CN115620208A - 电网安全预警方法、装置、计算机设备和存储介质 - Google Patents
电网安全预警方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115620208A CN115620208A CN202211395215.9A CN202211395215A CN115620208A CN 115620208 A CN115620208 A CN 115620208A CN 202211395215 A CN202211395215 A CN 202211395215A CN 115620208 A CN115620208 A CN 115620208A
- Authority
- CN
- China
- Prior art keywords
- target object
- monitoring data
- early warning
- target
- predicted motion
- 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 46
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 95
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 230000033001 locomotion Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000008447 perception Effects 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000010276 construction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种电网安全预警方法、装置、计算机设备和存储介质。所述方法包括：采集电力设备附近的多源监控数据；通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。采用本方法能够实现配网生产的全景可视化监控，为各级生产相关人员提供作业态势感知、智能预警、辅助决策的数字化支撑。
Description
技术领域
本申请涉及电网安全技术领域，特别是涉及一种电网安全预警方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在电网运行过程中，电网运行、检修、巡视、抢修等业务担负着连接用户的核心环节，随着城市化建设进程的发展，架空导线、电缆的运行环境变得更加恶劣，因此智能化安全防范、智能化远程巡检以及智能化安全作业等工作显得尤为重要。随着技术的发展，电网智能巡检、安全作业、远程生产等需求日益迫切，传统的人工巡检模式以及辅助监控系统已无法满足智能化生产运行的要求，急需建设一套智能监控预警系统。
发明内容
基于此，有必要针对上述技术问题，提供一种能够智能检测、识别、跟踪和预警的电网安全预警方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电网安全预警方法。所述方法包括：
采集电力设备附近的多源监控数据；
通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；
在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；
当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。
在其中一个实施例中，所述在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹，包括：
在从所述多源监控数据中检测到目标对象的情况下，通过多个时刻的多源监控数据对所述目标对象进行跟踪，得到所述目标对象的实际运动轨迹；
基于所述目标对象的实际运动轨迹，确定所述目标对象的预测运动轨迹。
在其中一个实施例中，所述目标检测模型通过下述方式训练得到：
获取样本监控数据和所述样本监控数据中样本对象的检测框位置标签；
将所述样本监控数据输入待训练的目标检测模型，得到预测检测框位置信息；
基于所述预测检测框位置信息与所述检测框位置标签之间的差异信息，对所述待训练的目标检测模型进行训练，得到训练完成的目标检测模型。
在其中一个实施例中，所述方法还包括：
获取预设的多种环境影响信息；
通过所述多种环境影响信息，对所述样本监控数据进行调整，得到调整后的样本监控数据；
将所述调整后的样本监控数据输入所述待训练的目标检测模型，得到所述预测检测框位置信息。
在其中一个实施例中，所述当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息，包括：
当基于所述预测运动轨迹确定所述目标对象将靠近预设的风险区域或在所述风险区域存在异常行为时，生成预警信息；所述异常行为包括针对电力设备的异常操作行为和着装异常行为。
在其中一个实施例中，所述方法还包括：
确定所述目标对象所靠近的风险区域的风险等级；
当所述风险等于超过目标等级时，生成所述预警信息。
第二方面，本申请还提供了一种电网安全预警装置。所述装置包括：
采集模块，用于采集电力设备附近的多源监控数据；
检测模块，用于通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；
跟踪模块，用于在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；
预警模块，用于当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集电力设备附近的多源监控数据；
通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；
在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；
当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
采集电力设备附近的多源监控数据；
通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；
在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；
当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
采集电力设备附近的多源监控数据；
通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；
在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；
当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。
上述电网安全预警方法、装置、计算机设备、存储介质和计算机程序产品，利用基于AI的视频分析、物联网、大数据分析，采用信息化、目标检测模型、多源数据感知等手段，通过一种电力设备防大型外力破坏的新型视频智能识别与预警系统的应用，达成对电力行业施工现场大型机械设备以及作业人员行为识别的多场景支持，涵盖包括“输、变、配”设备巡视资源的优化，巡视、作业、施工等全程智能化监控，从视频接入到视频检测、分析、跟踪的事中监督、事后分析的过程管控，对视频流进行渲染，对识别出的设备进行标注，同时合理即时推送出相关作业风险告警信息，为各级生产相关人员提供作业态势感知、智能预警、辅助决策的数字化支撑，实现配网生产的全景可视化监控；利用人工智能技术赋能视频监控设备，实现智能识别现场作业场景并辅助辨识作业风险。
附图说明
图1为一个实施例中电网安全预警方法的应用环境图；
图2为一个实施例中电网安全预警方法的流程示意图；
图3为一个实施例中目标检测模型训练步骤的流程示意图；
图4为一个实施例中目标检测模型训练方式的示意图；
图5为一个实施例中监控数据处理方法的示意图；
图6为一个实施例中电网安全预警装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的电网安全预警方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络分别与各个监控设备104进行通信。其中，监控设备104可以为摄像头、红外成像设备和可见光相机等多种类型，其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
在本公开的应用场景中，通过各种监控设备104采集电力设备附近的监控数据，终端102分别从各个监控设备104获取监控数据，构成多源监控数据，进一步将多源监控数据输入训练完成的目标检测模型，由目标检测模型对多源监控数据进行目标检测，得到检测结果，当检测到目标图像时，对目标对象进行跟踪，得到目标对象的预测运动轨迹，当基于预测运动轨迹确定目标对象存在风险时，生成预警信息。
在一个实施例中，如图2所示，提供了一种电网安全方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
步骤S210，采集电力设备附近的多源监控数据。
其中，多源监控数据可包括监控视频、红外图像和可见光图像等。
具体地，考虑到电力设备发生外力破坏或盗窃事件的情况多发生在大型施工现场、偏僻地区的公路两侧等特殊地段，为了增强对特殊地段的识别能力，本申请提出通过多种监控设备(如摄像头、红外成像设备和可见光相机)分别采集监控数据，基于采集的多源监控数据来进行监测识别，以提高对如夜间、雨雾天气等应用场景和特殊地段的识别能力，提高识别结果的置信度。
步骤S220，通过训练完成的目标检测模型，对多源监控数据进行目标检测处理。
具体地，目标检测模型可采用YOLOV5模型，YOLOV5模型为一种运行速度非常快的目标检测AI模型，检测到目标图像后，将图像分散成多幅图像并逐帧执行检测，检测框随目标移动进行目标跟踪，应用多个检测框来识别特定目标，随着时间的变化达到动态感知。
更具体地，YOLOV5网络结构模型包括Backbone网络(主干网络)、Neck网络(处于Backbone网络和Head网络之间的网络，用于对Bcakbone网络提取的特征进行处理，传给Head网络)、Head网络(获取网络输出内容的网络)，在数据增强方面达到了Mosaic效果(将多张图片拼成一张图片)以及自适应锚框计算与图片缩放以及MixUp(一种运用在计算机视觉中的对图像进行混类增强的算法，可以将不同类之间的图像进行混合，从而扩充训练数据集)的透明融合与概率使用，还有Albumentations滤波、直方图均衡化处理等。其中，Albumentations滤波包括但不限于对数据集进行逐像素的转换，如模糊、下采样、高斯造点、高斯模糊、动态模糊、RGB转换、随机雾化等；也可以进行空间转换(同时也会对目标进行转换)，如裁剪、翻转、随机裁剪等。
步骤S230，在从多源监控数据中检测到目标对象的情况下，对目标对象进行跟踪，得到目标对象的预测运动轨迹。
具体实现中，在从多源监控数据中检测到目标对象的情况下，通过多个时刻的多源监控数据对目标对象进行跟踪，得到目标对象的实际运动轨迹；基于目标对象的实际运动轨迹，确定目标对象的预测运动轨迹。
步骤S240，当基于预测运动轨迹确定目标对象存在风险时，生成预警信息。
其中，目标对象可以为作业人员、异常人员、动物和车辆等。
其中，预警信息可包括预警类型、作业地点、预警内容、预警时间等信息。
具体地，目标对象存在风险可以为目标对象将靠近预设的风险区域或在风险区域存在异常行为。异常行为包括针对电力设备的异常操作行为和着装异常行为。当基于预测运动轨迹确定目标对象存在风险时，则可生成预警信息，并在预警终端显示预警类型、作业地点、预警内容、预警时间，以及在终端展示的监控图像中标注出预警的目标对象、预警的目标对象的行为等，实现预警信息的可视化展示。
上述电网安全预警方法中，利用基于AI的视频分析、物联网、大数据分析，采用信息化、目标检测模型、多源数据感知等手段，通过一种电力设备防大型外力破坏的新型视频智能识别与预警系统的应用，达成对电力行业施工现场大型机械设备以及作业人员行为识别的多场景支持，涵盖包括“输、变、配”设备巡视资源的优化，巡视、作业、施工等全程智能化监控，从视频接入到视频检测、分析、跟踪的事中监督、事后分析的过程管控，对视频流进行渲染，对识别出的设备进行标注，同时合理即时推送出相关作业风险告警信息，为各级生产相关人员提供作业态势感知、智能预警、辅助决策的数字化支撑，实现配网生产的全景可视化监控；利用人工智能技术赋能视频监控设备，实现智能识别现场作业场景并辅助辨识作业风险。
在一个实施例中，步骤S230中，在从多源监控数据中检测到目标对象的情况下，对目标对象进行跟踪，得到目标对象的预测运动轨迹，包括：在从多源监控数据中检测到目标对象的情况下，通过多个时刻的多源监控数据对目标对象进行跟踪，得到目标对象的实际运动轨迹；基于目标对象的实际运动轨迹，确定目标对象的预测运动轨迹。
具体实现中，可采用跟踪算法对目标对象进行跟踪，跟踪算法可以为Deep sort(Simple Online and Realtime Tracking，在线实时跟踪)算法。Deep sort是实现目标跟踪的算法，使用卡尔曼滤波器预测所检测对象的运动轨迹，匈牙利算法将它们与新的检测目标相匹配，同时也解决运行速度快的问题。
本实施例中，在sort基础上加以改进，改进点Deepsort是sort多目标跟踪算法的改进版本，设计了一种新的关联方式，提高了对长时间遮挡的对象追踪的准确率，减少了Id频繁切换的现象。DeepSort中最大的特点是加入外观信息，借用了ReID领域模型来提取特征，减少了ID切换的次数。并且，本申请采用YOLOV5+DeepSort的算法模式，利用人工智能技术赋能视频监控设备，实现智能识别现场作业场景并辅助辨识作业风险，可以避免因误识、漏识等无法快速响应现场引发的安全风险的问题。
在一示例性实施例中，目标检测模型通过下述方式训练得到：获取样本监控数据和样本监控数据中样本对象的检测框位置标签；将样本监控数据输入待训练的目标检测模型，得到预测检测框位置信息；基于预测检测框位置信息与检测框位置标签之间的差异信息，对待训练的目标检测模型进行训练，得到训练完成的目标检测模型。
具体实现中，可以预先获取样本监控数据并确定检测框位置标签，然后以样本监控数据为模型输入，以检测框位置标签为监督信息对待训练的目标检测模型进行训练，直至达到预设的基准训练次数或损失值达到误差范围，得到训练完成的目标检测模型。
进一步地，如图3所示，在一示例性实施例中，目标检测模型的训练还包括：
步骤S310，获取预设的多种环境影响信息；
步骤S320，通过多种环境影响信息，对样本监控数据进行调整，得到调整后的样本监控数据；
步骤S330，将调整后的样本监控数据输入手势待训练的目标检测模型，得到预测检测框位置信息。
可以理解的是，目前外力破坏类识别的电力设备多属于在大型机械或大型机械设备中的少数类型，如挖掘机、运输机、吊机等，若后期外力破坏的设备为目标检测模型未识别过的设备类型，则可能存在无法识别的问题，因此，为了避免这种情况，本申请从长远机制、识别广度考虑，采取如图4所示的储库→训库→扩算法→模型化的方式，使得目标检测模型对于目标的识别不会局限于固有的环境，可因外部环境变动作相应的适配支撑。
其中，储库是一个不断收集识别目标的需求过程，需求可以来自内部与外部，目标库将根据收集到的新的要求不断扩大，目标库加入的目标项刚开始是草稿状态，非正式生效的目标库，未经过训练转化，无法作为训库与算法的识别对象，在经过训练后才正式生效。
具体地，训库的过程需在搭建近似真实环境的场景下进行，需添加环境影响信息，也作为训库的输入条件，具体可预先手动配置环境影响信息，同时可预先配置目标项的训练指标以及误差范围。当目标项的训练指标的损失值在误差范围内并且训练的次数达到基准次数时，对训练的结果进行转化，同时训练的目标项状态值为已训练生效。训练的结果同时保留了对于目标项的最佳算法与算法的适配规则，训练算法在算法库中不存在则补充到算法库，否则修改算法库。模型是算法的根基，而模型是基于一定规则基础上的逻辑体现，智能识别算法规则从计划、视频设备、风险等级、时长、错峰、识别频率、识别方式、以及轮巡等角度考虑，实现从图像到现在的流媒体，以及人、动物、车辆、环境等的侦测、识别与跟踪。
在一示例性实施例中，步骤S240中当基于预测运动轨迹确定目标对象存在风险时，生成预警信息，包括：当基于预测运动轨迹确定目标对象将靠近预设的风险区域或在风险区域存在异常行为时，生成预警信息；异常行为包括针对电力设备的异常操作行为和异常着装行为。
进一步地，在一示例性实施例中，所示方法还包括：确定目标对象所靠近的风险区域的风险等级；当风险等于超过目标等级时，生成预警信息。
可以理解的是，大型机械外力破坏视频智能识别技术传统意义上关注的对象为大型机械设备，识别应用离不开场景，从“人机料法环”角度考虑场景因素的识别，如利用电子围栏技术、智能安全帽等，在视频图像上预先标定签潜在风险区域，与目标的运功轨迹相结合，建立风险分级机制，利用智能算法确定风险等级较高的视频并提前预警，确保电网设备安全稳定运行，为各级生产相关人员提供作业态势感知、智能预警、辅助决策的数字化支撑，实现电力生产的全景可视化监控。
具体地，可以结合电子围栏辨别作业人员是否存在异常行为，如跨越禁止区域，在禁止区域内违章作业等。其中，围栏组成部分主要由终端杆、终端杆绝缘子、终端杆防雨帽、固定夹、承力杆、承力杆绝缘子、承力杆防雨帽、PV过线杆、收紧器、合金导线、高压绝缘导线、警示牌、避雷器、线线连接器和声光报警器等组成。
可以结合智能安全帽实现典型场景和复杂场景下的带电体智能监测、靠近带电体安全距离实时预警、作业人员北斗精确定位等功能。作业人员佩戴智能安全帽后，当接近高压带电体规定距离时，报警器根据电压等级相应的安全距离发出声光报警，提醒工作人员注意安全，避免发生高压触电事故，其功能包括：近电预警、登高预警、跌落预警、人员定位、声光语音提醒，声光语音提醒包括未验电提醒、未挂连接地线提醒、未可靠接地提醒和未拆除接地线提醒等。
在另一实施例中，本申请还提出了通过建立统一的智能识别平台，集成视频、算法、规则于一体，将现场施工视频、外部视频融合，在兼容视频设备的各个厂家、型号，依托在统一的平台基础上，集成并配置统一的算法，以充分发挥智能识别的算力，覆盖全范围应用至所涉领域场景。该智能识别平台可包括前端监控检测、识别、跟踪和预警功能，以及后台识别规则配置、目标检测模型训练等功能。通过统一的视频智能识别平台，集成并配置统一的算法，增强智能识别的算力，并全覆盖全范围应用至所涉领域场景。
另外，电网的安全涉及内外部数据，不仅是内部本专业、跨地区、不同单位的，还有外部跨专业，面临汇聚数据难点，内外部数据融合不足，内外部数据相互独立分散，各自为战，不能发挥外部数据与内部数据的作用形成合力，对内外数据的结合使用并不充分。
为解决该问题，本申请还提出了如图5所示的监控数据处理方法，一方面是数据汇聚统一出处，如视频台账的完整性关联，依托于内部已搭建并运行的物联网平台，解决了台账统一棘手问题；视频离不开作业计划，计划的来源于基建、生计、营销等不同的专业，不同专业的作业虽有不同的平台，最终数据汇入至电管平台；解决视频源头分散，不同地区、不同单位采购的视频设备厂家不同，规格各异、通信方式不一的问题。另一方面是汇聚的数据进行加工清洗，建立逻辑关联，变成易分析的数据，形成视频算法的依据。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电网安全预警方法的电网安全预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电网安全预警装置实施例中的具体限定可以参见上文中对于电网安全预警方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种电网安全预警装置，包括：
采集模块610，用于采集电力设备附近的多源监控数据；
检测模块620，用于通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；
跟踪模块630，用于在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；
预警模块640，用于当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。
在一个实施例中，检测模块620，还用于在从所述多源监控数据中检测到目标对象的情况下，通过多个时刻的多源监控数据对所述目标对象进行跟踪，得到所述目标对象的实际运动轨迹；基于所述目标对象的实际运动轨迹，确定所述目标对象的预测运动轨迹。
在一个实施例中，上述装置还包括模型训练模块，用于获取样本监控数据和所述样本监控数据中样本对象的检测框位置标签；将所述样本监控数据输入待训练的目标检测模型，得到预测检测框位置信息；基于所述预测检测框位置信息与所述检测框位置标签之间的差异信息，对所述待训练的目标检测模型进行训练，得到训练完成的目标检测模型。
在一个实施例中，模型训练模块，还用于获取预设的多种环境影响信息；通过所述多种环境影响信息，对所述样本监控数据进行调整，得到调整后的样本监控数据；将所述调整后的样本监控数据输入所述待训练的目标检测模型，得到所述预测检测框位置信息。
在一个实施例中，预警模块640，还用于当基于所述预测运动轨迹确定所述目标对象将靠近预设的风险区域或在所述风险区域存在异常行为时，生成预警信息；所述异常行为包括针对电力设备的异常操作行为和着装异常行为。
在一个实施例中，预警模块640，还用于确定所述目标对象所靠近的风险区域的风险等级；当所述风险等于超过目标等级时，生成所述预警信息。
上述电网安全预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电网安全预警方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电网安全预警方法，其特征在于，所述方法包括：
采集电力设备附近的多源监控数据；
通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；
在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；
当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。
2.根据权利要求1所述的方法，其特征在于，所述在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹，包括：
在从所述多源监控数据中检测到目标对象的情况下，通过多个时刻的多源监控数据对所述目标对象进行跟踪，得到所述目标对象的实际运动轨迹；
基于所述目标对象的实际运动轨迹，确定所述目标对象的预测运动轨迹。
3.根据权利要求1所述的方法，其特征在于，所述目标检测模型通过下述方式训练得到：
获取样本监控数据和所述样本监控数据中样本对象的检测框位置标签；
将所述样本监控数据输入待训练的目标检测模型，得到预测检测框位置信息；
基于所述预测检测框位置信息与所述检测框位置标签之间的差异信息，对所述待训练的目标检测模型进行训练，得到训练完成的目标检测模型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取预设的多种环境影响信息；
通过所述多种环境影响信息，对所述样本监控数据进行调整，得到调整后的样本监控数据；
将所述调整后的样本监控数据输入所述待训练的目标检测模型，得到所述预测检测框位置信息。
5.根据权利要求1所述的方法，其特征在于，所述当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息，包括：
当基于所述预测运动轨迹确定所述目标对象将靠近预设的风险区域或在所述风险区域存在异常行为时，生成预警信息；所述异常行为包括针对电力设备的异常操作行为和着装异常行为。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
确定所述目标对象所靠近的风险区域的风险等级；
当所述风险等于超过目标等级时，生成所述预警信息。
7.一种电网安全预警装置，其特征在于，所述装置包括：
采集模块，用于采集电力设备附近的多源监控数据；
检测模块，用于通过训练完成的目标检测模型，对所述多源监控数据进行目标检测处理；
跟踪模块，用于在从所述多源监控数据中检测到目标对象的情况下，对所述目标对象进行跟踪，确定所述目标对象的预测运动轨迹；
预警模块，用于当基于所述预测运动轨迹确定所述目标对象存在风险时，生成预警信息。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211395215.9A CN115620208A (zh) | 2022-11-09 | 2022-11-09 | 电网安全预警方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211395215.9A CN115620208A (zh) | 2022-11-09 | 2022-11-09 | 电网安全预警方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115620208A true CN115620208A (zh) | 2023-01-17 |
Family
ID=84878927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211395215.9A Pending CN115620208A (zh) | 2022-11-09 | 2022-11-09 | 电网安全预警方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115620208A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311556A (zh) * | 2023-04-06 | 2023-06-23 | 北京数通魔方科技有限公司 | 一种基于人工智能的管控方法与管控系统 |
| CN117710832A (zh) * | 2024-01-04 | 2024-03-15 | 广州智寻科技有限公司 | 一种电网卫星、无人机、视频监控图像智能识别方法 |
| CN118072253A (zh) * | 2024-04-18 | 2024-05-24 | 浙江深象智能科技有限公司 | 风险预警方法、系统及设备 |
-
2022
- 2022-11-09 CN CN202211395215.9A patent/CN115620208A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311556A (zh) * | 2023-04-06 | 2023-06-23 | 北京数通魔方科技有限公司 | 一种基于人工智能的管控方法与管控系统 |
| CN116311556B (zh) * | 2023-04-06 | 2023-08-11 | 北京数通魔方科技有限公司 | 一种基于人工智能的管控方法与管控系统 |
| CN117710832A (zh) * | 2024-01-04 | 2024-03-15 | 广州智寻科技有限公司 | 一种电网卫星、无人机、视频监控图像智能识别方法 |
| CN118072253A (zh) * | 2024-04-18 | 2024-05-24 | 浙江深象智能科技有限公司 | 风险预警方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
| CN111310562B (zh) | 基于人工智能的车辆驾驶风险管控方法及其相关设备 | |
| CN115620208A (zh) | 电网安全预警方法、装置、计算机设备和存储介质 | |
| Ghosh et al. | Accident detection using convolutional neural networks | |
| CN112950773A (zh) | 基于建筑信息模型的数据处理方法与装置、处理服务器 | |
| DE112013002233B4 (de) | System, Verfahren und Programmprodukt zum Bereitstellen von für Bevölkerungsbewegung empfindlichen Wettervorhersagen | |
| Guo et al. | An improved AlexNet for power edge transmission line anomaly detection | |
| JP2020537262A (ja) | 自動監視システムのための方法および装置 | |
| Sabeti et al. | Toward AI-enabled augmented reality to enhance the safety of highway work zones: Feasibility, requirements, and challenges | |
| CN111131771B (zh) | 一种视频监控系统 | |
| CN110659391A (zh) | 一种视频侦查方法及装置 | |
| CN106331633A (zh) | 一种多种监控资源显示及快速调阅的方法和系统 | |
| US11783588B2 (en) | Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform | |
| US20230017578A1 (en) | Image processing and model training methods, electronic device, and storage medium | |
| CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
| CN115146878A (zh) | 指挥调度方法、系统、车载设备及计算机可读存储介质 | |
| CN111429583A (zh) | 一种基于三维地理信息的时空态势感知方法和系统 | |
| CN114998830A (zh) | 一种变电站人员安全帽佩戴检测方法及系统 | |
| CN114187541A (zh) | 一种面向自定义业务场景的智能视频分析的方法和存储设备 | |
| CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
| 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 | |
| Wang et al. | AccidentGPT: Accident analysis and prevention from V2X environmental perception with multi-modal large model | |
| CN112528825A (zh) | 一种基于图像识别的车站乘客招援服务方法 | |
| CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
| Singh et al. | An intelligent video surveillance system using edge computing based deep learning model |
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 |