CN115685809A - 一种基于人工智能机器视觉的行为识别方法和系统 - Google Patents

Abstract

本说明书实施例提供一种基于人工智能机器视觉的行为识别方法和系统，属于数据处理技术领域，该系统包括数据采集模块，包括多个数据采集单元用于采集电力作业相关信息；环网架构模块，用于提供环网；数据处理模块，包括中央控制器及多个边缘计算单元，多个边缘计算单元通过环网架构模块提供的环网与中央控制器通信，数据采集单元通过环网将采集的电力作业相关信息上传，边缘计算单元用于通过风险识别模型基于电力作业相关信息识别电力作业风险；风险提示模块，包括多个用户终端，用户终端用于通过环网从边缘计算单元接收生成的作业预警信息，具有基于机器视觉智能化地对电力作业风险进行更为客观和准确地识别，提高电力作业的安全性的优点。

Description

一种基于人工智能机器视觉的行为识别方法和系统

技术领域

本发明涉及数据处理领域，特别涉及一种基于人工智能机器视觉的行为 识别方法和系统。

背景技术

电力行业现场作业具备着不确定性，因此现场作业的风险比较大，在电 力行业中，传统的现场作业风险评估是以制度化和体系化为基础，开展现场作 业风险评估体系，因此在作业风险及其控制措施的辨识、选择与执行中，需要 人为干涉，风险评估人员按照风险评估技术标准开展危害辨识、风险等级判定 及通用措施辨识，多以经验判断为主才可以实现常态化管理，主观因素较强， 同时由于经验限制，在实际现场作业风险评估过程中，对于历史事故事件、违 章、人员管理、环境等作业风险管理过程产生的大量数据缺乏系统有效的管理 与应用，致使作业风险评估存在维度单一的缺陷，且评估结果及管控措施也缺乏针对性、客观性和科学性。

因此，需要提供一种基于人工智能机器视觉的行为识别方法和系统，用 于基于机器视觉智能化地对电力作业风险进行更为客观和准确地识别，提高电 力作业的安全性。

发明内容

为了解决现有技术中的技术问题，本说明书实施例之一提供一种基于人 工智能机器视觉的行为识别系统，包括：数据采集模块，包括多个数据采集单 元，所述数据采集单元用于采集电力作业相关信息；环网架构模块，用于提供 环网；数据处理模块，包括中央控制器及多个边缘计算单元，所述多个边缘计 算单元通过所述环网架构模块提供的环网与所述中央控制器通信，一个所述数 据采集单元对应有一个所述边缘计算单元，所述数据采集单元通过所述环网架 构模块提供的环网将采集的所述电力作业相关信息上传至所述边缘计算单元， 所述边缘计算单元用于通过风险识别模型基于所述电力作业相关信息识别电力 作业风险；风险提示模块，包括多个用户终端，所述用户终端用于通过所述环 网架构模块提供的环网从所述边缘计算单元接收基于识别的所述电力作业风险 生成的作业预警信息。

在一些实施例中，所述数据采集单元包括设置在安全帽内的佩戴检测装 置，所述佩戴检测装置包括设置在所述安全帽内的压电式传感器、感应开关及 温度传感器，所述压电式传感器的输出端与所述感应开关电连接，所述感应开 关串联在电源与所述温度传感器之间，所述压电式传感器的输出电压大于第一 预设电压阈值时，所述感应开关处于导通状态；所述温度传感器的输出信号通 过所述环网架构模块提供的环网上传至所述边缘计算单元；所述用户终端设置 在所述安全帽上。

在一些实施例中，所述数据采集单元包括多个图像采集装置，所述图像 采集装置用于采集电力作业的图像信息，所述图像采集装置通过所述环网架构 模块提供的环网将采集的图像信息上传至所述边缘计算单元；所述边缘计算单 元还用于基于所述图像信息识别电力作业人员的穿戴特征及作业行为；所述边 缘计算单元还用于基于所述温度传感器的输出信号及识别的所述电力作业人员 的穿戴特征及作业行为，确定所述电力作业风险。

在一些实施例中，所述数据采集单元包括环境监测装置及多个设备监测 装置，其中，所述环境监测装置用于采集电力作业场地的环境信息，所述多个 设备监测装置用于采集多个电力设备的相关信息。

在一些实施例中，所述边缘计算单元预存有所述环境监测装置及所述多 个设备监测装置的位置信息；所述边缘计算单元还用于基于所述环境监测装置 采集的电力作业场地的环境信息及所述多个设备监测装置采集的多个电力设备 的相关信息，确定所述多个电力设备中是否存在当前异常电力设备；若所述边 缘计算单元确定所述多个电力设备中存在当前异常电力设备，从所述图像采集 装置采集的电力作业的图像信息中确定至少一个当前风险区域，并识别所述电 力作业人员的穿戴特征及作业行为，通过所述风险识别模型基于所述至少一个 当前风险区域和所述电力作业人员的穿戴特征及作业行为，识别所述电力作业 风险。

在一些实施例中，若所述边缘计算单元确定所述多个电力设备中不存在 当前异常电力设备，所述边缘计算单元还用于通过状态预测模型基于历史信息 矩阵预测未来信息矩阵，其中，历史信息矩阵由多个历史信息序列组成，所述 历史信息序列包括所述环境监测装置在一个历史时间点采集的电力作业场地的 环境信息及多个设备监测装置在所述历史时间点采集的多个电力设备的相关信 息，所述未来信息矩阵包括预测的在多个未来时间点的电力作业场地的环境信 息及在所述未来时间点的多个电力设备的相关信息；所述边缘计算单元还用于 基于预测的未来信息矩阵，确定所述多个电力设备中是否存在预判异常电力设 备；若所述边缘计算单元确定所述多个电力设备中存在预判异常电力设备，从 所述图像采集装置采集的电力作业的图像信息中确定至少一个预判风险区域， 并识别所述电力作业人员的穿戴特征及作业行为，通过所述风险识别模型基于 所述至少一个预判风险区域和所述电力作业人员的穿戴特征及作业行为，识别 所述电力作业风险。

在一些实施例中，所述边缘计算单元还用于通过动作预测模型基于历史 图像序列预测所述电力作业人员的未来动作，其中，所述历史图像序列包括所 述图像采集装置在多个历史时间点采集的所述电力作业的图像信息；所述边缘 计算单元还用于通过所述风险识别模型基于所述动作预测模型预测的所述电力 作业人员的未来动作、所述当前风险区域和/或所述预判风险区域，识别所述电 力作业风险。

在一些实施例中，所述中央控制器还用于在所述多个边缘计算单元中存 在失效边缘计算单元时，从所述多个边缘计算单元确定一个替换边缘计算单元， 所述替换边缘计算单元用于替代所述失效边缘计算单元接收所述失效边缘计算 单元对应的数据采集单元采集的电力作业相关信息，并基于所述电力作业相关 信息识别所述电力作业风险。

在一些实施例中，所述中央控制器从所述多个边缘计算单元确定一个替 换边缘计算单元，包括：建立所述多个边缘计算单元的关系图谱；获取每个所 述边缘计算单元的算力负荷及状态信息；基于所述关系图谱和每个所述边缘计 算单元的算力负荷及状态信息，从所述多个边缘计算单元确定一个替换边缘计 算单元。

本说明书实施例之一提供一种基于人工智能机器视觉的行为识别方法， 所述方法包括：确定数据采集单元与边缘计算单元的对应关系；通过数据采集 单元采集电力作业相关信息；所述数据采集单元基于所述数据采集单元与边缘 计算单元的对应关系，通过环网将采集的所述电力作业相关信息上传至对应的 所述边缘计算单元；所述边缘计算单元用于通过风险识别模型基于所述电力作 业相关信息识别电力作业风险；所述边缘计算单元接收基于识别的所述电力作 业风险生成作业预警信息；所述边缘计算单元通过环网将所述作业预警信息发 送至至少一个用户终端。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通 过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编 号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的一种基于人工智能机器视觉的行 为识别系统的模块示意图；

图2是根据本说明书一些实施例所示的一种基于人工智能机器视觉的行 为识别方法的示例性流程图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中 所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说 明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性 劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从 语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不 同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词 语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、 “一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包 括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一 个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行 的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反， 可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程 中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的一种基于人工智能机器视觉的行 为识别系统的模块示意图。如图1所示，一种基于人工智能机器视觉的行为识 别系统可以包括数据采集模块、环网架构模块、数据处理模块及风险提示模块。 下面依次对各个模块进行说明。

数据采集模块可以包括多个数据采集单元，数据采集单元用于采集电力 作业相关信息。

可以理解的，一个电力作业区域可以设置有至少一个数据采集单元。

在一些实施例中，数据采集单元包括设置在安全帽内的佩戴检测装置， 佩戴检测装置包括设置在安全帽内的压电式传感器、感应开关及温度传感器， 压电式传感器的输出端与感应开关电连接，感应开关串联在电源与温度传感器 之间，压电式传感器的输出电压大于第一预设电压阈值时，感应开关处于导通 状态。在一些实施例中，温度传感器的输出信号通过环网架构模块提供的环网 上传至边缘计算单元。

在一些实施例中，数据采集单元包括多个图像采集装置，可以理解的， 多个图像采集装置可以分别设置在电力作业区域的不同位置处，图像采集装置 用于采集电力作业的图像信息。图像采集装置通过环网架构模块提供的环网将 采集的图像信息上传至边缘计算单元。

在一些实施例中，数据采集单元可以包括环境监测装置，环境监测装置 用于采集电力作业场地的环境信息，例如，用于监测环境湿度的湿度传感器、 用于监测环境温度的温度传感器、用于监测环境烟雾的烟雾传感器等。

在一些实施例中，数据采集单元可以包括多个设备监测装置，多个设备 监测装置用于采集多个电力设备的相关信息，每个电力设备上可以安装有至少 一个设备监测装置，设备监测装置可以包括多种用于监测电力设备状态的传感 器，例如，电流传感器、电压传感器、温度传感器及电弧传感器等。

环网架构模块可以用于提供环网。环网架构模块可以包括以太网交换机 组成的环形网络，主要采用基于拓扑的网络故障恢复协议，通过网络冗余的方 法来提高网络的可用性。当环形网络的交换机或交换机内部的链路发生单一故 障时，能够在一定的时间内恢复网络的功能。

数据处理模块可以包括中央控制器及多个边缘计算单元，多个边缘计算 单元通过环网架构模块提供的环网与中央控制器通信，一个数据采集单元对应 有一个边缘计算单元，数据采集单元通过环网架构模块提供的环网将采集的电 力作业相关信息上传至边缘计算单元，边缘计算单元用于通过风险识别模型基 于电力作业相关信息识别电力作业风险。

中央控制器可以包含一个或多个子处理器(例如，单芯处理设备或多核 多芯处理设备)。仅仅作为范例，处理器可包含中央处理器(CPU)、专用集 成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理 器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑 逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。

可以理解的，中央控制器可以对边缘计算单元与数据采集单元的对应关 系可以进行灵活调整。

在一些实施例中，中央控制器可以在多个边缘计算单元中存在失效边缘 计算单元时，从多个边缘计算单元确定一个替换边缘计算单元，替换边缘计算 单元用于替代失效边缘计算单元接收失效边缘计算单元对应的数据采集单元采 集的电力作业相关信息，并基于电力作业相关信息识别电力作业风险。

在一些实施例中，中央控制器从多个边缘计算单元确定一个替换边缘计 算单元，可以包括：建立多个边缘计算单元的关系图谱，获取每个边缘计算单 元的算力负荷及状态信息，基于关系图谱和每个边缘计算单元的算力负荷及状 态信息，从多个边缘计算单元确定一个替换边缘计算单元。

在一些实施例中，边缘计算单元可以基于图像信息识别电力作业人员的 穿戴特征及作业行为，并基于温度传感器的输出信号及识别的电力作业人员的 穿戴特征及作业行为，确定电力作业风险。

在一些实施例中，边缘计算单元还可以用于基于环境监测装置采集的电 力作业场地的环境信息及多个设备监测装置采集的多个电力设备的相关信息， 确定多个电力设备中是否存在当前异常电力设备；若边缘计算单元确定多个电 力设备中存在当前异常电力设备，从图像采集装置采集的电力作业的图像信息 中确定至少一个当前风险区域，并识别电力作业人员的穿戴特征及作业行为， 通过风险识别模型基于至少一个当前风险区域和电力作业人员的穿戴特征及作 业行为，识别电力作业风险。

在一些实施例中，若边缘计算单元确定多个电力设备中不存在当前异常 电力设备，边缘计算单元还可以通过状态预测模型基于历史信息矩阵预测未来 信息矩阵，其中，历史信息矩阵由多个历史信息序列组成，历史信息序列包括 环境监测装置在一个历史时间点采集的电力作业场地的环境信息及多个设备监 测装置在历史时间点采集的多个电力设备的相关信息，所述未来信息矩阵包括 预测的在多个未来时间点的电力作业场地的环境信息及在所述未来时间点的多 个电力设备的相关信息。

在一些实施例中，边缘计算单元还可以基于预测的未来信息矩阵，确定 多个电力设备中是否存在预判异常电力设备；若边缘计算单元确定多个电力设 备中存在预判异常电力设备，从图像采集装置采集的电力作业的图像信息中确 定至少一个预判风险区域，并识别电力作业人员的穿戴特征及作业行为，通过 风险识别模型基于至少一个预判风险区域和电力作业人员的穿戴特征及作业行 为，识别电力作业风险。

在一些实施例中，边缘计算单元还可以通过动作预测模型基于历史图像 序列预测电力作业人员的未来动作，其中，历史图像序列包括图像采集装置在 多个历史时间点采集的电力作业的图像信息。在一些实施例中，边缘计算单元 还可以通过风险识别模型基于动作预测模型预测的电力作业人员的未来动作、 当前风险区域和/或预判风险区域，识别电力作业风险。

风险提示模块可以包括多个用户终端，用户终端用于通过环网架构模块 提供的环网从边缘计算单元接收基于识别的电力作业风险生成的作业预警信息。

关于数据采集模块、环网架构模块、数据处理模块及风险提示模块的更 多描述可以参见图2及其相关描述，此处不再赘述。

在一些实施例中，用户终端可以安装在安全帽上，便于电力作业人员获 取边缘计算单元接收基于识别的电力作业风险生成的作业预警信息。

需要注意的是，以上对于基于人工智能机器视觉的行为识别系统及其模 块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可 以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离 这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连 接。在一些实施例中，图1中披露的数据采集模块、环网架构模块、数据处理 模块及风险提示模块可以是一个系统中的不同模块，也可以是一个模块实现上 述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各 个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保 护范围之内。

图2是根据本说明书一些实施例所示的一种基于人工智能机器视觉的行 为识别方法的示例性流程图。如图2所示，一种基于人工智能机器视觉的行为 识别方法包括下述步骤。在一些实施例中，一种基于人工智能机器视觉的行为 识别方法可以由一种基于人工智能机器视觉的行为识别系统执行。

步骤210，确定数据采集单元与边缘计算单元的对应关系。在一些实施例 中，步骤210可以由数据处理模块执行。

数据采集单元与边缘计算单元的对应关系可以预先设置，例如，位于同 一电力作业区域的数据采集单元和边缘计算单元之间存在对应关系。

在一些实施例中，当电力施工区域的边缘计算单元失效时，该边缘计算 单元即为失效边缘计算单元，为了保证电力作业风险的有效监测，中央控制器 可以在多个边缘计算单元中存在失效边缘计算单元时，从多个边缘计算单元确 定一个替换边缘计算单元，替换边缘计算单元用于替代失效边缘计算单元接收 失效边缘计算单元对应的数据采集单元采集的电力作业相关信息，并基于电力 作业相关信息识别电力作业风险。

例如，中央控制器可以选择距离失效边缘计算单元对应的数据采集单元 最近的边缘计算单元作为替换边缘计算单元。

在一些实施例中，中央控制器从多个边缘计算单元确定一个替换边缘计 算单元，可以包括：

建立多个边缘计算单元的关系图谱；

获取每个边缘计算单元的算力负荷及状态信息；

基于关系图谱和每个边缘计算单元的算力负荷及状态信息，从多个边缘计 算单元确定一个替换边缘计算单元。

关系图谱可以由多个边缘计算单元对应的节点组成，在一些实施例中， 当两个边缘计算单元的相似度大于预设阈值时，两个边缘计算单元对应的节点 之间可以通过边连接。在一些实施例中，中央控制器可以基于两个边缘计算单 元的相关信息，确定两个边缘计算单元的相似度，例如，通过两个边缘计算单 元的设备参数、对应的数据采集单元采集数据的类型、安装地点等。可以理解 的，两个边缘计算单元对应的节点之间边越短，该两个边缘计算单元的相似度 越大。

在一些实施例中，中央控制器基于关系图谱和每个边缘计算单元的算力 负荷及状态信息，从多个边缘计算单元确定一个替换边缘计算单元，可以包括： 先基于关系图谱，确定与该失效边缘计算单元对应的节点之间边小于预设边长 阈值的至少一个候选替换边缘计算单元对应的节点，再根据候选替换边缘计算 单元的算力负荷及状态信息，从至少一个候选替换边缘计算单元中确定替换边 缘计算单元。例如，中央控制器可以选择正常运行，且算力负荷最小的候选替 换边缘计算单元作为替换边缘计算单元。

步骤220，通过数据采集单元采集电力作业相关信息。在一些实施例中， 步骤220可以由数据采集模块执行。

在一些实施例中，数据采集单元包括设置在安全帽内的佩戴检测装置， 佩戴检测装置包括设置在安全帽内的压电式传感器、感应开关及温度传感器， 压电式传感器的输出端与感应开关电连接，感应开关串联在电源与温度传感器 之间，压电式传感器的输出电压大于第一预设电压阈值时，感应开关处于导通 状态。在一些实施例中，温度传感器的输出信号通过环网架构模块提供的环网 上传至边缘计算单元。

在一些实施例中，数据采集单元包括多个图像采集装置，可以理解的， 多个图像采集装置可以分别设置在电力作业区域的不同位置处，图像采集装置 用于采集电力作业的图像信息。图像采集装置通过环网架构模块提供的环网将 采集的图像信息上传至边缘计算单元。

在一些实施例中，数据采集单元可以包括环境监测装置，环境监测装置 用于采集电力作业场地的环境信息，例如，用于监测环境湿度的湿度传感器、 用于监测环境温度的温度传感器、用于监测环境烟雾的烟雾传感器等。

在一些实施例中，数据采集单元可以包括多个设备监测装置，多个设备 监测装置用于采集多个电力设备的相关信息，每个电力设备上可以安装有至少 一个设备监测装置，设备监测装置可以包括多种用于监测电力设备状态的传感 器，例如，电流传感器、电压传感器、温度传感器及电弧传感器等。

步骤230，数据采集单元基于数据采集单元与边缘计算单元的对应关系， 通过环网将采集的电力作业相关信息上传至对应的边缘计算单元。在一些实施 例中，步骤230可以由数据采集模块执行。

步骤240，边缘计算单元用于通过风险识别模型基于电力作业相关信息识 别电力作业风险。在一些实施例中，步骤240可以由数据处理模块执行。

风险识别模型可以为机器学习模型，风险识别模型可以为卷积神经网络 (CNN)、深度神经网络(DNN)、循环神经网络(RNN)、多层神经网络(MLP)、 对抗神经网络(GAN)等一种或其任意组合。例如，风险识别模型可以为卷积 神经网络和深度神经网络组合形成的模型。

在一些实施例中，边缘计算单元可以基于图像信息识别电力作业人员的 穿戴特征及作业行为，并基于温度传感器的输出信号及识别的电力作业人员的 穿戴特征及作业行为，确定电力作业风险。例如，风险识别模型可以基于温度 传感器的输出信号及识别的电力作业人员的穿戴特征及作业行为，确定电力作 业人员是否佩戴安全帽、是否穿着工作服、是否佩戴绝缘手套以及是否进行了 危险动作。

在一些实施例中，边缘计算单元还可以用于基于环境监测装置采集的电 力作业场地的环境信息及多个设备监测装置采集的多个电力设备的相关信息， 确定多个电力设备中是否存在当前异常电力设备。若边缘计算单元确定多个电 力设备中存在当前异常电力设备，从图像采集装置采集的电力作业的图像信息 中确定至少一个当前风险区域，并识别电力作业人员的穿戴特征及作业行为， 通过风险识别模型基于至少一个当前风险区域和电力作业人员的穿戴特征及作 业行为，识别电力作业风险。

可以理解的，湿度、温度及烟雾浓度异常的区域可以作为当前风险区域， 当前异常电力设备所在的区域可以作为当前风险区域，风险识别模型可以识别 电力作业人员的穿戴特征是否符合风险区域的穿戴标准，判断电力作业人员在 当前风险区域的动作是否符合风险区域的操作标准。其中，操作标准可以根据 法律法规和/或行业标准制定。

在一些实施例中，若边缘计算单元确定多个电力设备中不存在当前异常 电力设备，边缘计算单元还可以通过状态预测模型基于历史信息矩阵预测未来 信息矩阵，其中，历史信息矩阵由多个历史信息序列组成，历史信息序列包括 环境监测装置在一个历史时间点采集的电力作业场地的环境信息及多个设备监 测装置在历史时间点采集的多个电力设备的相关信息，未来信息矩阵包括预测 的在多个未来时间点的电力作业场地的环境信息及在未来时间点的多个电力设 备的相关信息，未来信息矩阵的一行的元素即表征一个未来时间点的电力作业 场地的环境信息及在该未来时间点的多个电力设备的相关信息。

可以理解的，历史时间点可以为与当前时间点之间的时间距离小于预设 时间距离的过去的某个时间点，同理，未来时间点可以为与当前时间点之间的 时间距离小于预设时间距离的未来的某个时间点。状态预测模型可以为机器学 习模型，风险识别模型可以为卷积神经网络(CNN)、深度神经网络(DNN)、 循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一 种或其任意组合。例如，状态预测模型可以为卷积神经网络和深度神经网络组 合形成的模型。

在一些实施例中，边缘计算单元还可以基于预测的未来信息矩阵，确定 多个电力设备中是否存在预判异常电力设备；若边缘计算单元确定多个电力设 备中存在预判异常电力设备，从图像采集装置采集的电力作业的图像信息中确 定至少一个预判风险区域，并识别电力作业人员的穿戴特征及作业行为，通过 风险识别模型基于至少一个预判风险区域和电力作业人员的穿戴特征及作业行 为，识别电力作业风险。

可以理解的，在未来时间点湿度、温度及烟雾浓度异常的区域可以作为 预判风险区域，在未来时间点状态异常的电力设备所在的区域可以作为预判风 险区域，风险识别模型可以识别电力作业人员的穿戴特征是否符合在风险区域 的穿戴标准，判断电力作业人员在预判风险区域的动作是否符合风险区域的操 作标准。其中，操作标准可以根据法律法规和/或行业标准制定。

在一些实施例中，边缘计算单元还可以通过动作预测模型基于历史图像 序列预测电力作业人员的未来动作，其中，历史图像序列包括图像采集装置在 多个历史时间点采集的电力作业的图像信息。在一些实施例中，边缘计算单元 还可以通过风险识别模型基于动作预测模型预测的电力作业人员的未来动作、 当前风险区域和/或预判风险区域，识别电力作业风险。

动作预测模型预测的电力作业人员的未来动作可以表征电力作业人员在 多个未来时间点的动作。动作预测模型可以为卷积神经网络(CNN)、深度神 经网络(DNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经 网络(GAN)等一种或其任意组合。例如，动作预测模型可以为卷积神经网络 和深度神经网络组合形成的模型。

例如，边缘计算单元还可以通过风险识别模型基于动作预测模型预测的 电力作业人员的未来动作和当前风险区域，识别电力作业风险。若电力作业人 员位于当前风险区域内，边缘计算单元可以识别电力作业人员的穿戴特征是否 符合风险区域的穿戴标准，判断预测的电力作业人员的未来动作是否符合风险 区域的操作标准。其中，操作标准可以根据法律法规和/或行业标准制定。

又例如，边缘计算单元还可以通过风险识别模型基于动作预测模型预测 的电力作业人员的未来动作和预判风险区域，识别电力作业风险。若电力作业 人员位于预判风险区域内，边缘计算单元可以识别电力作业人员的穿戴特征是 否符合风险区域的穿戴标准，判断预测的电力作业人员的未来动作是否符合风 险区域的操作标准。其中，操作标准可以根据法律法规和/或行业标准制定。

又例如，边缘计算单元还可以通过风险识别模型基于动作预测模型预测 的电力作业人员的未来动作、当前风险区域和预判风险区域，识别电力作业风 险。若电力作业人员位于当前风险区域或预判风险区域内，边缘计算单元可以 识别电力作业人员的穿戴特征是否符合风险区域的穿戴标准，判断预测的电力 作业人员的未来动作是否符合风险区域的操作标准。其中，操作标准可以根据 法律法规和/或行业标准制定。

步骤250，边缘计算单元接收基于识别的电力作业风险生成作业预警信息。 在一些实施例中，步骤250可以由数据处理模块执行。

作业预警信息可以为语音信息和/或灯光信息等。

步骤260，边缘计算单元通过环网将作业预警信息发送至至少一个用户终 端。在一些实施例中，步骤260可以由风险提示模块执行。

用户终端可以显示作业预警信息，例如，通过语音、灯光等方式显示作 业预警信息。

应当注意的是，上述有关一种基于人工智能机器视觉的行为识别方法的 描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术 人员来说，在本说明书的指导下可以对一种基于人工智能机器视觉的行为识别 方法进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详 细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说 明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、 改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书 示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施 例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某 一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次 或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指 同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点 可进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、 数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺 序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但 应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露 的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修 正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但 是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安 装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个 或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特 征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着 本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特 征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施 例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制， 本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书 的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于人工智能机器视觉的行为识别系统，其特征在于，包括：

数据采集模块，包括多个数据采集单元，所述数据采集单元用于采集电力作业相关信息；

环网架构模块，用于提供环网；

数据处理模块，包括中央控制器及多个边缘计算单元，所述多个边缘计算单元通过所述环网架构模块提供的环网与所述中央控制器通信，一个所述数据采集单元对应有一个所述边缘计算单元，所述数据采集单元通过所述环网架构模块提供的环网将采集的所述电力作业相关信息上传至所述边缘计算单元，所述边缘计算单元用于通过风险识别模型基于所述电力作业相关信息识别电力作业风险；

风险提示模块，包括多个用户终端，所述用户终端用于通过所述环网架构模块提供的环网从所述边缘计算单元接收基于识别的所述电力作业风险生成的作业预警信息。

2.如权利要求1所述的一种基于人工智能机器视觉的行为识别系统，其特征在于，所述数据采集单元包括设置在安全帽内的佩戴检测装置，所述佩戴检测装置包括设置在所述安全帽内的压电式传感器、感应开关及温度传感器，所述压电式传感器的输出端与所述感应开关电连接，所述感应开关串联在电源与所述温度传感器之间，所述压电式传感器的输出电压大于第一预设电压阈值时，所述感应开关处于导通状态；

所述温度传感器的输出信号通过所述环网架构模块提供的环网上传至所述边缘计算单元；

所述用户终端设置在所述安全帽上。

3.如权利要求2所述的一种基于人工智能机器视觉的行为识别系统，其特征在于，所述数据采集单元包括多个图像采集装置，所述图像采集装置用于采集电力作业的图像信息，所述图像采集装置通过所述环网架构模块提供的环网将采集的图像信息上传至所述边缘计算单元；

所述边缘计算单元还用于基于所述图像信息识别电力作业人员的穿戴特征及作业行为；

所述边缘计算单元还用于基于所述温度传感器的输出信号及识别的所述电力作业人员的穿戴特征及作业行为，确定所述电力作业风险。

4.如权利要求3所述的一种基于人工智能机器视觉的行为识别系统，其特征在于，所述数据采集单元包括环境监测装置及多个设备监测装置，其中，所述环境监测装置用于采集电力作业场地的环境信息，所述多个设备监测装置用于采集多个电力设备的相关信息。

5.如权利要求4所述的一种基于人工智能机器视觉的行为识别系统，其特征在于，所述边缘计算单元预存有所述环境监测装置及所述多个设备监测装置的位置信息；

所述边缘计算单元还用于基于所述环境监测装置采集的电力作业场地的环境信息及所述多个设备监测装置采集的多个电力设备的相关信息，确定所述多个电力设备中是否存在当前异常电力设备；

若所述边缘计算单元确定所述多个电力设备中存在当前异常电力设备，从所述图像采集装置采集的电力作业的图像信息中确定至少一个当前风险区域，并识别所述电力作业人员的穿戴特征及作业行为，通过所述风险识别模型基于所述至少一个当前风险区域和所述电力作业人员的穿戴特征及作业行为，识别所述电力作业风险。

6.如权利要求5所述的一种基于人工智能机器视觉的行为识别系统，其特征在于，若所述边缘计算单元确定所述多个电力设备中不存在当前异常电力设备，所述边缘计算单元还用于通过状态预测模型基于历史信息矩阵预测未来信息矩阵，其中，历史信息矩阵由多个历史信息序列组成，所述历史信息序列包括所述环境监测装置在一个历史时间点采集的电力作业场地的环境信息及多个设备监测装置在所述历史时间点采集的多个电力设备的相关信息，所述未来信息矩阵包括预测的在多个未来时间点的电力作业场地的环境信息及在所述未来时间点的多个电力设备的相关信息；

所述边缘计算单元还用于基于预测的未来信息矩阵，确定所述多个电力设备中是否存在预判异常电力设备；

若所述边缘计算单元确定所述多个电力设备中存在预判异常电力设备，从所述图像采集装置采集的电力作业的图像信息中确定至少一个预判风险区域，并识别所述电力作业人员的穿戴特征及作业行为，通过所述风险识别模型基于所述至少一个预判风险区域和所述电力作业人员的穿戴特征及作业行为，识别所述电力作业风险。

7.如权利要求6所述的一种基于人工智能机器视觉的行为识别系统，其特征在于，所述边缘计算单元还用于通过动作预测模型基于历史图像序列预测所述电力作业人员的未来动作，其中，所述历史图像序列包括所述图像采集装置在多个历史时间点采集的所述电力作业的图像信息；

所述边缘计算单元还用于通过所述风险识别模型基于所述动作预测模型预测的所述电力作业人员的未来动作、所述当前风险区域和/或所述预判风险区域，识别所述电力作业风险。

8.如权利要求1-7任意一项所述的一种基于人工智能机器视觉的行为识别系统，其特征在于，所述中央控制器还用于在所述多个边缘计算单元中存在失效边缘计算单元时，从所述多个边缘计算单元确定一个替换边缘计算单元，所述替换边缘计算单元用于替代所述失效边缘计算单元接收所述失效边缘计算单元对应的数据采集单元采集的电力作业相关信息，并基于所述电力作业相关信息识别所述电力作业风险。

9.如权利要求8所述的一种基于人工智能机器视觉的行为识别系统，其特征在于，所述中央控制器从所述多个边缘计算单元确定一个替换边缘计算单元，包括：

建立所述多个边缘计算单元的关系图谱；

获取每个所述边缘计算单元的算力负荷及状态信息；

基于所述关系图谱和每个所述边缘计算单元的算力负荷及状态信息，从所述多个边缘计算单元确定一个替换边缘计算单元。

10.一种基于人工智能机器视觉的行为识别方法，其特征在于，包括：

确定数据采集单元与边缘计算单元的对应关系；

通过数据采集单元采集电力作业相关信息；

所述数据采集单元基于所述数据采集单元与边缘计算单元的对应关系，通过环网将采集的所述电力作业相关信息上传至对应的所述边缘计算单元；

所述边缘计算单元用于通过风险识别模型基于所述电力作业相关信息识别电力作业风险；

所述边缘计算单元接收基于识别的所述电力作业风险生成作业预警信息；

所述边缘计算单元通过环网将所述作业预警信息发送至至少一个用户终端。

Images