CN116030404A - 一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法 - Google Patents

Abstract

本发明提供了一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，属人工智能技术领域。包括图像识别，通过图像识别对图像中的对象识别和定位，以识别各种不同模式的目标和对象的技术。其识别过程包括图像采集、图像预处理、特征选择和提取、分类决策等步骤。电子围栏需要根据具体的作业场所来架设的，安监人员根据实际的作业情况用鼠标手动圈定围栏区域，服务器自动扫描围栏区域，当有非法闯入现象发生时，自动报警。本发明解决了作业区域监控时效性差，非法闯入者识别的准确性低的问题。

Description

一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法

技术领域

本发明涉及人工智能技术领域，尤其是涉及一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法。

背景技术

随着电网工程不断开工建设，电网基建工程进度工期紧、安全质量管理手段单一、现场管理人员短缺等问题涌现，电网工程从业人员不断增长，工程分包常态化开展，分包人员数量及流动性不断增大，管理难度加大。

为强化工程现场管控，提升工程现场管理能力，促进现场安全管理责任落实，保证供电公司基建工程建设全过程、全方位可控、能控、在控，及时协调解决工程建设过程中的各种问题，供电公司探索工程建设智能化、信息化实施全面监管模式，提升基建现场管理水平。

中国专利文献CN201710574383.7公开了一种基于电子围栏的共享汽车用车方法和电子围栏系统，所述方法包括：服务器设置共享汽车的电子围栏，并推送至用户的移动客户端；共享汽车的定位系统模块将实时位置信息发送至服务器，服务器判断共享汽车是否在电子围栏内，并发送至移动客户端；用户预约用车，服务器向用户移动客户端发送车辆驶出电子围栏的信息；用户结束用车，服务器接收用户结束用车请求；服务器判断共享汽车位置是否超出电子围栏的范围；如果是，则服务器允许用户结束用车；如果否，则服务器不允许用户结束用车。本发明的电子围栏有效节约土地资源，减少物资消耗，灵活设定电子围栏的范围，能够极大的提高用户的方便性，提高用户的用车体验。但其无法解决作业区域千变万化的问题。

中国专利文献CN201920213421.0公开了一种智能监控电子围栏，包括电子围栏本体，所述隔板上表面右侧设有控制器，所述矩形箱体内下表面设有蓄电池，所述矩形箱体上表面左侧设有警报器，所述矩形箱体上表面中心处设有支杆，所述支杆上表面设有太阳能电池板，所述控制器通过导线与电子围栏本体、避雷器、摄像头、红外线传感器、每个电动滑块、雨水传感器、散热风扇、电子围栏主机、警报器、太阳能电池板电性相连，所述太阳能电池板通过导线与蓄电池电性相连，所述蓄电池通过导线与控制器电性相连。本实用新型的有益效果是，可以通过雨水传感器感应到是否下雨然后进行防雨，通过红外线传感器感应到是否有人，对矩形箱体内部进行散热，避免内部过热。但其无法解决全方位保证多点开工、大规模建设条件下的安全管控的问题。

发明内容

本发明要解决的问题在于提供一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，解决作业区域监控时效性差，非法闯入者识别的准确性低的问题。

为达到上述目的，本发明采用以下技术方案：

一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，包括图像识别，其特征在于，通过图像识别对图像中的对象识别和定位，以识别各种不同模式的目标和对象的技术。其识别过程包括图像采集、图像预处理、特征选择和提取、分类决策等步骤。电子围栏需要根据具体的作业场所来架设的，安监人员根据实际的作业情况用鼠标手动圈定围栏区域，服务器自动扫描围栏区域，当有非法闯入现象发生时，自动报警。

优选的，选用YOLO作为目标检测框架作为后续检测的基础。在已有的目标框架下，将训练集设置为只检测行人进行训练，将训练好的模型用于不同背景、光照、噪声影响下做行人检测，评估不同迭代次数下及阈值下的行人检测效果。

优选的, 基于Openpose的人体姿态估计与行为识别，通过Openpose对视频中人体骨骼进行提取并使用返回的坐标信息结合先验知识进行行为识别。

优选的，采用神经网络方法进行人脸识别。

优选的，神经网络方法可以通过学习的过程获得对这些规律和规则的隐性表达，而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。

进一步的，根据现场监控设备传回控制中心的数据，监管人员根据现场操作的画面，远程协助监管现场作业人员，发现不规范操作实时预警。该方式可对整个监控视野内的操作进行监测，但由于监管人员一次只能监管一个监控视野内的作业情况，难以满足电力作业的实际需求，同时，由于监管人员的经验不同，状态会有起伏，难以有效地避免不规范作业的情况发生。监管人员“紧盯”现场监控设备传回控制中心的视频画面，但在很多情况下，人类并非一个可以完全信赖的观察者，无论是在观看实时的视频流还是在观看录像回放的时候，由于自身生理上的弱点，我们经常无法察觉安全威胁，从而导致漏报现象的发生。公开于2017年07月14日的中国专利文献CN201710574383.7公开了一种基于电子围栏的共享汽车用车方法和电子围栏系统。只是解决了能够极大的提高用户的方便性，提高用户的用车体验。

即使采用视频分析技术其理念是将风险的分析和识别转交给计算机或者芯片，使值班人员从“死盯”监视器的工作中解脱出来，当计算机发现问题时产生报警，此时值班人员进行响应。误报和漏报是视频监视系统中最常见的两大问题。漏报指的是在监控点发生安全威胁时，该威胁没有被监控系统或安全人员发现。误报指的是位于监控点的安全活动被误认为是安全威胁，从而产生错误的报警。

传统的视频监控系统通常都由安全工作人员对安全威胁作出响应和处理，这对于处理一般性的、实时响应要求较低的安全威胁来说已经足够。但是很多情况下，在威胁发生时，需要安全系统的多个功能部分，甚至多个安全相关的部门在最短的时间内协调配合，共同处理危机。这时候，监控系统的响应速度将直接关系到用户的人身或财产的损失情况。公开于2019年02月15日的中国专利文献CN209388456U公开了一种智能监控电子围栏。只是解决了通过红外线传感器感应到是否有人的问题。

报警发生后对录像数据进行分析通常是安全人员必须要做的工作之一，而误报和漏报现象则进一步加剧了对数据分析的需求。安全人员经常被要求找出与报警事件相关的录像资料，找到肇事者、确定事故责任或评估该事件的安全威胁。由于传统视频监控系统缺乏智能因素，录像数据无法被有效的分类存储，最多只能打上时间标签，因此数据分析工作变得及其耗时，并且很难获得全部的相关信息，而经常发生的误报现象使无用数据进一步增加，从给数据分析工作带来更大的难度。

与现有技术相比，本发明的有益效果是：

本发明由于所述YOLO精致的网路结构，配合GPU的话可以达到每秒150帧，足以胜任任何实时系统。考虑到本项目对数据实时性处理方面的要求，故采用YOLO 直接在输出层回归出bounding box的位置和bounding box所属的类别，即整张图作为网络的输入，把目标检测问题转化成一个回归问题。

所述Openpose是一种采用了Bottom-up方法的2D姿态估计框架. 对一副图片Openpose先回归出所有人的关节点以及part affine field(PAF)，然后再通过PAF对这些关节点进行划分，这样就可以把关节分配到每个人。

本发明因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。因此人工神经网络识别速度快，但识别率低。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步清楚阐述本发明的内容，但本发明的保护内容不仅仅局限于下面的实施例。在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明可以无需一个或多个这些细节而得以实施。

实施例1

一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，包括图像识别，其特征在于，通过图像识别对图像中的对象识别和定位，以识别各种不同模式的目标和对象的技术。其识别过程包括图像采集、图像预处理、特征选择和提取、分类决策等步骤。电子围栏需要根据具体的作业场所来架设的，安监人员根据实际的作业情况用鼠标手动圈定围栏区域，服务器自动扫描围栏区域，当有非法闯入现象发生时，自动报警。

所述YOLO精致的网路结构，配合GPU的话可以达到每秒150帧，足以胜任任何实时系统。考虑到本项目对数据实时性处理方面的要求，故采用YOLO 直接在输出层回归出bounding box的位置和bounding box所属的类别，即整张图作为网络的输入，把目标检测问题转化成一个回归问题。

YOLO把输入图片划分成一个个的网格，让物体中心点所在的格子负责检测到该物体。每个网格要预测N个包围盒，每个包围盒除了要回归自身的位置之外，还要附带预测一个自信值。这个自信值代表了所预测的包围盒中含有物体的置信度和这个包围盒预测的有多准两重信息。

本发明采用的YOLO模型借鉴了googlenet，包括24个卷积层和2个全连接层。网络把图片分成不同的区域，一幅图片被分层7*7个网格（grid cell），最后一层输出为 7*7*30的维度。每个 1*1*30的维度对应原图7*7个cell中的一个，1*1*30中含有类别预测和bounding box坐标预测。即让网格负责类别信息，bounding box主要负责坐标信息。然后给出每个区域的边框预测和概率，并依据概率大小对所有边框分配权重。YOLO模型根据既定的阈值来识别目标。

管理员根据现场情况，通过移动终端实时手动在视频画面上框选区域，架设虚拟警戒围栏架，前端智能设备利用自身拍摄的可见光视频数据和圈定的虚拟警戒围栏区域，自动识别虚拟警戒围栏区域及周围一定范围内的行人目标，并对行人目标进行跟踪，当行人接近或者跨越虚拟警戒围栏区域时，根据警戒条件，自动选择是否发出警告信息。该技术架设的电子围栏可以任意调整，且调整后立即生效，能有效避免作业人员误入带电间隔等危险区域或者行人闯入作业区域等高风险违章现象的发生，提高作业现场的安全保障水平。

实施例2

一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，与实施例1不同的是：基于Openpose的人体姿态估计与行为识别，通过Openpose对视频中人体骨骼进行提取并使用返回的坐标信息结合先验知识进行行为识别。Openpose是一种采用了Bottom-up方法的2D姿态估计框架. 对一副图片Openpose先回归出所有人的关节点以及partaffine field(PAF)，然后再通过PAF对这些关节点进行划分，这样就可以把关节分配到每个人。

实施例3

一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，与实施例1不同的是：采用神经网络方法进行人脸识别。神经网络方法可以通过学习的过程获得对这些规律和规则的隐性表达，而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。

PCA的算法描述：利用主元分析法 (即 Principle Component Analysis，简称PCA)进行识别是由Anderson和 Kohonen提出的。由于PCA在将高维向量向低维向量转化时，使低维向量各分量的方差最大，且各分量互不相关，因此可以达到最优的特征抽取。由此来判断工作人员身份。

基于卷积神经网络模型，它的局部感知和权值共享结构使其更接近现实世界的生物神经网络，权值共享结构降低了神经网络的复杂性，避免了在数据重建时，特征提取与分类过程的复杂度，在语音识别和图像处理上具有得天独厚的优势。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，包括图像识别，其特征在于，通过图像识别对图像中的对象识别和定位，以识别各种不同模式的目标和对象的技术，其识别过程包括图像采集、图像预处理、特征选择和提取、分类决策等步骤，电子围栏需要根据具体的作业场所来架设的，安监人员根据实际的作业情况用鼠标手动圈定围栏区域，服务器自动扫描围栏区域，当有非法闯入现象发生时，自动报警。

2.如权利要求1所述的一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，其特征在于，选用YOLO作为目标检测框架作为后续检测的基础，在已有的目标框架下，将训练集设置为只检测行人进行训练，将训练好的模型用于不同背景、光照、噪声影响下做行人检测，评估不同迭代次数下及阈值下的行人检测效果。

3.如权利要求1所述的一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，其特征在于, 基于Openpose的人体姿态估计与行为识别，通过Openpose对视频中人体骨骼进行提取并使用返回的坐标信息结合先验知识进行行为识别。

4.如权利要求1所述的一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，其特征在于， 采用神经网络方法进行人脸识别。

5.如权利要求1所述的一种基于人工智能的作业区域电子警戒围栏架设和安全监控方法，其特征在于，神经网络方法可以通过学习的过程获得对这些规律和规则的隐性表达，而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。