CN115410224A - 基于图像数据的电力作业现场违章辨识系统及方法 - Google Patents
基于图像数据的电力作业现场违章辨识系统及方法 Download PDFInfo
- Publication number
- CN115410224A CN115410224A CN202211015338.5A CN202211015338A CN115410224A CN 115410224 A CN115410224 A CN 115410224A CN 202211015338 A CN202211015338 A CN 202211015338A CN 115410224 A CN115410224 A CN 115410224A
- Authority
- CN
- China
- Prior art keywords
- personnel
- determining
- image data
- acquisition
- model
- 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
Images
Classifications
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及违章检测技术领域,具体公开了一种基于图像数据的电力作业现场违章辨识系统及方法,所述方法包括确定采集设备的安装参数和采集参数;接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征;对所述人员特征进行识别,确定违章概率;当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令。本发明通过安装采集设备,基于采集设备获取图像数据,在所述图像数据中提取工作人员的人员特征,基于训练好的神经网络模型对人员特征进行识别,确定该工作人员的风险率;当风险率较高时,通过预设的无人机端获取近景图像或视频,由人工端进一步对工作人员进行识别。
Description
技术领域
本发明涉及违章检测技术领域,具体是一种基于图像数据的电力作业现场违章辨识系统及方法。
背景技术
电力作业现场是很常见的一种工程现场,一线人员主要从事的是日常维护操作,并不从事生产活动;由于电力设备一旦发生风险,造成的后果将会非常严重,因此针对一线人员的日常维护操作设置了很多规章。
在一线工作过的人员都清楚,这些规章非常繁琐,有时候会带来很大的不便,而且在现有的技术水平下,日常维护操作出问题的概率极低,所以工作人员在进行日常维护操作时,为了追求便捷性,很容易习惯性违章;如果这些习惯性违章是票据证明等方面的违章,那还可以接受,至少不会对工作人员的安全性造成影响,如果是操作过程中的习惯性违章,那么工作人员的风险将会被大大提高;对于单个工作人员来说,出问题的概率依旧很小,但是当电力作业现场较多时,普总会有个别工作人员在工作过程中出问题。
因此,如何对工作人员的操作过程进行监测辨识是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种基于图像数据的电力作业现场违章辨识系统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于图像数据的电力作业现场违章辨识方法,所述方法包括:
获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数;
接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征;所述人员特征用于表征工作人员的工作状态;
查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率;
将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令。
作为本发明进一步的方案:所述获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数的步骤包括:
获取电力作业现场的备案模型,开放模型调节端口;所述备案模型的顶部均为隐藏状态;
基于所述模型调节端口接收工作人员的调节指令,基于所述调节指令修正所述备案模型,得到电力作业现场的建筑模型;
基于建筑模型接收用户输入的切分信号,根据所述切分信号对建筑模型进行切分,得到子区域,基于所述子区域接收用户输入的功能标签;
根据所述子区域确定采集设备的安装参数和采集参数。
作为本发明进一步的方案:所述根据所述子区域确定采集设备的安装参数和采集参数的步骤包括:
获取所述子区域的区域范围,基于所述区域范围确定采集设备的型号、数量及安装位置;
读取所述子区域的功能标签,根据所述功能标签在预设的风险参数库中查询风险参数;其中,所述风险参数包括风险类型和风险位置;所述风险参数库中的风险参数以功能标签为索引;
根据所述安装位置和所述风险位置确定采集设备的采集角度;
将采集设备的采集清晰度设置为随时间递减的数值;当采集设备接收到音频信息时,根据音频信息对采集清晰度进行复位。
作为本发明进一步的方案:所述当采集设备接收到音频信息时,根据音频信息对采集清晰度进行复位的步骤包括:
当所述采集设备接收到音频信息时,将所述音频信息输入训练好的音频处理模型,过滤所述音频信息中的杂波,得到待识别音频;
将所述待识别音频转换为音频文本,提取所述音频文本中的词语,将所述词语与预设的关键词进行匹配;
根据匹配结果确定各关键词的出现次数,统计各关键词的出现次数确定特征矩阵;
将所述特征矩阵输入训练好的判定模型,判定是否将采集清晰度复位至最高值。
作为本发明进一步的方案:所述接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征的步骤包括:
接收各采集设备获取到的图像数据,对所述图像数据进行色彩识别,根据色彩识别结果确定安全帽区域及其色值;
根据所述安全帽区域及其色值确定人员类型及其人员轮廓;
获取人员轮廓的中心点并计算各人员轮廓之间的距离,根据所述中心点和所述距离生成图数据;所述图数据的节点由人员类型确定,所述图数据的边由距离确定;
将所述图数据作为人员特征。
作为本发明进一步的方案:所述查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率的步骤包括:
查询该采集设备对应的子区域的功能标签,根据所述功能标签获取标准工作图像;
提取标准工作图像中的标准人员特征,生成样本集;
基于所述样本集训练神经网络模型;
根据训练好的神经网络模型识别获取到人员特征,确定违章概率。
作为本发明进一步的方案:所述将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令的步骤包括:
将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,读取人员类型及其人员轮廓;
根据人员类型确定人员级别,查询最高人员级别对应的人员轮廓;
以最高人员级别对应的人员轮廓为图像获取中心,基于预设的检测路径获取含有时间信息的近景图像。
本发明技术方案还提供了一种基于图像数据的电力作业现场违章辨识系统,所述系统包括:
参数确定模块,用于获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数;
特征提取模块,用于接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征;所述人员特征用于表征工作人员的工作状态;
概率确定模块,用于查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率;
近景检测模块,用于将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令。
作为本发明进一步的方案:所述参数确定模块包括:
端口开放单元,用于获取电力作业现场的备案模型,开放模型调节端口;所述备案模型的顶部均为隐藏状态;
模型修正单元,用于基于所述模型调节端口接收工作人员的调节指令,基于所述调节指令修正所述备案模型,得到电力作业现场的建筑模型;
模型切分单元,用于基于建筑模型接收用户输入的切分信号,根据所述切分信号对建筑模型进行切分,得到子区域,基于所述子区域接收用户输入的功能标签;
执行单元,用于根据所述子区域确定采集设备的安装参数和采集参数。
作为本发明进一步的方案:所述特征提取模块包括:
色彩识别单元,用于接收各采集设备获取到的图像数据,对所述图像数据进行色彩识别,根据色彩识别结果确定安全帽区域及其色值;
人员标记单元,用于根据所述安全帽区域及其色值确定人员类型及其人员轮廓;
图数据生成单元,用于获取人员轮廓的中心点并计算各人员轮廓之间的距离,根据所述中心点和所述距离生成图数据;所述图数据的节点由人员类型确定,所述图数据的边由距离确定;
图数据存储单元,用于将所述图数据作为人员特征。
与现有技术相比,本发明的有益效果是:本发明通过安装采集设备,基于采集设备获取图像数据,在所述图像数据中提取工作人员的人员特征,基于训练好的神经网络模型对人员特征进行识别,确定该工作人员的风险率;当风险率较高时,通过预设的无人机端获取近景图像或视频,由人工端进一步对工作人员进行识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例。
图1为基于图像数据的电力作业现场违章辨识方法的流程框图。
图2为基于图像数据的电力作业现场违章辨识方法的第一子流程框图。
图3为基于图像数据的电力作业现场违章辨识方法的第二子流程框图。
图4为基于图像数据的电力作业现场违章辨识方法的第三子流程框图。
图5为基于图像数据的电力作业现场违章辨识方法的第四子流程框图。
图6为基于图像数据的电力作业现场违章辨识系统的组成结构框图。
图7为基于图像数据的电力作业现场违章辨识系统中参数确定模块的组成结构框图。
图8为基于图像数据的电力作业现场违章辨识系统中特征提取模块的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1为基于图像数据的电力作业现场违章辨识方法的流程框图,本发明实施例中,一种基于图像数据的电力作业现场违章辨识方法,所述方法包括步骤S100至步骤S400:
步骤S100:获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数;
电力作业现场是一个区域,这个区域一般不会发生大的变动;不同区域有着不同的功能,不同功能对应不同日常维护操作,不同的日常维护操作有着不同的规章制度,比如,在大部分维护操作过程中,对于设备应该上锁挂签,在高空作业时,应该配备安全带;因此,在对建筑模型进行切分时,需要以功能为参考进行切分;当子区域被切分好后,可以确定各采集设备的安装参数和采集参数。
步骤S200:接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征;所述人员特征用于表征工作人员的工作状态;
采集设备需要具备图像获取功能和数据通信功能,根据采集设备获取到的图像数据,可以提取一些人员特征,这些人员特征能够反映工作人员的工作状态;对于电力作业现场的维护操作,工作人员大都不会发生大的变动,其工作方式和站位等等,应该是相似的,检测工作人员的工作方式和站位等等,得到工作人员的人员特征。
步骤S300:查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率;
由上述内容可以得知,不同功能标签对应的子区域中的维护操作是可以预设采集的,换而言之,可以根据功能标签对一些标准人员特征进行备案,当接收到新的人员特征时,进行比对,即可确定违章概率;当然,这一确定过程的准确率并不高,有很多无违章行为的人员特征也有可能被识别为存在违章,此时,就需要进一步的进行违章识别;从安全性的角度出发,这反而是好事。
步骤S400:将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令;
当违章概率达到一定程度时,就说明该工作人员所处的位置很有可能存在违章现象,此时,需要进一步的获取细节图像,便于后续的处理,所述后续的处理以人工识别为主;值得一提的是,所述无人机端需要具备位置调节功能,以使得它能够运动到指定位置获取细节图像。
图2为基于图像数据的电力作业现场违章辨识方法的第一子流程框图,所述获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数的步骤包括步骤S101至步骤S104:
步骤S101:获取电力作业现场的备案模型,开放模型调节端口;所述备案模型的顶部均为隐藏状态;
步骤S102:基于所述模型调节端口接收工作人员的调节指令,基于所述调节指令修正所述备案模型,得到电力作业现场的建筑模型;
步骤S103:基于建筑模型接收用户输入的切分信号,根据所述切分信号对建筑模型进行切分,得到子区域,基于所述子区域接收用户输入的功能标签;
步骤S104:根据所述子区域确定采集设备的安装参数和采集参数。
上述内容对建筑模型的生成过程进行了具体的描述,首先,获取电力作业现场的备案模型,这一备案模型可以在设计过程中的数据库中直接提取;在提取备案模型的过程中,需要将所有顶部隐藏,这是因为采集设备一般安装在顶部,不会被顶部遮档;在所述备案模型中还插入了模型调节端口,工作人员可以根据实际情况对备案模型进行调整,使得备案模型更加符合实际;然后,基于建筑模型接收用户输入的切分信号,由切分信号按功能将建筑模型切分成不同的子区域;最后,根据切分得到的子区域确定采集设备的安装参数和采集参数。
进一步的,所述根据所述子区域确定采集设备的安装参数和采集参数的步骤包括:
获取所述子区域的区域范围,基于所述区域范围确定采集设备的型号、数量及安装位置;
读取所述子区域的功能标签,根据所述功能标签在预设的风险参数库中查询风险参数;其中,所述风险参数包括风险类型和风险位置;所述风险参数库中的风险参数以功能标签为索引;
根据所述安装位置和所述风险位置确定采集设备的采集角度;
将采集设备的采集清晰度设置为随时间递减的数值;当采集设备接收到音频信息时,根据音频信息对采集清晰度进行复位。
子区域有一个区域范围,采集设备的安装高度一般是确定的,就是安装在实际现场中的顶部,安装要求是,采集设备的范围并集要大于所述区域范围,因此,需要对采集设备的广角、数量及安装位置进行设置;所述广角与型号相关;进一步的,子区域中有设备区和空旷的活动区,设备区发生风险的概率更大,因此,采集设备的日常工作角度应该对准设备区;具体的,对于采集设备的清晰度,由于电力作业现场在大部分时间里,都在自行工作,此时,采集设备主要对设备进行监测,防止出现火灾等事故,而火灾等事故的识别过程并不困难,在图像数据中非常明显,对清晰度不做要求,因此,当采集设备的采集范围内不存在工作人员时,设备的清晰度可以调低,节省能源,提高能源利用率。
作为本发明技术方案的一个优选实施例,所述当采集设备接收到音频信息时,根据音频信息对采集清晰度进行复位的步骤包括:
当所述采集设备接收到音频信息时,将所述音频信息输入训练好的音频处理模型,过滤所述音频信息中的杂波,得到待识别音频;
将所述待识别音频转换为音频文本,提取所述音频文本中的词语,将所述词语与预设的关键词进行匹配;
根据匹配结果确定各关键词的出现次数,统计各关键词的出现次数确定特征矩阵;
将所述特征矩阵输入训练好的判定模型,判定是否将采集清晰度复位至最高值。
上述内容对采集设备的清晰度调节过程进行了具体的描述,当采集设备未接收到音频信息或者没有接收到有效的音频信息时,清晰度本身是逐渐降低的数值;当接收收到有效音频时,清晰度复位至不同的数值,也就是将清晰度调高。
具体的,对于音频信息是否有效的判断过程,需要借助现有的语音识别技术,将音频信息转换为文本,对文本进行提取,可以确定工作人员的工作状态;比如,如果工作人员发出的音频信息中存在很多抱怨的关键词,那么就可以认为该工作人员处于易怒状态,这变相地提高了违章操作的概率,因此,需要将采集清晰度提高。
图3为基于图像数据的电力作业现场违章辨识方法的第二子流程框图,所述接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征的步骤包括步骤S201至步骤S204:
步骤S201:接收各采集设备获取到的图像数据,对所述图像数据进行色彩识别,根据色彩识别结果确定安全帽区域及其色值;
步骤S202:根据所述安全帽区域及其色值确定人员类型及其人员轮廓;
步骤S203:获取人员轮廓的中心点并计算各人员轮廓之间的距离,根据所述中心点和所述距离生成图数据;所述图数据的节点由人员类型确定,所述图数据的边由距离确定;
步骤S204:将所述图数据作为人员特征。
步骤S201至步骤S204提供了一种具体的人员特征提取过程,首先,根据图像识别技术定位安全帽区域,由安全帽区域可以确定工作人员的类型,比如,判断是否存在安全员(黄帽);然后,确定各人员轮廓的中心点,由中心点可以确定各人员的分布情况,所述分布情况及类型可以由图数据表示;所述图数据就能够作为人员特征。
图4为基于图像数据的电力作业现场违章辨识方法的第三子流程框图,所述查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率的步骤包括步骤S301至步骤S304:
步骤S301:查询该采集设备对应的子区域的功能标签,根据所述功能标签获取标准工作图像;
步骤S302:提取标准工作图像中的标准人员特征,生成样本集;
步骤S303:基于所述样本集训练神经网络模型;
步骤S304:根据训练好的神经网络模型识别获取到人员特征,确定违章概率。
步骤S301至步骤S304对人员特征的应用过程进行了具体的限定,其重点为,统计一些历史图像,由人工判断是否为标准操作,如果是标准操作,就用同样的方式获取其人员特征,作为标准人员特征;根据标准人员特征训练神经网络模型,根据神经网格模型对新获取到的人员特征进行识别,可以确定一个匹配度,这个匹配度就可以代表违章概率。
图5为基于图像数据的电力作业现场违章辨识方法的第四子流程框图,所述将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令的步骤包括步骤S401至步骤S403:
步骤S401:将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,读取人员类型及其人员轮廓;
步骤S402:根据人员类型确定人员级别,查询最高人员级别对应的人员轮廓;
步骤S403:以最高人员级别对应的人员轮廓为图像获取中心,基于预设的检测路径获取含有时间信息的近景图像。
当违章概率较高时,根据人员类型确定人员级别,人员级别由安全帽区域确定,级别最高的人员一般是负责人,以他为中心获取近景图像,更加贴合实际。
其中,所述检测路径需要说明,它由研发人员具体设置,比如,定位到某个工作人员时,执行缩放操作,获取一个由远及近的视频;在获取的过程中,调整无人机端的拍摄角度,获取该工作人员周围的情况,这一过程就是检测路径。
实施例2
图6为基于图像数据的电力作业现场违章辨识系统的组成结构框图,本发明实施例中,一种基于图像数据的电力作业现场违章辨识系统,所述系统10包括:
参数确定模块11,用于获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数;
特征提取模块12,用于接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征;所述人员特征用于表征工作人员的工作状态;
概率确定模块13,用于查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率;
近景检测模块14,用于将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令。
图7为基于图像数据的电力作业现场违章辨识系统中参数确定模块的组成结构框图,所述参数确定模块11包括:
端口开放单元111,用于获取电力作业现场的备案模型,开放模型调节端口;所述备案模型的顶部均为隐藏状态;
模型修正单元112,用于基于所述模型调节端口接收工作人员的调节指令,基于所述调节指令修正所述备案模型,得到电力作业现场的建筑模型;
模型切分单元113,用于基于建筑模型接收用户输入的切分信号,根据所述切分信号对建筑模型进行切分,得到子区域,基于所述子区域接收用户输入的功能标签;
执行单元114,用于根据所述子区域确定采集设备的安装参数和采集参数。
图8为基于图像数据的电力作业现场违章辨识系统中特征提取模块的组成结构框图,所述特征提取模块12包括:
色彩识别单元121,用于接收各采集设备获取到的图像数据,对所述图像数据进行色彩识别,根据色彩识别结果确定安全帽区域及其色值;
人员标记单元122,用于根据所述安全帽区域及其色值确定人员类型及其人员轮廓;
图数据生成单元123,用于获取人员轮廓的中心点并计算各人员轮廓之间的距离,根据所述中心点和所述距离生成图数据;所述图数据的节点由人员类型确定,所述图数据的边由距离确定;
图数据存储单元124,用于将所述图数据作为人员特征。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像数据的电力作业现场违章辨识方法,其特征在于,所述方法包括:
获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数;
接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征;所述人员特征用于表征工作人员的工作状态;
查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率;
将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令。
2.根据权利要求1所述的基于图像数据的电力作业现场违章辨识方法,其特征在于,所述获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数的步骤包括:
获取电力作业现场的备案模型,开放模型调节端口;所述备案模型的顶部均为隐藏状态;
基于所述模型调节端口接收工作人员的调节指令,基于所述调节指令修正所述备案模型,得到电力作业现场的建筑模型;
基于建筑模型接收用户输入的切分信号,根据所述切分信号对建筑模型进行切分,得到子区域,基于所述子区域接收用户输入的功能标签;
根据所述子区域确定采集设备的安装参数和采集参数。
3.根据权利要求2所述的基于图像数据的电力作业现场违章辨识方法,其特征在于,所述根据所述子区域确定采集设备的安装参数和采集参数的步骤包括:
获取所述子区域的区域范围,基于所述区域范围确定采集设备的型号、数量及安装位置;
读取所述子区域的功能标签,根据所述功能标签在预设的风险参数库中查询风险参数;其中,所述风险参数包括风险类型和风险位置;所述风险参数库中的风险参数以功能标签为索引;
根据所述安装位置和所述风险位置确定采集设备的采集角度;
将采集设备的采集清晰度设置为随时间递减的数值;当采集设备接收到音频信息时,根据音频信息对采集清晰度进行复位。
4.根据权利要求3所述的基于图像数据的电力作业现场违章辨识方法,其特征在于,所述当采集设备接收到音频信息时,根据音频信息对采集清晰度进行复位的步骤包括:
当所述采集设备接收到音频信息时,将所述音频信息输入训练好的音频处理模型,过滤所述音频信息中的杂波,得到待识别音频;
将所述待识别音频转换为音频文本,提取所述音频文本中的词语,将所述词语与预设的关键词进行匹配;
根据匹配结果确定各关键词的出现次数,统计各关键词的出现次数确定特征矩阵;
将所述特征矩阵输入训练好的判定模型,判定是否将采集清晰度复位至最高值。
5.根据权利要求1所述的基于图像数据的电力作业现场违章辨识方法,其特征在于,所述接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征的步骤包括:
接收各采集设备获取到的图像数据,对所述图像数据进行色彩识别,根据色彩识别结果确定安全帽区域及其色值;
根据所述安全帽区域及其色值确定人员类型及其人员轮廓;
获取人员轮廓的中心点并计算各人员轮廓之间的距离,根据所述中心点和所述距离生成图数据;所述图数据的节点由人员类型确定,所述图数据的边由距离确定;
将所述图数据作为人员特征。
6.根据权利要求1所述的基于图像数据的电力作业现场违章辨识方法,其特征在于,所述查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率的步骤包括:
查询该采集设备对应的子区域的功能标签,根据所述功能标签获取标准工作图像;
提取标准工作图像中的标准人员特征,生成样本集;
基于所述样本集训练神经网络模型;
根据训练好的神经网络模型识别获取到人员特征,确定违章概率。
7.根据权利要求1所述的基于图像数据的电力作业现场违章辨识方法,其特征在于,所述将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令的步骤包括:
将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,读取人员类型及其人员轮廓;
根据人员类型确定人员级别,查询最高人员级别对应的人员轮廓;
以最高人员级别对应的人员轮廓为图像获取中心,基于预设的检测路径获取含有时间信息的近景图像。
8.一种基于图像数据的电力作业现场违章辨识系统,其特征在于,所述系统包括:
参数确定模块,用于获取电力作业现场的建筑模型,根据所述建筑模型确定含有功能标签的子区域,基于所述子区域确定采集设备的安装参数和采集参数;
特征提取模块,用于接收各采集设备获取到的图像数据,对所述图像数据进行识别,确定人员特征;所述人员特征用于表征工作人员的工作状态;
概率确定模块,用于查询该采集设备对应的子区域的功能标签,基于所述功能标签对所述人员特征进行识别,确定违章概率;
近景检测模块,用于将所述违章概率与预设的概率阈值进行比对,当所述违章概率达到预设的概率阈值时,向预设的无人机端发送近景图像获取指令。
9.根据权利要求8所述的基于图像数据的电力作业现场违章辨识系统,其特征在于,所述参数确定模块包括:
端口开放单元,用于获取电力作业现场的备案模型,开放模型调节端口;所述备案模型的顶部均为隐藏状态;
模型修正单元,用于基于所述模型调节端口接收工作人员的调节指令,基于所述调节指令修正所述备案模型,得到电力作业现场的建筑模型;
模型切分单元,用于基于建筑模型接收用户输入的切分信号,根据所述切分信号对建筑模型进行切分,得到子区域,基于所述子区域接收用户输入的功能标签;
执行单元,用于根据所述子区域确定采集设备的安装参数和采集参数。
10.根据权利要求8所述的基于图像数据的电力作业现场违章辨识系统,其特征在于,所述特征提取模块包括:
色彩识别单元,用于接收各采集设备获取到的图像数据,对所述图像数据进行色彩识别,根据色彩识别结果确定安全帽区域及其色值;
人员标记单元,用于根据所述安全帽区域及其色值确定人员类型及其人员轮廓;
图数据生成单元,用于获取人员轮廓的中心点并计算各人员轮廓之间的距离,根据所述中心点和所述距离生成图数据;所述图数据的节点由人员类型确定,所述图数据的边由距离确定;
图数据存储单元,用于将所述图数据作为人员特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015338.5A CN115410224A (zh) | 2022-08-24 | 2022-08-24 | 基于图像数据的电力作业现场违章辨识系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015338.5A CN115410224A (zh) | 2022-08-24 | 2022-08-24 | 基于图像数据的电力作业现场违章辨识系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115410224A true CN115410224A (zh) | 2022-11-29 |
Family
ID=84162513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211015338.5A Pending CN115410224A (zh) | 2022-08-24 | 2022-08-24 | 基于图像数据的电力作业现场违章辨识系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410224A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115934979A (zh) * | 2023-02-21 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | 一种基于多采集端的土壤侵蚀信息管理方法及系统 |
CN116168375A (zh) * | 2022-12-29 | 2023-05-26 | 中汽传媒(天津)有限公司 | 一种汽车零部件智能识别方法及系统 |
CN117237383A (zh) * | 2023-11-15 | 2023-12-15 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
-
2022
- 2022-08-24 CN CN202211015338.5A patent/CN115410224A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168375A (zh) * | 2022-12-29 | 2023-05-26 | 中汽传媒(天津)有限公司 | 一种汽车零部件智能识别方法及系统 |
CN116168375B (zh) * | 2022-12-29 | 2023-07-04 | 中汽传媒(天津)有限公司 | 一种汽车零部件智能识别方法及系统 |
CN115934979A (zh) * | 2023-02-21 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | 一种基于多采集端的土壤侵蚀信息管理方法及系统 |
CN115934979B (zh) * | 2023-02-21 | 2023-05-16 | 中国科学院东北地理与农业生态研究所 | 一种基于多采集端的土壤侵蚀信息管理方法及系统 |
CN117237383A (zh) * | 2023-11-15 | 2023-12-15 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
CN117237383B (zh) * | 2023-11-15 | 2024-02-02 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115410224A (zh) | 基于图像数据的电力作业现场违章辨识系统及方法 | |
CN114070654B (zh) | 一种基于大数据的安全管控方法及其系统 | |
CN116108397B (zh) | 融合多模态数据分析的电力现场作业违章行为识别方法 | |
CN112862887A (zh) | 基于人工智能和大数据分析的建筑施工安全管理预警系统及安全云平台 | |
CN114155614B (zh) | 一种作业现场反违章行为识别方法及系统 | |
CN109243139A (zh) | 一种人员安全监控方法、终端设备、系统及存储介质 | |
CN112112629A (zh) | 一种钻井作业过程中的安全业务管理系统和方法 | |
CN110543866A (zh) | 一种基建工程施工人员的安全管理系统及方法 | |
CN212933544U (zh) | 一种基于边缘计算的现场作业安全识别系统 | |
CN107230390A (zh) | 一种船舶安全监管方法及装置 | |
CN111476160A (zh) | 损失函数优化方法、模型训练方法、目标检测方法及介质 | |
CN112329688A (zh) | 一种公共场合用智能风险管控系统 | |
CN114598551A (zh) | 一种应对持续威胁攻击的信息网络安全预警系统 | |
CN113743725B (zh) | 基于边缘计算的登高作业人员的登高资质检测方法及系统 | |
CN114358464A (zh) | 作业风险评估方法及装置、电子设备和存储介质 | |
CN110334238B (zh) | 一种基于人脸识别的失踪人口追查方法和系统 | |
CN115410335A (zh) | 一种基于机器视觉及语义网络的建筑工程安全监测预警系统 | |
CN113721299B (zh) | 一种地铁安检模式配置管理方法 | |
CN111652128A (zh) | 一种高空电力作业安全监测方法、系统和存储装置 | |
CN209821849U (zh) | 一种猫头鹰人脸识别预警系统 | |
CN114758286B (zh) | 基于工作票事件的边缘智能安全监测方法和装置 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN112529366A (zh) | 一种基于机器视觉的工程远程监理协同管控系统 | |
CN114241400A (zh) | 电网系统的监控方法及其装置、计算机可读存储介质 | |
CN113837091A (zh) | 识别方法、装置、电子设备及计算机可读存储介质 |
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 |