CN112969057A - 一种5g mec分流的电力***人员行为自动识别*** - Google Patents

一种5g mec分流的电力***人员行为自动识别*** Download PDF

Info

Publication number
CN112969057A
CN112969057A CN202110309110.6A CN202110309110A CN112969057A CN 112969057 A CN112969057 A CN 112969057A CN 202110309110 A CN202110309110 A CN 202110309110A CN 112969057 A CN112969057 A CN 112969057A
Authority
CN
China
Prior art keywords
mec
personnel
server
algorithm
power system
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
CN202110309110.6A
Other languages
English (en)
Inventor
张元东
陈延云
徐刚
田龙刚
张若楠
胡成伟
汪兴
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.)
Datang Boiler Pressure Vessel Examination Center Co Ltd
East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd
Original Assignee
Datang Boiler Pressure Vessel Examination Center Co Ltd
East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute 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 Datang Boiler Pressure Vessel Examination Center Co Ltd, East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd filed Critical Datang Boiler Pressure Vessel Examination Center Co Ltd
Priority to CN202110309110.6A priority Critical patent/CN112969057A/zh
Publication of CN112969057A publication Critical patent/CN112969057A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/02—Network architectures or network communication protocols for network security for separating internal from external traffic, e.g. firewalls
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/22—Adaptations for optical transmission

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开一种5G MEC分流的电力***人员行为自动识别***，无线CPE接收现场传输的视频信号，并将视频信号转发至5G基站通过5G网络传输至MEC边缘计算服务器，避开公网，实现第一次分流；然后MEC边缘计算服务器对第一次分流结果进行第二次分流得到监控视频流和人员行为流，过滤后的监控视频流发送至中控室主机，人员行为流发送至算法服务器；通过所述算法服务器将对人员行为流进行运动目标检测。通过对数据进行二次分流，针对不同数据选择不同传输路径和计算，实现数据与带宽匹配，既能保证不同类型数据流传输的时效性，又能节约设备部署成本。

Description

一种5G MEC分流的电力***人员行为自动识别***
技术领域
本发明涉及电力***安全监控技术领域，具体来说是一种5G MEC分流的电力***人员行为自动识别***及方法。
背景技术
近年来，人工智能等新兴技术迅速发展，促使行为检测、目标跟踪等智能算法也得到了广泛应用，如电缆的无人机巡检可对线缆是否存在异物进行分析和识别，极大降低电力安全事故发生的可能性。
随着5G技术和MEC边缘计算服务器的发展，分流技术在一些场景得到应用。目前基于5G MEC边缘计算服务器分流技术是将公网和私网进行分流(5G下沉)，以实现数据安全问题。但是对于数据未进行任何处理，存在非目标数据占用大量带宽，导致计算量大，设备部署成本高。
如申请号为CN202010849583.0公开的一种用于视频监控业务的移动边缘计算***及装置，该***中移动边缘计算***包括：视频监控设备、无线终端和移动边缘计算服务器，视频监控设备通过无线终端连接到移动通信网络中，移动通信网络中的基站后端部署移动边缘计算服务器以提供移动边缘计算服务；无线终端接入到部署有移动边缘计算服务器的移动通信网络中，无线终端在接入通讯网络后，移动边缘计算服务器根据分流规则将本地监控视频内容进行分流，并存储到本地的内容服务器中，移动边缘计算服务器在分流时，还通过预先配置的视频识别和处理策略对本地视频进行处理。该发明通过部署本地边缘计算，能够快速实现计算，进而做出决策和控制，实时性强，但目前采用公网传输前端采集的视频信号，存在传输时延的同时，还存在网络空间安全问题。
根据以上论述，该发明技术仅完成了公网和私网的分流，未对数据进行二次分流，依然存在计算量大、带宽占用量大、设备部署成本高等问题。
发明内容
本发明所要解决的技术问题在于现有分流技术仅完成公网和私网的分流，应用在电力***的人员安全行为识别方面依然存在计算量大、带宽占用量大。
本发明通过以下技术手段实现解决上述技术问题的：
一种5G MEC分流的电力***人员行为自动识别***，现场视频采集设备、无线CPE、5G基站、MEC边缘计算服务器、算法服务器、操作员站主机；所述现场视频采集设备与无线CPE通信连接，无线CPE与5G基站通信连接，5G基站与MEC边缘计算服务器通信连接；所述MEC边缘计算服务器分别与算法服务器和操作员站主机通信连接；所述算法服务器与操作员站主机通信连接；
视频信号分流的具体过程为：
无线CPE接收现场传输的视频信号，并将视频信号转发至5G基站通过5G网络传输至MEC边缘计算服务器，避开公网，实现第一次分流；然后MEC边缘计算服务器对第一次分流结果进行第二次分流得到监控视频流和人员行为流，并将分流结果传输至防火墙进行过滤，过滤后的监控视频流发送至中控室主机，人员行为流发送至算法服务器；通过所述算法服务器将对人员行为流进行运动目标检测，识别视频帧中的人员运动区域，并对运动区域进行特征提取，以提取的特征作为样本在神经网络算法中进行训练并建模，最终完成人员运动行为的分类和识别。
本发明提供的***，通过5G MEC边缘计算服务器对视频信息进行，分成监控视频流和人员行为流，目标识别仅针对人员行为流，计算量大大降低；根据不同的信息流，部署不同的传输路径和适配的光纤，可最大程度的减少光纤成本和数据处理量，实现数据与带宽匹配，既能保证不同类型数据流传输的时效性，又能节约设备部署成本。
进一步的，所述MEC边缘计算服务器内配置有实现第二次分流的分流结构，具体为：
MEC边缘计算服务器内配置有接入和移动性管理单元AMF、会话管理单元SMF、用户平面功能单元UPF、授信域PCF、非授信域NEF、边缘计算业务功能单元MEC AF、业务功能请求单元AF Request、用户平面功能单元UPF(UL CL)、终端UE、接入网RAN、锚点1UPF anchor1、锚点2UPF anchor2；
终端UE与MEC AF通信连接，MEC AF与NEF通信连接，NEF与PCF通信连接，NEF、PCF分别与AMF、SMF通信连接，AMF分别与UE和RAN通信连接，UE与RAN通信连接，SMF、RAN分别与UPF(UL-CL)通信连接，UPF(UL-CL)设置有两个锚点UPF anchor1、UPF anchor2，锚点UPFanchor1、UPF anchor2将所述监控视频流和人员行为流接入到同一数据网络的两条不同路径。
进一步的，所述前端视频采集设备、无线CPE、5G基站布设在现场；所述前端视频采集设备为多个，在相邻两个前端视频采集设备之间部署一个无线CPE；在距无线CPE3-5m范围内部署5G基站。
进一步的，所述MEC边缘计算服务器、算法服务器布置在通信机房。
进一步的，通信机房内还布设有隔离网闸；所述5G基站通过A型号光纤与隔离网闸连接；隔离网闸与交换机通过A型号光纤通信连接，交换机与MEC边缘计算服务器通过A型号光纤连接；在所述交换机的旁路部署有堡垒机；所述MEC边缘计算服务器对信号进行分流后，将现场实时监控视频流基于A型号光纤通过威努特防火墙传输至操作员站主机，所述操作员站主机位于集控室内；所述MEC边缘计算服务器将人员行为视频流基于B型号光纤通过威努特防火墙传输至算法服务器进行计算识别，所述B型号光纤带宽与A型号光纤带宽将依据传输数据量的上行限制选择；所述算法服务器将通过B型号光纤连接至操作员站主机。
进一步的，所述算法服务器内配置有电力***人员安全行为识别程序，具体识别过程为：
步骤1.获取电力工作人员操作行为视频信息；
步骤2.采用VIBE算法检测视频信息中的运动区域，得到运动区域；
步骤3.采用Itti算法提取运动区域特征，特征包括亮度特征、颜色特征、方向特征、纹理特征、形状特征五类特征；其中纹理特征D的计算方法为：
1)对于运动区域L(x,y)，令Lx和Ly分别表示运动区域水平和垂直方向的梯度，则运动区域的结构张量矩阵T为：
Figure BDA0002988947830000031
其中
Figure BDA0002988947830000032
2)由于矩阵T中的特征值λ1和λ2可表示特征向量方向上的对比度和窗口内灰度变化整体趋势，则由λ1和λ2表征运动区域帧的纹理特征D；
Figure BDA0002988947830000033
Figure BDA0002988947830000034
其中形状特征δ(σ,i)的计算方法为：
1)采用Harri角点算法提取运动区域的边界角点集合x(i)，i＝1,2,…M，M表示运动区域边界的长度；
2)采用边界函数δ(i)描述运动区域边界，
δ(i)＝[x(i)-Ca(i)-Cb(i)] (4)
其中(Ca,Cb)表示运动区域中心；
3)以边界角点x(i)作为边界函数δ(i)的自变量，并在尺度σ下将δ(i)与高斯核函数进行线性卷积求得δ(σ,i)，则由δ(σ,i)作为表征运动区域的形状特征。
δ(σ,i)＝[x(i)*g(σ),y(i)*g(σ)] (5)
其中g(σ)表示尺度为σ的高斯核函数；
步骤4.利用训练好的目标BP神经网络算法对运动区域进行电力***工作人员行为安全识别。
进一步的，所述步骤4中BP神经网络算法的训练过程为：
(1)BP神经网络算法首先基于滑动窗口机制对检测的运动区域进行分割，以每个单元格作为样本，并计算每个单元格内的的五类特征描述子，即每个样本包含5个特征；
(2)以三层BP神经网络结构作为样本训练结构，三层结构包括：输入层、隐藏层和输出层，并分别在隐藏层和输出层上附加偏置单元，此时构建完成BP神经网络；
(3)在构建好BP神经网络后，将进行正向传播和反向传播两个步骤；在正向传播过程中，选择sigmoid函数作为输入层到隐藏层的激活函数；在反向传播过程中，采用交叉熵损失函数替代均方误差函数更新权值和偏置；引入泰勒公式确定误差精度；
反复执行(1)至(3)，训练得到目标BP神经网络，并保存满足精度范围
Figure BDA0002988947830000041
的所有规范操作的权值范围集合
Figure BDA0002988947830000042
偏差范围集合
Figure BDA0002988947830000043
和偏置范围集合
Figure BDA0002988947830000044
进一步的，所述步骤4中电力***工作人员行为安全识别过程为：将步骤3特征提取后的运动区域输入目标BP神经网络进行特征分类；分类具体为：在权值范围集合
Figure BDA0002988947830000045
偏差范围集合
Figure BDA0002988947830000046
和偏置范围集合
Figure BDA0002988947830000047
中随机选取数值进行特征分类，并判断输出层结果误差是否在指定精度范围内，进而对电力***工作人员行为进行安全识别。
本发明的优点在于：
本发明提供的***，通过5G MEC边缘计算服务器对视频信息进行，分成监控视频流和人员行为流，目标识别仅针对人员行为流，计算量大大降低；根据不同的信息流，部署不同的传输路径和适配的光纤，可最大程度的减少光纤成本和数据处理量，实现数据与带宽匹配，既能保证不同类型数据流传输的时效性，又能节约设备部署成本。
本发明可以解决传统电力***基于4G网络采集视频存在传输时延以及采集的视频受光照、电磁干扰等影响，质量偏低的情况，同时，可对电力***人员行为进行识别并告警，降低电力***稳定运行的安全隐患，分流设计结构可以进一步提高5G网络的传输速率，并对5G信号分流，实现人员行为自动识别。
本发明基于现有的Itti算法，通过改进，实现除常规的亮度特征、颜色特征、方向特征之外的纹理特征和形状特征共计5类特征的提取，并提供了纹理特征和形状特征的提取过程，本发明引入纹理特征解决原算法表征纹理区域不明显的缺陷，引入形状特征将更精确的定位不同运动区域的边界。本发明选择事先提取好的五类特征作为构建BP神经网络的子特征，在通过对电力***正确人员行为动作基于神经网络的反复训练后，将得到关于电力***人员行为的神经网络架构，可更准确、可靠的识别电力***人员的不安全行为，同时该神经网络架构相较于传统神经网络架构基于5G网络运算效率更高、识别效果更佳。
附图说明
图1为本发明实施中5G MEC分流的电力***人员行为自动识别***的结构示意图；
图2为本发明实施例中5G MEC分流的电力***人员行为自动识别***的组网结构示意图；
图3为本申请实施例中MEC边缘计算服务器分流结构框图；
图4为本发明实施例中基于人工智能和5G的电力***人员安全行为识别***总体结构框图；
图4为算法服务器内置算法具体执行流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，都属于本发明保护的范围。
名词解释：
AMF：接入和移动性管理；SMF：会话管理；UPF：用户平面功能；PCF：授信域；NEF：非授信域；MEC AF:边缘计算业务功能；AF Request：业务功能请求；UPF(UL CL)：用户平面功能(上行分流)；UE：终端；RAN：接入网；UPF anchor 1:锚点1UPF；UPF anchor2:锚点2UPF；N1、N2、N3、N4、N6、N9:代表不同接口。
本实施例提供一种5G MEC分流的电力***人员行为自动识别***，依据电力***“安全分区、网络专用、横向隔离、纵向加密”的部署方针，将对本***部署位置和布设关系进行如下详细说明：
1.首先在安全I区(对照图1中的现场区域)，现场布设4K可变焦距高清摄像头，摄像头的部署数量将根据现场位置的不一进行对应变化，该类摄像头内置抗光敏感元件和抗磁干扰元件，可对周边环境的光照和电磁干扰产生免疫性；在所述4K可变焦距高清摄像头附近部署无线CPE，用于接收所述4K可变焦距高清摄像头的信号，为保证4K可变焦距广角高清摄像头到CPE传输信号的可靠性和稳定性，将依据镜面反射原理确定每两个4K可变焦距高清摄像头之间最佳CPE的部署位置；考虑CPE设备传输距离的上限，将在3-5km距离范围确定5G基站的部署位置，保证整个***传输信号的稳定性。
I区采用无线传输方式可节省铺设光纤费用，经济性高，同时无线传输可节省占用空间和场地的需求。
2.在安全II区(对照图1中的通信机房区域)，隔离网闸与5G基站通过A型号光纤连接，所述隔离网闸部署在通信机房，考虑节省铺设光纤的费用，将选择距离5G基站距离最近的通信机房安置设备，保证***建设的经济型，同时该型号光纤可保证传输信号最大吞吐量，保证***信号传输的稳定性；所述隔离网闸将与威努特核心交换机通过A型号光纤连接，所述核心交换机部署在通信机房，为提高***安全性，将在所述威努特核心交换机旁路部署威努特堡垒机，用于提供对传输信号的异常检测、授权访问以及审计功能；所述威努特核心交换机将与MEC边缘计算服务器通过A型号光纤连接，所述MEC边缘计算服务器部署在通信机房；在所述MEC边缘计算服务器对信号进行分流后，将现场实时监控视频流基于A型号光纤通过威努特防火墙传输至操作员站主机，该威努特防火墙部署在通信机房，该操作员站主机位于集控室内，便于对传输结果集中管控；所述MEC边缘计算服务器将人员行为视频流基于B型号光纤通过威努特防火墙传输至算法服务器进行计算识别，该B型号光纤带宽与A型号光纤带宽将依据传输数据量的上行限制选择，保证优化带宽的使用，节省带宽资源，同时所述威努特防火墙的过滤将提高***的安全性；所述算法服务器将通过B型号光纤连接至操作员站主机，将识别结果实时反馈至操作员站主机进行监测和告警。II区设备连接采用双线路冗余部署，可提高***的健壮性。本实施例中，A型号光纤型号可以为G.657.A2或G.654.D；B型号光纤型号可以为G.652.D或G.652。
本实施例中，4K可变焦距高清摄像头内置有抗光敏感元件、抗磁干扰元件，提高摄像效果。
本实施例中视频信号分流的具体过程为：
无线CPE用于接收4K可变焦距高清摄像头传输的视频信号，并将信号转发至小型5G基站通过5G网络传输，所述MEC边缘计算服务器将对小型5G基站传输的信号进行第一次分流，实现5G信号避开运营商核心网络而在电力***厂内传输，然后对第一次分流结果通过分流设计结构对视频流和人员行为流进行第二次分流，并将分流结果传输至防火墙进行过滤，实现人员行为的自动识别；所述算法服务器将对MEC边缘计算服务器传输的人员行为流进行运动目标检测，识别视频帧中的人员运动区域，并对运动区域进行特征提取，以提取的特征作为样本在神经网络算法中进行训练并建模，最终完成人员运动行为的分类和识别；所述操作员站主机将接收算法服务器识别的人员行为结果，并对不安全行为进行告警，同时接收MEC边缘计算服务器传输的现场实时画面进行监控。
本实施例中，MEC边缘计算服务器内配置有实现第二次分流的分流结构，具体为：
终端UE与MEC AF通信连接，MEC AF与NEF通信连接，NEF与PCF通信连接，NEF、PCF分别与AMF、SMF通信连接，AMF分别与UE和RAN通信连接，UE与RAN通信连接，SMF、RAN分别与UPF(UL-CL)通信连接，UPF(UL-CL)设置有两个锚点UPF anchor1、UPF anchor2将监控视频流和人员行为流接入到同一数据网络的两条不同路径。具体执行过程为：MEC边缘计算服务器与5G网络交互，此时UE控制层业务向MEC边缘计算服务器AF发起边缘业务请求，即第一次分流业务向MEC边缘计算服务器发起边缘业务请求，此时AF向NEF或PCF发送AF边缘业务请求，包括应用ID、应用位置、UE信息、空间和时间有效条件等一系列参数信息，PCF或NEF根据参数信息结合自身策略生成相应规则并由SMF为当前业务选择最佳UPF，此时选择UPF中UL CL上行分流策略对现场实时监控视频流和人员行为视频流进行分流，UL CL采用设置锚点的方式将现场实时监控视频流和人员行为视频流接入到同一数据网络的两条不同路径，实现分流，并配置目标业务通过N6接口传输到防火墙，最终实现目标业务的分流和分流后人员行为的自动识别。其中PCF自身策略是5G技术自身熟知的策略，PCF自身就是策略控制；生成的规则是PCF自身结合参数信息生成PCC规则，其具体生成过程为5G现有技术，不在本发明考虑的范围内；通过上述过程由会话管理SMF即可选择最佳UPF；整个过程未涉及新的技术。
参照图4，MEC服务器将人员行为流输至人工智能算法服务器后，人工智能算法服务器将通过内置算法完成电力***工作人员的运动区域检测、特征提取和识别，具体执行步骤如下：
(1)VIBE算法检测视频帧中运动区域
MEC服务器传输至人工智能算法服务器的视频流首先需要经过VIBE算法对视频帧进行运动目标检测预处理，该过程包括视频帧的背景模型初始化、前景检测和背景模型更新，由于背景建模法检测运动目标实时性更高，且检测运动目标更精确，因此该过程将最终提取出视频帧的运动目标区域，即电力***工作人员的行为运动区域。
(2)改进Itti算法提取运动区域特征
经VIBE算法预处理得到的运动区域将采用改进Itti算法进行特征提取操作，传统Itti算法提取图像中的亮度特征、颜色特征和方向特征作为描述当前图像的子特征，为更准确的对电力生产人员行为从多尺度、多层次、多视角方面进行描述，基于图像金字塔思想引入纹理特征和形状特征作为描述图像的子特征。由于原Itti算法只提取图像帧的亮度特征、颜色特征和方向特征作为当前图像帧的特征，最终识别的区域为不规则区域，同时对于不同运动区域和静止区域等运动频率不同的区域纹理表征不明显。因此为更精确的识别图像帧中的人员运动行为区域，将引入纹理特征解决原算法表征纹理区域不明显的缺陷，引入形状特征将更精确的定位不同运动区域的边界。
其中纹理特征D的计算方法为：
1)对于运动区域L(x,y)，令Lx和Ly分别表示运动区域水平和垂直方向的梯度，则运动区域的结构张量矩阵T为：
Figure BDA0002988947830000081
其中
Figure BDA0002988947830000082
2)由于矩阵T中的特征值λ1和λ2可表示特征向量方向上的对比度和窗口内灰度变化整体趋势，则由λ1和λ2表征运动区域帧的纹理特征D。
Figure BDA0002988947830000091
Figure BDA0002988947830000092
其中形状特征δ(σ,i)的计算方法为：
1)采用Harri角点算法提取运动区域的边界角点集合x(i)，i＝1,2,…M，M表示运动区域边界的长度。
2)采用边界函数δ(i)描述运动区域边界，
δ(i)＝[x(i)-Ca(i)-Cb(i)] (4)
其中(Ca,Cb)表示运动区域中心。
3)以边界角点x(i)作为边界函数δ(i)的自变量，并在尺度σ下将δ(i)与高斯核函数进行线性卷积求得δ(σ,i)，则由δ(σ,i)作为表征运动区域的形状特征。
δ(σ,i)＝[x(i)*g(σ),y(i)*g(σ)] (5)
其中g(σ)表示尺度为σ的高斯核函数。
(3)改进BP神经网络算法对运动区域进行识别
1)算法首先基于滑动窗口机制对检测的运动区域进行分割，以每个单元格作为样本，并计算每个单元格内的的五类特征描述子(亮度特征、颜色特征、方向特征、纹理特征和形状特征)，即每个样本包含5个特征，
2)以三层BP神经网络结构作为样本训练结构，三层结构包括：输入层、隐藏层和输出层，并分别在隐藏层和输出层上附加偏置单元，此时构建完成BP神经网络。
3)在构建好BP神经网络后，将进行正向传播和反向传播两个步骤。在正向传播过程中，选择sigmoid函数作为输入层到隐藏层的激活函数，考虑到Softmax函数可更精确的对样本进行分类，这里将Softmax函数作为隐藏层到输出层的激活函数；在反向传播过程中，传统BP神经网络算法以均方误差损失函数更新权值ω、偏差θ和偏置b，其收敛速度慢且容易陷入局部极小，因此采用交叉熵损失函数替代均方误差函数更新权值和偏置。考虑到终止迭代条件误差的精度η将影响分类的最终结果，这里引入泰勒公式更精确的确定误差精度。
(4)运动区域检测、特征提取和识别
1)首先采集电力***工作人员按电厂所有规范操作行为演示的视频，并根据步骤(1)对视频帧进行运动区域检测，然后按照步骤(2)对检测的运动区域进行特征提取操作，并在步骤(2)的基础上执行步骤(3)，反复训练新建的BP神经网络，并保存满足精度范围
Figure BDA0002988947830000101
的所有规范操作的权值范围集合
Figure BDA0002988947830000102
偏差范围集合
Figure BDA0002988947830000103
和偏置范围集合
Figure BDA0002988947830000104
2)对日常采集的电力***工作人员现场工作视频同样按照步骤(1)和步骤(2)分别进行目标检测、特征提取，并通过步骤(3)进行特征分类，这里在权值范围集合
Figure BDA0002988947830000105
偏差范围集合
Figure BDA0002988947830000106
和偏置范围集合
Figure BDA0002988947830000107
中随机选取数值进行特征分类，并判断输出层结果误差是否在指定精度范围内，进而对电力***工作人员行为进行安全识别。
算法服务器将人员行为识别结果传输至工业PC机，工业PC机将对不安全行为进行告警，现场工作人员将根据告警的不安全行为采取下一步措施。
综上，即可实现基于人工智能和5G的电力***人员安全行为识别应用。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种5G MEC分流的电力***人员行为自动识别***，其特征在于，现场视频采集设备、无线CPE、5G基站、MEC边缘计算服务器、算法服务器、操作员站主机；所述现场视频采集设备与无线CPE通信连接，无线CPE与5G基站通信连接，5G基站与MEC边缘计算服务器通信连接；所述MEC边缘计算服务器分别与算法服务器和操作员站主机通信连接；所述算法服务器与操作员站主机通信连接；
视频信号分流的具体过程为：
无线CPE接收现场传输的视频信号，并将视频信号转发至5G基站通过5G网络传输至MEC边缘计算服务器，避开公网，实现第一次分流；然后MEC边缘计算服务器对第一次分流结果进行第二次分流得到监控视频流和人员行为流，并将分流结果传输至防火墙进行过滤，过滤后的监控视频流发送至中控室主机，人员行为流发送至算法服务器；通过所述算法服务器将对人员行为流进行运动目标检测，识别视频帧中的人员运动区域，并对运动区域进行特征提取，以提取的特征作为样本在神经网络算法中进行训练并建模，最终完成人员运动行为的分类和识别。
2.根据权利要求1所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，所述MEC边缘计算服务器内配置有实现第二次分流的分流结构，具体为：
MEC边缘计算服务器内配置有接入和移动性管理单元AMF、会话管理单元SMF、用户平面功能单元UPF、授信域PCF、非授信域NEF、边缘计算业务功能单元MEC AF、业务功能请求单元AF Request、用户平面功能单元UPF(UL CL)、终端UE、接入网RAN、锚点1UPF anchor1、锚点2UPF anchor2；
终端UE与MEC AF通信连接，MEC AF与NEF通信连接，NEF与PCF通信连接，NEF、PCF分别与AMF、SMF通信连接，AMF分别与UE和RAN通信连接，UE与RAN通信连接，SMF、RAN分别与UPF(UL-CL)通信连接，UPF(UL-CL)设置有两个锚点UPF anchor1、UPF anchor2将所述监控视频流和人员行为流接入到同一数据网络的两条不同路径。
3.根据权利要求1或2所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，所述前端视频采集设备、无线CPE、5G基站布设在现场；所述前端视频采集设备为多个，在相邻两个前端视频采集设备之间部署一个无线CPE；在距无线CPE3-5m范围内部署5G基站。
4.根据权利要求1或2所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，所述MEC边缘计算服务器、算法服务器布置在通信机房。
5.根据权利要求4所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，通信机房内还布设有隔离网闸；所述5G基站通过A型号光纤与隔离网闸连接；隔离网闸与交换机通信连接，交换机与MEC边缘计算服务器连接；在所述交换机的旁路部署有堡垒机；所述MEC边缘计算服务器对信号进行分流后，将现场实时监控视频流基于A型号光纤通过威努特防火墙传输至操作员站主机，所述操作员站主机位于集控室内；所述MEC边缘计算服务器将人员行为视频流基于B型号光纤通过威努特防火墙传输至算法服务器进行计算识别，该B型号光纤带宽与A型号光纤带宽将依据传输数据量的上行限制选择；所述算法服务器将通过B型号光纤连接至操作员站主机。
6.根据权利要求1所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，所述算法服务器内配置有电力***人员安全行为识别程序，具体识别过程为：
步骤1.获取电力工作人员操作行为视频信息；
步骤2.采用VIBE算法检测视频信息中的运动区域，得到运动区域；
步骤3.采用Itti算法提取运动区域特征，特征包括亮度特征、颜色特征、方向特征、纹理特征、形状特征五类特征；
步骤4.利用训练好的目标BP神经网络算法对运动区域进行电力***工作人员行为进行安全识别。
7.根据权利要求6所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，所述步骤3中纹理特征D的计算方法为：
1)对于运动区域L(x,y)，令Lx和Ly分别表示运动区域水平和垂直方向的梯度，则运动区域的结构张量矩阵T为：
Figure FDA0002988947820000021
其中
Figure FDA0002988947820000022
2)由于矩阵T中的特征值λ1和λ2可表示特征向量方向上的对比度和窗口内灰度变化整体趋势，则由λ1和λ2表征运动区域帧的纹理特征D；
Figure FDA0002988947820000023
Figure FDA0002988947820000024
8.根据权利要求7所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，其中形状特征δ(σ,i)的计算方法为：
1)采用Harri角点算法提取运动区域的边界角点集合x(i)，i＝1,2,…M，M表示运动区域边界的长度；
2)采用边界函数δ(i)描述运动区域边界，
δ(i)＝[x(i)-Ca(i)-Cb(i)] (4)
其中(Ca,Cb)表示运动区域中心；
3)以边界角点x(i)作为边界函数δ(i)的自变量，并在尺度σ下将δ(i)与高斯核函数进行线性卷积求得δ(σ,i)，则由δ(σ,i)作为表征运动区域的形状特征。
δ(σ,i)＝[x(i)*g(σ),y(i)*g(σ)] (5)
其中g(σ)表示尺度为σ的高斯核函数。
9.根据权利要求6所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，所述步骤4中BP神经网络算法的训练过程为：
(1)BP神经网络算法首先基于滑动窗口机制对检测的运动区域进行分割，以每个单元格作为样本，并计算每个单元格内的的五类特征描述子，即每个样本包含5个特征；
(2)以三层BP神经网络结构作为样本训练结构，三层结构包括：输入层、隐藏层和输出层，并分别在隐藏层和输出层上附加偏置单元，此时构建完成BP神经网络；
(3)在构建好BP神经网络后，将进行正向传播和反向传播两个步骤；在正向传播过程中，选择sigmoid函数作为输入层到隐藏层的激活函数；在反向传播过程中，采用交叉熵损失函数替代均方误差函数更新权值和偏置；引入泰勒公式确定误差精度；
反复执行(1)至(3)，训练得到目标BP神经网络，并保存满足精度范围
Figure FDA0002988947820000031
的所有规范操作的权值范围集合
Figure FDA0002988947820000032
偏差范围集合
Figure FDA0002988947820000033
和偏置范围集合
Figure FDA0002988947820000034
10.根据权利要求9所述的一种5G MEC分流的电力***人员行为自动识别***，其特征在于，所述步骤4中电力***工作人员行为进行安全识别过程为：将步骤3特征提取后的运动区域输入目标BP神经网络进行特征分类；分类具体为：在权值范围集合
Figure FDA0002988947820000035
偏差范围集合
Figure FDA0002988947820000036
和偏置范围集合
Figure FDA0002988947820000037
中随机选取数值进行特征分类，并判断输出层结果误差是否在指定精度范围内，进而对电力***工作人员行为进行安全识别。
CN202110309110.6A 2021-03-23 2021-03-23 一种5g mec分流的电力***人员行为自动识别*** Pending CN112969057A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110309110.6A CN112969057A (zh) 2021-03-23 2021-03-23 一种5g mec分流的电力***人员行为自动识别***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110309110.6A CN112969057A (zh) 2021-03-23 2021-03-23 一种5g mec分流的电力***人员行为自动识别***

Publications (1)

Publication Number Publication Date
CN112969057A true CN112969057A (zh) 2021-06-15

Family

ID=76278110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110309110.6A Pending CN112969057A (zh) 2021-03-23 2021-03-23 一种5g mec分流的电力***人员行为自动识别***

Country Status (1)

Country Link
CN (1) CN112969057A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024011926A1 (zh) * 2022-07-11 2024-01-18 卡奥斯工业智能研究院(青岛)有限公司 基于5g的安防监控***、方法、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005041447A1 (en) * 2003-10-22 2005-05-06 Unwired Technology Llc Multiple channel wireless communication system
CN111225219A (zh) * 2019-11-26 2020-06-02 深圳英伦科技股份有限公司 一种基于5g网络的光场三维浸入式体验信息传输方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005041447A1 (en) * 2003-10-22 2005-05-06 Unwired Technology Llc Multiple channel wireless communication system
CN111225219A (zh) * 2019-11-26 2020-06-02 深圳英伦科技股份有限公司 一种基于5g网络的光场三维浸入式体验信息传输方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TALEB, T: "Mobile Edge Computing Potential in Making Cities Smarter", IEEE COMMUNICATIONS MAGAZINE, 1 March 2017 (2017-03-01) *
赵磊: "面向移动边缘计算的边缘服务器部署及资源分配研究", 中国优秀硕士毕业论文, 15 February 2019 (2019-02-15) *
陈云斌;王全;黄强;白云龙;: "5G MEC UPF选择及本地分流技术分析", 移动通信, no. 01, 15 January 2020 (2020-01-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024011926A1 (zh) * 2022-07-11 2024-01-18 卡奥斯工业智能研究院(青岛)有限公司 基于5g的安防监控***、方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111353413B (zh) 一种输电设备低漏报率缺陷识别方法
CN108037770B (zh) 基于人工智能的无人机输电线路巡检***和方法
CN105426820B (zh) 基于安防监控视频数据的多人异常行为检测方法
CN103069434B (zh) 用于多模式视频事件索引的方法和***
CN104123544B (zh) 基于视频分析的异常行为检测方法及***
CN116777713B (zh) 基于数据分析的智慧园区安全管理方法和***
CN104378582A (zh) 一种基于ptz摄像机巡航的智能视频分析***及方法
CN110398720A (zh) 一种反无人机探测跟踪干扰***及光电跟踪***工作方法
CN101635835A (zh) 智能视频监控方法及***
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN113177968A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN103246896A (zh) 一种鲁棒性车辆实时检测与跟踪方法
KR102330055B1 (ko) 드론을 이용한 구조물의 변화 검출 방법 및 시스템
CN102254394A (zh) 一种基于视频差异分析的输电线路杆塔防盗监控方法
CN111488803A (zh) 一种融合目标检测和目标跟踪的机场目标行为理解***
CN116629465B (zh) 智能电网视频监控与风险预测响应***
CN109657580B (zh) 一种城市轨道交通闸机通行控制方法
CN110348343A (zh) 一种暴力行为监测方法、装置、存储介质及终端设备
CN109241847A (zh) 基于视觉图像的油田作业区安全监控***
CN116363748A (zh) 基于红外-可见光图像融合的电网现场作业一体管控方法
CN113095160B (zh) 基于人工智能和5g的电力***人员安全行为识别方法及***
CN106384359A (zh) 运动目标跟踪方法和电视
CN109919068B (zh) 基于视频分析适应密集场景人流实时监测方法
CN112969057A (zh) 一种5g mec分流的电力***人员行为自动识别***
CN114677640A (zh) 基于机器视觉的智慧工地安全监测***及方法

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