CN117172984A - 基于设备检修数字孪生场景的安全风险识别方法及系统 - Google Patents

Abstract

一种基于设备检修数字孪生场景的安全风险识别方法及系统，其特征在于，所述方法包括以下步骤：步骤1，采集设备检修实景视频，采用量子深度神经网络算法对所述实景视频进行分析，以提取出安全风险目标；步骤2，基于所述设备检修实景视频在所述数字孪生场景中的方位和范围，将所述安全风险目标标记为安全风险视频特征标签；步骤3，基于目标跟踪算法对所述实景视频进行跟踪，去除无用帧，保留相关帧，从而实现所述实景视频的浓缩；步骤4，基于浓缩后的所述实景视频中的时间信息和空间信息，采集设备运行状态数据和电网环境数据，实现安全风险行为的痕迹化标识。本发明方法解决安全风险检测识别效果欠佳的问题，提升风险辨识力和安全管控水平。

Description

基于设备检修数字孪生场景的安全风险识别方法及系统

技术领域

本发明涉及电力安全技术领域，更具体的，涉及一种基于设备检修数字孪生场景的安全风险识别方法、系统、装置及计算机可读存储介质。

背景技术

数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。

通过数字孪生电网体系的构建，可建立现实电网空间到虚拟电网空间的映射，实现对现实空间中设备或系统状态的实时感知，并利用承载指令的数据回馈到设备或系统指导其决策，从而使电网运行、管理和服务由实入虚；另外，还可在虚拟空间进行电网的建模、仿真、演绎和操控，达到以虚控实的目的，从而加强电网的自我感知、自我决策和自我进化能力，支撑电网各项业务数字化运营。

现有技术文件1(CN114241370A)公开了一种基于数字孪生变电站的入侵识别方法，通过获取目标区域的待识别图像，以及获取多个入侵物体对应的模板图像，再根据目标识别模型，将多个模板图像与待识别图像进行多次匹配，识别待识别图像中的目标入侵物体的行为以及待识别图像中的目标位置，根据待识别图像与安全图像的对比结果，确定待识别图像中状态改变的目标电力设备，从而根据目标位置与目标电力设备的距离和行为，确定目标入侵物体的危险等级。现有技术文件1的不足之处在于，上述待识别图像并未与三维数字孪生场景相匹配，实现目标设备在三维场景中的展示。

现有技术文件2(CN115597659A)公开了一种变电站智能安全管控方法，该方法包括：基于空间移动式探测设备和地面测绘设备对变电站的物理环境进行探测，构建厘米级别定位精度的三维点云模型；确定三维点云模型中的危险区域矢量库；依据每一监测目标上监测装置和辅助监测设备在第一时间段内发送的监测数据，获取每一监测目标的运动信息；基于对每一监测目标的运动信息和危险区域矢量库的数据比对，处理系统测算确定监测目标是否处于危险区域，若否，则预测该监测目标在第二时间段内是否处于危险区域；若处于危险区域或在第二时间段内处于危险区域，发出预警信息。现有技术文件2的不足之处在于，不能够提供安全风险事件的时间维度与空间维度的追溯。

针对上述问题，亟需一种基于设备检修数字孪生场景的安全风险识别方法及系统。

发明内容

为解决现有技术中存在的不足，本发明提供一种基于设备检修数字孪生场景的安全风险识别方法及系统，基于地理场景约束智能识别实景视频目标，利用数字孪生场景的地理空间信息时空一致性与语义约束，将地理空间信息与实景视频的目标检测及跟踪技术深度融合，结合视频目标自监督智能学习训练方法，实现安全风险目标的提取与状态追溯。

本发明采用如下的技术方案。

本发明第一方面，涉及一种基于设备检修数字孪生场景的安全风险识别方法，方法包括以下步骤：步骤1，采集设备检修实景视频，采用量子深度神经网络算法对实景视频进行分析，以提取出安全风险目标；步骤2，基于设备检修实景视频在数字孪生场景中的方位和范围，将安全风险目标标记为安全风险视频特征标签；步骤3，基于目标跟踪算法对实景视频进行跟踪，去除无用帧，保留相关帧，从而实现实景视频的浓缩；步骤4，基于浓缩后的实景视频中的时间信息和空间信息，采集设备运行状态数据和电网环境数据，并采用所述安全风险视频特征标签实现安全风险行为的痕迹化标识。

优选的，安全风险目标为违章施工行为；并且，违章施工行为至少包括：警戒区域非法闯入、现场遗留检修工具、大型机械入侵、人岗不一致、作业人员未戴安全帽、高空作业低挂安全带。

优选的，采用量子深度神经网络算法对实景视频进行分析，以提取出安全风险目标还包括：制作含有违章施工行为的先验样本影像数据，并基于先验样本影像数据生成训练数据集；采用自监督学习方式，通过量子深度神经网络实现对安全风险目标的提取。

优选的，基于步骤1中提取出的安全风险目标，选取具备典型目标的设备检修实景视频的典型帧，并从典型帧中裁剪出安全风险目标；获取典型帧在数字孪生场景中的方位和范围，并基于方位判定安全风险目标的方位角，基于范围判定安全风险目标的层次；基于方位角和所述层次，实现对安全风险目标的标记。

优选的，安全风险视频特征标签包括低层、中层和高层三个层次。

优选的，实景视频的浓缩还包括：基于步骤1中提取出的安全风险目标，去除不包含安全风险目标、包含重复安全风险目标的视频帧；从余下的视频帧中提取安全风险目标，并将其融合至数字孪生场景中。

优选的，从浓缩后的实景视频中提取视频时间信息和视频空间信息，其中，视频时间信息为余下的视频帧的时间，视频空间信息为融合至数字孪生场景时数字孪生场景的展示区域；基于余下的视频帧的时间、数字孪生场景的展示区域获取电网设备的设备台账数据、传感器数据。

优选的，安全风险行为的痕迹化标识包括电网设备的设备台账数据、传感器数据，和安全风险视频特征标签。

本发明第二方面，涉及一种基于设备检修数字孪生场景的安全风险识别系统，系统用于实现本发明第一方面中方法的步骤；并且，系统包括提取模块、标签模块、浓缩模块和标识模块；其中，提取模块，用于采集设备检修实景视频，采用量子深度神经网络算法对实景视频进行分析，以提取出安全风险目标；标签模块，用于基于设备检修实景视频在数字孪生场景中的方位和范围，将安全风险目标标记为安全风险视频特征标签；浓缩模块，用于基于目标跟踪算法对实景视频进行跟踪，去除无用帧，保留相关帧，从而实现实景视频的浓缩；标识模块，用于基于浓缩后的实景视频中的时间信息和空间信息，采集设备运行状态数据和电网环境数据，并采用所述安全风险视频特征标签实现安全风险行为的痕迹化标识。

本发明第三方面，涉及一种终端，包括处理器及存储介质；存储介质用于存储指令；处理器用于根据指令进行操作以执行本发明第一方面中方法的步骤。

本发明第四方面，涉及计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面中方法的步骤。

本发明的有益效果在于，与现有技术相比，本发明中的一种基于设备检修数字孪生场景的安全风险识别方法及系统，基于地理场景约束智能识别实景视频目标，充分利用数字孪生场景的地理空间信息时空一致性与语义约束，将地理空间信息与实景视频的目标检测及跟踪技术深度融合，结合高效的视频目标自监督智能学习训练方法，有效解决安全风险检测识别效果欠佳的问题，提升作业风险辨识能力和现场安全管控水平。

本发明的有益效果还包括：

1、本发明针对输变电主设备检修场景的现场作业安全管控需求，在电网资源业务中台的设备检修数字孪生场景支持与约束下，提供了基于实景视频的作业现场安全风险的痕迹化和全息化存证技术手段，能够为作业全过程管控的事故责任追溯提供有效可用的现场实景记录数据。

2、本发明提供了实景视频智能图像分析的反违章风险智能识别手段，能够实现对各类现场违章施工行为，例如但不限于，警戒区域非法闯入、现场遗留检修工具、大型机械入侵、人岗不一致、作业人员未戴安全帽、高空作业低挂安全带等的实时监控与智能识别，并将安全风险预警信息及时推送至电网资源业务中台进行可视化展示，从而提升输变电设备检修运维作业的全过程智能化管控水平和效率。

附图说明

图1为本发明一种基于设备检修数字孪生场景的安全风险识别方法的步骤示意图；

图2为本发明一种基于设备检修数字孪生场景的安全风险识别系统的模块构造示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清晰，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有做出创造性劳动的前提下，根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例，都应当属于本发明的保护范围。

图1为本发明一种基于设备检修数字孪生场景的安全风险识别方法的步骤示意图。如图1所示，本发明第一方面，涉及一种基于设备检修数字孪生场景的安全风险识别方法，方法包括步骤1至步骤4。

步骤1，采集设备检修实景视频，采用量子深度神经网络算法对实景视频进行分析，以提取出安全风险目标。

本发明可以在各类电网设备进行检修时，基于电网视频监控系统来采集设备的视频和图像。本发明一实施例中，设备检修的现场实景视频从电网资源业务中台接入而获得。方法支持对于图像或视频信息的预处理过程，以支持有效信息的增强，或者是噪声的滤除。

在此基础上，方法可以利用结合机器学习与量子计算各自优势的新型量子机器学习理论，来实现视频信息中安全风险目标的提取。

优选的，安全风险目标为违章施工行为；并且，违章施工行为至少包括：警戒区域非法闯入、现场遗留检修工具、大型机械入侵、人岗不一致、作业人员未戴安全帽、高空作业低挂安全带。

本发明中，可以制作含有各类违章施工行为的先验样本影像数据，为后续的视频图像安全风险自动检测与识别提供尽可能充足、高质量的训练数据集。

优选的，采用量子深度神经网络算法对所述实景视频进行分析，以提取出安全风险目标还包括：制作含有违章施工行为的先验样本影像数据，并基于先验样本影像数据生成训练数据集；采用自监督学习方式，通过量子深度神经网络实现对安全风险目标的提取。

可以列解的是，本发明为了提高机器学习方法在少样本情况的学习能力，还借鉴自监督机器学习方式，研究量子深度神经网络的自监督学习方法，以实现前述视频目标智能分析算法的自监督学习训练。

方法可以利用设备数字孪生场景提供的地理场景的时空一致性和语义约束信息，基于地理场景约束的实景视频的智能图像分析算法，实现基于视频的遗留物检测、行人检测、人脸识别、视频电子围栏、视频空间分析、运动目标检测与轨迹跟踪、异常行为检测等的监测过程。

具体来说，量子深度神经网络模型中，输入数据x被构建为输入量子态。若输入数据为二维向量，则x可被变换为一个角度。当输入数据x被编码为量子态后，方法可以采用一系列量子门来生成这一编码，网络的输出也可以通过量子门来得到。在输出的数据中获取与x有关联的标签，则可以用来计算样本上的损失。

在建立量子神经网络的过程中，方法可以构建一个用于功能映射的函数，由于输入向量是归一化的和4维的，因此映射有一个超级简单的选择-使用2个量子位来保存编码数据，并使用仅将输入向量重新创建为量子态的映射。为此，方法可以从向量中提取角度，并将角度准换为量子态。

另外，由于本发明的方法采用了自监督学习的方式，使用数据集本身的信息来构造伪标签，因此，方法在运算过程中无需手工的创建标签。

在此检测结果基础之上，针对输变电主设备的检修作业场景，方法支持智能识别作业现场安全风险，以在视频帧中高效识别出前述的警戒区域非法闯入、大型机械入侵等违章施工行为，并在视频帧中对所识别的风险行为区域进行痕迹化标识(如，遗留物品、非法闯入人员所在区域的矩形框，运动目标的轨迹线等)，再及时推送现场安全风险预警信息，通知基层管理人员及时管控。

现有技术中，也能够对这类信息进行目标识别和提取，并通过提取出来的相应目标进行告警。但是，在这一过程中，方法通常只能够实时的监控风险并及时的输出报警，而并不能够针对多个告警，或者针对同一个设备的情况进行时间维度和空间维度上的关联。因而，在安全风险的溯源、安全风险的跟踪、线索快速查找等方面，并不具备可行性。

也是在上述问题的基础上，本发明提出了步骤2至步骤4中提及的更多的改进。

步骤2，基于设备检修实景视频在数字孪生场景中的方位和范围，将安全风险目标标记为安全风险视频特征标签。

优选的，基于步骤1中提取出的安全风险目标，选取具备典型目标的设备检修实景视频的典型帧，并从典型帧中裁剪出安全风险目标；获取典型帧在数字孪生场景中的方位和范围，并基于方位判定安全风险目标的方位角，基于范围判定安全风险目标的层次；基于方位角和层次，实现对安全风险目标的标记。

可以理解的是，方法利用从实景视频中检测识别出的存在设备检修场景安全风险的那一帧影像，用设备所在区域的局部影像为基准，将其从整幅影像中裁剪取出。

对于视频监控设备来说，根据其部署的具体位置，当前时刻下的旋转角度，方法通过采集监控设备的信息可以得到视频内容的方位信息和范围信息。或者，方法对于典型帧中的图像内容中的特征信息进行提取，根据提取出来的多个特征，将其与数字孪生场景中的相应特征进行匹配，从而分析出典型帧中的信息，也就是方位和范围。

这里的方位，可以是典型帧在数字孪生模型的标准三维坐标上的方位角，例如视频的拍摄角度。另一方面，这里的范围信息可以是视频的拍摄范围，可以根据监控设备与被拍摄设备之间的距离，拍摄的缩进等参数相关。也可以通过前文中提及的两种方式来获得相应的数据。

另外，这里的范围信息能够对应到安全风险视频特征标签的层次。

优选的，安全风险视频特征标签包括低层、中层和高层三个层次。

其中，根据电网的实际情况，可以划分为三个层次，如果一个视频帧中主要记载了一个设备上一个元件或多个元件的信息，则判断其为低层，如其记载了一个设备的主体信息，则判断为中层，如视频帧中包括多个设备的信息，以及电网场景的大量信息时，则判断为高层信息。

通过不同的方法，方法可以在典型帧上提取安全风险目标，并基于安全风险目标的层级来实现安全风险视频特征标签的提取和标记。

步骤3，基于目标跟踪算法对实景视频进行跟踪，去除无用帧，保留相关帧，从而实现实景视频的浓缩。

优选的，实景视频的浓缩还包括：基于步骤1中提取出的安全风险目标，去除不包含安全风险目标、包含重复安全风险目标的视频帧；从余下的视频帧中提取安全风险目标，并将其融合至数字孪生场景中。

本发明的方法中，实景视频的浓缩还包括去除那些不包含安全风险目标的视频帧。由于大量的视频帧中可能并没有包括本申请中的设备检修信息，更未包括设备检修过程中的风险状态，因此，根据目标识别的结果就可以首先滤除这些无用信息。此外，如果安全风险目标视频帧中存在大量的、长期的重复，方法也可以判断这一过程，并得到缩略后的内容。

剩下的视频帧则可以将其中的安全风险目标以一定的方式与孪生场景进行融合，并最终得到三维孪生场景中的显示内容。在三维孪生场景中，安全风险目标能够以预先定义的合理方式实现展示。

步骤4，基于浓缩后的实景视频中的时间信息和空间信息，采集设备运行状态数据和电网环境数据，并采用所述安全风险视频特征标签实现安全风险行为的痕迹化标识。

优选的，从浓缩后的实景视频中提取视频时间信息和视频空间信息，其中，视频时间信息为余下的视频帧的时间，视频空间信息为融合至数字孪生场景时数字孪生场景的展示区域；基于余下的视频帧的时间、数字孪生场景的展示区域获取电网设备的设备台账数据、传感器数据。

考虑到方法希望通过三维孪生模型来显示某个设备或电厂某个区域内的风险或故障演化的过程，因此，方法需要依据提取到的有效的安全风险目标来针对性的生成其在三维虚拟模型中的状态。也就是实现目标到三维孪生场景的映射。

在这一过程中，安全风险行为的痕迹化标识包括电网设备的设备台账数据、传感器数据，和安全风险视频特征标签。

因此，方法可以根据获得安全风险模型来对应的寻找设备台账数据、运行数据和与设备相关的传感器数据。总之，只要是展示在三维孪生场景中的相关数据内容，都可以通过时间信息和空间信息实现提取。

通过提取到相应的信息后，将其加载到数字孪生场景中，实现虚拟和真实融合的安全风险目标相关的数据记录、过程描述和来源追溯过程。

具体的，方法保留有效视频帧信息并与视频背景重新组合为新的视频文件，完成基于视频特征标签的设备现场安全风险实景视频高密度浓缩，这一方面缩短了视频的播放时间，另一方便于目标筛选，可缩小查看范围，实现视频目标、事件线索的快速查找。

根据浓缩后的视频文件中的时间和空间信息，从电网资源业务中台获取设备在这一时空范围内的现场运行状态及环境数据(如，设备台账数据，现场温度等)，连同存在现场安全风险的浓缩后实景视频数据，及从该视频中智能检测识别出的安全风险行为的痕迹化标识结果，一并作为全面反映设备现场安全风险的全息化、实景化的存证结果数据，并将存证结果返回到电网资源业务中台实现数据的统一存储。

图2为本发明一种基于设备检修数字孪生场景的安全风险识别系统的模块构造示意图。如图2所示，本发明第二方面，涉及一种基于设备检修数字孪生场景的安全风险识别系统，系统用于实现本发明第一方面中方法的步骤；并且，系统包括提取模块、标签模块、浓缩模块和标识模块；其中，提取模块，用于采集设备检修实景视频，采用量子深度神经网络算法对实景视频进行分析，以提取出安全风险目标；标签模块，用于基于设备检修实景视频在数字孪生场景中的方位和范围，将安全风险目标标记为安全风险视频特征标签；浓缩模块，用于基于目标跟踪算法对实景视频进行跟踪，去除无用帧，保留相关帧，从而实现实景视频的浓缩；标识模块，用于基于浓缩后的实景视频中的时间信息和空间信息，采集设备运行状态数据和电网环境数据，并采用所述安全风险视频特征标签实现安全风险行为的痕迹化标识。

本发明第三方面，涉及一种终端，包括处理器及存储介质；存储介质用于存储指令；处理器用于根据所述指令进行操作以执行根据本发明第一方面中方法的步骤。

可以理解的是，终端装置为了实现上述本申请实施例提供的方法中的各功能，包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对终端装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

装置包括至少一个处理器，总线系统以及至少一个通信接口。处理器由中央处理器、现场可编程逻辑门阵列、专用集成电路或其他硬件构成。存储器为只读存储器、随机存取存储器等构成。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。硬盘可以为机械盘或固态硬盘等。本发明实施例对此不作限定。上述实施例通常通过软件、硬件来实现。当使用软件程序实现时，可以以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。

本发明第四方面，涉及计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面中方法的步骤。

在计算机上加载和执行计算机程序指令时，按照本发明中实施例所提供的流程来实现相应的功能。其中涉及的计算机程序指令可以是汇编指令、机器指令或者以编程语言实现编写的代码等等。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (11)

1.一种基于设备检修数字孪生场景的安全风险识别方法，其特征在于，所述方法包括以下步骤：

步骤1，采集设备检修实景视频，采用量子深度神经网络算法对所述实景视频进行分析，以提取出安全风险目标；

步骤2，基于所述设备检修实景视频在所述数字孪生场景中的方位和范围，将所述安全风险目标标记为安全风险视频特征标签；

步骤3，基于目标跟踪算法对所述实景视频进行跟踪，去除无用帧，保留相关帧，从而实现所述实景视频的浓缩；

步骤4，基于浓缩后的所述实景视频中的时间信息和空间信息，采集设备运行状态数据和电网环境数据，并采用所述安全风险视频特征标签实现安全风险行为的痕迹化标识。

2.根据权利要求1中所述的一种基于设备检修数字孪生场景的安全风险识别方法，其特征在于：

所述安全风险目标为违章施工行为；并且，

所述违章施工行为至少包括：警戒区域非法闯入、现场遗留检修工具、大型机械入侵、人岗不一致、作业人员未戴安全帽、高空作业低挂安全带。

3.根据权利要求1中所述的一种基于设备检修数字孪生场景的安全风险识别方法，其特征在于：

所述采用量子深度神经网络算法对所述实景视频进行分析，以提取出安全风险目标还包括：

制作含有所述违章施工行为的先验样本影像数据，并基于所述先验样本影像数据生成训练数据集；

采用自监督学习方式，通过量子深度神经网络实现对安全风险目标的提取。

4.根据权利要求1中所述的一种基于设备检修数字孪生场景的安全风险识别方法，其特征在于：

基于步骤1中提取出的安全风险目标，选取具备典型目标的所述设备检修实景视频的典型帧，并从所述典型帧中裁剪出所述安全风险目标；

获取所述典型帧在所述数字孪生场景中的方位和范围，并基于所述方位判定所述安全风险目标的方位角，基于所述范围判定所述安全风险目标的层次；

基于所述方位角和所述层次，实现对所述安全风险目标的标记。

5.根据权利要求4中所述的一种基于设备检修数字孪生场景的安全风险识别方法，其特征在于：

所述安全风险视频特征标签包括低层、中层和高层三个层次。

6.根据权利要求1中所述的一种基于设备检修数字孪生场景的安全风险识别方法，其特征在于：

所述实景视频的浓缩还包括：

基于步骤1中提取出的安全风险目标，去除不包含安全风险目标、包含重复安全风险目标的视频帧；

从余下的视频帧中提取安全风险目标，并将其融合至所述数字孪生场景中。

7.根据权利要求1中所述的一种基于设备检修数字孪生场景的安全风险识别方法，其特征在于：

从浓缩后的所述实景视频中提取视频时间信息和视频空间信息，其中，视频时间信息为所述余下的视频帧的时间，所述视频空间信息为融合至所述数字孪生场景时所述数字孪生场景的展示区域；

基于所述余下的视频帧的时间、所述数字孪生场景的展示区域获取电网设备的设备台账数据、传感器数据。

8.根据权利要求7中所述的一种基于设备检修数字孪生场景的安全风险识别方法，其特征在于：

所述安全风险行为的痕迹化标识包括所述电网设备的设备台账数据、传感器数据，和所述安全风险视频特征标签。

9.一种基于设备检修数字孪生场景的安全风险识别系统，其特征在于：

所述系统用于实现权利要求1-8任一项所述方法的步骤；并且，

所述系统包括提取模块、标签模块、浓缩模块和标识模块；其中，

所述提取模块，用于采集设备检修实景视频，采用量子深度神经网络算法对所述实景视频进行分析，以提取出安全风险目标；

所述标签模块，用于基于所述设备检修实景视频在所述数字孪生场景中的方位和范围，将所述安全风险目标标记为安全风险视频特征标签；

所述浓缩模块，用于基于目标跟踪算法对所述实景视频进行跟踪，去除无用帧，保留相关帧，从而实现所述实景视频的浓缩；

所述标识模块，用于基于浓缩后的所述实景视频中的时间信息和空间信息，采集设备运行状态数据和电网环境数据，并采用所述安全风险视频特征标签实现安全风险行为的痕迹化标识。

10.一种终端，包括处理器及存储介质；其特征在于：

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1-8任一项所述方法的步骤。

11.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。