CN116824517B - 基于可视化的变电站运维安全管控系统 - Google Patents

Abstract

公开了一种基于可视化的变电站运维安全管控系统。其首先通过部署于变电站的摄像头采集工作人员对象监控图像，接着，对所述工作人员对象监控图像进行特征分析以得到头部目标特征，然后，基于所述头部目标特征，确定工作人员是否佩戴安全帽。这样，可以智能化地对于变电站内的工作人员是否佩戴安全帽进行自动检测预警，以避免监测人员介入引起的低效率和低精准度的问题，从而实现变电站运维安全的可视化管理，以提高变电站的安全性能和管理效率，降低事故的发生概率。

Description

基于可视化的变电站运维安全管控系统

技术领域

本申请涉及安全管理领域，且更为具体地，涉及一种基于可视化的变电站运维安全管控系统。

背景技术

随着工业化进程的不断推进，变电站作为电力系统的重要组成部分，承担着电能输送、转换和配电等关键任务。随着电力设备的快速发展和引入智能开关、真空断路器、干式变压器和免维护电池等新技术，电气设备的安全运行可靠性显著提高。正因如此，人们对变电站的运维安全管理的重视程度逐渐降低。

在传统的变电站运维安全管理系统中，对于工作人员未佩戴安全帽的监测是通过人工巡检或者摄像头采集变电站的图像数据信息，并依靠监控人员来进行工作人员的安全帽佩戴监测。这种方式需要耗费大量的人力和时间，并且人工监测的方式效率低下，容易出现漏检和误检，从而导致安全事故的发生，不能满足现代化的变电站运维安全需求。

因此，期望一种基于可视化的变电站运维安全管控系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于可视化的变电站运维安全管控系统。其可以智能化地对于变电站内的工作人员是否佩戴安全帽进行自动检测预警，以避免监测人员介入引起的低效率和低精准度的问题，从而实现变电站运维安全的可视化管理，以提高变电站的安全性能和管理效率，降低事故的发生概率。

根据本申请的一个方面，提供了一种基于可视化的变电站运维安全管控系统，其包括：

监控图像采集模块，用于通过部署于变电站的摄像头采集工作人员对象监控图像；

头部目标特征分析模块，用于对所述工作人员对象监控图像进行特征分析以得到头部目标特征；以及

安全帽佩戴检测模块，用于基于所述头部目标特征，确定工作人员是否佩戴安全帽。

根据本申请的另一个方面，提供了一种基于可视化的变电站运维安全管控方法，其包括：

通过部署于变电站的摄像头采集工作人员对象监控图像；

对所述工作人员对象监控图像进行特征分析以得到头部目标特征；以及

基于所述头部目标特征，确定工作人员是否佩戴安全帽。

与现有技术相比，本申请提供的基于可视化的变电站运维安全管控系统，其首先通过部署于变电站的摄像头采集工作人员对象监控图像，接着，对所述工作人员对象监控图像进行特征分析以得到头部目标特征，然后，基于所述头部目标特征，确定工作人员是否佩戴安全帽。这样，可以智能化地对于变电站内的工作人员是否佩戴安全帽进行自动检测预警，以避免监测人员介入引起的低效率和低精准度的问题，从而实现变电站运维安全的可视化管理，以提高变电站的安全性能和管理效率，降低事故的发生概率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的基于可视化的变电站运维安全管控系统的框图示意图。

图2为根据本申请实施例的基于可视化的变电站运维安全管控系统中的所述头部目标特征分析模块的框图示意图。

图3为根据本申请实施例的基于可视化的变电站运维安全管控系统中的所述头部目标特征提取单元的框图示意图。

图4为根据本申请实施例的基于可视化的变电站运维安全管控系统中的所述安全帽佩戴检测模块的框图示意图。

图5为根据本申请实施例的基于可视化的变电站运维安全管控系统中的所述安全帽佩戴分类单元的框图示意图。

图6为根据本申请实施例的基于可视化的变电站运维安全管控方法的流程图。

图7为根据本申请实施例的基于可视化的变电站运维安全管控方法的系统架构的示意图。

图8为根据本申请实施例的基于可视化的变电站运维安全管控系统的应用场景图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。

如本申请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他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。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。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

变电站是电力系统中的重要设施，用于将高压电能转换为适用于输送和分配的低压电能。它是电力系统中的一个关键环节，用于调整电压、控制电流和保护电力设备。变电站通常由变压器、开关设备、保护设备、计量设备和控制设备等组成。变电站的主要功能包括：1.电压转换：将输送到变电站的高压电能转换为适用于分配给用户的低压电能；2.电流控制：通过开关设备和变压器，对电流进行控制和调节，以满足不同负荷条件下的电力需求；3.保护设备：监测电力系统中的异常情况，如过载、短路等，并采取措施以防止设备受损或电力系统发生故障；4.计量设备：用于测量电能的消耗和分配情况，以便进行电费计量和能源管理；5.控制设备：用于远程监控和控制变电站的运行状态，包括电压、电流、频率等参数的监测和调节。变电站在电力系统中起着重要的作用，它们连接了发电厂和用户，确保电能的稳定供应和安全传输。

针对上述技术问题，本申请的技术构思为在通过摄像头采集工作人员对象的监控图像后，在后端引入图像处理和分析算法来进行该监控图像的分析以判断工作人员是否佩戴安全帽，并及时发出警报，通过这样的方式，能够智能化地对于变电站内的工作人员是否佩戴安全帽进行自动检测预警，以避免监测人员介入引起的低效率和低精准度的问题，从而实现变电站运维安全的可视化管理，以提高变电站的安全性能和管理效率，降低事故的发生概率。

图1为根据本申请实施例的基于可视化的变电站运维安全管控系统的框图示意图。如图1所示，根据本申请实施例的基于可视化的变电站运维安全管控系统100，包括：监控图像采集模块110，用于通过部署于变电站的摄像头采集工作人员对象监控图像；头部目标特征分析模块120，用于对所述工作人员对象监控图像进行特征分析以得到头部目标特征；以及，安全帽佩戴检测模块130，用于基于所述头部目标特征，确定工作人员是否佩戴安全帽。

具体地，在本申请的技术方案中，首先，获取由部署于变电站的摄像头采集的工作人员对象监控图像。接着，考虑到在对于所述工作人员对象是否佩戴安全帽进行检测时，应聚焦于该工作人员对象的头部目标区域，因此，若能够在对于所述工作人员对象监控图像进行特征挖掘时滤除掉其余无用的干扰特征信息，显然能够提高检测的准确性。基于此，在本申请的技术方案中，进一步将所述工作人员对象监控图像通过头部目标检测网络以得到头部目标感兴趣区域图像。具体地，在本申请的技术方案中，使用所述头部目标检测网络的目标锚定层以锚框B来进行滑动对所述工作人员对象监控图像进行处理，以对于所述工作人员对象的头部感兴趣区域进行框定，从而得到所述头部目标感兴趣区域图像。特别地，这里，所述头部目标检测网络为基于锚窗的目标检测网络，且所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。

然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述头部目标感兴趣区域图像的特征挖掘，特别地，考虑到在对于所述头部目标感兴趣区域图像的隐藏特征进行提取时，为了能够更准确地检测出所述工作人员对象是否佩戴安全帽，应更加关注于所述工作人员的头部目标区域的形状、轮廓、颜色和纹理等浅层特征，这些所述浅层特征对于工作人员的安全帽佩戴检测具有重要意义。而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，将所述头部目标感兴趣区域图像通过基于第一卷积神经网络模型的头部浅层特征提取器，以此来提取出所述工作人员对象的头部区域中有关于头部目标的浅层特征分布信息，从而得到头部浅层特征图。特别地，这些头部目标的浅层特征能够反映出所述工作人员的头部的轮廓、边缘以及颜色和纹理等浅层特征，有利于对于该工作人员是否佩戴安全帽进行更精准地检测。

进一步地，再将所述头部浅层特征图通过基于第二卷积神经网络模型的头部深层特征提取器中进行特征挖掘，以提取出所述工作人员对象的头部区域中有关于头部目标的深层隐含语义特征信息，从而得到头部深层特征图。继而，融合所述头部浅层特征图和所述头部深层特征图，以此来融合有关于所述工作人员头部目标的浅层和深层特征信息，以更为充分地捕捉到有关于工作人员头部目标的特征信息，从而得到头部多尺度特征图。相较于标准卷积神经网络模型，根据本申请的基于深浅特征融合的卷积神经网络模型能够保留所述工作人员头部目标的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，从而提高对于所述工作人员是否佩戴安全帽检测的精度。不仅如此，由于深度神经网络模型的结构往往比较复杂，往往需要大量的样本数据来训练和调整，并且深度网络的训练时间较长，容易过拟合。因此，在深度神经网络模型的设计中，采用浅层网络和深层网络的结合，通过深浅特征融合，可以在一定程度上降低网络的复杂度和过拟合的风险，同时提高模型的特征提取能力和泛化能力。

相应地，如图2所示，所述头部目标特征分析模块120，包括：头部目标检测单元121，用于将所述工作人员对象监控图像通过头部目标检测网络以得到头部目标感兴趣区域图像；以及，头部目标特征提取单元122，用于对所述头部目标感兴趣区域图像进行深浅特征提取以得到头部多尺度特征图作为所述头部目标特征。

其中，所述头部目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet。值得一提的是，Fast R-CNN（Region-based Convolutional Neural Networks）是一种基于区域的卷积神经网络目标检测算法，它通过在图像中提取候选区域，然后对每个候选区域进行特征提取和分类，最后通过边界框回归来得到目标的位置，Fast R-CNN相对于之前的算法，如R-CNN和SPPNet，具有更快的检测速度和更好的准确性。Faster R-CNN是在Fast R-CNN的基础上进一步改进的目标检测算法，它引入了一个称为Region Proposal Network（RPN）的子网络，用于生成候选区域，然后再将这些候选区域输入到Fast R-CNN中进行分类和位置回归，Faster R-CNN的主要优势是在准确性和速度之间取得了更好的平衡。RetinaNet是一种基于特征金字塔网络（Feature Pyramid Network，FPN）和单发多框检测器（Single Shot MultiBox Detector，SSD）的目标检测算法，RetinaNet通过使用FPN来提取不同尺度的特征，并通过特定的分类和回归分支对每个尺度上的特征进行目标检测，它的特点是能够有效地解决目标检测中的类别不平衡问题，对小目标的检测效果也比较好。这三种算法都是在深度学习框架下进行目标检测的方法，它们在检测速度和准确性上有所不同，具体选择哪种算法取决于具体应用场景和需求。

更具体地，在一个具体示例中，如图3所示，所述头部目标特征提取单元122，包括：头部浅层特征提取子单元1221，用于通过基于第一深度神经网络模型的头部浅层特征提取器对所述头部目标感兴趣区域图像进行浅层特征提取以得到头部浅层特征图；头部深层特征提取子单元1222，用于通过基于第二深度神经网络模型的头部浅层特征提取器对所述头部浅层特征图进行深层特征提取以得到头部深层特征图；以及，深浅特征融合子单元1223，用于融合所述头部浅层特征图和所述头部深层特征图以得到所述头部多尺度特征图。

其中，所述第一深度神经网络模型为第一卷积神经网络模型，所述第二深度神经网络模型为第二卷积神经网络模型。值得一提的是，卷积神经网络（Convolutional NeuralNetwork，CNN）是一种深度学习模型，专门用于处理具有网格结构的数据，如图像、语音和文本等。卷积神经网络模型的主要特点是通过卷积层、池化层和全连接层等组成，其中卷积层用于提取输入数据的特征，池化层用于降低特征的空间维度，全连接层用于进行分类或回归等任务。卷积神经网络模型通过多层次的特征提取和组合，能够学习到图像中的局部模式和全局结构，从而实现对图像的有效表示和理解。在头部目标特征提取单元中，所使用的第一深度神经网络模型和第二深度神经网络模型都是卷积神经网络模型。第一深度神经网络模型用于头部目标感兴趣区域图像的浅层特征提取，而第二深度神经网络模型用于对头部浅层特征图进行深层特征提取。这样的设计可以充分利用卷积神经网络模型对图像特征的抽取能力，提取出更加丰富和有表达力的头部多尺度特征，以便于后续的目标分析和处理。

应可以理解，头部目标特征分析模块的作用是对工作人员对象监控图像中的头部目标进行分析和特征提取，以获取头部多尺度特征图，这些特征图可以用于进一步的任务，如安全帽佩戴检测、头部姿态估计等。具体来说，头部目标检测单元使用头部目标检测网络（如Fast R-CNN、Faster R-CNN或RetinaNet）对工作人员对象监控图像进行处理，从中提取出头部目标感兴趣区域图像。这些感兴趣区域图像包含了头部目标的位置和形状信息。头部目标特征提取单元对头部目标感兴趣区域图像进行深浅特征提取。深层特征提取子单元使用第一深度神经网络模型，如卷积神经网络（CNN），来提取头部目标的深层特征，这些特征能够捕捉到头部目标的细节和抽象特征。浅层特征提取子单元使用第二深度神经网络模型，如浅层卷积神经网络，来提取头部目标的浅层特征，这些特征能够捕捉到头部目标的边缘和纹理等低级特征。最后，深浅特征融合子单元将深层特征和浅层特征进行融合，得到头部多尺度特征图。这样的特征图包含了头部目标的多个尺度的特征信息，能够更全面地描述头部目标的特征。换言之，头部目标特征分析模块的作用是提取头部目标的多尺度特征，为后续的任务提供有用的特征表示，如安全帽佩戴检测、头部姿态估计等。这些任务可以帮助实现对工作人员的安全监控和管理。

进一步地，再将所述头部多尺度特征图通过分类器以得到分类结果，所述分类结果用于表示工作人员是否佩戴安全帽。也就是说，利于所述工作人员的头部目标的浅层特征和深层特征的融合关联特征信息来综合进行是否佩戴安全帽的检测。通过这样的方式，能够智能化地对于变电站内的工作人员是否佩戴安全帽进行自动检测预警，以避免监测人员介入引起的低效率和低精准度的问题，从而实现变电站运维安全的可视化管理。

相应地，如图4所示，所述安全帽佩戴检测模块130，包括：特征分布优化单元131，用于对所述头部多尺度特征图进行特征分布优化以得到优化头部多尺度特征图；以及，安全帽佩戴分类单元132，用于将所述优化头部多尺度特征图通过分类器以得到分类结果，所述分类结果用于表示工作人员是否佩戴安全帽。

特别地，在本申请的技术方案中，所述头部浅层特征图和所述头部深层特征图分别表达工作人员对象的头部目标感兴趣区域图像的基于卷积神经网络的不同尺度下的不同深度的图像语义特征，因此，为了充分利用不同尺度和深度下的工作人员对象头部图像语义特征信息，优选地通过沿通道维度直接级联所述头部浅层特征图和所述头部深层特征图来得到所述头部多尺度特征图。所述头部多尺度特征图的各个特征矩阵之间会具有较大的特征分布差异，使得所述头部多尺度特征图的整体流形几何连续性差，影响其通过分类器进行分类回归的收敛效果。因此，本申请对所述头部多尺度特征图的沿通道维度的每个特征矩阵，例如记为，进行通道维度遍历流形式凸优化。

相应地，在一个具体示例中，所述特征分布优化单元131，用于：以如下优化公式对所述头部多尺度特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到所述优化头部多尺度特征图；其中，所述优化公式为：

其中，是所述头部多尺度特征图的沿通道维度的各个特征矩阵，和/>分别为基于所述头部多尺度特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，即/>的最大本征值的平方根，/>表示向量乘法，/>表示按位置点乘，且/>为所述优化头部多尺度特征图的沿通道维度的各个特征矩阵。

这里，所述头部多尺度特征图的通道维度遍历流形式凸优化通过结构化调制的特征矩阵的最大分布稠密性方向来确定所述头部多尺度特征图的各个特征矩阵的流形的基维度，并沿所述头部多尺度特征图的通道方向对特征矩阵流形进行遍历，以通过沿通道方向堆叠遍历流形的基维度来约束每个特征矩阵所表示的遍历流形的凸优化连续性，从而实现由优化后的特征矩阵/>的遍历流形组成的所述头部多尺度特征图的高维特征流形的几何连续性，从而改善其通过分类器进行分类回归的精准度。这样，能够基于可视化技术来判断工作人员是否佩戴安全帽，并及时发出警报，从而提高变电站的运维安全管理效率和质量，降低变电站事故的发生概率。

更具体地，如图5所示，所述安全帽佩戴分类单元132，包括：展开子单元1321，用于将所述优化头部多尺度特征图按照行向量或者列向量展开为优化分类特征向量；全连接编码子单元1322，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元1323，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

也就是，在本公开的技术方案中，所述分类器的标签包括工作人员佩戴安全帽(第一标签)，以及，工作人员没有佩戴安全帽(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化分类特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“工作人员是否佩戴安全帽”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，工作人员是否佩戴安全帽的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“工作人员是否佩戴安全帽”的语言文本意义。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

值得一提的是，全连接层（Fully Connected Layer）是卷积神经网络中的一种常见层类型，在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。全连接层的作用是将前一层的特征图转换为一维向量，并通过学习权重来捕捉输入特征之间的复杂关系。全连接编码是指在全连接层中对特征向量进行编码的过程。通过全连接层的计算，将优化分类特征向量映射到一个更高维度的特征空间，以捕捉更多的特征信息。这种编码过程可以提高分类器对输入数据的表示能力和判别能力。在安全帽佩戴分类单元中，全连接编码子单元使用全连接层对优化分类特征向量进行编码，得到编码分类特征向量。这样做的目的是通过编码过程，提取更丰富的特征信息，以便更好地进行分类判别。最后，分类子单元将编码分类特征向量输入分类器的Softmax分类函数，得到最终的分类结果，即判断工人是否佩戴安全帽。即，全连接层和全连接编码在深度学习中起着重要的作用，能够提取和编码输入数据的特征，并用于分类任务中的判别。

值得一提的是，Softmax分类函数是一种常用的分类函数，用于将输入的实数向量转换为概率分布。它通常用于多类别分类任务，将输入向量映射到每个类别的概率。Softmax函数的作用是将输入向量中的每个元素映射到一个介于0和1之间的概率值，且所有概率值的和为1，这样可以表示每个类别的相对概率，使得模型可以根据这些概率进行分类决策。Softmax函数在深度学习中广泛应用于多类别分类问题，特别是在神经网络中作为最后一层的激活函数。它可以将神经网络的输出转换为一个概率分布，使得模型可以根据概率进行分类预测。通过最大化正确类别的概率，Softmax函数可以帮助模型学习分类任务中的决策边界，并进行准确的分类。即，Softmax分类函数将输入向量映射为概率分布，用于多类别分类任务，帮助模型进行准确的分类预测。

特别地，考虑到在本申请的技术方案中，所述头部浅层特征图和所述头部深层特征图分别表达基于金字塔网络的不同尺度的不同深度下的所述工作人员对象监控图像的图像语义特征，在融合所述头部浅层特征图和所述头部深层特征图，对头部多尺度特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化，这会使得所述优化头部多尺度特征图的整体特征分布偏离所述工作人员对象监控图像的图像源域语义特征分布，从而在分类场景下，在分类器的权重矩阵迭代过程中导致所述优化头部多尺度特征图的类概率映射的特征源域偏移，以及进一步的权重矩阵基于所述优化头部多尺度特征图的源域特征拟合发散，从而影响模型的训练效果，以及训练好的模型得到的所述优化头部多尺度特征图的分类结果的准确性。基于此，本申请在所述优化头部多尺度特征图展开后得到的优化头部多尺度特征向量通过分类器的训练过程中，进行权重矩阵的基于基准注释的外部边界约束。

相应地，在一个具体示例中，还包括用于在所述优化头部多尺度特征图展开后得到的优化头部多尺度特征向量通过分类器的训练过程中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到优化权重矩阵的训练模块。

具体地，所述训练模块，用于：以如下约束公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到所述优化权重矩阵；

其中，所述约束公式为：

其中，和/>分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置/>和/>，（例如，/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵），/>是所述优化头部多尺度特征向量，为列向量形式，/>是第一过渡向量，是第二过渡向量，/>表示第二过渡向量的转置，/>表示矩阵乘法，/>表示矩阵加法，表示所述优化权重矩阵。

这里，通过以所述优化头部多尺度特征向量在权重空间内的迭代关联表示来作为权重矩阵迭代的外部关联边界约束，从而在将前次的权重矩阵作为本次迭代过程中的基准注释（benchmark annotation）的情况下，减小权重空间迭代过程当中以所述优化头部多尺度特征向量/>的类概率映射作为锚点的定向不匹配（oriented mismatch），从而进行权重矩阵在迭代过程中相对于所述优化头部多尺度特征向量/>的类概率映射的源域特征偏移的补偿，并进一步增强权重矩阵基于所述优化头部多尺度特征向量/>的源域特征拟合聚合，以提升模型的训练效果，以及训练好的模型得到的所述优化头部多尺度特征向量的分类结果的准确性。

综上，基于本申请实施例的基于可视化的变电站运维安全管控系统100被阐明，其可以智能化地对于变电站内的工作人员是否佩戴安全帽进行自动检测预警，以避免监测人员介入引起的低效率和低精准度的问题，从而实现变电站运维安全的可视化管理，以提高变电站的安全性能和管理效率，降低事故的发生概率。

如上所述，根据本申请实施例的基于可视化的变电站运维安全管控系统100可以实现在各种终端设备中，例如具有基于本申请实施例的基于可视化的变电站运维安全管控算法的服务器等。在一个示例中，基于本申请实施例的基于可视化的变电站运维安全管控系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的基于可视化的变电站运维安全管控系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的基于可视化的变电站运维安全管控系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于本申请实施例的基于可视化的变电站运维安全管控系统100与该终端设备也可以是分立的设备，并且该基于可视化的变电站运维安全管控系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图6为根据本申请实施例的基于可视化的变电站运维安全管控方法的流程图。图7为根据本申请实施例的基于可视化的变电站运维安全管控方法的系统架构的示意图。如图6和图7所示，根据本申请实施例的基于可视化的变电站运维安全管控方法，其包括：S110，通过部署于变电站的摄像头采集工作人员对象监控图像；S120，对所述工作人员对象监控图像进行特征分析以得到头部目标特征；以及，S130，基于所述头部目标特征，确定工作人员是否佩戴安全帽。

在一个具体示例中，在上述基于可视化的变电站运维安全管控方法中，对所述工作人员对象监控图像进行特征分析以得到头部目标特征，包括：将所述工作人员对象监控图像通过头部目标检测网络以得到头部目标感兴趣区域图像；以及，对所述头部目标感兴趣区域图像进行深浅特征提取以得到头部多尺度特征图作为所述头部目标特征。

这里，本领域技术人员可以理解，上述基于可视化的变电站运维安全管控方法中的各个步骤的具体操作已经在上面参考图1到图5的基于可视化的变电站运维安全管控系统100的描述中得到了详细介绍，并因此，将省略其重复描述。

图8为根据本申请实施例的基于可视化的变电站运维安全管控系统的应用场景图。如图8所示，在该应用场景中，首先，通过部署于变电站的摄像头（例如，图8中所示意的C）采集工作人员对象监控图像（例如，图8中所示意的D），然后，将所述工作人员对象监控图像输入至部署有基于可视化的变电站运维安全管控算法的服务器中（例如，图8中所示意的S），其中，所述服务器能够使用所述基于可视化的变电站运维安全管控算法对所述工作人员对象监控图像进行处理以得到用于表示工作人员是否佩戴安全帽的分类结果。

本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请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“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (2)

1.一种基于可视化的变电站运维安全管控系统，其特征在于，包括：

监控图像采集模块，用于通过部署于变电站的摄像头采集工作人员对象监控图像；

头部目标特征分析模块，用于对所述工作人员对象监控图像进行特征分析以得到头部目标特征；以及

安全帽佩戴检测模块，用于基于所述头部目标特征，确定工作人员是否佩戴安全帽；

其中，所述头部目标特征分析模块，包括：

头部目标检测单元，用于将所述工作人员对象监控图像通过头部目标检测网络以得到头部目标感兴趣区域图像；以及

头部目标特征提取单元，用于对所述头部目标感兴趣区域图像进行深浅特征提取以得到头部多尺度特征图作为所述头部目标特征；

其中，所述头部目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet；

其中，所述头部目标特征提取单元，包括：

头部浅层特征提取子单元，用于通过基于第一深度神经网络模型的头部浅层特征提取器对所述头部目标感兴趣区域图像进行浅层特征提取以得到头部浅层特征图；

头部深层特征提取子单元，用于通过基于第二深度神经网络模型的头部浅层特征提取器对所述头部浅层特征图进行深层特征提取以得到头部深层特征图；以及

深浅特征融合子单元，用于融合所述头部浅层特征图和所述头部深层特征图以得到所述头部多尺度特征图；

其中，所述第一深度神经网络模型为第一卷积神经网络模型，所述第二深度神经网络模型为第二卷积神经网络模型；

其中，所述安全帽佩戴检测模块，包括：

特征分布优化单元，用于对所述头部多尺度特征图进行特征分布优化以得到优化头部多尺度特征图；以及

安全帽佩戴分类单元，用于将所述优化头部多尺度特征图通过分类器以得到分类结果，所述分类结果用于表示工作人员是否佩戴安全帽；

其中，所述特征分布优化单元，用于：

以如下优化公式对所述头部多尺度特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到所述优化头部多尺度特征图；

其中，所述优化公式为：

，

其中，是所述头部多尺度特征图的沿通道维度的各个特征矩阵，/>和分别为基于所述头部多尺度特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，/>表示向量乘法，/>表示按位置点乘，且/>为所述优化头部多尺度特征图的沿通道维度的各个特征矩阵；

其中，所述基于可视化的变电站运维安全管控系统，还包括：训练模块，用于在所述优化头部多尺度特征图展开后得到的优化头部多尺度特征向量通过分类器的训练过程中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到优化权重矩阵；

其中，所述训练模块，用于以如下约束公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到所述优化权重矩阵；

其中，所述约束公式为：

，

其中，和/>分别是上次和本次迭代的权重矩阵，/>是所述优化头部多尺度特征向量，/>是第一过渡向量，/>是第二过渡向量，/>表示第二过渡向量的转置，/>表示矩阵乘法，/>表示矩阵加法，/>表示所述优化权重矩阵。

2.一种基于可视化的变电站运维安全管控方法，其特征在于，包括：

通过部署于变电站的摄像头采集工作人员对象监控图像；

对所述工作人员对象监控图像进行特征分析以得到头部目标特征；以及

基于所述头部目标特征，确定工作人员是否佩戴安全帽；

其中，对所述工作人员对象监控图像进行特征分析以得到头部目标特征，包括：

将所述工作人员对象监控图像通过头部目标检测网络以得到头部目标感兴趣区域图像；以及

对所述头部目标感兴趣区域图像进行深浅特征提取以得到头部多尺度特征图作为所述头部目标特征；

其中，所述头部目标检测网络为基于锚窗的目标检测网络，所述基于锚窗的目标检测网络为Fast R-CNN、Faster R-CNN或RetinaNet；

其中，对所述头部目标感兴趣区域图像进行深浅特征提取以得到头部多尺度特征图作为所述头部目标特征，包括：

通过基于第一深度神经网络模型的头部浅层特征提取器对所述头部目标感兴趣区域图像进行浅层特征提取以得到头部浅层特征图；

通过基于第二深度神经网络模型的头部浅层特征提取器对所述头部浅层特征图进行深层特征提取以得到头部深层特征图；以及

融合所述头部浅层特征图和所述头部深层特征图以得到所述头部多尺度特征图；

其中，所述第一深度神经网络模型为第一卷积神经网络模型，所述第二深度神经网络模型为第二卷积神经网络模型；

其中，基于所述头部目标特征，确定工作人员是否佩戴安全帽，包括：

对所述头部多尺度特征图进行特征分布优化以得到优化头部多尺度特征图；以及

将所述优化头部多尺度特征图通过分类器以得到分类结果，所述分类结果用于表示工作人员是否佩戴安全帽；

其中，对所述头部多尺度特征图进行特征分布优化以得到优化头部多尺度特征图，包括：

以如下优化公式对所述头部多尺度特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到所述优化头部多尺度特征图；

其中，所述优化公式为：

，

其中，是所述头部多尺度特征图的沿通道维度的各个特征矩阵，/>和分别为基于所述头部多尺度特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，/>表示向量乘法，/>表示按位置点乘，且/>为所述优化头部多尺度特征图的沿通道维度的各个特征矩阵；

其中，所述基于可视化的变电站运维安全管控方法，还包括：在所述优化头部多尺度特征图展开后得到的优化头部多尺度特征向量通过分类器的训练过程中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到优化权重矩阵；

其中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到优化权重矩阵，包括：以如下约束公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到所述优化权重矩阵；

其中，所述约束公式为：

，

其中，和/>分别是上次和本次迭代的权重矩阵，/>是所述优化头部多尺度特征向量，/>是第一过渡向量，/>是第二过渡向量，/>表示第二过渡向量的转置，/>表示矩阵乘法，/>表示矩阵加法，/>表示所述优化权重矩阵。