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
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 Download PDFInfo
- Publication number
- CN115240365B CN115240365B CN202210845661.9A CN202210845661A CN115240365B CN 115240365 B CN115240365 B CN 115240365B CN 202210845661 A CN202210845661 A CN 202210845661A CN 115240365 B CN115240365 B CN 115240365B
- Authority
- CN
- China
- Prior art keywords
- situation
- operator
- safety
- target
- trend
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
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
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py,i,和未穿戴安全保护设备的负可信率pn,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pn,i≥0.7,则判定未穿戴安全保护设备,进行危险报警;
当pn,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A1,i为单个作业人员目标穿戴为i的正可信率参量,B1,i为单个作业人员目标穿戴为i的质疑参量,C1,i为单个作业人员目标穿戴为i的负可信率参量,则:
A1,i=py,i;
C1,i=pn,i;
如果,py,i<0.5且pn,i>0.5,则B1,i=py,i;
如果,py,i>0.5且pn,i<0.5,则B1,i=-pn,i;
如果,py,i<0.5且pn,i<0.5,则B1,i=py,i-pn,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;
I1为正向质疑系数,I1∈[0,1];
J1为负向质疑系数,J1∈[-1,0];
步骤S24:
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p2,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p2,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p2,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=(p2,1+p2,2)/2
C2=(p2,3+p2,4+p2,5+p2,6)/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:
I2为正向质疑系数,I2∈[0,1];
J2为负向质疑系数,J2∈[-1,0];
步骤S34:
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lh;
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lh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lh需进判定,判定方法为:
将lh分为正确的位置信息d′h与错误位置信息fh两类,采用下面的公式进行分类:
lh>Td时,则判定为错误的位置信息fh;
lh≤Td时,则判定为正确的位置信息d′h;
其中:Td=Ed+2σd,式中Ed与σd分别为lh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Tm,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-Tm;
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dh:
归一化安全距离最小值为dmmin=min(d1,d2,d3,d4,...,dx),min表述取最小值;
归一化安全距离最大值为dma=max(d1,d2,d3,d4,...,dx),max表述取最大值;
归一化安全距离均值为
步骤S46:
若dmmin<0,则进行危险报警;若dmmin≥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dmin≥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,nf为前10秒错误位置信息fi的个数,nl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:
I3为正向质疑系数,I3∈[0,1];
J3为负向质疑系数,J3∈[-1,0];
步骤S48:
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。
I为正向质疑系数,I∈[0,1];J为负向质疑系数,J∈[-1,0];
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py,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pn,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pn,i≥0.7,则判定未穿戴安全保护设备,进行危险报警;
当pn,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A1,i为单个作业人员目标穿戴为i的正可信率参量,B1,i为单个作业人员目标穿戴为i的质疑参量,C1,i为单个作业人员目标穿戴为i的负可信率参量,则:
A1,i=py,i;
C1,i=pn,i;
如果,py,i<0.5且pn,i>0.5,则B1,i=py,i;
如果,py,i>0.5且pn,i<0.5,则B1,i=-pn,i;
如果,py,i<0.5且pn,i<0.5,则B1,i=py,i-pn,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;
I1为正向质疑系数,I1∈[0,1];
J1为负向质疑系数,J1∈[-1,0];
步骤S24:
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p2,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p2,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p2,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=(p2,1+p2,2)/2
C2=(p2,3+p2,4+p2,5+p2,6)/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;
I2为正向质疑系数,I2∈[0,1];
J2为负向质疑系数,J2∈[-1,0];
步骤S34:
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lh;
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lh需进判定,判定方法为:
将lh分为正确的位置信息d′h与错误位置信息fh两类,采用下面的公式进行分类判定:
lh>Td时,则判定为错误的位置信息fh;
lh≤Td时,则判定为正确的位置信息d′h;
其中:Td=Ed+2σd,式中Ed与σd分别为lh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Tm,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-Tm
本实施例中,
带电点(h=1)的电压为10kv,Tm=0.7m+0.5;
带电点(h=2)的电压为110kv,Tm=1.5m+0.5;
带电点(h=3)的电压为220kv,Tm=3m+0.5;
带电点(h=4)的电压为330kv,Tm=4m+0.5;
带电点(h=5)的电压为500kv,Tm=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dh:
归一化安全距离最小值为dmmin=min(d1,d2,d3,d4,d5),min表述取最小值;
归一化安全距离最大值为dmax=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dmin<0,则进行危险报警;若dmin≥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,nf为前10秒错误位置信息fi的个数,nl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;
I3为正向质疑系数,I3∈[0,1];
J3为负向质疑系数,J3∈[-1,0];
步骤S48:
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。
I为正向质疑系数,I∈[0,1];J为负向质疑系数,J∈[-1,0];
步骤S52:
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py,i,和未穿戴安全保护设备的负可信率pn,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pn,i≥0.7,则判定未穿戴安全保护设备,进行危险报警;
当pn,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A1,i为单个作业人员目标穿戴为i的正可信率参量,B1,i为单个作业人员目标穿戴为i的质疑参量,C1,i为单个作业人员目标穿戴为i的负可信率参量,则:
A1,i=py,i;
C1,i=pn,i;
如果,py,i<0.5且pn,i>0.5,则B1,i=py,i;
如果,py,i>0.5且pn,i<0.5,则B1,i=-pn,i;
如果,py,i<0.5且pn,i<0.5,则B1,i=py,i-pn,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;
I1为正向质疑系数,I1∈[0,1];
J1为负向质疑系数,J1∈[-1,0];
步骤S24:
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p2,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p2,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p2,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=(p2,1+p2,2)/2
C2=(p2,3+p2,4+p2,5+p2,6)/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;
I2为正向质疑系数,I2∈[0,1];
J2为负向质疑系数,J2∈[-1,0];
步骤S34:
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lh;
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lh进行判定,判定方法为:
将lh分为正确的位置信息d′h与错误位置信息fh两类,采用下面的公式进行分类:
lh>Td时,则判定为错误的位置信息fh;
lh≤Td时,则判定为正确的位置信息d′h;
其中:Td=Ed+2σd,式中Ed与σd分别为lh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Tm,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-Tm
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dh:
归一化安全距离最小值为dmin=min(d1,d2,d3,d4,…,dx),min表述取最小值;
归一化安全距离最大值为dmax=max(d1,d2,d3,d4,…,dx),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dmin<0,则进行危险报警;若dmin≥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dmin≥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,nf为前10秒错误位置信息fi的个数,nl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;
I3为正向质疑系数,I3∈[0,1];
J3为负向质疑系数,J3∈[-1,0];
步骤S48:
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;
I为正向质疑系数,I∈[0,1];J为负向质疑系数,J∈[-1,0];
步骤S52:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210845661.9A CN115240365B (zh) | 2022-07-19 | 2022-07-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210845661.9A CN115240365B (zh) | 2022-07-19 | 2022-07-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115240365A CN115240365A (zh) | 2022-10-25 |
CN115240365B true CN115240365B (zh) | 2023-03-10 |
Family
ID=83672550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210845661.9A Active CN115240365B (zh) | 2022-07-19 | 2022-07-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240365B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115424410B (zh) * | 2022-11-03 | 2023-12-19 | 国网浙江省电力有限公司金华供电公司 | 基于无线辐射感知与多模态数据的高压环境防护方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130085315A (ko) * | 2012-01-19 | 2013-07-29 | 한국전자통신연구원 | 사람 식별을 기반으로 한 위험 인지 방법 |
CN103617699A (zh) * | 2013-12-02 | 2014-03-05 | 国家电网公司 | 一种电力作业现场安全智能监护系统 |
CN110634265A (zh) * | 2019-09-06 | 2019-12-31 | 国网浙江省电力有限公司衢州供电公司 | 一种基于物联网的电力作业事故隐患预警系统及方法 |
CN110795989A (zh) * | 2019-08-28 | 2020-02-14 | 广东电网有限责任公司 | 一种电力作业智能安全监督系统及其监督方法 |
CN211979826U (zh) * | 2020-04-27 | 2020-11-20 | 深圳市国脉科技有限公司 | 安全监测预警系统 |
CN112001310A (zh) * | 2020-08-24 | 2020-11-27 | 国网上海市电力公司 | 基于视觉感知与空间定位的变电站作业现场安全管控系统 |
CN112465811A (zh) * | 2020-12-16 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 电力作业现场高精度动态目标定位方法及装置 |
CN112465401A (zh) * | 2020-12-17 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 基于多维信息融合的电力作业安全管控系统及其管控方法 |
CN114202126A (zh) * | 2021-12-15 | 2022-03-18 | 国网四川省电力公司电力科学研究院 | 一种电力作业智能安全控制方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101575983B1 (ko) * | 2014-10-15 | 2015-12-09 | 주식회사 세중아이에스 | 안전 관리 지능형 통합 관제 시스템, 서버 및 방법 |
KR101526938B1 (ko) * | 2014-12-10 | 2015-06-11 | 정용호 | 현장 안전관리용 실시간 경보시스템 및 그 구동방법 |
WO2016100368A1 (en) * | 2014-12-16 | 2016-06-23 | Somatix, Inc. | Methods and systems for monitoring and influencing gesture-based behaviors |
US20200362686A1 (en) * | 2019-05-15 | 2020-11-19 | Schlumberger Technology Corporation | Machine Learning Drill Out System |
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
-
2022
- 2022-07-19 CN CN202210845661.9A patent/CN115240365B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130085315A (ko) * | 2012-01-19 | 2013-07-29 | 한국전자통신연구원 | 사람 식별을 기반으로 한 위험 인지 방법 |
CN103617699A (zh) * | 2013-12-02 | 2014-03-05 | 国家电网公司 | 一种电力作业现场安全智能监护系统 |
CN110795989A (zh) * | 2019-08-28 | 2020-02-14 | 广东电网有限责任公司 | 一种电力作业智能安全监督系统及其监督方法 |
CN110634265A (zh) * | 2019-09-06 | 2019-12-31 | 国网浙江省电力有限公司衢州供电公司 | 一种基于物联网的电力作业事故隐患预警系统及方法 |
CN211979826U (zh) * | 2020-04-27 | 2020-11-20 | 深圳市国脉科技有限公司 | 安全监测预警系统 |
CN112001310A (zh) * | 2020-08-24 | 2020-11-27 | 国网上海市电力公司 | 基于视觉感知与空间定位的变电站作业现场安全管控系统 |
CN112465811A (zh) * | 2020-12-16 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 电力作业现场高精度动态目标定位方法及装置 |
CN112465401A (zh) * | 2020-12-17 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 基于多维信息融合的电力作业安全管控系统及其管控方法 |
CN114202126A (zh) * | 2021-12-15 | 2022-03-18 | 国网四川省电力公司电力科学研究院 | 一种电力作业智能安全控制方法及系统 |
Non-Patent Citations (3)
Title |
---|
"一种基于姿态感知的电力人员穿戴识别残差网络";常政威等;《电讯技术》;第62卷(第1期);23-28页 * |
"基于数据挖掘的现场作业风险态势评估方法";蒋毅;《计算机与现代化》(第04(2020年)期);78-84页 * |
"基于深度学习的电力作业人员行为识别技术";王鸿等;《四川电力技术》;第45卷(第3期);31-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115240365A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Harrou et al. | An integrated vision-based approach for efficient human fall detection in a home environment | |
CN111445524B (zh) | 基于场景理解的施工现场工人不安全行为识别方法 | |
CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
CN112804498B (zh) | 一种安全防护装具佩戴情况监控系统和方法 | |
CN106412501A (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN112434669B (zh) | 一种多信息融合的人体行为检测方法及系统 | |
CN115240365B (zh) | 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 | |
CN111428617A (zh) | 一种基于视频图像的配网违规检修行为的识别方法和系统 | |
CN113705372B (zh) | 一种应用于配网作业现场违章的ai识别系统 | |
CN111046749A (zh) | 一种基于深度数据的人体跌倒行为检测方法 | |
CN115797856A (zh) | 一种基于机器视觉的施工场景智慧安全监控方法 | |
CN114937237A (zh) | 一种基于ai智能识别的工地安全监测方法及系统 | |
CN114155492A (zh) | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 | |
CN113688713A (zh) | 基于危险行为识别的线缆保护方法、装置、系统和介质 | |
CN113506416A (zh) | 一种基于智能视觉分析的工程异常预警方法及系统 | |
CN113128760A (zh) | 安全生产的双控管理方法、装置、设备及存储介质 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN115830626A (zh) | 穿戴检测方法、设备和计算机可读存储介质 | |
CN114359831A (zh) | 一种面向险兆推理的工人临边坠落智能识别系统及方法 | |
CN111523750A (zh) | 一种基于泛在电力物联网的水电厂危险源识别马甲 | |
Wang et al. | Safety risk assessment method of key personnel in infrastructure projects based on image data coupling identification | |
CN113706841B (zh) | 基于边缘计算的用电行为安全智能监控系统 | |
CN115346170B (zh) | 一种燃气设施区域的智能监控方法及装置 | |
CN116665419B (zh) | 电力生产作业中基于ai分析的故障智能预警系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |