CN115829324A - 一种人员安全风险静默监视方法 - Google Patents
一种人员安全风险静默监视方法 Download PDFInfo
- Publication number
- CN115829324A CN115829324A CN202211507293.3A CN202211507293A CN115829324A CN 115829324 A CN115829324 A CN 115829324A CN 202211507293 A CN202211507293 A CN 202211507293A CN 115829324 A CN115829324 A CN 115829324A
- Authority
- CN
- China
- Prior art keywords
- frame
- operator
- safety risk
- detection
- training
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种人员安全风险静默监视方法,包括以下步骤:(1)数据处理;(2)模型设计;(3)模型训练;(4)模型评估;(5)人员检测;(6)安全风险行为辨识;(7)安全风险事件辨识;本发明通过YOLOv6作为基础网络模型,识别出视频流中包含作业人员的图像帧,进一步结合时序信息和电子围栏对作业人员未穿工装、未穿安全帽、吸烟三种安全风险行为和作业人员快速移动、快速聚集两种安全风险事件进行识别,可在行为发生或者事件发生时实现秒级识别,进而避免安全事故的发生。
Description
技术领域
本发明涉及输变电领域,尤其涉及一种人员安全风险静默监视方法。
背景技术
随着能源互联网建设的升级提速,新设备、新技术、新系统、新运行管理模式不断在变电站推广应用,变电运维安全难度进一步提升,新的安全风险点不断出现,对变电作业人员行为规范提出更高要求。而变电站作为连接主干网和配电网的关键节点,其安全性直接关系到整个电力系统的稳定运行。变电站设备种类众多、工况环境复杂,巡视人员需要对主设备、主控室、端子箱、构支架、消防、土建设施及站内环境等开展日常巡视、红外测温、表计抄录等工作,工作量大导致难以避免由于人员身体状态不佳、知识技能不足、违章作业行为等因素造成的人身伤亡、设备损坏等安全事故,从而造成一定的社会影响和经济损失。传统的安全风险管控手段主要依赖安全作业规章制度和安全员人工监督,人力成本高的同时高度依赖安全员自身综合素质。
发明内容
发明目的:本发明的目的是提供了一种人员安全风险静默监视方法已解决背景技术中存在的问题。
技术方案:本发明所述的一种人员安全风险静默监视方法,包括以下步骤:
(1)数据处理:在变电站变压器、敞开式设备区和主要出入口部署摄像头,采集变电站作业人员安全风险行为图像及视频数据,进行数据清洗、标注、增强,构建数据集;
(2)模型设计:设计变电站作业人员检测模型和变电站作业人员安全风险检测模型,采用YOLOv6网络结构,包含主干网络EfficientRep、加强特征提取网络Rep-PAN、预测网络EffiDeHead;采用VFL(Varifocal Loss)作为分类损失;采用GIoU(GeneralizedIntersection over Union)作为框回归损失;
(3)模型训练:采用随机梯度下降法更新参数,每次训练少量样本数据;采用余弦退火学习率调整策略,初始学习率为0.0032,周期学习率设为0.12;采用SimOTA标签分配策略动态分配正样本;
(4)模型评估:利用步骤(3)构建的测试集评估模型,采用检出率Recall、准确率Precsion和平均精度AP(Average precision)三个指标综合评估模型效果,三个指标占比权重为3:3:4;
(5)人员检测:加载步骤(3)中训练的变电站作业人员检测模型的最佳训练权重,针对变电站变压器、敞开式设备区和主要出入口执行静默监视任务的摄像头进行实时推理,生成变电站作业人员检测框;
(6)安全风险行为辨识和风险事件辨识;其中,安全风险行为辨识:针对步骤(5)中检测到的的变电站作业人员检测框,加载步骤(3)中训练的安全风险行为检测模型最佳训练权重,进一步在变电站作业人员检测框的基础上,判断变电站作业人员是否存在未穿工装、未穿安全帽、吸烟等危险行为,如果存在则发出告警;安全风险事件辨识:针对步骤(5)中检测作业人员检测框,结合时序信息和电子围栏信息,进一步判断是否发生快速移动和快速聚集事件,如果存在则发出告警。
进一步的,所述步骤(1)包括如下步骤:
(11)利用变电站内部署在变压器、敞开式设备区和主要出入口的摄像头,采集视频数据,为保证视频清晰度,可见光通道分辨率设置为1920*1080,视频编码方式设置为H.264;
(12)针对摄像头采集的视频数据,其视频帧率为:25fps,按照视频帧率逐帧提取图像数据,将视频数据转换为图像数据,图像数据命名格式为摄像头ID_拍摄时间_帧数;
(13)对步骤(12)采集的图像数据进行标注,对包含作业人员的图像,用最小外接矩形框包围作业人员,该最小外接矩形框坐标范围不能超过图像分辨率,并标记为作业人员,标注工具为LabelImg,数据格式为PasalVOC,生成的标注文件为xml格式;
(14)在作业人员标注框的基础上,进一步对作业人员的行为进行标注,共划分五个类别:未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常;如果在两秒时间内,即在连续50帧图像中画面内人员数量增幅超过5个,则判定发生快速聚集事件,如果在两秒时间范围内图像画面内存在人员移动超过画面分辨率的二分之一,则判定发生快速移动事件;
(15)对标注后的图像及其标注文件进行清洗,包括:标签合法性校验、标注框坐标合法性校验、标注文件图像尺寸有效性校验,剔除因人工标注导致的标签错误问题;
(16)对清洗后的数据,进一步进行数据增强,包括:HSV空间色彩增强、旋转、平移、缩放、错切、翻转、马赛克、混合;
进一步的,所述步骤(2)包含以下步骤:
(21)采用EfficientRep作为主干网络,负责从图像中提取特征,激活函数采用修正线性单元ReLU(Rectified Linear Unit),x是自变量,公式如下::
(22)采用Rep-PAN作为加强特征提取网络,处于主干网络和获取输出内容网络的中间层,基于PAN拓扑方式,主要将主干网络提取的特征进行融合,然后再交由后续的EffiDeHead预测网络进行检测;
(23)采用EffiDeHead作为预测网络,即根据主干网络提取出来的特征,从这些特征中预测目标的位置和类别;
(24)采用VFL作为分类损失,α是图像前景背景的损失权重,γ是各样本的权重,训练时更侧重难分样本,公式如下:
其中p是预测分类得分向量的标量,对于训练中的负样本,所有类别的训练目标q均为0,对于训练中的正样本,q是生成的预测框A和真实框B之间的IoU,公式如下;
(25)如图4所示,采用GIoU计算框回归损失,C是能包含预测框A和真实框B的最小的外接矩形框;公式如下:
LGIoU=1-GIoU
进一步的,所述步骤(3)包含以下步骤:
(31)对步骤(1)中所构建的作业人员数据集,按照4:1划分为训练集和测试集,训练变电站作业人员检测模型;训练参数设置如表1所示;训练时采用SimOTA算法动态分配正样本;
表1模型训练参数值
参数 | 值 | 参数 | 值 |
optim | SGD | lr_scheduler | Cosine |
lr0 | 0.0032 | lrf | 0.12 |
momentum | 0.843 | weight_decay | 0.00036 |
warmup_epochs | 2.0 | warmup_momentum | 0.5 |
warmup_bias_lr | 0.05 |
(33)对步骤(1)所构建的包含未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常的作业人员安全风险行为的数据集,按照4:1划分为训练集和测试集,训练变电站安全风险行为检测模型,训练设置参数同表1;训练时采用SimOTA算法动态分配正样本。
进一步的,所述步骤(4)包含以下步骤:
(41)检出率Recall公式如下:T为测试图片中标注的人员、安全风险行为总个数,M1为测试时正确检测出的人员、安全风险行为总个数;
(42)准确率Precision公式如下:M2为测试时检测的人员、安全风险行为总个数,包含正确检测框和误检框;
(43)平均精度AP(Average precision)值为准确率-召回率曲线面积,按VOC标准、IoU为0.5计算;公式如下:其中p是准确率,r是检出率;
针对多类别任务,采用mAP作为评价指标:
进一步的,所述步骤(5)包含以下步骤:
(51)针对部署在变电站变压器、敞开式设备区和主要出入口执行静默监视任务摄像头的可见光通道,采用rtsp协议进行实时取流;
(52)对步骤(51)获取的可见光图像,加载步骤(2)训练的变电站作业人员检测模型的最佳训练权重进行实时推理,生成变电站作业人员检测框;
(53)对步骤(52)中生成的变电站作业人员检测框,进一步进行非极大值抑制等后处理操作,通过搜索局部最大值,抑制非极大值的方法剔除部分检测框,进一步降低误检率;
进一步的,安全风险行为辨识包含以下步骤:
(61)对步骤(52)生成的作业人员检测框,加载步骤(3)训练的安全风险行为检测的最佳训练权重,进一步判断作业人员是否存在未穿工装、未穿安全帽、吸烟行为;
(62)结合作业人员检测框信息,对步骤(41)生成的安全风险行为检测框进行后处理操作:单个作业人员检测框内,若未穿工装的检测框面积小于未穿安全帽的检测框面积,结合作业人员检测框面积和实际人体比例,剔除未穿工装检测框,进一步降低误检率。
进一步的,安全风险事件辨识包含以下步骤:
(63)对步骤(52)生成的作业人员检测框,结合时序信息,若连续50帧图像内,作业人员检测框数量变化幅度超过5个及以上,则判定发生快速聚集事件;
(64)在连续50帧图像中,判断作业人员检测框整体移动是否超过画面分辨率的二分之一,判定发生快速移动事件是否发生。
有益效果:与现有技术相比,本发明具有如下显著优点:通过YOLOv6作为基础网络模型,识别出视频流中包含作业人员的图像帧,进一步结合时序信息和电子围栏对作业人员未穿工装、未穿安全帽、吸烟三种安全风险行为和作业人员快速移动、快速聚集两种安全风险事件进行识别,可在行为发生或者事件发生时实现秒级识别,进而避免安全事故的发生。
附图说明
图1为本发明的流程图;
图2为本发明的变电站作业人员图像;
图3为本发明的YOLOv6模型网络结构图;
图4为本发明的GIoU计算方式示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明所述的一种人员安全风险静默监视方法,包括以下步骤:
(1)数据处理:在变电站变压器、敞开式设备区和主要出入口部署摄像头,采集变电站作业人员安全风险行为图像及视频数据,进行数据清洗、标注、增强,构建数据集;包括以下步骤:
(11)如图1所示,利用变电站内部署在变压器、敞开式设备区和主要出入口的摄像头,采集视频数据,为保证视频清晰度,可见光通道分辨率设置为1920*1080,视频编码方式设置为H.264;
(12)针对摄像头采集的视频数据,其视频帧率为:25fps,按照视频帧率逐帧提取图像数据,将视频数据转换为图像数据,图像数据命名格式为摄像头ID_拍摄时间_帧数;
(13)如图2所示,对步骤(12)采集的图像数据进行标注,对包含作业人员的图像,用最小外接矩形框包围作业人员,该最小外接矩形框坐标范围不能超过图像分辨率,并标记为作业人员,标注工具为LabelImg,数据格式为PasalVOC,生成的标注文件为xml格式;
(14)在作业人员标注框的基础上,进一步对作业人员的行为进行标注,共划分五个类别:未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常;如果在两秒时间内,即在连续50帧图像中画面内人员数量增幅超过5个,则判定发生快速聚集事件,如果在两秒时间范围内图像画面内存在人员移动超过画面分辨率的二分之一,则判定发生快速移动事件;
(15)对标注后的图像及其标注文件进行清洗,包括:标签合法性校验、标注框坐标合法性校验、标注文件图像尺寸有效性校验,剔除因人工标注导致的标签错误问题;
(16)对清洗后的数据,进一步进行数据增强,包括:HSV空间色彩增强、旋转、平移、缩放、错切、翻转、马赛克、混合。
(2)模型设计:如图3所示,设计变电站作业人员检测模型和变电站作业人员安全风险检测模型,采用YOLOv6网络结构,包含主干网络EfficientRep、加强特征提取网络Rep-PAN、预测网络EffiDeHead;采用VFL(Varifocal Loss)作为分类损失;采用GIoU(Generalized Intersection over Union)作为框回归损失;包括以下步骤:
(21)采用EfficientRep作为主干网络,负责从图像中提取特征,EfficientRep基于Rep算子设计,相较于其它主干网络,能够在高效利用GPU算力的同时具有较强的表征能力,激活函数采用修正线性单元ReLU(Rectified Linear Unit),x是自变量,公式如下:
(22)采用Rep-PAN作为加强特征提取网络,基于PAN拓扑方式,主要将主干网络提取的特征进行融合,然后再交由后续的EffiDeHead预测网络进行检测,从而提高网络的性能;该网络处于主干网络和获取输出内容网络的中间层,
(23)采用EffiDeHead作为预测网络,即根据主干网络提取出来的特征,从这些特征中预测目标的位置和类别;
(24)采用VFL作为分类损失,α是图像前景背景的损失权重,γ是各样本的权重,训练时更侧重难分样本,公式如下:
其中p是预测分类得分向量的标量,对于训练中的负样本,所有类别的训练目标q均为0,对于训练中的正样本,q是生成的预测框A和真实框B之间的IoU,公式如下;
(25)采用GIoU计算框回归损失,C是能包含预测框A和真实框B的最小的外接矩形框;公式如下:
LGIoU=1-GIoU
(3)模型训练:采用随机梯度下降法更新参数,每次训练少量样本数据;采用余弦退火学习率调整策略,初始学习率为0.0032,周期学习率设为0.12;采用SimOTA标签分配策略动态分配正样本;
(31)对步骤(1)中所构建的作业人员数据集,按照4:1划分为训练集和测试集,训练变电站作业人员检测模型;训练参数设置如表1所示;训练时采用SimOTA算法动态分配正样本,可自动分析每个真实框对应的正样本的数量,自动分析每个真实框对应的特征图,并结合无锚范式,可进一步提升精度的同时,具有更快的运算速度,并可避免额外超参数;
表1模型训练参数值
参数 | 值 | 参数 | 值 |
optim | SGD | lr_scheduler | Cosine |
lr0 | 0.0032 | lrf | 0.12 |
momentum | 0.843 | weight_decay | 0.00036 |
warmup_epochs | 2.0 | warmup_momentum | 0.5 |
warmup_bias_lr | 0.05 |
(32)对步骤(1)所构建的包含未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常的作业人员安全风险行为的数据集,按照4:1划分为训练集和测试集,训练变电站安全风险行为检测模型,训练设置参数同表1;训练时采用SimOTA算法动态分配正样本。
(4)模型评估:利用步骤(3)构建的测试集评估模型,采用检出率Recall、准确率Precsion和平均精度AP(Average precision)三个指标综合评估模型效果,三个指标占比权重为3:3:4;包括以下步骤:
(41)检出率Recall公式如下:T为测试图片中标注的人员、安全风险行为总个数,M1为测试时正确检测出的人员、安全风险行为总个数;
(42)准确率Precision公式如下:M2为测试时检测的人员、安全风险行为总个数,包含正确检测框和误检框;
(43)平均精度AP(Average precision)值为准确率-召回率曲线面积,按VOC标准、IoU为0.5计算;公式如下:其中p是准确率,r是检出率;
针对多类别任务,采用mAP作为评价指标:
(5)人员检测:加载步骤(31)中训练的变电站作业人员检测模型的,针对变电站变压器、敞开式设备区和主要出入口执行静默监视任务的摄像头进行实时推理,生成变电站作业人员检测框;包括以下步骤:
(51)针对部署在变电站变压器、敞开式设备区和主要出入口执行静默监视任务摄像头的可见光通道,采用rtsp协议进行实时取流;
(52)对步骤(51)获取的可见光图像,加载步骤(31)训练的变电站作业人员检测模型的最佳训练权重进行实时推理,生成变电站作业人员检测框;
(53)对步骤(52)中生成的变电站作业人员检测框,进一步进行非极大值抑制处理操作,通过搜索局部最大值,抑制非极大值的方法剔除部分检测框,进一步降低误检率;
(6)安全风险行为辨识和风险事件辨识;其中,安全风险行为辨识:针对步骤(5)中检测到的的变电站作业人员检测框,加载步骤(3)中训练的安全风险行为检测模型最佳训练权重,进一步在变电站作业人员检测框的基础上,判断变电站作业人员是否存在未穿工装、未穿安全帽、吸烟等危险行为,如果存在则发出告警;安全风险事件辨识:针对步骤(5)中检测作业人员检测框,结合时序信息和电子围栏信息,进一步判断是否发生快速移动和快速聚集事件,如果存在则发出告警。
所述安全风险行为辨识包括以下步骤:
(61)对步骤(52)生成的作业人员检测框,加载步骤(32)训练的安全风险行为检测的最佳训练权重,进一步判断作业人员是否存在未穿工装、未穿安全帽、吸烟行为;
(62)结合作业人员检测框信息,对步骤(41)生成的安全风险行为检测框进行后处理操作:单个作业人员检测框内,若未穿工装的检测框面积小于未穿安全帽的检测框面积,结合作业人员检测框面积和实际人体比例,剔除未穿工装检测框,进一步降低误检率。
所述安全风险事件辨识包括以下步骤:
(63)对步骤(52)生成的作业人员检测框,结合时序信息,若连续50帧图像内,作业人员检测框数量变化幅度超过5个及以上,则判定发生快速聚集事件;
(64)在连续50帧图像中,判断作业人员检测框整体移动是否超过画面分辨率的二分之一,判定发生快速移动事件是否发生。
Claims (8)
1.一种人员安全风险静默监视方法,其特征在于,包括以下步骤:
(1)数据处理:在变电站变压器、敞开式设备区和主要出入口部署摄像头,采集变电站作业人员安全风险行为图像及视频数据,进行数据清洗、标注、增强,构建数据集;
(2)模型设计:设计变电站作业人员检测模型和变电站作业人员安全风险检测模型,采用YOLOv6网络结构,包含主干网络EfficientRep、加强特征提取网络Rep-PAN、预测网络EffiDeHead;采用VFL(Varifocal Loss)作为分类损失;采用GIoU(GeneralizedIntersection over Union)作为框回归损失;
(3)模型训练:采用随机梯度下降法更新网络模型参数,每次训练少量样本数据;采用余弦退火学习率调整策略,初始学习率为0.0032,周期学习率设为0.12;采用SimOTA标签分配策略动态分配正样本;
(4)模型评估:利用步骤(3)构建的测试集评估模型,采用检出率Recall、准确率Precsion和平均精度AP(Average precision)三个指标综合评估模型效果,三个指标占比权重为3:3:4;
(5)人员检测:加载步骤(3)中训练的变电站作业人员检测模型的最佳训练权重,针对变电站变压器、敞开式设备区和主要出入口执行静默监视任务的摄像头进行实时推理,生成变电站作业人员检测框;
(6)安全风险行为辨识和风险事件辨识;其中,安全风险行为辨识:针对步骤(5)中检测到的的变电站作业人员检测框,加载步骤(3)中训练的安全风险行为检测模型最佳训练权重,进一步在变电站作业人员检测框的基础上,判断变电站作业人员是否存在未穿工装、未穿安全帽、吸烟等危险行为,如果存在则发出告警;安全风险事件辨识:针对步骤(5)中检测作业人员检测框,结合时序信息和电子围栏信息,进一步判断是否发生快速移动和快速聚集事件,如果存在则发出告警。
2.根据权利要求1所述的一种人员安全风险静默监视方法,其特征在于,所述步骤(1)包括如下步骤:
(11)利用变电站内部署在变压器、敞开式设备区和主要出入口的摄像头,采集视频数据,为保证视频清晰度,可见光通道分辨率设置为1920*1080,视频编码方式设置为H.264;
(12)针对摄像头采集的视频数据,其视频帧率为:25fps,按照视频帧率逐帧提取图像数据,将视频数据转换为图像数据,图像数据命名格式为摄像头ID_拍摄时间_帧数;
(13)对步骤(12)采集的图像数据进行标注,对包含作业人员的图像,用最小外接矩形框包围作业人员,该最小外接矩形框坐标范围不能超过图像分辨率,并标记为作业人员,标注工具为LabelImg,数据格式为PasalVOC,生成的标注文件为xml格式;
(14)在作业人员标注框的基础上,进一步对作业人员的行为进行标注,共划分五个类别:未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常;如果在两秒时间内,即在连续50帧图像中画面内人员数量增幅超过5个,则判定发生快速聚集事件,如果在两秒时间范围内图像画面内存在人员移动超过画面分辨率的二分之一,则判定发生快速移动事件;
(15)对标注后的图像及其标注文件进行清洗,包括:标签合法性校验、标注框坐标合法性校验、标注文件图像尺寸有效性校验,剔除因人工标注导致的标签错误问题;
(16)对清洗后的数据,进一步进行数据增强,包括:HSV空间色彩增强、旋转、平移、缩放、错切、翻转、马赛克、混合。
3.根据权利要求1所述的一种人员安全风险静默监视方法,其特征在于,所述步骤(2)包含以下步骤:
(21)采用EfficientRep作为主干网络,负责从图像中提取特征,激活函数采用修正线性单元ReLU(Rectified Linear Unit),x是自变量,公式如下:
(22)采用Rep-PAN作为加强特征提取网络,再基于PAN拓扑方式,将主干网络提取的特征进行融合,然后再交由后续的EffiDeHead预测网络进行检测;加强特征提取网络处于主干网络和获取输出内容网络的中间层;
(23)采用EffiDeHead作为预测网络,即根据主干网络提取出来的特征,从这些特征中检测目标的位置和类别;
(24)采用VFL作为分类损失,α是图像前景背景的损失权重,γ是各样本的权重,训练时更侧重难分样本,公式如下:
其中p是预测分类得分向量的标量,对于训练中的负样本,所有类别的训练目标q均为0,对于训练中的正样本,q是生成的预测框A和真实框B之间的IoU,公式如下;
(25)采用GIoU计算框回归损失,C是能包含预测框A和真实框B的最小的外接矩形框;公式如下:
LGIoU=1-GIoU。
4.根据权利要求1所述的一种人员安全风险静默监视方法,其特征在于,所述步骤(3)包含以下步骤:
(31)对步骤(1)中所构建的作业人员数据集,按照4∶1划分为训练集和测试集,训练变电站作业人员检测模型;训练参数设置如表1所示;训练时采用SimOTA算法动态分配正样本;
表1模型训练参数值
(33)对步骤(1)所构建的包含未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常的作业人员安全风险行为的数据集,按照4∶1划分为训练集和测试集,训练变电站安全风险行为检测模型,训练设置参数同表1;训练时采用SimOTA算法动态分配正样本。
6.根据权利要求1所述的一种人员安全风险静默监视方法,其特征在于,所述步骤(5)包含以下步骤:
(51)针对部署在变电站变压器、敞开式设备区和主要出入口执行静默监视任务摄像头的可见光通道,采用rtsp协议进行实时取流;
(52)对步骤(51)获取的可见光图像,加载步骤(2)训练的变电站作业人员检测模型的最佳训练权重进行实时推理,生成变电站作业人员检测框;
(53)对步骤(52)中生成的变电站作业人员检测框,进一步进行非极大值抑制等后处理操作,通过搜索局部最大值,抑制非极大值的方法剔除部分检测框,进一步降低误检率。
7.根据权利要求1所述的一种人员安全风险静默监视方法,其特征在于,所述安全风险行为辨识包含以下步骤:
(61)对步骤(52)生成的作业人员检测框,加载步骤(3)训练的安全风险行为检测的最佳训练权重,进一步判断作业人员是否存在未穿工装、未穿安全帽、吸烟行为;
(62)结合作业人员检测框信息,对步骤(41)生成的安全风险行为检测框进行后处理操作:单个作业人员检测框内,若未穿工装的检测框面积小于未穿安全帽的检测框面积,结合作业人员检测框面积和实际人体比例,剔除未穿工装检测框,进一步降低误检率。
8.根据权利要求1所述的一种人员安全风险静默监视方法,其特征在于,所述安全风险事件辨识包含以下步骤:
(63)对步骤(52)生成的作业人员检测框,结合时序信息,若连续50帧图像内,作业人员检测框数量变化幅度超过5个及以上,则判定发生快速聚集事件;
(64)在连续50帧图像中,判断作业人员检测框整体移动是否超过画面分辨率的二分之一,判定发生快速移动事件是否发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211507293.3A CN115829324A (zh) | 2022-11-29 | 2022-11-29 | 一种人员安全风险静默监视方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211507293.3A CN115829324A (zh) | 2022-11-29 | 2022-11-29 | 一种人员安全风险静默监视方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829324A true CN115829324A (zh) | 2023-03-21 |
Family
ID=85532442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211507293.3A Pending CN115829324A (zh) | 2022-11-29 | 2022-11-29 | 一种人员安全风险静默监视方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829324A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934100A (zh) * | 2023-09-18 | 2023-10-24 | 青岛安工数联信息科技有限公司 | 三维空间下人员聚集风险评估方法及系统 |
-
2022
- 2022-11-29 CN CN202211507293.3A patent/CN115829324A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934100A (zh) * | 2023-09-18 | 2023-10-24 | 青岛安工数联信息科技有限公司 | 三维空间下人员聚集风险评估方法及系统 |
CN116934100B (zh) * | 2023-09-18 | 2023-12-26 | 青岛安工数联信息科技有限公司 | 三维空间下人员聚集风险评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674772B (zh) | 电力作业现场智能安全管控辅助系统及方法 | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
CN111598040A (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
CN107194396A (zh) | 国土资源视频监控系统中基于特定违章建筑识别预警方法 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
CN114665608B (zh) | 用于变电站的智能感知巡检系统及方法 | |
CN112036327A (zh) | 一种基于ssd的轻量化安全帽检测方法 | |
CA3081967C (en) | Method and system for connected advanced flare analytics | |
CN111259855A (zh) | 基于深度学习的移动式安全帽佩戴检测方法 | |
CN114863489B (zh) | 基于虚拟现实的可移动式智慧工地辅助巡检方法和系统 | |
CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN114926778A (zh) | 一种生产环境下的安全帽与人员身份识别系统 | |
CN113469938A (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
CN115471794A (zh) | 一种基于YOLOv5的智能电厂小目标检测方法及系统 | |
CN115240277A (zh) | 安检行为的监控方法、装置、电子设备及存储介质 | |
CN114429677A (zh) | 一种煤矿场景作业行为安全识别考核方法及系统 | |
CN103345625A (zh) | 一种三维图像分析方法及系统 | |
CN113392770A (zh) | 变电站作业人员典型违章行为检测方法及系统 | |
Gao et al. | Molten metal hazards monitoring and early warning system based on convolutional neural network |
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 |