一种电网作业现场违章动作识别方法和系统与流程

1.本发明涉及电力作业管理技术领域，具体涉及一种电网作业现场违章动作的识别方法和系统。


背景技术：

2.电网安全管理是一个庞大、复杂、理论性和操作性极强的系统工程。随着经济社会发展和人民生活水平的不断提高，全社会对安全、经济、优质用电的需求越来越高，电网安全管理的压力越来越大，电网企业必须不断加强管理，开拓创新，才能保证人身、电网、设备安全，为经济社会发展提供安全、可靠的电力保障。
3.在安全生产诸要素中，“人”是最关键而又最活跃的因素，也是影响安全生产最主要的因素，作业人员的安全意识和行为直接影响到作业安全。面对点多、面广、量大的作业现场，作业点安全督察必须依靠督察人员到现场开展检查的方式已经无法满足现场安全管控的要求。现阶段，虽然变电站视频监控系统已纳入安全生产管控系统，户外作业现场逐步开始应用移动视频监控装置，但仍需要各级督察人员通过实时观看回传视频或后期调取存储的历史视频进行反违章检查，虽然能发现一些违章，但挂一漏万仍是常态。
4.通过视频实时进行违章识别能够及时发现违章问题，但现有的识别方法通常是利用视频中图像进行特征提取，进而对特征信息进行判断的，存在准确率和效率相对较低的问题。


技术实现要素：

5.本发明的目的是提供一种能够实时、自动对电网作业现场是否出现违章动作进行识别，从而能够加强作业现场人员管控、提高检测准确率和效率的电网作业现场违章动作识别方法和系统。
6.为达到上述目的，本发明采用的技术方案是：
7.一种电网作业现场违章动作识别方法，用于判断作业人员的动作是否出现违章，其包括以下步骤：
8.步骤1：获取电网作业现场的视频流；
9.步骤2：基于所述视频流得到若干单帧图像，对所述视频流进行光流计算而得到相邻单帧图像的光流场数据；
10.步骤3：将所述单帧图像输入训练好的双通道卷积神经网络的空间通道中，得到对应的基于空间特征的违章动作分类特征值；将所述光流场数据输入所述双通道卷积神经网络的时间通道中，得到对应的基于时间特征的违章动作分类特征值；
11.步骤4：融合所述基于空间特征的违章动作分类特征值和所述基于时间特征的违章动作分类特征值，得到违章动作分类终值，基于所述违章动作分类终值判断作业人员的动作是否出现违章。
12.所述步骤2中，相邻单帧图像的光流场数据包括各个像素在x方向的速度矢量和在
y方向的速度矢量。
13.对于像素i(x,y,t)，x,y表示所述像素i的空间坐标，t表示所述像素i的时间维度，所述像素i从当前帧图像到下一帧图像移动的位置为(dx,dy)，用时为dt，则所述像素i在x方向的速度矢量u和在y方向的速度矢量v分别为：
[0014][0015][0016]
所述步骤3中，将基于所述光流场数据得到的光流场图输入所述双通道卷积神经网络的时间通道中。
[0017]
所述步骤4中，所述违章动作分类终值c＝αc1+(1-α)c2，其中，c1为所述基于空间特征的违章动作分类特征值，c2为所述基于时间特征的违章动作分类特征值，α为权重参数。
[0018]
所述权重参数α的取值范围为0.4～0.6。
[0019]
所述基于空间特征的违章动作分类特征值、所述基于时间特征的违章动作分类特征值、所述所述违章动作分类终值均包括对应各类违章动作的多种。
[0020]
所述违章动作包括跨越围栏、移动围栏、吊臂下方站人、吊钩未使用闭锁装置。
[0021]
所述双通道卷积神经网络的空间通道和时间通道分别包括多组卷基层、多组全连接层和回归输出层。
[0022]
一种电网作业现场违章动作识别系统，用于执行前述的电网作业现场违章动作识别方法，所述电网作业现场违章动作识别系统包括用于执行步骤1的视频采集模块、用于执行步骤2至步骤4的动作违章判断模块。
[0023]
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明能够实时、自动对电网作业现场是否出现违章动作进行识别，从而能够加强作业现场人员管控、提高检测准确率和效率。
附图说明
[0024]
附图1本发明应用的双通道卷积神经网络的示意图。
[0025]
附图2为应用本发明的电网作业现场违章综合识别方法的流程图。
[0026]
附图3为本发明的电网作业现场违章综合识别方法中涉及的双通道卷积神经网络的结构图。
具体实施方式
[0027]
下面结合附图所示的实施例对本发明作进一步描述。
[0028]
实施例一：一种用于判断作业人员的动作是否出现违章(即判断动态违章)电网作业现场违章动作识别方法，其包括以下步骤：
[0029]
步骤1：获取电网作业现场的视频流。
[0030]
步骤2：基于视频流得到若干单帧图像，对视频流进行光流计算而得到相邻单帧图像的光流场数据。
[0031]
该步骤2中，相邻单帧图像的光流场数据包括各个像素在x方向的速度矢量和在y
方向的速度矢量。对于像素i(x,y,t)，x,y表示像素i的空间坐标，t表示像素i的时间维度，像素i从当前帧图像到下一帧图像移动的位置为(dx,dy)，用时为dt，则像素i在x方向的速度矢量u和在y方向的速度矢量v分别为：
[0032][0033][0034]
步骤3：将单帧图像输入训练好的双通道卷积神经网络的空间通道中(将基于光流场数据得到的光流场图输入双通道卷积神经网络的时间通道中)，得到对应的基于空间特征的违章动作分类特征值c1；将光流场数据输入双通道卷积神经网络的时间通道中，得到对应的基于时间特征的违章动作分类特征值c2。基于空间特征的违章动作分类特征值c1、基于时间特征的违章动作分类特征值c2均包括对应各类违章动作的多种，例如违章动作包括跨越围栏、移动围栏、吊臂下方站人、吊钩未使用闭锁装置，则基于空间特征的违章动作分类特征值c1、基于时间特征的违章动作分类特征值c2均包括对应上述四种违章动作的四类。
[0035]
如附图1所示，双通道卷积神经网络包括空间通道(上半部分)和时间通道(下半部分)。双通道卷积神经网络的空间通道和时间通道分别包括多组卷基层、多组全连接层和回归输出层。本实施例中，双通道卷积神经网络的空间通道和时间通道分别包括依次连接的三组5
ꢀ×
5卷基层、三组3
×
3卷基层、两组全连接层和回归输出层。
[0036]
步骤4：融合基于空间特征的违章动作分类特征值和基于时间特征的违章动作分类特征值，得到违章动作分类终值，基于违章动作分类终值判断作业人员的动作是否出现违章。
[0037]
违章动作分类终值c＝αc1+(1-α)c2，其中，c1为基于空间特征的违章动作分类特征值，c2为基于时间特征的违章动作分类特征值，α为权重参数，其取值范围为0.4～0.6，通常取0.5 即可。违章动作分类终值c也包括对应各类违章动作的多种，即通常包括对应跨越围栏、移动围栏、吊臂下方站人、吊钩未使用闭锁装置四种违章动作的四种。
[0038]
执行上述电网作业现场违章动作识别方法的电网作业现场违章动作识别系统，包括用于执行步骤1的视频采集模块、用于执行步骤2至步骤4的动作违章判断模块。
[0039]
上述电网作业现场违章动作识别方法可以应用到电网作业现场违章综合识别方法中，电网作业现场违章综合识别方法既包括对违章动作的识别，也包括对违章姿态的识别，，如附图 2所示其具体包括以下步骤：
[0040]
步骤s10：图像采集，通过摄像头实时获取电网作业现场内作业人员的实时监控数据，实时监控数据包括图像数据和视频数据(视频流)，对应步骤1。
[0041]
步骤s20：使用迁移学习方法对实时监控数据进行分析从而判断出作业人员的人体姿态是否出现违章。作业人员的人体姿态违章主要包括作业人员未佩戴安全帽、虽然佩戴安全帽但佩戴不规范(以上两者统称为未正确佩戴安全帽)以及短袖着装。
[0042]
可以从图像中提取作业人员的头部样本图像和肘部样本图像，进而利用由训练好的卷积神经网络模型获得的头部是否正确佩戴安全帽和是否短袖着装对应的迁移学习模型，对头部样本图像和肘部样本图像进行识别，从而判断出作业人员的人体姿态是否出现违章，即判断出作业人员是否正确佩戴安全帽、是否短袖着装。
[0043]
步骤s30：使用如附图3所示的双通道卷积神经网络对实时监控数据进行分析从而判断出作业人员的动作是否出现违章。双通道卷积神经网络包括空间通道和时间通道。该步骤 s30即应用上述电网作业现场违章动作识别方法的步骤2至步骤4。
[0044]
步骤s40：当判断出作业人员的人体姿态和/或动作出现违章时进行报警。
[0045]
上述电网作业现场违章动作识别系统是实施电网作业现场违章综合识别方法的电网作业现场违章综合识别系统的一部分。电网作业现场违章综合识别系统通常包括图像采集模块 (包括视频采集模块)(实施步骤s10)、静态违章检测模块(实施步骤s20)、动态违章检测模块(实施步骤s30)、报警模块(实施步骤s40)以及控制模块。
[0046]
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。