频图像进行人员目标检测；

所述tiny Darknet网络用于对视频图像进行捕鸟动作识别；

所述融合层用于融合所述人员目标检测结果和捕鸟动作识别结果，以输出最终识别结果。

可选地，所述对所述高位监控视频流进行预处理得到视频图像集包括：

以预设时间间隔对所述高位监控视频流进行切分得到多个视频片段；

在每个视频片段中随机提取预设数量的视频图像；

对所述视频图像进行图像增强处理得到视频图像集。

可选地，所述根据过滤后的所述识别结果生成对应的预警信息包括：

根据过滤后的识别结果查找与该识别结果对应的监控设备的位置信息；

根据所述过滤后的识别结果及所述位置信息生成初步预警信息；所述初步预警信息包括发生的事件名称、地点、事件详细；

根据所述初步预警信息生成语音预警信息和文字预警信息；

对应地，所述将所述预警信息发送给目标终端包括：

将所述语音预警信息发送给安装在监控区域内的音频终端，将所述文字预警信息发送至工作人员的移动终端中。

第二方面，本申请提供一种基于高位监控的电力行为识别预警系统，所述系统包括：

获取单元，用于同时获取多个待识别的高位监控视频流及其所属监控区域；

确定单元，用于根据所述监控区域分别确定各高位监控视频流的监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型；

预处理单元，用于对所述多个高位监控视频流分别进行预处理得到与其对应的各视频图像集；识别单元，用于将所述各视频图像集分别输入到对应的目标电力行为识别神经网络模型中得到各识别结果；

过滤单元，用于对所述各识别结果通过低通滤波器进行滤波处理，以剔除异常识别结果；生成单元，用于根据所述识别结果调用对应的预警信息；

发送单元，用于将所述预警信息发送给目标终端。

第三方面，本申请提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的方法步骤。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。

第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的基于高位监控的电力行为识别预警方法。

本申请实施例有益效果：

本申请实施例提供了一种基于高位监控的电力行为识别预警方法、系统及设备，本申请通过同时获取多个待识别的高位监控视频流及其所属监控区域；根据监控区域分别确定各高位监控视频流的监控行为类别及与监控行为类别对应的目标电力行为识别神经网络模型；对多个高位监控视频流分别进行预处理得到与其对应的各视频图像集；将各视频图像集分别输入到对应的目标电力行为识别神经网络模型中得到各识别结果；对各识别结果通过低通滤波器进行滤波处理，以剔除异常识别结果；根据过滤后的识别结果生成对应的预警信息；将预警信息发送给目标终端。本申请通过不同的目标电力行为识别神经网络模型能够同时对多种电力行为进行识别，满足大范围、长距离、多任务的监控巡查工作，并根据识别结果进行双重预警，不仅提高了巡检效率，降低了危险系数，且减少了人力投入。

当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于高位监控的电力行为识别预警方法的流程图；

图2为本申请实施例提供的一种基于高位监控的电力行为识别预警系统的结构示意图；

图3为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例提供了一种基于高位监控的电力行为识别预警方法，下面将结合具体实施方式，对本申请实施例提供的一种基于高位监控的电力行为识别预警方法进行详细的说明，如图1所示，具体步骤如下：

步骤S101：同时获取多个待识别的高位监控视频流及其所属监控区域。

其中所述监控区域包括电力巡线区域、电线杆密集区域、鱼塘/河道区域、候鸟区域、农田密集区域和森林区域。

在该步骤中，高位监控视频流通过安装在通信铁塔上的监控设备来采集，该监控设备安装在离地面40米以上的位置，这样采集的视频流全方位、多视角、无盲区。

在高位监控视频流上传时，将视频流和监控设备所在位置信息共同打包发送，根据监控设备所在位置信息即可确定高位监控视频流所述监控区域。其中，监控区域包括电力巡线区域、电线杆密集区域、鱼塘/河道区域、候鸟区域、农田密集区域和森林区域。不同的监控区域监控的电力行为不同。

可选地，所述同时获取多个待识别的高位监控视频流及其所属监控区域包括：

同时获取多个监控设备发送的待识别的视频数据包；

解析所述视频数据包得到各监控设备采集的高位监控视频流及监控设备的位置信息；

根据所述位置信息及预设的位置与区域对应关系确定所述监控设备的监控区域。

步骤S102：根据所述监控区域分别确定各高位监控视频流的监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型。

其中，所述监控行为类别包括外破行为类别、电线漂浮物行为类别、人员入侵行为类别、人员捕捉候鸟行为类别、焚烧秸秆/垃圾行为类别、森林着火行为类别，对应的，所述目标电力行为识别神经网络模型包括外破识别神经网络模型、电线漂浮物识别神经网络模型、人员入侵识别神经网络模型、捕捉候鸟识别神经网络模型、焚烧秸秆/垃圾识别神经网络模型、森林着火识别神经网络模型。

可选地，所述根据所述监控区域确定监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型包括：

若所述监控区域为电力巡线区域，则确定监控行为类别为外破行为类别，确定目标电力行为识别神经网络模型为外破识别神经网络模型；

其中，外破行为是指针对挖掘机、吊车等大型机械，违规进入电力部门线路保护区域的违法行为。

若所述监控区域为电线杆密集区域，则确定监控行为类别为电线漂浮物行为类别，确定目标电力行为识别神经网络模型为电线漂浮物识别神经网络模型；

电线漂浮物行为识别是指针对电力部门电线杆之间电线漂浮杂物的检测。往往在大风天气，会有风筝、大棚等漂浮物挂在电线上，发现不及时，及其容易造成危险事件。

若所述监控区域为鱼塘/河道区域，则确定监控行为类别为人员入侵行为类别，确定目标电力行为识别神经网络模型为人员入侵识别神经网络模型；

人员入侵行为是指针对人员非法进入鱼塘、河边等地方的违法行为。

若所述监控区域为候鸟区域，则确定监控行为类别为人员捕捉候鸟行为类别，确定目标电力行为识别神经网络模型为捕捉候鸟识别神经网络模型；

若所述监控区域为农田密集区域，则确定监控行为类别为焚烧秸秆/垃圾行为类别，确定目标电力行为识别神经网络模型为焚烧秸秆/垃圾识别神经网络模型；

若所述监控区域为森林区域，则确定监控行为类别为森林着火行为类别，确定目标电力行为识别神经网络模型为森林着火识别神经网络模型。

可选地，所述焚烧秸秆/垃圾识别神经网络模型和森林着火识别神经网络模型均采用tiny Darknet网络，主要用于对着火场景进行识别。所述外破识别神经网络模型、电线漂浮物识别神经网络模型、人员入侵识别神经网络模型均采用tiny Yolov3网络，主要用于对是视频图像中的车辆、人员、漂浮物等目标进行目标识别检测。

可选地，所述捕捉候鸟识别神经网络模型包括tiny Yolov3网络、tiny Darknet网络和融合层：

所述tiny Yolov3网络用于对视频图像进行人员目标检测；

所述tiny Darknet网络用于对视频图像进行捕鸟动作识别；

所述融合层用于融合所述人员目标检测结果和捕鸟动作识别结果，以输出最终识别结果。

其中，tiny Yolov3网络和tiny Darknet网络共用一个特征提取网络。

步骤S103：对所述多个高位监控视频流分别进行预处理得到与其对应的各视频图像集。

在本申请实施例中，所述对所述高位监控视频流进行预处理得到视频图像集包括：

以预设时间间隔对所述高位监控视频流进行切分得到多个视频片段；例如预设时间间隔为15秒。

在每个视频片段中随机提取预设数量的视频图像；例如每个视频片段提取20张视频图像。

对所述视频图像进行图像增强处理得到视频图像集。例如采用滤波器进行降噪处理。

步骤S104：将所述各视频图像集分别输入到对应的目标电力行为识别神经网络模型中得到各识别结果。

步骤S105：对所述各识别结果通过低通滤波器进行滤波处理，以剔除异常识别结果，提高识别结果的准确率。

步骤S106：根据过滤后的所述识别结果生成对应的预警信息。

步骤S107：将所述预警信息发送给目标终端。

可选地，所述根据过滤后的所述识别结果生成对应的预警信息包括：

根据过滤后的识别结果查找与该识别结果对应的监控设备的位置信息；

根据所述过滤后的识别结果及所述位置信息生成初步预警信息；所述初步预警信息包括发生的事件名称、地点、事件详细；

根据所述初步预警信息生成语音预警信息和文字预警信息；

对应地，所述将所述预警信息发送给目标终端包括：

将所述语音预警信息发送给安装在监控区域内的音频终端，将所述文字预警信息发送至工作人员的移动终端中。

其中，音频终端例如采用喇叭，通过数字音频技术将预警信息通过语音的形式进行播报，对违法行为起到震慑作用。

在一个示例中，可以通过微信小程序等将预警信息发送至工作人员的移动终端中，做到及时抵达前端现场，作出现场执法，使违法行为降低到最低。

第二方面，基于相同的技术构思，本申请提供一种基于高位监控的电力行为识别预警系统，如图2所示，所述系统包括：

获取单元201，用于同时获取多个待识别的高位监控视频流及其所属监控区域；

确定单元202，用于根据所述监控区域分别确定各高位监控视频流的监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型；

预处理单元203，用于对所述多个高位监控视频流分别进行预处理得到与其对应的各视频图像集；

识别单元204，用于将所述各视频图像集分别输入到对应的目标电力行为识别神经网络模型中得到各识别结果；

过滤单元205，用于对所述各识别结果通过低通滤波器进行滤波处理，以剔除异常识别结果；生成单元206，用于根据所述识别结果调用对应的预警信息；

发送单元207，用于将所述预警信息发送给目标终端。

基于相同的技术构思，本发明实施例还提供了一种电子设备，如图3所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信，存储器303，用于存放计算机程序；

处理器301，用于执行存储器303上所存放的程序时，实现基于高位监控的电力行为识别预警方法的步骤。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一基于高位监控的电力行为识别预警方法的步骤。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于高位监控的电力行为识别预警方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于高位监控的电力行为识别预警方法，其特征在于，所述方法包括：

同时获取多个待识别的高位监控视频流及其所属监控区域；其中所述监控区域包括电力巡线区域、电线杆密集区域、鱼塘/河道区域、候鸟区域、农田密集区域和森林区域；

根据所述监控区域分别确定各高位监控视频流的监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型；其中，所述监控行为类别包括外破行为类别、电线漂浮物行为类别、人员入侵行为类别、人员捕捉候鸟行为类别、焚烧秸秆/垃圾行为类别、森林着火行为类别，对应的，所述目标电力行为识别神经网络模型包括外破识别神经网络模型、电线漂浮物识别神经网络模型、人员入侵识别神经网络模型、捕捉候鸟识别神经网络模型、焚烧秸秆/垃圾识别神经网络模型、森林着火识别神经网络模型；

对所述多个高位监控视频流分别进行预处理得到与其对应的各视频图像集；

将所述各视频图像集分别输入到对应的目标电力行为识别神经网络模型中得到各识别结果；

对所述各识别结果通过低通滤波器进行滤波处理，以剔除异常识别结果；

根据过滤后的所述识别结果生成对应的预警信息；

将所述预警信息发送给目标终端。

2.根据权利要求1所述的基于高位监控的电力行为识别预警方法，其特征在于，所述同时获取多个待识别的高位监控视频流及其所属监控区域包括：

同时获取多个监控设备发送的待识别的视频数据包；

解析所述视频数据包得到各监控设备采集的高位监控视频流及监控设备的位置信息；

根据所述位置信息及预设的位置与区域对应关系确定所述监控设备的监控区域。

3.根据权利要求1所述的基于高位监控的电力行为识别预警方法，其特征在于，所述根据所述监控区域确定监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型包括：

若所述监控区域为电力巡线区域，则确定监控行为类别为外破行为类别，确定目标电力行为识别神经网络模型为外破识别神经网络模型；

若所述监控区域为电线杆密集区域，则确定监控行为类别为电线漂浮物行为类别，确定目标电力行为识别神经网络模型为电线漂浮物识别神经网络模型；

若所述监控区域为鱼塘/河道区域，则确定监控行为类别为人员入侵行为类别，确定目标电力行为识别神经网络模型为人员入侵识别神经网络模型；

若所述监控区域为候鸟区域，则确定监控行为类别为人员捕捉候鸟行为类别，确定目标电力行为识别神经网络模型为捕捉候鸟识别神经网络模型；

若所述监控区域为农田密集区域，则确定监控行为类别为焚烧秸秆/垃圾行为类别，确定目标电力行为识别神经网络模型为焚烧秸秆/垃圾识别神经网络模型；

若所述监控区域为森林区域，则确定监控行为类别为森林着火行为类别，确定目标电力行为识别神经网络模型为森林着火识别神经网络模型。

4.根据权利要求3所述的基于高位监控的电力行为识别预警方法，其特征在于，所述焚烧秸秆/垃圾识别神经网络模型和森林着火识别神经网络模型均采用tiny Darknet网络，所述外破识别神经网络模型、电线漂浮物识别神经网络模型、人员入侵识别神经网络模型均采用tiny Yolov3网络。

5.根据权利要求3所述的基于高位监控的电力行为识别预警方法，其特征在于，所述捕捉候鸟识别神经网络模型包括tiny Yolov3网络、tiny Darknet网络和融合层：

所述tiny Yolov3网络用于对视频图像进行人员目标检测；

所述tiny Darknet网络用于对视频图像进行捕鸟动作识别；

所述融合层用于融合所述人员目标检测结果和捕鸟动作识别结果，以输出最终识别结果。

6.根据权利要求1所述的基于高位监控的电力行为识别预警方法，其特征在于，所述对所述高位监控视频流进行预处理得到视频图像集包括：

以预设时间间隔对所述高位监控视频流进行切分得到多个视频片段；

在每个视频片段中随机提取预设数量的视频图像；

对所述视频图像进行图像增强处理得到视频图像集。

7.根据权利要求1所述的基于高位监控的电力行为识别预警方法，其特征在于，所述根据过滤后的所述识别结果生成对应的预警信息包括：

根据过滤后的识别结果查找与该识别结果对应的监控设备的位置信息；

根据所述过滤后的识别结果及所述位置信息生成初步预警信息；所述初步预警信息包括发生的事件名称、地点、事件详细；

根据所述初步预警信息生成语音预警信息和文字预警信息；

对应地，所述将所述预警信息发送给目标终端包括：

将所述语音预警信息发送给安装在监控区域内的音频终端，将所述文字预警信息发送至工作人员的移动终端中。

8.一种基于高位监控的电力行为识别预警系统，其特征在于，所述系统包括：

获取单元，用于同时获取多个待识别的高位监控视频流及其所属监控区域；

确定单元，用于根据所述监控区域分别确定各高位监控视频流的监控行为类别及与所述监控行为类别对应的目标电力行为识别神经网络模型；

预处理单元，用于对所述多个高位监控视频流分别进行预处理得到与其对应的各视频图像集；

识别单元，用于将所述各视频图像集分别输入到对应的目标电力行为识别神经网络模型中得到各识别结果；

过滤单元，用于对所述各识别结果通过低通滤波器进行滤波处理，以剔除异常识别结果；

生成单元，用于根据所述识别结果调用对应的预警信息；

发送单元，用于将所述预警信息发送给目标终端。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。

Images