CN115412188A - 一种基于无线感知的配电站房操作行为识别方法 - Google Patents
一种基于无线感知的配电站房操作行为识别方法 Download PDFInfo
- Publication number
- CN115412188A CN115412188A CN202211030729.4A CN202211030729A CN115412188A CN 115412188 A CN115412188 A CN 115412188A CN 202211030729 A CN202211030729 A CN 202211030729A CN 115412188 A CN115412188 A CN 115412188A
- Authority
- CN
- China
- Prior art keywords
- data
- csi
- distribution station
- power distribution
- action
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000006399 behavior Effects 0.000 claims abstract description 44
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 210000003692 ilium Anatomy 0.000 claims abstract description 8
- 230000001360 synchronised effect Effects 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 238000013145 classification model Methods 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000036544 posture Effects 0.000 description 4
- 239000000969 carrier Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- 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
-
- 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
- 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
- G06V10/82—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Psychiatry (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Social Psychology (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于无线感知的配电站房操作行为识别方法，通过WIFI CSI传感器分别对操作行为分解后的各个动作单独进行信道状态信息采集，并通过同步相机标定以获取对应动作的三维人体骨髂标签；利用信道状态信息结合三维骨髂数据进行模型训练，构建CSI数据与三维骨髂关键点的映射网络；之后再通过WIFI CSI传感器获取整套连续动作的信道状态信息，对连续动作进行分割后，利用骨髂关键点映射网络获取骨髂点数据进行分类识别；本发明能通过WIFI CSI传感器结合深度学习算法实现配电站房连续操作行为的识别。
Description
技术领域
本发明涉及基于WiFi信道状态信息的人体感知技术以及深度学习方法的技术领域，尤其是一种基于无线感知的配电站房操作行为识别方法。
背景技术
配电站房是是电力输送系统中的一个重要组成环节，是配电网最为关键的底层设施，配电网能够安稳运行的重要前提是配电站房安全稳定地进行工作。目前的配电房远程监控系统在线监测的目标主要是针对设备、电气量以及环境的一体化，而在行为的安全管控方面的工作仍存在很大的不足。从国家能源局已有的公布的数据资料表明，电力系统伤亡事故的发生很大一部分是由于工作人员的操作行为不规范所致。工作人员违规操作不仅带来了经济上的损失，更是造成了严重的人身伤害。为了避免电力事故的发生，应对配电站房的巡检人员操作行为进行监测，当发生异常操作行为能够及时发现并发出相应预警，从而在一定程度上避免电力事故发生，确保巡检人员的人身安全和配电站房的安稳运行。
现有监测方案大部分是在配电站房内布设摄像头，但摄像头存在检测死角以及受到可见光的影响，检测效果非常有限，而WiFi无线信号能够对室内环境实现无死角全覆盖，即使在遮挡非视距环境、可见光不足的情况下使用也不受限，而且WiFi传感器部署成本低、信号容易获取。
基于WiFi的行为识别技术通常有两种数据类型的接收信号，一种是接收信号强度(Radio Signal Strength Index，RSSI)，一种是信道状态信息(Channel StateInformation，CSI)。MAC层的RSSI是多径叠加的结果，稳定性会比较差，而PHY层的CSI则说从一个采样数据中同时对多个子载波的幅值和相位信息进行测量，能够反映更加细粒度的信道信息，并且在传输过程中具有较好稳定性。因此，本专利采用WiFi CSI来进行配电站房操作行为识别。
发明内容
本发明提出一种基于无线感知的配电站房操作行为识别方法，能通过WIFI CSI传感器结合深度学习算法实现配电站房连续操作行为的识别。
本发明采用以下技术方案。
一种基于无线感知的配电站房操作行为识别方法，通过WIFI CSI传感器分别对操作行为分解后的各个动作单独进行信道状态信息采集，并通过同步相机标定以获取对应动作的三维人体骨髂标签；利用信道状态信息结合三维骨髂数据进行模型训练，构建CSI数据与三维骨髂关键点的映射网络；之后再通过WIFI CSI传感器获取整套连续动作的信道状态信息，对连续动作进行分割后，利用骨髂关键点映射网络获取骨髂点数据进行分类识别。
所述识别方法包括以下步骤；
步骤S1、将配电站房操作行为进行分解，分解后单个动作按顺序为：手车开关于试验位置、打开上柜门、断开二次空开、关住上柜门、断开自动化终端控制电源开关、合接地刀闸，在WiFi信号覆盖范围内进行这六个动作的模拟操作，分别进行各个动作的单独采集，以同步相机进行标定，获取对应动作的三维人体骨骼标签；
步骤S2、根据动作数据中视距和非视距情况，对WiFi CSI传感器信号的幅值和相位进行预处理；
步骤S3、将处理后CSI信号幅值和相位进行数据融合，以对应的三维人体骨骼数据为标签，建立数据集；
步骤S4、建立深度学习网络，将数据集送入网络进行学习，从而得到CSI信号到三维人体骨骼关键点的映射网络，实现细粒度的人体感知；
步骤S5、将对应倒闸操作中的备用转检修操作的三维人体骨骼数据单独构建骨骼数据集；
步骤S6、构建分类模型，将骨骼数据集送入分类模型中进行训练，使分类模型能完成六个动作的分类识别；
步骤S7、在建立的WiFi信号覆盖范围内进行倒闸操作中备用转检修的整套操作行为的模拟，完成模拟的整套连续动作的相应采集；
步骤S8、对步骤S7采集的连续动作，利用相机标定明确每个动作的时长，并结合动作位置对数据特征进行分析，利用分析结果设计分割算法对采集的整套连续动作进行分割；
步骤S9、将步骤S8分割后的动作数据建立数据集，送入已经训练好的骨骼关键点辨识模型中，得到相应的三维人体骨骼数据；
步骤S10、将得到的三维人体骨骼数据送入已经训练好的分类模型进行分类识别，得到相应的分类结果，完成连续操作行为的识别。
步骤S1中，WiFi信号覆盖范围内，WiFiCSI传感器信号的表征以公式表述为
Y＝HX+N 公式一；
其中Y表示接收的信号，X表示发射的信号，H表示CSI矩阵，N表示加性高斯白噪声；
在采集时，CSI传感器获得62个子载波的信号，各信号的频率响应为复数值，以公式表示如下：
H(i)＝|H(i)|ejsin∠H(i) 公式二；
式中，H(i)表示第i个子载波的信道状态信息，|H(i)|表示第i个子载波的幅值，∠H(i)表示第i个子载波的相位；
在提取动作特征时，去除CSI传感器采集的每个数据流中的子载波26到子载波36之间的11个无用子载波通道，去除后再利用算法选择合适的子载波数以减少数据冗余。
步骤S2中，对采集的CSI数据进行预处理，具体包括以下步骤：
步骤A1、进行相位解卷绕：当测量相位存在相位模糊时，其真实相位与测量相位相差2π的整数倍会产生周期性多值问题，在本步骤中先消除子载波的相位模糊性，再利用滤波算法去除噪声，滤波算法包含但不限于高斯滤波算法；
步骤A2、进行幅值预处理：对六个动作按照视距和非视距两种情况采用不同的幅值预处理方法以提高训练准确率；具体为对于视距情况，采用但不限于Hampel辨识法去除离群值以及选择移动平均滤波器去除信号中环境噪声，对于非视距情况，采用但不限于PCA或者DWT算法以适合复杂环境；
步骤A3、子载波选择：所述CSI传感器采集的每个数据流包含62个子载波，其中27到35的子载波没有CSI数据，子载波26和36受相邻零值通道影响故幅值和相位相对较低，因此在本步骤中去除26到36之间的11个无用子载波通道。同时如果全部子载波都用来进行特征的提取，会导致信息冗余影响数据处理的速度，因此再利用相应算法选择合适的子载波数以减少数据冗余。
在步骤S6中，采用但不限于LSTM、BiLSTM等深度学习算法，将骨骼数据集送入模型中进行训练。
在步骤S8中，利用相机进行相应标定，得到已知分割点的连续动作序列，结合相应时长以及动作位置对动作序列的数据特征进行分析，利用得到的分析结果设计分割算法，对采集的分割点未知的整套连续动作序列进行分割。
所述配电站房操作行为为配电站房电气倒闸操作中备用转检修的整套操作行为。
与现有技术相比，本发明有以下有益效果：
1、利用CSI数据到三维骨骼关键点的映射网络，实现了细粒度的人体感知，同时三维人体姿态的呈现，与二维人体姿态相比，在肢体被遮挡的情况下，三维姿态可以从不同角度呈现完整的姿态，实现更好的人体感知效果。
2、其次在完成连续动作分割后，不直接利用原始CSI数据进行分类识别，而是利用骨骼关键点辨识模型，进一步得到骨骼点数据来进行相应的分类识别，使用骨骼数据相比于直接使用原始CSI数据，有效地提取了CSI的数据特征，并减少了计算的数据量，从而实现更为高效的配电站房操作行为识别。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明的流程示意图；
附图2是配电站房电气倒闸操作的备用转检修动作示意图(图中(a)手车开关于试验位置；(b)打开上柜门；(c)断开二次空开；(d)关住上柜门；(e)断开自动化终端控制电源开关；(f)合接地刀闸)。
具体实施方式
如图所示，一种基于无线感知的配电站房操作行为识别方法，通过WIFI CSI传感器分别对操作行为分解后的各个动作单独进行信道状态信息采集，并通过同步相机标定以获取对应动作的三维人体骨髂标签；利用信道状态信息结合三维骨髂数据进行模型训练，构建CSI数据与三维骨髂关键点的映射网络；之后再通过WIFI CSI传感器获取整套连续动作的信道状态信息，对连续动作进行分割后，利用骨髂关键点映射网络获取骨髂点数据进行分类识别。
所述识别方法包括以下步骤；
步骤S1、将配电站房操作行为进行分解，分解后单个动作按顺序为：手车开关于试验位置、打开上柜门、断开二次空开、关住上柜门、断开自动化终端控制电源开关、合接地刀闸，在WiFi信号覆盖范围内进行这六个动作的模拟操作，分别进行各个动作的单独采集，以同步相机进行标定，获取对应动作的三维人体骨骼标签；
步骤S2、根据动作数据中视距和非视距情况，对WiFi CSI传感器信号的幅值和相位进行预处理；
步骤S3、将处理后CSI信号幅值和相位进行数据融合，以对应的三维人体骨骼数据为标签，建立数据集；
步骤S4、建立深度学习网络，将数据集送入网络进行学习，从而得到CSI信号到三维人体骨骼关键点的映射网络，实现细粒度的人体感知；
步骤S5、将对应倒闸操作中的备用转检修操作的三维人体骨骼数据单独构建骨骼数据集；
步骤S6、构建分类模型，将骨骼数据集送入分类模型中进行训练，使分类模型能完成六个动作的分类识别；
步骤S7、在建立的WiFi信号覆盖范围内进行倒闸操作中备用转检修的整套操作行为的模拟，完成模拟的整套连续动作的相应采集；
步骤S8、对步骤S7采集的连续动作，利用相机标定明确每个动作的时长，并结合动作位置对数据特征进行分析，利用分析结果设计分割算法对采集的整套连续动作进行分割；
步骤S9、将步骤S8分割后的动作数据建立数据集，送入已经训练好的骨骼关键点辨识模型中，得到相应的三维人体骨骼数据；
步骤S10、将得到的三维人体骨骼数据送入已经训练好的分类模型进行分类识别，得到相应的分类结果，完成连续操作行为的识别。
步骤S1中，WiFi信号覆盖范围内，WiFiCSI传感器信号的表征以公式表述为
Y＝HX+N 公式一；
其中Y表示接收的信号，X表示发射的信号，H表示CSI矩阵，N表示加性高斯白噪声；
在采集时，CSI传感器获得62个子载波的信号，各信号的频率响应为复数值，以公式表示如下：
H(i)＝|H(i)|ejsin∠H(i) 公式二；
式中，H(i)表示第i个子载波的信道状态信息，|H(i)|表示第i个子载波的幅值，∠H(i)表示第i个子载波的相位；
在提取动作特征时，去除CSI传感器采集的每个数据流中的子载波26到子载波36之间的11个无用子载波通道，去除后再利用算法选择合适的子载波数以减少数据冗余。
步骤S2中，对采集的CSI数据进行预处理，具体包括以下步骤：
步骤A1、进行相位解卷绕：当测量相位存在相位模糊时，其真实相位与测量相位相差2π的整数倍会产生周期性多值问题，在本步骤中先消除子载波的相位模糊性，再利用滤波算法去除噪声，滤波算法包含但不限于高斯滤波算法；
步骤A2、进行幅值预处理：对六个动作按照视距和非视距两种情况采用不同的幅值预处理方法以提高训练准确率；具体为对于视距情况，采用Hampel辨识法去除离群值以及选择移动平均滤波器去除信号中环境噪声，对于非视距情况，采用PCA或者DWT算法以适合复杂环境；
步骤A3、子载波选择：所述CSI传感器采集的每个数据流包含62个子载波，其中27到35的子载波没有CSI数据，子载波26和36受相邻零值通道影响故幅值和相位相对较低，因此在本步骤中去除26到36之间的11个无用子载波通道。同时如果全部子载波都用来进行特征的提取，会导致信息冗余影响数据处理的速度，因此再利用相应算法选择合适的子载波数以减少数据冗余。
在步骤S6中，采用但不限于LSTM、BiLSTM等深度学习算法，将骨骼数据集送入模型中进行训练。
在步骤S8中，利用相机进行相应标定，得到已知分割点的连续动作序列，结合相应时长以及动作位置对动作序列的数据特征进行分析，利用得到的分析结果设计分割算法，对采集的分割点未知的整套连续动作序列进行分割。
所述配电站房操作行为为配电站房电气倒闸操作中备用转检修的整套操作行为。
实施例：
本例中具体步骤如下：
(1)采集配电站房电气倒闸操作中备用转检修的整套操作行为，并对连续操作行为分解后的六个动作进行单独采集，分解后的六个动作如图2所示，采集的数据通过UDP协议进行传输。
为了表征CSI，可以将其表示为：
Y＝HX+N (1)
其中Y表示接收的信号，X表示发射的信号，H表示CSI矩阵，N表示加性高斯白噪声。利用本文的CSI传感器可以获得62个子载波的信号，各信号的频率响应是复数值，表示如下：
H(i)＝|H(i)|ejsin∠H(i) (2)
式中，H(i)表示第i个子载波的信道状态信息，|H(i)|表示第i个子载波的幅值，∠H(i)表示第i个子载波的相位。
(2)对采集的CSI数据进行预处理，具体包括以下步骤：
1)进行相位解卷绕
测量相位存在相位模糊，真实相位与测量相位相差2π的整数倍，会产生周期性多值问题，因此需消除子载波的相位模糊性，再利用滤波算法，包含但不限于高斯滤波算法去除噪声。
2)进行幅值预处理
对六个动作按照视距和非视距两种情况采用不同的幅值预处理方法以提高训练准确率。对于视距情况，包含但不限于采用Hampel辨识法去除离群值以及选择移动平均滤波器去除信号中环境噪声。对于非视距情况，使用更适合复杂环境的算法，包含但不限于采用PCA或者DWT算法。
3)子载波选择
使用的CSI传感器采集的每个数据流包含62个子载波，其中27到35的子载波没有CSI数据。子载波26和36受相邻零值通道影响，幅值和相位相对较低，因此去除26到36之间的11个子载波通道，同时如果全部子载波都用来进行特征的提取，会导致信息冗余影响数据处理的速度，因此利用相应算法选择合适的子载波数以减少数据冗余。
(3)将单独采集的六个动作的CSI幅值和相位进行数据融合，与对应的三维人体骨骼数据建立数据集。构建深度学习网络，将训练集送入模型进行相应的训练，实现CSI数据到三维骨骼关键点的映射网络。
(4)将对应的三维人体骨骼数据单独构建一份骨骼数据集。构建分类模型，包含但不限于采用LSTM、BiLSTM等深度学习算法，将骨骼数据集送入模型中进行训练，进行六个动作的分类识别。
(5)对采集的电气倒闸操作中备用转检修的整套操作行为，利用相机进行相应标定，可以得到已知分割点的连续动作序列，结合相应时长以及动作位置对动作序列的数据特征进行分析，利用得到的分析结果设计分割算法对采集的分割点未知的整套连续动作序列进行分割。
(6)将分割后的动作数据建立数据集，送入已经训练好的骨骼关键点辨识模型中，得到相应的三维人体骨骼数据。
(7)将得到的三维人体骨骼数据作为已经训练好的分类模型的输入，得到相应的分类结果，完成配电站房连续操作行为的识别。
Claims (7)
1.一种基于无线感知的配电站房操作行为识别方法，其特征在于：通过WIFI CSI传感器分别对操作行为分解后的各个动作单独进行信道状态信息采集，并通过同步相机标定以获取对应动作的三维人体骨髂标签；利用信道状态信息结合三维骨髂数据进行模型训练，构建CSI数据与三维骨髂关键点的映射网络；之后再通过WIFICSI传感器获取整套连续动作的信道状态信息，对连续动作进行分割后，利用骨髂关键点映射网络获取骨髂点数据进行分类识别。
2.根据权利要求1所述的一种基于无线感知的配电站房操作行为识别方法，其特征在于：所述识别方法包括以下步骤；
步骤S1、将配电站房操作行为进行分解，分解后单个动作按顺序为：手车开关于试验位置、打开上柜门、断开二次空开、关住上柜门、断开自动化终端控制电源开关、合接地刀闸，在WiFi信号覆盖范围内进行这六个动作的模拟操作，分别进行各个动作的单独采集，以同步相机进行标定，获取对应动作的三维人体骨骼标签；
步骤S2、根据动作数据中视距和非视距情况，对WiFiCSI传感器信号的幅值和相位进行预处理；
步骤S3、将处理后CSI信号幅值和相位进行数据融合，以对应的三维人体骨骼数据为标签，建立数据集；
步骤S4、建立深度学习网络，将数据集送入网络进行学习，从而得到CSI信号到三维人体骨骼关键点的映射网络，实现细粒度的人体感知；
步骤S5、将对应倒闸操作中的备用转检修操作的三维人体骨骼数据单独构建骨骼数据集；
步骤S6、构建分类模型，将骨骼数据集送入分类模型中进行训练，使分类模型能完成六个动作的分类识别；
步骤S7、在建立的WiFi信号覆盖范围内进行倒闸操作中备用转检修的整套操作行为的模拟，完成模拟的整套连续动作的相应采集；
步骤S8、对步骤S7采集的连续动作，利用相机标定明确每个动作的时长，并结合动作位置对数据特征进行分析，利用分析结果设计分割算法对采集的整套连续动作进行分割；
步骤S9、将步骤S8分割后的动作数据建立数据集，送入已经训练好的骨骼关键点辨识模型中，得到相应的三维人体骨骼数据；
步骤S10、将得到的三维人体骨骼数据送入已经训练好的分类模型进行分类识别，得到相应的分类结果，完成连续操作行为的识别。
3.根据权利要求2所述的一种基于无线感知的配电站房操作行为识别方法，其特征在于：步骤S1中，WiFi信号覆盖范围内，WiFiCSI传感器信号的表征以公式表述为
Y＝HX+N 公式一；
其中Y表示接收的信号，X表示发射的信号，H表示CSI矩阵，N表示加性高斯白噪声；
在采集时，CSI传感器获得62个子载波的信号，各信号的频率响应为复数值，以公式表示如下：
H(i)＝|H(i)|ejsin∠H(i) 公式二；
式中，H(i)表示第i个子载波的信道状态信息，|H(i)|表示第i个子载波的幅值，∠H(i)表示第i个子载波的相位；
在提取动作特征时，去除CSI传感器采集的每个数据流中的子载波26到子载波36之间的11个无用子载波通道，去除后再利用算法选择合适的子载波数以减少数据冗余。
4.根据权利要求2所述的一种基于无线感知的配电站房操作行为识别方法，其特征在于：步骤S2中，对采集的CSI数据进行预处理，具体包括以下步骤：
步骤A1、进行相位解卷绕：当测量相位存在相位模糊时，其真实相位与测量相位相差2π的整数倍会产生周期性多值问题，在本步骤中先消除子载波的相位模糊性，再利用滤波算法去除噪声，滤波算法包含高斯滤波算法；
步骤A2、进行幅值预处理：对六个动作按照视距和非视距两种情况采用不同的幅值预处理方法以提高训练准确率；具体为对于视距情况，采用Hampel辨识法去除离群值以及选择移动平均滤波器去除信号中环境噪声，对于非视距情况，采用PCA或者DWT算法以适合复杂环境；
步骤A3、子载波选择：所述CSI传感器采集的每个数据流包含62个子载波，其中27到35的子载波没有CSI数据，子载波26和36受相邻零值通道影响故幅值和相位相对较低，在本步骤中去除26到36之间的11个子载波通道以减少数据冗余。
5.根据权利要求2所述的一种基于无线感知的配电站房操作行为识别方法，其特征在于：在步骤S6中，采用LSTM、BiLSTM深度学习算法，将骨骼数据集送入模型中进行训练。
6.根据权利要求2所述的一种基于无线感知的配电站房操作行为识别方法，其特征在于：在步骤S8中，利用相机进行相应标定，得到已知分割点的连续动作序列，结合相应时长以及动作位置对动作序列的数据特征进行分析，利用得到的分析结果设计分割算法，对采集的分割点未知的整套连续动作序列进行分割。
7.根据权利要求1所述的一种基于无线感知的配电站房操作行为识别方法，其特征在于：所述配电站房操作行为为配电站房电气倒闸操作中备用转检修的整套操作行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211030729.4A CN115412188A (zh) | 2022-08-26 | 2022-08-26 | 一种基于无线感知的配电站房操作行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211030729.4A CN115412188A (zh) | 2022-08-26 | 2022-08-26 | 一种基于无线感知的配电站房操作行为识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115412188A true CN115412188A (zh) | 2022-11-29 |
Family
ID=84161570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211030729.4A Pending CN115412188A (zh) | 2022-08-26 | 2022-08-26 | 一种基于无线感知的配电站房操作行为识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115412188A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190087654A1 (en) * | 2017-09-15 | 2019-03-21 | Huazhong University Of Science And Technology | Method and system for csi-based fine-grained gesture recognition |
| CN110245588A (zh) * | 2019-05-29 | 2019-09-17 | 西安交通大学 | 一种基于无线射频信号的细粒度人体姿态估计方法 |
| CN110728213A (zh) * | 2019-09-26 | 2020-01-24 | 浙江大学 | 一种基于无线射频信号的细粒度人体姿态估计方法 |
| CN111797804A (zh) * | 2020-07-16 | 2020-10-20 | 西安交通大学 | 一种基于深度学习的信道状态信息人类活动识别方法及系统 |
| CN111914643A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 一种基于骨骼关键点检测的人体动作识别方法 |
| CN113723221A (zh) * | 2021-08-11 | 2021-11-30 | 西安交通大学 | 基于WiFi信道状态信息的室内行为实时识别方法及系统 |
| CN114219853A (zh) * | 2021-11-12 | 2022-03-22 | 杭州昌泽信息技术有限公司 | 一种基于无线信号的多人三维姿态估计方法 |
| CN114581958A (zh) * | 2022-05-06 | 2022-06-03 | 南京邮电大学 | 一种基于csi信号到达角估计的静态人体姿势估计方法 |
| US20220262164A1 (en) * | 2021-02-10 | 2022-08-18 | Robert Bosch Gmbh | Apparatus, method and system for person detection and identification utilizing wireless signals and images |
-
2022
- 2022-08-26 CN CN202211030729.4A patent/CN115412188A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190087654A1 (en) * | 2017-09-15 | 2019-03-21 | Huazhong University Of Science And Technology | Method and system for csi-based fine-grained gesture recognition |
| CN110245588A (zh) * | 2019-05-29 | 2019-09-17 | 西安交通大学 | 一种基于无线射频信号的细粒度人体姿态估计方法 |
| CN110728213A (zh) * | 2019-09-26 | 2020-01-24 | 浙江大学 | 一种基于无线射频信号的细粒度人体姿态估计方法 |
| CN111914643A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 一种基于骨骼关键点检测的人体动作识别方法 |
| CN111797804A (zh) * | 2020-07-16 | 2020-10-20 | 西安交通大学 | 一种基于深度学习的信道状态信息人类活动识别方法及系统 |
| US20220262164A1 (en) * | 2021-02-10 | 2022-08-18 | Robert Bosch Gmbh | Apparatus, method and system for person detection and identification utilizing wireless signals and images |
| CN113723221A (zh) * | 2021-08-11 | 2021-11-30 | 西安交通大学 | 基于WiFi信道状态信息的室内行为实时识别方法及系统 |
| CN114219853A (zh) * | 2021-11-12 | 2022-03-22 | 杭州昌泽信息技术有限公司 | 一种基于无线信号的多人三维姿态估计方法 |
| CN114581958A (zh) * | 2022-05-06 | 2022-06-03 | 南京邮电大学 | 一种基于csi信号到达角估计的静态人体姿势估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| LINLIN GUO, LEI WANG, , JIALIN LIU: "HuAc: Human Activity Recognition Using Crowdsourced WiFi Signals and Skeleton Data", WIRELESS COMMUNICATIONS & MOBILE COMPUTING, 11 January 2018 (2018-01-11), pages 4 - 8 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105932774B (zh) | 基于ica算法的智能变电站设备状态预警方法 | |
| CN109188148B (zh) | 应用于智能电网的输电线路可靠监测系统 | |
| CN102841296B (zh) | 基于超高频检测的智能开关柜局部放电在线监测系统及方法 | |
| CN103499774B (zh) | 输电绝缘子闪络在线监视安全预警装置 | |
| CN105868722A (zh) | 异常电力设备图像的识别方法及系统 | |
| CN105049814A (zh) | 一种监测分析人员运动轨迹的方法及系统 | |
| CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
| CN111695512B (zh) | 一种无人值守文物监测方法及装置 | |
| CN115453286B (zh) | Gis局部放电诊断方法、模型训练方法、装置及系统 | |
| CN107632240A (zh) | 架空电缆电流数据分析方法、健康状态监测方法及系统 | |
| CN112949487A (zh) | 一种基于WiFi的船舶驾驶室人员数量检测方法及系统 | |
| CN109782139A (zh) | 一种gis特高频局部放电在线监测系统及其监测方法 | |
| CN113030588A (zh) | 基于无人机的机场通信导航设备电磁环境检测系统 | |
| CN111950410B (zh) | 基于无线电指纹识别的在线电磁环境监测装置及其方法 | |
| CN105974223B (zh) | 一种用于在线检测用电设备工作状态的方法及系统 | |
| CN113644748B (zh) | 一种区域内变电站设备模拟监控系统及方法 | |
| CN115102287A (zh) | 一种新能源电站集中区域智能管控系统 | |
| CN117406137B (zh) | 一种输电线路雷电泄电流监测方法及系统 | |
| CN113095160B (zh) | 基于人工智能和5g的电力系统人员安全行为识别方法及系统 | |
| WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
| CN117556359A (zh) | 配电设备健康状态评估系统及方法 | |
| CN115412188A (zh) | 一种基于无线感知的配电站房操作行为识别方法 | |
| CN107358343A (zh) | 基于图像数据特征差异性的电力工程安全预警方法 | |
| CN116665419A (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 | |
| Carvalho et al. | Monitoring system for vegetation encroachment detection in power lines based on wireless sensor networks |
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 |