CN117635113A - 一种变电站安全智能管控方法 - Google Patents
一种变电站安全智能管控方法 Download PDFInfo
- Publication number
- CN117635113A CN117635113A CN202311608381.7A CN202311608381A CN117635113A CN 117635113 A CN117635113 A CN 117635113A CN 202311608381 A CN202311608381 A CN 202311608381A CN 117635113 A CN117635113 A CN 117635113A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- analysis
- site
- model
- 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 30
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000011084 recovery Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 36
- 230000006399 behavior Effects 0.000 claims description 33
- 230000033001 locomotion Effects 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 28
- 239000010410 layer Substances 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000012800 visualization Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000010191 image analysis Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 239000012792 core layer Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000035515 penetration Effects 0.000 abstract 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
Abstract
本发明提供一种变电站安全智能管控方法,涉及变电站安全领域。该变电站安全智能管控方法,包括以下具体步骤:步骤一、图像获取:通过摄像头获取目标图像;步骤二、图像处理:图像处理包括数据处理和图像预处理,数据处理通过调整图像数据,将图像数据压缩并存盘来将图像进行保存,而图像预处理则通过传感器标定、滤波、增强和恢复,以便于进行后续处理。通过基于站域空间精确定位技术和AI人工智能技术探寻全新的安全监管手段,全面推进大云物移智技术与运检工作现场安全管控的深度融合,提升运检管理穿透力,确保现场操作的人身和设备安全,保证现场作业的连续和高效,提升变电工区的安全智能化管理水平。
Description
技术领域
本发明涉及变电站安全技术领域,具体为一种变电站安全智能管控方法。
背景技术
变电站作为电力系统的重要组成部分,承担着输电、变压、配电等重要任务。然而,在变电站的运行过程中,常常会发生各种安全问题,如电气事故、火灾、设备故障等。这些安全问题不仅会导致设备损坏、停电等直接损失,还可能引发人员伤亡、环境污染等间接影响。因此,如何有效地进行变电站的安全管控成为一个亟待解决的问题。
目前,变电站的安全管控主要依赖人工巡检、视频监控等手段,并缺乏智能化的辅助手段。这种传统的安全管控方式存在一些问题。首先,人工巡检容易出现疲劳、疏忽等问题,无法确保对所有设备的全面检查;其次,视频监控只能提供实时的影像信息,缺乏对设备状态等关键信息的准确判断。而且,当前的安全标准中普遍缺乏对智能化管控的要求和指导
发明内容
针对现有技术的不足,本发明提供了一种变电站安全智能管控方法,解决了现有的变电站缺乏智能化管控的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种变电站安全智能管控方法,包括以下具体步骤:
步骤一、图像获取:通过摄像头获取目标图像;
步骤二、图像处理:图像处理包括数据处理和图像预处理,数据处理通过调整图像数据,将图像数据压缩并存盘来将图像进行保存,而图像预处理则通过传感器标定、滤波、增强和恢复,以便于进行后续处理;
步骤三:图像分析,先对目标分割,之后定位目标,然后对目标进行跟踪,之后提取特征,方便后续图像理解;
步骤四:图像理解,将提取的特征与目标进行对比识别,用来理解目标行为,之后进行异常估计,最后完成决策;
步骤五:基于步骤一到步骤四,进行人像识别的工作票许可确认:工作负责人与工作票许可人按照安全规范进行现场核对工作票、操作票、作业指导书、安全措施、工作班组人员信息,工作班组人员现场签到,手持移动终端内置有人脸识别功能模块,核对工作人员是否有变更;
步骤六:基于步骤一到步骤四,进行计算机视觉分析的工作区域安全定位与人员轨迹管理:系统可预先设置作业现场安全工作区域范围,实现运维检修生产现场智能可视,基于物联网、3D建模、VR&AR技术,建立检修作业仿真模型及远程监控系统,实现变电站全站场景动态可视、设备状态三维可视以及巡检缺陷可视,现场与运维站实现远程实时互动,有效提高工作效率,同时,进行现场工作人员身份识别、违反安规情况的自动报警,实现多方位作业现场远程监视及智能告警;
步骤七:基于步骤一到步骤四,便携式现场安全作业视频监控:便携式现场安全作业视频监控平台配备便携式星光级高清云台球机,可对现场作业视频进行全程录像,使监控人员能够在后台无死角监测整个作业现场,并具备远程喊话功能,能够及时制止现场的不正当操作,对现场作业通过后台进行专业指导,同时为事后进行安全事故原因分析和统计提供第一手真实的资料。
优选的,步骤三中的图像分析采用高斯混合模型进行背景建模,这种模型能够根据样本值(像素点的颜色值)进入模型的不同频率,以及和模型中各个分布成功匹配的不同频率,来不断更新模型中所有高斯分布的参数,即对各个高斯分布的权重、均值和协方差等参数进行训练,使背景像素值分布收敛于一个或某几个高斯分布,实现背景像素值的聚类,从而实现对背景的建模。图像中每个像素点的混合高斯模型可以表示为:
其中,为t时刻被观测像素值X出现的概率,K为混合系数,ωi,t为t时刻第i个高斯分量的权重,为第i个均值为,协方差为的高斯分量的概率密度函数;
高斯混合背景建模算法根据当前像素值与模型中的K个高斯分布的匹配情况,对模型进行更新,如果像素值在某高斯分布均值的2.5倍方差范围之内,称之为成功匹配上该分布,如果当前像素值与K个高斯分布都不匹配,则用一个新的高斯分布取代权重值最小的那个分布,新的分布的均值即为当前的像素值,同时为它分配一个较大的初始协方差和一个较小的初始权重值。
优选的,步骤四中的图像分析包括图像序列的语义理解,通过对监控场景中的目标物行为的分析理解,给出相应的事件与行为描述,基于模板匹配的方法,首先把一个图像序列转化成为一个静态的形状模型,然后,通过与预先存储的行为原型的比较进行识别,框架模型在动态图像语义化理解中经常用来对运动进行建模,采用事例框架来对行为建模,状态空间方法把每一种静态姿势定义为一个状态,状态空间的交互关联用一定的概率来表示,任意运动序列都通过状态表示的不同姿势间的某种组合来实现,组合概率的最大值作为行为分类的标准,神经网络具有非线性映射的能力,可以采用神经网络来实现从几何化的描述到语义概念之间的映射。
优选的,步骤四中的图像分析还包括运动目标的行为分析,在电网环境下,监控的目标主要是人,人的行为分析是指对人的运动模式进行分析和识别,并用自然语言等加以描述,包括行为的表述、检测和识别,对于人运动的视觉分析系统而言,包括以下具体步骤:
S101、运动检测与目标分类:从图像序列中把变化的运动区域从背景中提取出来,并将检测到的不同的运动区域分成不同的运动目,运动检测与目标分类是视觉监控系统的底层处理部分,方便后续处理;
S102、定位与跟踪:定位是指确定图像序列中运动目标的图像位置,进而确定其空间位置和姿态;跟踪是指在图像序列中创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配的过程;
S103、在上述两步的基础上,进一步研究图像序列中各个运动目标的性质和它们之间的相互关系,对运动模式进行分析和识别,最终得出对图像内容含义的理解以及对客观场景的解释。
优选的,步骤五到步骤七,采用了基于大数据的人脸识别、云端数据中心、基于物联网的身份标签、基于视觉辨识的虚拟电子安全围栏、基于智能视频分析的作业行为监控,以及ARCGIS技术的现场场景建模仿真平台,在设备区域和作业现场部署输变电作业现场安全监控系统。
优选的,步骤一到步骤七采用如下技术架构:
接入层:数据层的数据主要分为三大类:视频数据、PMS数据、工作域空间定位信息;
集成层:集成层是系统对数据的初步处理,也是数据融合的重要环节,通过对分布式数据的标注形成预处理数据;
分析层:分析层即核心层主要分为目标检测、特征提取、行为分析、数据信息融合和评价管理,技术上主要包括背景建模技术、背景差分技术、模板匹配技术、数据结构化标注技术;
应用层:应用层是对数据高阶处理的展示,通过数据集成和分析,通过数据配置管理的方案形成三种应用:实时浏览、预告警事件管理;安全防范状态评价;作业现场安全模拟。
本发明提供了一种变电站安全智能管控方法。具备以下有益效果:
1、本发明利用先进的多媒体交互技术,通过大屏幕、台式机、移动终端等实现人、物、平台信息交互,实现现场人员操作场景的视频采集、上传以及现场和监控中心的实时通话,远方实时监视操作过程和现场动态,进行远程许可和发令。可以为现场异常和故障处理提供远程技术支持,能够推进运检管理远程指挥,确保现场操作的人身和设备安全,保证现场作业的连续和高效,从而全面提高安全检修水平,形成智能运检精益化管控的新常态。
2、本发明研究融合智能视频监控与3D场景技术的变电站检修管理规则与方法。变电站将采用先进的计算机3D显示技术和虚拟现实全景技术,实现按照检修计划的自动规划和布撤防,在3D全景图上实现检修间隔的设定,显示围栏、标记和警示信息,显示区域带电情况。为了实现这些功能,需要研究适合计算机自动操作的检修计划制定规则和监督管理方法,包括变电站的间隔设定、检修时间与布撤防规程,进入方式、出入口、工作类别等多种参数,研究制定一整套完整、完备方案的方法,以保证虚拟世界中实现的检修工作能够投射到现实检修任务中,也就是说,虚拟世界不仅能够起到观察和任务可视化的作用,更具有提示、警示的作用,以保证检修任务精准、安全、高质量、高效率的完成。
附图说明
图1为本发明安全智能管控方法流程图;
图2为本发明智能视频监控的系统框架;
图3为本发明技术构架结构图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
实施例一:
如图1-图3所示,本发明实施例提供一种变电站安全智能管控方法,包括以下具体步骤:
步骤一、图像获取:通过摄像头获取目标图像;
步骤二、图像处理:图像处理包括数据处理和图像预处理,数据处理通过调整图像数据,将图像数据压缩并存盘来将图像进行保存,而图像预处理则通过传感器标定、滤波、增强和恢复,以便于进行后续处理;
步骤三:图像分析,先对目标分割,之后定位目标,然后对目标进行跟踪,之后提取特征,方便后续图像理解;
步骤四:图像理解,将提取的特征与目标进行对比识别,用来理解目标行为,之后进行异常估计,最后完成决策;
步骤五:基于步骤一到步骤四,进行人像识别的工作票许可确认:工作负责人与工作票许可人按照安全规范进行现场核对工作票、操作票、作业指导书、安全措施、工作班组人员信息,工作班组人员现场签到,手持移动终端内置有人脸识别功能模块,核对工作人员是否有变更;
步骤六:基于步骤一到步骤四,进行计算机视觉分析的工作区域安全定位与人员轨迹管理:系统可预先设置作业现场安全工作区域范围,实现运维检修生产现场智能可视,基于物联网、3D建模、VR&AR技术,建立检修作业仿真模型及远程监控系统,实现变电站全站场景动态可视、设备状态三维可视以及巡检缺陷可视,现场与运维站实现远程实时互动,有效提高工作效率,同时,进行现场工作人员身份识别、违反安规情况的自动报警,实现多方位作业现场远程监视及智能告警;
步骤七:基于步骤一到步骤四,便携式现场安全作业视频监控:便携式现场安全作业视频监控平台配备便携式星光级高清云台球机,可对现场作业视频进行全程录像,使监控人员能够在后台无死角监测整个作业现场,并具备远程喊话功能,能够及时制止现场的不正当操作,对现场作业通过后台进行专业指导,同时为事后进行安全事故原因分析和统计提供第一手真实的资料。
本实施例中,步骤三中的图像分析采用高斯混合模型进行背景建模,这种模型能够根据样本值(像素点的颜色值)进入模型的不同频率,以及和模型中各个分布成功匹配的不同频率,来不断更新模型中所有高斯分布的参数,即对各个高斯分布的权重、均值和协方差等参数进行训练,使背景像素值分布收敛于一个或某几个高斯分布,实现背景像素值的聚类,从而实现对背景的建模。图像中每个像素点的混合高斯模型可以表示为:
其中,为t时刻被观测像素值X出现的概率,K为混合系数,ωi,t为t时刻第i个高斯分量的权重,为第i个均值为,协方差为的高斯分量的概率密度函数;
高斯混合背景建模算法根据当前像素值与模型中的K个高斯分布的匹配情况,对模型进行更新,如果像素值在某高斯分布均值的2.5倍方差范围之内,称之为成功匹配上该分布,如果当前像素值与K个高斯分布都不匹配,则用一个新的高斯分布取代权重值最小的那个分布,新的分布的均值即为当前的像素值,同时为它分配一个较大的初始协方差和一个较小的初始权重值。
本实施例中,步骤四中的图像分析包括图像序列的语义理解,通过对监控场景中的目标物行为的分析理解,给出相应的事件与行为描述,基于模板匹配的方法,首先把一个图像序列转化成为一个静态的形状模型,然后,通过与预先存储的行为原型的比较进行识别,框架模型在动态图像语义化理解中经常用来对运动进行建模,采用事例框架来对行为建模,状态空间方法把每一种静态姿势定义为一个状态,状态空间的交互关联用一定的概率来表示,任意运动序列都通过状态表示的不同姿势间的某种组合来实现,组合概率的最大值作为行为分类的标准,神经网络具有非线性映射的能力,可以采用神经网络来实现从几何化的描述到语义概念之间的映射。
本实施例中,步骤四中的图像分析还包括运动目标的行为分析,在电网环境下,监控的目标主要是人,人的行为分析是指对人的运动模式进行分析和识别,并用自然语言等加以描述,包括行为的表述、检测和识别,对于人运动的视觉分析系统而言,包括以下具体步骤:
S101、运动检测与目标分类:从图像序列中把变化的运动区域从背景中提取出来,并将检测到的不同的运动区域分成不同的运动目,运动检测与目标分类是视觉监控系统的底层处理部分,方便后续处理;
S102、定位与跟踪:定位是指确定图像序列中运动目标的图像位置,进而确定其空间位置和姿态;跟踪是指在图像序列中创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配的过程;
S103、在上述两步的基础上,进一步研究图像序列中各个运动目标的性质和它们之间的相互关系,对运动模式进行分析和识别,最终得出对图像内容含义的理解以及对客观场景的解释。
本实施例中,步骤五到步骤七,采用了基于大数据的人脸识别、云端数据中心、基于物联网的身份标签、基于视觉辨识的虚拟电子安全围栏、基于智能视频分析的作业行为监控,以及ARCGIS技术的现场场景建模仿真平台,在设备区域和作业现场部署输变电作业现场安全监控系统。
本实施例中,步骤一到步骤七采用如下技术架构:
接入层:数据层的数据主要分为三大类:视频数据、PMS数据、工作域空间定位信息;
集成层:集成层是系统对数据的初步处理,也是数据融合的重要环节,通过对分布式数据的标注形成预处理数据;
分析层:分析层即核心层主要分为目标检测、特征提取、行为分析、数据信息融合和评价管理,技术上主要包括背景建模技术、背景差分技术、模板匹配技术、数据结构化标注技术;
应用层:应用层是对数据高阶处理的展示,通过数据集成和分析,通过数据配置管理的方案形成三种应用:实时浏览、预告警事件管理;安全防范状态评价;作业现场安全模拟。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种变电站安全智能管控方法,其特征在于,安全智能管控方法包括以下具体步骤:
步骤一、图像获取:通过摄像头获取目标图像;
步骤二、图像处理:图像处理包括数据处理和图像预处理,数据处理通过调整图像数据,将图像数据压缩并存盘来将图像进行保存,而图像预处理则通过传感器标定、滤波、增强和恢复,以便于进行后续处理;
步骤三:图像分析,先对目标分割,之后定位目标,然后对目标进行跟踪,之后提取特征,方便后续图像理解;
步骤四:图像理解,将提取的特征与目标进行对比识别,用来理解目标行为,之后进行异常估计,最后完成决策;
步骤五:基于步骤一到步骤四,进行人像识别的工作票许可确认:工作负责人与工作票许可人按照安全规范进行现场核对工作票、操作票、作业指导书、安全措施、工作班组人员信息,工作班组人员现场签到,手持移动终端内置有人脸识别功能模块,核对工作人员是否有变更;
步骤六:基于步骤一到步骤四,进行计算机视觉分析的工作区域安全定位与人员轨迹管理:系统可预先设置作业现场安全工作区域范围,实现运维检修生产现场智能可视,基于物联网、3D建模、VR&AR技术,建立检修作业仿真模型及远程监控系统,实现变电站全站场景动态可视、设备状态三维可视以及巡检缺陷可视,现场与运维站实现远程实时互动,有效提高工作效率,同时,进行现场工作人员身份识别、违反安规情况的自动报警,实现多方位作业现场远程监视及智能告警;
步骤七:基于步骤一到步骤四,便携式现场安全作业视频监控:便携式现场安全作业视频监控平台配备便携式星光级高清云台球机,可对现场作业视频进行全程录像,使监控人员能够在后台无死角监测整个作业现场,并具备远程喊话功能,能够及时制止现场的不正当操作,对现场作业通过后台进行专业指导,同时为事后进行安全事故原因分析和统计提供第一手真实的资料。
2.根据权利要求1所述的一种变电站安全智能管控方法,其特征在于:步骤三中的图像分析采用高斯混合模型进行背景建模,这种模型能够根据样本值进入模型的不同频率,以及和模型中各个分布成功匹配的不同频率,来不断更新模型中所有高斯分布的参数,即对各个高斯分布的权重、均值和协方差参数进行训练,使背景像素值分布收敛于一个或某几个高斯分布,实现背景像素值的聚类,从而实现对背景的建模。图像中每个像素点的混合高斯模型可以表示为:
其中,为t时刻被观测像素值X出现的概率,K为混合系数,ωi,t为t时刻第i个高斯分量的权重,为第i个均值为,协方差为的高斯分量的概率密度函数;
高斯混合背景建模算法根据当前像素值与模型中的K个高斯分布的匹配情况,对模型进行更新,如果像素值在某高斯分布均值的2.5倍方差范围之内,称之为成功匹配上该分布,如果当前像素值与K个高斯分布都不匹配,则用一个新的高斯分布取代权重值最小的那个分布,新的分布的均值即为当前的像素值,同时为它分配一个较大的初始协方差和一个较小的初始权重值。
3.根据权利要求1所述的一种变电站安全智能管控方法,其特征在于:步骤四中的图像分析包括图像序列的语义理解,通过对监控场景中的目标物行为的分析理解,给出相应的事件与行为描述,基于模板匹配的方法,首先把一个图像序列转化成为一个静态的形状模型,然后,通过与预先存储的行为原型的比较进行识别,框架模型在动态图像语义化理解中经常用来对运动进行建模,采用事例框架来对行为建模,状态空间方法把每一种静态姿势定义为一个状态,状态空间的交互关联用一定的概率来表示,任意运动序列都通过状态表示的不同姿势间的某种组合来实现,组合概率的最大值作为行为分类的标准,神经网络具有非线性映射的能力,可以采用神经网络来实现从几何化的描述到语义概念之间的映射。
4.根据权利要求1所述的一种变电站安全智能管控方法,其特征在于:步骤四中的图像分析还包括运动目标的行为分析,在电网环境下,监控的目标主要是人,人的行为分析是指对人的运动模式进行分析和识别,并用自然语言加以描述,包括行为的表述、检测和识别,对于人运动的视觉分析系统而言,包括以下具体步骤:
S101、运动检测与目标分类:从图像序列中把变化的运动区域从背景中提取出来,并将检测到的不同的运动区域分成不同的运动目,运动检测与目标分类是视觉监控系统的底层处理部分,方便后续处理;
S102、定位与跟踪:定位是指确定图像序列中运动目标的图像位置,进而确定其空间位置和姿态;跟踪是指在图像序列中创建基于位置、速度、形状、纹理、色彩的对应匹配的过程;
S103、在上述两步的基础上,进一步研究图像序列中各个运动目标的性质和它们之间的相互关系,对运动模式进行分析和识别,最终得出对图像内容含义的理解以及对客观场景的解释。
5.根据权利要求1所述的一种变电站安全智能管控方法,其特征在于:步骤五到步骤七,采用了基于大数据的人脸识别、云端数据中心、基于物联网的身份标签、基于视觉辨识的虚拟电子安全围栏、基于智能视频分析的作业行为监控,以及ARCGIS技术的现场场景建模仿真平台,在设备区域和作业现场部署输变电作业现场安全监控系统。
6.根据权利要求1所述的一种变电站安全智能管控方法,其特征在于:步骤一到步骤七采用如下技术架构:
接入层:数据层的数据主要分为三大类:视频数据、PMS数据、工作域空间定位信息;
集成层:集成层是系统对数据的初步处理,也是数据融合的重要环节,通过对分布式数据的标注形成预处理数据;
分析层:分析层即核心层主要分为目标检测、特征提取、行为分析、数据信息融合和评价管理,技术上主要包括背景建模技术、背景差分技术、模板匹配技术、数据结构化标注技术;
应用层:应用层是对数据高阶处理的展示,通过数据集成和分析,通过数据配置管理的方案形成三种应用:实时浏览、预告警事件管理;安全防范状态评价;作业现场安全模拟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311608381.7A CN117635113A (zh) | 2023-11-28 | 2023-11-28 | 一种变电站安全智能管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311608381.7A CN117635113A (zh) | 2023-11-28 | 2023-11-28 | 一种变电站安全智能管控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635113A true CN117635113A (zh) | 2024-03-01 |
Family
ID=90029900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311608381.7A Pending CN117635113A (zh) | 2023-11-28 | 2023-11-28 | 一种变电站安全智能管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635113A (zh) |
-
2023
- 2023-11-28 CN CN202311608381.7A patent/CN117635113A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep learning-based safety helmet detection in engineering management based on convolutional neural networks | |
Huang et al. | Detection algorithm of safety helmet wearing based on deep learning | |
CN111144232A (zh) | 基于智能视频监控的变电站电子围栏监测方法、存储介质及设备 | |
CN112818768B (zh) | 一种基于元学习的变电站改扩建违章行为智能化识别方法 | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
CN113516076B (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
CN107145851A (zh) | 建筑作业区危险源智能识别系统 | |
Hu et al. | Detection of workers without the helments in videos based on YOLO V3 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN112949457A (zh) | 基于增强现实技术的维修方法、装置及系统 | |
CN112685812A (zh) | 一种动态监管方法、装置、设备及存储介质 | |
CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
CN115330129A (zh) | 一种企业安全风险预警分析方法及系统 | |
CN113922502B (zh) | 一种智能视频运维管理系统及管理方法 | |
Zhang | Safety management of civil engineering construction based on artificial intelligence and machine vision technology | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
CN111553264B (zh) | 一种适用于中小学生的校园非安全行为检测及预警方法 | |
CN111510685A (zh) | 一种基于三维模型的信息输出方法及装置 | |
CN117635113A (zh) | 一种变电站安全智能管控方法 | |
Chang et al. | Safety risk assessment of electric power operation site based on variable precision rough set | |
Chen et al. | Development of permit-to-work management system based on POP model for petrochemical construction safety | |
CN115169673A (zh) | 一种智慧校园疫情风险监测与预警系统及方法 | |
CN114429677A (zh) | 一种煤矿场景作业行为安全识别考核方法及系统 | |
CN114241400A (zh) | 电网系统的监控方法及其装置、计算机可读存储介质 | |
CN113537019A (zh) | 基于关键点识别变电站人员安全帽佩戴的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |