CN116883952A - 基于人工智能算法的电力施工现场违章识别方法及系统 - Google Patents
基于人工智能算法的电力施工现场违章识别方法及系统 Download PDFInfo
- Publication number
- CN116883952A CN116883952A CN202311148429.0A CN202311148429A CN116883952A CN 116883952 A CN116883952 A CN 116883952A CN 202311148429 A CN202311148429 A CN 202311148429A CN 116883952 A CN116883952 A CN 116883952A
- Authority
- CN
- China
- Prior art keywords
- power construction
- information
- construction site
- training
- violation
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 1095
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 341
- 239000013598 vector Substances 0.000 claims description 127
- 239000012634 fragment Substances 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Social Psychology (AREA)
- Game Theory and Decision Science (AREA)
- Psychiatry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于人工智能算法的电力施工现场违章识别方法及系统，涉及人工智能技术领域。在本发明中，提取待识别电力施工现场的待识别电力施工信息和第一数量个施工违章预处理规则；按照待识别电力施工信息将第一数量个施工违章预处理规则进行规则匹配分析；在待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，得到目标电力违章预估网络；通过目标电力违章预估网络，基于待识别电力施工信息，将待识别电力施工现场进行违章预估，输出违章预估数据，基于待识别电力施工现场的违章预估数据，确定是否属于违章电力施工现场。基于上述内容，可以在一定程度上提高电力施工现场违章识别的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于人工智能算法的电力施工现场违章识别方法及系统。
背景技术
电力施工现场，容易出现较多的施工违章问题，这些施工违章问题容易导致生命、财产事故，因此，需要对施工违章问题进行监控，例如，可以配置安全监控人员以进行监测，或者，可以对施工现场的图像进行直接的识别，如此，就容易导致电力施工现场违章识别的可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于人工智能算法的电力施工现场违章识别方法及系统，以在一定程度上提高电力施工现场违章识别的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于人工智能算法的电力施工现场违章识别方法，包括：
提取待识别电力施工现场的待识别电力施工信息和第一数量个施工违章预处理规则，一个施工违章预处理规则用于反映一种施工现场违章种类下的电力施工现场的电力施工信息需要匹配的一个或多个重要信息片段；
基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照所述待识别电力施工信息将所述第一数量个施工违章预处理规则进行规则匹配分析；
在所述待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，得到用于对所述待识别电力施工现场进行违章预估的目标电力违章预估网络；
通过所述目标电力违章预估网络，基于所述待识别电力施工信息，将所述待识别电力施工现场进行违章预估，输出所述待识别电力施工现场的违章预估数据，以及，基于所述待识别电力施工现场的违章预估数据，确定所述待识别电力施工现场是否属于违章电力施工现场。
在一些优选的实施例中，在上述基于人工智能算法的电力施工现场违章识别方法中，所述电力施工现场违章识别方法还包括：
提取到用于对候选电力违章预估网络进行更新的多个候选电力施工现场的电力施工信息和第一数量个施工违章预处理规则；
基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照各个候选电力施工现场的电力施工信息，分别将所述第一数量个施工违章预处理规则进行规则匹配分析；
在所述多个候选电力施工现场中，确定出匹配到了至少一个施工违章预处理规则的电力施工信息对应的候选电力施工现场，并标记为所述候选电力违章预估网络的训练电力施工现场；
依据各训练电力施工现场的电力施工信息匹配到的施工违章预处理规则对应的施工现场违章种类，将各所述训练电力施工现场的电力施工信息进行按照施工现场违章种类的信息分类，形成对应的多个电力施工信息簇，一个电力施工信息簇对应一个施工现场违章种类；
通过每一个电力施工信息簇分别对所述候选电力违章预估网络进行网络更新处理，输出多个施工现场违章种类下的目标电力违章预估网络，一个目标电力违章预估网络用于基于任意一个力施工现场的电力施工信息，估计出所述任意一个力施工现场属于对应的施工现场违章种类的可能性。
在一些优选的实施例中，在上述基于人工智能算法的电力施工现场违章识别方法中，任意一个施工违章预处理规则还用于反映相应的各个重要信息片段之间的关联关系信息；
所述基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照各个候选电力施工现场的电力施工信息，分别将所述第一数量个施工违章预处理规则进行规则匹配分析的步骤，包括：
对于任意一个候选电力施工现场的电力施工信息，轮询所述第一数量个施工违章预处理规则，形成轮询到的目标施工违章预处理规则；
基于所述目标施工违章预处理规则中的各个重要信息片段和关联关系信息，分析出所述任意一个候选电力施工现场的电力施工信息需要匹配到的目标重要信息片段，以及，从所述任意一个候选电力施工现场的电力施工信息中，对所述目标重要信息片段筛选；
在筛选到所述目标重要信息片段的时候，确定所述任意一个候选电力施工现场的电力施工信息匹配到所述目标施工违章预处理规则；
在没有筛选到所述目标重要信息片段的时候，对所述第一数量个施工违章预处理规则继续进行轮询处理。
在一些优选的实施例中，在上述基于人工智能算法的电力施工现场违章识别方法中，所述通过每一个电力施工信息簇分别对所述候选电力违章预估网络进行网络更新处理，输出多个施工现场违章种类下的目标电力违章预估网络的步骤，包括：
依据任意一个电力施工信息簇中的电力施工信息，形成第二数量个有标识信息和第三数量个无标识信息组合，一个有标识信息包括一个有标识训练电力施工现场的种类配置标识和相应的电力施工信息，一个无标识信息组合包括一个无标识训练电力施工现场的电力施工信息和对电力施工信息进行扩展操作形成的电力施工扩展信息；
通过所述候选电力违章预估网络，基于每一个有标识信息中的电力施工信息，将相应的有标识训练电力施工现场进行违章预估，输出每一个有标识训练电力施工现场的目标违章预估数据；
通过所述候选电力违章预估网络，基于种类同样化的预估方向，按照每一个无标识信息组合中的电力施工信息和相应的电力施工扩展信息，将相应的无标识训练电力施工现场分别进行违章预估，输出每一个无标识训练电力施工现场的两个违章预估数据；
基于每一个所述有标识训练电力施工现场的目标违章预估数据和相应的种类配置标识、每一个所述无标识训练电力施工现场的两个违章预估数据之间的区别信息，对所述候选电力违章预估网络的网络参数进行更新，输出所述任意一个电力施工信息簇对应的施工现场违章种类下的目标电力违章预估网络。
在一些优选的实施例中，在上述基于人工智能算法的电力施工现场违章识别方法中，所述依据任意一个电力施工信息簇中的电力施工信息，形成第二数量个有标识信息和第三数量个无标识信息组合的步骤，包括：
在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇，以及，基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，将所述电力施工信息更新簇中的多个训练电力施工现场进行冗余筛选操作，输出第二数量个训练电力施工现场；
提取到所述第二数量个训练电力施工现场的种类配置标识，以及，对所述第二数量个训练电力施工现场进行标记，使得被标记为第二数量个有标识训练电力施工现场，再基于所述第二数量个有标识训练电力施工现场的种类配置标识和相应的电力施工信息，组合形成第二数量个有标识信息；
在所述多个训练电力施工现场包括的所述第二数量个训练电力施工现场之外的其它训练电力施工现场中，确定出第三数量个无标识训练电力施工现场，以及，将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息；
通过每一个所述无标识训练电力施工现场的电力施工信息和相应的电力施工扩展信息，组合形成对应的第三数量个无标识信息组合。
在一些优选的实施例中，在上述基于人工智能算法的电力施工现场违章识别方法中，所述在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇，以及，基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，将所述电力施工信息更新簇中的多个训练电力施工现场进行冗余筛选操作，输出第二数量个训练电力施工现场的步骤，包括：
在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇；
基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，挖掘出各所述训练电力施工现场的电力施工现场向量；
确定出散列数据集，所述散列数据集中包括一个或多个向量簇；
对各所述训练电力施工现场的电力施工现场向量进行加载，使得依次加载到所述散列数据集中的各向量簇中；
确定目前需要加载到所述散列数据集的目标训练电力施工现场的目标电力施工现场向量，以及，基于目标散列算法，将所述目标电力施工现场向量进行散列映射处理，并基于散列映射的输出数据为所述目标电力施工现场向量在所述散列数据集中确定出对应的目标向量簇；
基于所述目标电力施工现场向量和所述目标向量簇中已经包括的各历史电力施工现场向量之间的向量匹配参数，在各所述历史电力施工现场向量对应的训练电力施工现场中，确定出所述目标训练电力施工现场的匹配训练电力施工现场；
在确定出所述匹配训练电力施工现场的时候，将所述目标电力施工现场向量分配到所述目标向量簇，在没有确定出所述匹配训练电力施工现场的时候，将所述目标电力施工现场向量分配到所述目标向量簇，并将所述目标训练电力施工现场分配到待配置标识施工现场簇中；
在各所述训练电力施工现场的电力施工现场向量都分配到所述散列数据集之后，对所述待配置标识施工现场簇中的训练电力施工现场进行标记，使得被标记为对所述多个训练电力施工现场进行冗余筛选操作后的第二数量个训练电力施工现场。
在一些优选的实施例中，在上述基于人工智能算法的电力施工现场违章识别方法中，所述在所述多个训练电力施工现场包括的所述第二数量个训练电力施工现场之外的其它训练电力施工现场中，确定出第三数量个无标识训练电力施工现场，以及，将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息的步骤，包括：
基于所述第二数量个有标识信息，将所述候选电力违章预估网络进行网络监督学习，形成对应的中间电力违章预估网络；
提取到所述多个训练电力施工现场中所述第二数量个训练电力施工现场之外的其它训练电力施工现场，以及，对所述其它训练电力施工现场中的各个训练电力施工现场进行标记，使得被标记为待定训练电力施工现场；
通过所述中间电力违章预估网络，基于各个待定训练电力施工现场的电力施工信息，将各所述待定训练电力施工现场进行违章预估，以及，基于预估出的各个违章预估数据分别确定各所述待定训练电力施工现场的种类预估标识；
基于各所述待定训练电力施工现场的种类预估标识，将各所述待定训练电力施工现场进行种类数量平衡操作，以及，基于种类数量平衡操作的输出数据，在全部的待定训练电力施工现场中选取第三数量个待定训练电力施工现场，以标记为第三数量个无标识训练电力施工现场；
将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息。
在一些优选的实施例中，在上述基于人工智能算法的电力施工现场违章识别方法中，所述将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息的步骤，包括：
在第i个无标识训练电力施工现场的电力施工信息中，确定出至少一个电力施工现场图像信息；
分别对每一个确定出的电力施工现场图像信息进行图像特征域的转换，输出基于目标图像特征域进行表示的数据，从而形成每一个所述确定出的电力施工现场图像信息对应的电力施工现场特征域信息，所述目标图像特征属于时间域或频率域；
将每一个所述确定出的电力施工现场图像信息对应的电力施工现场特征域信息进行图像特征域的还原，输出对应的电力施工现场图像还原信息；
基于每一个所述确定出的电力施工现场图像信息的电力施工现场图像还原信息和所述第i个无标识训练电力施工现场的电力施工信息中没有被确定出的电力施工现场图像信息，确定出所述第i个无标识训练电力施工现场的电力施工扩展信息。
在一些优选的实施例中，在上述基于人工智能算法的电力施工现场违章识别方法中，任意一个电力施工信息包括多个图像监控角度下的电力施工现场图像信息，所述候选电力违章预估网络包括每一个图像监控角度对应的关键信息挖掘单元、向量聚合单元和违章预估单元；
所述通过所述候选电力违章预估网络，基于每一个有标识信息中的电力施工信息，将相应的有标识训练电力施工现场进行违章预估，输出每一个有标识训练电力施工现场的目标违章预估数据的步骤，包括：
对于任意一个有标识训练电力施工现场，分别通过所述候选电力违章预估网络中的每一个关键信息挖掘单元，将相应的有标识信息中的电力施工信息中相应的图像监控角度下的电力施工现场图像信息进行单独的关键信息挖掘，输出各电力施工现场图像信息的电力施工现场图像向量；
通过所述向量聚合单元基于聚焦特征分析规则，将各所述电力施工现场图像信息的电力施工现场图像向量进行向量关联挖掘操作，输出所述任意一个有标识训练电力施工现场对应的电力施工现场图像聚合向量；
通过所述违章预估单元，基于所述电力施工现场图像聚合向量，将所述任意一个有标识训练电力施工现场进行违章预估，输出所述任意一个有标识训练电力施工现场的目标违章预估数据。
本发明实施例还提供一种基于人工智能算法的电力施工现场违章识别系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于人工智能算法的电力施工现场违章识别方法。
本发明实施例提供的基于人工智能算法的电力施工现场违章识别方法及系统，可以先提取待识别电力施工现场的待识别电力施工信息和第一数量个施工违章预处理规则；按照待识别电力施工信息将第一数量个施工违章预处理规则进行规则匹配分析；在待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，得到目标电力违章预估网络；通过目标电力违章预估网络，基于待识别电力施工信息，将待识别电力施工现场进行违章预估，输出违章预估数据，基于待识别电力施工现场的违章预估数据，确定是否属于违章电力施工现场。基于前述的内容，由于在进行目标电力违章预估网络进行违章预估之前，会先基于施工违章预处理规则进行前置性的匹配分析，使得只有在待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，在进行后续的处理，即使得后续处理的数据是有效的、可靠的，从而可以在一定程度上提高电力施工现场违章识别的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的基于人工智能算法的电力施工现场违章识别系统的结构框图。
图2为本发明实施例提供的基于人工智能算法的电力施工现场违章识别方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于人工智能算法的电力施工现场违章识别装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于人工智能算法的电力施工现场违章识别系统。其中，所述基于人工智能算法的电力施工现场违章识别系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于人工智能算法的电力施工现场违章识别方法。
示例性的，在一种具体的应用中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
示例性的，在一种具体的应用中，所述基于人工智能算法的电力施工现场违章识别系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于人工智能算法的电力施工现场违章识别方法，可应用于上述基于人工智能算法的电力施工现场违章识别系统。其中，所述基于人工智能算法的电力施工现场违章识别方法有关的流程所定义的方法步骤，可以由所述基于人工智能算法的电力施工现场违章识别系统实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，提取待识别电力施工现场的待识别电力施工信息和第一数量个施工违章预处理规则。
在本发明实施例中，所述基于人工智能算法的电力施工现场违章识别系统可以提取待识别电力施工现场的待识别电力施工信息和第一数量个施工违章预处理规则，一个施工违章预处理规则用于反映一种施工现场违章种类下的电力施工现场的电力施工信息需要匹配的一个或多个重要信息片段，所述待识别电力施工信息可以是对电力施工现场进行图像采集形成的图像信息，基于此，所述重要信息片段可以是一帧图像或图像中的部分区域，基于此，施工违章预处理规则可以理解为图像集和图像区域集。施工现场违章种类可以根据实际需求进行配置，例如，可以分为以下几类：
个人防护不当类：未按规定佩戴个人防护装备，没有戴好安全帽、安全鞋等；施工工艺和操作规程不合规类：未严格执行施工工艺和操作规程，在禁止施工的时间和区域进行作业；设备使用不当类：使用过期或损坏的施工设备，使用年限已满或无有效检验合格证明的起重机械、电气设备等；安全距离不符合要求类：违反安全距离要求，未按规定的安全距离要求设置施工区域；电气安全操作违规类：违反电气安全操作规范，擅自改变、停电线路作业，未正确接地、绝缘设备等；火灾安全违规类：违反火灾安全规定，在易燃易爆区域吸烟、使用明火，或使用不符合要求的电焊设备等；缺乏安全警示标识类：未进行必要的安全警示标识，未设置警示牌、警示标志，或未清晰标明禁止通行区域；安全检查和监测不到位类：未按要求进行安全检查和监测，未定期对电气设备、施工材料、临时用电线路等进行安全检查和性能监测。
基于此，针对个人防护不当类，施工违章预处理规则可以是包括施工人员的图像或包括施工人员的图像区域，也就是说，如果图像中都没有施工人员，也就无法预估是否存在个人防护不当。
步骤S120，基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照所述待识别电力施工信息将所述第一数量个施工违章预处理规则进行规则匹配分析。
在本发明实施例中，所述基于人工智能算法的电力施工现场违章识别系统可以基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照所述待识别电力施工信息将所述第一数量个施工违章预处理规则进行规则匹配分析，如提取出所述待识别电力施工信息中的信息片段，然后，可以将该信息片段与所述重要信息片段进行对比，具体的对比分析，根据实际情况不同，可以有不同的选择，如基于前述的举例，针对个人防护不当类，可以将所述待识别电力施工信息和表征施工人员的重要信息片段进行对比，以确定所述待识别电力施工信息中是否具有施工人员，具体来说，可以进行图像相似度的计算，以及，在计算出的图像相似度大于或等于预设图像相似度的情况下，确定是匹配的，反之，是不匹配的。所述预设图像相似度的具体数值不受限制，如0.85等数值。
步骤S130，在所述待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，得到用于对所述待识别电力施工现场进行违章预估的目标电力违章预估网络。
在本发明实施例中，所述基于人工智能算法的电力施工现场违章识别系统可以在所述待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，得到用于对所述待识别电力施工现场进行违章预估的目标电力违章预估网络。所述目标电力违章预估网络可以是一种神经网络。另外，若待识别电力施工信息匹配到至少一个施工违章预处理规则，则可将被匹配到的施工违章预处理规则对应的施工现场违章种类下的目标电力违章预估网络，确定为用于对待识别电力施工现场进行违章预估的目标电力违章预估网络。其中，任意一个施工现场违章种类下的目标电力违章预估网络，都可以基于后续的网络学习形成。
步骤S140，通过所述目标电力违章预估网络，基于所述待识别电力施工信息，将所述待识别电力施工现场进行违章预估，输出所述待识别电力施工现场的违章预估数据，以及，基于所述待识别电力施工现场的违章预估数据，确定所述待识别电力施工现场是否属于违章电力施工现场。
在本发明实施例中，所述基于人工智能算法的电力施工现场违章识别系统可以通过所述目标电力违章预估网络，基于所述待识别电力施工信息，将所述待识别电力施工现场进行违章预估，输出所述待识别电力施工现场的违章预估数据，以及，基于所述待识别电力施工现场的违章预估数据，确定所述待识别电力施工现场是否属于违章电力施工现场。所述目标电力违章预估网络可以预先学习到电力施工信息和违章数据之间的映射关系，使得可以基于该映射关系，对所述待识别电力施工信息进行映射，从而得到所述违章预估数据。示例性地，所述违章预估数据可以包括所述待识别电力施工现场属于违章电力施工现场的可能性和所述待识别电力施工现场不属于违章电力施工现场的可能性，因此，可以基于较大的可能性对应的数据，确定所述待识别电力施工现场是否属于违章电力施工现场，如属于个人防护不当类的违章电力施工现场。
基于前述的内容，由于在进行目标电力违章预估网络进行违章预估之前，会先基于施工违章预处理规则进行前置性的匹配分析，使得只有在待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，再进行后续的处理，即使得后续处理的数据是有效的、可靠的，从而可以在一定程度上提高电力施工现场违章识别的可靠度。
示例性的，在一种具体的应用中，为了使得所述目标电力违章预估网络学习到电力施工信息和违章数据之间的映射关系，所述基于人工智能算法的电力施工现场违章识别方法还可以包括以下各步骤：
提取到用于对候选电力违章预估网络进行更新的多个候选电力施工现场的电力施工信息和第一数量个施工违章预处理规则；
基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照各个候选电力施工现场的电力施工信息，分别将所述第一数量个施工违章预处理规则进行规则匹配分析；
在所述多个候选电力施工现场中，确定出匹配到了至少一个施工违章预处理规则的电力施工信息对应的候选电力施工现场，并标记为所述候选电力违章预估网络的训练电力施工现场；
依据各训练电力施工现场的电力施工信息匹配到的施工违章预处理规则对应的施工现场违章种类，将各所述训练电力施工现场的电力施工信息进行按照施工现场违章种类的信息分类，形成对应的多个电力施工信息簇，一个电力施工信息簇对应一个施工现场违章种类；
通过每一个电力施工信息簇分别对所述候选电力违章预估网络进行网络更新处理，输出多个施工现场违章种类下的目标电力违章预估网络，一个目标电力违章预估网络用于基于任意一个力施工现场的电力施工信息，估计出所述任意一个力施工现场属于对应的施工现场违章种类的可能性。
基于此，通过预先针对每一个施工现场违章种类的违章预估子任务，分别设置相应的施工违章预处理规则，可以完成每一个施工现场违章种类对应的电力施工信息的筛选，这样可以缩小用于训练候选电力违章预估网络的电力施工信息的检索范围，以便于后续候选电力违章预估网络的学习。
其中，针对上述的各步骤，举例说明：
假设有一组候选电力施工现场图像数据集，其中，包含20个候选电力施工现场图像。同时，有5个施工违章预处理规则和5个施工现场违章种类，且它们一一对应。基于每一个施工违章预处理规则反映的重要信息片段，按照候选电力施工现场的电力施工信息，对这5个施工违章预处理规则进行规则匹配分析。例如，在第一个规则中，提取与人员相关的重要信息片段，并计算该片段与候选电力施工现场的人员信息之间的相似度。在20个候选电力施工现场中，确定那些匹配到至少一个施工违章预处理规则的电力施工信息对应的候选电力施工现场，并将其标记为训练电力施工现场。假设有10个候选电力施工现场匹配到了至少一个规则。依据每一个训练电力施工现场匹配到的施工违章预处理规则对应的施工现场违章种类，将训练电力施工现场的电力施工信息进行按照施工现场违章种类的信息分类，形成对应的多个电力施工信息簇。由于有5个施工现场违章种类与5个施工违章预处理规则一一对应，可以形成5个电力施工信息簇，每一个簇对应一种施工现场违章种类。通过每一个电力施工信息簇分别对所述候选电力违章预估网络进行网络更新处理，输出多个施工现场违章种类下的目标电力违章预估网络。每一个目标电力违章预估网络用于基于任意一个电力施工现场的电力施工信息，估计出该电力施工现场属于对应的施工现场违章种类的可能性。
在其它示例中，也可以有其它的匹配情况，例如：
示例性的，在一种具体的应用中，任意一个施工违章预处理规则还用于反映相应的各个重要信息片段之间的关联关系信息，即逻辑上的关系，如和、或关系，基于此，所述基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照各个候选电力施工现场的电力施工信息，分别将所述第一数量个施工违章预处理规则进行规则匹配分析的步骤，可以包括：
对于任意一个候选电力施工现场的电力施工信息，轮询所述第一数量个施工违章预处理规则，形成轮询到的目标施工违章预处理规则；
基于所述目标施工违章预处理规则中的各个重要信息片段和关联关系信息，分析出所述任意一个候选电力施工现场的电力施工信息需要匹配到的目标重要信息片段，以及，从所述任意一个候选电力施工现场的电力施工信息中，对所述目标重要信息片段筛选；
在筛选到所述目标重要信息片段的时候，确定所述任意一个候选电力施工现场的电力施工信息匹配到所述目标施工违章预处理规则；
在没有筛选到所述目标重要信息片段的时候，对所述第一数量个施工违章预处理规则继续进行轮询处理。
其中，针对上述的各步骤，举例说明：
假设正在处理第一个候选电力施工现场，依次轮询这3个施工违章预处理规则，获取到目标施工违章预处理规则 1、规则2、规则3。考虑目标施工违章预处理规则1，该规则涉及人员和设备两个重要信息片段，并且这两个信息片段之间是"和"的关系，即需要同时具有两个重要信息片段，例如，目标施工违章预处理规则相应的施工现场违章种类属于未经许可的人员使用了危险电力设备，因此，需要对人员和设备两个方向的信息进行确定，且需要同时存在。分析候选电力施工现场的电力施工信息，筛选出与规则中要求的人员和设备相关的信息片段。如果在第一个候选电力施工现场中找到了与目标施工违章预处理规则1中要求的人员和设备相关的信息片段，那么可以确定这个候选电力施工现场的电力施工信息匹配到了目标施工违章预处理规则1，即同时存在人员和设备。如果在第一个候选电力施工现场中没有找到与目标施工违章预处理规则 1 中要求的人员和设备相关的信息片段，那么继续轮询下一个目标施工违章预处理规则，即规则2，直到遍历完所有目标施工违章预处理规则。
示例性的，在一种具体的应用中，所述通过每一个电力施工信息簇分别对所述候选电力违章预估网络进行网络更新处理，输出多个施工现场违章种类下的目标电力违章预估网络的步骤，可以包括：
依据任意一个电力施工信息簇中的电力施工信息，形成第二数量个有标识信息和第三数量个无标识信息组合，一个有标识信息包括一个有标识训练电力施工现场的种类配置标识和相应的电力施工信息，一个无标识信息组合包括一个无标识训练电力施工现场的电力施工信息和对电力施工信息进行扩展操作形成的电力施工扩展信息；
通过所述候选电力违章预估网络，基于每一个有标识信息中的电力施工信息，将相应的有标识训练电力施工现场进行违章预估，输出每一个有标识训练电力施工现场的目标违章预估数据；
通过所述候选电力违章预估网络，基于种类同样化的预估方向，按照每一个无标识信息组合中的电力施工信息和相应的电力施工扩展信息，将相应的无标识训练电力施工现场分别进行违章预估，输出每一个无标识训练电力施工现场的两个违章预估数据，其中，种类同样化的预估方向是指：基于同一个无标识信息组合中的电力施工信息预估得到的违章预估数据，和基于相应的电力施工扩展信息预估得到的违章预估数据应该具有一致的可能性分布，种类同样化的预估方向相当于给网络的泛化能力提出了目标，并以大量的无标识信息组合来指导网络朝着这个目标收敛；也就是说，分别通过所述候选电力违章预估网络，对一个无标识信息组合中的电力施工信息和相应的电力施工扩展信息分别进行违章预估，处理方式可以一样，且与前述的将相应的有标识训练电力施工现场进行违章预估也一样；
基于每一个所述有标识训练电力施工现场的目标违章预估数据和相应的种类配置标识、每一个所述无标识训练电力施工现场的两个违章预估数据之间的区别信息，对所述候选电力违章预估网络的网络参数进行更新，输出所述任意一个电力施工信息簇对应的施工现场违章种类下的目标电力违章预估网络，基于此，可以实现候选电力违章预估网络的无监督学习和有监督学习，在保障学习的可靠度的情况下，还能够减少标识的配置。
示例性的，在一种具体的应用中，所述依据任意一个电力施工信息簇中的电力施工信息，形成第二数量个有标识信息和第三数量个无标识信息组合的步骤，可以包括：
在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇，以及，基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，将所述电力施工信息更新簇中的多个训练电力施工现场进行冗余筛选操作，输出第二数量个训练电力施工现场；示例性地，可采用任意一个电力施工信息簇中的所有训练电力施工现场的电力施工信息构建电力施工信息更新簇；或者，从任意一个电力施工信息簇中随机选取多个训练电力施工现场的电力施工信息构建电力施工信息更新簇；又或者，按照预设比例将任意一个电力施工信息簇划分成三个子簇，将三个子簇中的第一个子簇作为电力施工信息更新簇，即采用第一个子簇中的各训练电力施工现场的电力施工信息构建电力施工信息更新簇；此情况下，可将第二个子簇作为后续网络验证所需的验证簇，将第三个子簇作为后续网络测试所需的测试簇；其中，预设比例可以根据实际需求设置，例如，预设比例可以设置为3：3：4，即可将任意一个电力施工信息簇均分为10份，前3份数据构成第一个子簇，第4份数据-第6份数据构成第二个子簇，后4份数据构成第三个子簇；
提取到所述第二数量个训练电力施工现场的种类配置标识，以及，对所述第二数量个训练电力施工现场进行标记，使得被标记为第二数量个有标识训练电力施工现场，再基于所述第二数量个有标识训练电力施工现场的种类配置标识和相应的电力施工信息，组合形成第二数量个有标识信息；
在所述多个训练电力施工现场包括的所述第二数量个训练电力施工现场之外的其它训练电力施工现场中，确定出第三数量个无标识训练电力施工现场，以及，将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息，如此，可以进行无监督的对比学习；
通过每一个所述无标识训练电力施工现场的电力施工信息和相应的电力施工扩展信息，组合形成对应的第三数量个无标识信息组合，即一个无标识信息组合包括一个所述无标识训练电力施工现场的电力施工信息和相应的电力施工扩展信息。
示例性的，在一种具体的应用中，所述在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇，以及，基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，将所述电力施工信息更新簇中的多个训练电力施工现场进行冗余筛选操作，输出第二数量个训练电力施工现场的步骤，可以包括：
在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇，如前相关描述；
基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，挖掘出各所述训练电力施工现场的电力施工现场向量，也就是说，可以将电力施工信息进行向量化处理；
确定出散列数据集，所述散列数据集中包括一个或多个向量簇；
对各所述训练电力施工现场的电力施工现场向量进行加载，使得依次加载到所述散列数据集中的各向量簇中；
确定目前需要加载到所述散列数据集的目标训练电力施工现场的目标电力施工现场向量，以及，基于目标散列算法，将所述目标电力施工现场向量进行散列映射处理，并基于散列映射的输出数据为所述目标电力施工现场向量在所述散列数据集中确定出对应的目标向量簇，散列映射处理可以基于Locality-Sensitive Hashing算法实现，例如，可以将所述目标电力施工现场向量进行哈希映射，得到对应的哈希映射数据，以及，将向量簇的簇中心进行哈希映射，得到对应的哈希映射数据，然后，可以计算两个哈希映射数据之间的距离，并将距离最小的向量簇作为目标向量簇，由于，初始的时候，向量簇为空，因此，初始的时候，可以任意分配；
基于所述目标电力施工现场向量和所述目标向量簇中已经包括的各历史电力施工现场向量之间的向量匹配参数，如对向量进行余弦相似度的计算，在各所述历史电力施工现场向量对应的训练电力施工现场中，确定出所述目标训练电力施工现场的匹配训练电力施工现场，如确定出向量匹配参数最大的训练电力施工现场作为匹配训练电力施工现场；
在确定出所述匹配训练电力施工现场的时候，将所述目标电力施工现场向量分配到所述目标向量簇，在没有确定出所述匹配训练电力施工现场的时候，将所述目标电力施工现场向量分配到所述目标向量簇，并将所述目标训练电力施工现场分配到待配置标识施工现场簇中，所述待配置标识施工现场簇最开始的时候，可以为空；
在各所述训练电力施工现场的电力施工现场向量都分配到所述散列数据集之后，对所述待配置标识施工现场簇中的训练电力施工现场进行标记，使得被标记为对所述多个训练电力施工现场进行冗余筛选操作后的第二数量个训练电力施工现场。
举例来说，可以创建一个散列数据集，其中包括两个向量簇。将每一个训练电力施工现场的电力施工现场向量依次加载到散列数据集的各向量簇中。假设有4个训练电力施工现场，每一个现场有一个电力施工现场向量。确定需要加载到散列数据集的目标训练电力施工现场，并使用局部敏感哈希（LSH）算法对目标电力施工现场向量进行散列映射处理。假设目标电力施工现场是第3个训练电力施工现场，其对应的向量为V3。根据散列映射的输出数据，在散列数据集中确定目标电力施工现场向量V3对应的目标向量簇。假设经过散列映射处理，V3被分配到第二个向量簇。基于目标电力施工现场向量V3和目标向量簇中已有的历史电力施工现场向量之间的向量匹配参数，通过比较向量之间的相似性，确定目标训练电力施工现场的匹配训练电力施工现场。假设在目标向量簇中已有两个历史电力施工现场向量，如H1和H2，其中，H2与V3相似度较高，则将H2对应的训练电力施工现场作为匹配训练电力施工现场。
基于前述的内容，在各训练电力施工现场的电力施工现场向量均进入散列数据集后，便可得到最终的待配置标识施工现场簇，该待配置标识施工现场簇中的训练电力施工现场属于较不相似的训练电力施工现场，其具有更大的标识价值；因此，可将待配置标识施工现场簇中的训练电力施工现场，确定为对多个训练电力施工现场进行冗余筛选操作后的第二数量个训练电力施工现场，以便于对待配置标识施工现场簇中的各训练电力施工现场进行种类标识，使得网络学习的可靠度更高。
其中，示例性的，在一种具体的应用中，在确定出所述匹配训练电力施工现场的时候，所述在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇，以及，基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，将所述电力施工信息更新簇中的多个训练电力施工现场进行冗余筛选操作，输出第二数量个训练电力施工现场的步骤，还可以包括：
基于所述目标训练电力施工现场的电力施工信息和所述匹配训练电力施工现场的电力施工信息，分析出所述目标训练电力施工现场和所述匹配训练电力施工现场之间的施工现场匹配参数，例如，直接对电力施工信息进行相似度的计算，如图像相似度的计算；
在所述施工现场匹配参数小于或等于预先配置的参考施工现场匹配参数的情况下，将所述目标训练电力施工现场分配到所述待配置标识施工现场簇中，所述参考施工现场匹配参数的具体数值不受限制，如0.6等数值。
其中，示例性的，在一种具体的应用中，所述任意一个电力施工信息包括多个电力施工现场图像信息，所述多个电力施工现场图像信息可以是针对多个图像监控角度进行图像信息采集得到，基于此，所述基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，挖掘出各所述训练电力施工现场的电力施工现场向量的步骤，可以包括：
对于所述电力施工信息更新簇中的任意一个训练电力施工现场，对所述任意一个训练电力施工现场的电力施工信息中对于所述任意一个训练电力施工现场具有代表性的电力施工现场图像信息进行标记，使得被标记为所述任意一个训练电力施工现场的目标电力施工现场图像信息，示例性地，具有代表性的电力施工现场图像信息可以是指；举例来说，一次高压线路安装的电力施工过程，包括以下几个部分：线杆架设、电缆敷设和绝缘操作；在线杆架设的过程中，施工人员需要佩戴个人防护装备，如安全帽和安全鞋，在电缆敷设的过程中，施工人员需要按照规定的工艺流程进行操作，在绝缘操作过程中，施工人员需要使用符合要求的绝缘设备，并保持足够的安全距离；基于此，针对个人防护不当类，图像监控角度为施工人员所在角度的电力施工现场图像信息，就属于具有代表性的电力施工现场图像信息，而图像监控角度为施工区域所在角度的电力施工现场图像信息，就不属于具有代表性的电力施工现场图像信息（但是，该电力施工现场图像信息，可以作为施工工艺和操作规程不合规类对应的具有代表性的电力施工现场图像信息），其中，图像监控角度可以是指图像采集的对象；
将所述电力施工信息更新簇中的各训练电力施工现场的目标电力施工现场图像信息进行图像分割操作，形成各所述训练电力施工现场对应的各分割图像单元，以及，基于各所述训练电力施工现场对应的分割图像单元，确定出各所述训练电力施工现场的图像单元数量分布；示例性地，在目标电力施工现场图像信息属于一帧图像的时候，分割图像单元可以一个图像中的局部区域，在目标电力施工现场图像信息属于多帧连续的图像的时候，分割图像单元可以为一个或多个图像，所述图像单元数量分布可以包括各种分割图像单元的出现数量，即相同的分割图像单元的数量，基于此，图像单元数量分布可以为{第一种分割图像单元：3，第二种分割图像单元：3，第三种分割图像单元：11，第四种分割图像单元：8}，数值表示数量；
将各所述训练电力施工现场的图像单元数量分布分别进行特征空间映射操作，形成各所述训练电力施工现场的特征空间映射结果，特征空间映射操作可以是指Embedding操作，如果具有具体的图像信息，可以是卷积；
对各所述训练电力施工现场的特征空间映射结果进行标记，使得被标记为各所述训练电力施工现场的电力施工现场向量，在其它实施方式中，也可以进一步对特征空间映射结进行卷积或滤波，得到电力施工现场向量；在其它实施方式中，也可以直接将目标电力施工现场图像信息进行卷积处理，以得到所述训练电力施工现场的电力施工现场向量。
示例性的，在一种具体的应用中，所述在所述多个训练电力施工现场包括的所述第二数量个训练电力施工现场之外的其它训练电力施工现场中，确定出第三数量个无标识训练电力施工现场，以及，将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息的步骤，可以包括：
基于所述第二数量个有标识信息，将所述候选电力违章预估网络进行网络监督学习，形成对应的中间电力违章预估网络；示例性地，通过候选电力违章预估网络根据第二数量个有标识信息中的各个有标识训练电力施工现场的电力施工信息，分别对各个有标识训练电力施工现场进行违章预估，得到各个有标识训练电力施工现场的初始违章预估数据；任意一个有标识训练电力施工现场的初始违章预估数据可包括任意一个有标识训练电力施工现场属于候选电力违章预估网络中的各个种类标识所反映的施工现场违章种类的预估可能性；然后，可将每一个有标识训练电力施工现场的初始违章预估数据中最大预估可能性对应的种类标识，作为每一个有标识训练电力施工现场的违章预估标识；并基于各个有标识训练电力施工现场的违章预估标识和相应的种类配置标识之间的差异，计算候选电力违章预估网络通过第二数量个有标识信息产生的目标代价值，从而利用该目标损代价值进行梯度回传，以优化候选电力违章预估网络的参数，从而形成对应的中间电力违章预估网络；
提取到所述多个训练电力施工现场中所述第二数量个训练电力施工现场之外的其它训练电力施工现场，以及，对所述其它训练电力施工现场中的各个训练电力施工现场进行标记，使得被标记为待定训练电力施工现场；
通过所述中间电力违章预估网络，基于各个待定训练电力施工现场的电力施工信息，将各所述待定训练电力施工现场进行违章预估，以及，基于预估出的各个违章预估数据分别确定各所述待定训练电力施工现场的种类预估标识（如最大预估可能性对应的种类标识），举例来说，设任意一个电力施工信息簇对应的施工现场违章种类为个人防护不当类，且中间电力违章预估网络包括：用于反映个人防护不当类的种类标识1，以及用于反映非个人防护不当类的种类标识2，那么，若任意一个待定训练电力施工现场的违章预估数据如下：种类标识1对应的预估可能性为0.3，种类标识2对应的预估可能性为0.7；则由于该违章预估数据中的最大预估可能性为0.7，而0.7对应的种类标识不是用于反映个人防护不当类的种类标识1，因此，可将第一标识作为任意一个待定训练电力施工现场的种类预估标识。若任意一个待定训练电力施工现场的违章预估数据如下：种类标识1对应的预估可能性为0.8，种类标识2对应的预估可能性为0.2；则由于该违章预估数据中的最大预估可能性为0.8，而0.8对应的种类标识是用于反映个人防护不当类的种类标识1，因此，可将第二标识作为任意一个待定训练电力施工现场的种类预估标识；另外，第二标识用于指示任意一个待定训练电力施工现场属于任意一个电力施工信息簇对应的施工现场违章种类，第一标识用于指示任意一个待定训练电力施工现场不属于任意一个电力施工信息簇对应的施工现场违章种类；
基于各所述待定训练电力施工现场的种类预估标识，将各所述待定训练电力施工现场进行种类数量平衡操作，以及，基于种类数量平衡操作的输出数据，在全部的待定训练电力施工现场中选取第三数量个待定训练电力施工现场，以标记为第三数量个无标识训练电力施工现场；示例性地，在根据各个待定训练电力施工现场的种类预估标识，对各个待定训练电力施工现场进行种类数量平衡操作时，可在全部待定训练电力施工现场的种类预估标识中，统计第一标识的数量和第二标识的数量，从数量较小的标识对应的待定训练电力施工现场中，选取第一数目的待定训练电力施工现场，从数量较多的标识对应的待定训练电力施工现场中，选取第二数目的待定训练电力施工现场；例如，若第一标识的数量大于第二标识的数量，则可从第二标识对应的待定训练电力施工现场中，选取第一数目的待定训练电力施工现场，从第一标识对应的待定训练电力施工现场中，选取第二数目的待定训练电力施工现场，第二数目大于或等于第一数目，且第二数目和第一数目之间的比值可以小于预设比值(如2)，将第一数目的待定训练电力施工现场和第二数目的待定训练电力施工现场，都作为无标识训练电力施工现场，此情况下的第三数量等于第一数目和第二数目的总和；
将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息。
示例性的，在一种具体的应用中，所述将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息的步骤，可以包括：
在第i个无标识训练电力施工现场的电力施工信息中，确定出至少一个电力施工现场图像信息，第i个无标识训练电力施工现场可以是指任意的一个无标识训练电力施工现场，确定出至少一个电力施工现场图像信息也可以是任意的，数量也是任意的；
分别对每一个确定出的电力施工现场图像信息进行图像特征域的转换，输出基于目标图像特征域进行表示的数据，从而形成每一个所述确定出的电力施工现场图像信息对应的电力施工现场特征域信息，所述目标图像特征属于时间域或频率域，例如，可以将电力施工现场图像信息转换为频率域的电力施工现场特征域信息，即图像对应的频谱图，例如，可以通过傅里叶变换（DFT）进行图像特征域的转换；
将每一个所述确定出的电力施工现场图像信息对应的电力施工现场特征域信息进行图像特征域的还原，输出对应的电力施工现场图像还原信息，即将频谱图又还原为图像，与图像特征域的转换互逆；
基于每一个所述确定出的电力施工现场图像信息的电力施工现场图像还原信息和所述第i个无标识训练电力施工现场的电力施工信息中没有被确定出的电力施工现场图像信息，确定出所述第i个无标识训练电力施工现场的电力施工扩展信息，也就是说，所述电力施工扩展信息可以包括所述电力施工现场图像还原信息，如此，在实现图像信息扩展的同时，还可以保障扩展后的图像信息的图像语义具有较高的可靠度。
示例性的，在一种具体的应用中，任意一个电力施工信息包括多个图像监控角度下的电力施工现场图像信息（如前相关描述），所述候选电力违章预估网络包括每一个图像监控角度对应的关键信息挖掘单元、向量聚合单元和违章预估单元；示例性地，每一个关键信息挖掘单元可由一个卷积网络层和一个池化层构成，池化层通过对卷积网络层输出的向量进行降采样来实现向量的降维处理，基于此，所述通过所述候选电力违章预估网络，基于每一个有标识信息中的电力施工信息，将相应的有标识训练电力施工现场进行违章预估，输出每一个有标识训练电力施工现场的目标违章预估数据的步骤，可以包括：
对于任意一个有标识训练电力施工现场，分别通过所述候选电力违章预估网络中的每一个关键信息挖掘单元，将相应的有标识信息中的电力施工信息中相应的图像监控角度下的电力施工现场图像信息进行单独的关键信息挖掘，输出各电力施工现场图像信息的电力施工现场图像向量，即先对电力施工现场图像信息进行卷积，然后，对卷积向量进行池化；
通过所述向量聚合单元基于聚焦特征分析规则，将各所述电力施工现场图像信息的电力施工现场图像向量进行向量关联挖掘操作，输出所述任意一个有标识训练电力施工现场对应的电力施工现场图像聚合向量，聚焦特征分析规则可以是基于注意力机制的关联分析；示例性地，可以先定义查询向量（Query Vector）：针对每一个电力施工现场图像向量，定义一个查询向量，查询向量用于衡量当前向量与其他向量之间的相关度；计算相似度得分：通过计算查询向量与其他向量之间的相似度得分来衡量它们的关联程度，这可以使用不同的相似度度量方法，如点积、内积、余弦相似度等；应用注意力权重函数：利用相似度得分来计算注意力权重，这一步骤旨在赋予每一个向量在聚合过程中的重要性或权重，常见的注意力权重函数包括softmax函数、sigmoid函数等；调整注意力权重：根据注意力权重函数的输出，调整注意力权重以确保其总和为1（或是在某些情况下介于0和1之间），这种归一化操作有助于确保注意力权重的有效性和可解释性；聚合操作：将调整后的注意力权重应用到原始电力施工现场图像向量上，通过加权求和的方式进行聚合操作，每一个向量乘以对应的注意力权重，然后将它们累加得到聚合结果，即电力施工现场图像聚合向量基于此，注意力机制可以根据查询向量和相似度得分，自适应地为每一个电力施工现场图像向量分配注意力权重，并利用这些权重进行聚合操作，这样可以突出重要的信息，提高网络对不同电力施工现场的关注程度，并生成具有更好表达能力的电力施工现场图像聚合向量；
通过所述违章预估单元，基于所述电力施工现场图像聚合向量，将所述任意一个有标识训练电力施工现场进行违章预估，输出所述任意一个有标识训练电力施工现场的目标违章预估数据；示例性地，可以先对所述电力施工现场图像聚合向量进行全连接处理，然后，对得到的全连接处理进行映射输出，如通过softmax等函数的处理；也就是说，Softmax函数可以将全连接层的输出转换成一个概率分布，表示各个可能违章类别的概率。
其中，示例性的，在一种具体的应用中，所述基于每一个所述有标识训练电力施工现场的目标违章预估数据和相应的种类配置标识、每一个所述无标识训练电力施工现场的两个违章预估数据之间的区别信息，对所述候选电力违章预估网络的网络参数进行更新，输出所述任意一个电力施工信息簇对应的施工现场违章种类下的目标电力违章预估网络的步骤，可以包括：
基于每一个所述有标识训练电力施工现场的目标违章预估数据和相应的种类配置标识，分析出所述候选电力违章预估网络的监督学习代价指标；也就是说，针对每一个有标识训练电力施工现场的目标违章预估数据和相应的种类配置标识，可以使用监督学习代价指标来衡量候选电力违章预估网络的性能；例如，可以采用交叉熵损失函数作为监督学习代价指标，通过比较网络输出与实际数据之间的差异来衡量网络的误差；
基于每一个所述无标识训练电力施工现场的两个违章预估数据之间的区别信息，分析出所述候选电力违章预估网络的非监督学习代价指标；
将所述监督学习代价指标和所述非监督学习代价指标进行融合，输出所述候选电力违章预估网络对应的网络学习代价总指标；例如，可以将监督学习代价指标和非监督学习代价指标进行融合，可以使用加权求和或其他组合方式，例如，可以设置不同的权重来平衡两种类型的代价指标的重要性，然后将它们相加得到网络学习代价总指标；
基于所述网络学习代价总指标，对所述候选电力违章预估网络的网络参数进行更新，输出所述任意一个电力施工信息簇对应的施工现场违章种类下的目标电力违章预估网络；示例性地，基于计算得到的网络学习代价总指标，可以使用优化算法（如梯度下降）来更新候选电力违章预估网络的参数，通过反向传播算法，根据网络学习代价总指标对网络参数进行梯度计算，并对参数进行适当的调整，以最小化代价指标。
其中，示例性的，在一种具体的应用中，所述基于每一个所述无标识训练电力施工现场的两个违章预估数据之间的区别信息，分析出所述候选电力违章预估网络的非监督学习代价指标的步骤，可以包括：
分别对预估出的每一个无标识训练电力施工现场的两个违章预估数据进行标记，使得被标记为每一个所述无标识训练电力施工现场的两个种类信息，即每一个违章预估数据作为一个种类信息；
基于种类信息优化规则，将每一个所述无标识训练电力施工现场的两个种类信息进行种类信息优化，输出对应的种类信息优化数据；
基于所述种类信息优化数据和至少一个无标识训练电力施工现场的两个种类信息之间的区别信息，分析出所述候选电力违章预估网络的非监督学习代价指标。
其中，示例性的，在一种具体的应用中，所述候选电力违章预估网络包括至少两个种类标识，如前相关描述，任意一个无标识训练电力施工现场的一个种类信息中包括所述任意一个无标识训练电力施工现场属于所述候选电力违章预估网络中的各个种类标识反映的施工现场违章种类的预估可能性，例如，假设某个无标识训练电力施工现场的种类信息中，种类标识1（个人防护不当类）的预估可能性可以为0.6，种类标识2（非个人防护不当类）的预估可能性可以为0.4，基于此，所述基于种类信息优化规则，将每一个所述无标识训练电力施工现场的两个种类信息进行种类信息优化，输出对应的种类信息优化数据的步骤，可以包括：
轮询第三数量个无标识训练电力施工现场，假设目前轮询到的无标识训练电力施工现场的两个种类信息中，存在至少一个种类信息中的最大预估可能性未超过预先配置的参考可能性（如0.5等数值），则将所述目前轮询到的无标识训练电力施工现场和相应的两个种类信息进行隐藏。也就是说，预估出的最大预估可能性小于参考可能性的无标识训练电力施工现场，实际上就是预估效果不好的无标识训练电力施工现场，因此，可以隐藏（如丢弃），即不用于进行非监督学习代价指标的计算；
在所述第三数量个无标识训练电力施工现场轮询完成以后，对隐藏的各个无标识训练电力施工现场，分配到种类信息优化数据中。
其中，示例性的，在一种具体的应用中，所述基于所述种类信息优化数据和至少一个无标识训练电力施工现场的两个种类信息之间的区别信息，分析出所述候选电力违章预估网络的非监督学习代价指标的步骤，可以包括：
对所述第三数量个无标识训练电力施工现场中没有被分配到所述种类信息优化数据中的无标识训练电力施工现场进行标记，使得被标记为可靠的无标识训练电力施工现场；
基于各个可靠的无标识训练电力施工现场的两个种类信息之间的区别信息，确定各所述可靠的无标识训练电力施工现场对应的种类同样化误差指标；示例性地，一个违章预估数据对应一个可能性分布，如此，可以计算两个可能性分布的信息熵之间的差值；
依据各所述可靠的无标识训练电力施工现场对应的种类同样化误差指标，计算出所述候选电力违章预估网络的非监督学习代价指标；示例性地，可以对各所述可靠的无标识训练电力施工现场对应的种类同样化误差指标进行求和计算，得到非监督学习代价指标。
结合图3，本发明实施例还提供一种基于人工智能算法的电力施工现场违章识别装置，可应用于上述基于人工智能算法的电力施工现场违章识别系统。其中，所述基于人工智能算法的电力施工现场违章识别装置包括：
数据提取模块，用于提取待识别电力施工现场的待识别电力施工信息和第一数量个施工违章预处理规则，一个施工违章预处理规则用于反映一种施工现场违章种类下的电力施工现场的电力施工信息需要匹配的一个或多个重要信息片段；规则匹配分析模块，用于基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照所述待识别电力施工信息将所述第一数量个施工违章预处理规则进行规则匹配分析；违章预估网络确定模块，用于在所述待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，得到用于对所述待识别电力施工现场进行违章预估的目标电力违章预估网络；电力施工违章预估模块，用于通过所述目标电力违章预估网络，基于所述待识别电力施工信息，将所述待识别电力施工现场进行违章预估，输出所述待识别电力施工现场的违章预估数据，以及，基于所述待识别电力施工现场的违章预估数据，确定所述待识别电力施工现场是否属于违章电力施工现场。
综上所述，本发明提供的基于人工智能算法的电力施工现场违章识别方法及系统，可以先提取待识别电力施工现场的待识别电力施工信息和第一数量个施工违章预处理规则；按照待识别电力施工信息将第一数量个施工违章预处理规则进行规则匹配分析；在待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，得到目标电力违章预估网络；通过目标电力违章预估网络，基于待识别电力施工信息，将待识别电力施工现场进行违章预估，输出违章预估数据，基于待识别电力施工现场的违章预估数据，确定是否属于违章电力施工现场。基于前述的内容，由于在进行目标电力违章预估网络进行违章预估之前，会先基于施工违章预处理规则进行前置性的匹配分析，使得只有在待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，在进行后续的处理，即使得后续处理的数据是有效的、可靠的，从而提高电力施工现场违章识别的可靠度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能算法的电力施工现场违章识别方法，其特征在于，所述电力施工现场违章识别方法包括：
提取待识别电力施工现场的待识别电力施工信息和第一数量个施工违章预处理规则，一个施工违章预处理规则用于反映一种施工现场违章种类下的电力施工现场的电力施工信息需要匹配的一个或多个重要信息片段；
基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照所述待识别电力施工信息将所述第一数量个施工违章预处理规则进行规则匹配分析；
在所述待识别电力施工信息匹配到至少一个施工违章预处理规则的时候，得到用于对所述待识别电力施工现场进行违章预估的目标电力违章预估网络；
通过所述目标电力违章预估网络，基于所述待识别电力施工信息，将所述待识别电力施工现场进行违章预估，输出所述待识别电力施工现场的违章预估数据，以及，基于所述待识别电力施工现场的违章预估数据，确定所述待识别电力施工现场是否属于违章电力施工现场。
2.如权利要求1所述的基于人工智能算法的电力施工现场违章识别方法，其特征在于，所述电力施工现场违章识别方法还包括：
提取到用于对候选电力违章预估网络进行更新的多个候选电力施工现场的电力施工信息和第一数量个施工违章预处理规则；
基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照各个候选电力施工现场的电力施工信息，分别将所述第一数量个施工违章预处理规则进行规则匹配分析；
在所述多个候选电力施工现场中，确定出匹配到了至少一个施工违章预处理规则的电力施工信息对应的候选电力施工现场，并标记为所述候选电力违章预估网络的训练电力施工现场；
依据各训练电力施工现场的电力施工信息匹配到的施工违章预处理规则对应的施工现场违章种类，将各所述训练电力施工现场的电力施工信息进行按照施工现场违章种类的信息分类，形成对应的多个电力施工信息簇，一个电力施工信息簇对应一个施工现场违章种类；
通过每一个电力施工信息簇分别对所述候选电力违章预估网络进行网络更新处理，输出多个施工现场违章种类下的目标电力违章预估网络，一个目标电力违章预估网络用于基于任意一个力施工现场的电力施工信息，估计出所述任意一个力施工现场属于对应的施工现场违章种类的可能性。
3.如权利要求2所述的基于人工智能算法的电力施工现场违章识别方法，其特征在于，任意一个施工违章预处理规则还用于反映相应的各个重要信息片段之间的关联关系信息；
所述基于所述第一数量个施工违章预处理规则反映的各个重要信息片段，按照各个候选电力施工现场的电力施工信息，分别将所述第一数量个施工违章预处理规则进行规则匹配分析的步骤，包括：
对于任意一个候选电力施工现场的电力施工信息，轮询所述第一数量个施工违章预处理规则，形成轮询到的目标施工违章预处理规则；
基于所述目标施工违章预处理规则中的各个重要信息片段和关联关系信息，分析出所述任意一个候选电力施工现场的电力施工信息需要匹配到的目标重要信息片段，以及，从所述任意一个候选电力施工现场的电力施工信息中，对所述目标重要信息片段筛选；
在筛选到所述目标重要信息片段的时候，确定所述任意一个候选电力施工现场的电力施工信息匹配到所述目标施工违章预处理规则；
在没有筛选到所述目标重要信息片段的时候，对所述第一数量个施工违章预处理规则继续进行轮询处理。
4.如权利要求2所述的基于人工智能算法的电力施工现场违章识别方法，其特征在于，所述通过每一个电力施工信息簇分别对所述候选电力违章预估网络进行网络更新处理，输出多个施工现场违章种类下的目标电力违章预估网络的步骤，包括：
依据任意一个电力施工信息簇中的电力施工信息，形成第二数量个有标识信息和第三数量个无标识信息组合，一个有标识信息包括一个有标识训练电力施工现场的种类配置标识和相应的电力施工信息，一个无标识信息组合包括一个无标识训练电力施工现场的电力施工信息和对电力施工信息进行扩展操作形成的电力施工扩展信息；
通过所述候选电力违章预估网络，基于每一个有标识信息中的电力施工信息，将相应的有标识训练电力施工现场进行违章预估，输出每一个有标识训练电力施工现场的目标违章预估数据；
通过所述候选电力违章预估网络，基于种类同样化的预估方向，按照每一个无标识信息组合中的电力施工信息和相应的电力施工扩展信息，将相应的无标识训练电力施工现场分别进行违章预估，输出每一个无标识训练电力施工现场的两个违章预估数据；
基于每一个所述有标识训练电力施工现场的目标违章预估数据和相应的种类配置标识、每一个所述无标识训练电力施工现场的两个违章预估数据之间的区别信息，对所述候选电力违章预估网络的网络参数进行更新，输出所述任意一个电力施工信息簇对应的施工现场违章种类下的目标电力违章预估网络。
5.如权利要求4所述的基于人工智能算法的电力施工现场违章识别方法，其特征在于，所述依据任意一个电力施工信息簇中的电力施工信息，形成第二数量个有标识信息和第三数量个无标识信息组合的步骤，包括：
在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇，以及，基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，将所述电力施工信息更新簇中的多个训练电力施工现场进行冗余筛选操作，输出第二数量个训练电力施工现场；
提取到所述第二数量个训练电力施工现场的种类配置标识，以及，对所述第二数量个训练电力施工现场进行标记，使得被标记为第二数量个有标识训练电力施工现场，再基于所述第二数量个有标识训练电力施工现场的种类配置标识和相应的电力施工信息，组合形成第二数量个有标识信息；
在所述多个训练电力施工现场包括的所述第二数量个训练电力施工现场之外的其它训练电力施工现场中，确定出第三数量个无标识训练电力施工现场，以及，将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息；
通过每一个所述无标识训练电力施工现场的电力施工信息和相应的电力施工扩展信息，组合形成对应的第三数量个无标识信息组合。
6.如权利要求5所述的基于人工智能算法的电力施工现场违章识别方法，其特征在于，所述在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇，以及，基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，将所述电力施工信息更新簇中的多个训练电力施工现场进行冗余筛选操作，输出第二数量个训练电力施工现场的步骤，包括：
在任意一个电力施工信息簇中，确定出多个训练电力施工现场的电力施工信息，以形成电力施工信息更新簇；
基于所述电力施工信息更新簇中的各训练电力施工现场的电力施工信息，挖掘出各所述训练电力施工现场的电力施工现场向量；
确定出散列数据集，所述散列数据集中包括一个或多个向量簇；
对各所述训练电力施工现场的电力施工现场向量进行加载，使得依次加载到所述散列数据集中的各向量簇中；
确定目前需要加载到所述散列数据集的目标训练电力施工现场的目标电力施工现场向量，以及，基于目标散列算法，将所述目标电力施工现场向量进行散列映射处理，并基于散列映射的输出数据为所述目标电力施工现场向量在所述散列数据集中确定出对应的目标向量簇；
基于所述目标电力施工现场向量和所述目标向量簇中已经包括的各历史电力施工现场向量之间的向量匹配参数，在各所述历史电力施工现场向量对应的训练电力施工现场中，确定出所述目标训练电力施工现场的匹配训练电力施工现场；
在确定出所述匹配训练电力施工现场的时候，将所述目标电力施工现场向量分配到所述目标向量簇，在没有确定出所述匹配训练电力施工现场的时候，将所述目标电力施工现场向量分配到所述目标向量簇，并将所述目标训练电力施工现场分配到待配置标识施工现场簇中；
在各所述训练电力施工现场的电力施工现场向量都分配到所述散列数据集之后，对所述待配置标识施工现场簇中的训练电力施工现场进行标记，使得被标记为对所述多个训练电力施工现场进行冗余筛选操作后的第二数量个训练电力施工现场。
7.如权利要求5所述的基于人工智能算法的电力施工现场违章识别方法，其特征在于，所述在所述多个训练电力施工现场包括的所述第二数量个训练电力施工现场之外的其它训练电力施工现场中，确定出第三数量个无标识训练电力施工现场，以及，将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息的步骤，包括：
基于所述第二数量个有标识信息，将所述候选电力违章预估网络进行网络监督学习，形成对应的中间电力违章预估网络；
提取到所述多个训练电力施工现场中所述第二数量个训练电力施工现场之外的其它训练电力施工现场，以及，对所述其它训练电力施工现场中的各个训练电力施工现场进行标记，使得被标记为待定训练电力施工现场；
通过所述中间电力违章预估网络，基于各个待定训练电力施工现场的电力施工信息，将各所述待定训练电力施工现场进行违章预估，以及，基于预估出的各个违章预估数据分别确定各所述待定训练电力施工现场的种类预估标识；
基于各所述待定训练电力施工现场的种类预估标识，将各所述待定训练电力施工现场进行种类数量平衡操作，以及，基于种类数量平衡操作的输出数据，在全部的待定训练电力施工现场中选取第三数量个待定训练电力施工现场，以标记为第三数量个无标识训练电力施工现场；
将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息。
8.如权利要求7所述的基于人工智能算法的电力施工现场违章识别方法，其特征在于，所述将每一个所述无标识训练电力施工现场的电力施工信息进行施加信息噪声的扩展操作，输出每一个所述无标识训练电力施工现场的电力施工扩展信息的步骤，包括：
在第i个无标识训练电力施工现场的电力施工信息中，确定出至少一个电力施工现场图像信息；
分别对每一个确定出的电力施工现场图像信息进行图像特征域的转换，输出基于目标图像特征域进行表示的数据，从而形成每一个所述确定出的电力施工现场图像信息对应的电力施工现场特征域信息，所述目标图像特征属于时间域或频率域；
将每一个所述确定出的电力施工现场图像信息对应的电力施工现场特征域信息进行图像特征域的还原，输出对应的电力施工现场图像还原信息；
基于每一个所述确定出的电力施工现场图像信息的电力施工现场图像还原信息和所述第i个无标识训练电力施工现场的电力施工信息中没有被确定出的电力施工现场图像信息，确定出所述第i个无标识训练电力施工现场的电力施工扩展信息。
9.如权利要求4所述的基于人工智能算法的电力施工现场违章识别方法，其特征在于，任意一个电力施工信息包括多个图像监控角度下的电力施工现场图像信息，所述候选电力违章预估网络包括每一个图像监控角度对应的关键信息挖掘单元、向量聚合单元和违章预估单元；
所述通过所述候选电力违章预估网络，基于每一个有标识信息中的电力施工信息，将相应的有标识训练电力施工现场进行违章预估，输出每一个有标识训练电力施工现场的目标违章预估数据的步骤，包括：
对于任意一个有标识训练电力施工现场，分别通过所述候选电力违章预估网络中的每一个关键信息挖掘单元，将相应的有标识信息中的电力施工信息中相应的图像监控角度下的电力施工现场图像信息进行单独的关键信息挖掘，输出各电力施工现场图像信息的电力施工现场图像向量；
通过所述向量聚合单元基于聚焦特征分析规则，将各所述电力施工现场图像信息的电力施工现场图像向量进行向量关联挖掘操作，输出所述任意一个有标识训练电力施工现场对应的电力施工现场图像聚合向量；
通过所述违章预估单元，基于所述电力施工现场图像聚合向量，将所述任意一个有标识训练电力施工现场进行违章预估，输出所述任意一个有标识训练电力施工现场的目标违章预估数据。
10.一种基于人工智能算法的电力施工现场违章识别系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311148429.0A CN116883952B (zh) | 2023-09-07 | 2023-09-07 | 基于人工智能算法的电力施工现场违章识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311148429.0A CN116883952B (zh) | 2023-09-07 | 2023-09-07 | 基于人工智能算法的电力施工现场违章识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883952A true CN116883952A (zh) | 2023-10-13 |
| CN116883952B CN116883952B (zh) | 2023-11-17 |
Family
ID=88262577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311148429.0A Active CN116883952B (zh) | 2023-09-07 | 2023-09-07 | 基于人工智能算法的电力施工现场违章识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883952B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105187239A (zh) * | 2015-08-17 | 2015-12-23 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于数据挖掘的通信告警分析系统及其处理方法 |
| CN110769195A (zh) * | 2019-10-14 | 2020-02-07 | 国网河北省电力有限公司衡水供电分公司 | 输电线路施工现场违章智能监控识别系统 |
| CN111553305A (zh) * | 2020-05-09 | 2020-08-18 | 中国石油天然气集团有限公司 | 一种违章视频识别系统和方法 |
| US20210312193A1 (en) * | 2021-06-15 | 2021-10-07 | Nauto, Inc. | Devices and methods for predicting intersection violations and/or collisions |
| CN113869162A (zh) * | 2021-09-18 | 2021-12-31 | 新疆信息产业有限责任公司 | 一种基于人工智能的违章识别方法及系统 |
| CN115205794A (zh) * | 2022-03-15 | 2022-10-18 | 云粒智慧科技有限公司 | 一种非机动车辆的违章识别方法、装置、设备及介质 |
| CN115424350A (zh) * | 2022-09-06 | 2022-12-02 | 云南电网有限责任公司电力科学研究院 | 违章行为识别方法、计算机设备和计算机可读存储介质 |
| CN115797824A (zh) * | 2022-11-04 | 2023-03-14 | 国网浙江省电力有限公司宁波供电公司 | 一种基于人工智能的无人机电力施工违章识别方法和装置 |
| WO2023056889A1 (zh) * | 2021-10-09 | 2023-04-13 | 百果园技术(新加坡)有限公司 | 模型训练和场景识别方法、装置、设备及介质 |
| CN116108397A (zh) * | 2022-12-22 | 2023-05-12 | 福建亿榕信息技术有限公司 | 融合多模态数据分析的电力现场作业违章行为识别方法 |
| CN116168337A (zh) * | 2022-12-12 | 2023-05-26 | 国网河南省电力公司漯河供电公司 | 电力施工现场对安全帽未佩戴违章进行图像化智能识别的系统 |
| CN116453212A (zh) * | 2023-03-24 | 2023-07-18 | 国网内蒙古东部电力有限公司赤峰供电公司 | 一种适用于电力施工场景下违章行为检测方法 |
| CN116563776A (zh) * | 2023-03-08 | 2023-08-08 | 国网宁夏电力有限公司信息通信公司 | 基于人工智能的违章行为告警方法、系统、介质及设备 |
-
2023
- 2023-09-07 CN CN202311148429.0A patent/CN116883952B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105187239A (zh) * | 2015-08-17 | 2015-12-23 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于数据挖掘的通信告警分析系统及其处理方法 |
| CN110769195A (zh) * | 2019-10-14 | 2020-02-07 | 国网河北省电力有限公司衡水供电分公司 | 输电线路施工现场违章智能监控识别系统 |
| CN111553305A (zh) * | 2020-05-09 | 2020-08-18 | 中国石油天然气集团有限公司 | 一种违章视频识别系统和方法 |
| US20210312193A1 (en) * | 2021-06-15 | 2021-10-07 | Nauto, Inc. | Devices and methods for predicting intersection violations and/or collisions |
| CN113869162A (zh) * | 2021-09-18 | 2021-12-31 | 新疆信息产业有限责任公司 | 一种基于人工智能的违章识别方法及系统 |
| WO2023056889A1 (zh) * | 2021-10-09 | 2023-04-13 | 百果园技术(新加坡)有限公司 | 模型训练和场景识别方法、装置、设备及介质 |
| CN115205794A (zh) * | 2022-03-15 | 2022-10-18 | 云粒智慧科技有限公司 | 一种非机动车辆的违章识别方法、装置、设备及介质 |
| CN115424350A (zh) * | 2022-09-06 | 2022-12-02 | 云南电网有限责任公司电力科学研究院 | 违章行为识别方法、计算机设备和计算机可读存储介质 |
| CN115797824A (zh) * | 2022-11-04 | 2023-03-14 | 国网浙江省电力有限公司宁波供电公司 | 一种基于人工智能的无人机电力施工违章识别方法和装置 |
| CN116168337A (zh) * | 2022-12-12 | 2023-05-26 | 国网河南省电力公司漯河供电公司 | 电力施工现场对安全帽未佩戴违章进行图像化智能识别的系统 |
| CN116108397A (zh) * | 2022-12-22 | 2023-05-12 | 福建亿榕信息技术有限公司 | 融合多模态数据分析的电力现场作业违章行为识别方法 |
| CN116563776A (zh) * | 2023-03-08 | 2023-08-08 | 国网宁夏电力有限公司信息通信公司 | 基于人工智能的违章行为告警方法、系统、介质及设备 |
| CN116453212A (zh) * | 2023-03-24 | 2023-07-18 | 国网内蒙古东部电力有限公司赤峰供电公司 | 一种适用于电力施工场景下违章行为检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883952B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115098705B (zh) | 基于知识图谱推理的网络安全事件分析方法及系统 | |
| CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
| CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
| KR102433831B1 (ko) | 보안관제 의사결정 지원 시스템 및 방법 | |
| CN115814686B (zh) | 一种镭射气体混配生产系统的状态监控方法及系统 | |
| CN112632609A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
| CN115065545A (zh) | 基于大数据威胁感知的安全防护构建方法及ai防护系统 | |
| CN116707859A (zh) | 特征规则提取方法和装置、网络入侵检测方法和装置 | |
| CN116340586A (zh) | 基于云平台的汽车故障管理方法、系统及存储介质 | |
| CN118114183A (zh) | 城市信息多源数据融合方法、装置、存储介质及电子系统 | |
| CN114726571A (zh) | 一种网络安全预警管理平台和方法 | |
| CN114297735A (zh) | 数据处理方法及相关装置 | |
| CN116883952B (zh) | 基于人工智能算法的电力施工现场违章识别方法及系统 | |
| CN113452700A (zh) | 处理安全信息的方法、装置、设备以及存储介质 | |
| CN117141265A (zh) | 一种智能无线充电桩的运行监测系统及监测方法 | |
| CN116167748B (zh) | 一种城市地下综合管廊运维方法、系统、装置及电子设备 | |
| CN117592595A (zh) | 一种配电网负荷预测模型建立、预测方法及装置 | |
| CN112532645A (zh) | 一种物联网设备运行数据监测方法、系统及电子设备 | |
| CN112528306A (zh) | 基于大数据和人工智能的数据访问方法及云计算服务器 | |
| CN110188115B (zh) | 一种基于模糊匹配的消防预警方法、装置及系统 | |
| CN115809466A (zh) | 基于stride模型的安全需求生成方法、装置、电子设备及介质 | |
| CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
| Yin et al. | A network security situation assessment model based on BP neural network optimized by DS evidence theory | |
| CN115484044A (zh) | 一种数据状态的监控方法及系统 | |
| CN114880406A (zh) | 一种数据管理方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |