CN116863196A - 一种电力作业培训和生产安全监督测距告警方法及系统 - Google Patents
一种电力作业培训和生产安全监督测距告警方法及系统 Download PDFInfo
- Publication number
- CN116863196A CN116863196A CN202310580064.2A CN202310580064A CN116863196A CN 116863196 A CN116863196 A CN 116863196A CN 202310580064 A CN202310580064 A CN 202310580064A CN 116863196 A CN116863196 A CN 116863196A
- Authority
- CN
- China
- Prior art keywords
- alarm
- distance
- safety
- distance threshold
- module
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000005259 measurement Methods 0.000 title claims description 19
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 230000006399 behavior Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种电力作业培训和生产安全监督测距告警方法及系统包括,利用摄像头采集电力生产工作人员的作业行为建立样本库;将采集到的样本加入目标检测模型里面训练并测试;根据实时采集的作业图像进行目标检测识别并计算出图像的像素点坐标;根据像素点坐标计算出最小欧氏距离,对比最小欧氏距离与安全距离阈值;根据对比结果判断是否需要告警,并记录告警日志。本方法可以最大程度的保证检测的准确性与时效性,解决现有技术中人工测距耗时量大,判断准确率不精准以及判断不及时问题,并提升培训监督指导水平,通过提供培训质量提高技能。
Description
技术领域
本发明涉及物理勘探电力作业培训和生产安全监督技术领域,尤其涉及一种电力作业培训和生产安全监督测距告警方法及系统。
背景技术
在电力企业作业培训、生产运检等业务场景下,工作人员为了完成任务需要在线路或变电站作业。目前,在培训过程中主要依赖人工监督指导,人工监督指导存在距离判断不准确、监督人员难以做到长时间无遗漏监督,可能错过不合规的行为,仅凭不同人的个人主观印象进行判断容易产生有争议,难以形成客观共识,虽然可以通过现场常规录像保留实际操作过程中的记录,但常规录像不能主动发现违规,依然需要人工判断。在电力生产现场存在安全监管水平较低、操作粗放的现象,同时有事后管理、不量化、随机性等问题,导致运检等生产业务中缺乏对一线人员安全的有效管控,客观上存在不满足安全距离要求、超范围作业、误入带电间隔等问题。对一线生产作业人员的位置信息仍然主要依靠后台监控人员通过视觉判定,少部分通过GPS/BDS定位系统、FRID与摄像联动定位等方法进行人员位置信息的采集。但是以上技术存在一定不足:GPS/BDS的定位存在米级误差,且涉及便携式设备的资金投入;RFID中天线通过反馈外界微波激励进行距离报警,然而激励信号的强弱、发射角度都会影响RFID的反馈,从而容易导致误判、漏判。因此,亟待一种新型电力生产人员安全监测方法,在作业培训中,可以提高距离判断的一致性,减少分歧争议;提高监督过程的持续性,避免长时间人工监督出现的遗漏问题,从而保证培训的规范性。在生产运检中,达到事中监督、量化监督、及时发现、及时管理、提高安全监管的有效性和生产作业的合规性。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种电力作业培训和生产安全监督测距告警方法及系统,以解决现有技术中人工测距耗时量大,判断准确率不精准以及判断不及时问题,并提升培训监督指导水平,通过提供培训质量提高技能。
为解决上述技术问题,本发明提供如下技术方案,一种电力作业培训和生产安全监督测距告警方法,包括:
利用摄像头采集电力生产工作人员的作业行为建立样本库;
将采集到的样本加入目标检测模型里面训练并测试;
根据实时采集的作业图像进行目标检测识别并计算出图像的像素点坐标;
根据像素点坐标计算出最小欧氏距离,对比最小欧氏距离与安全距离阈值;
根据对比结果判断是否需要告警,并记录告警日志。
作为本发明所述的电力作业培训和生产安全监督测距告警方法的一种优选方案,其中:所述建立样本库包括,通过接收网络模块上传的照片和视频,获取观测信息,同时支持后台远程查看实时视频。
作为本发明所述的电力作业培训和生产安全监督测距告警方法的一种优选方案,其中:所述目标检测模型包括,采用深度学习的方法训练目标检测网络,目标检测网络随着图像库里的图片增加而增强图像识别能力,且具有自训练能力。
作为本发明所述的电力作业培训和生产安全监督测距告警方法的一种优选方案,其中:所述识别并计算出图像的像素点坐标包括,采用深度学习算法对图像进行识别和计算。
作为本发明所述的电力作业培训和生产安全监督测距告警方法的一种优选方案,其中:所述最小欧氏距离包括,方程构建如下:
E(p,q)=(p1-q1)2+(p2-q2)2
d=sqrt[(x1-x2)2+(y1-y2)2+(z1-z2)2]
其中,E表示被测物在被测空间下定位位置的二维空间下欧氏距离,d表示通过计算深度图像辨识人员、设备、环境的三维空间下的欧氏距离。
作为本发明所述的电力作业培训和生产安全监督测距告警方法的一种优选方案,其中:所述对比结果包括,对比三维空间下的最小欧氏距离与安全距离阈值,根据对比的结果判断是否需要告警;
所述安全距离阈值包括,当电压等级为10kv及以下区间时,安全距离阈值设定为0.7m,作业中人员与带电体之间设置隔离措施距离为0.35m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为20kv≤U≤35kv区间时,安全距离阈值设定为1.0m,作业中人员与带电体之间设置隔离措施距离为0.6m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级66kv≤U≤110kv区间时,安全距离阈值设定为1.5m,若检测发现不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作作业策略,若距离大于安全距离阈值,则无需发出距离检测告警,系统正常执行下一步命令,实时监测作业安全距离;
当电压等级为220kv时,安全距离阈值设定为3.0m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要告警,发出重要告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定是否对已产生重要告警信息的作业节点操作进行叫停,并由系统及安全设备辅助进行安全管理和维运,系统实时回传作业信息,以便于下一步安全操作方法的紧急制定,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为500kv时,安全距离阈值设定为5.0m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定下一步操作实施策略,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±50kv及以下区间时,安全距离阈值设定为1.5m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±500kv区间时,安全距离阈值设定为6.8m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定下一步操作实施策略,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±800kv区间时,安全距离阈值设定为10.1m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定是否对已产生重要告警信息的作业节点操作进行叫停,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警。
本发明的另外一个目的是提供一种电力作业培训和生产安全监督测距告警系统,其能通过实现电力作业培训和生产安全监督测距告警方法,解决新型电力生产人员安全测距与告警系统会有效解决人工检测和告警时的缺陷,同时能够最大地保证了检测的准确性与时效性。
作为本发明所述的电力作业培训和生产安全监督测距告警系统的一种优选方案,其中:包括,告警装置及安全测距与告警系统;所述安全测距与告警系统包括,电源模块、主控模块、图像采集模块、图像识别模块、图像处理模块、存储模块、通讯模块。
作为本发明所述的电力作业培训和生产安全监督测距告警系统的一种优选方案,其中:所述电源模块用于输出给各个模块供电;
所述图像采集用于采集电力生产人员、输电线路及变电设备的二维图像;采集模块具体方法为采用多目摄像头获取电力生产人员、输电线路、变电设备的位置图像;对获取的位置图像进行标注,形成图像样本库;
所述主控模块是核心模块,控制图像采集模块和图像采集模块开展工作,进行图像识别与图像处理,同时也控制存储模块存储操作过程中的视频、违规抓拍的照片、运行日志、告警日志;
所述图像识别用于根据目标检测模型,在获取的二维图像中提取出目标人员和目标设备,进行目标人员和目标设备识别,并将识别后的目标人员和目标设备发送至图像处理模块中;
图像处理用于处理提取出的目标人员和目标设备并计算出生产人员和目标之间的最小安全距离,将图像样本库中的二维图像输入采用卷积神经网络实现人员和设备的目标提取,通过卷积层获取多尺度下的图像特征,结合池化层对获取的图像特征进一步提取,最后经过激活函数得到目标的深度图像,实现对目标的检测;还包括,所述安全告警模块用于计算目标人员和目标设备的最小欧氏距离,并将得出的最小欧氏距离与安全阈值进行对比,其中,安全距离阈值根据电压等级进行设置,当最小欧氏距离不大于安全阈值时,判断目标人员误入带电间隔,发出警报信息;所述存储模块用于存储操作过程中的视频、违规抓拍的照片、运行日志、告警日志;通讯模块是安全测距和告警系统与外界通信的模块,支持RJ45、4G、5G方式;
所述安全告警模块包括,测距告警装置可以检测并抓拍违规信息,通过网络接口模块将违规行为照片和判断结果发送到后台信息管理进行管理和统计,信息管理平台模块可以接收有网络模块上传的照片和视频,在网络连接良好的情况下,信息管理平台可以支持后台远程查看实时视频。
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电力作业培训和生产安全监督测距告警方法的步骤。
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电力作业培训和生产安全监督测距告警方法的步骤。
本发明的有益效果:(1)目标检测模型的设计为轻量级模型,这种模型可以移植使用到一些边缘设备当中,即安全管理员可以利用边缘设备对电力生产人员进行远程监控,也可以远程查看检修人员异常行为的预警信息。(2)采用深度学习的方法训练目标检测网络,目标检测网络会随着图像库里的图片增加而增强图像识别能力,即该网络具有一种自训练的能力。这种方法可以解决系统初步使用时图像的数据集缺少而无法保证识别准确率的问题。(3)新型电力生产人员安全测距与告警系统会有效解决人工检测和告警时的缺陷,同时能够最大的保证了检测的准确性与时效性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种电力作业培训和生产安全监督测距告警方法流程示意图;
图2为本发明一个实施例提供的一种电力作业培训和生产安全监督测距告警系统硬件原理图示意图;
图3为本发明一个实施例提供的一种电力作业培训和生产安全监督测距告警摄像头与网络连接架构图示意图;
图4为本发明一个实施例提供的一种电力作业培训和生产安全监督测距告警系统结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的第一个实施例,该实施例提供了一种电力作业培训和生产安全监督测距告警方法,包括:
S1:利用摄像头采集电力生产工作人员的作业行为建立样本库;
更进一步的,所述建立样本库包括,通过接收网络模块上传的照片和视频,获取观测信息,同时支持后台远程查看实时视频。
S2:将采集到的样本加入目标检测模型里面训练并测试;
更进一步的,所述目标检测模型包括,采用深度学习的方法训练目标检测网络,目标检测网络随着图像库里的图片增加而增强图像识别能力,且具有自训练能力。
S3:根据实时采集的作业图像进行目标检测识别并计算出图像的像素点坐标;
应说明的是,所述识别并计算出图像的像素点坐标包括,采用深度学习算法对图像进行识别和计算。
S4:根据像素点坐标计算出最小欧氏距离,对比最小欧氏距离与安全距离阈值;
更进一步的,所述最小欧氏距离包括,方程构建如下:
E(p,q)=(p1-q1)2+(p2-q2)2
d=sqrt[(x1-x2)2+(y1-y2)2+(z1-z2)2]
其中,E表示被测物在被测空间下定位位置的二维空间下欧氏距离,d表示通过计算深度图像辨识人员、设备、环境的三维空间下的欧氏距离。
S5:根据对比结果判断是否需要告警,并记录告警日志。
更进一步的,所述对比结果包括,对比三维空间下的最小欧氏距离与安全距离阈值,根据对比的结果判断是否需要告警。
应说明的是,所述安全距离阈值包括,当电压等级为10kv及以下区间时,安全距离阈值设定为0.7m,作业中人员与带电体之间设置隔离措施距离为0.35m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为20kv≤U≤35kv区间时,安全距离阈值设定为1.0m,作业中人员与带电体之间设置隔离措施距离为0.6m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级66kv≤U≤110kv区间时,安全距离阈值设定为1.5m,若检测发现不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作作业策略,若距离大于安全距离阈值,则无需发出距离检测告警,系统正常执行下一步命令,实时监测作业安全距离;
当电压等级为220kv时,安全距离阈值设定为3.0m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要告警,发出重要告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定是否对已产生重要告警信息的作业节点操作进行叫停,并由系统及安全设备辅助进行安全管理和维运,系统实时回传作业信息,以便于下一步安全操作方法的紧急制定,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为500kv时,安全距离阈值设定为5.0m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定下一步操作实施策略,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±50kv及以下区间时,安全距离阈值设定为1.5m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±500kv区间时,安全距离阈值设定为6.8m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定下一步操作实施策略,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±800kv区间时,安全距离阈值设定为10.1m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定是否对已产生重要告警信息的作业节点操作进行叫停,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警。
实施例2
参照图2-4,为本发明的一个实施例,提供了一种电力作业培训和生产安全监督测距告警系统,为了验证本发明的有益效果,通过实验进行科学论证。
所述系统包括,告警装置及安全测距与告警系统;所述安全测距与告警系统包括,电源模块、主控模块、图像采集模块、图像识别模块、图像处理模块、存储模块、通讯模块。
所述电源模块用于输出给各个模块供电;
所述图像采集用于采集电力生产人员、输电线路及变电设备的二维图像;采集模块具体方法为采用多目摄像头获取电力生产人员、输电线路、变电设备的位置图像,对获取的位置图像进行标注,形成图像样本库;
所述主控模块是核心模块,控制图像采集模块和图像采集模块开展工作,进行图像识别与图像处理,同时也控制存储模块存储操作过程中的视频、违规抓拍的照片、运行日志、告警日志;
所述图像识别用于根据目标检测模型,在获取的二维图像中提取出目标人员和目标设备,进行目标人员和目标设备识别,并将识别后的目标人员和目标设备发送至图像处理模块中。图像处理用于处理提取出的目标人员和目标设备并计算出生产人员和目标之间的最小安全距离,将图像样本库中的二维图像输入采用卷积神经网络实现人员和设备的目标提取,通过卷积层获取多尺度下的图像特征,结合池化层对获取的图像特征进一步提取,最后经过激活函数得到目标的深度图像,实现对目标的检测。
还包括,所述安全告警模块用于计算目标人员和目标设备的最小欧氏距离,并将得出的最小欧氏距离与安全阈值进行对比,其中,安全距离阈值可根据电压等级进行设置。当最小欧氏距离不大于安全阈值时,判断目标人员误入带电间隔,发出警报信息;
所述存储模块用于存储操作过程中的视频、违规抓拍的照片、运行日志、告警日志;
通讯模块是安全测距和告警系统与外界通信的模块,支持RJ45、4G、5G方式。
所述安全告警模块包括,测距告警装置可以检测并抓拍违规信息,通过网络接口模块将违规行为照片和判断结果发送到后台信息管理进行管理和统计,信息管理平台模块可以接收有网络模块上传的照片和视频,在网络连接良好的情况下,信息管理平台可以支持后台远程查看实时视频。
方案中具体阈值的设定参照下表
人员、工具、材料与设备带电部分的安全距离
电压等级kV | 作业安全距离m |
10及以下 | 0.7 |
20、35 | 1.0 |
66、110 | 1.5 |
220 | 3.0 |
500 | 5.0 |
±50及以下 | 1.5 |
±500 | 6.8 |
±800 | 10.1 |
其中,需要说明的是,未列出的电压等级,按高一档电压等级安全距离执行,另外,13.8kv执行10kv的安全距离,数据按海拔1000m计算。
本发明是一种电力作业培训和生产安全监督测距告警技术,主要用于解决现有技术中人工测距耗时量大,判断准确率不精准以及判断不及时问题,并提升培训监督指导水平,通过提供培训质量提高技能。本方法首先利用摄像头采集电力生产工作人员的作业行为建立样本库,将采集到的样本加入目标检测模型里面训练并测试,根据实时采集的作业图像进行目标检测识别并计算出图像的像素点坐标,根据像素点坐标计算出最小欧氏距离,对比最小欧氏距离与安全距离阈值,根据对比结果判断是否需要告警,并记录告警日志。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种电力作业培训和生产安全监督测距告警方法,其特征在于:包括,
利用摄像头采集电力生产工作人员的作业行为建立样本库;
将采集到的样本加入目标检测模型里面训练并测试;
根据实时采集的作业图像进行目标检测识别并计算出图像的像素点坐标;
根据像素点坐标计算出最小欧氏距离,对比最小欧氏距离与安全距离阈值;
根据对比结果判断是否需要告警,并记录告警日志。
2.如权利要求1所述的一种电力作业培训和生产安全监督测距告警方法,其特征在于:所述建立样本库包括,通过接收网络模块上传的照片和视频,获取观测信息,同时支持后台远程查看实时视频。
3.如权利要求2所述的一种电力作业培训和生产安全监督测距告警方法,其特征在于:所述目标检测模型包括,采用深度学习的方法训练目标检测网络,目标检测网络随着图像库里的图片增加而增强图像识别能力,且具有自训练能力。
4.如权利要求3所述的一种电力作业培训和生产安全监督测距告警方法,其特征在于:所述识别并计算出图像的像素点坐标包括,采用深度学习算法对图像进行识别和计算。
5.如权利要求4所述的一种电力作业培训和生产安全监督测距告警方法,其特征在于:所述最小欧氏距离包括,方程构建如下:
E(p,q)=(p1-q1)2+(p2-q2)2
d=sqrt[(x1-x2)2+(y1-y2)2+(z1-z2)2]
其中,E表示被测物在被测空间下定位位置的二维空间下欧氏距离,d表示通过计算深度图像辨识人员、设备、环境的三维空间下的欧氏距离。
6.如权利要求5所述的一种电力作业培训和生产安全监督测距告警方法及系统,其特征在于:所述对比结果包括,对比三维空间下的最小欧氏距离与安全距离阈值,根据对比的结果判断是否需要告警;
所述安全距离阈值包括,当电压等级为10kv及以下区间时,安全距离阈值设定为0.7m,作业中人员与带电体之间设置隔离措施距离为0.35m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为20kv≤U≤35kv区间时,安全距离阈值设定为1.0m,作业中人员与带电体之间设置隔离措施距离为0.6m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级66kv≤U≤110kv区间时,安全距离阈值设定为1.5m,若检测发现不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作作业策略,若距离大于安全距离阈值,则无需发出距离检测告警,系统正常执行下一步命令,实时监测作业安全距离;
当电压等级为220kv时,安全距离阈值设定为3.0m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要告警,发出重要告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定是否对已产生重要告警信息的作业节点操作进行叫停,并由系统及安全设备辅助进行安全管理和维运,系统实时回传作业信息,以便于下一步安全操作方法的紧急制定,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为500kv时,安全距离阈值设定为5.0m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定下一步操作实施策略,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±50kv及以下区间时,安全距离阈值设定为1.5m,若距离不大于安全距离阈值,则判定为异常行为,系统需要告警,发出告警信息并回传相应的警示数据,并由系统逻辑单元及上层管理岗确定下一步操作实施策略,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±500kv区间时,安全距离阈值设定为6.8m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定下一步操作实施策略,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警;
当电压等级为±800kv区间时,安全距离阈值设定为10.1m,若距离不大于安全距离阈值,则判定为异常行为,系统需要重要紧急告警,发出重要紧急告警信息并回传相应的警示数据,由系统逻辑单元及上层管理岗确定是否对已产生重要告警信息的作业节点操作进行叫停,停止正常工作流程中的部分操作,并由系统数据库进行既往相关操作数据信息的调取和当前操作数据信息的录入,若距离大于安全距离阈值,则无需发出距离检测告警。
7.一种采用如权利要求1~6任一所述的电力作业培训和生产安全监督测距告警方法的系统,其特征在于:包括,告警装置及安全测距与告警系统;所述安全测距与告警系统包括,电源模块、主控模块、图像采集模块、图像识别模块、图像处理模块、存储模块、通讯模块。
8.如权利要求7所述的一种电力作业培训和生产安全监督测距告警系统,其特征在于:所述电源模块用于输出给各个模块供电;
所述图像采集用于采集电力生产人员、输电线路及变电设备的二维图像;采集模块具体方法为采用多目摄像头获取电力生产人员、输电线路、变电设备的位置图像;对获取的位置图像进行标注,形成图像样本库;
所述主控模块是核心模块,控制图像采集模块和图像采集模块开展工作,进行图像识别与图像处理,同时也控制存储模块存储操作过程中的视频、违规抓拍的照片、运行日志、告警日志;
所述图像识别用于根据目标检测模型,在获取的二维图像中提取出目标人员和目标设备;进行目标人员和目标设备识别,并将识别后的目标人员和目标设备发送至图像处理模块中;
所述图像处理用于处理提取出的目标人员和目标设备并计算出生产人员和目标之间的最小安全距离,将图像样本库中的二维图像输入采用卷积神经网络实现人员和设备的目标提取,通过卷积层获取多尺度下的图像特征,结合池化层对获取的图像特征进一步提取,最后经过激活函数得到目标的深度图像,实现对目标的检测;
还包括,所述安全告警模块用于计算目标人员和目标设备的最小欧氏距离,并将得出的最小欧氏距离与安全阈值进行对比,其中,安全距离阈值根据电压等级进行设置,当最小欧氏距离不大于安全阈值时,判断目标人员误入带电间隔,发出警报信息;
所述存储模块用于存储操作过程中的视频、违规抓拍的照片、运行日志、告警日志;
通讯模块是安全测距和告警系统与外界通信的模块,支持RJ45、4G、5G方式;
所述安全告警模块包括,测距告警装置可以检测并抓拍违规信息,通过网络接口模块将违规行为照片和判断结果发送到后台信息管理进行管理和统计,信息管理平台模块可以接收有网络模块上传的照片和视频,在网络连接良好的情况下,信息管理平台可以支持后台远程查看实时视频。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580064.2A CN116863196A (zh) | 2023-05-23 | 2023-05-23 | 一种电力作业培训和生产安全监督测距告警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580064.2A CN116863196A (zh) | 2023-05-23 | 2023-05-23 | 一种电力作业培训和生产安全监督测距告警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116863196A true CN116863196A (zh) | 2023-10-10 |
Family
ID=88229272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310580064.2A Pending CN116863196A (zh) | 2023-05-23 | 2023-05-23 | 一种电力作业培训和生产安全监督测距告警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863196A (zh) |
-
2023
- 2023-05-23 CN CN202310580064.2A patent/CN116863196A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722714B (zh) | 一种基于ar技术的数字化变电站计量运检辅助方法 | |
CN105372581B (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
CN111753712A (zh) | 电力生产人员安全监测方法、系统以及设备 | |
CN106991731A (zh) | 集成设备维护的智能巡检方法及系统 | |
CN110827435A (zh) | 基于智能警示柱的外破监测方法、系统及可读存储介质 | |
CN108121961A (zh) | 巡检行为识别方法、装置、计算机设备和存储介质 | |
CN110728381A (zh) | 一种基于rfid和数据处理的发电厂智能巡检方法及系统 | |
CN108627794A (zh) | 一种基于深度学习的智能化仪表检测方法 | |
CN112687022A (zh) | 一种基于视频的智能楼宇巡检方法及系统 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
CN113450471A (zh) | 一种生产园区智能巡检系统 | |
CN114137302A (zh) | 一种电能计量器具检定全过程监控系统 | |
CN113741368A (zh) | 一种基于物联网管控的电力企业安全生产管理方法 | |
CN110674900B (zh) | 基于rfid的无人机巡检杆塔缺陷的方法及装置 | |
CN117309065A (zh) | 一种基于无人机的换流站远程监控方法及系统 | |
CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN117498225A (zh) | 一种无人机智能电力线路巡检系统 | |
CN109522845A (zh) | 基于智能机器人的配电变压器试验安全作业监督方法 | |
CN111291691B (zh) | 一种基于深度学习的变电站二次设备仪表盘读数检测方法 | |
CN116863196A (zh) | 一种电力作业培训和生产安全监督测距告警方法及系统 | |
CN116363397A (zh) | 设备故障排查方法、装置及巡检系统 | |
CN112347889B (zh) | 一种变电站作业行为辨识方法及装置 | |
CN114387391A (zh) | 变电站设备的安全监测方法、装置、计算机设备和介质 | |
CN114445850B (zh) | 基于深度图像的电力生产人员安全监测方法 |
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 |