CN115240365B - 一种融合多维信息的电力作业人员危险态势动态感知方法 - Google Patents

Abstract

本发明提供了一种融合多维信息的电力作业人员危险态势动态感知方法，该方法从三个维度对建立了针对电力作业人员在作业场内的作业安全预警体系：一是将UWB定位标签附在供电力作业人员穿戴的安全保护设备上，利用深度学习网络对作业场内的电力作业人员进行安全保护设备的穿戴作业识别；二是结合UWB定位技术及3D建模，实现作业人员与作业场中带电点的安全距离的监测判断；三是结合摄像技术和肢体语言识别技术，采用深度学习算法进行电力作业人员的行为状态识别；各个维度均可根据识别结果进行危险报警或态势感知预警，实现了对电力作业人员危险态势全面的动态感知预警，有效降低安全事故的发生概率，提高电力作业安全监管的全面性和可靠性。

Description

一种融合多维信息的电力作业人员危险态势动态感知方法

技术领域

本发明涉及作业安全监测的技术领域，尤其涉及一种融合多维信息的电力作业人员危险态势动态感知方法。

背景技术

目前，应用智能装备技术手段对电力作业人员进行现场安全作业监管，是电力生产企业实现生产现场安全的重要技术保障。引用现代科技辅助手段，对改善电力作业人员的安全生产状况起到了一定的效果，但由于目前的科技监测手段通常仅对电力作业人员是否正确穿戴安全保护装备(如是否佩戴安全帽等)进行监测判断，判断角度单一；当电力工作人员出现非未正确穿戴安全保护装备的其他危险行为(如摔倒、依附、与带电物超过安全距离等)时，无法进行监测预警，因而不能从整体上对电力作业人员进行全面的现场安全监测和危险预警。为此，亟待进行科技创新研发，解决目前电力作业人员现场作业安全预警体系不完善，不能有效的降低安全事故的发生概率的现状，提高电力作业人员现场作业安全监管的全面性和可靠性。

发明内容

针对上述现有技术存在的缺陷，本发明提供一种融合多维信息的电力作业人员危险态势动态感知方法，以实现对电力作业人员危险态势全面的动态感知预警。

所述融合多维信息的电力作业人员危险态势动态感知方法，包括以下步骤：

步骤S1：将UWB定位标签附在供电力作业人员穿戴的安全保护设备上；

步骤S2：利用深度学习网络对作业场内的电力作业人员进行安全保护设备的穿戴作业识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

步骤S3：通过摄像头获得作业场面的视频信息，并通过无线网络传送至监控服务器端，采用深度学习算法进行电力作业人员的行为状态识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

步骤S4：通过UWB定位标签获得电力作业人员的实时位置信息，对作业场进行1:1的3D建模，并将获得的电力作业人员的实时位置信息在3D模型中呈现，从而获得电力作业人员在作业场中的实时三维坐标；通过计算电力作业人员与作业场中带电点的距离，判断是否达到安全距离的阈值，若判断结果达到报警阈值，则进行危险报警；若判断结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

其中，所述步骤S2、步骤S3、步骤S4无先后顺序，且可同时进行。

作为本发明的一个实施例，所述融合多维信息的电力作业人员危险态势动态感知方法还包括：

步骤S5：对所述步骤S2、步骤S3、步骤S4感知的态势进行并联结构融合，得到融合多维信息的电力作业人员态势动态感知模型，实时感知电力作业人员的整体态势，并进行整体态势发展趋势预测，当预测值达到预警输出阈值时，进行预警输出。

作为本发明的一个实施例，在所述步骤S1中，所述安全保护设备包括安全帽、安全带、工作衣裤、手套和工作鞋。

作为本发明的一个实施例，在所述步骤S2中，所述深度学习网络是以YOLOv4网络为主干网络。

作为本发明的一个实施例，在所述步骤S2中，利用深度学习网络对作业场内的电力作业人员进行安全保护设备的穿戴作业识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警，具体包括：

步骤S21：

利用YOLOv4网络，实现对作业场内作业人员穿戴安全保护设备的正可信率p_y，i，和未穿戴安全保护设备的负可信率p_n，i；

其中，i取值1、2、3、4、5，分别对应安全保护设备中的安全帽、安全带、工作衣裤、手套和工作鞋；

步骤S22：

以0.7为界，当p_n，i≥0.7，则判定未穿戴安全保护设备，进行危险报警；

当p_n，i＜0.7，则对单个作业人员目标进行穿戴作业态势感知；

步骤S23：

所述对单个作业人员目标进行穿戴作业态势感知的方法为：

定义A_1，i为单个作业人员目标穿戴为i的正可信率参量，B_1，i为单个作业人员目标穿戴为i的质疑参量，C_1，i为单个作业人员目标穿戴为i的负可信率参量，则：

A_1，i＝p_y，i；

C_1，i＝p_n，i；

如果，p_y，i＜0.5且p_n，i＞0.5，则B_1，i＝p_y，i；

如果，p_y，i＞0.5且p_n，i＜0.5，则B_1，i＝-p_n，i；

如果，p_y，i＜0.5且p_n，i＜0.5，则B_1，i＝p_y，i-p_n，i；

单个电力作业人员目标穿戴作业态势U₁表示为：

U₁＝A₁k+B₁n+C₁m

其中，

，k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量；

单个作业人员目标穿戴作业的正向态势趋势

表示为：

I₁为正向质疑系数，I₁∈[0，1]；

单个作业人员目标穿戴作业的负向态势趋势

表示为：

J₁为负向质疑系数，J₁∈[-1，0]；

单个作业人员目标穿戴作业态势的整体发展趋势

表示为：

时，表明穿戴作业态势趋势向正方向发展，作业安全在增强；当

时，表明穿戴作业态势趋势向负方向发展，当

时，表明穿戴作业态势趋势维持不变；

步骤S24：

当

的持续时间大于时间阈值T1时，则进行穿戴作业态势预警。

作为本发明的一个实施例，在所述步骤S3中，通过摄像头获得作业场面的视频信息，并通过无线网络传送至监控服务器端，采用深度学习算法进行电力作业人员的行为状态识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警，具体包括：

步骤S31：

通过摄像头获得作业场面的视频信息，并通过无线网络传送至监控服务器端，通过肢体语言识别系统OpenPose提取电力作业人员的骨架信息，再采用深度神经网络对骨架信息进行行为状态识别，输出各种行为状态的可信度p_2，c；

其中，c取值1、2、3、4、5、6，分别对应行为状态中的站立、正常下蹲、吸烟、打电话、摔倒和依附禁止；

步骤S32：

以0.7为界，当p_2，c≥0.7，c取值3、4、5、6，则判定发生禁止事件，进行危险报警；

当p_2，c＜0.7，c取值3、4、5、6，则对单个作业人员目标进行行为状态态势感知；

步骤S33：

所述对单个作业人员目标进行行为状态态势感知的方法为：

针对单个作业人员，同一时间仅存在一个行为状态，定义A₂为正常行为可信率参量，B₂为质疑行为参量，C₂为异常行为可信率参量，令：

A₂＝(p_2，1+p_2，2)/2

C₂＝(p_2，3+p_2，4+p_2，5+p_2，6)/4

质疑行为参量B₂针对单个作业人员目标在遮挡或摄像头角度不佳等情况下产生对其行为状态无法识别的情况，定义为

单个作业人员目标行为状态态势U₂表示为：

U₂＝A₂k+B₂n+C₂m

其中，k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量：

单个作业人员目标行为状态的正向态势趋势

表示为：

I₂为正向质疑系数，I₂∈[0，1]；

单个作业人员目标行为状态的负向态势趋势

表示为：

J₂为负向质疑系数，J₂∈[-1，0]；

单个作业人员目标行为状态态势的整体发展趋势

表示为：

时，表明行为状态态势趋势向正方向发展，行为状态安全在增强；当

时，表明行为状态态势趋势向负方向发展，当

时，表明行为状态态势趋势维持不变；

步骤S34：

当

的持续时间大于时间阈值T2时，则进行行为状态态势预警。

作为本发明的一个实施例，在所述步骤S4中，通过UWB定位标签获得电力作业人员的实时位置信息，对作业场进行1：1的3D建模，并将获得的电力作业人员的实时位置信息在3D模型中呈现，从而获得电力作业人员在作业场中的实时三维坐标；通过计算电力作业人员与作业场中带电点的距离，判断是否达到安全距离的阈值，若判断结果达到报警阈值，则进行危险报警；若判断结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警，具体包括：

步骤S41：

通过UWB定位标签获得电力作业人员的实时位置信息，对作业场进行1：1的3D建模，并将获得的电力作业人员的实时位置信息在3D模型中呈现，获得电力作业人员在作业场中的实时三维坐标；

步骤S42：

确定作业场中的带电点，分别计算作业人员与带电点的真实距离l_h；

其中，h表示各个带电点，h取值为1～x；

步骤S43：

对电力作业人员与带电点的真实距离l_h进行判定；在诸如变电站等作业场中，对定位电磁波遮挡严重，造成多径效应，实时位置信息波动较大，对于波动较大的l_h需进判定，判定方法为：

将l_h分为正确的位置信息d′_h与错误位置信息f_h两类，采用下面的公式进行分类：

l_h＞T_d时，则判定为错误的位置信息f_h；

l_h≤T_d时，则判定为正确的位置信息d′_h；

其中：T_d＝E_d+2σ_d，式中E_d与σ_d分别为l_h在10秒内的期望与方差；

步骤S44：

根据不同电压的作业保持的最小间距T_m，选择正确的位置信息d′_h，计算作业人员的安全作业距离d″_h：

d″_h＝d′_h-T_m；

步骤S45：

对作业人员的安全作业距离d″_h进行归一化处理，得到归一化安全距离d_h：

归一化安全距离最小值为d_mmin＝min(d₁，d₂，d₃，d₄，...，d_x)，min表述取最小值；

归一化安全距离最大值为d_ma＝max(d₁，d₂，d₃，d₄，...，d_x)，max表述取最大值；

归一化安全距离均值为

，mean表述取均值；

步骤S46：

若d_mmin＜0，则进行危险报警；若d_mmin≥0，则对单个作业人员目标进行安全距离态势感知与预测；

步骤S47：

所述若d_min≥0，则对单个作业人员目标进行安全距离态势感知与预测的方法为：

针对单个作业人员与带电点的安全距离，定义A₃为可信度参量，B₃为质疑参量，C₃为危险可信率参量，其中，

式中，n_f为前10秒错误位置信息f_i的个数，n_l为前10秒总共位置信息的个数；

单个作业人员目标安全距离态势U₃表示为：

U₃＝A₃k+B₃n+C₃m

其中，k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量：

单个作业人员目标安全距离的正向态势趋势

表示为：

I₃为正向质疑系数，I₃∈[0，1]；

单个作业人员目标安全距离的负向态势趋

表示为：

J₃为负向质疑系数，J₃∈[-1，0]；

单个作业人员目标安全距离态势的整体发展趋势

表示为：

时，表明安全距离态势趋势向正方向发展，距离安全在增强；当

时，表明安全距离态势趋势向负方向发展，当

时，表明安全距离态势趋势维持不变；

步骤S48：

当

的持续时间大于时间阈值T3时，则进行安全距离态势预警。

作为本发明的一个实施例，在所述步骤S5中，对所述步骤S2、步骤S3、步骤S4获得的感知态势进行并联结构融合，得到融合多维信息的电力作业人员态势动态感知模型，实时感知电力作业人员的整体态势，并进行态势发展趋势预测，当预测值达到预警输出阈值时，进行预警输出，具体包括：

步骤S51，单个作业人员目标整体作业态势U表示为：

U＝Ak+Bn+Cm

其中，

其中，l取值为1、2、3，且分别对应穿戴作业、行为状态、安全距离分量，α₁、α₂、α₃为融合过程中穿戴作业、行为状态、安全距离的权重。

单个作业人员目标整体作业态势的整体发展趋势

表示为：

I为正向质疑系数，I∈[0，1]；J为负向质疑系数，J∈[-1，0]；

时，表明整体作业态势趋势向正方向发展，作业安全在增强；当

时，表明整体作业态势趋势向负方向发展；当

时，表明整体作业态势趋势维持不变；

步骤S52，当

的持续时间大于时间阈值T_t，则进行作业态势预警。

与现有技术相比，本发明的有益效果体现在：

本发明的融合多维信息的电力作业人员危险态势动态感知方法，融合了电力作业人员在工作场内的安全保护设备穿戴作业的监测预警、行为状态的监测预警，以及与工作场内带电点安全距离的监测预警，从三个维度建立了针对电力作业人员在作业场内的作业安全预警体系，实现了对电力作业人员危险态势全面的动态感知预警，防患危险事件于未然，可有效降低安全事故的发生概率，提高电力作业人员现场作业安全监管的全面性和可靠性。

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，下面描述中的附图仅仅是本申请的一些实施例，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为本发明提供的融合多维信息的电力作业人员危险态势动态感知方法的流程示意图。

图2为本发明所述方法中穿戴作业识别结果示例一效果图。

图3为本发明所述方法中穿戴作业识别结果示例二效果图。

图4为本发明所述方法中穿戴作业识别结果示例三效果图。

图5为本发明所述方法中穿戴作业识别结果示例四效果图。

图6为本发明所述方法中行为状态识别结果为正常下蹲的效果图。

图7为本发明所述方法中行为状态识别结果为摔倒的效果图。

图8为本发明所述方法中行为状态识别结果为站立的效果图。

图9为本发明所述方法中行为状态识别结果为站立和下蹲的效果图。

图10为本发明所述方法中UWB定位后在3D模型中的呈现效果图。

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作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融合多维信息的电力作业人员危险态势动态感知方法，用于对电力作业人员危险态势进行全面的动态感知预警，提高电力作业人员现场作业安全监管的全面性和可靠性。

参阅图1，为本发明提供的融合多维信息的电力作业人员危险态势动态感知方法的流程示意图。该融合多维信息的电力作业人员危险态势动态感知方法包括以下步骤：

步骤S1，将UWB定位标签附在供电力作业人员穿戴的安全保护设备上，安全保护设备包括安全帽、安全带、工作衣裤、手套和工作鞋；

步骤S2，利用深度学习网络对作业场内的电力作业人员进行安全保护设备的穿戴作业识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

步骤S3，通过摄像头获得作业场面的视频信息，并通过无线网络传送至监控服务器端，采用深度学习算法进行电力作业人员的行为状态识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

步骤S4，通过UWB定位标签获得电力作业人员的实时位置信息，对作业场进行1:1的3D建模，并将获得的电力作业人员的实时位置信息在3D模型中呈现，从而获得电力作业人员在作业场中的实时三维坐标；通过计算电力作业人员与作业场中带电点的距离，判断是否达到安全距离的阈值，若判断结果达到报警阈值，则进行危险报警；若判断结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

其中，步骤S2、步骤S3、步骤S4无先后顺序，为同时进行。

本融合多维信息的电力作业人员危险态势动态感知方法，面向广大电力作业现场，如变电站、电气实验室等，充分利用UWB定位技术和深度学习网络，实现针对电力作业人员在工作场内的安全保护设备穿戴作业、行为状态以及与工作场内带电点安全距离这三个维度实施全面的实时监测和危险报警、预警，实现了对电力作业人员危险态势全面的动态感知预警，防患危险事件于未然，可有效降低安全事故的发生概率，提高电力作业人员现场作业安全监管的全面性和可靠性。

步骤S1针对后续要进行的感知算法提供了硬件基础，步骤S2目的是利用深度学习网络对作业场内的电力作业人员进行安全保护设备的穿戴作业识别，并根据识别结果进行危险报警或态势感知预警。图2-图5示出了步骤S2实现穿戴作业识别的四种结果示例。对步骤S2分四步实施：

步骤S21：

为了提高网络对弱小目标(安全帽、安全带、工作衣裤、手套、工作鞋)的检测能力，以YOLOv4网络为主干网络进行穿戴作业的识别；YOLOv4网络实现对作业场内作业人员穿戴安全帽、安全带、工作衣裤、手套、工作鞋的正可信率p_y，i，同时也实现未穿戴安全帽、安全带、工作衣裤、手套、工作鞋的负可信率p_n，i；

其中，i取值1、2、3、4、5，i＝1对应安全帽，i＝2对应安全带，i＝3对应工作衣裤，i＝4对应手套，i＝5对应工作鞋；

步骤S22：

该步骤实现单个作业人员安全保护设备(安全帽、安全带、工作衣裤、手套、工作鞋)穿戴情况的监测与危险报警和预警，具体为：

以0.7为界，当p_n，i≥0.7，则判定未穿戴安全保护设备，进行危险报警；

当p_n，i＜0.7，则对单个作业人员目标进行穿戴作业态势感知；

步骤S23：

该步骤是在未发生危险报警的情况下，对单个作业人员目标进行穿戴作业态势的感知，具体为：

定义A_1，i为单个作业人员目标穿戴为i的正可信率参量，B_1，i为单个作业人员目标穿戴为i的质疑参量，C_1，i为单个作业人员目标穿戴为i的负可信率参量，则：

A_1，i＝p_y，i；

C_1，i＝p_n，i；

如果，p_y，i＜0.5且p_n，i＞0.5，则B_1，i＝p_y，i；

如果，p_y，i＞0.5且p_n，i＜0.5，则B_1，i＝-p_n，i；

如果，p_y，i＜0.5且p_n，i＜0.5，则B_1，i＝p_y，i-p_n，i；

单个电力作业人员目标穿戴作业态势U₁表示为：

U₁＝A₁k+B₁n+C₁m

其中，

，k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量；

单个作业人员目标穿戴作业的正向态势趋势

表示为：

I₁为正向质疑系数，I₁∈[0，1]；

单个作业人员目标穿戴作业的负向态势趋势

表示为：

J₁为负向质疑系数，J₁∈[-1，0]；

单个作业人员目标穿戴作业态势的整体发展趋势

表示为：

时，表明穿戴作业态势趋势向正方向发展，作业安全在增强；当

时，表明穿戴作业态势趋势向负方向发展，当

时，表明穿戴作业态势趋势维持不变；

步骤S24：

该步骤设定穿戴作业态势趋势向负方向发展的时间阈值并进行态势预警：当

的持续时间大于时间阈值T1(比如T1＝10秒)时，则进行穿戴作业态势预警。

通过步骤S2，可对电力场作业人员是否穿戴安全保护设备进行准确的监测并进行危险报警，在未达到报警阈值时，进行实时的穿戴作业态势感知，当穿戴作业态势趋势向负方向发展到一定时限时，进行态势预警，从实现对已发生的、以及未发生却将要发生的不规范穿戴行为都进行报警提醒，防止作业人员疏忽安全保护设备的穿戴而在发生意外情况时不能有效保障身体安全、生命安全的情况发生。

步骤S3目的是结合摄像技术和肢体语言识别技术，采用深度学习算法进行电力作业人员的行为状态识别，并根据识别结果进行危险报警或态势感知预警。图6-图9示出了步骤S3实现行为状态识别的四种结果示例。对步骤S3分四步实施：

步骤S31：

通过摄像头获得作业场面的视频信息，并通过无线网络传送至监控服务器端；视频帧图通过肢体语言识别系统OpenPose提取电力作业人员的骨架信息，再采用深度神经网络对骨架信息进行姿态的识别，即对作业人员进行行为状态识别，输出各种行为状态的可信度p_2，c；

其中，c取值1、2、3、4、5、6，c＝1对应站立(包括行走)，c＝2对应正常下蹲，c＝3对应吸烟，c＝4对应打电话，c＝5对应摔倒，c＝6对应依附禁止；

步骤S32：

该步骤实现单个作业人员行为状态的监测与危险报警和预警，具体为：

以0.7为界，当p_2，c≥0.7，c取值3、4、5、6，即吸烟、打电话、摔倒和依附禁止，则判定发生禁止事件，进行危险报警；

当p_2，c＜0.7，c取值3、4、5、6即吸烟、打电话、摔倒和依附禁止，则对单个作业人员目标进行行为状态态势感知；

步骤S33：

该步骤是在未发生危险报警的情况下，对单个作业人员目标进行行为状态态势的感知。针对单个作业人员，同一时间仅存在一个行为状态，因此：

定义A₂为正常行为可信率参量，B₂为质疑行为参量，C₂为异常行为可信率参量，令：

A₂＝(p_2，1+p_2，2)/2

C₂＝(p_2，3+p_2，4+p_2，5+p_2，6)/4

质疑行为参量B₂针对单个作业人员目标在遮挡或摄像头角度不佳等情况下产生对其行为状态无法识别的情况，定义为

单个作业人员目标行为状态态势U₂表示为：

U₂＝A₂k+B₂n+C₂m

其中，k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量；

单个作业人员目标行为状态的正向态势趋势

表示为：

I₂为正向质疑系数，I₂∈[0，1]；

单个作业人员目标行为状态的负向态势趋势

表示为：

J₂为负向质疑系数，J₂∈[-1，0]；

单个作业人员目标行为状态态势的整体发展趋势

表示为：

时，表明行为状态态势趋势向正方向发展，行为状态安全在增强；当

时，表明行为状态态势趋势向负方向发展，当

时，表明行为状态态势趋势维持不变；

步骤S34：

该步骤设定行为状态态势趋势向负方向发展的时间阈值并进行态势预警：当

的持续时间大于时间阈值T2(比如T2＝10秒)时，则进行行为状态态势预警。

通过步骤S3，可对电力场作业人员吸烟、打电话、摔倒和依附禁止的姿态进行准确的监测并进行危险报警，在未达到报警阈值时，进行实时的行为状态态势感知，当行为状态态势趋势向负方向发展到一定时限时，进行态势预警，从实现对已发生的、以及未发生却将要发生的不规范行为状态都进行报警提醒，防止作业人员在作业场内出现禁止行为导致影响工作秩序、影响现场设施设备的正常运行以及发生人身危险等情况。

步骤S4目的是结合UWB定位技术及3D建模，实现作业人员与作业场中带电点的安全距离的监测判断，并根据判断结果进行危险报警或态势感知预警。对步骤S4分八步实施：

步骤S41：

通过UWB定位标签获得电力作业人员的实时位置信息，对作业场进行1：1的3D建模，并将获得的电力作业人员的实时位置信息在3D模型中呈现，获得电力作业人员在作业场中的实时三维坐标，如图10所示；

步骤S42：

确定作业场中的带电点，分别计算作业人员与带电点的真实距离l_h；

其中，h表示各个带电点，本实施例中，设定h的取值为1、2、3、4、5，即设定有5个带电点；

步骤S43：

在诸如变电站等作业场中，对定位电磁波遮挡严重，造成多径效应，实时位置信息波动较大，因此该步骤的目的是对电力作业人员与带电点的波动较大的l_h需进判定，判定方法为：

将l_h分为正确的位置信息d′_h与错误位置信息f_h两类，采用下面的公式进行分类判定：

l_h＞T_d时，则判定为错误的位置信息f_h；

l_h≤T_d时，则判定为正确的位置信息d′_h；

其中：T_d＝E_d+2σ_d，式中E_d与σ_d分别为l_h在10秒内的期望与方差；

步骤S44：

该步骤是实现安全作业距离的计算，具体为：根据不同电压的作业保持的最小间距T_m，选择正确的位置信息d′_h，计算作业人员的安全作业距离d″_h：

d″_h＝d′_h-T_m

本实施例中，

带电点(h＝1)的电压为10kv，T_m＝0.7m+0.5；

带电点(h＝2)的电压为110kv，T_m＝1.5m+0.5；

带电点(h＝3)的电压为220kv，T_m＝3m+0.5；

带电点(h＝4)的电压为330kv，T_m＝4m+0.5；

带电点(h＝5)的电压为500kv，T_m＝5m+0.5；

步骤S45：

对作业人员的安全作业距离d″_h进行归一化处理，得到归一化安全距离d_h：

归一化安全距离最小值为d_mmin＝min(d₁，d₂，d₃，d₄，d₅)，min表述取最小值；

归一化安全距离最大值为d_max＝max(d₁，d₂，d₃，d₄，d₅)，max表述取最大值；

归一化安全距离均值为

，mean表述取均值；

步骤S46：

该步骤实现单个作业人员安全距离的监测与危险报警和预警，具体为：

若d_min＜0，则进行危险报警；若d_min≥0，则对单个作业人员目标进行安全距离态势感知与预测；

步骤S47：

该步骤是在未发生危险报警的情况下，对单个作业人员目标进行安全距离态势的感知，具体方法为：

针对单个作业人员与带电点的安全距离，定义A₃为可信度参量，B₃为质疑参量，C₃为危险可信率参量，其中，

式中，n_f为前10秒错误位置信息f_i的个数，n_l为前10秒总共位置信息的个数；

单个作业人员目标安全距离态势U₃表示为：

U₃＝A₃k+B₃n+C₃m

其中，k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量；

单个作业人员目标安全距离的正向态势趋势

表示为：

I₃为正向质疑系数，I₃∈[0，1]；

单个作业人员目标安全距离的负向态势趋势

表示为：

J₃为负向质疑系数，J₃∈[-1，0]；

单个作业人员目标安全距离态势的整体发展趋势

表示为：

时，表明安全距离态势趋势向正方向发展，距离安全在增强；当

时，表明安全距离态势趋势向负方向发展，当

时，表明安全距离态势趋势维持不变；

步骤S48：

该步骤设定安全距离态势趋势向负方向发展的时间阈值并进行态势预警：当

的持续时间大于时间阈值T3(比如T3＝10秒)时，则进行安全距离态势预警。

通过步骤S4，可对电力场作业人员与带电点的安全距离进行准确的监测并进行危险报警，在未达到报警阈值时，进行实时的安全距离态势感知，当安全距离态势趋势向负方向发展到一定时限时，进行态势预警，从实现对已发生的、以及未发生却将要发生的危险距离都进行报警提醒，防止作业人员突破与带电点的安全距离而埋下安全隐患。

考虑到穿戴作业、行为状态及安全距离此三个维度间的相关性较弱，为提高危险态势全面动态感知的灵敏度，提高危险事件的防患等级，在本实施例中，还将各维度的危险态势进行融合预警，具体的，本实施例还包括步骤S5，步骤S5是对步骤S2、步骤S3、步骤S4感知的态势进行并联结构融合，得到融合多维信息的电力作业人员态势动态感知模型，实时感知电力作业人员的整体态势，并进行整体态势发展趋势预测，当预测值达到预警输出阈值时，进行预警输出。具体的，步骤S5分两步实施：

步骤S51：

将单个作业人员目标整体作业态势U表示为：

U＝Ak+Bn+Cm

其中，

其中，l取值为1、2、3，且分别对应穿戴作业、行为状态、安全距离分量，α₁、α₂、α₃为融合过程中穿戴作业、行为状态、安全距离的权重。分析以往引起电力事故的原因，其中由安全距离引起的事故概率最大，行为状态与穿戴作业引起的事故次之，因此本实施例中，α₁＝0.25，α₂＝0.25，α₃＝0.5。

单个作业人员目标整体作业态势的整体发展趋势

表示为：

I为正向质疑系数，I∈[0，1]；J为负向质疑系数，J∈[-1，0]；

时，表明整体作业态势趋势向正方向发展，作业安全在增强；当

时，表明整体作业态势趋势向负方向发展；当

时，表明整体作业态势趋势维持不变；

步骤S52：

该步骤设定整体作业态势趋势向负方向发展的时间阈值并进行态势预警：当

的持续时间大于时间阈值T_t(比如T_t＝10秒)，则进行作业态势预警。

通过步骤S5，可提高电力作业人员危险态势全面动态感知的灵敏度，提高危险事件的防患等级，进一步提高电力作业人员现场作业安全监管的全面性和可靠性。

Claims (6)

1.一种融合多维信息的电力作业人员危险态势动态感知方法，其特征在于，其包括如下步骤：

步骤S1：将UWB定位标签附在供电力作业人员穿戴的安全保护设备上；

步骤S2：利用深度学习网络对作业场内的电力作业人员进行安全保护设备的穿戴作业识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

步骤S3：通过摄像头获得作业场面的视频信息，并通过无线网络传送至监控服务器端，采用深度学习算法进行电力作业人员的行为状态识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

步骤S4：通过UWB定位标签获得电力作业人员的实时位置信息，对作业场进行1:1的3D建模，并将获得的电力作业人员的实时位置信息在3D模型中呈现，从而获得电力作业人员在作业场中的实时三维坐标；通过计算电力作业人员与作业场中带电点的距离，判断是否达到安全距离的阈值，若判断结果达到报警阈值，则进行危险报警；若判断结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警；

其中，所述步骤S2、步骤S3、步骤S4无先后顺序，且可同时进行；在所述步骤S2中，利用深度学习网络对作业场内的电力作业人员进行安全保护设备的穿戴作业识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警，具体包括：

步骤S21：

利用YOLOv4网络，实现对作业场内作业人员穿戴安全保护设备的正可信率p_y,i，和未穿戴安全保护设备的负可信率p_n,i；

其中，i取值1、2、3、4、5，分别对应安全保护设备中的安全帽、安全带、工作衣裤、手套和工作鞋；

步骤S22：

以0.7为界，当p_n,i≥0.7，则判定未穿戴安全保护设备，进行危险报警；

当p_n,i＜0.7，则对单个作业人员目标进行穿戴作业态势感知；

步骤S23：

所述对单个作业人员目标进行穿戴作业态势感知的方法为：

定义A_1,i为单个作业人员目标穿戴为i的正可信率参量，B_1,i为单个作业人员目标穿戴为i的质疑参量，C_1,i为单个作业人员目标穿戴为i的负可信率参量，则：

A_1,i＝p_y,i；

C_1,i＝p_n,i；

如果，p_y,i<0.5且p_n,i>0.5，则B_1,i＝p_y,i；

如果，p_y,i>0.5且p_n,i<0.5，则B_1,i＝-p_n,i；

如果，p_y,i<0.5且p_n,i<0.5，则B_1,i＝p_y,i-p_n,i；

单个电力作业人员目标穿戴作业态势U₁表示为：

U₁＝A₁k+B₁n+C₁m

其中，

k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量；

单个作业人员目标穿戴作业的正向态势趋势

表示为：

I₁为正向质疑系数，I₁∈[0,1]；

单个作业人员目标穿戴作业的负向态势趋势

表示为：

J₁为负向质疑系数，J₁∈[-1,0]；

单个作业人员目标穿戴作业态势的整体发展趋势

表示为：

时，表明穿戴作业态势趋势向正方向发展，作业安全在增强；当

时，表明穿戴作业态势趋势向负方向发展，当

时，表明穿戴作业态势趋势维持不变；

步骤S24：

当

的持续时间大于时间阈值T₁时，则进行穿戴作业态势预警。

2.根据权利要求1所述的融合多维信息的电力作业人员危险态势动态感知方法，其特征在于，还包括：

步骤S5：对所述步骤S2、步骤S3、步骤S4感知的态势进行并联结构融合，得到融合多维信息的电力作业人员态势动态感知模型，实时感知电力作业人员的整体态势，并进行整体态势发展趋势预测，当预测值达到预警输出阈值时，进行预警输出。

3.根据权利要求1所述的融合多维信息的电力作业人员危险态势动态感知方法，其特征在于，在所述步骤S3中，通过摄像头获得作业场面的视频信息，并通过无线网络传送至监控服务器端，采用深度学习算法进行电力作业人员的行为状态识别，若识别结果达到报警阈值，则进行危险报警；若识别结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警，具体包括：

步骤S31：

通过摄像头获得作业场面的视频信息，并通过无线网络传送至监控服务器端，通过肢体语言识别系统OpenPose提取电力作业人员的骨架信息，再采用深度神经网络对骨架信息进行行为状态识别，输出行为状态的可信度p_2,c；其中，c取值1、2、3、4、5、6，分别对应行为状态中的站立、正常下蹲、吸烟、打电话、摔倒和依附禁止；

步骤S32：

以0.7为界，当p_2,c≥0.7，c取值3、4、5、6，则判定发生禁止事件，进行危险报警；

当p_2,c＜0.7，c取值3、4、5、6，则对单个作业人员目标进行行为状态态势感知；

步骤S33：

所述对单个作业人员目标进行行为状态态势感知的方法为：

针对单个作业人员，同一时间仅存在一个行为状态，定义A₂为正常行为可信率参量，B₂为质疑行为参量，C₂为异常行为可信率参量，令：

A₂＝(p_2,1+p_2,2)/2

C₂＝(p_2,3+p_2,4+p_2,5+p_2,6)/4

质疑行为参量B₂针对单个作业人员目标在遮挡或摄像头角度不佳等情况下产生对其行为状态无法识别的情况，定义为

单个作业人员目标行为状态态势U₂表示为:

U₂＝A₂k+B₂n+C₂m

其中，k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量；

单个作业人员目标行为状态的正向态势趋势

表示为：

I₂为正向质疑系数，I₂∈[0,1]；

单个作业人员目标行为状态的负向态势趋势

表示为：

J₂为负向质疑系数，J₂∈[-1,0]；

单个作业人员目标行为状态态势的整体发展趋势

表示为：

时，表明行为状态态势趋势向正方向发展，行为状态安全在增强；当

时，表明行为状态态势趋势向负方向发展，当

时，表明行为状态态势趋势维持不变；

步骤S34：

当

的持续时间大于时间阈值T₂时，则进行行为状态态势预警。

4.根据权利要求1所述的融合多维信息的电力作业人员危险态势动态感知方法，其特征在于，在所述步骤S4中，通过UWB定位标签获得电力作业人员的实时位置信息，对作业场进行1:1的3D建模，并将获得的电力作业人员的实时位置信息在3D模型中呈现，从而获得电力作业人员在作业场中的实时三维坐标；通过计算电力作业人员与作业场中带电点的距离，判断是否达到安全距离的阈值，若判断结果达到报警阈值，则进行危险报警；若判断结果未达到报警阈值，则进行态势感知，并根据态势感知结果进行预警，具体包括：

步骤S41：

通过UWB定位标签获得电力作业人员的实时位置信息，对作业场进行1:1的3D建模，并将获得的电力作业人员的实时位置信息在3D模型中呈现，获得电力作业人员在作业场中的实时三维坐标；

步骤S42：

确定作业场中的带电点，分别计算作业人员与带电点的真实距离l_h；

其中，h表示各个带电点，h取值为1～x；

步骤S43：

对电力作业人员与带电点的真实距离l_h进行判定，判定方法为：

将l_h分为正确的位置信息d′_h与错误位置信息f_h两类，采用下面的公式进行分类：

l_h>T_d时，则判定为错误的位置信息f_h；

l_h≤T_d时，则判定为正确的位置信息d′_h；

其中：T_d＝E_d+2σ_d，式中E_d与σ_d分别为l_h在10秒内的期望与方差；

步骤S44：

根据不同电压的作业保持的最小间距T_m，选择正确的位置信息d′_h，计算作业人员的安全作业距离d″_h:

d″_h＝d′_h-T_m

步骤S45：

对作业人员的安全作业距离d″_h进行归一化处理，得到归一化安全距离d_h：

归一化安全距离最小值为d_min＝min(d₁，d₂，d₃，d₄,…,d_x)，min表述取最小值；

归一化安全距离最大值为d_max＝max(d₁，d₂，d₃，d₄,…,d_x)，max表述取最大值；

归一化安全距离均值为

mean表述取均值；

步骤S46：

若d_min＜0，则进行危险报警；若d_min≥0，则对单个作业人员目标进行安全距离态势感知与预测；

步骤S47：

所述若d_min≥0，则对单个作业人员目标进行安全距离态势感知与预测的方法为：针对单个作业人员与带电点的安全距离，定义A₃为可信度参量，B₃为质疑参量，C₃为危险可信率参量，其中，

式中，n_f为前10秒错误位置信息f_i的个数，n_l为前10秒总共位置信息的个数；

单个作业人员目标安全距离态势(U₃)表示为:

U₃＝A₃k+B₃n+C₃m

其中，k、n、m分别为正可信率单位矢量、质疑单位矢量、负可信率单位矢量；

单个作业人员目标安全距离的正向态势趋势

表示为：

I₃为正向质疑系数，I₃∈[0,1]；

单个作业人员目标安全距离的负向态势趋势

表示为：

J₃为负向质疑系数，J₃∈[-1,0]；

单个作业人员目标安全距离态势的整体发展趋势

表示为：

时，表明安全距离态势趋势向正方向发展，距离安全在增强；当

时，表明安全距离态势趋势向负方向发展，当

时，表明安全距离态势趋势维持不变；

步骤S48：

当

的持续时间大于时间阈值T₃时，则进行安全距离态势预警。

5.根据权利要求2所述的融合多维信息的电力作业人员危险态势动态感知方法，其特征在于，在所述步骤S5中，对所述步骤S2、步骤S3、步骤S4获得的感知态势进行并联结构融合，得到融合多维信息的电力作业人员态势动态感知模型，实时感知电力作业人员的整体态势，并进行态势发展趋势预测，当预测值达到预警输出阈值时，进行预警输出，具体包括：

步骤S51：

单个作业人员目标整体作业态势U表示为：

U＝Ak+Bn+Cm

其中，

其中，l取值为1、2、3，且分别对应穿戴作业、行为状态、安全距离分量，α₁、α₂、α₃为融合过程中穿戴作业、行为状态、安全距离的权重；

单个作业人员目标整体作业态势的整体发展趋势

表示为：

I为正向质疑系数，I∈[0,1]；J为负向质疑系数，J∈[-1,0]；

时，表明整体作业态势趋势向正方向发展，作业安全在增强；当

时，表明整体作业态势趋势向负方向发展；当

时，表明整体作业态势趋势维持不变；

步骤S52：

当

的持续时间大于时间阈值T_t，则进行作业态势预警。

6.根据权利要求5所述的融合多维信息的电力作业人员危险态势动态感知方法，其特征在于，在所述步骤S51中，α₁＝0.25，α₂＝0.25，α₃＝0.5。

Images