CN115511329A - 一种电力作业合规监测系统及方法 - Google Patents
一种电力作业合规监测系统及方法 Download PDFInfo
- Publication number
- CN115511329A CN115511329A CN202211214943.5A CN202211214943A CN115511329A CN 115511329 A CN115511329 A CN 115511329A CN 202211214943 A CN202211214943 A CN 202211214943A CN 115511329 A CN115511329 A CN 115511329A
- Authority
- CN
- China
- Prior art keywords
- operator
- video
- deep learning
- learning model
- monitoring
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000013136 deep learning model Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 24
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 62
- 238000007689 inspection Methods 0.000 claims description 50
- 238000004891 communication Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 13
- 230000008451 emotion Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于安全监管技术领域，具体涉及一种电力作业合规监测系统及方法；本发明可以根据不同流程、不同工序的要求，只需要预先配置或训练需要检查的物体类别或者物体相互空间关系，再利用深度学习模型从作业现场监控视频中提取的图像特征，形成时间序列，并且利用时间序列聚类算法来分辨作业人员的操作是否合规，从而实现对施工现场流程的安全监控。监测系统通过图像收集装置实时采集作业人员及其作业现场的监控视频，并且上传至服务器。服务器对监控视频进行抽帧处理，并且根据作业流程规定的工序从抽帧处理获得的图像中提取特征项，再通过聚类算法分析视频中作业人员的操作流程是否满足安全生产规定要求。
Description
技术领域
本发明涉及安全监管技术领域，尤其涉及一种电力作业合规监测系统及方法。
背景技术
对电力企业而言，安全生产是关系到企业正常运行和发展的基本要求，这充分体现了安全管理在电力生产领域的重要性。目前对电力现场流程中的安全监控，大部分情况主要依靠安全管理员对现场视频的人工监测，无法保证能够时刻检查到每个流程每步工序的执行情况是否合规，企业生产存在较大安全风险。随着IP视频监控技术和AI人工智能图像识别技术的发展成熟，给生产企业提供了远程实时的生产流程合规检查手段，融合了图像处理、计算机视觉及人工智能深度学习技术的智能视频分析系统。
现有的生产流程合规监测方式，主要依靠安全管理人员对现场监控视频的人工监测，无法保证能够时刻检查到每个流程每步工序的执行情况是否合规，企业生产存在较大安全风险。虽然部分现有的技术方案采用基于图像处理和人工智能的视频分析系统进行生产流程合规监测，但现有的视频分析系统需要首先人工预设一定的检查分析流程，并且且现有的视频分析系统处理视频数据时，对监控视频中的每一帧图像都进行人像识别，并且根据识别结果将作业人员的操作步骤与预设标准操作步骤进行对照，以判断作业人员的操作是否符合规范，导致图像处理的数据量较大。此外，不同的作业人员由于业务能力存在个体差异，不同的人工作效率不同，完成同一工序用时存在差异，甚至同一人完成同一工序时的用时也存在差异，因此，当作业人员的实际作业用时与预设标准操作步骤的用时不相同时，即使作业人员的操作正确且符合规范，现有技术也可能会因某一时刻作业人员的操作步骤与预设标准操作步骤不同而判定作业人员的操作不符合规范。
因此，如何满足不同工作效率的作业人员的操作规范监测，同时能够降低监测系统的图像处理数据量，是本发明希望解决的技术问题。
例如，公开号为CN114548905A的中国发明专利公开了一种基于AI识别的变电站工作许可管控方法，所述管控方法具体为：作业人员提交作业申请，通过AI识别获取作业人员的人脸信息，根据人脸信息获取对应的资格信息，确定权限等级和工作票内容，根据权限等级和工作票内容确定监视路径，并且启动监控路径上的高清摄像头，在作业人员开展变电站作业时，通过监控路径上的高清摄像头实时对作业人员的操作过程进行监控，并且对高清摄像头所采集到的视频数据进行AI识别，根据AI识别结果对作业人员的操作是否符合规范进行判断，并且在作业人员的操作不符合规范时，发出告警。此专利的技术方案能够实现线上完成填写工作票和审核工作，有效提高审核效率，且对作业过程进行实时监控，提高作业规范性和作业效率。
现有技术存在以下问题：
现有技术处理数据时，对监控视频中的每一帧图像都进行人像识别，并且根据识别结果将作业人员的操作步骤与预设标准操作步骤进行对照，以判断作业人员的操作是否符合规范，导致图像处理的数据量较大。
当操作人员执行某些需要保持操作姿态不变的动作时，现有技术在知道该时间段内的监控视频在此段时间内的每帧图像的识别结果和预设标准操作步骤都是不变的情况下，仍然对监控视频在此段时间内的每帧图像进行人像识别，并且将识别结果与预设标准操作步骤进行对比，从而产生了大量的无效图像识别和无效数据对比判断，增加了监管系统的运算负担。
此外，不同的作业人员由于业务能力存在个体差异，不同的人工作效率不同，完成同一工序用时存在差异，甚至同一人完成同一工序时的用时也存在差异，因此，当作业人员的实际作业用时与预设标准操作步骤的用时不同时，即使作业人员的操作正确且符合规范，现有技术也可能会因某一时刻作业人员的操作步骤与预设标准操作步骤不同而判定作业人员的操作不符合规范。
发明内容
针对现有技术之不足，本发明提供了一种电力作业合规监测系统。所述监测系统至少包括：至少一个图像收集装置和服务器。所述图像收集装置通过有线或无线的方式与所述服务器建立通信连接。所述图像收集装置实时采集和上传作业人员及其作业现场的监控视频。响应于收到的所述监控视频，所述服务器分析视频中作业人员的操作流程是否满足安全生产规定要求。优选地，所述服务器对所述监控视频进行抽帧处理，并且根据作业流程规定的工序，从抽帧处理获得的图像中提取特征项。
本发明通过对所述监控视频进行抽帧处理，以降低监测系统的图像处理数据量。不仅如此，本发明还可以通过对所述监控视频进行抽帧处理，从而利用较少的图像样本中获取变化显著的特征项。对于监控视频而言，一般情况下，连续两帧图像所包含的内容几乎相同。
本发明的监测系统还包括由考核人员携带至作业现场的巡检终端。所述巡检终端基于其所在位置之定位信息从所述服务器加载与所在作业现场相关联的考核问题；考核人员基于巡检终端展示的与作业现场相关联的考核问题询问电力作业人员；所述巡检终端记录作业人员回答所述考核问题的音频并对所述音频进行分析给出对作业人员的评价和/或将所述音频上传至所述服务器；响应于收到的所述监控视频和/或所述音频，所述服务器分析作业人员的操作流程是否满足安全生产规定要求。
优选地，对电力作业人员的评价可以通过以下方式得出，包括：巡检终端基于对回答信息的自动分析给出对电力作业人员的评价；或者考核人员在巡检终端关于回答信息的分析结果下做出对电力作业人员的评价；或者巡检终端将音频格式的回答信息上传至服务器，利用服务器行分析得出对电力作业人员的评价；或者服务器对监控视频进行分析得出对电力作业人员的评价；或者服务器对监控视频和音频进行联合分析得出对电力作业人员的评价。
根据一种优选实施方式，所述服务器至少包括视频分析单元和综合信息管理单元。所述视频分析单元基于预先存储的所述作业流程规定的工序判断作业人员的操作流程是否满足安全生产规定要求。所述综合信息管理单元对作业人员、设备、流程信息进行综合管理和展示，为作业流程各个环节提供数据支撑，对作业行为进行实时管控。
根据一种优选实施方式，所述视频分析单元配置有深度学习模型。所述深度学习模型从抽帧处理获得的所述图像中提取特征项。优选地，所述深度学习模型通过对历史图像数据的采集与标注，提升所述深度学习模型的识别效果。
优选地，与预设标准操作步骤或根据作业人员工作票内容确定其操作步骤的方法相比，本发明可以通过所述视频分析单元配置有深度学习模型获取不同的工作流程。所述综合信息管理单元对深度学习模型获取的各工作流程进行储存，形成流程数据库。在判断作业人员的操作流程是否满足安全生产规定要求时，所述视频分析单元将作业人员的操作流程与流程数据库中各流程的对比，避免作业人员因执行标准操作步骤外的合规操作（处理突发问题）而被判定为违规操作。
根据一种优选实施方式，所述深度学习模型从抽帧处理获得的所述图像中提取特征项。所述视频分析单元将预先存储的所述作业流程规定的工序的开始特征项和结束特征项与所述深度学习模型提取的特征项进行对比，以确定作业人员操作的开始和结束。
根据一种优选实施方式，在确定作业人员开始操作的情况下，所述视频分析单元按时间顺序记录所述深度学习模型提取的特征项，并且将所述特征项及其时间信息存贮至所述综合信息管理单元。
根据一种优选实施方式，在确定作业人员结束操作的情况下，所述视频分析单元汇总从开始特征项至结束特征项时间段内的特征项，形成时序数据点。所述视频分析单元通过运行聚类算法对所述时序数据点进行分析，以判断作业人员的操作是否合规。
优选地，本发明以所述作业流程规定的工序的开始特征项和结束特征项作为操作合规分析的起始信号和终止信号，获取用于评估操作是否合规的时间段的内容，从监控视频中获取用于评估操作是否合规的视频区间段。相较于对每帧图像进行人像识别，并且将识别结果与预设标准操作步骤进行对比的方法，本发明减少了图像处理的数据量，能够基于较少的图像样本，获得较准确的判断结果。
根据一种优选实施方式，所述视频分析单元将开始特征项至结束特征项时间段内的特征项分类到不同检查点。
根据一种优选实施方式，所述服务器还包括通信单元。所述通信单元与所述图像收集装置通过有线或无线的方式建立通信连接。优选地，所述图像收集装置实时采集的监控视频通过所述通信单元传输至所述视频分析单元和/或所述综合信息管理单元。
本发明还提供一种电力作业合规监测的方法。所述方法至少包括：
实时采集和上传作业人员及其作业现场的监控视频；
对所述监控视频进行抽帧处理，并且根据作业流程规定的工序，从抽帧处理获得的图像中提取特征项；
基于所述特征项分析视频中作业人员的操作流程是否满足安全生产规定要求；
以及，记录作业人员回答与作业现场关联的考核问题的音频以及转换为文本格式的回答信息；
基于对所述回答信息的分析给出对作业人员的评价。
根据一种优选实施方式，所述方法还包括：
利用深度学习模型从抽帧处理获得的所述图像中提取特征项，其中，所述深度学习模型通过对历史图像数据的采集与标注，提升所述深度学习模型的识别效果；
将预先存储的所述作业流程规定的工序的开始特征项和结束特征项与所述深度学习模型提取的特征项进行对比，以确定作业人员操作的开始和结束。
本发明提供的一种电力作业合规监测系统及方法。首先，本发明对监控视频进行抽帧处理，以降低图像处理的数据量；其次，本发明根据电力作业流程规定的工序，从处理后的图像中提取特征项，并且分类到不同检查点；再者，本发明确定某一工序的开始特征项和结束特征项，获取从开始特征项至结束特征项时间段内的检查点，形成时序数据点；最后，本发明利用聚类算法判断作业人员的操作是否合规。整个检测流程完全由监测系统来判断，并且不需要预先人工预设一定的检查分析流程。本发明对作业人员的操作内容进行规范性评定，有效避免因作业人员由于业务能力差异，在同一时刻作业人员的操作步骤与预设标准操作步骤不同而误判的问题。本发明降低了安全管理员人为检测的随机性和主观性，整套检测方法的评价依据完全由机器学习确定，在运行过程中，监测系统的评价依据保持一致，从而可以客观地判断作业人员的操作是否合规。
附图说明
图1是本发明提供的一种优选实施方式的监测系统的简化模块连接关系示意图；
图2是本发明提供的一种优选实施方式的服务器的简化模块连接关系示意图。
附图标记：
100：监测系统；101：服务器；110：图像收集装置；120：视频分析单元；130：综合信息管理单元；140：通信单元。
具体实施方式
下面结合附图1和2进行详细说明。
实施例1
本实施例提供一种电力作业合规监测系统100。参见图1，优选地，监测系统100至少包括：服务器101和至少一个图像收集装置110。图像收集装置110通过有线或无线的方式与服务器101建立通信连接。图像收集装置110实时采集和上传作业人员及其作业现场的监控视频。响应于收到的监控视频，服务器101分析视频中作业人员的操作流程是否满足安全生产规定要求。优选地，服务器101对监控视频进行抽帧处理，并且根据作业流程规定的工序，从抽帧处理获得的图像中提取特征项。
参见图2，优选地，服务器101至少包括视频分析单元120和综合信息管理单元130。视频分析单元120基于预先存储的作业流程规定的工序判断作业人员的操作流程是否满足安全生产规定要求。综合信息管理单元130对作业人员、设备、流程信息进行综合管理和展示，为作业流程各个环节提供数据支撑，对作业行为进行实时管控。
优选地，服务器101还包括通信单元140。通信单元140与图像收集装置110通过有线或无线的方式建立通信连接。优选地，图像收集装置110实时采集的监控视频通过通信单元140传输至视频分析单元120和/或综合信息管理单元130。
本发明通过对监控视频进行抽帧处理，以降低监测系统100的图像处理数据量。不仅如此，本发明还可以通过对监控视频进行抽帧处理，获得变化大的特征，较少的样本和显著的区别特征。
优选地，视频分析单元120配置有深度学习模型。深度学习模型从抽帧处理获得的图像中提取特征项。优选地，深度学习模型通过对历史图像数据的采集与标注，提升深度学习模型的识别效果。
优选地，与预设标准操作步骤或根据作业人员工作票内容确定其操作步骤的方法相比，本发明可以通过视频分析单元120配置有深度学习模型获取不同的工作流程。综合信息管理单元130对深度学习模型获取的各工作流程进行储存，形成流程数据库。在判断作业人员的操作流程是否满足安全生产规定要求时，视频分析单元120将作业人员的操作流程与流程数据库中各流程进行对比，避免作业人员因执行标准操作步骤外的合规操作（例如处理突发问题）而被判定为违规操作。
优选地，深度学习模型从抽帧处理获得的图像中提取特征项。视频分析单元120将预先存储的作业流程规定的工序的开始特征项和结束特征项与深度学习模型提取的特征项进行对比，以确定作业人员操作的开始和结束。
优选地，深度学习模型可以包括物体检测深度模型，人体姿态估计深度模型，人脸检测深度模型，人脸识别深度模型等。优选地，设置在操作现场的图像收集装置110实时采集监控视频。深度学习模型从抽帧处理获得的图像中提取特征项。
优选地，当本发明的监测系统100用于对作业人员的安全穿戴设备的穿戴情况进行实时监测时，图像收集装置110将包含有作业人员信息的监控视频传输至服务器101，服务器101对监控视频进行抽帧处理，深度学习模型对抽帧出的图像进行人体识别，根据识别出的人体轮廓和以及安全穿戴设备对应的穿戴位置对被识别的图像进行划分，以提取安全穿戴设备对应的穿戴位置处的图像。
优选地，服务器101对监控视频进行抽帧处理时，安全管理人员可以根据经验设置抽帧间隔。优选地，被抽选出的两帧图像间隔可以存在1至10帧图像。优选地，深度学习模型可以通过智能图像识别技术从被抽选出的图像中识别出人员，设备等。优选地，深度学习模型还可以通过预先配置或训练需要检查的物体类别或者物体相互空间关系，从被抽选出的图像中提取特征项。优选地，当本发明的监测系统100用于对作业人员的安全穿戴设备的穿戴情况进行实时监测时，深度学习模型从被抽选出的图像中提取与安全穿戴设备对应的穿戴位置处的图像。
优选地，当本发明的监测系统100用于对作业人员的安全穿戴设备的穿戴情况进行实时监测时，深度学习模型从被抽选出的图像中提取出的特征项是与安全穿戴设备对应的穿戴位置处的图像。
优选地，在确定作业人员开始操作的情况下，视频分析单元120按时间顺序记录深度学习模型提取的特征项，并且将特征项及其时间信息存贮至综合信息管理单元130。
优选地，视频分析单元120将开始特征项至结束特征项时间段内的特征项分类到不同检查点。
优选地，在确定作业人员结束操作的情况下，视频分析单元120汇总从开始特征项至结束特征项时间段内的特征项，形成时序数据点。视频分析单元120通过运行聚类算法对时序数据点进行分析，以判断作业人员的操作是否合规。
优选地，当本发明的监测系统100用于对作业人员的移动情况进行实时监测时，开始特征项可以是深度学习模型从被抽选出的图像中提取出的作业人员进入作业区域时的图像；结束特征项可以是深度学习模型从被抽选出的图像中提取出的作业人员离开作业区域时的图像。
优选地，本发明以作业流程规定的工序的开始特征项和结束特征项作为操作合规分析的起始信号和终止信号，获取用于评估操作是否合规的时间段的内容，从监控视频中获取用于评估操作是否合规的视频区间段。相较于对每帧图像进行人像识别，并且将识别结果与预设标准操作步骤进行对比的方法，本发明减少了数据的处理量，通过较少的样本获得较准确结果。
优选地，本实施例通过模拟安全员人工检查作业流程是否正确执行，从而判断作业人员的操作是否合规。优选地，监测系统100可以根据不同流程、不同工序的要求，只需要预先配置或训练需要检查的物体类别或者物体相互空间关系，再利用人工智能和计算机视觉联合检测从作业现场监控视频中提取的单帧图像中的特征项，然后按照时间顺序形成关于特征项的时间序列，并且利用时间序列聚类算法来分辨合规与不合规的操作。与现有智能视频分析算法相比，本实施例提供的监测系统100无需事先配置需要的检查分析步骤，大大降低实际应用中的工作量。
优选地，服务器101与图像收集装置110可以通过局域网或互联网建立通信连接。优选地，图像收集装置110可以是高清摄像头。优选地，图像收集装置110可以是具有720P分辨率的高清摄像头，用于采集生产现场的实时视频画面，并且向服务器101发送采集到的实时视频数据。
优选地，图像收集装置110向服务器101发送的视频数据携带有图像收集装置110的位置信息。
服务器101的视频分析单元120可以是运行具有视频图像智能分析能力的程序编码的计算单元。优选地，视频分析单元120配置了对图像收集装置110采集的视频进行处理的深度学习模型。优选地，服务器101需运行较为复杂的人工智能深度学习算法，因此对硬件的计算能力要求较高，通常需选择采用十二核以上CPU、并配置至少两片GPU计算能力的专业Intel服务器。
优选地，服务器101通过对图像收集装置110采集的监控视频进行处理，从而判定作业人员的操作是否符合规范。优选地，服务器101对监控视频的处理主要包括五个部分，提取检查点特征、训练深度学习模型、调整聚类算法参数、形成时序数据点、运行聚类算法。
优选地，视频分析单元120从综合信息管理单元130获取各电力作业流程规定的工序，并且根据电力作业流程规定的工序，转化成模型能够识别的特征项，提取后分类到不同检查点。优选地，如果不同的电力作业流程具有相同的操作，即，在不同的电力作业流程中，作业人员会执行某一相同的操作，则该操作对应的检查点可用于评估不同的电力作业流程是否合规。优选地，分类至检查点的特征不仅仅包括深度学习模型识别出的特征项，还包括服务器101对识别后特征项的合规判断。例如：在作业规范要求作业人员的手臂不能离开作业区域的情况下，深度学习模型识别出作业人员手臂姿势后，服务器101结合作业区域判断手臂位置是否在作业区域中，从而判断手臂是否越界。
优选地，分类后的特征项，即，检查点的数据被储存至综合信息管理单元130。优选地，深度学习模型通过对历史图像数据的采集与标注，提升深度学习模型的识别效果。优选地，深度学习模型在监测系统100部署前利用人工智能深度学习算法对历史图像数据进行采集与标注，以训练其识别能力。优选地，监测系统100在刚部署时，设置有深度学习模型学习阶段。优选地，在学习阶段监测系统100不评判作业人员的操作是否合规，只训练深度学习模型的特征提取能力。优选地，深度学习模型基于大量历史图像数据的高质量采集与高效标注，在迭代过程中不断输入部署监测系统100的生产场景的图像数据，从而提升深度学习模型的特征提取能力，以及对当前生产场景图像的识别效果。
优选地，一个检查流程至少涉及两个不同的检查点。优选地，监测系统100严格定义工序的开始特征项和结束特征项，保证开始特征项和结束特征项间包含至少一个完整的施工工序。优选地，开始特征项和结束特征项间可以包含反应一个施工流程的多个完整的施工工序。优选地，视频分析单元120从综合信息管理单元130获取预先存储的作业流程规定的工序的开始特征项和结束特征项。优选地，当深度学习模型从监控视频中提取到的特征项与开始特征项相同时，视频分析单元120按照时间顺序记录深度学习模型采集到的特征项，以构成时序数据点；当深度学习模型从监控视频中提取到的特征项与结束特征项相同时，视频分析单元120停止记录深度学习模型采集到的特征项。优选地，一个时序数据点包含时刻和在该时刻采集的各特征项。优选地，各特征项以其对应检查点分数的方式设置在时序数据点中，即，一个时序数据点包含时刻和在该时刻各检查点分数。
优选地，在监测系统100评判作业人员的操作是否合规前，安全管理人员可以根据经验值定义需要聚类分析的类数量（时序数据点数量），并且确定合格流程占总流程的最小百分比。
优选地，当视频分析单元120从某一开始特征项至相应结束特征项记录的时序数据点数量超过预设值时，服务器101开始运行时序聚类算法（如Dynamic Time Warping(DTW) Metric for Time Series Clustering）。优选地，当综合信息管理单元130中预先存储的作业流程规定的工序的特征项与视频分析单元120从开始特征项至相应结束特征项间记录的特征项的比值大于合格流程占总流程的最小百分比时，则可确定这是合规的。
本发明在不影响监控视频连续性的情况下对监控视频进行抽帧处理，从而降低了深度学习模型进行图像识别的数据量。本发明利用聚类算法判断开始特征项至结束特征项时间段内的特征项所对应作业人员的操作是否合规，避免因作业人员由于业务能力差异，在同一时刻作业人员的操作步骤与规范的标准操作步骤不同而误判的问题。本发明只需要预先配置或训练需要检查的物体类别或者物体相互空间关系，对作业人员的操作步骤的采集和评判均由系统自主完成，排除了人为主观因素的干扰，增加了判断结果的客观性。
优选地，本实施例提出的电力作业合规监测系统100采用物体检测深度模型，人体姿态估计深度模型的多种深度学习模型融合方式，在对实时视频分析判定出现不合规操作时，监测系统100可以自动产生报警信息并通过系统平台推送、手机消息推送等多种方式通知用户。优选地，在每个工位流程检测项中，出现不符合规程的情况下，监测系统100可自动产生告警信息进行实时告警，实时告警保留了不合规的图片以及这个工序视频片段，便于后期追溯和校验。
实施例2
本实施例是对实施例1的进一步改进，重复的内容不再赘述。
本实施例提供一种电力作业合规监测方法。方法至少包括：
实时采集和上传作业人员及其作业现场的监控视频；
对监控视频进行抽帧处理，并且根据作业流程规定的工序，从抽帧处理获得的图像中提取特征项；
基于特征项分析视频中作业人员的操作流程是否满足安全生产规定要求。
优选地，方法还包括：
利用深度学习模型从抽帧处理获得的图像中提取特征项，其中，深度学习模型通过对历史图像数据的采集与标注，提升深度学习模型的识别效果；
将预先存储的作业流程规定的工序的开始特征项和结束特征项与深度学习模型提取的特征项进行对比，以确定作业人员操作的开始和结束。
优选地，在确定作业人员开始操作的情况下，视频分析单元120按时间顺序记录深度学习模型提取的特征项，并且将特征项及其时间信息存贮至综合信息管理单元130。
在确定作业人员结束操作的情况下，视频分析单元120汇总从开始特征项至结束特征项时间段内的特征项，形成时序数据点。视频分析单元120通过运行聚类算法对时序数据点进行分析，以判断作业人员的操作是否合规。
优选地，本发明以作业流程规定的工序的开始特征项和结束特征项作为操作合规分析的起始信号和终止信号，获取用于评估操作是否合规的时间段的内容，从监控视频中获取用于评估操作是否合规的视频区间段。相较于对每帧图像进行人像识别，并且将识别结果与预设标准操作步骤进行对比的方法，本发明减少了图像处理的数据量，能够基于较少的图像样本，获得较准确的判断结果。
本实施例提出的电力作业合规监测方法，采用物体检测深度模型，人体姿态估计深度模型的多种深度学习模型融合方式，在对实时视频分析判定出现不合规操作时，自动产生报警信息并通过系统平台推送、手机消息推送等多种方式通知用户。
服务器101检测作业流程合规的方法主要包括五个部分，提取检查点特征、训练深度学习模型、准备聚类算法参数、形成时序数据点、运行聚类算法。
本发明在出现不符合规程的情况下，可自动产生告警信息进行实时告警，实时告警保留了不合规的图片以及这个工序视频片段，便于后期追溯和校验。并且在这种方法的安全检测中，提高了作业人员的安全意识，培养了作业人员合规的工作习惯，从根本上减少安全事故的产生。
优选地，相对能够在一定范围内提供远程监控作业人员的作业合规性判据，上述方案判断作业人员工作是否合规且是否具备相应的岗位操作知识仍需要人员现场走访查验，但是由于电力岗位现场众多，并且每个岗位现场都具备不同的操作规程、配置不同的岗位作业人员、存在不同的考核标准，现有技术通常会为每个电力现场配置专门的考核人员进行现场考察，然而这需要大量的具备相应考核资质的考核人员时刻进驻在现场，大量浪费人力资源，并且电力系统存在领导视察考核作业人员的需求，领导人员在各个岗位巡查时，虽然具备一定的总体知识，但是对于具体现场的操作规程、技术规范等仍然不能百分百把握，从而导致领导人员对作业人员的操作考核效果不佳，也难以保证领导人员对每种岗位或者相同岗位的不同电力人员的考核的一致性。
为方便描述，将进行考察的巡查人员称为考核人员，将被考核的人员称为电力作业人员。本实施例所针对的一种典型的考核人员法是：考核人员询问电力作业人员考核问题，电力作业人员对考核人员回答，考核人员根据回答对电力作业人员形成评价。普遍地，考核人员的询问以及电力作业人员的回答通常是通过口头问答方式进行的，类似于现场问答模式，此种方式更加符合巡检这种流动性较大的检查模式，也是目前电力系统检查电力作业合规性的一种常用的方式。
基于上述前提，本实施例给出一种巡检终端，其操作权限被归属于考核人员。优选地，终端可以被配置为一种设备，尤其是便携式设备，其能够被考核人员携带至作业现场。便携式的巡检终端设备，例如可以被构造为手持设备，或者安装有相应功能软件的智能移动设备，例如手机。利用本发明提供的巡检终端实现对电力作业人员考察的步骤至少包括：
S1、在考核人员进入作业现场并考核电力作业人员的情况下，巡检终端基于其所在位置之定位信息从服务器101加载与所在作业现场相关联的考核问题；
S2、巡检终端将至少一个与作业现场关联的考核问题展示给考核人员；
S3、考核人员基于巡检终端展示的与作业现场相关联的考核问题询问电力作业人员；
S4、巡检终端获取考核人员当前询问电力作业人员的考核问题，并且将其在系统内作为选择对象；
S5、巡检终端记录电力作业人员向考核人员回答考核问题的音频格式以及转换为文本格式的回答信息；
S6、巡检终端基于对回答信息的自动分析给出对电力作业人员的评价和/或考核人员在巡检终端关于回答信息的分析结果下做出对电力作业人员的评价。
在步骤S1中，巡检终端可自动基于实时更新的位置信息而加载与位置信息对应的电力作业场所相关联的考核问题，也可以在考核人员的选择确认下基于位置信息加载考核问题，例如在考核人员点选“开始考核”按钮之后。在另一种实施例中，巡检终端本身也可以保存至少一部分或者全部考核问题，在获取位置信息后，检索并获取与所在作业现场相关联的考核问题，可选地，位置信息本身可以通过非联网的方式获取，以此可以达成部分或者全部地本地化运行。“与作业现场相关联的考核问题”可以包括例如是作业现场相关的考核问题、与作业现场相关的电力作业的考核问题、与作业现场相关的作业人员资质的考核问题等等，其可以预先由专家人事编著产生，并且按照与电力作业场所相关联的方式储存起来，在考核人员需要的时候，由巡检终端获取。
在步骤S2中，巡检终端从获取的与作业现场关联的考核问题中选择至少一个展示给考核人员。优选地，考核问题被分为多个层级，每个层级的考核问题具备相关性并且细节深度依照层级逐级递增，例如，第一层级的问题是“你现在的岗位是什么”，第二层级的问题是“这个岗位的工作职责是什么”，第三层级的问题是“工作职责中的xx项的作业标准是什么”，上述例举问题询问的深度按照层级逐级增加，并且相互之间具备逻辑关联。优选地，巡检终端首先向考核人员展示细节深度较浅或者最浅的例如是第一层级的考核问题，在电力作业人员回答后基于其回答信息生成与回答信息逻辑相关的相对细节深度更深的例如是第二层级的考核问题。优选地，巡检终端仅向考核人员展示考核问题，而不向电力作业人员展示考核问题。更为优选地，在考核过程中，电力作业人员对考核人员使用巡检终端进行考核的事实不知情。
在步骤S3中，考核人员基于巡检终端展示的考核问题询问电力作业人员的方式可以是口头询问的方式。在一些实施例中，也可以是通过其他信息传递方式，例如文字的方式。
在步骤S4中，“巡检终端获取考核人员当前询问电力作业人员的考核问题”的方式可以是：巡检终端通过语音记录以及音频转文字的方式获取考核人员询问电力作业人员的考核问题；或者，方式也可以是：考核人员在巡检终端展示的考核问题中选择至少一个考核问题，并且将选择结果以触发指令的方式告知巡检终端。巡检终端在选择某个考核问题作为选择对象之后，后续的至少一部分信息处理工作是基于该选择对象展开的，例如电力作业人员针对该考核问题的回答信息是以该选择对象为标记记录的。
在步骤S5中，巡检终端同时记录考核人员回答考核问题的音频格式和将音频格式转化为文本格式的回答信息，其中，音频转文本可以利用现有的语音识别算法实现，目前识别准确率已经可以达到较高的水平。优选地，巡检终端还被配置为能够识别不同人员说话的语音差别，以准确区分考核人员以及电力作业人员的发言内容，使得其获取的语音信息能够以正确的归属分类至对应对象的储存记录中。更为优选地，巡检终端可预先记录考核人员的语音特征，由此在检测到不符合考核人员语音特征的语音信息时，可将其划分为电力作业人员。
在步骤S6中，“巡检终端基于对回答信息的自动分析给出对电力作业人员的评价”例如可以是：巡检终端基于被列为选择对象的考核问题加载标准答案的文本信息，巡检终端基于文本的回答信息比对标准答案的文本信息，分析回答信息的正确性，采用例如是评分制评价回答信息的正确性以获得评价结果，例如回答信息与标准答案完全一致，则评分为满分，部分一致，则适当扣分，完全不一致，则不得分。或者，巡检终端将标准答案和回答信息的文本信息展示给考核人员，以辅助考核人员完成对电力作业人员的评价。
进一步地，巡检终端还能够进一步地参与对电力作业人员给出的音频格式的回答信息的分析，在一种实施例中，巡检终端本身能够分析音频格式的回答信息。在另一种实施例中，巡检终端通过将音频格式的回答信息上传至服务器101的方式利用服务器101的处理单元进行分析。针对电力作业人员的音频格式的回答信息能够获取除了回答本身文本含义的额外信息，例如，基于对音频格式的回答信息的分析，从询问结束到人声频段出现的时间间隔可以反应电力作业人员的沉默时间，该时间通常为电力作业人员思考问题、寻找答案的时间。在一般规律下，对作业标准了解更为深刻的人沉默时间相对更短，相反地，不太熟练的人沉默时间相对更长，可以通过配置合理的沉默时间检测来从一定程度判断该电力作业人员对作业标准的熟悉程度。额外地，还可以检测一些语气助词或者语气音。语气助词，例如是“嗯”“哦”等助词。语气音，例如是较长时间的低音哼声。通过检测语气助词或者语气音，可以反应电力检测方在思考问题时的思考时间，也可以与上述的沉默时间关联，例如将语气助词和/或语气音的时间算作沉默时间。进一步地，还可以通过情绪分析的方式检测电力作业人员在回答的语音中呈现的情绪，例如呈现犹豫的情绪、呈现自信的情绪、呈现害怕的情绪。进一步地，针对各种情绪以及情绪的程度进行分类打分，可以获取电力作业人员在回答问题时的量化心理状态，从而可以分析出考核结果中的至少一项内容。例如某次问答中某个电力作业人员在回答时语音出现异于正常说话的不规则颤抖，则说明其正在经历害怕相关的情绪，则有较大可能其由于不确定答案是否正确而害怕受到领导的批评，因此考核可以做出该电力作业人员存在对作业标准不清楚的结论。
通过上述方案，使得考核人员在大量电力工作岗位流转时，能够针对每个岗位提出符合这个岗位的精确且专业的考核问题，同时无需考核人员本身熟练掌握相应的专业知识，由巡检终端对岗位位置自动确定，能够为考核人员提供非常专业的考核问题，并且还能够自动记录根据电力作业人员的回答向考核人员提供逻辑相关的且更为深入的考核问题。这首先使得考核人员的工作难度大大降低，得益于巡检终端的配置属性，其可以配置在考核人员的手机上，从而降低作业人员在考核人员询问问题时的警觉性，使其认为考核人员具备相当专业的岗位知识，从而认真对待考核的回答过程，保证考核的真实有效性。其次即便是没有系统性地参与过考核人员法培训的人员也能够在相当程度上承担考核人员的角色。例如公司领导层面的人员，其在考核基层工作人员时，无需其本身具备相当专业的知识，也无需其对每个岗位的专业知识了如指掌，依靠本发明提供的巡检终端即可承担相当专业的考核工作，不会使得考核结果产生重大偏差。进一步地，本发明还客观地减少了电力现场的考核人力资源的配置数量，使得原本仅能够承担一个岗位考核的人员能够兼顾多个岗位的考核，大量精简考核人员构成，释放生产力。进一步地，巡检终端按照时序记录的音频配合上述实施例给出的视频检测，能够以联合检测的方式进一步分析电力作业人员在回答时的状态，从而确认其对专业知识的掌握情况，至少实现部分的对其作业合规性的评判。
需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。在全文中，“优选地”所引导的特征仅为一种可选方式，不应理解为必须设置，故此申请人保留随时放弃或删除相关优选特征之权利。本发明说明书包含多项发明构思，诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。
Claims (10)
1.一种电力作业合规监测系统，其特征在于，所述系统至少包括：
服务器（101）、至少一个图像收集装置（110）和/或由考核人员携带至作业现场的巡检终端；
所述服务器（101）通过有线或无线的方式与所述图像收集装置（110）和/或巡检终端建立通信连接；
所述图像收集装置（110）实时采集作业人员及其所在作业现场的监控视频并将所述监控视频上传至所述服务器（101）；
所述巡检终端基于其所在位置之定位信息从所述服务器（101）加载与所在作业现场相关联的考核问题；
所述巡检终端记录作业人员回答所述考核问题的音频并对所述音频进行分析给出对作业人员的评价和/或将所述音频上传至所述服务器（101）；
响应于收到的所述监控视频和/或所述音频，所述服务器（101）分析作业人员的操作流程是否满足安全生产规定要求。
2.根据权利要求1所述的电力作业合规监测系统，其特征在于，
所述服务器（101）至少包括视频分析单元（120）和综合信息管理单元（130）；
所述视频分析单元（120）基于预先存储的作业流程规定的工序判断作业人员的操作流程是否满足安全生产规定要求；
所述综合信息管理单元（130）对作业人员、设备、流程信息进行综合管理和展示，为作业流程各个环节提供数据支撑，对作业行为进行实时管控。
3.根据权利要求2所述的电力作业合规监测系统，其特征在于，所述视频分析单元（120）配置有深度学习模型，所述深度学习模型从抽帧处理获得的图像中提取特征项，其中，所述深度学习模型通过对历史图像数据的采集与标注，提升所述深度学习模型的识别效果。
4.根据权利要求3所述的电力作业合规监测系统，其特征在于，所述深度学习模型从抽帧处理获得的图像中提取特征项，所述视频分析单元（120）将预先存储的所述作业流程规定的工序的开始特征项和结束特征项与所述深度学习模型提取的特征项进行对比，以确定作业人员操作的开始和结束。
5.根据权利要求4所述的电力作业合规监测系统，其特征在于，在确定作业人员开始操作的情况下，所述视频分析单元（120）按时间顺序记录所述深度学习模型提取的特征项，并且将所述特征项及其时间信息存贮至所述综合信息管理单元（130）。
6.根据权利要求5所述的电力作业合规监测系统，其特征在于，在确定作业人员结束操作的情况下，所述视频分析单元（120）汇总从开始特征项至结束特征项时间段内的特征项，形成时序数据点；
所述视频分析单元（120）通过运行聚类算法对所述时序数据点进行分析，以判断作业人员的操作是否合规。
7.根据权利要求6所述的电力作业合规监测系统，其特征在于，所述视频分析单元（120）将开始特征项至结束特征项时间段内的特征项分类到不同检查点。
8.根据权利要求7所述的电力作业合规监测系统，其特征在于，所述服务器（101）还包括通信单元（140），所述通信单元（140）与所述图像收集装置（110）通过有线或无线的方式建立通信连接；
其中，所述图像收集装置（110）实时采集的监控视频通过所述通信单元（140）传输至所述视频分析单元（120）和/或所述综合信息管理单元（130）。
9.一种电力作业合规监测方法，其特征在于，所述方法至少包括：
实时采集和上传作业人员及其作业现场的监控视频；
对所述监控视频进行抽帧处理，并且根据作业流程规定的工序，从抽帧处理获得的图像中提取特征项；
基于所述特征项分析视频中作业人员的操作流程是否满足安全生产规定要求；以及，记录作业人员回答与作业现场关联的考核问题的音频以及转换为文本格式的回答信息；
基于对所述回答信息的分析给出对作业人员的评价。
10.根据权利要求9所述的电力作业合规监测方法，其特征在于，所述方法还包括：
利用深度学习模型从抽帧处理获得的所述图像中提取特征项，其中，所述深度学习模型通过对历史图像数据的采集与标注，提升所述深度学习模型的识别效果；
将预先存储的所述作业流程规定的工序的开始特征项和结束特征项与所述深度学习模型提取的特征项进行对比，以确定作业人员操作的开始和结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211214943.5A CN115511329A (zh) | 2022-09-30 | 2022-09-30 | 一种电力作业合规监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211214943.5A CN115511329A (zh) | 2022-09-30 | 2022-09-30 | 一种电力作业合规监测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511329A true CN115511329A (zh) | 2022-12-23 |
Family
ID=84507467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211214943.5A Withdrawn CN115511329A (zh) | 2022-09-30 | 2022-09-30 | 一种电力作业合规监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511329A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116453245A (zh) * | 2023-04-20 | 2023-07-18 | 东莞市伟创动力科技有限公司 | 一种电子锁解锁管理方法及系统 |
| CN116523494A (zh) * | 2023-03-30 | 2023-08-01 | 王�锋 | 一种电力施工现场安全监督管理系统 |
| CN116915958A (zh) * | 2023-09-06 | 2023-10-20 | 广东电网有限责任公司佛山供电局 | 一种一次操作视频监控解析方法及相关装置 |
| CN117372427A (zh) * | 2023-12-06 | 2024-01-09 | 南昌中展数智科技有限公司 | 基于视频分析的工程施工监管方法及系统 |
-
2022
- 2022-09-30 CN CN202211214943.5A patent/CN115511329A/zh not_active Withdrawn
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523494A (zh) * | 2023-03-30 | 2023-08-01 | 王�锋 | 一种电力施工现场安全监督管理系统 |
| CN116523494B (zh) * | 2023-03-30 | 2024-06-07 | 国网安徽省电力有限公司芜湖市繁昌区供电公司 | 一种电力施工现场安全监督管理系统 |
| CN116453245A (zh) * | 2023-04-20 | 2023-07-18 | 东莞市伟创动力科技有限公司 | 一种电子锁解锁管理方法及系统 |
| CN116453245B (zh) * | 2023-04-20 | 2023-11-14 | 东莞市伟创动力科技有限公司 | 一种电子锁解锁管理方法及系统 |
| CN116915958A (zh) * | 2023-09-06 | 2023-10-20 | 广东电网有限责任公司佛山供电局 | 一种一次操作视频监控解析方法及相关装置 |
| CN116915958B (zh) * | 2023-09-06 | 2024-02-13 | 广东电网有限责任公司佛山供电局 | 一种一次操作视频监控解析方法及相关装置 |
| CN117372427A (zh) * | 2023-12-06 | 2024-01-09 | 南昌中展数智科技有限公司 | 基于视频分析的工程施工监管方法及系统 |
| CN117372427B (zh) * | 2023-12-06 | 2024-03-22 | 南昌中展数智科技有限公司 | 基于视频分析的工程施工监管方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115511329A (zh) | 一种电力作业合规监测系统及方法 | |
| CN110807090A (zh) | 一种面向在线考试的无人监考方法 | |
| CN111445106A (zh) | 一种用电采集设备故障处理作业现场安全控制方法及系统 | |
| CN105791299A (zh) | 一种无人监考的智能化上机考试系统 | |
| CN111539313A (zh) | 考试作弊行为检测方法及系统 | |
| CN110516568B (zh) | 一种基于人脸识别的高校多场景数据管理方法及系统 | |
| CN110543866A (zh) | 一种基建工程施工人员的安全管理系统及方法 | |
| CN112800910A (zh) | 一种通讯机房维护作业效能评估方法及系统 | |
| CN111370113A (zh) | 一种基于物联云的远程心理辅导系统及方法 | |
| CN111553189A (zh) | 基于视频信息的数据验证方法、装置及存储介质 | |
| CN116433029A (zh) | 电力作业风险评估方法、系统、设备及存储介质 | |
| CN113065984A (zh) | 轨道交通车站应急演练信息智能检测评估系统及方法 | |
| CN115019411A (zh) | 基于语音交互的巡检系统和方法 | |
| CN113327404A (zh) | 空中交通管制员岗位疲劳状态监测告警系统 | |
| CN117745141A (zh) | 一种电力职业技能鉴定实操的评价系统及方法 | |
| CN113128357A (zh) | 车辆故障处理方法及系统 | |
| CN112270990A (zh) | 一种具备生命体征记录功能的监狱人员远程点名系统和方法 | |
| CN115132228B (zh) | 一种语言能力分级方法及系统 | |
| CN114429642B (zh) | 远程评标视频会议过程中评标专家的异常行为认定方法 | |
| CN105354830B (zh) | 基于多重回归模型的管制员疲劳检测方法、装置及系统 | |
| CN115188490A (zh) | 一种基于大数据分析的疫情防控行踪溯源智能管理平台 | |
| CN111950381B (zh) | 一种心理健康在线监测系统 | |
| CN112936342A (zh) | 基于人体姿态识别算法的实体机器人动作评测系统及方法 | |
| CN109376635B (zh) | 一种护理质量考核系统及安全事件上报方法 | |
| CN112558512A (zh) | 基于大数据与物联网技术的智慧控申系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221223 |