CN117593579A - 变电设备检修行为识别方法、装置和计算机设备 - Google Patents
变电设备检修行为识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117593579A CN117593579A CN202311612421.5A CN202311612421A CN117593579A CN 117593579 A CN117593579 A CN 117593579A CN 202311612421 A CN202311612421 A CN 202311612421A CN 117593579 A CN117593579 A CN 117593579A
- Authority
- CN
- China
- Prior art keywords
- power transformation
- overhauled
- overhaul
- equipment
- transformation equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000009466 transformation Effects 0.000 claims abstract description 287
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 74
- 230000005684 electric field Effects 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims description 72
- 230000006399 behavior Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 32
- 239000010410 layer Substances 0.000 description 20
- 238000013527 convolutional neural network Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 9
- 238000007689 inspection Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
- G06V10/82—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
- 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
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种变电设备检修行为识别方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括:将待检修变电设备的图像数据输入检修分析模型进行特征提取处理,得到待检修变电设备的图像特征;根据图像特征确定待检修变电设备的检修方案;根据检修方案生成待检修变电设备的检修任务;将检修任务对应的检修人员的声音数据和位置数据,以及检修人员周围的电场的数据特征点,输入检修分析模型,得到检修人员的身份信息、高度信息以及检修人员与电场之间的安全距离,作为异常行为识别辅助信息;根据异常行为识别辅助信息,对待检修变电设备的检修任务中的异常行为进行识别。采用本方法,能够提高变电设备检修过程中的异常行为的识别效率。
Description
技术领域
本申请涉及电网技术领域,特别是涉及一种变电设备检修行为识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在电网企业中,对变电设备检修过程中的异常行为进行识别,对于电网企业的变电生产过程极其重要。
传统技术中,对变电设备检修过程中的异常行为进行识别时,通常是通过人工巡查为主;但是,通过人工巡查的过程比较繁琐,需要耗费大量时间,导致变电设备检修过程中的异常行为的识别效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高变电设备检修过程中的异常行为的识别效率的变电设备检修行为识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种变电设备检修行为识别方法,包括:
响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征;
根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案;
根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务;
将所述待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及所述检修人员周围的电场的数据特征点,输入至所述预先训练的检修分析模型,得到所述检修人员的身份信息、高度信息以及所述检修人员与所述电场之间的安全距离,作为所述待检修变电设备的检修任务的异常行为识别辅助信息;
根据所述异常行为识别辅助信息,对所述待检修变电设备的检修任务中的异常行为进行识别。
在其中一个实施例中,所述响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征,包括:
响应于针对待检修变电设备的检修请求,获取所述待检修变电设备的图像数据;
对所述待检修变电设备的图像数据进行预处理,得到预处理图像数据;
从所述预处理图像数据中,提取出关键图像数据;
将所述关键图像数据输入至检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征。
在其中一个实施例中,所述根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案,包括:
从所述待检修变电设备的图像特征中,提取出关键图像特征;
将所述关键图像特征输入至检修方案预测模型进行分类处理,得到所述待检修变电设备在各个预设检修方案下的分类概率;
从所述各个预设检修方案中,筛选出所述分类概率最大的预设检修方案,作为所述待检修变电设备的检修方案。
在其中一个实施例中,所述根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案,还包括:
获取历史变电设备的图像特征,以及所述历史变电设备对应的历史检修方案;
根据所述历史变电设备的图像特征,确定所述待检修变电设备的图像特征与所述历史变电设备的图像特征之间的相似度,作为所述待检修变电设备与所述历史变电设备之间的相似度;
从各个所述历史变电设备中,筛选出所述相似度最大的历史变电设备,作为目标历史变电设备;
将所述目标历史变电设备对应的历史检修方案,作为所述待检修变电设备的检修方案。
在其中一个实施例中,所述预先训练的检修分析模型通过下述方式训练得到:
将样本变电设备的图像数据输入至待训练的检修分析模型,得到样本变电设备的预测图像特征;
根据所述样本变电设备的预测图像特征,确定所述样本变电设备的样本检修方案;
根据所述样本变电设备的样本检修方案,生成所述样本变电设备的样本检修任务;
将所述样本变电设备的样本检修任务对应的样本检修人员的声音数据和位置数据,以及所述样本检修人员周围的样本电场的数据特征点,输入至所述待训练的检修分析模型,得到所述样本检修人员的预测身份信息、预测高度信息以及与所述样本电场之间的预测距离;
根据所述样本变电设备的预测图像特征和实际图像特征之间的差异、所述样本检修人员的预测身份信息和实际身份信息之间的差异、所述样本检修人员的预测高度信息和实际高度信息之间的差异、所述样本检修人员与所述样本电场之间的预测距离和实际距离之间的差异,对所述待训练的检修分析模型进行迭代训练,得到所述预先训练的检修分析模型。
在其中一个实施例中,在根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务之后,还包括:
根据所述待检修变电设备的检修任务,确定所述待检修变电设备的检修任务对应的检修人员;
将所述待检修变电设备的检修任务对应的任务信息,发送至所述检修人员对应的检修终端。
第二方面,本申请还提供了一种变电设备检修行为识别装置,包括:
特征提取模块,用于响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征;
方案确定模块,用于根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案;
任务生成模块,用于根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务;
信息获取模块,用于将所述待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及所述检修人员周围的电场的数据特征点,输入至所述预先训练的检修分析模型,得到所述检修人员的身份信息、高度信息以及所述检修人员与所述电场之间的安全距离,作为所述待检修变电设备的检修任务的异常行为识别辅助信息;
行为识别模块,用于根据所述异常行为识别辅助信息,对所述待检修变电设备的检修任务中的异常行为进行识别。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征;
根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案;
根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务;
将所述待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及所述检修人员周围的电场的数据特征点,输入至所述预先训练的检修分析模型,得到所述检修人员的身份信息、高度信息以及所述检修人员与所述电场之间的安全距离,作为所述待检修变电设备的检修任务的异常行为识别辅助信息;
根据所述异常行为识别辅助信息,对所述待检修变电设备的检修任务中的异常行为进行识别。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征;
根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案;
根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务;
将所述待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及所述检修人员周围的电场的数据特征点,输入至所述预先训练的检修分析模型,得到所述检修人员的身份信息、高度信息以及所述检修人员与所述电场之间的安全距离,作为所述待检修变电设备的检修任务的异常行为识别辅助信息;
根据所述异常行为识别辅助信息,对所述待检修变电设备的检修任务中的异常行为进行识别。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征;
根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案;
根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务;
将所述待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及所述检修人员周围的电场的数据特征点,输入至所述预先训练的检修分析模型,得到所述检修人员的身份信息、高度信息以及所述检修人员与所述电场之间的安全距离,作为所述待检修变电设备的检修任务的异常行为识别辅助信息;
根据所述异常行为识别辅助信息,对所述待检修变电设备的检修任务中的异常行为进行识别。
上述变电设备检修行为识别方法、装置、计算机设备、存储介质和计算机程序产品,先响应于针对待检修变电设备的检修请求,将待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到待检修变电设备的图像特征,再根据待检修变电设备的图像特征,确定待检修变电设备的检修方案,然后根据待检修变电设备的检修方案,生成待检修变电设备的检修任务,接着将待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及检修人员周围的电场的数据特征点,输入至预先训练的检修分析模型,得到检修人员的身份信息、高度信息以及检修人员与电场之间的安全距离,作为待检修变电设备的检修任务的异常行为识别辅助信息,最后根据异常行为识别辅助信息,对待检修变电设备的检修任务中的异常行为进行识别。这样,在对待检修变电设备检修过程中的异常行为进行识别时,通过预先训练的检修分析模型,可以自动生成待检修变电设备的图像特征以及异常行为识别辅助信息,有利于提高待检修变电设备检修过程中的异常行为的识别效率;而且,整个过程无需人工进行操作,避免了通过人工巡查的过程比较繁琐,需要耗费大量时间,导致变电设备检修过程中的异常行为的识别效率较低的缺陷,进而提高了变电设备检修过程中的异常行为的识别效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中变电设备检修行为识别方法的流程示意图;
图2为一个实施例中得到待检修变电设备的图像特征的步骤的流程示意图;
图3为一个实施例中确定待检修变电设备的检修方案的步骤的流程示意图;
图4为另一个实施例中变电设备检修行为识别方法的流程示意图;
图5为一个实施例中变电设备检修行为识别装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
在一个示例性的实施例中,如图1所示,提供了一种变电设备检修行为识别方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器之间的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S101,响应于针对待检修变电设备的检修请求,将待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到待检修变电设备的图像特征。
其中,待检修变电设备是指需要进行检修的变电设备。
其中,检修请求是指对待检修变电设备进行检修的请求信息。
其中,图像数据可以是指与待检修变电设备相关的图像,比如待检修变电设备的图片。
其中,检修分析模型是指能够利用待检修变电设备的图像数据,得到待检修变电设备的图像特征对应的网络模型。
需要说明的是,检修分析模型可以由卷积神经网络训练得到。
其中,特征提取处理是指将待检修变电设备的图像数据转换为待检修变电设备的图像特征的处理过程。
其中,图像特征是指与待检修变电设备相关的图像对应的特征。
示例性地,服务器响应于针对待检修变电设备的检修请求,获取待检修变电设备的设备标识(比如设备名称、设备型号),再从数据库中获取与设备标识对应的待检修变电设备的图像数据;接着,服务器将待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到特征提取处理后的图像特征,作为待检修变电设备的图像特征。
步骤S102,根据待检修变电设备的图像特征,确定待检修变电设备的检修方案。
其中,检修方案是指对待检修变电设备进行检修相关的方案。
示例性地,服务器对待检修变电设备的图像特征分类处理,得到待检修变电设备在各个预设检修方案下的分类概率,再从各个预设检修方案中,筛选出分类概率最大的预设检修方案,作为待检修变电设备的检修方案。
步骤S103,根据待检修变电设备的检修方案,生成待检修变电设备的检修任务。
其中,检修任务是指对待检修变电设备进行检修对应的任务。
示例性地,服务器从数据库中,获取历史变电设备的检修方案及对应的历史变电设备的检修任务,再根据待检修变电设备的检修方案,确定待检修变电设备的检修方案与历史变电设备的检修方案之间的相似度;接着,服务器从各个历史变电设备的检修方案中,筛选出相似度最大的历史变电设备的检修方案,作为目标变电设备的检修方案,将目标变电设备的检修方案对应的检修任务,作为待检修变电设备的检修任务。
步骤S104,将待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及检修人员周围的电场的数据特征点,输入至预先训练的检修分析模型,得到检修人员的身份信息、高度信息以及检修人员与电场之间的安全距离,作为待检修变电设备的检修任务的异常行为识别辅助信息。
其中,检修人员是指对待检修变电设备进行检修对应的工作人员。
其中,声音数据是指检修人员的声音相关的数据。
其中,位置数据是指检修人员的位置相关的数据,可以是指检修人员的位置坐标。
其中,检修人员周围的电场是指检修人员附近的电场。
其中,检修人员周围的电场的数据特征点,可以是指检修人员周围的电场的位置坐标。
其中,身份信息是指检修人员的身份相关的信息,比如检修人员的姓名、工号等。
其中,高度信息是指检修人员所在高度的相关信息。
其中,安全距离是指检修人员与电场之间的距离。
其中,异常行为识别辅助信息是指用于对变电设备的检修任务中的异常行为进行识别的相关信息。
示例性地,服务器将待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及检修人员周围的电场的数据特征点,输入至预先训练的检修分析模型;通过检修分析模型中的身份识别网络,得到检修人员的身份信息;通过检修分析模型中的高度识别网络,得到检修人员的高度信息;通过检修分析模型中的距离识别网络,得到检修人员与电场之间的安全距离;最后,服务器将检修人员的身份信息、高度信息以及检修人员与电场之间的安全距离,作为待检修变电设备的检修任务的异常行为识别辅助信息。
步骤S105,根据异常行为识别辅助信息,对待检修变电设备的检修任务中的异常行为进行识别。
其中,异常行为是指检修任务中存在的不安全行为,比如无关人员进入核心区域、作业人员进入危险区域等。
示例性地,服务器根据异常行为识别辅助信息,以及异常行为识别辅助信息与异常行为之间的对应关系,对待检修变电设备的检修任务中的异常行为进行识别。
举例说明,服务器根据检修人员的身份信息,避免除检修人员之外的其他无关人员进入核心作业区域;服务器根据检修人员的高度信息,可在检修人员进入危险区域时进行预警;服务器根据检修人员与电场之间的安全距离,可在检修人员进入危险区域时进行预警。
上述变电设备检修行为识别方法中先响应于针对待检修变电设备的检修请求,将待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到待检修变电设备的图像特征,再根据待检修变电设备的图像特征,确定待检修变电设备的检修方案,然后根据待检修变电设备的检修方案,生成待检修变电设备的检修任务,接着将待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及检修人员周围的电场的数据特征点,输入至预先训练的检修分析模型,得到检修人员的身份信息、高度信息以及检修人员与电场之间的安全距离,作为待检修变电设备的检修任务的异常行为识别辅助信息,最后根据异常行为识别辅助信息,对待检修变电设备的检修任务中的异常行为进行识别。这样,在对待检修变电设备检修过程中的异常行为进行识别时,通过预先训练的检修分析模型,可以自动生成待检修变电设备的图像特征以及异常行为识别辅助信息,有利于提高待检修变电设备检修过程中的异常行为的识别效率;而且,整个过程无需人工进行操作,避免了通过人工巡查的过程比较繁琐,需要耗费大量时间,导致变电设备检修过程中的异常行为的识别效率较低的缺陷,进而提高了变电设备检修过程中的异常行为的识别效率。
在一个示例性的实施例中,如图2所示,上述步骤S101,响应于针对待检修变电设备的检修请求,将待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到待检修变电设备的图像特征,具体包括如下步骤:
步骤S201,响应于针对待检修变电设备的检修请求,获取待检修变电设备的图像数据。
步骤S202,对待检修变电设备的图像数据进行预处理,得到预处理图像数据。
步骤S203,从预处理图像数据中,提取出关键图像数据。
步骤S204,将关键图像数据输入至检修分析模型进行特征提取处理,得到待检修变电设备的图像特征。
其中,预处理可以是指去噪处理。
其中,预处理图像数据是指对待检修变电设备的图像数据进行预处理后得到的图像数据,
其中,关键图像数据是指从预处理图像数据中提取得到的重要程度较高的图像数据。
示例性地,服务器响应于针对待检修变电设备的检修请求,获取待检修变电设备的设备标识(比如设备名称、设备型号),再从数据库中获取与设备标识对应的待检修变电设备的图像数据;接着,服务器,对待检修变电设备的图像数据进行预处理(比如去噪处理),得到预处理后的待检修变电设备的图像数据,作为预处理图像数据;然后,服务器从预处理图像数据中,提取出满足预设条件的图像数据,作为关键图像数据;例如,服务器从预处理图像数据中,对除待检修变电设备之外的背景进行剔除处理,将剔除处理后的图像数据,作为关键图像数据;最后,服务器将关键图像数据输入至检修分析模型进行特征提取处理,得到特征提取处理后的图像特征,作为待检修变电设备的图像特征。
本实施例中,通过对待检修变电设备的图像数据进行预处理和特征提取处理,可以有效地减少待检修变电设备的图像数据中存在的噪声和干扰,有利于提高待检修变电设备的图像特征的确定准确性。
在一个示例性的实施例中,如图3所示,上述步骤S102,根据待检修变电设备的图像特征,确定待检修变电设备的检修方案,具体包括如下步骤:
步骤S301,从待检修变电设备的图像特征中,提取出关键图像特征。
步骤S302,将关键图像特征输入至检修方案预测模型进行分类处理,得到待检修变电设备在各个预设检修方案下的分类概率。
步骤S303,从各个预设检修方案中,筛选出分类概率最大的预设检修方案,作为待检修变电设备的检修方案。
其中,关键图像特征是指从待检修变电设备的图像特征中提取得到的重要程度较高的图像特征。
其中,检修方案预测模型是指能够利用关键图像特征,得到待检修变电设备在各个预设检修方案下的分类概率对应的网络模型。
其中,分类处理是指根据关键图像特征,得到待检修变电设备在各个预设检修方案下的分类概率的过程。
其中,预设检修方案是指预先设定的检修方案。
其中,各个预设检修方案下的分类概率是指各个预设检修方案对应的分类可能性。
示例性地,服务器从待检修变电设备的图像特征中,提取出满足预设条件的图像特征,作为关键图像特征;例如,服务器确定待检修变电设备的图像特征中各个子图像特征对应的重要程度,再从子图像特征中,提取出对应的重要程度大于预设重要程度的子图像特征,并将这些子图像特征作为关键图像特征;接着,服务器将关键图像特征输入至检修方案预测模型进行分类处理(比如通过全连接层进行分类处理),得到待检修变电设备在各个预设检修方案下的分类概率;最后,服务器从各个预设检修方案中,筛选出分类概率最大的预设检修方案,作为待检修变电设备的检修方案。
本实施例中,从待检修变电设备的图像特征中,提取出关键图像特征,相当于提取出重要程度较高的图像特征,有利于提高后续分类处理的处理效率;而且,从各个预设检修方案中,筛选出分类概率最大的预设检修方案,作为待检修变电设备的检修方案,相当于筛选出对应的可能性最大的检修方案,进而提高了待检修变电设备的检修方案的确定准确度。
在一个示例性的实施例中,上述步骤S102,根据待检修变电设备的图像特征,确定待检修变电设备的检修方案,还包括如下内容:获取历史变电设备的图像特征,以及历史变电设备对应的历史检修方案;根据历史变电设备的图像特征,确定待检修变电设备的图像特征与历史变电设备的图像特征之间的相似度,作为待检修变电设备与历史变电设备之间的相似度;从各个历史变电设备中,筛选出相似度最大的历史变电设备,作为目标历史变电设备;将目标历史变电设备对应的历史检修方案,作为待检修变电设备的检修方案。
其中,历史变电设备是指以前一段时间内使用过的变电设备,比如一个月前使用过的变电设备。
其中,历史检修方案是指历史变电设备对应的检修方案。
其中,相似度是指待检修变电设备与历史变电设备之间的相似程度。
其中,目标历史变电设备是指与待检修变电设备相似度最大的历史变电设备。
示例性地,服务器从数据库中获取历史变电设备的设备标识(比如设备名称、设备型号),根据设备标识获取历史变电设备对应的图像特征,以及历史变电设备对应的历史检修方案;接着,服务器将待检修变电设备的图像特征与历史变电设备的图像特征进行比对分析,得到待检修变电设备的图像特征与历史变电设备的图像特征之间的相似度,作为待检修变电设备与历史变电设备之间的相似度;然后,服务器从各个历史变电设备中,筛选出相似度最大的历史变电设备,将该历史变电设备作为目标历史变电设备;最后,服务器获取目标历史变电设备对应的历史检修方案,将该历史检修方案作为待检修变电设备的检修方案。
本实施例中,通过比较待检修变电设备的图像特征与历史变电设备的图像特征之间的相似度,可以找到最相似的历史变电设备,并将其对应的历史检修方案作为待检修变电设备的检修方案,从而提高了检修方案的确定准确率;而且,整个过程无需人工进行操作,避免了人工确定检修方案容易出错,导致检修方案的确定准确率较低的缺陷。
在一个示例性的实施例中,本申请提供的变电设备检修行为识别方法还包括预先训练的检修分析模型的训练步骤,包括如下内容:将样本变电设备的图像数据输入至待训练的检修分析模型,得到样本变电设备的预测图像特征;根据样本变电设备的预测图像特征,确定样本变电设备的样本检修方案;根据样本变电设备的样本检修方案,生成样本变电设备的样本检修任务;将样本变电设备的样本检修任务对应的样本检修人员的声音数据和位置数据,以及样本检修人员周围的样本电场的数据特征点,输入至待训练的检修分析模型,得到样本检修人员的预测身份信息、预测高度信息以及与样本电场之间的预测距离;根据样本变电设备的预测图像特征和实际图像特征之间的差异、样本检修人员的预测身份信息和实际身份信息之间的差异、样本检修人员的预测高度信息和实际高度信息之间的差异、样本检修人员与样本电场之间的预测距离和实际距离之间的差异,对待训练的检修分析模型进行迭代训练,得到预先训练的检修分析模型。
其中,样本变电设备是指用于训练检修分析模型的变电设备。
其中,预测图像特征是指样本变电设备的图像特征对应的预测值。
其中,样本检修方案是指样本变电设备对应的检修方案。
其中,样本检修任务是指样本变电设备对应的检修任务。
其中,样本检修人员是指样本变电设备对应的检修人员。
其中,样本电场是指样本变电设备对应的电场。
其中,预测身份信息是指样本检修人员的身份信息对应的预测值。
其中,预测高度信息是指样本检修人员的高度信息对应的预测值。
其中,预测距离是指样本检修人员与样本电场之间的距离的的预测值。
其中,实际图像特征是指样本变电设备的图像特征对应的实际值。
其中,实际身份信息是指样本检修人员的身份信息对应的实际值。
其中,实际高度信息是指样本检修人员的高度信息对应的实际值。
其中,实际距离是指样本检修人员与样本电场之间的距离的的实际值。
示例性地,服务器响应于针对待训练的检修分析模型的训练指令,将样本变电设备的图像数据输入至待训练的检修分析模型,得到样本变电设备的预测图像特征;接着,服务器对样本变电设备的图像特征分类处理,得到样本变电设备在各个预设检修方案下的分类概率,再从各个预设检修方案中,筛选出分类概率最大的预设检修方案,作为样本变电设备的检修方案;然后,服务器根据样本变电设备的样本检修方案,生成样本变电设备的样本检修任务;接着,服务器将样本变电设备的样本检修任务对应的样本检修人员的声音数据和位置数据,以及样本检修人员周围的样本电场的数据特征点,输入至待训练的检修分析模型,得到样本检修人员的预测身份信息、预测高度信息以及与样本电场之间的预测距离;然后,服务器根据样本变电设备的预测图像特征和实际图像特征之间的差异,得到第一损失值;根据样本检修人员的预测身份信息和实际身份信息之间的差异,得到第二损失值;根据样本检修人员的预测高度信息和实际高度信息之间的差异,得到第三损失值;根据样本检修人员与样本电场之间的预测距离和实际距离之间的差异,得到第四损失值;接着,服务器将第一损失值、第二损失值、第三损失值和第四损失值进行融合处理,得到融合处理后的损失值,作为总损失值;然后,服务器根据总损失值,对待训练的检修分析模型的模型参数进行调整,并对模型参数调整后的检修分析模型进行再次训练,直到训练后的检修分析模型损失值小于损失值阈值,则停止训练,并将该训练后的检修分析模型,作为预先训练的检修分析模型。
本实施例中,通过预先训练检修分析模型,便于在实际应用中,在确定待检修变电设备的图像数据、检修人员的声音数据和位置数据以及检修人员周围的电场的数据特征点后,对待检修变电设备的图像特征、检修人员的身份信息、高度信息以及检修人员与电场之间的安全距离进行预测即可;而且,检修分析模型在每一轮迭代中接收新的数据,进行模型内部改进及优化,便于能够更有效地进行预测,有利于提高检修分析模型的预测准确率。
在一个示例性的实施例中,在根据待检修变电设备的检修方案,生成待检修变电设备的检修任务之后,还包括如下内容:根据待检修变电设备的检修任务,确定待检修变电设备的检修任务对应的检修人员;将待检修变电设备的检修任务对应的任务信息,发送至检修人员对应的检修终端。
其中,任务信息是指待检修变电设备的检修任务对应的信息。
其中,检修终端是指检修人员对应的终端,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。
示例性地,服务器根据待检修变电设备的检修任务,获取该检修任务与各个检修人员之间的匹配度(比如检修人员个人能力或经验与该检修任务的匹配度);接着,服务器从各个检修人员中,筛选出匹配度最高的检修人员,作为待检修变电设备的检修任务对应的检修人员;然后,服务器根据待检修变电设备的检修任务,生成待检修变电设备的检修任务对应的任务信息;最后,服务器将待检修变电设备的检修任务对应的任务信息,发送至检修人员对应的检修终端。
本实施例中,通过确定待检修变电设备的检修任务对应的检修人员,并将任务信息发送至检修人员对应的检修终端,可以使检修人员及时了解任务情况和要求,有利于提高变电设备检修的工作效率和质量。
在一个示例性的实施例中,如图4所示,提供了另一种变电设备检修行为识别方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤S401,响应于针对待检修变电设备的检修请求,获取待检修变电设备的图像数据。
步骤S402,对待检修变电设备的图像数据进行预处理,得到预处理图像数据;从预处理图像数据中,提取出关键图像数据。
步骤S403,将关键图像数据输入至检修分析模型进行特征提取处理,得到待检修变电设备的图像特征。
步骤S404,从待检修变电设备的图像特征中,提取出关键图像特征;将关键图像特征输入至检修方案预测模型进行分类处理,得到待检修变电设备在各个预设检修方案下的分类概率;从各个预设检修方案中,筛选出分类概率最大的预设检修方案,作为待检修变电设备的检修方案。
步骤S405,获取历史变电设备的图像特征,以及历史变电设备对应的历史检修方案;根据历史变电设备的图像特征,确定待检修变电设备的图像特征与历史变电设备的图像特征之间的相似度,作为待检修变电设备与历史变电设备之间的相似度;从各个历史变电设备中,筛选出相似度最大的历史变电设备,作为目标历史变电设备;将目标历史变电设备对应的历史检修方案,作为待检修变电设备的检修方案。
步骤S406,根据待检修变电设备的检修方案,生成待检修变电设备的检修任务。
步骤S407,根据待检修变电设备的检修任务,确定待检修变电设备的检修任务对应的检修人员;将待检修变电设备的检修任务对应的任务信息,发送至检修人员对应的检修终端。
步骤S408,将待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及检修人员周围的电场的数据特征点,输入至预先训练的检修分析模型,得到检修人员的身份信息、高度信息以及检修人员与电场之间的安全距离,作为待检修变电设备的检修任务的异常行为识别辅助信息。
步骤S409,根据异常行为识别辅助信息,对待检修变电设备的检修任务中的异常行为进行识别。
上述变电设备检修行为识别方法中,在对待检修变电设备检修过程中的异常行为进行识别时,通过预先训练的检修分析模型,可以自动生成待检修变电设备的图像特征以及异常行为识别辅助信息,有利于提高待检修变电设备检修过程中的异常行为的识别效率;而且,整个过程无需人工进行操作,避免了通过人工巡查的过程比较繁琐,需要耗费大量时间,导致变电设备检修过程中的异常行为的识别效率较低的缺陷,进而提高了变电设备检修过程中的异常行为的识别效率。
在一个示例性的实施例中,为了更清晰阐明本申请实施例提供的变电设备检修行为识别方法,以下以一个具体的实施例对该变电设备检修行为识别方法进行具体说明。在一个实施例中,本申请还提供了一种基于供需关系的变电生产业务深度学习规划方法及系统,在进行对变电设备检修过程中的异常行为进行识别时,通过基于卷积神经网络训练而成的模型,可以自动生成待检修变电设备的图像特征、作业人员的身份信息、位置高度以及与周围电场之间的距离,有利于提高待检修变电设备检修过程中的异常行为的识别效率。具体包括如下内容:
S1,由作业人员制定检修计划,检修计划包括绘制图纸、现场勘察变电设备状态,运用基于卷积神经网络训练而成的模型提取变电设备的图像特征。
S2,运用专家库中的正常案例和故障案例库对照分析,对变电设备检修提供初步检修方案。
S3,作业人员对检修方案进行人工审核,并基于维修方案填写二次措施以及工作票,将工作票通过上一级工作人员进行签发,二次措施为防范意外事故的方案。
S4,作业人员按照已签发的工作票执行检修作业,对作业人员进行身份识别,对作业人员的声音数据进行声纹识别,运用基于卷积神经网络训练而成的模型,提取作业人员声音数据的特征点,从而得到作业人员的身份信息,并将此身份信息储存。
S5,对作业人员定位,基于卷积神经网络训练而成的模型,将获取作业人员位置信息中的三维坐标进行特征提取,得到作业人员的位置高度,并基于位置高度转化为可移动的安全距离。
S6,电场安全距离,运用基于卷积神经网络训练而成的模型,提取作业人员四周的电场数据特征点,从而计算出作业人员距离电场的安全距离。
S7,获取作业人员的实时工作视频和图像信息,将录制完成的工作视频和图像信息储存。
S8,作业人员根据检修方案进行工作执行,检修恢复二次措施,运行验收后工作票终结。
进一步限定,二次措施包括防范变电设备跳母线,包括以下步骤:
S20,作业人员检查母线接口和变电设备连接处;
S21,检查母线接触面是否出现氧化腐蚀和绝缘破损,并判断氧化腐蚀程度,记录备案。
进一步限定,卷积神经网络由卷积层和子抽样层两种类型的神经网络层组成,每一层有一个拓扑图结构,即在接收域内,每个神经元与输入图像中某个位置对应的固定二维位置编码信息关联,在每层的各个位置分布着许多不同的神经元,每个神经元有一组输入权值,这些权值与前一层神经网络矩形块中的神经元关联;同一组权值和不同输入矩形块与不同位置的神经元关联,。卷积神经网络是多层的感知器神经网络,每层由多个二维平面块组成,每个平面块由多个独立神经元组成;基于卷积神经网络训练而成的模型包括如下步骤:
S30,特征提取,每一个神经元从上一层的局部接收域得到输入,迫使其提取局部特征。
S31,特征映射,网络的每一个计算层由多个特征映射组成,每个特征映射都以二维平面的形式存在,平面中的神经元在约束下共享相同的权值集;
S32,子抽样,该计算层跟随在卷积层后,实现局部平均和子抽样,使特征映射的输出对平移等变换的敏感度下降,卷积神经网络通过使用接收域的局部连接,限制了网络结构,卷积神经网络的另一个特点是权值共享,但是由于同一隐层的神经元共享同一权值集,大大减少了自由参数的数量。
具体的,卷积神经网络是由单层的卷积神经网络进行多次堆叠,前一层的输出作为后一层的输入,便构成卷积神经网络;其中每2个节点间的连线,代表输入节点经过卷积、非线性变换、下采样3个阶段变为输出节点,最后一层的输出特征图后接一个全连接层和分类器;
具体的,卷积神经网络的训练分为两个阶段:
(1)向前传播阶段:从样本集(样本数据库)中抽取一个样本(X,Yp),将X输入给网络,信息从输入层经过逐级变换传送到输出层,计算相应的实际输出Op,其中Yp为理想输出,输入X可为变电设备图像数据、作业人员声音数据、电场数据特征以及作业人员位置数据;实际输出Op为变电设备具体数据、作业人员的身份信息、作业人员距离电场的安全距离以及作业人员的位置高度。
(2)向后传播阶段:也称为误差传播阶段,计算实际输出Op与理想输出Yp的差异,并按最小化误差的方法调整权值矩阵;
进一步限定,包括视频数据采集模块、声音数据采集模块、定位模块、电场感应模块、物联平台、存储介质和图像数据采集模块,视频数据采集模块与存储介质连接,声音数据采集模块与存储介质连接,定位模块与物联平台连接,电场感应模块与物联平台连接,图像数据采集模块与存储介质连接;其中:
视频数据采集模块用于获取作业人员的工作画面,并持续录制,录制完成的视频传输并储存至存储介质处;
声音数据采集模块用于获取作业人员的声音数据,并对作业人员的声音数据进行声纹识别,运用基于卷积神经网络训练而成的模型,提取作业人员声音数据的特征点,从而得到作业人员的身份信息,并将此身份信息储存至存储介质处;
定位模块用于持续获取作业人员的位置信息,位置信息包括作业人员的三维坐标,并每隔5s将此位置信息发送至物联平台,基于卷积神经网络训练而成的模型,将获取位置信息中的三维坐标进行特征提取,得到作业人员的位置高度,并基于位置高度转化为可移动的安全距离;
电场感应模块用于获取作业人员的电场数据,并每隔5s将电场数据发送至物联平台,运用基于卷积神经网络训练而成的模型,提取作业人员四周的电场数据特征点,从而计算出作业人员距离电场的安全距离;
物联平台用于接收定位模块和电场感应模块传回的位置信息和电场数据;
图像采集模块用于获取作业人员工作的图像信息,并将图像信息储存至存储介质处。
进一步限定,还包括头盔、AR(Augmented Reality,增强现实)眼镜和定位工卡,视频数据采集模块、定位模块和电场感应模块均设置于头盔内,图像数据采集模块和声音数据采集模块均设置于AR眼镜内,定位模块设置于定位工卡内。
进一步限定,定位模块支持北斗全球卫星定位。
进一步限定,图像数据采集模块输出的图像分辨率不低于1080P。
进一步限定,存储介质连接有一运算芯片,运算芯片主频不低于2.5GHz。
上述实施例,在对待检修变电设备检修过程中的异常行为进行识别时,通过预先训练的检修分析模型,可以自动生成待检修变电设备的图像特征以及异常行为识别辅助信息,有利于提高待检修变电设备检修过程中的异常行为的识别效率;而且,整个过程无需人工进行操作,避免了通过人工巡查的过程比较繁琐,需要耗费大量时间,导致变电设备检修过程中的异常行为的识别效率较低的缺陷,进而提高了变电设备检修过程中的异常行为的识别效率。同时,本申请提高了作业人员的行为感知能力,对作业人员不安全的行为进行预警,提高了安全性,还可通过物联平台在作业前进行模拟预演,此外,还可对变电生产以及检修业务进行改进并提高处理效率,通过设置二次措施防范意外事故的发生。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的变电设备检修行为识别方法的变电设备检修行为识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个变电设备检修行为识别装置实施例中的具体限定可以参见上文中对于变电设备检修行为识别方法的限定,在此不再赘述。
在一个示例性的实施例中,如图5所示,提供了一种变电设备检修行为识别装置,包括:特征提取模块501、方案确定模块502、任务生成模块503、信息获取模块504和行为识别模块505,其中:
特征提取模块501,用于响应于针对待检修变电设备的检修请求,将待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到待检修变电设备的图像特征。
方案确定模块502,用于根据待检修变电设备的图像特征,确定待检修变电设备的检修方案。
任务生成模块503,用于根据待检修变电设备的检修方案,生成待检修变电设备的检修任务。
信息获取模块504,用于将待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及检修人员周围的电场的数据特征点,输入至预先训练的检修分析模型,得到检修人员的身份信息、高度信息以及检修人员与电场之间的安全距离,作为待检修变电设备的检修任务的异常行为识别辅助信息。
行为识别模块505,用于根据异常行为识别辅助信息,对待检修变电设备的检修任务中的异常行为进行识别。
在一个示例性的实施例中,特征提取模块501,还用于响应于针对待检修变电设备的检修请求,获取待检修变电设备的图像数据;对待检修变电设备的图像数据进行预处理,得到预处理图像数据;从预处理图像数据中,提取出关键图像数据;将关键图像数据输入至检修分析模型进行特征提取处理,得到待检修变电设备的图像特征。
在一个示例性的实施例中,方案确定模块502,还用于从待检修变电设备的图像特征中,提取出关键图像特征;将关键图像特征输入至检修方案预测模型进行分类处理,得到待检修变电设备在各个预设检修方案下的分类概率;从各个预设检修方案中,筛选出分类概率最大的预设检修方案,作为待检修变电设备的检修方案。
在一个示例性的实施例中,方案确定模块502,还用于获取历史变电设备的图像特征,以及历史变电设备对应的历史检修方案;根据历史变电设备的图像特征,确定待检修变电设备的图像特征与历史变电设备的图像特征之间的相似度,作为待检修变电设备与历史变电设备之间的相似度;从各个历史变电设备中,筛选出相似度最大的历史变电设备,作为目标历史变电设备;将目标历史变电设备对应的历史检修方案,作为待检修变电设备的检修方案。
在一个示例性的实施例中,该变电设备检修行为识别装置还包括模型训练模块,用于将样本变电设备的图像数据输入至待训练的检修分析模型,得到样本变电设备的预测图像特征;根据样本变电设备的预测图像特征,确定样本变电设备的样本检修方案;根据样本变电设备的样本检修方案,生成样本变电设备的样本检修任务;将样本变电设备的样本检修任务对应的样本检修人员的声音数据和位置数据,以及样本检修人员周围的样本电场的数据特征点,输入至待训练的检修分析模型,得到样本检修人员的预测身份信息、预测高度信息以及与样本电场之间的预测距离;根据样本变电设备的预测图像特征和实际图像特征之间的差异、样本检修人员的预测身份信息和实际身份信息之间的差异、样本检修人员的预测高度信息和实际高度信息之间的差异、样本检修人员与样本电场之间的预测距离和实际距离之间的差异,对待训练的检修分析模型进行迭代训练,得到预先训练的检修分析模型。
在一个示例性的实施例中,该变电设备检修行为识别装置还包括信息发送模块,用于根据待检修变电设备的检修任务,确定待检修变电设备的检修任务对应的检修人员;将待检修变电设备的检修任务对应的任务信息,发送至检修人员对应的检修终端。
上述变电设备检修行为识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像特征、检修方案、检修任务等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种变电设备检修行为识别方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种变电设备检修行为识别方法,其特征在于,所述方法包括:
响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征;
根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案;
根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务;
将所述待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及所述检修人员周围的电场的数据特征点,输入至所述预先训练的检修分析模型,得到所述检修人员的身份信息、高度信息以及所述检修人员与所述电场之间的安全距离,作为所述待检修变电设备的检修任务的异常行为识别辅助信息;
根据所述异常行为识别辅助信息,对所述待检修变电设备的检修任务中的异常行为进行识别。
2.根据权利要求1所述的方法,其特征在于,所述响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征,包括:
响应于针对待检修变电设备的检修请求,获取所述待检修变电设备的图像数据;
对所述待检修变电设备的图像数据进行预处理,得到预处理图像数据;
从所述预处理图像数据中,提取出关键图像数据;
将所述关键图像数据输入至检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征。
3.根据权利要求1所述的方法,其特征在于,所述根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案,包括:
从所述待检修变电设备的图像特征中,提取出关键图像特征;
将所述关键图像特征输入至检修方案预测模型进行分类处理,得到所述待检修变电设备在各个预设检修方案下的分类概率;
从所述各个预设检修方案中,筛选出所述分类概率最大的预设检修方案,作为所述待检修变电设备的检修方案。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案,还包括:
获取历史变电设备的图像特征,以及所述历史变电设备对应的历史检修方案;
根据所述历史变电设备的图像特征,确定所述待检修变电设备的图像特征与所述历史变电设备的图像特征之间的相似度,作为所述待检修变电设备与所述历史变电设备之间的相似度;
从各个所述历史变电设备中,筛选出所述相似度最大的历史变电设备,作为目标历史变电设备;
将所述目标历史变电设备对应的历史检修方案,作为所述待检修变电设备的检修方案。
5.根据权利要求1所述的方法,其特征在于,所述预先训练的检修分析模型通过下述方式训练得到:
将样本变电设备的图像数据输入至待训练的检修分析模型,得到样本变电设备的预测图像特征;
根据所述样本变电设备的预测图像特征,确定所述样本变电设备的样本检修方案;
根据所述样本变电设备的样本检修方案,生成所述样本变电设备的样本检修任务;
将所述样本变电设备的样本检修任务对应的样本检修人员的声音数据和位置数据,以及所述样本检修人员周围的样本电场的数据特征点,输入至所述待训练的检修分析模型,得到所述样本检修人员的预测身份信息、预测高度信息以及与所述样本电场之间的预测距离;
根据所述样本变电设备的预测图像特征和实际图像特征之间的差异、所述样本检修人员的预测身份信息和实际身份信息之间的差异、所述样本检修人员的预测高度信息和实际高度信息之间的差异、所述样本检修人员与所述样本电场之间的预测距离和实际距离之间的差异,对所述待训练的检修分析模型进行迭代训练,得到所述预先训练的检修分析模型。
6.根据权利要求1至5任意一项所述的方法,其特征在于,在根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务之后,还包括:
根据所述待检修变电设备的检修任务,确定所述待检修变电设备的检修任务对应的检修人员;
将所述待检修变电设备的检修任务对应的任务信息,发送至所述检修人员对应的检修终端。
7.一种变电设备检修行为识别装置,其特征在于,所述装置包括:
特征提取模块,用于响应于针对待检修变电设备的检修请求,将所述待检修变电设备的图像数据输入至预先训练的检修分析模型进行特征提取处理,得到所述待检修变电设备的图像特征;
方案确定模块,用于根据所述待检修变电设备的图像特征,确定所述待检修变电设备的检修方案;
任务生成模块,用于根据所述待检修变电设备的检修方案,生成所述待检修变电设备的检修任务;
信息获取模块,用于将所述待检修变电设备的检修任务对应的检修人员的声音数据和位置数据,以及所述检修人员周围的电场的数据特征点,输入至所述预先训练的检修分析模型,得到所述检修人员的身份信息、高度信息以及所述检修人员与所述电场之间的安全距离,作为所述待检修变电设备的检修任务的异常行为识别辅助信息;
行为识别模块,用于根据所述异常行为识别辅助信息,对所述待检修变电设备的检修任务中的异常行为进行识别。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311612421.5A CN117593579A (zh) | 2023-11-28 | 2023-11-28 | 变电设备检修行为识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311612421.5A CN117593579A (zh) | 2023-11-28 | 2023-11-28 | 变电设备检修行为识别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117593579A true CN117593579A (zh) | 2024-02-23 |
Family
ID=89918015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311612421.5A Pending CN117593579A (zh) | 2023-11-28 | 2023-11-28 | 变电设备检修行为识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118469558A (zh) * | 2024-07-12 | 2024-08-09 | 江苏省特种设备安全监督检验研究院 | 一种特种设备检验检测智能自助服务系统及方法 |
-
2023
- 2023-11-28 CN CN202311612421.5A patent/CN117593579A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118469558A (zh) * | 2024-07-12 | 2024-08-09 | 江苏省特种设备安全监督检验研究院 | 一种特种设备检验检测智能自助服务系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111818093B (zh) | 用于进行风险评估的神经网络系统、方法及装置 | |
WO2020073727A1 (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN117593579A (zh) | 变电设备检修行为识别方法、装置和计算机设备 | |
CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
CN113888514A (zh) | 导地线缺陷检测方法、装置、边缘计算设备和存储介质 | |
CN111881958A (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
CN114638391A (zh) | 运单风险场景识别处理方法、装置、计算机设备和介质 | |
CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测系统及方法 | |
CN115018513A (zh) | 数据巡检方法、装置、设备及存储介质 | |
CN117455324B (zh) | 一种基于物理模型的大型港口运营管理方法及系统 | |
CN111079930A (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
Kanchetti | Optimization of insurance claims management processes through the integration of predictive modeling and robotic process automation | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN112270337A (zh) | 一种基于特征映射的异构信息获取方法及装置 | |
CN116665228A (zh) | 图像处理方法及装置 | |
CN116402354A (zh) | 评估参数确定方法、装置、介质与电子设备 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN116910341A (zh) | 标签预测方法、装置及电子设备 | |
Jamshad et al. | Geographic information systems (GIS) image analysis for prioritizing power system restoration | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN113901868A (zh) | 一种变电现场安全监控方法及系统 | |
CN111859370A (zh) | 识别服务的方法、装置、电子设备和计算机可读存储介质 | |
CN112990520B (zh) | 网点接驳件量预测方法、装置、计算机设备和存储介质 | |
CN117557108B (zh) | 电力作业风险智能识别模型的训练方法和装置 |
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 |