CN111339933A - 基于深度学习的变电站安全监控方法及装置 - Google Patents

基于深度学习的变电站安全监控方法及装置 Download PDF

Info

Publication number
CN111339933A
CN111339933A CN202010116140.0A CN202010116140A CN111339933A CN 111339933 A CN111339933 A CN 111339933A CN 202010116140 A CN202010116140 A CN 202010116140A CN 111339933 A CN111339933 A CN 111339933A
Authority
CN
China
Prior art keywords
staff
compliance
training
deep learning
transformer substation
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
Application number
CN202010116140.0A
Other languages
English (en)
Inventor
施进进
赵伟森
姚博
吴琼
商少波
王茹
程星鑫
徐苏成
郑鑫
周井磊
陈冲
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.)
Beijing Guowang Fuda Technology Development Co Ltd
Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Beijing Guowang Fuda Technology Development Co Ltd
Maintenance Branch of State Grid Jiangsu Electric Power 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 Beijing Guowang Fuda Technology Development Co Ltd, Maintenance Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical Beijing Guowang Fuda Technology Development Co Ltd
Priority to CN202010116140.0A priority Critical patent/CN111339933A/zh
Publication of CN111339933A publication Critical patent/CN111339933A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种基于深度学习的变电站安全监控方法及装置，方法包括：通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像；根据预设员工合规检查模型对所述当前员工图像进行合规判断；若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令；本申请能够有效提高变电站的安全监控效率和可靠性，从而降低安全事故发生的概率。

Description

基于深度学习的变电站安全监控方法及装置
技术领域
本申请涉及深度学习领域，具体涉及一种基于深度学习的变电站安全监控方法及装置。
背景技术
目前，国内变电站大多数采用无人值守或巡维管理模式，进入变电站的人员一旦发生事故，很容易危及工作人员的健康乃至生命。虽然变电站管理具有明确的安全规定，比如任何人进入变电站生产现场都必须佩戴安全帽、穿着工作装，但是时常有不少临时工、民工等外单位人员进入变电站时安全意识薄弱，同时，运行值班人员在运检人员进站时必须耗费大量时间进行严格监督和检查，严重耗费人力物力，一旦有所疏忽就可能造成很大的安全隐患。
发明内容
针对现有技术中的问题，本申请提供一种基于深度学习的变电站安全监控方法及装置，能够有效提高变电站的安全监控效率和可靠性，从而降低安全事故发生的概率。
为了解决上述问题中的至少一个，本申请提供以下技术方案：
第一方面，本申请提供一种基于深度学习的变电站安全监控方法，包括：
通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像；
根据预设员工合规检查模型对所述当前员工图像进行合规判断；
若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令。
进一步地，在所述根据预设员工合规检查模型对所述当前员工图像进行合规判断之前，包括：
采集用于训练所述员工合规检查模型的训练数据；
对所述训练数据进行数据分解；
对经过所述数据分解后的训练数据进行卷积神经网络训练，得到所述员工合规检查模型。
进一步地，所述采集用于训练所述员工合规检查模型的训练数据，包括：
采集员工的样本图像；
对所述样本图像进行标注，其中，所述标注包括员工是否佩戴安全帽的标注、员工是否穿着工作服的标注以及根据员工人脸图像得到的员工信息的标注中的至少一种。
进一步地，在所述得到所述员工合规检查模型之前，包括：
对所述训练数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；
对所述误差值进行纠正处理；
判断经过所述纠正处理后的误差值是否达到预设目标值，若是，则结束训练，否则再次进行训练。
第二方面，本申请提供一种基于深度学习的变电站安全监控装置，包括：
图像采集模块，用于通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像；
模型判断模块，用于根据预设员工合规检查模型对所述当前员工图像进行合规判断；
异常告警模块，用于当所述合规判断结果为不通过时，向设置在所述变电站内的告警装置发送告警指令。
进一步地，还包括：
训练数据采集单元，用于采集所述员工合规检查模型的训练数据；
训练数据分解单元，用于对所述训练数据进行数据分解；
神经网络训练单元，用于对经过所述数据分解后的训练数据进行卷积神经网络训练，得到所述员工合规检查模型。
进一步地，所述训练数据采集单元包括：
样本图像采集子单元，用于采集员工的样本图像；
样本图像标注子单元，用于对所述样本图像进行标注，其中，所述标注包括员工是否佩戴安全帽的标注、员工是否穿着工作服的标注以及根据员工人脸图像得到的员工信息的标注中的至少一种。
进一步地，还包括：
误差确定单元，用于对所述训练数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；
误差纠正单元，用于对所述误差值进行纠正处理；
误差达标判断单元，用于判断经过所述纠正处理后的误差值是否达到预设目标值，若是，则结束训练，否则再次进行训练。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于深度学习的变电站安全监控方法的步骤。
第四方面，本申请提供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所述的基于深度学习的变电站安全监控方法的步骤。
由上述技术方案可知，本申请提供一种基于深度学习的变电站安全监控方法及装置，通过设置在变电站内的图像采集装置对员工进行实时的图像采集，并根据采集得到的当前员工图像和一预设的经深度学习神经网络训练好的员工合规检查模型对员工进行合规判断，若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令，以及时提示和纠正员工在变电站内的不合规情况，提升变电站安全监控的可靠性和效率，进而降低了安全事故发生的概率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有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为本申请实施例中的基于深度学习的变电站安全监控方法的流程示意图之一；
图2为本申请实施例中的基于深度学习的变电站安全监控方法的流程示意图之二；
图3为本申请实施例中的基于深度学习的变电站安全监控方法的流程示意图之三；
图4为本申请实施例中的基于深度学习的变电站安全监控方法的流程示意图之四；
图5为本申请实施例中的基于深度学习的变电站安全监控方法的应用场景示意图；
图6为本申请实施例中的基于深度学习的变电站安全监控装置的结构图之一；
图7为本申请实施例中的基于深度学习的变电站安全监控装置的结构图之二；
图8为本申请实施例中的基于深度学习的变电站安全监控装置的结构图之三；
图9为本申请实施例中的基于深度学习的变电站安全监控装置的结构图之四；
图10为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清晰，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
考虑到现有技术中的变电站大多数采用无人值守或巡维管理模式，进入变电站的人员一旦发生事故，很容易危及工作人员的健康乃至生命，虽然变电站管理具有明确的安全规定，比如任何人进入变电站生产现场都必须佩戴安全帽、穿着工作装，但是时常有不少临时工、民工等外单位人员进入变电站时安全意识薄弱，同时，运行值班人员在运检人员进站时必须耗费大量时间进行严格监督和检查，严重耗费人力物力，一旦有所疏忽就可能造成很大的安全隐患的问题，本申请提供一种基于深度学习的变电站安全监控方法及装置，通过设置在变电站内的图像采集装置对员工进行实时的图像采集，并根据采集得到的当前员工图像和一预设的经深度学习神经网络训练好的员工合规检查模型对员工进行合规判断，若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令，以及时提示和纠正员工在变电站内的不合规情况，提升变电站安全监控的可靠性和效率，进而降低了安全事故发生的概率。
为了能够有效提高变电站的安全监控效率和可靠性，从而降低安全事故发生的概率，本申请提供一种基于深度学习的变电站安全监控方法的实施例，参见图1和图5，所述基于深度学习的变电站安全监控方法具体包含有如下内容：
步骤S101：通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像。
可以理解的是，所述图像采集装置可以为现有的摄像设备，能够将实时采集得到的图像上传至本申请的服务器端。
可选地，所述图像采集装置可以设置在变电站的入站口处，也可以设置在变电站内任意位置处。
步骤S102：根据预设员工合规检查模型对所述当前员工图像进行合规判断。
可选地，本申请通过预先设置一员工合规检查模型以对接收到的所述图像采集装置采集得到的当前员工图像进行图像识别、图像分析和判断处理，所述员工合规检查模型可以为基于深度学习的卷积神经网络得到的能够实现对图像采集装置的视频流自动进行识别的模型。
可选地，所述员工合规检查模型可以部署在本申请的服务器端，也可以部署在与图像采集装置连接的变电站本地。
可选地，所述合规判断包括但不限于：员工是否佩戴安全帽、员工是否穿着工作服和员工是否具有进站权限，在本申请的其他实施例中，所述合规判断的判断条件也可以定义为其他判断条件，能够通过对训练数据进行标记从而得到相应的员工合规检查模型即可。
步骤S103：若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令。
可选地，若经过所述员工合规检查模型判定当前员工图像的合规判断结果为不通过，则可以向所述变电站内相应位置处(例如进站口)设置的告警装置发送告警指令，所述告警装置可以采用现有的声光告警设备。
可选地，若经过所述员工合规检查模型判定当前员工图像的合规判断结果为通过，则可以向设置在变电站进站口处的闸机发送开闸指令，以使对应的员工进入到变电站内。
从上述描述可知，本申请实施例提供的基于深度学习的变电站安全监控方法，能够通过设置在变电站内的图像采集装置对员工进行实时的图像采集，并根据采集得到的当前员工图像和一预设的经深度学习神经网络训练好的员工合规检查模型对员工进行合规判断，若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令，以及时提示和纠正员工在变电站内的不合规情况，提升变电站安全监控的可靠性和效率，进而降低了安全事故发生的概率。
为了能够通过深度学习技术的卷积神经网络实现对员工合规性检查的自动化和智能化，在本申请的基于深度学习的变电站安全监控方法的一实施例中，参见图2，还具体包含有如下内容：
步骤S201：采集用于训练所述员工合规检查模型的训练数据。
可选地，通过图像采集装置对员工进行图像采集，所述图像采集装置可以为高清摄像头，也可以为其他能够采集图像的装置，通过***自定义所述员工的合规信息，自定义的所述合规信息包括：员工是否佩戴安全帽、员工是否穿着工作服和员工是否具有进站权限中的至少一种，在本申请的其他实施例中，所述合规信息也可以为其他与员工有关的信息；在所述当前员工图像中通过人工的方式将安全帽、工作服的位置划分出来，并标注上所述员工的合规信息，以作为训练数据。
步骤S202：对所述训练数据进行数据分解。
可选的，所述数据分解操作可以为将所述训练数据按照预设分类规则进行分类操作，得到员工类别信息，也可以为对所述训练数据中的当前员工图像进行区域划分，得到划分后的多个所述当前员工图像。
步骤S203：对经过所述数据分解后的训练数据进行卷积神经网络训练，得到所述员工合规检查模型。
可选地，对经过数据分解后的所述训练数据进行RCNN卷积神经网络训练，得到所述员工合规检查模型。
为了能够准确地对神经网络的训练数据进行标注，在本申请的基于深度学习的变电站安全监控方法的一实施例中，参见图3，还具体包含有如下内容：
步骤S301：采集员工的样本图像。
可选地，通过图像采集装置对所述员工进行图像采集，得到所述员工的样本图像，所述样本图像为员工在实际生产环境中的外形图像，所述图像采集装置可以为高清摄像头，也可以为其他能够采集图像的装置。
步骤S302：对所述样本图像进行标注，其中，所述标注包括员工是否佩戴安全帽的标注、员工是否穿着工作服的标注以及根据员工人脸图像得到的员工信息的标注中的至少一种。
可选地，在***数据库中对所述样本图像的合规条件进行预先自定义，具体的，自定义的所述合规条件包括：员工是否佩戴安全帽、员工是否穿着工作服和员工是否具有进站权限中的至少一种，在本申请的其他实施例中，所述合规条件也可以为其他与员工有关的信息；在所述样本图像中通过人工的方式将与合规条件相关的位置(例如安全帽的位置、工作服的位置)划分出来，并标注上所述员工的员工信息。
为了能够得到有效的员工合规检查模型，在本申请的基于深度学习的变电站安全监控方法的一实施例中，参见图4，还具体包含有如下内容：
步骤S401：对所述训练数据进行卷积神经网络训练，得到训练数据与真实数据的误差值。
可选的，对上述样本图像进行RCNN神经网络训练，得到预测值，并且计算出预测值与标注数据的真实值的误差值。
步骤S402：对所述误差值进行纠正处理。
可选的，所述误差值为损失函数的计算结果，通过损失函数计算出来的模型的预测值与真实值的不一致程度，根据所述误差值，和优化后的所述损失函数的参数，优化RCNN神经网络参数，并进行再次训练，不断的纠正和标注好的数据之间的误差，得到新的更接近于真实值的误差值，再次进行纠正，在本申请的RCNN神经网络中大概进行3万次误差纠正操作。
步骤S403：判断经过所述纠正处理后的误差值是否达到预设目标值，若是，则结束训练，否则再次进行训练。
可选的，预设目标值相当于标注信息的值也就是真实值，等于或收敛至真实值，预期值相当于是真实值的接近程度，也就是误差值的大小。
可选的，如果判定经过误差纠正操作后的当前误差值已经在预设范围内，则结束神经网络训练，并根据训练结果得到所述员工合规检查模型。
为了能够有效提高变电站的安全监控效率和可靠性，从而降低安全事故发生的概率，本申请提供一种用于实现所述基于深度学习的变电站安全监控方法的全部或部分内容的基于深度学习的变电站安全监控装置的实施例，参见图6，所述基于深度学习的变电站安全监控装置具体包含有如下内容：
图像采集模块10，用于通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像。
模型判断模块20，用于根据预设员工合规检查模型对所述当前员工图像进行合规判断。
异常告警模块30，用于当所述合规判断结果为不通过时，向设置在所述变电站内的告警装置发送告警指令。
从上述描述可知，本申请实施例提供的基于深度学习的变电站安全监控装置，能够通过设置在变电站内的图像采集装置对员工进行实时的图像采集，并根据采集得到的当前员工图像和一预设的经深度学习神经网络训练好的员工合规检查模型对员工进行合规判断，若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令，以及时提示和纠正员工在变电站内的不合规情况，提升变电站安全监控的可靠性和效率，进而降低了安全事故发生的概率。
为了能够通过深度学习技术的卷积神经网络实现对员工合规性检查的自动化和智能化，在本申请的基于深度学习的变电站安全监控装置的一实施例中，参见图7，还具体包含有如下内容：
训练数据采集单元41，用于采集用于训练所述员工合规检查模型的训练数据。
训练数据分解单元42，用于对所述训练数据进行数据分解。
神经网络训练单元43，用于对经过所述数据分解后的训练数据进行卷积神经网络训练，得到所述员工合规检查模型。
为了能够准确地对神经网络的训练数据进行标注，在本申请的基于深度学习的变电站安全监控装置的一实施例中，参见图8，所述训练数据采集单元41包括：
样本图像采集子单元411，用于采集员工的样本图像。
样本图像标注子单元412，用于对所述样本图像进行标注，其中，所述标注包括员工是否佩戴安全帽的标注、员工是否穿着工作服的标注以及根据员工人脸图像得到的员工信息的标注中的至少一种。
为了能够得到有效的员工合规检查模型，在本申请的基于深度学习的变电站安全监控装置的一实施例中，参见图9，还包括：
误差确定单元51，用于对所述训练数据进行卷积神经网络训练，得到训练数据与真实数据的误差值。
误差纠正单元52，用于对所述误差值进行纠正处理。
误差达标判断单元53，用于判断经过所述纠正处理后的误差值是否达到预设目标值，若是，则结束训练，否则再次进行训练。
本申请的实施例还提供能够实现上述实施例中的基于深度学习的变电站安全监控方法中全部步骤的一种电子设备的具体实施方式，参见图10，所述电子设备具体包括如下内容：
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604；
其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述通信接口603用于实现基于深度学习的变电站安全监控装置、在线业务***、客户端设备以及其他参与机构之间的信息传输；
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的基于深度学习的变电站安全监控方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤S101：通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像。
步骤S102：根据预设员工合规检查模型对所述当前员工图像进行合规判断。
步骤S103：若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令。
从上述描述可知，本申请实施例提供的电子设备，能够通过设置在变电站内的图像采集装置对员工进行实时的图像采集，并根据采集得到的当前员工图像和一预设的经深度学习神经网络训练好的员工合规检查模型对员工进行合规判断，若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令，以及时提示和纠正员工在变电站内的不合规情况，提升变电站安全监控的可靠性和效率，进而降低了安全事故发生的概率。
本申请的实施例还提供能够实现上述实施例中的基于深度学习的变电站安全监控方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质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实施例中的基于深度学习的变电站安全监控方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤S101：通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像。
步骤S102：根据预设员工合规检查模型对所述当前员工图像进行合规判断。
步骤S103：若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令。
从上述描述可知，本申请实施例提供的计算机可读存储介质，能够通过设置在变电站内的图像采集装置对员工进行实时的图像采集，并根据采集得到的当前员工图像和一预设的经深度学习神经网络训练好的员工合规检查模型对员工进行合规判断，若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令，以及时提示和纠正员工在变电站内的不合规情况，提升变电站安全监控的可靠性和效率，进而降低了安全事故发生的概率。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (10)

1.一种基于深度学习的变电站安全监控方法，其特征在于，所述方法包括：
通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像；
根据预设员工合规检查模型对所述当前员工图像进行合规判断；
若所述合规判断结果为不通过，则向设置在所述变电站内的告警装置发送告警指令。
2.根据权利要求1所述的基于深度学习的变电站安全监控方法，其特征在于，在所述根据预设员工合规检查模型对所述当前员工图像进行合规判断之前，包括：
采集用于训练所述员工合规检查模型的训练数据；
对所述训练数据进行数据分解；
对经过所述数据分解后的训练数据进行卷积神经网络训练，得到所述员工合规检查模型。
3.根据权利要求2所述的基于深度学习的变电站安全监控方法，其特征在于，所述采集用于训练所述员工合规检查模型的训练数据，包括：
采集员工的样本图像；
对所述样本图像进行标注，其中，所述标注包括员工是否佩戴安全帽的标注、员工是否穿着工作服的标注以及根据员工人脸图像得到的员工信息的标注中的至少一种。
4.根据权利要求2所述的基于深度学习的变电站安全监控方法，其特征在于，在所述得到所述员工合规检查模型之前，包括：
对所述训练数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；
对所述误差值进行纠正处理；
判断经过所述纠正处理后的误差值是否达到预设目标值，若是，则结束训练，否则再次进行训练。
5.一种基于深度学习的变电站安全监控装置，其特征在于，包括：
图像采集模块，用于通过设置在变电站内的图像采集装置对员工进行图像采集，得到当前员工图像；
模型判断模块，用于根据预设员工合规检查模型对所述当前员工图像进行合规判断；
异常告警模块，用于当所述合规判断结果为不通过时，向设置在所述变电站内的告警装置发送告警指令。
6.根据权利要求5所述的基于深度学习的变电站安全监控装置，其特征在于，还包括：
训练数据采集单元，用于采集用于训练所述员工合规检查模型的训练数据；
训练数据分解单元，用于对所述训练数据进行数据分解；
神经网络训练单元，用于对经过所述数据分解后的训练数据进行卷积神经网络训练，得到所述员工合规检查模型。
7.根据权利要求6所述的基于深度学习的变电站安全监控装置，其特征在于，所述训练数据采集单元包括：
样本图像采集子单元，用于采集员工的样本图像；
样本图像标注子单元，用于对所述样本图像进行标注，其中，所述标注包括员工是否佩戴安全帽的标注、员工是否穿着工作服的标注以及根据员工人脸图像得到的员工信息的标注中的至少一种。
8.根据权利要求6所述的基于深度学习的变电站安全监控装置，其特征在于，还包括：
误差确定单元，用于对所述训练数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；
误差纠正单元，用于对所述误差值进行纠正处理；
误差达标判断单元，用于判断经过所述纠正处理后的误差值是否达到预设目标值，若是，则结束训练，否则再次进行训练。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述的基于深度学习的变电站安全监控方法的步骤。
10.一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，该计算机程序被处理器执行时实现权利要求1至4任一项所述的基于深度学习的变电站安全监控方法的步骤。
CN202010116140.0A 2020-02-25 2020-02-25 基于深度学习的变电站安全监控方法及装置 Pending CN111339933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010116140.0A CN111339933A (zh) 2020-02-25 2020-02-25 基于深度学习的变电站安全监控方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010116140.0A CN111339933A (zh) 2020-02-25 2020-02-25 基于深度学习的变电站安全监控方法及装置

Publications (1)

Publication Number Publication Date
CN111339933A true CN111339933A (zh) 2020-06-26

Family

ID=71183700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010116140.0A Pending CN111339933A (zh) 2020-02-25 2020-02-25 基于深度学习的变电站安全监控方法及装置

Country Status (1)

Country Link
CN (1) CN111339933A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907486A (zh) * 2021-03-18 2021-06-04 国家海洋信息中心 一种基于深度学习和色彩映射的遥感影像调色方法
CN113392527A (zh) * 2021-06-17 2021-09-14 华南理工大学 操纵序列适用性评价方法、装置、计算机设备和存储介质
CN114299686A (zh) * 2021-12-13 2022-04-08 上海异工同智信息科技有限公司 化工企业安全管理方法、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358157A (zh) * 2017-06-07 2017-11-17 阿里巴巴集团控股有限公司 一种人脸活体检测方法、装置以及电子设备
CN109145789A (zh) * 2018-08-09 2019-01-04 炜呈智能电力科技（杭州）有限公司 供电***安全作业保障方法及***
CN110046574A (zh) * 2019-04-15 2019-07-23 北京易达图灵科技有限公司 基于深度学习的安全帽佩戴识别方法及设备
CN110059742A (zh) * 2019-04-15 2019-07-26 北京易达图灵科技有限公司 基于深度学习的安全护具穿戴识别方法及设备
WO2019144469A1 (zh) * 2018-01-24 2019-08-01 华讯方舟科技有限公司 一种图像质量分类方法、***及终端设备
CN110163143A (zh) * 2019-05-17 2019-08-23 国网河北省电力有限公司沧州供电分公司 违规行为识别方法、装置及终端设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358157A (zh) * 2017-06-07 2017-11-17 阿里巴巴集团控股有限公司 一种人脸活体检测方法、装置以及电子设备
WO2019144469A1 (zh) * 2018-01-24 2019-08-01 华讯方舟科技有限公司 一种图像质量分类方法、***及终端设备
CN109145789A (zh) * 2018-08-09 2019-01-04 炜呈智能电力科技（杭州）有限公司 供电***安全作业保障方法及***
CN110046574A (zh) * 2019-04-15 2019-07-23 北京易达图灵科技有限公司 基于深度学习的安全帽佩戴识别方法及设备
CN110059742A (zh) * 2019-04-15 2019-07-26 北京易达图灵科技有限公司 基于深度学习的安全护具穿戴识别方法及设备
CN110163143A (zh) * 2019-05-17 2019-08-23 国网河北省电力有限公司沧州供电分公司 违规行为识别方法、装置及终端设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907486A (zh) * 2021-03-18 2021-06-04 国家海洋信息中心 一种基于深度学习和色彩映射的遥感影像调色方法
CN113392527A (zh) * 2021-06-17 2021-09-14 华南理工大学 操纵序列适用性评价方法、装置、计算机设备和存储介质
CN114299686A (zh) * 2021-12-13 2022-04-08 上海异工同智信息科技有限公司 化工企业安全管理方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN111339933A (zh) 基于深度学习的变电站安全监控方法及装置
Miguel et al. A review of software quality models for the evaluation of software products
CN110889339B (zh) 基于头肩检测的危险区域分级预警方法与***
CN115601905B (zh) 一种智慧园区智能安防报警方法及***
CN110705849A (zh) 巡检机器人的实效评估方法、***、存储介质及机器人
CN116151626A (zh) 风险管控能力评测方法、***、电子设备及存储介质
CN112801434A (zh) 性能指标健康度的监测方法、装置、设备和存储介质
CN113112216A (zh) 一种针对设备缺陷的预判分析方法
CN112036708A (zh) 综合管廊巡检与检修方法、平台及计算机存储介质
CN114155614A (zh) 一种作业现场反违章行为识别方法及***
CN109117526A (zh) 一种适用于机械***设备维修指引数据记录及分析***
CN105825130A (zh) 一种信息安全预警方法及装置
CN110427387A (zh) 一种数据一致性检测方法及装置
CN116909235A (zh) 一种智能工厂的监控方法及其监控***、电子设备
CN115033412A (zh) 一种任务日志归并方法和装置
CN115100592A (zh) 一种输电通道外破隐患识别方法、装置及存储介质
CN114743703A (zh) 核电站机组的可靠性分析方法、装置、设备和存储介质
CN114925866A (zh) 低压配网线路中的辅助决策装置、故障报警方法及***
Fang et al. Design and Development of Industrial Safety APPs
CN112711508A (zh) 面向大规模客户端***的智能运维服务***
CN112764852A (zh) 一种用于智能录波主站的运维安全监测方法、***及计算机可读存储介质
Sakrutina et al. Using the Risk Potential Assessment of Energy Objects in the SMS System
CN118071159A (zh) 一种基于gpt的智慧园区安全应急管理***及方法
CN116934003A (zh) 一种智慧计量生产控制管理***
CN118229078A (zh) 基于用户数据的电力执行效果的分析方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626