CN115424410B - 基于无线辐射感知与多模态数据的高压环境防护方法 - Google Patents
基于无线辐射感知与多模态数据的高压环境防护方法 Download PDFInfo
- Publication number
- CN115424410B CN115424410B CN202211365112.8A CN202211365112A CN115424410B CN 115424410 B CN115424410 B CN 115424410B CN 202211365112 A CN202211365112 A CN 202211365112A CN 115424410 B CN115424410 B CN 115424410B
- Authority
- CN
- China
- Prior art keywords
- worker
- distance
- electric field
- environment
- voltage
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005684 electric field Effects 0.000 claims abstract description 35
- 230000008447 perception Effects 0.000 claims abstract description 3
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000013526 transfer learning Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 239000004020 conductor Substances 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明针对现有技术中高压环境中的作业人员只能被动安全防护的问题，提出了一种基于无线辐射感知与多模态数据的高压环境防护方法，属于高压电场预警控制技术领域，通过搭载电场强度传感器、高清深度视觉传感器、三维定位传感器、加速度传感器，通过实时场强分析、视觉处理与定位和轨迹预测，对高压环境的电场分布、工人作业画面以及工人在高压作业环境下的移动路径等多模态数据进行采集、分析与融合，综合分析工人在高压环境下作业的安全指数，以此为依据进行提示和预警。
Description
技术领域
本发明属于高压电场预警控制技术领域，具体涉及一种基于无线辐射感知与多模态数据的高压环境防护方法。
背景技术
在高压电力行业中，为保证电力工人进入现场作业时的人身安全，工人须佩戴电力作业安全设备。现有的电力作业安全设备以安全帽与防护服为主，仅是用绝缘材料制成的具备日常的头部防护、减震及当碰到带电导电时有一定的绝缘作用的传统设备，对于防止高压电力行业最常见的触电事故，保护电力工人的安全是绝对不够的。此外，部分同类智能化产品搭载例如高压检测、定位模块等监测高压作业现场环境参数的传感器，此类设备能一定程度上提高工人在高压带电环境下的安全性，如公开号CN107607798A名为“触电风险监测方法及可穿戴设备”的申请文件记载了通过电磁感应传感器获取当前位置的电场强度，获取当前位置周围的带电体的电压及其对应的安全距离发出报警。如公开号为CN202394375U名为“一种用于有限空间作业环境安全预警的可佩带式设备”的申请文件记载了能检测出作业环境的有毒有害气体信息，且能对作业人员生理参数进行实时监测，为作业人员意外伤害提供有效预警与防范的可佩戴式设备。
只能被动防护，因此，有必要以智能感知和智能硬件为手段研制一款新型高压电力环境作业安全防护设备。
发明内容
本发明针对现有技术中高压环境中的作业人员只能被动安全防护的问题，提出了一种基于无线辐射感知与多模态数据的高压环境防护方法。该方法通过电场辐射感知周围是否存在带有高电压的导体，并通过工人移动过程中高压带电体的场强分布，实时分析工人与带电体的相对位置，当电力工人离带电导体的距离小于规定的安全距离时，设备会自动发出报警信号，以保护电力作业人员的安全。
本发明的发明目的是通过以下技术方案实现的：一种基于无线辐射感知与多模态数据的高压环境防护方法，搭载电场强度传感器、高清深度视觉传感器、三维定位传感器、加速度传感器，通过实时场强分析、视觉处理与定位和轨迹预测，对高压环境的电场分布、工人作业画面以及工人在高压作业环境下的移动路径等多模态数据进行采集、分析与融合，综合分析工人在高压环境下作业的安全指数，以此为依据进行提示和预警。
作为优选，所述实时场强分析算法通过电场强度传感器获得工人作业所在二维平面内的电场辐射强度分布，通过三维定位传感器获得工人作业时相对于作业区地面的高度，通过该高度与工人所处位置平面内的场强分布积分获得工人作业所处位置的二维平面到作业区域地面之间的场强总和。
作为优选，视觉处理算法通过高清深度视觉传感器获得工人当前时刻的作业环境图像以及工人当前时刻与各高压设备的距离，通过深度学习目标识别算法对作业环境内的各高压设备进行识别与标记；通过尺度不变特征变换方法将距离信息和视觉处理算法识别出的高压设备标记进行关联，取得工人与不同高压设备之间的距离。
作为优选，定位算法采用超宽带(UWB)技术对工人在作业区域的位置进行标定。
作为优选，所述轨迹预测采用卡尔曼滤波算法，将工人的历史运动轨迹与当前时刻加速度计数据作为输入，预测下一时刻的工人定位。
作为优选，所述多模态数据融合算法采用深度神经网络模型进行数据处理，具体处理过程为：
1)获得三维作业区域内电场辐射强度；
2)获得作业环境内各高压设备标记；
3)获得作业环境内各高高压设备与工人之间距离；
4)获得工人在工作区域内的定位；
5)将高压设备标记、高压设备与工人之间距离、工人定位作为深度神经网络输入，将当前电场辐射强度作为深度神经标签，对网络进行训练；
6)利用5)训练完成的深度神经网络模型，通过高压设备标记、高压设备与工人之间距离、工人定位，对当前时刻与下一时刻工人所处环境的电场辐射强度做出预测。
作为优选，所述的深度神经网络模型，采用多层感知机(MLP)模型作为基本算法框架，对输入参数进行归一化，采用带泄露线性整流函数(Leaky ReLU)作为深度神经网络的激活函数，采用交叉熵函数作为深度神经网络的损失函数，采用梯度下降方法对网络进行优化。
作为优选，通过深度神经网络模型获得工人所处环境的电场辐射强度及下一时刻环境电场辐射强度的预测值，以此为依据评估当前高压工作环境的安全系数，在安全系数低于阈值时对工人进行提示，并根据历史动作记录提示工人导致潜在危险的原因，实现危险因素溯源，提高工人的安全意识。
与现有技术相比，本发明具有以下有益效果：
当电力工人进入作业现场时，本方法能通过电场辐射感知周围是否存在带有高电压的导体,并通过工人移动过程中高压带电体的场强分布，采用算法实时分析工人与高电压的导体的相对位置，当电力工人离高电压的导体的距离小于规定的安全距离时，设备会自动发出报警信号，以保护电力工人的安全，防止发生触电事故。此外，本方法能够通过高清深度摄像头以及三维定位传感器分析工人在高压环境下的行动轨迹与操作过程中的不规范行为，通过视觉处理算法、行动路径预测算法以及实时场强分布等多模态数据，对工人的危险行为做出预警，并进行提示和安全教育，将防护由被动转为主动。
附图说明
图1为本发明所提及的设备的系统框图；
图2为本发明中Yolov5网络结构流程框图；
图3为四点质心式UWB定位的基站与设备设置示意图；
图4为四点质心式UWB定位的算法流程图；
图5为多环境高压设备特征点匹配与距离标识算法流程图；
图6为多模态数据融合算法的流程图。
具体实施方式
下面结合附图所表示的实施例对本发明作进一步描述：
如图1所示，一种基于无线辐射感知与多模态数据的高压环境防护方法，通过搭载CS110型电场强度传感器、奥比中光Astra Pro高清深度视觉传感器、LinkTrack P-BS UWB三维定位传感器、MPU6050加速度传感器的防护设备，通过实时场强分析、视觉处理与定位和轨迹预测，对高压环境的电场分布、工人作业画面以及工人在高压作业环境下的移动路径等多模态数据进行采集、分析与融合，综合分析工人在高压环境下作业的安全指数，以此为依据进行提示和预警。该防护设备搭载Xilinx ZYNQ7100异构计算处理器，由双核Cortex-A9通用处理器(CPU)加现场可编程逻辑门阵列(FPGA)构成。其中CPU负责执行数据采集与系统调度，FPGA负责执行各类数据处理算法，实现多模态数据融合。此外，该防护设备还搭载了VTX30-800 5.8G无线通信模块，能够将处理和压缩后的数据经VTX30-800 5.8G无线模块发送出去，实现数据上报。
其中，实时场强分析通过CS110型电场强度传感器获得二维平面内的电场辐射强度分布E，通过LinkTrack P-BS UWB三维定位传感器获得工人作业时的相对作业场所地面的高度h，通过高度与二维平面内的场强分布积分获得该三维作业区域内的场强总和Eall：
其中，视觉处理算法是通过深度视觉传感器获取工人作业环境图像，通过YOLO深度学习网络对工人进行标记与识别，从而得到工人与不同高压设备之间的距离；如图5所示，具体步骤如下：
步骤1、通过奥比中光Astra Pro高清深度视觉传感器获得工人当前时刻的作业环境图像I；
步骤2、将第一步得到的I利用Image Labeler进行标注，然后基于迁移学习通过YOLO V5深度学习目标识别算法对作业环境内的各高压设备进行识别；其中Yolov5网络结构如图2所示，输入端输入的是大小为608*608像素，通道数为3的RGB图像I；
步骤3、将步骤2中识别出的高压设备进行框选标注形成候选框，并将候选框进行分类，找出其中的特征点与描述子，然后通过尺度不变特征变换(SIFT)方法将图像中高压设备二维像素坐标和实际空间中的三维坐标进行关联；具体过程如下：
S11、对识别后的图像I进行预处理，从而得到更多高质量的特征点，其中预处理的变换公式为如下：
[u′,v′,z′]＝[u,v,z]A
其中[u,v,z]是原始图像像素坐标，
A是视频流中截取的不同视角拍到同一高压设备的任意两张图像的对应特征点计算得出的旋转矩阵，[u′,v′,z′]是变换后的图像像素坐标。
S12、计算图像的梯度和各个像素的Harris矩阵；其中图像梯度为：
Harris矩阵H为：
w(x,y)是一个权重系数，默认为1，(x,y)：表示像素的位置，表示窗口内的每个像素。I(x,y)：表示(x,y)这个位置的像素值。如果是灰度图，I(x,y)就是灰度值，如果是彩色图，I(x,y)就是RGB值。
S13、通过汉明距离比较同一高压设备在图像中的任意两幅图像中特征描述子之间的距离，其中汉明距离公式为：a和b是待匹配图片像素点的两个特征描述子序列，两个序列先按位异或然后再求和得到汉明距离，
通过汉明公式比较最近邻距离和次近邻距离的比值小于阈值则进行特征点匹配。
步骤4、利用匹配好的特征点通过三角化计算工人与不同高压设备之间的距离；
其中，定位算法采用超宽带(UWB)技术对工人在作业区域的位置进行标定，如图3、图4所示，其具体实施过程为：
1)在防护设备中安放LinkTrack P-BS UWB定位标签；
2)以作业区域中心为圆心，作业区域正东、正西、正南、正北方向相同距离和高度处架设UWB基站，架设距离不超过200米，架设高度不超过10米；
3)计算4个定位基站到标签之间的电磁波传输时间差值，四点质心算法估计被测设备的位置，四点质心法计算公式为：
其中(x0，y0)是待测设备坐标，(x1，y1)是西侧基站坐标，(x2，y2)北侧基站坐标，(x3，y3)是东侧基站坐标，(x4，y4)是南侧基站坐标；
V是电磁波的传输速度；
t1是电磁波从西侧基站到待测设备所用时间，t2是电磁波从北侧基站到待测设备所用时间，t3是电磁波从东侧基站到待测设备所用时间，t4是电磁波从南侧基站到待测设备所用时间。
其中，定位和轨迹预测算法是采用卡尔曼滤波算法，将工人的历史运动轨迹与当前时刻加速度传感器数据作为输入，预测下一时刻的工人定位；具体过程如下：
S21、通过LinkTrack P-BS UWB室内三维定位传感器得到工人的历史运动轨迹t；
S22、通过MPU6050加速度传感器输出的电势差得到工人活动时的瞬时加速度a；
S23、将历史运动轨迹t作为上一次的估计值，对加速度a进行二次积分作为当前的测量值通过卡尔曼滤波对工人的运动轨迹进行滤波得到当前的估计值，作为下一时刻的工人定位的预测；其中卡尔曼滤波过程如下所示，具体过程如下：
tk＝tk-1+·Kk(∫∫a dtdt-tk-1)
其中tk是当前轨迹的估计值，tk-1是上一次的估计值，∫∫a dtdt是当前的轨迹测量值，Kk是卡尔曼增益；
其中eEST k-1是上一次的估计误差，eMEA k是当前的测量误差。
上述多模态数据融合算法采用深度神经网络模型进行数据处理，如图6所示，具体处理过程为：
S41、通过实时场强分析算法获得二维平面内的电场辐射强度分布E；
S42、通过视频处理算法获得工人与不同高压设备之间的距离d；
S43、通过室内定位和轨迹预测算法获得工人在工作区域内的轨迹t；
S44、将当前电场辐射强度E、高压设备与工人之间距离d、工人轨迹t作为深度神经网络输入，对网络进行训练；其中具体说明如下：
(1)对输入参数进行归一化，即将视觉处理算法时输入的原图像统一缩小图像尺寸至800×600，然后从中心裁剪宽为640像素，高为512像素的图像块作为输入；
(2)采用多层感知机(MLP)模型作为基本算法框架；
(3)采用带泄露线性整流函数(Leaky ReLU)作为深度神经网络的激活函数；
(4)采用交叉熵函数作为深度神经网络的损失函数：
P是概率空间，权重系数λ一般设置为1；
(5)采用梯度下降方法对网络进行优化；
(6)使用SGD作为优化器，编码器和解码器的初始学习率设为0.01，学习率减少因子设为0.1；
S45、网络输出获得工人所处环境的电场辐射强度及下一时刻环境电场辐射强度的预测值，与室内定位和轨迹预测算法预测的下一时刻工人定位相结合，评估当前高压工作环境的安全系数。
通过深度神经网络模型获得工人所处环境的电场辐射强度及下一时刻环境电场辐射强度的预测值，以此为依据评估当前高压工作环境的安全系数，在安全系数低于阈值时对工人进行提示，并根据历史动作记录提示工人导致潜在危险的原因，实现危险因素溯源，提高工人的安全意识。
文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于无线辐射感知与多模态数据的高压环境防护方法，其特征在于，搭载电场强度传感器、高清深度视觉传感器、三维定位传感器、加速度传感器，通过实时场强分析、视觉处理与定位、轨迹预测，对高压环境的电场分布、工人作业画面以及工人在高压作业环境下的移动路径多模态数据进行采集、分析与融合，综合分析工人在高压环境下作业的安全指数，以此安全指数为依据进行提示和预警；
所述轨迹预测采用卡尔曼滤波算法，将工人的历史运动轨迹与当前时刻加速度传感器数据作为输入，预测下一时刻的工人定位；具体过程如下：
S21、通过三维定位传感器得到工人的历史运动轨迹t；
S22、通过加速度传感器输出的电势差得到工人活动时的瞬时加速度a；
S23、将历史运动轨迹t作为上一次的估计值，对加速度a进行二次积分作为当前的测量值通过卡尔曼滤波对工人的运动轨迹进行滤波得到当前的估计值，作为下一时刻的工人定位的预测；其中卡尔曼滤波过程如下所示，具体过程如下：
tk＝tk-1+Kk(∫∫a dtdt-tk-1)
其中tk是当前轨迹的估计值，tk-1是上一次的估值，∫∫a dtdt是当前的轨迹测量值，Kk是卡尔曼增益；
其中eEST k-1是上一次的估计误差，eMEA k是当前的测量误差；
所述视觉处理通过高清深度视觉传感器获得工人当前时刻的作业环境图像以及工人当前时刻与各高压设备的距离，通过深度学习目标识别算法对高清深度视觉传感器获得的作业环境图像中的各高压设备进行识别与标记；通过尺度不变特征变换方法将距离信息和视觉处理算法识别出的高压设备标记进行关联，取得工人与不同高压设备之间的距离，具体步骤如下：
步骤1、通过高清深度视觉传感器获得工人当前时刻的作业环境图像I；
步骤2、将第一步得到的I利用Image Labeler进行标注，然后基于迁移学习通过YOLOV5深度学习目标识别算法对作业环境内的各高压设备进行识别；其中Yolov5网络结构的输入端输入的是大小为608*608像素，通道数为3的RGB图像I；
步骤3、将步骤2中识别出的高压设备进行框选标注形成候选框，并将候选框进行分类，找出其中的特征点与描述子，然后通过尺度不变特征变换方法将图像中高压设备二维像素坐标和实际空间中的三维坐标进行关联；具体过程如下：
S11、对识别后的图像I进行预处理，从而得到更多高质量的特征点，其中预处理的变换公式为如下：
[u′,v′,z′]＝[u,v,z]A
其中[u,v,z]是原始图像像素坐标，A是视频流中截取的不同视角拍到同一高压设备的任意两张图像的对应特征点计算得出的旋转矩阵，
[u′,v′,z′]是变换后的图像像素坐标；
S12、计算图像的梯度和各个像素的Harris矩阵；其中图像梯度为：
Harris矩阵H为：
w(x,y)是一个权重系数，默认为1，(x,y)：表示像素的位置，表示窗口内的每个像素；I(x,y)：表示(x,y)这个位置的像素值，如果是灰度图，I(x,y)就是灰度值，如果是彩色图，I(x,y)就是RGB值；
S13、通过汉明距离比较同一高压设备在图像中的任意两幅图像中特征描述子之间的距离，其中汉明距离公式为：a和b是待匹配图片像素点的两个特征描述子序列，两个序列先按位异或然后再求和得到汉明距离，通过汉明公式比较最近邻距离和次近邻距离的比值小于阈值则进行特征点匹配；
步骤4、利用匹配好的特征点通过三角化计算工人与不同高压设备之间的距离。
2.根据权利要求1所述的基于无线辐射感知与多模态数据的高压环境防护方法，其特征在于，所述实时场强分析通过电场强度传感器获得工人作业所在的二维平面内的电场辐射强度分布，通过三维定位传感器获得工人作业时相对于作业区地面的高度，通过该高度与工人所处位置平面内的场强分布积分获得工人作业所处位置的二维平面到作业区域地面之间的场强总和。
3.根据权利要求1所述的基于无线辐射感知与多模态数据的高压环境防护方法，其特征在于，定位算法采用超宽带技术对工人在作业区域的位置进行标定，具体步骤如下：
1)在防护设备中安放UWB定位标签；
2)以作业区域中心为圆心，作业区域正东、正西、正南、正北方向相同距离和高度处架设UWB基站，架设距离不超过200米，架设高度不超过10米；
3)计算4个定位基站到标签之间的电磁波传输时间差值，四点质心算法估计被测设备的位置，四点质心法计算公式为：
其中(x0，y0)是待测设备坐标，(x1，y1)是西侧基站坐标，(x2，y2)北侧基站坐标，(x3，y3)是东侧基站坐标，(x4，y4)是南侧基站坐标；
v是电磁波的传输速度；
t1是电磁波从西侧基站到待测设备所用时间，t2是电磁波从北侧基站到待测设备所用时间，t3是电磁波从东侧基站到待测设备所用时间，t4是电磁波从南侧基站到待测设备所用时间。
4.根据权利要求1所述的基于无线辐射感知与多模态数据的高压环境防护方法，其特征在于，所述多模态数据采用深度神经网络模型进行数据处理，具体处理过程为：
1)获得三维作业区域内电场辐射强度；
2)获得作业环境内各高压设备标记；
3)获得作业环境内各高压设备与工人之间距离；
4)获得工人在工作区域内的位置；
5)将高压设备标记、高压设备与工人之间距离、工人在作业区域的位置作为深度神经网络输入，将当前电场辐射强度作为深度神经标签，对网络进行训练；
6)利用5)训练完成的深度神经网络模型，输出下一时刻工人在作业区域所在位置的电场辐射强度预测值。
5.根据权利要求4所述的基于无线辐射感知与多模态数据的高压环境防护方法，其特征在于，所述的深度神经网络模型，采用多层感知机模型作为基本算法框架，对输入参数进行归一化，采用带泄露线性整流函数作为深度神经网络的激活函数，采用交叉熵函数作为深度神经网络的损失函数，采用梯度下降方法对网络进行优化。
6.根据权利要求5所述的基于无线辐射感知与多模态数据的高压环境防护方法，其特征在于，通过深度神经网络模型获得工人所处环境的电场辐射强度及下一时刻环境电场辐射强度的预测值，进而评估当前高压工作环境的安全系数，在安全系数低于阈值时对工人进行提示，并根据历史动作记录提示工人导致潜在危险的原因，实现危险因素溯源，提高工人的安全意识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365112.8A CN115424410B (zh) | 2022-11-03 | 2022-11-03 | 基于无线辐射感知与多模态数据的高压环境防护方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365112.8A CN115424410B (zh) | 2022-11-03 | 2022-11-03 | 基于无线辐射感知与多模态数据的高压环境防护方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115424410A CN115424410A (zh) | 2022-12-02 |
| CN115424410B true CN115424410B (zh) | 2023-12-19 |
Family
ID=84208117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211365112.8A Active CN115424410B (zh) | 2022-11-03 | 2022-11-03 | 基于无线辐射感知与多模态数据的高压环境防护方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115424410B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09211044A (ja) * | 1996-02-05 | 1997-08-15 | Hitachi Ltd | 静電気放電監視装置 |
| CN102339519A (zh) * | 2010-07-24 | 2012-02-01 | 郑龙杰 | 电力安全距离语音提示系统 |
| CN103841642A (zh) * | 2014-03-10 | 2014-06-04 | 北京工业大学 | 一种三维室内定位方法 |
| CN107607798A (zh) * | 2017-08-07 | 2018-01-19 | 厦门亿力吉奥信息科技有限公司 | 触电风险监测方法及可穿戴设备 |
| CN109993258A (zh) * | 2019-02-28 | 2019-07-09 | 南京航空航天大学 | 一种用于物联网的通用智能电子标签 |
| CN111272366A (zh) * | 2020-03-02 | 2020-06-12 | 东南大学 | 一种基于多传感器数据融合的桥梁位移高精度测量方法 |
| CN111757256A (zh) * | 2020-06-23 | 2020-10-09 | 华芯智能(珠海)科技有限公司 | 室内定位方法及装置 |
| 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 |
| CN112114665A (zh) * | 2020-08-23 | 2020-12-22 | 西北工业大学 | 一种基于多模态融合的手部追踪方法 |
| CN112518757A (zh) * | 2020-12-17 | 2021-03-19 | 湖南工程学院 | 机器人控制方法、机器人及可读存储介质 |
| WO2021096324A1 (en) * | 2019-11-14 | 2021-05-20 | Samsung Electronics Co., Ltd. | Method for estimating depth of scene in image and computing device for implementation of the same |
| CN113359787A (zh) * | 2021-07-14 | 2021-09-07 | 中国计量大学 | 一种基于超宽带定位的无人机机库降落方法 |
| CN115240365A (zh) * | 2022-07-19 | 2022-10-25 | 成都信息工程大学 | 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 |
-
2022
- 2022-11-03 CN CN202211365112.8A patent/CN115424410B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09211044A (ja) * | 1996-02-05 | 1997-08-15 | Hitachi Ltd | 静電気放電監視装置 |
| CN102339519A (zh) * | 2010-07-24 | 2012-02-01 | 郑龙杰 | 电力安全距离语音提示系统 |
| CN103841642A (zh) * | 2014-03-10 | 2014-06-04 | 北京工业大学 | 一种三维室内定位方法 |
| CN107607798A (zh) * | 2017-08-07 | 2018-01-19 | 厦门亿力吉奥信息科技有限公司 | 触电风险监测方法及可穿戴设备 |
| CN109993258A (zh) * | 2019-02-28 | 2019-07-09 | 南京航空航天大学 | 一种用于物联网的通用智能电子标签 |
| WO2021096324A1 (en) * | 2019-11-14 | 2021-05-20 | Samsung Electronics Co., Ltd. | Method for estimating depth of scene in image and computing device for implementation of the same |
| CN111272366A (zh) * | 2020-03-02 | 2020-06-12 | 东南大学 | 一种基于多传感器数据融合的桥梁位移高精度测量方法 |
| CN111757256A (zh) * | 2020-06-23 | 2020-10-09 | 华芯智能(珠海)科技有限公司 | 室内定位方法及装置 |
| CN112114665A (zh) * | 2020-08-23 | 2020-12-22 | 西北工业大学 | 一种基于多模态融合的手部追踪方法 |
| 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 |
| CN112518757A (zh) * | 2020-12-17 | 2021-03-19 | 湖南工程学院 | 机器人控制方法、机器人及可读存储介质 |
| CN113359787A (zh) * | 2021-07-14 | 2021-09-07 | 中国计量大学 | 一种基于超宽带定位的无人机机库降落方法 |
| CN115240365A (zh) * | 2022-07-19 | 2022-10-25 | 成都信息工程大学 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 地外天体着陆巡视探测自助智能技术发展;吴克等;宇航学报;第43卷(第9期);全文 * |
| 基于深度学习的单目图像深度估计研究;史春秀;中国优秀硕士学位论文全文数据库 信息科技辑(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115424410A (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144263B (zh) | 一种建筑工人高坠事故预警方法及装置 | |
| CN111595453A (zh) | 一种基于人脸识别的红外测温系统及方法 | |
| WO2020253308A1 (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
| CN106951889A (zh) | 井下高危区域动目标监测和管理系统 | |
| CN110602449A (zh) | 一种基于视觉的大场景下施工安全智能监控系统方法 | |
| CN102881022A (zh) | 基于在线学习的遮挡目标跟踪方法 | |
| 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 | |
| CN110231605B (zh) | 人体行为的识别方法、装置、计算机设备和存储介质 | |
| CN111079722B (zh) | 一种吊装过程人员安全监测方法及系统 | |
| KR101668555B1 (ko) | 작업 현장 영상 데이터 내의 작업자 인식 방법 | |
| CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
| CN114170272A (zh) | 一种云端环境下基于感知传感器的事故报告、储存方法 | |
| CN115965578A (zh) | 一种基于通道注意力机制的双目立体匹配检测方法及装置 | |
| CN113569682A (zh) | 一种智能捕捉矿井识别要素的视频监测方法及装置 | |
| CN111967323B (zh) | 一种基于深度学习算法的电力带电作业安全检测方法 | |
| Wang et al. | Worker’s helmet recognition and identity recognition based on deep learning | |
| CN114926778A (zh) | 一种生产环境下的安全帽与人员身份识别系统 | |
| CN115424410B (zh) | 基于无线辐射感知与多模态数据的高压环境防护方法 | |
| CN114325573A (zh) | 变电站运维人员身份及位置信息快速检测方法 | |
| Huang et al. | Skeleton-based automatic assessment and prediction of intrusion risk in construction hazardous areas | |
| CN113159984A (zh) | 一种变电站工作人员工作路径追踪方法 | |
| CN113537019A (zh) | 基于关键点识别变电站人员安全帽佩戴的检测方法 | |
| Zhang et al. | A framework of on-site construction safety management using computer vision and real-time location system | |
| CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
| CN106231249A (zh) | 一种无人驾驶起重车 |
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 |