CN117830956A - 一种高空带电作业安全防护方法、系统、设备及存储介质 - Google Patents

一种高空带电作业安全防护方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN117830956A
CN117830956A CN202410112767.7A CN202410112767A CN117830956A CN 117830956 A CN117830956 A CN 117830956A CN 202410112767 A CN202410112767 A CN 202410112767A CN 117830956 A CN117830956 A CN 117830956A
Authority
CN
China
Prior art keywords
image data
visual angle
angle image
altitude
potential safety
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
Application number
CN202410112767.7A
Other languages
English (en)
Other versions
CN117830956B (zh
Inventor
张建
刘聪
高斌
张磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Guanning Electronic Information Technology Co ltd
Original Assignee
Nanjing Guanning Electronic Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Guanning Electronic Information Technology Co ltd filed Critical Nanjing Guanning Electronic Information Technology Co ltd
Priority to CN202410112767.7A priority Critical patent/CN117830956B/zh
Publication of CN117830956A publication Critical patent/CN117830956A/zh
Application granted granted Critical
Publication of CN117830956B publication Critical patent/CN117830956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06V10/77—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
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Alarm Systems (AREA)

Abstract

本申请公开了一种高空带电作业安全防护方法、系统、设备及存储介质，所述方法包括：获取基于智能穿戴装置采集的第一视角图像数据；获取基于监控云台采集的第二、三视角图像数据；基于图像识别技术对同一时刻下的第一、二视角图像数据进行安全隐患识别；若识别存在高空带电作业安全隐患，则整合识别的高空带电作业安全隐患的类型生成第一安全隐患集合；基于图像识别技术对同一时刻的第一、三视角图像数据进行安全隐患识别，若仍识别存在安全隐患且整合识别的安全隐患的类型生成的第二安全隐患集合与第一隐患合集相同，则根据第二安全隐患合集内的安全隐患的类型作针对性警告提示。本申请能够实现及时检测并警示高空作业人员存在安全隐患。

Description

一种高空带电作业安全防护方法、系统、设备及存储介质
技术领域
本申请涉及高空作业安全防护技术领域，具体是涉及一种高空带电作业安全防护方法、系统、设备及存储介质。
背景技术
高空带电作业作为配电网检修的常规作业项目，具有较高的危险性，高空作业的安全防护是高空带电作业管理的重中之重。
针对高空作业人员的安全防护，一般通过提供高空作业人员一些安全装置(如：绝缘手套、绝缘靴或安全带等装置)，但实际作业中部分高空作业人员往往会不会按照规定佩戴安全装置，导致发生触电与高空跌落等危险，因此需要实时检测并提醒高空作业人员佩戴安全装置以增强安全防护。
由于高空带电作业常需要高空作业人员需要与地面监护人员进行沟通或带电专家的指导，而传统的安全装置无法解放高空作业人员的双手，高空作业人员需要通过手持对讲机与地面监护人员进行沟通，效率低下且危险性高；传统的安全装置无法满足高空作业人员具有远程提供技术辅助支撑条件，问题反馈与解决的时效性差；当然，高空带电作业人员还有可能遭受高空不明物体的打击，需要及时的检查并提醒高空作业人员躲避。
此外，除了对高空作业人员的安全防护，还需要防止行人误入工作现场，保障行人的安全；对于大型带电作业现场，由于施工范围长达数百米，增派地面辅助监护人员看管行人效率低且成本高。
发明内容
为了实现及时检测并警示高空作业人员存在安全隐患，本申请提供一种高空带电作业安全防护方法、系统、设备及存储介质。
第一方面，本申请公开一种高空带电作业安全防护方法，包括：
获取基于高空带电作业人员穿戴的智能穿戴装置实时采集的高空带电作业人员于高空带电作业现场的第一视角图像数据；
获取基于第一监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第二视角图像数据、第二监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第三视角图像数据；
基于图像识别技术对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据进行高空带电作业安全隐患识别；若识别存在高空带电作业安全隐患，则整合识别的高空带电作业安全隐患的类型生成第一安全隐患集合；所述高空带电作业安全隐患类型包括：高空带电作业人员触电隐患、高空带电作业人员跌落隐患；
基于图像识别技术对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行高空带电作业安全隐患识别，若仍识别存在高空带电作业安全隐患且整合识别的高空带电作业安全隐患的类型生成的第二安全隐患集合与第一隐患合集相同，则根据第二安全隐患合集内的高空带电作业安全隐患的类型作针对性警告提示。
通过采用上述方案，利用作业人员于高空带电作业现场第一视角和第二视角图像实时显示高空带电作业现场情况，结合图像识别技术识别高空带电作业人员面临的安全隐患，相较于单一视角实现了全方位的监控；针对识别到的隐患采用同一时刻的作业人员于高空带电作业现场第一视角和第三视角图像进行安全隐患识别的验证，进一步的保障识别结果的准确性，实现及时准确的警示。
优选的，高空带电作业人员触电隐患识别具体包括：
将实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或将与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据分别输入训练好的第一卷积神经网络，获得输出结果包括：是否具有绝缘手套和/或绝缘鞋以及绝缘手套和/或绝缘鞋的位置；所述第一卷积神经网络通过具有绝缘手套和/或绝缘鞋且标注有绝缘手套和/或绝缘鞋与绝缘手套和/或绝缘鞋对应位置、无绝缘手套与绝缘鞋且标注无绝缘手套和/或绝缘鞋的若干历史图像训练生成；
利用人体关键点识别技术分别对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或分别对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行人体关键点识别；
统计针对同一视角图像数据获得的绝缘手套和/或绝缘鞋的位置、各人体关键点；将获得的绝缘手套的位置与每个人体关键点的位置计算距离并判断是否至少存在一个距离值处于第一预设值内，若存在，则认定穿戴绝缘手套，否则，则认定未穿戴绝缘手套；将获得的绝缘鞋的位置与每个人体关键点的位置计算距离并判断是否至少存在一个距离值处于第一预设值内，若存在，则认定穿戴绝缘鞋，否则，则认定未穿戴绝缘鞋；合并针对每个视角图像数据的判断结果，若合并结果包括穿戴绝缘手套与绝缘鞋，则认定为不存在高空带电作业人员触电隐患，否则，认定为存在高空带电作业人员触电隐患。
通过采用上述方案，利用训练好的第一卷积神经网络识别作业人员于高空带电作业现场各视角中是否存在绝缘手套和/或绝缘鞋，但考虑到高空作业人员可能会将绝缘手套和/或绝缘鞋放置在高空作业人员承载平台或口袋等地方，并没实际穿戴，结合人体关键点识别技术识别的人体关键点进行位置确认，实现高空作业人员实际穿戴绝缘手套与绝缘鞋与否的判断以及时提示，避免发生触电。
优选的，高空带电作业人员跌落隐患识别具体包括：
将实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或将对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据分别输入训练好的第二卷积神经网络，获得输出结果包括：是否具有安全带与安全带位置、安全带是否与高空作业对象或高空作业人员承载平台连接；所述第二卷积神经网络通过具有安全带且标注有安全带与安全带位置、无安全带且标记为无安全带、安全带与高空作业对象或高空作业人员承载平台连接且标注连接以及安全带与高空作业对象或高空作业人员承载平台未连接且标注未连接的若干历史图像训练生成；
利用人体关键点识别技术分别对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或分别对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行人体关键点识别；
统计针对同一视角图像数据获得的安全带位置、各人体关键点，将获得的安全带位置分别与识别的各人体关键点的位置计算距离并判断是否至少存在一个距离处于第二预设值内；若存在，则认定穿戴安全带，否则，认定未穿戴安全带；合并针对每个视角图像数据的判断结果以及根据每个视角图像数据获得的安全带是否与高空作业对象或高空作业人员承载平台连接的结果；若合并结果存在穿戴安全带且安全带与高空作业对象或高空作业人员承载平台连接，则认定不存在高空带电作业人员跌落隐患，否则，认定高空带电作业人员跌落隐患。
通过采用上述方案，利用训练好的第二卷积神经网络识别作业人员于高空带电作业现场各视角中是否存在安全带以及安全带是否挂接于固定物体，考虑到高空作业人员仅携带安全带，将安全带在高空作业人员承载平台或其他地方，并没实际穿戴，结合人体关键点识别技术识别的人体关键点进行位置确认，实现高空作业人员实际穿戴安全带的判断以及时提示，避免发生跌落。
优选的，还包括：
根据高空带电作业人员任务的操作范围确定地面安全防护区域，并下达于确认的地面安全防护区域边缘设置具有安全监测功能的围栏的指示；所述具有安全监测功能的围栏是指包括微型摄像装置、人体红外传感器以及声光报警装置的围栏；
接收到围栏设置完毕信息后，实时获取基于人体红外传感器采集到通过围栏的人体热图像信息同一时刻下微型摄像装置采集的图像，记为第一图像；
利用人脸识别技术对于获取的第一图像进行人脸识别，将识别到的人脸数据与允许进入地面安全防护区域的人员的人脸数据进行对比，若不属于允许进入地面安全防护区域的人员的人脸数据，则控制声光报警装置发出警示；若属于允许进入地面安全防护区域的人员的人脸数据，则不进行任何操作。
通过采用上述方案，实时获取通过围栏的人体热图像信息并及时发现通过围栏的行人，实现区域范围内出现未经许可的人员时自动感应，并发出声光报警，具有防护效果好、报警及时等优点。
优选的，利用第一监控云台或第二监控云台与高空带电作业人员穿戴的智能穿戴装置、远程带电专家终端建立通信连接；
利用第一监控云台或第二监控云台将接收高空带电作业人员穿戴的智能穿戴装置实时传输的语音信息与图像数据发送至远程带电专家终端，并接收远程带电专家终端传输的语音信息传输至智能穿戴装置。
通过采用上述方案，考虑到监控云台装置具有具备视频回传、云台控制、卫星定位、双向对讲、视频存储回放并可远程控制等优点，实现高空带电作业人员于高空带电作业现场远程与带电作业专家进行问题沟通，满足高空作业人员具有远程提供技术辅助支撑条件。
优选的，还包括：
利用图像边缘检测技术与人体轮廓检测技术对实时采集的第二视角图像数据或实时采集的第三视角图像数据进行边缘识别；
当检测到一段时间内针对第二视角图像数据或第三视角图像数据识别的人体边缘顶部与其他物体边缘顶部的相对距离变化速率大于第一预设速率且其他物体边缘的位置不变，则认定发生高空带电作业人员跌落，生成发生跌落提醒，否则，认定高空带电作业人员未发生跌落。
通过采用上述方案，考虑到高空带电作业人员在执行任务整个过程中任意一段时间内与高空作业对象的相对距离变化不会太大，而发生意外跌落时相对距离变化会非常迅速，观察人体边缘顶部与其他物体边缘顶部的相对距离变化速率及时发现高空带电作业人员跌落隐患。
优选的，还包括：
利用图像边缘检测技术与人体轮廓检测技术对实时采集的第二视角图像数据或实时采集的第三视角图像数据进行边缘识别；
当检测到一段时间内针对第二视角图像数据或第三视角图像数据识别的人体边缘顶部与其他物体边缘顶部的相对距离变化至小于预设安全距离且其他物体边缘的位置变化速率大于第二预设速率、其他物体边缘的尺寸大于预设尺寸，则认定存在高空带电作业人员遭受物体打击隐患，生成高空带电作业人员遭受物体打击隐患警示；否则认定不存在高空带电作业人员遭受物体打击隐患。
通过采用上述方案，利用图像边缘检测技术与人体轮廓检测技术识别人体与其他物体，当检测到与人体距离小于安全距离的物体，及时生成异常物体警示，防止高空带电作业人员遭受物体打击。
第二方面，本申请提供一种高空带电作业安全防护系统，包括：
第一视角图像数据获取模块，用于获取基于高空带电作业人员穿戴的智能穿戴装置实时采集的高空带电作业人员于高空带电作业现场的第一视角图像数据；
其他视角图像数据获取模块，用于获取基于第一监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第二视角图像数据、第二监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第三视角图像数据；
高空带电作业安全隐患识别模块，用于基于图像识别技术对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据进行高空带电作业安全隐患识别；若识别存在高空带电作业安全隐患，则整合识别的高空带电作业安全隐患的类型生成第一安全隐患集合；所述高空带电作业安全隐患类型包括：高空带电作业人员触电隐患、高空带电作业人员跌落隐患；
高空带电作业安全隐患验证与预警模块，用于基于图像识别技术对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行高空带电作业安全隐患识别，若仍识别存在高空带电作业安全隐患且整合识别的高空带电作业安全隐患的类型生成的第二安全隐患集合与第一隐患合集相同，则根据第二安全隐患合集内的高空带电作业安全隐患的类型作针对性警告提示。
通过采用上述方案，利用智能可穿戴设备与监控云台装置实时获取作业人员于作业现场的多视角画面，实现全方位隐患识别与验证，实现及时准确的安全隐患的识别与警示。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的方法。
第四方面，本申请提供一种计算机设备，所述计算机设备包括存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现如上述方法的步骤。
综上，本申请具有以下有益效果为：
1、利用获取的高空带电作业人员于高空带电作业现场的第一视角画面与其他视角画面的综合画面，结合图像识别技术，全面识别高空带电作业人员的安全隐患并完成识别到的安全隐患验证，实现及时准确的安全隐患的识别与警示，保障作业人员的安全；
2、通过于地面安全防护区域内设置具有安全监测功能的围栏，及时发现通过围栏的行人并发出声光报警，防护效果好；
3、考虑到智能穿戴装置具有将所看到画面实时传输至地面终端设备、支持语音对话等功能，监控云台装置具有拍摄、记录、对话、录音、传输、存储、本地回放等功能，保障高空带电作业人员于高空带电作业现场具有远程与带电作业专家进行问题交流的安全环境。
附图说明
图1为具体实施例中所述高空带电作业安全防护方法的流程图；
图2为具体实施例中所述高空带电作业安全防护方法中智能穿戴装置的实物与应用图示；图2(a)为智能穿戴装置实物；图2(b)为智能穿戴装置应用图示；
图3为具体实施例中所述高空带电作业安全防护方法中监控云台装置的实物与应用图示；图3(a)为监控云台装置实物；图3(b)为监控云台装置应用图示；
图4为具体实施例中所述高空带电作业安全防护方法中高空作业人员承载平台安装360度高清摄像头的图示；图4(a)为高空作业人员承载平台左后支腿安装360度高清摄像头；图4(b)为高空作业人员承载平台右前支腿安装360度高清摄像头；
图5为具体实施例中所述高空带电作业安全防护系统的结构示意图。
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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请实施例公开一种高空带电作业安全防护方法，具体包括：
S1、获取基于智能穿戴装置实时采集的高空带电作业人员于高空带电作业现场的第一视角图像数据。
具体的，如图2所示，本申请实施例中高空带电作业人员穿戴的智能穿戴装置选用单兵智能眼镜，如图2(a)所示，该款单兵眼镜系统集成微型摄像、照片、语音、镜片防护、4G信号传输等功能，可实时拍摄现场作业状况，并将画面实时传输至地面监护人员手持终端，如图2(b)所示。
通过地面监护人员手持终端获取基于高空带电作业人员穿戴的智能穿戴装置实时采集的高空带电作业人员于高空带电作业现场的第一视角图像数据。
S2、获取基于监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第二视角图像数据与第三视角图像数据。
具体的，如图3所示，本申请实施例中监控云台装置采用高速处理器和嵌入式操作系统，结合IT领域中先进的H.265视频压缩/解压缩技术，支持1路1080p高清录像和无线数据上传，配合中心软件可实现中央管控、远程管理及基于中心数据库的回放分析高空作业现场。所述监控云台装置可使用三脚架固定安装，如图3(a)所示，或用布控球自带的磁铁吸附安装，随时搭建使用方便拆卸，定点监测；本实施例中高空带电作业现场设置的第一监控云台装置与第二监控云台装置，均实现全景拍摄，具有记录、对话、录音、传输、存储、本地回放等功能，工作人员可通过手持操控终端控制监控云台装置的运行，如图3(b)所示。
获取基于第一监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第二视角图像数据、第二监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第三视角图像数据。
其中，若高空作业人员乘坐侧面全封闭的高空作业人员承载平台执行检修任务，可选用无人机挂载式监控云台装置或将监控云台装置安装于高空作业人员承载平台，以便于采集高空带电作业人员于高空带电作业现场的情况；若高空作业人员利用侧面非封闭的高空作业人员承载平台执行检修任务，可选用安装于地面的监控云台装置，以便于采集高空带电作业人员于高空带电作业现场的情况。
S3、基于图像识别技术对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据进行高空带电作业安全隐患识别，判断是否识别到高空带电作业安全隐患。
具体的，基于图像识别技术对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据进行高空带电作业安全隐患识别；若识别存在高空带电作业安全隐患，则整合识别的高空带电作业安全隐患的类型生成第一安全隐患集合，转至S4；若未识别存在任何高空带电作业安全隐患，转至S6，即不进行任何操作。
其中，高空带电作业安全隐患类型包括：高空带电作业人员触电隐患、高空带电作业人员跌落隐患，进而整合生成的第一安全隐患集合例如：I1＝{触电隐患、跌落隐患}。
S4、基于图像识别技术对第三视角图像数据与第一视角图像数据进行高空带电作业安全隐患识别，验证识别到的高空带电作业安全隐患是否正确。
具体的，基于图像识别技术对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行高空带电作业安全隐患识别；若仍识别存在高空带电作业安全隐患且整合识别的高空带电作业安全隐患的类型生成的第二安全隐患集合与第一隐患合集相同，即I2＝I1，则认定验证识别正确，转至S5，否则，认定验证识别失败，转至S6，即不进行任何操作。
S5、根据第二安全隐患合集内的高空带电作业安全隐患的类型作针对性警告提示，结束操作。
具体的，针对高空带电作业人员触电隐患，则对应生成高空带电作业人员触电隐患警告提示；针对高空带电作业人员跌落隐患，则对应生成高空带电作业人员跌落隐患警告提示。
其中，考虑到高空带电作业人员漏电隐患主要发生情况包括：高空带电作业人员在执行高空带电作业任务过程中未按照规定佩戴绝缘工具(绝缘手套或绝缘鞋)。本实施例中，步骤S3与步骤S4中基于图像识别技术对图像数据进行高空带电作业人员漏电隐患识别具体步骤如下：
将实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或将与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据分别输入训练好的第一卷积神经网络，获得对应的输出结果，具体包括：是否具有绝缘手套和/或绝缘鞋以及绝缘手套和/或绝缘鞋的位置；其中，第一卷积神经网络通过具有绝缘手套和/或绝缘鞋且标注有绝缘手套和/或绝缘鞋与绝缘手套和/或绝缘鞋对应位置、无绝缘手套与绝缘鞋且标注无绝缘手套和/或绝缘鞋的若干历史图像迭代训练生成。
利用人体关键点识别技术分别对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或分别对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行人体关键点识别。
考虑到未被作业人员穿戴且能够稳定存在于高空作业现场的绝缘穿戴工具一般都放置作业人员的口袋或高空作业承载平台，且为了防止影响作业置于高空作业承载平台上的绝缘穿戴工具会置于远离作业人员的位置，因此未穿戴的绝缘穿戴工具一般与人体关键点位置具有一定距离，故统计针对同一时刻同一视角图像数据获得的绝缘手套和/或绝缘鞋的位置、各人体关键点；将获得的绝缘手套的位置与每个人体关键点的位置计算距离并判断是否至少存在一个距离值处于第一预设值内，若存在，则认定穿戴绝缘手套，否则，则认定未穿戴绝缘手套；将获得的绝缘鞋的位置与每个人体关键点的位置计算距离并判断是否至少存在一个距离值处于第一预设值内，若存在，则认定穿戴绝缘鞋，否则，则认定未穿戴绝缘鞋。
合并针对每个视角图像数据的判断结果，若合并结果包括穿戴绝缘手套和绝缘鞋，则认定为不存在高空带电作业人员触电隐患，否则，认定为存在高空带电作业人员触电隐患。
其中，考虑到高空带电作业人员跌落隐患主要发生情况包括：高空带电作业人员在执行高空带电作业任务过程中未按照规定佩戴安全带或者虽然佩戴了安全带但是安全带的挂钩没有按照规定与固定位置进行连接；本实施例中，步骤S3与步骤S4中基于图像识别技术对图像数据进行高空带电作业人员跌落隐患识别具体步骤如下：
将实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或将对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据分别输入训练好的第二卷积神经网络，获得输出结果包括：是否具有安全带与安全带位置、安全带是否与高空作业对象(如：输电塔杆)或高空作业人员承载平台或其他辅助用于挂锁的装置连接；其中，所述第二卷积神经网络通过具有安全带且标注有安全带与安全带位置、无安全带且标记为无安全带、安全带与高空作业对象或高空作业人员承载平台连接且标注连接以及安全带与高空作业对象或高空作业人员承载平台未连接且标注未连接的若干历史图像迭代训练生成。
利用人体关键点识别技术分别对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或分别对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行人体关键点识别。
考虑到未被作业人员穿戴且能够稳定存在于高空作业现场的安全带一般都放置高空作业承载平台，为了防止影响作业置于高空作业承载平台上的安全带会放置于远离作业人员的位置，与人体关键点位置具有一定距离，而穿戴安全带的情况下，安全带的距离与部分人体关键点的距离非常近；统计针对同一时刻的同一视角图像数据获得的安全带位置、各人体关键点，将获得的安全带位置分别与识别的各人体关键点的位置计算距离并判断是否至少存在一个距离处于第二预设值内；若存在，则认定穿戴安全带，否则，认定未穿戴安全带；合并针对每个视角图像数据的判断结果以及根据每个视角图像数据获得的安全带是否与高空作业对象或高空作业人员承载平台连接的结果；若合并结果存在穿戴安全带且安全带与高空作业对象或高空作业人员承载平台连接，则认定不存在高空带电作业人员跌落隐患，否则，认定高空带电作业人员跌落隐患。
此外，除了要保障高空带电作业人员的安全，还需要防止行人误入作业现场，保障行人的安全，本申请所述方法还包括：
根据高空带电作业人员任务的操作范围确定地面安全防护区域，即高空操作的距离对应的而地面距离以及辐射的一定地面距离确定安全防护区域；并下达于确认的地面安全防护区域边缘设置具有安全监测功能的围栏的指示。其中，具有安全监测功能的围栏是指包括微型摄像装置、人体红外传感器以及声光报警装置的可移动围栏，还包括移动电源和主控制器等。
接收到围栏设置完毕信息后，获取基于人体红外传感器采集到通过围栏的人体热图像信息以及基于人体红外传感器采集到通过围栏的人体热图像信息同一时刻下微型摄像装置采集的图像，记为第一图像；
利用人脸识别技术对于获取的第一图像进行人脸识别，将识别到的人脸数据与允许进入地面安全防护区域的人员的人脸数据进行对比，若不属于允许进入地面安全防护区域的人员的人脸数据，则控制声光报警装置发出禁止进入的警示；若属于允许进入地面安全防护区域的人员的人脸数据，则不进行任何操作。其中，每个高空带电作业任务均设有对应的人脸数据库，用于存储允许进入地面安全防护区域的人员的人脸数据。
为了保证高空带电作业人员获取远程带电作业专家指挥，及时解决作业存在的问题，本申请所述方法还包括：
利用第一监控云台或第二监控云台与高空带电作业人员穿戴的智能穿戴装置、远程带电专家终端建立通信连接；
利用第一监控云台或第二监控云台将接收高空带电作业人员穿戴的智能穿戴装置实时传输的语音信息与图像数据发送至远程带电专家终端，并接收远程带电专家终端传输的语音信息传输至智能穿戴装置。
其中，第一监控云台与第二监控云台可将接收高空带电作业人员穿戴的智能穿戴装置实时传输的语音信息与图像数据以及收远程带电专家终端传输的语音信息按时间段进行存储，最终生成日志记录，便于后续工作人员搜寻并完成作业分析。
考虑到高空带电作业人员跌落的危害性较大，除了需要通过检测高空带电作业人员是否穿戴安全带从而进行跌落隐患识别外，还需要对高空带电作业人员实际是否发生跌落情况进行检测，及时生成跌落提醒以便及时开启跌落安全保护气垫并安排医疗资源；所述方法还包括：
考虑到跌落情况的时间较短，不采用验证方式，直接利用图像边缘检测技术与人体轮廓检测技术对实时采集的第二视角图像数据或实时采集的第三视角图像数据进行边缘识别；当检测到一段时间内针对第二视角图像数据或第三视角图像数据识别的人体边缘顶部与其他物体边缘顶部的相对距离变化速率大于第一预设速率且其他物体边缘的位置不变，则认定发生高空带电作业人员跌落，生成发生跌落提醒，否则，认定高空带电作业人员未发生跌落。
考虑到高空带电作业人员遭受物体打击隐患主要发生情况包括：物体不明物体跌落或自其他方向砸至高空带电作业人员；为了进一步防护高空作业人员，所述方法还包括：利用图像边缘检测技术与人体轮廓检测技术对实时采集的第二视角图像数据或实时采集的第三视角图像数据进行边缘识别；
当检测到一段时间内针对第二视角图像数据或第三视角图像数据识别的人体边缘顶部与其他物体边缘顶部的相对距离变化至小于预设安全距离且其他物体边缘的位置变化速率大于第二预设速率、其他物体边缘的尺寸大于预设尺寸(即表明移动的物体不断的靠近人体且非雨滴等物体)，则认定存在高空带电作业人员遭受物体打击隐患，生成高空带电作业人员遭受物体打击隐患警示；否则认定不存在高空带电作业人员遭受物体打击隐患。
考虑到高空带电作业人员承载平台的绝缘斗臂车中绝缘斗臂上升或转动过程中，会碰撞到周边环境的树木或者物体，为避免绝缘斗臂车以及绝缘斗臂车上的高空带电作业人员被周边环境的物体打击，所述方法还包括：
于绝缘斗臂上升或转动时间段内，实时获取基于安装于绝缘斗臂车四个支腿的摄像头采集的第四视角的图像数据；其中，绝缘斗臂车四个支腿安装的部分支腿的摄像头安装如图4(a)与图4(b)所示，图4中的摄像头均采用磁吸固定方式安装，摄像头会将捕捉的画面实时显示在操作人员终端中，可自操作人员终端直接获取采集的图像数据；
利用图像边缘检测技术分别对实时采集的四组第四视角图像数据进行边缘识别，获取边缘识别结果；
将四组第四视角的图像数据分别输入第三卷积神经网络，获得输出为是否具有绝缘斗臂车以及绝缘斗臂车的位置；所述第三卷积神经网络通过具有绝缘斗臂车并标注有绝缘斗臂车位置、无绝缘斗臂车并标注无绝缘斗臂车的若干历史图像训练生成；
将针对每组视角图像数据获得的绝缘斗臂车的位置与针对该组视角获得图像边缘进行重合比对分析，若存在针对一组视角图像数据中获得的绝缘斗臂车的位置与图像边缘位置中除绝缘斗臂车的位置外的图像边缘位置的相对距离小于预设的安全距离，则认定存在遭受周边环境物体打击隐患，对应生成提示信息，否则，认定不存在遭受周边环境物体打击隐患。
如图5所示，本申请实施例提供一种高空带电作业安全防护系统，包括：
第一视角图像数据获取模块101，用于获取基于高空带电作业人员穿戴的智能穿戴装置实时采集的高空带电作业人员于高空带电作业现场的第一视角图像数据；
其他视角图像数据获取模块102，用于获取基于第一监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第二视角图像数据、第二监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第三视角图像数据；
高空带电作业人员安全隐患识别模块103，用于基于图像识别技术对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据进行高空带电作业安全隐患识别；若识别存在高空带电作业安全隐患，则整合识别的高空带电作业安全隐患的类型生成第一安全隐患集合；所述高空带电作业安全隐患类型包括：高空带电作业人员触电隐患、高空带电作业人员跌落隐患、高空带电作业人员遭受物体打击隐患；
高空带电作业人员安全隐患验证与预警模块104，用于基于图像识别技术对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行高空带电作业安全隐患识别，若仍识别存在高空带电作业安全隐患且整合识别的高空带电作业安全隐患的类型生成的第二安全隐患集合与第一隐患合集相同，则根据第二安全隐患合集内的高空带电作业安全隐患的类型作针对性警告提示。
所述系统还包括：
行人安全防护与警示模块105，用于根据高空带电作业人员任务的操作范围确定地面安全防护区域，并下达于确认的地面安全防护区域边缘设置具有安全监测功能的围栏的指示；所述具有安全监测功能的围栏是指包括微型摄像装置、人体红外传感器以及声光报警装置的围栏；接收到围栏设置完毕信息后，获取基于人体红外传感器采集到通过围栏的人体热图像信息同一时刻下微型摄像装置采集的图像，记为第一图像；利用人脸识别技术对于获取的第一图像进行人脸识别，将识别到的人脸数据与允许进入地面安全防护区域的人员的人脸数据进行对比，若不属于允许进入地面安全防护区域的人员的人脸数据，则控制声光报警装置发出警示；若属于允许进入地面安全防护区域的人员的人脸数据，则不进行任何操作。
本申请实施例还公开一种计算机可读存储介质。
具体来说，该计算机可读存储介质，其存储有能够被处理器加载并执行如上述基于高空带电作业安全防护方法的计算机程序，该计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还公开一种计算机设备。
具体来说，计算机设备包括存储器和处理器，存储器上存储有能够被处理器加载并执行上述高空带电作业安全防护方法的计算机程序。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其它等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (10)

1.一种高空带电作业安全防护方法，其特征在于，包括：
获取基于高空带电作业人员穿戴的智能穿戴装置实时采集的高空带电作业人员于高空带电作业现场的第一视角图像数据；
获取基于第一监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第二视角图像数据、第二监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第三视角图像数据；
基于图像识别技术对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据进行高空带电作业安全隐患识别；若识别存在高空带电作业安全隐患，则整合识别的高空带电作业安全隐患的类型生成第一安全隐患集合；所述高空带电作业安全隐患类型包括：高空带电作业人员触电隐患、高空带电作业人员跌落隐患；
基于图像识别技术对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行高空带电作业安全隐患识别，若仍识别存在高空带电作业安全隐患且整合识别的高空带电作业安全隐患的类型生成的第二安全隐患集合与第一隐患合集相同，则根据第二安全隐患合集内的高空带电作业安全隐患的类型作针对性警告提示。
2.根据权利要求1所述高空带电作业安全防护方法，其特征在于，高空带电作业人员触电隐患识别具体包括：
将实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或将与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据分别输入训练好的第一卷积神经网络，获得输出结果包括：是否具有绝缘手套和/或绝缘鞋以及绝缘手套和/或绝缘鞋的位置；所述第一卷积神经网络通过具有绝缘手套和/或绝缘鞋且标注有绝缘手套和/或绝缘鞋与绝缘手套和/或绝缘鞋对应位置、无绝缘手套与绝缘鞋且标注无绝缘手套与绝缘鞋的若干历史图像训练生成；
利用人体关键点识别技术分别对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或分别对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行人体关键点识别；
统计针对同一视角图像数据获得的绝缘手套和/或绝缘鞋的位置、各人体关键点；将获得的绝缘手套的位置与每个人体关键点的位置计算距离并判断是否至少存在一个距离值处于第一预设值内，若存在，则认定穿戴绝缘手套，否则，则认定未穿戴绝缘手套；将获得的绝缘鞋的位置与每个人体关键点的位置计算距离并判断是否至少存在一个距离值处于第一预设值内，若存在，则认定穿戴绝缘鞋，否则，则认定未穿戴绝缘鞋；合并针对每个视角图像数据的判断结果，若合并结果包括穿戴绝缘手套与绝缘鞋，则认定为不存在高空带电作业人员触电隐患，否则，认定为存在高空带电作业人员触电隐患。
3.根据权利要求1所述高空带电作业安全防护方法，其特征在于，高空带电作业人员跌落隐患识别具体包括：
将实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或将对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据分别输入训练好的第二卷积神经网络，获得输出结果包括：是否具有安全带与安全带位置、安全带是否与高空作业对象或高空作业人员承载平台连接；所述第二卷积神经网络通过具有安全带且标注有安全带与安全带位置、无安全带且标记为无安全带、安全带与高空作业对象或高空作业人员承载平台连接且标注连接以及安全带与高空作业对象或高空作业人员承载平台未连接且标注未连接的若干历史图像训练生成；
利用人体关键点识别技术分别对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据或分别对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行人体关键点识别；
统计针对同一视角图像数据获得的安全带位置、各人体关键点，将获得的安全带位置分别与识别的各人体关键点的位置计算距离并判断是否至少存在一个距离处于第二预设值内；若存在，则认定穿戴安全带，否则，认定未穿戴安全带；合并针对每个视角图像数据的判断结果以及根据每个视角图像数据获得的安全带是否与高空作业对象或高空作业人员承载平台连接的结果；若合并结果存在穿戴安全带且安全带与高空作业对象或高空作业人员承载平台连接，则认定不存在高空带电作业人员跌落隐患，否则，认定高空带电作业人员跌落隐患。
4.根据权利要求1所述高空带电作业安全防护方法，其特征在于，还包括：
根据高空带电作业人员任务的操作范围确定地面安全防护区域，并下达于确认的地面安全防护区域边缘设置具有安全监测功能的围栏的指示；所述具有安全监测功能的围栏是指包括微型摄像装置、人体红外传感器以及声光报警装置的围栏；
接收到围栏设置完毕信息后，获取基于人体红外传感器采集到通过围栏的人体热图像信息同一时刻下微型摄像装置采集的图像，记为第一图像；
利用人脸识别技术对于获取的第一图像进行人脸识别，将识别到的人脸数据与允许进入地面安全防护区域的人员的人脸数据进行对比，若不属于允许进入地面安全防护区域的人员的人脸数据，则控制声光报警装置发出警示；若属于允许进入地面安全防护区域的人员的人脸数据，则不进行任何操作。
5.根据权利要求1所述高空带电作业安全防护方法，其特征在于，还包括：
利用第一监控云台或第二监控云台与高空带电作业人员穿戴的智能穿戴装置、远程带电专家终端建立通信连接；
利用第一监控云台或第二监控云台将接收高空带电作业人员穿戴的智能穿戴装置实时传输的语音信息与图像数据发送至远程带电专家终端，并接收远程带电专家终端传输的语音信息传输至智能穿戴装置。
6.根据权利要求1所述高空带电作业安全防护方法，其特征在于，还包括：
利用图像边缘检测技术与人体轮廓检测技术对实时采集的第二视角图像数据或实时采集的第三视角图像数据进行边缘识别；
当检测到一段时间内针对第二视角图像数据或第三视角图像数据识别的人体边缘顶部与其他物体边缘顶部的相对距离变化速率大于第一预设速率且其他物体边缘的位置不变，则认定发生高空带电作业人员跌落，生成发生跌落提醒，否则，认定高空带电作业人员未发生跌落。
7.根据权利要求1所述高空带电作业安全防护方法，其特征在于，还包括：
利用图像边缘检测技术与人体轮廓检测技术对实时采集的第二视角图像数据或实时采集的第三视角图像数据进行边缘识别；
当检测到一段时间内针对第二视角图像数据或第三视角图像数据识别的人体边缘顶部与其他物体边缘顶部的相对距离变化至小于预设安全距离且其他物体边缘的位置变化速率大于第二预设速率、其他物体边缘的尺寸大于预设尺寸，则认定存在高空带电作业人员遭受物体打击隐患，生成高空带电作业人员遭受物体打击隐患警示；否则认定不存在高空带电作业人员遭受物体打击隐患。
8.一种高空带电作业安全防护系统，其特征在于，包括：
第一视角图像数据获取模块，用于获取基于高空带电作业人员穿戴的智能穿戴装置实时采集的高空带电作业人员于高空带电作业现场的第一视角图像数据；
其他视角图像数据获取模块，用于获取基于第一监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第二视角图像数据、第二监控云台装置实时采集的高空带电作业人员于高空带电作业现场的第三视角图像数据；
高空带电作业安全隐患识别模块，用于基于图像识别技术对实时采集的同一时刻下的第一视角图像数据与第二视角图像数据进行高空带电作业安全隐患识别；若识别存在高空带电作业安全隐患，则整合识别的高空带电作业安全隐患的类型生成第一安全隐患集合；所述高空带电作业安全隐患类型包括：高空带电作业人员触电隐患、高空带电作业人员跌落隐患；
高空带电作业安全隐患验证与预警模块，用于基于图像识别技术对与当前识别到的存在高空带电作业安全隐患的第一视角图像数据与第二视角图像数据属于同一时刻的第三视角图像数据与第一视角图像数据进行高空带电作业安全隐患识别，若仍识别存在高空带电作业安全隐患且整合识别的高空带电作业安全隐患的类型生成的第二安全隐患集合与第一隐患合集相同，则根据第二安全隐患合集内的高空带电作业安全隐患的类型作针对性警告提示。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的方法。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202410112767.7A 2024-01-26 2024-01-26 一种高空带电作业安全防护方法、系统、设备及存储介质 Active CN117830956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410112767.7A CN117830956B (zh) 2024-01-26 2024-01-26 一种高空带电作业安全防护方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410112767.7A CN117830956B (zh) 2024-01-26 2024-01-26 一种高空带电作业安全防护方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117830956A true CN117830956A (zh) 2024-04-05
CN117830956B CN117830956B (zh) 2024-06-21

Family

ID=90522961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410112767.7A Active CN117830956B (zh) 2024-01-26 2024-01-26 一种高空带电作业安全防护方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117830956B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517448A (zh) * 2019-09-02 2019-11-29 成都建工第五建筑工程有限公司 高空安全作业方法及用于高空作业的安全带挂钩检测系统
CN112990149A (zh) * 2021-05-08 2021-06-18 创新奇智(北京)科技有限公司 基于多模态的高空安全带检测方法、装置、设备及存储介质
CN113256934A (zh) * 2021-05-18 2021-08-13 哈尔滨理工大学 一种高空作业人员安全检测系统
CN114005088A (zh) * 2021-11-03 2022-02-01 哈工大机器人（合肥）国际创新研究院 一种安全绳穿戴状态监测方法及系统
CN115063740A (zh) * 2022-06-10 2022-09-16 嘉洋智慧安全生产科技发展（北京）有限公司 安全监测方法、装置、设备及计算机可读存储介质
CN116030405A (zh) * 2021-10-25 2023-04-28 国网河南省电力公司周口供电公司 一种基于人工智能的行人目标的安全护具穿戴监控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517448A (zh) * 2019-09-02 2019-11-29 成都建工第五建筑工程有限公司 高空安全作业方法及用于高空作业的安全带挂钩检测系统
CN112990149A (zh) * 2021-05-08 2021-06-18 创新奇智(北京)科技有限公司 基于多模态的高空安全带检测方法、装置、设备及存储介质
CN113256934A (zh) * 2021-05-18 2021-08-13 哈尔滨理工大学 一种高空作业人员安全检测系统
CN116030405A (zh) * 2021-10-25 2023-04-28 国网河南省电力公司周口供电公司 一种基于人工智能的行人目标的安全护具穿戴监控方法
CN114005088A (zh) * 2021-11-03 2022-02-01 哈工大机器人（合肥）国际创新研究院 一种安全绳穿戴状态监测方法及系统
CN115063740A (zh) * 2022-06-10 2022-09-16 嘉洋智慧安全生产科技发展（北京）有限公司 安全监测方法、装置、设备及计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENGLE FANG等: "Research on Real-Time Detection of Safety Harness Wearing of Workshop Personnel Based on YOLOv5 and OpenPose", 《SUSTAINABILITY 》, vol. 14, no. 10, 12 May 2022 (2022-05-12), pages 1 - 18 *
NAN YAO等: "Intelligent understanding algorithm of aerial visual inspection image based on deep learning technology", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》, vol. 2558, 1 August 2023 (2023-08-01), pages 1 - 7, XP020475544, DOI: 10.1088/1742-6596/2558/1/012010 *
华宇浩: "基于图像识别的高空作业安全监测系统", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 1, 15 January 2024 (2024-01-15), pages 026 - 29 *
曹捷等: "高空作业场景下的安全带穿戴检测", 《湖南科技大学学报(自然科学版)》, vol. 37, no. 1, 20 March 2022 (2022-03-20), pages 92 - 99 *

Also Published As

Publication number Publication date
CN117830956B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
CN109240311B (zh) 基于智能机器人的室外电力场地施工作业监督方法
CN109380796B (zh) 云平台智能头盔及基于云平台智能头盔的安防管控系统
CN108284427A (zh) 安防机器人及其自动巡检方法
CN106341661B (zh) 巡逻机器人
CN106372854A (zh) 一种基于bim的项目安全管理系统
CN106296045A (zh) 一种电网异物激光清除设备安全管理控制装置及方法
CN113593177B (zh) 一种基于高精度定位和图像识别的视频告警联动实现方法
KR101679597B1 (ko) 객체 관리 시스템 및 그 방법
CN111753780B (zh) 变电站违章检测系统及违章检测方法
CN113206978B (zh) 油气管道站场安防智能监控预警系统及方法
CN111080878A (zh) 一种基于人工智能的施工现场安全监控方法及其装置
CN109523041A (zh) 核电站管理系统
CN115169777A (zh) 一种安全作业智能监管系统
CN114462882B (zh) 一种基于物联网技术的水利施工用安全防护系统
CN113037984B (zh) 一种基于雾计算的油气站场安全组合监测系统与方法
JP6977607B2 (ja) 安全判定装置、安全判定システム、安全判定方法
CN117830956B (zh) 一种高空带电作业安全防护方法、系统、设备及存储介质
KR101542134B1 (ko) 스마트 카메라모듈을 통한 열차선로 상의 낙석·사람으로 이루어진 관심 객체 실시간 감시 장치 및 방법
CN111914050B (zh) 基于特定场所的可视化3d监控平台
CN117115999A (zh) 移动式安全巡检方法、终端设备
CN112656081A (zh) 基于矢量位姿测量技术的室内定位系统
CN117671576A (zh) 一种识别危险目标的成像处理方法
CN114468453B (zh) 一种基于5g技术的建筑工地安全帽检测系统
CN213582214U (zh) 一种用于功效分析的数据采集系统
CN211154002U (zh) 安全帽和安全系统

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