CN116994331A - 一种配电网违规作业检测方法及系统 - Google Patents
一种配电网违规作业检测方法及系统 Download PDFInfo
- Publication number
- CN116994331A CN116994331A CN202310659825.3A CN202310659825A CN116994331A CN 116994331 A CN116994331 A CN 116994331A CN 202310659825 A CN202310659825 A CN 202310659825A CN 116994331 A CN116994331 A CN 116994331A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- illegal
- adopting
- weather information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 33
- 239000004576 sand Substances 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 241000533950 Leucojum Species 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种配电网违规作业检测方法及系统,涉及图像检测技术领域。包括步骤:获取高空作业现场图像和当前天气信息,确定现场图像影响因素,对现场图像进行预处理去除图像影响因素;采用不同的卷积神经网络分别对预处理后的图像进行人像特征和场景特征的提取;结合场景特征和天气信息确定检测目标,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规;根据人像特征提取关节点位置得到行为特征,利用分类器对关节点位置进行分类,根据分类结果检测作业行为是否违规。本发明能够去除环境因素影响,提高图像质量,针对不同天气对不同违规作业标准进行切换和识别,进一步提高高空违规作业识别的准确度。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种配电网违规作业检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着社会经济的快速发展,为了满足现有不断增长的电力需求,电力设施维护和升级变得越来越频繁。然而电力作业环境复杂,尤其是高空作业时,不仅带电设备会对作业人员的人身安全造成威胁,还同时有着操作不规范或外界环境因素导致高空坠落的危险。所以对配电网高空作业违规作业行为进行检测可大大降低电力设备维护过程中的事故发生概率。
现有的识别技术可以通过人脸识别或姿态识别对作业人员的行为和身份进行判断。然而常规的识别技术并未考虑维护过程中的恶劣天气影响,很多电力设备设置在室外,除了日常维护外,其故障原因大多是由于恶劣天气如大风、下雨、下雪等造成设备损坏,需要维修人员进行抢修,针对不同的恶劣天气,防护装备及维护标准均不相同,比如下雨天气需要进行防滑设备穿戴,大风天气需要对设备进行加固等。常规的识别技术无法针对性的对各种环境的违规标准进行切换识别,并且恶劣天气下图像质量受到各种环境因素影响,也会影响识别结果。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种配电网违规作业检测方法及系统,能够去除环境因素影响,提高图像质量,针对不同天气对不同违规作业标准进行切换和识别,进一步提高高空违规作业识别的准确度。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种配电网违规作业检测方法,包括以下步骤:
获取高空作业现场图像和当前天气信息,根据天气信息确定现场图像影响因素,对现场图像进行预处理去除图像影响因素;
采用不同的卷积神经网络分别对预处理后的图像进行人像特征和场景特征的提取;
结合场景特征和天气信息确定检测目标,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规;
根据人像特征提取关节点位置得到行为特征,利用分类器对关节点位置进行分类,根据分类结果检测作业行为是否违规。
进一步的,天气信息包括正常天气,下雨天气,下雪天气和风沙天气。
更进一步的,根据天气信息确定图像影响因素,并对现场图像进行预处理的具体步骤为:
将现场图像转化为灰度图像并进行增强和去噪处理;
根据天气信息确定图像影响因素;其中影响因素包括雨、雪和沙尘;
采用深度学习的方法对图像影响因素进行识别和去除,得到预处理后的图像。
更进一步的,采用深度学习的方法对图像影响因素进行识别和去除的具体步骤包括:
采集分别含有雨、雪和沙尘的作业图像构成数据集;
采用卷积神经网络通过深度学习提取雨、雪和沙尘的不同形状特征;
利用学习的形状特征对环境识别模型进行训练;
采用训练好的环境识别模型依次识别不同的环境影响因素;
采用去除算法去除环境影响因素特征。
进一步的,结合场景特征和天气信息确定检测目标的具体步骤为:
根据电力作业要求构建作业设备数据库;
根据作业场景确定所需常规作业设备为第一检测目标;
根据天气信息选取对应的作业设备作为第二检测目标。
更进一步的,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规的具体步骤为:
采用YOLO算法网络对所有作业设备进行特征提取生成预测框;
根据第一检测目标和第二检测目标选择对应的预测框进行预测;
根据预测结果检测作业装备是否违规。
进一步的,根据人像特征提取关节点位置得到行为特征的具体步骤为:
根据人像特征提取关键关节点位置;
利用常见违规行为训练图卷积神经网络;
采用训练好的图卷积神经网络根据关节点的坐标向量进行行为识别得到行为特征。
本发明第二方面提供了一种配电网违规作业检测系统,包括:
图像获取模块,被配置为获取高空作业现场图像和当前天气信息,根据天气信息确定现场图像影响因素,对现场图像进行预处理去除图像影响因素;
特征提取模块,被配置为采用不同的卷积神经网络分别对预处理后的图像进行人像特征和场景特征的提取;
装备违规检测模块,被配置为结合场景特征和天气信息确定检测目标,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规;
行为违规检测模块,被配置为根据人像特征提取关节点位置得到行为特征,利用分类器对关节点位置进行分类,根据分类结果检测作业行为是否违规。
本发明第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的配电网违规作业检测方法中的步骤。
本发明第四方面提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的配电网违规作业检测方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明公开了一种配电网违规作业检测方法及系统,通过深度学习和去除算法结合消除恶劣天气产生的雨、雪或风沙对图像质量的影响。本发明考虑了不同场景下的常规作业设备和恶劣环境下需要额外佩戴的作业设备,当作业人员忽略上述设备时即可检测出违规行为。本发明还通过行为识别对作业人员的违规行为进行检测,从设备穿戴和作业行为两方面考虑,大大增加了电力设备作业尤其是高空作业下的安全性。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一中配电网违规作业检测方法的流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
应当说明的是,本发明实施例中,涉及到配电网现场高空作业图像等相关的数据,当本发明以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本发明实施例一提供了一种配电网违规作业检测方法,如图1所示,包括以下步骤:
S1:获取高空作业现场图像和当前天气信息,根据天气信息确定现场图像影响因素,对现场图像进行预处理去除图像影响因素。
其中,天气信息包括正常天气,下雨天气,下雪天气和风沙天气。本实施例中,将晴天、阴天、多云等不会对图像造成附着物影响的天气统称为正常天气。下雨天气的降雨、下雪天气的降雪以及风沙天气产生的沙尘,均会在采集图像过程中,对图像质量造成一定的影响,例如图像上拍摄过程或者镜头附着上雨滴,影响图像的识别。现有的图像违规作业识别过程中并未考虑不同天气带来的影响。且雨滴、雪花以及沙尘在图像中的产生的影响并不相同,比如雨滴和雪花会对图像产生扭曲效果,而风沙的冲击有时还会造成采集设备晃动,造成图像模糊。因此,需要对不同天气影响进行分别进行判断和图像处理。
S1.1:将现场图像转化为灰度图像并进行增强和去噪处理。
在一种具体的实施方式中,为了减少计算量,将图像转化为灰度图像进行处理,并采用高斯滤波方法进行图像增强,采用小波变换方法进行图像去噪。
S1.2:根据天气信息确定图像影响因素;其中影响因素包括雨、雪和沙尘。
S1.3:采用深度学习的方法对图像影响因素进行识别和去除,得到预处理后的图像。
S1.3.1:采集分别含有雨、雪和沙尘的作业图像构成数据集。根据历史数据或者现有数据集获得分别含有图像中附着有雨、雪和沙尘的作业图像做成数据集,并将数据集划分为训练集和测试集。
S1.3.2:采用卷积神经网络通过深度学习提取雨、雪和沙尘的不同形状特征。给予卷积神经网络构建环境识别初步模型,将训练集通过深度学习算法挖掘雨、雪和沙尘的不同形状特征。在本实施例中,认为雨的形状大于雪的形状大于沙尘的形状。并默认为天气不会对图像的整体分辨造成影响,即不对大雪完全覆盖镜头等特殊情况进行分析。
S1.3.3:利用学习的形状特征对环境识别模型进行训练。根据学习的不同形状特征训练环境识别初步模型,得到训练好的模型采用测试集进行测试,最终得到可以进行对雨、雪和风沙等环境影响因素的环境识别模型。
S1.3.4:采用训练好的环境识别模型依次识别不同的环境影响因素。由于一些天气不仅仅是单一影响,有可能会出现雨夹雪等同时包含多种环境影响因素的天气,因此需要对上述环境影响因素依次进行识别。
S1.3.5:采用去除算法去除环境影响因素特征。
本实施例中,确定图像中环境影响因素造成的像素点,采用现有技术中的去除算法进行去除。本实施例去除雨雪等附着物的目的是为了在预测穿戴设备规范时防止例如图像中的雨滴拍摄时由于延时呈现线状,误判为安全绳等错误识别,因此为了减少计算量,对于作业人员人体与雨、雪和沙尘的重叠部分不进行去除。
S2:采用不同的卷积神经网络分别对预处理后的图像进行人像特征和场景特征的提取。通过现有的前景分割和背景分离技术,将预处理后的图像进行分割,卷积神经网络根据人体轮廓提取前景中的人像特征,根据背景中电力作业应用场景的特点进行场景特征提取。比如,提取维护设备类型、维护位置(高空作业高度或者地面作业)等能够区别不同电力作业任务的特征。
S3:结合场景特征和天气信息确定检测目标,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规。
S3.1:结合场景特征和天气信息确定检测目标。
S3.1.1:根据电力作业要求结合国家规定的电力作业安全防护标准构建作业设备数据库。
S3.1.2:根据作业场景确定所需常规作业设备为第一检测目标。
在一种具体的实施方式中,通过之前提取的场景特征,确定作业场景和作业类型,并结合相关国家规定确定必须配备的头盔、手套、安全绳等作为第一检测目标。
S3.1.3:根据天气信息选取对应的作业设备作为第二检测目标。
在一种具体的实施方式中,不同的天气对应电力作业中需要进行不同的安全防护措施,例如雨雪天气需要穿戴防滑的雨靴或者绝缘性质的工作服等,而大风天气则不需要进行防滑措施,但是需要加固安全绳或者增加其他防风固定设备。本实施例则是通过对特殊天气的考虑,作为第二检测目标进行检测,进一步提高了违规作业识别技术的适用范围。然而在正常天气中则不需要对恶劣天气的额外措施进行检测,因此为了减少计算量,将分为第一检测目标和第二检测目标,根据常规配备和特殊配备分别进行检测。
S3.2:采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规的具体步骤为:
S3.2.1:采用YOLO算法网络对所有作业设备进行特征提取生成预测框。
在一种具体的实施方式中,采用YOLOv3网络对每个检测目标生成预测候选框,并通过预测候选框与真是区域的交并比(IoU)与设定阈值进行比较,通过边框回归方法对预测的候选框进行调整。
S3.2.2:根据第一检测目标和第二检测目标选择对应的预测框进行预测。具体的,根据是否包含目标设置每个预测框的置信度,通过对每个预测框的置信度与阈值进行比较,小于阈值则直接置为0,大于阈值的预测框进行排序,保留置信度最大的预测框。重复上述操作直到所有目标检测完毕。
S3.2.3:根据预测结果检测作业装备是否违规。将未检测出相应应有设备的预测结果视为违规作业。
S4:根据人像特征提取关节点位置得到行为特征,利用分类器对关节点位置进行分类,根据分类结果检测作业行为是否违规。
S4.1:根据人像特征提取关键关节点位置。具体的,提取具有时间信息的关节点的位置,并对关节点进行转置后映射到图像中。根据行为不同,将关节列为不同帧。
S4.2:利用常见违规行为训练图卷积神经网络。
在一种具体的实施方式中,卷积神经网络可在大型数据集中提取行为特征,随后通过学习到的局部卷积滤波器或内核对行为进行识别。由于人体骨架关节中每个点的相邻顶点数目都不尽相同,所以用同一个卷积核来对所有点进行卷积计算是难以实现,因此本实施例采用图卷积神经网络(GCN)进行处理。
S4.3:采用训练好的图卷积神经网络根据关节点的坐标向量进行行为识别得到行为特征。
在一种具体的实施方式中,用拓扑图表示关节点数据,用空间边缘线连接空间域上的顶点、用时间边缘线连接时间域上相邻帧之间的对应关节点,每个关节点的属性特征是空间坐标向量;将拓扑图输入以图卷积网络为主干的行为识别网络中,即可得到行为识别结果并进行违规分类。根据上述行为识别可以实现电力作业过程中危险姿态或者不规范操作等行为,使得电力作业的安全性得到了保障。
实施例二:
本发明实施例二提供了一种配电网违规作业检测系统,包括:
图像获取模块,被配置为获取高空作业现场图像和当前天气信息,根据天气信息确定现场图像影响因素,对现场图像进行预处理去除图像影响因素;
特征提取模块,被配置为采用不同的卷积神经网络分别对预处理后的图像进行人像特征和场景特征的提取;
装备违规检测模块,被配置为结合场景特征和天气信息确定检测目标,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规;
行为违规检测模块,被配置为根据人像特征提取关节点位置得到行为特征,利用分类器对关节点位置进行分类,根据分类结果检测作业行为是否违规。
实施例三:
本发明实施例三提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例一所述的配电网违规作业检测方法中的步骤。
实施例四:
本发明实施例四提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例一所述的配电网违规作业检测方法中的步骤。
以上实施例二、三和四中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种配电网违规作业检测方法,其特征在于,包括以下步骤:
获取高空作业现场图像和当前天气信息,根据天气信息确定现场图像影响因素,对现场图像进行预处理去除图像影响因素;
采用不同的卷积神经网络分别对预处理后的图像进行人像特征和场景特征的提取;
结合场景特征和天气信息确定检测目标,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规;
根据人像特征提取关节点位置得到行为特征,利用分类器对关节点位置进行分类,根据分类结果检测作业行为是否违规。
2.如权利要求1所述的配电网违规作业检测方法,其特征在于,天气信息包括正常天气,下雨天气,下雪天气和风沙天气。
3.如权利要求2所述的配电网违规作业检测方法,其特征在于,根据天气信息确定图像影响因素,并对现场图像进行预处理的具体步骤为:
将现场图像转化为灰度图像并进行增强和去噪处理;
根据天气信息确定图像影响因素;其中影响因素包括雨、雪和沙尘;
采用深度学习的方法对图像影响因素进行识别和去除,得到预处理后的图像。
4.如权利要求1所述的配电网违规作业检测方法,其特征在于,采用深度学习的方法对图像影响因素进行识别和去除的具体步骤包括:
采集分别含有雨、雪和沙尘的作业图像构成数据集;
采用卷积神经网络通过深度学习提取雨、雪和沙尘的不同形状特征;
利用学习的形状特征对环境识别模型进行训练;
采用训练好的环境识别模型依次识别不同的环境影响因素;
采用去除算法去除环境影响因素特征。
5.如权利要求1所述的配电网违规作业检测方法,其特征在于,结合场景特征和天气信息确定检测目标的具体步骤为:
根据电力作业要求构建作业设备数据库;
根据作业场景确定所需常规作业设备为第一检测目标;
根据天气信息选取对应的作业设备作为第二检测目标。
6.如权利要求5所述的配电网违规作业检测方法,其特征在于,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规的具体步骤为:
采用YOLO算法网络对所有作业设备进行特征提取生成预测框;
根据第一检测目标和第二检测目标选择对应的预测框进行预测;
根据预测结果检测作业装备是否违规。
7.如权利要求1所述的配电网违规作业检测方法,其特征在于,根据人像特征提取关节点位置得到行为特征的具体步骤为:
根据人像特征提取关键关节点位置;
利用常见违规行为训练图卷积神经网络;
采用训练好的图卷积神经网络根据关节点的坐标向量进行行为识别得到行为特征。
8.一种配电网违规作业检测系统,其特征在于,包括:
图像获取模块,被配置为获取高空作业现场图像和当前天气信息,根据天气信息确定现场图像影响因素,对现场图像进行预处理去除图像影响因素;
特征提取模块,被配置为采用不同的卷积神经网络分别对预处理后的图像进行人像特征和场景特征的提取;
装备违规检测模块,被配置为结合场景特征和天气信息确定检测目标,采用目标检测模型对人像特征进行目标检测,根据检测结果检测作业装备是否违规;
行为违规检测模块,被配置为根据人像特征提取关节点位置得到行为特征,利用分类器对关节点位置进行分类,根据分类结果检测作业行为是否违规。
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的配电网违规作业检测方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的配电网违规作业检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659825.3A CN116994331B (zh) | 2023-06-02 | 一种配电网违规作业检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659825.3A CN116994331B (zh) | 2023-06-02 | 一种配电网违规作业检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994331A true CN116994331A (zh) | 2023-11-03 |
CN116994331B CN116994331B (zh) | 2024-06-28 |
Family
ID=
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN208848563U (zh) * | 2018-11-02 | 2019-05-10 | 国网河南省电力公司汝阳县供电公司 | 一种可红外识别的太阳能杆号牌 |
CN110011422A (zh) * | 2019-05-05 | 2019-07-12 | 苏州华天国科电力科技有限公司 | 基于人工神经网络的智能配电运行监测系统及调控方法 |
CN111652128A (zh) * | 2020-06-02 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种高空电力作业安全监测方法、系统和存储装置 |
CN113239760A (zh) * | 2021-04-29 | 2021-08-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种电网作业现场违章识别系统 |
WO2022037279A1 (zh) * | 2020-08-19 | 2022-02-24 | 广西电网有限责任公司贺州供电局 | 一种变电现场作业违规行为检测方法 |
CN115170511A (zh) * | 2022-07-06 | 2022-10-11 | 中国石油大学(华东) | 一种基于YOLOv5m的油田现场违规小目标检测方法及系统 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN208848563U (zh) * | 2018-11-02 | 2019-05-10 | 国网河南省电力公司汝阳县供电公司 | 一种可红外识别的太阳能杆号牌 |
CN110011422A (zh) * | 2019-05-05 | 2019-07-12 | 苏州华天国科电力科技有限公司 | 基于人工神经网络的智能配电运行监测系统及调控方法 |
CN111652128A (zh) * | 2020-06-02 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种高空电力作业安全监测方法、系统和存储装置 |
WO2022037279A1 (zh) * | 2020-08-19 | 2022-02-24 | 广西电网有限责任公司贺州供电局 | 一种变电现场作业违规行为检测方法 |
CN113239760A (zh) * | 2021-04-29 | 2021-08-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种电网作业现场违章识别系统 |
CN115170511A (zh) * | 2022-07-06 | 2022-10-11 | 中国石油大学(华东) | 一种基于YOLOv5m的油田现场违规小目标检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
WENWEN ZHU ETAL.: "Power Grid Field Violation Recognition Algorithm Based on Enhanced YOLOv5", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》, 31 December 2022 (2022-12-31) * |
丘浩等: "基于YOLOv3的特定电力作业场景下的违规操作识别算法", 《电力科学与技术学报》, vol. 36, no. 03, 31 December 2021 (2021-12-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN112801008B (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
CN110544211B (zh) | 一种镜头付着物的检测方法、系统、终端和存储介质 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN109631848B (zh) | 输电线路异物入侵检测系统和检测方法 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN111368742B (zh) | 基于视频分析的双黄交通标线的重建识别方法及系统 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN114120120A (zh) | 基于遥感影像的违章建筑检测方法、装置、设备及介质 | |
CN114881869A (zh) | 一种巡检视频图像预处理方法 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
CN110782409A (zh) | 一种去除多运动物体阴影的方法 | |
CN114037873A (zh) | 基于人工智能的变电站二次回路保护压板检测系统及方法 | |
CN116994331B (zh) | 一种配电网违规作业检测方法及系统 | |
CN115984806B (zh) | 道路标线破损动态检测系统 | |
CN116994331A (zh) | 一种配电网违规作业检测方法及系统 | |
Grote et al. | Road extraction in suburban areas based on normalized cuts | |
Hsieh et al. | Grid-based template matching for people counting | |
CN115272262A (zh) | 室外绝缘子表面缺陷识别方法、装置及电子设备 | |
KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 |
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 |