CN113297914B - 一种配网现场作业验电动作识别方法 - Google Patents
一种配网现场作业验电动作识别方法 Download PDFInfo
- Publication number
- CN113297914B CN113297914B CN202110453958.6A CN202110453958A CN113297914B CN 113297914 B CN113297914 B CN 113297914B CN 202110453958 A CN202110453958 A CN 202110453958A CN 113297914 B CN113297914 B CN 113297914B
- Authority
- CN
- China
- Prior art keywords
- video
- electricity testing
- action
- model
- distribution network
- 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.)
- Active
Links
- 230000009471 action Effects 0.000 title claims abstract description 115
- 230000005611 electricity Effects 0.000 title claims abstract description 97
- 238000012360 testing method Methods 0.000 title claims abstract description 95
- 238000009826 distribution Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06V20/40—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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Social Psychology (AREA)
- Water Supply & Treatment (AREA)
- Psychiatry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种配网现场作业验电动作识别方法,包括以下步骤:模型构建和训练:对视频帧进行分类,分类后的视频帧对应进行YOLOv4与MobileNetv2模型的训练;视频片段生成:上传的配网现场作业视频中,存在目标进行检测,基于检测结果生成可能存在验电动作的视频片段;是否存在验电动作:对上传的配网现场作业视频进行检测,将存在验电设备和/或与验电动作相关的视频帧分别进行目标检测和目标分类,根据综合判断是否存在验电动作;验电动作识别:对于存在验电动作的视频帧,将其还原成视频,识别是否存在验电动作。本发明通过提取验电动作行为的特征,利用深度学习算法对验电动作行为进行识别,减轻视频审核人员的工作量,提高工作效率减低了人工成本。
Description
技术领域
本发明涉及配网作业人员规范作业技术领域,尤其涉及一种配网现场作业验电动作识别方法。
背景技术
当前社会经济快速增长,用电量逐年攀升,为用户提供电力供应的配网络设备规模急剧扩张,配网网络结构越显复杂,影响配网运行稳定性因素增多,导致配网故障频发,运维力量捉襟见肘。且随着制造加工向着精细化方向发展及各类用电设备对电能质量的需求提高,不仅对供电可靠性提出了新的要求,同时对供电质量也产生了新的认知。
从各行业对电力供应的现状要求及趋势来看,未来配网向着主动性、智能化、绿色可靠高效的趋势发展。因此供电单位加强供电可靠性、提升电能质量及供电能力,避免因自然环境、恶劣天气和外力破坏而造成对配网线路的损坏,引发大面积停电,而造成的严重经济损失,如何避免电网事故、保障线路安全至关重要。如何提升配网设备运行稳定性、加速供电线路监测与运维的及时性、加强引发线路故障的前期预防、提升配网抢修的作业效率、加强作业过程安全管控已迫在眉睫。当在停电作业下电气设备需要接地操作时,必须先验电,证明确无电压后,方可进行合接地开关或装设接地线操作。若不按相关规定进行验电前的准备工作以及不遵守验电方法,将会导致工作人员人身事故的发生。依靠人工方式进行验电动作进行检查,往往会因为现场作业视频过长、过大而导致无法查看每一个视频识别的效果不佳,因此,构建智能模型检测现场安全作业中的验电操作是十分必要的。通过提取验电动作行为的特征,利用深度学习算法对验电动作行为进行识别,减轻视频审核人员的工作量,提高工作效率降低人工成本和提高验电行为识别率。
发明内容
本发明的目的在于提供了一种利用深度学习算法对验电动作行为进行识别的验电动作视频识别方法。
为了实现上述目的,本发明通过以下技术手段予以实现。
一种配网现场作业验电动作识别方法,包括以下步骤:
模型构建和训练:对视频帧进行分类,分类后的视频帧对应进行YOLOv4与MobileNetv2模型的训练;
视频片段生成:上传的配网现场作业视频中,存在验电设备和/或验电动作相关的目标进行检测,基于检测结果生成可能存在验电动作的视频片段;
是否存在验电动作:对上传的配网现场作业视频进行检测,将存在验电设备和/或与验电动作相关的视频帧分别进行目标检测和目标分类,根据目标检测和目标分类结果综合判断是否存在验电动作;
验电动作识别:对于存在验电动作的视频帧,将其还原成视频,利用视频识别是否存在验电动作。
作为本发明的进一步改进,所述步骤模型构建和训练前还包括视频帧获取,所述视频帧获取为:收集配网现场作业的过程视频,并对过程视频中存在验电部分的视频进行截取,形成视频帧。
作为本发明的进一步改进,所述视频帧获取步骤中,还包括对视频帧的处理,所述处理具体为:将图片形式的视频帧进行特征缩放,使得图形像素的素值位于[0,1]区间。
作为本发明的进一步改进,所述模型构建和训练步骤中,所述对视频帧进行分类具体为:将视频帧中存在验电设备和/或验电动作相关的视频帧,分别形成目标检测模型和目标分类模型,并分别对各个模型进行训练,生成model1和model2。
作为本发明的进一步改进,所述模型构建和训练步骤具体为:对视频帧中存在人手持验电器接触电线这一动作的图片做为YOLOv4模型的训练集,进行模型的训练,生成model1;对视频帧中存在验电器、接地棒的图片与其他棒状物作为MobileNetv2模型的训练集,对模型进行训练,生成model2。
作为本发明的进一步改进,所述视频片段生成步骤具体为:上传的配网现场作业视频,利用model1进行初步检测,若检测存在验电设备或验电动作,则对该段视频进行标注,并生成存在验电动作的视频片段,否则跳过该视频。
作为本发明的进一步改进,所述是否存在验电动作步骤具体为:选取标注后的视频片段,分别利用model1和model2对视频进行分析,并基于结果综合判断,判断是否存在验电动作。
作为本发明的进一步改进,所述验电动作识别具体为:基于阈值,对model1与model2的检测结果中存在验电动作的视频帧进行融合,将视频帧还原成视频,根据视频识别是否存在验电动作。
本发明的有益效果如下:
本发明首先通过Mask-RCNN对配网现场作业人员进行检测定位、工作服识别、工作服掩码分割,然后将定位到的作业人员从原图像中截取出来;再通过MobileNet-v2对配网现场作业人员穿着工作服是否规范进行分类识别,获得配网现场作业人员是否穿工作服、不规范穿工作服和规范穿工作服的识别结果,为实现图像识别结果的可视化,采用类激活映射对系安全带的配网作业人员图像进行标注定位。
本发明替代了监控中心工作人员人工抽查配网现场作业人员是否穿工作服和规范穿着工作服,通过对配网现场作业的业务场景测试结果表明,该识别方法的准确率达到98.5%,可应用于配网现场作业人员是否穿着工作服和规范穿着工作服的识别。
附图说明
图1为本发明提供的一种配网现场作业验电动作识别方法的流程示意图。
图2为本发明提供的标准卷积神经网络卷积核。
图3为本发明提供的深度可分离卷积。
图4为本发明提供的1*1深度可分离卷积.
图5为本发明提供的倒残差的过程图。
图6为本发明提供的残差的过程图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
实施例1
本发明的技术方案包括以下步骤:
参照附图1-5所示,本实施例中,一种配网现场作业验电动作识别方法,包括以下步骤:
第一步,视频帧获取,所述视频帧获取为:收集配网现场作业的过程视频,并对过程视频中存在验电部分的视频进行截取,形成视频帧;
进一步地,还包括对视频帧的处理,所述处理具体为:将图片形式的视频帧进行特征缩放,使得图形像素的素值位于[0,1]区间。
第二步,模型构建和训练:对视频帧进行分类,分类后的视频帧对应进行YOLOv4与MobileNetv2模型的训练;
具体为:将视频帧中存在验电设备和/或验电动作相关的视频帧,分别形成目标检测模型和目标分类模型,并分别对各个模型进行训练,生成model1和model2。
进一步地,所述模型构建和训练步骤具体为:对视频帧中存在人手持验电器接触电线这一动作的图片做为YOLOv4模型的训练集,进行模型的训练,生成model1;对视频帧中存在验电器、接地棒的图片与其他棒状物作为MobileNetv2模型的训练集,对模型进行训练,生成model2。
第三步,视频片段生成:上传的配网现场作业视频中,存在验电设备和/或验电动作相关的目标进行检测,基于检测结果生成可能存在验电动作的视频片段;
进一步地,所述视频片段生成步骤具体为:上传的配网现场作业视频,利用model1进行初步检测,若检测存在验电设备或验电动作,则对该段视频进行标注,并生成存在验电动作的视频片段,否则跳过该视频。
第四步,是否存在验电动作:对上传的配网现场作业视频进行检测,将存在验电设备和/或与验电动作相关的视频帧分别进行目标检测和目标分类,根据目标检测和目标分类结果综合判断是否存在验电动作;
具体为:选取标注后的视频片段,分别利用model1和model2对视频进行分析,并基于结果综合判断,判断是否存在验电动作。
第五步,验电动作识别:对于存在验电动作的视频帧,将其还原成视频,利用视频识别是否存在验电动作。
具体为:基于阈值,对model1与model2的检测结果中存在验电动作的视频帧进行融合,将视频帧还原成视频,根据视频识别是否存在验电动作。
实施例2
本实施例中,结合具体数据进行介绍。
请参阅图1-5,其示出了本发明实施例提供的现场作业验电动作识别的流程图,包括:
S101:数据处理。
收集配网现场作业过程中存在验电作业的视频,并从中对验电部分的视频进行剪辑,并将视频处理成视频帧的形式,将视频帧处理成512*512大小的图片。且由于处理后的图片是彩色图像,色彩通道间并不存在平稳特性,因此需要对图片进行特征缩放,使图像像素值位于[0,1]区间。
S102:目标检测模型构建、目标分类模型构建。
依据S101所收集、处理后的训练集数据,分别构建目标检测模型与目标分类模型。其中目标检测模型选取YOLOv4模型,目标分类模型选MobileNetv2模型。使用数据处理完毕后存在人手持验电器接触电线这一动作的图片做为YOLOv4模型的训练集,进行模型的训练,生成model1;对视频帧中存在验电器、接地棒的图片与其他棒状物图片作为MobileNetv2模型的训练集,对模型进行训练,生成model2。
(1)MobileNetv2网络的两个关键点在于使用了倒残差结构与深度可分离卷积。
深度可分离卷积与传统卷积对比图见附图2
倒残差与残差对比图见附图3
S103:使用model1对视频进行检测,生成视频片段当现场工作记录仪中的作业视频上传后,首先将作业视频以作业班组为单位进行分组存储,其次将上传的视频处理为视频帧的格式,并将视频帧处理为448*448大小的图片,接着使用model1对图片进行初步检测,如果检测到存在验电设备或验电动作时,则对该段视频进行标注,并生成存在验电动作的视频片段,当检测不到存在验电设备或验电动作时,则跳过该视频;
S104:使用model1,model2对初步检测的视频片段进行分析
将已经通过初步检测的视频片段处理为视频帧的形式,并将视频帧处理为448*448大小的图片,分别使用model1与model2对处理好的图片分别进行分析,并基于模型结果综合判断是否此存在验电动作;
S105:根据阈值,得到是否存在验电动作的提示
根据确定的阈值,对model1与model2的检测结果进行融合,并将视频帧还原成视频,得到视频中是否存在验电动作的提示。
本发明公开了一种配网现场作业验电动作识别方法,通过目标检(YOLOv4)、目标追踪(DeepSort)、分类识别模型(MobileNetv2)及动作识别算法,实现对配网现场作业过程中的验电动作进行识别。首先,对视频帧中的验电设备等与验电工作行为相关的目标进行检测,基于检测结果生成可能存在验电动作行为的视频片段。其次,对视频片段中的视频帧分别进行目标检测和目标分类,基于检测和分类的结果综合判断该视频帧中是否存在验电动作行为。目标检测模型和目标分类模型事先经过训练,并部署在验电动作行为识别框架中。其中,目标检测模型通过人手持验电器接触电线杆这一验电特征进行了预训练,目标分类模型对验电器、接地棒与其他棒状物进行了分类训练。最后,基于阈值,对视频帧的检测结果进行融合,得到视频中是否存在验电动作行为的提示。
本发明通过提取验电动作行为的特征,利用深度学习算法对验电动作行为进行识别,代替以往作业中依靠人工方式进行验电动作行为识别,减轻视频审核人员的工作量,提高工作效率减低了人工成本。
本发明中的步骤,简而言之,包括以下步骤:
1)进行YOLOv4与MobileNetv2模型的训练;
2)对视频帧中的验电设备等与验电动作相关的目标进行检测,基于检测结果生成可能存在验电动作的视频片段;
3)对存在验电动作的视频片段中的视频帧分别进行目标检测和目标分类,基于检测和分类的结果综合判断该视频帧中是否存在验电动作;
4)基于阈值,对视频帧的检测结果进行融合,得到视频中是否存在验电动作的提示。
本发明,通过提取验电动作行为的特征,利用深度学习算法对验电动作行为进行识别,减轻视频审核人员的工作量,提高工作效率降低人工成本和提高验电行为识别率。
本发明公开了一种配网现场作业验电动作识别方法,通过目标检测(YOLOv4)、目标追踪(DeepSort)、分类识别模型(MobileNetv2)及动作识别算法,实现对配网现场作业过程中的验电动作进行识别。首先,对视频帧中的验电设备等与验电工作行为相关的目标进行检测,基于检测结果生成可能存在验电动作行为的视频片段。其次,对视频片段中的视频帧分别进行目标检测和目标分类,基于检测和分类的结果综合判断该视频帧中是否存在验电动作行为。目标检测模型和目标分类模型事先经过训练,并部署在验电动作行为识别框架中。其中,目标检测模型通过人手持验电器接触电线杆这一验电特征进行了预训练,目标分类模型对验电器、接地棒与其他棒状物进行了分类训练。最后,基于阈值,对视频帧的检测结果进行融合,得到视频中是否存在验电动作行为的提示。本发明通过提取验电动作行为的特征,利用深度学习算法对验电动作行为进行识别,代替以往作业中依靠人工方式进行验电动作行为识别,减轻视频审核人员的工作量,提高工作效率减低了人工成本。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种配网现场作业验电动作识别方法,其特征在于,包括以下步骤:
模型构建和训练:对视频帧进行分类,分类后的视频帧对应进行YOLOv4与MobileNetv2模型的训练;
所述YOLOv4与MobileNetv2模型分别为目标检测模型和目标分类模型;
所述YOLOv4与MobileNetv2模型的训练具体为:使用数据处理完毕后, 存在人手持验电器接触电线这一动作的图片做为YOLOv4模型的训练集,进行模型的训练,生成model1;对视频帧中存在验电器、接地棒的图片与其他棒状物图片作为MobileNetv2模型的训练集,对模型进行训练,生成model2;
视频片段生成:上传的配网现场作业视频中,存在验电设备和/或验电动作相关的目标进行检测,基于检测结果生成可能存在验电动作的视频片段;
是否存在验电动作:对上传的配网现场作业视频进行检测,将存在验电设备和/或与验电动作相关的视频帧分别进行目标检测和目标分类,根据目标检测和目标分类结果综合判断是否存在验电动作;
验电动作识别:对于存在验电动作的视频帧,将其还原成视频,利用视频识别是否存在验电动作;
所述验电动作识别具体为:基于阈值,对model1与model2的检测结果中存在验电动作的视频帧进行融合,将视频帧还原成视频,根据视频识别是否存在验电动作。
2.根据权利要求1所述的一种配网现场作业验电动作识别方法,其特征在于,所述步骤模型构建和训练前还包括视频帧获取,所述视频帧获取为:收集配电网现场作业的过程视频,并对过程视频中存在验电部分的视频进行截取,形成视频帧。
3.根据权利要求2所述的一种配网现场作业验电动作识别方法,其特征在于,所述视频帧获取步骤中,还包括对视频帧的处理,所述处理具体为:将图片形式的视频帧进行特征缩放,使得图形像素的素值位于[0,1]区间。
4.根据权利要求1所述的一种配网现场作业验电动作识别方法,其特征在于,所述模型构建和训练步骤中,所述对视频帧进行分类具体为:将视频帧中存在验电设备和/或验电动作相关的视频帧,分别形成目标检测模型和目标分类模型,并分别对各个模型进行训练,生成model1和model2。
5.根据权利要求4所述的一种配网现场作业验电动作识别方法,其特征在于,所述模型构建和训练步骤具体为:对视频帧中存在人手持验电器接触电线这一动作的图片做为YOLOv4模型的训练集,进行模型的训练,生成model1;对视频帧中存在验电器、接地棒的图片与其他棒状物作为MobileNetv2模型的训练集,对模型进行训练,生成model2。
6.根据权利要求4所述的一种配网现场作业验电动作识别方法,其特征在于,所述视频片段生成步骤具体为:上传的配网现场作业视频,利用model1进行初步检测,若检测存在验电设备或验电动作,则对该段视频进行标注,并生成存在验电动作的视频片段,否则跳过该视频。
7.根据权利要求6所述的一种配网现场作业验电动作识别方法,其特征在于,所述是否存在验电动作步骤具体为:选取标注后的视频片段,分别利用model1和model2对视频进行分析,并基于结果综合判断,判断是否存在验电动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453958.6A CN113297914B (zh) | 2021-04-26 | 2021-04-26 | 一种配网现场作业验电动作识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453958.6A CN113297914B (zh) | 2021-04-26 | 2021-04-26 | 一种配网现场作业验电动作识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297914A CN113297914A (zh) | 2021-08-24 |
CN113297914B true CN113297914B (zh) | 2023-04-18 |
Family
ID=77320176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110453958.6A Active CN113297914B (zh) | 2021-04-26 | 2021-04-26 | 一种配网现场作业验电动作识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297914B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507945A (zh) * | 2020-12-18 | 2021-03-16 | 南方电网电力科技股份有限公司 | 作业人员行为管控方法、装置、电子设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN110914836A (zh) * | 2017-05-09 | 2020-03-24 | 纽拉拉股份有限公司 | 在跨联网计算边缘连续运行应用程序的人工智能和深度学习中实现连续的存储器有界学习的***和方法 |
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*** |
CN112016461B (zh) * | 2020-08-28 | 2024-06-11 | 深圳市信义科技有限公司 | 一种多目标的行为识别方法及*** |
CN112183313B (zh) * | 2020-09-27 | 2022-03-11 | 武汉大学 | 一种基于SlowFast的电力作业现场动作识别方法 |
CN112347889B (zh) * | 2020-10-29 | 2024-04-05 | 广东电网有限责任公司电力科学研究院 | 一种变电站作业行为辨识方法及装置 |
CN112562439A (zh) * | 2020-12-07 | 2021-03-26 | 国家电网有限公司华东分部 | 电力安全工器具实物虚拟化装置 |
-
2021
- 2021-04-26 CN CN202110453958.6A patent/CN113297914B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507945A (zh) * | 2020-12-18 | 2021-03-16 | 南方电网电力科技股份有限公司 | 作业人员行为管控方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113297914A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和*** | |
CN110569841B (zh) | 基于卷积神经网络的接触网关键部件目标检测方法 | |
CN107133592B (zh) | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 | |
CN111431284B (zh) | 一种基于bim技术的变电站智能化管控*** | |
CN110458126B (zh) | 一种受电弓状态监测方法及装置 | |
CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
CN113553977A (zh) | 一种基于改进yolo v5的安全帽检测方法和*** | |
CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及*** | |
CN111476083A (zh) | 一种电力员工安全帽佩戴自动识别方法 | |
CN113988573A (zh) | 基于电力***巡检无人机的风险判断方法、***和介质 | |
CN113066070A (zh) | 三维场景中多源数据融合交互方法 | |
CN113297914B (zh) | 一种配网现场作业验电动作识别方法 | |
CN113297913A (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
CN113160202A (zh) | 一种裂缝检测方法及*** | |
CN117036798A (zh) | 一种基于深度学习的输配电线路图像识别方法及*** | |
CN116862843A (zh) | 一种施工现场安全风险无感巡检方法及*** | |
CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 | |
CN108573233B (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
CN113449767B (zh) | 一种多图像融合的变电站设备异常识别定位方法 | |
CN112132826A (zh) | 基于人工智能的杆塔附件缺陷巡检图像排查方法及*** | |
CN113139476A (zh) | 一种面向数据中心的人体行为属性实时检测方法和*** | |
CN111079642A (zh) | 线路可移动监控方法及装置及计算机可读介质 | |
CN108470140B (zh) | 一种基于统计特征与机器学习的输电线路鸟巢识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |