CN114092888B - 一种电力作业实验室实验人员触电风险检测*** - Google Patents

一种电力作业实验室实验人员触电风险检测*** Download PDF

Info

Publication number
CN114092888B
CN114092888B CN202111470160.9A CN202111470160A CN114092888B CN 114092888 B CN114092888 B CN 114092888B CN 202111470160 A CN202111470160 A CN 202111470160A CN 114092888 B CN114092888 B CN 114092888B
Authority
CN
China
Prior art keywords
layer
laboratory
convolution
image
image recognition
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
Application number
CN202111470160.9A
Other languages
English (en)
Other versions
CN114092888A (zh
Inventor
常政威
陈缨
吴杰
邓元实
李世龙
蒲维
丁宣文
彭倩
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202111470160.9A priority Critical patent/CN114092888B/zh
Publication of CN114092888A publication Critical patent/CN114092888A/zh
Application granted granted Critical
Publication of CN114092888B publication Critical patent/CN114092888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种电力作业实验室实验人员触电风险检测***，包括图像传感子***、图像识别子***以及判断模块，图像传感子***，用于获取电力作业实验室的触电风险点图像；图像识别子***，用于识别并输出所述触电风险点图像的类别；判断模块，用于根据识别结果对所述电力作业实验室的实验人员是否存在触电风险进行判断。本发明的目的在于提供一种电力作业实验室实验人员触电风险检测***，以电力作业现场的图像实景监测为突破口，通过图像识别，实现电力作业现场监督，解决了当前输电技术电力作业实验室缺乏集设备状态检测以及人员操作监督于一身的人员触电风险检测***的问题。

Description

一种电力作业实验室实验人员触电风险检测***
技术领域
本发明涉及电力作业事故防范技术领域，尤其涉及一种电力作业实验室实验人员触电风险检测***。
背景技术
随着我国经济的发展与社会的不断进步，电力需求与日俱增，但我国资源分布极不均衡：70％的水力资源分布在中部和西南地区；76％的煤电资源分布在西北地区；风力发电和太阳能发电资源也主要分布在西北地区；但70％的用电需求却出现在东部沿海地区和中部地区。因此，输电技术的研究与开发对于我国有重要意义。
我国关于输电技术的研究有很多，早在2009年5月，特高压工程技术国家工程实验室便已正式启动，而各大高校也均建有自己的电力作业实验室以研究输电技术。相对于弱电，强电具有较大的危险性，电力作业实验室操作不当或设备老化，极易引发事故，造成重大伤亡。而电力作业实验室中，尤其却乏人员操作监督、电力作业安全管控的***设备。因此，面向电力作业的实验室，需要有集设备状态检测以及人员操作监督于一身的人员触电风险检测***，而目前，市场上暂时缺乏这样的安全***。
发明内容
本发明的目的在于提供一种电力作业实验室实验人员触电风险检测***，以电力作业现场的图像实景监测为突破口，通过图像传感和图像识别来实现电力作业现场监督，解决了当前输电技术电力作业实验室缺乏集设备状态检测以及人员操作监督于一身的人员触电风险检测***的问题。
本发明通过下述技术方案实现：
一种电力作业实验室实验人员触电风险检测***，包括：
图像传感子***，用于获取电力作业实验室的触电风险点图像；
所述触电风险点图像包括显示屏图像、墙角接地线图像、实验台接地线图像、绝缘垫所在区域图像以及绝缘杆所在区域图像；
图像识别子***，用于识别并输出所述触电风险点图像的类别；
所述类别包括类别1和类别2；
所述类别1对应于显示屏显示第一预设画面、墙角接地线接地、实验台接地线接地、实验人员站在绝缘垫上进行实验操作以及放电棒挂于绝缘杆上；
所述类别2对应于显示屏显示第二预设画面、墙角接地线未接地、实验台接地线未接地、实验人员未站在绝缘垫上进行实验操作以及放电棒未挂于绝缘杆上；
判断模块，用于根据识别结果对所述电力作业实验室的实验人员是否存在触电风险进行判断。
优选地，所述图像识别子***包括：
实验状态图像识别模块，用于根据所述显示屏图像识别电力作业实验是否开始或结束，在所述显示屏显示第一预设图像时，认为所述电力作业实验开始，输出类别1；在所述显示屏显示第二预设图像时，认为所述电力作业实验结束，输出类别2；
墙角接地图像识别模块，用于根据所述墙角接地线图像识别墙角接地线是否接地，在所述墙角接地线接地时，输出类别1；否则，输出类别2；
实验台接地图像识别模块，用于根据所述实验台接地线图像识别实验台接地线是否接地；在所述实验台地线接地时，输出类别1；否则，输出类别2；
绝缘垫图像识别模块，用于根据所述绝缘垫所在区域图像识别实验人员是否站在绝缘垫上进行实验操作；在所述实验人员站在绝缘垫上进行实验操作时，输出类别1；否则，输出类别2；
绝缘杆图像识别模块，用于根据所述绝缘杆所在区域图像识别放电棒是否挂于绝缘杆上；在所述放电棒未挂于绝缘杆上时，输出类别1；否则，输出类别2。
优选地，当所述实验状态图像识别模块、所述墙角接地图像识别模块、所述实验台接地图像识别模块以及所述绝缘垫图像识别模块均输出类别1时，所述判断模块判断所述电力作业实验室的实验人员无触电风险；
当所述实验状态图像识别模块和所述绝缘杆图像识别模块均输出类别2时，所述判断模块判断所述电力作业实验室的实验人员无触电风险。
优选地，所述实验状态图像识别模块、所述墙角接地图像识别模块、所述实验台接地图像识别模块、所述绝缘垫图像识别模块以及所述绝缘杆图像识别模块均采用图像识别深度神经网络模型进行图像识别。
优选地，所述图像识别深度神经网络模型包括：第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第一批量归一化层、第二批量归一化层、第三批量归一化层、特征联合层、第五卷积层、第五最大池化层、第一全连接层、第二全连接层、第三全连接层和损失层；
所述第一卷积层的输出端与所述第一最大池化层的输入端连接，所述第一最大池化层的输出端连接于所述第二卷积层的输入端和所述第一批量归一化层的输入端；所述第二卷积层的输出端与所述第二最大池化层的输入端连接，所述第二最大池化层的输出端连接于所述第三卷积层的输入端和所述第二批量归一化层的输入端；所述第三卷积层的输出端与所述第三最大池化层的输入端连接；所述第三最大池化层的输出端与所述第四卷积层的输入端连接；所述第四卷积层的输出端与所述第四最大池化层的输入端连接；所述第四最大池化层的输出端与所述第三批量归一化层的输入端连接；
所述特征联合层用于将所述第一批量归一化层、所述第二批量归一化层和所述第三批量归一化层的输出特征图进行矩阵变换，并加权计算得到特征向量，其第一输入端与所述第一批量归一化层的输出端连接，其第二输入端与所述第二批量归一化层的输出端连接，其第三输入端与所述第三批量归一化层的输出端连接，其输出端与所述第五卷积层的输入端连接；
所述第五卷积层、所述第五最大池化层、所述第一全连接层、所述第二全连接层、所述第三全连接层和所述损失层依次串联，所述损失层的输出端作为图像识别深度神经网络模型的输出端。
优选地，所述第一卷积层的卷积核大小为7×7，特征图维度为224×224，卷积核深度为16，卷积运算步长为1；
所述第一最大池化层的特征图维度为112×112，深度为16；
所述第二卷积层的卷积核大小为5×5，特征图大小为112×113，卷积核深度为32，卷积运算步长为1；
所述第二最大池化层的特征图维度为56×56，深度为32；
所述第三卷积层的卷积核大小为3×3，特征图大小为56×56，卷积核深度为64，卷积运算步长为1；
所述第三最大池化层的特征图维度为28×28，深度为64；
所述第四卷积层的卷积核大小为3×3，特征图大小为28×28，卷积核深度为128，卷积运算步长为1；
所述第四最大池化层的特征图维度为14×14，深度为128；
所述第五卷积层的卷积核大小为3×3，特征图大小为14×14，卷积核深度为256，卷积运算步长为1；
所述第五最大池化层的特征图维度为7×7，深度为256。
优选地，所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层和/或所述第五卷积层的激活函数为：
Figure BDA0003391522630000031
其中，x为第一至第五卷积层的卷积运算结果，ReLU为激活函数值，α为比例系数。
优选地，所述损失层的损失函数为：
Loss＝-y·ln(s)-(1-y)·ln(1-s)
其中，y为训练图像识别深度神经网络模型时采用的图像训练样本对应的类别标签，类别标签包括类别1和类别2；s为损失层的输出值；ln(·)为自然对数函数；Loss为损失函数值。
优选地，还包括多个分布式安装于所述电力作业实验室的温度传感单元，所述温度传感单元用于监测所述电力作业实验室的设备温度，在所述电力作业实验室的设备温度大于阈值温度时，所述判断模块进行预警。
优选地，还包括检测模块，所述检测模块设置在所述绝缘垫处，用于判断所述绝缘垫上是否站有工作人员；
在所述检测模块的检测结果与所述绝缘垫图像识别模块的识别结果不一致时，所述判断模块进行预警。
本发明与现有技术相比，具有如下的优点和有益效果：
以电力作业现场的图像实景监测为突破口，通过图像传感和图像识别来实现电力作业现场监督，解决了当前输电技术电力作业实验室缺乏集设备状态检测以及人员操作监督于一身的人员触电风险检测***的问题。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明实施例提供的一种人员触电风险检测***结构图；
图2为图像识别深度神经网络模型结构图；
图3为本发明实施例的绝缘垫检测电路模块的电路图；
图4为本发明实施例的电阻式重量传感器结构图；
其中附图标记为：
1、重量传感器基板；2、保护膜；3、金属箔应变敏感栅；4、第一导线；5、第二导线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
一种电力作业实验室实验人员触电风险检测***，如图1所示，包括：
图像传感子***，用于获取电力作业实验室的触电风险点图像；触电风险点图像包括显示屏图像、墙角接地线图像、实验台接地线图像、绝缘垫所在区域图像以及绝缘杆所在区域图像；
具体地，本实施例中的图像传感子***包括第一图像传感模块、第二图像传感模块、第三图像传感模块、第四图像传感模块以及第五图像传感模块。其中，第一图像传感模块用于摄取电力作业实验室的显示屏图像；第二图像传感模块用于摄取电力作业实验室的墙角接地线的接地状态图像；第三图像传感模块用于摄取电力作业实验室的实验台接地线的接地状态图像；第四图像传感模块用于摄取电力作业实验室的绝缘垫所在区域的图像；第五图像传感模块用于摄取电力作业实验室的绝缘杆所在区域的图像。
图像识别子***，用于识别并输出触电风险点图像的类别；
类别包括类别1和类别2；
类别1对应于显示屏显示第一预设画面、墙角接地线接地、实验台接地线接地、实验人员站在绝缘垫上进行实验操作以及放电棒挂于绝缘杆上；本实施例中的第一预设画面设置为“实验开始”字样；
类别2对应于显示屏显示第二预设画面、墙角接地线未接地、实验台接地线未接地、实验人员未站在绝缘垫上进行实验操作以及放电棒未挂于绝缘杆上；本实施例中的第二预设画面设置为“实验结束”字样。
具体地，本实施例中的图像识别子***包括：
实验状态图像识别模块，用于根据显示屏图像识别电力作业实验是否开始或结束，在显示屏显示“实验开始”字样时，输出类别1；在显示屏显示“实验结束”字样时，输出类别2；
墙角接地图像识别模块，用于根据墙角接地线图像识别墙角接地线是否接地，在墙角接地线接地时，输出类别1；否则，输出类别2；
实验台接地图像识别模块，用于根据实验台接地线图像识别实验台接地线是否接地；在实验台地线接地时，输出类别1；否则，输出类别2；
绝缘垫图像识别模块，用于根据绝缘垫所在区域图像识别实验人员是否站在绝缘垫上进行实验操作；在实验人员站在绝缘垫上进行实验操作时，输出类别1；否则，输出类别2；
绝缘杆图像识别模块，用于根据绝缘杆所在区域图像识别放电棒是否挂于绝缘杆上；在放电棒未挂于绝缘杆上时，输出类别1；否则，输出类别2。
风险判断模块，用于根据识别结果对电力作业实验室的实验人员进行触电风险判断。
具体地：
若实验人员在实验过程中，存在墙角接地线未接地、实验台接地线未接地或者实验人员未站在绝缘垫上进行实验操作，则实验人员存在触电风险；在实验时，实时获取墙角接地图像识别模块、实验台接地图像识别模块以及绝缘垫图像识别模块的输出来识别墙角接地线、实验台接地线以及实验人员的状态，进而来判断实验人员是否存在触电风险；而是否处于实验状态则通过显示屏显示的第一预设画面来判断。因此，在实验时，若实验状态图像识别模块、墙角接地图像识别模块、实验台接地图像识别模块、绝缘垫图像识别模块以及绝缘杆图像识别模块均输出类别1，说明实验过程中设备的连接以及实验人员的操作都在规范范围内，不存在触点风险，风险判断模块判断电力作业实验室的实验人员无触电风险；
在实验结束后，若放电棒未挂于绝缘杆上，同样存在触电风险，因此在实验结束后，同样需要对电力作业实验室的实验人员有无触电风险进行判断，而是否处于实验结束状态则通过显示屏显示的第二预设画面来判断。因此，在实验结束后，若实验状态图像识别模块和绝缘杆图像识别模块均输出类别2，说明实验结束后放电棒挂于绝缘杆上，不存在触点风险，风险判断模块判断电力作业实验室的实验人员无触电风险；
否则，风险判断模块判断电力作业实验室的实验人员有触电风险。
在电力实验操作过程中，由于实验过程中因实验人员粗心或者对触电问题重视不够，经常出现因墙角接地线未接地、实验台接地线未接地、工作人员未站在绝缘垫上操作以及实验结束后工作人员未把放电棒挂于绝缘杆上而导致实验人员触电的现象，基于此，本申请为保障实验人员的人身安全，提供了一种电力作业实验室实验人员触电风险检测***，通过建立独立摄取和分开识别的图像传感及识别技术，来对潜在的触电风险进行识别，避免触电事故的发生，同时，本实施例中各模块独立工作，可有效减少***整体失灵的概率。
进一步地，本实施例中的图像识别子***采用图像识别深度神经网络模型进行图像识别，图像识别深度神经网络模型如图2所示，包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第一批量归一化层、第二批量归一化层、第三批量归一化层、特征联合层、第五卷积层、第五最大池化层、第一全连接层、第二全连接层、第三全连接层和损失层。
第一卷积层的输入端作为图像识别深度神经网络模型的输入端，其输出端与第一最大池化层的输入端连接。第一最大池化层的输出端分别与第二卷积层的输入端和第一批量归一化层的输入端连接；第二卷积层的输出端与第二最大池化层的输入端连接；第二最大池化层的输出端分别与第三卷积层的输入端和第二批量归一化层的输入端连接；第三卷积层的输出端与第三最大池化层的输入端连接；第三最大池化层的输出端与第四卷积层的输入端连接；第四卷积层的输出端与第四最大池化层的输入端连接；第四最大池化层的输出端与第三批量归一化层的输入端连接。
特征联合层用于将第一批量归一化层、第二批量归一化层和第三批量归一化层的输出特征图进行矩阵变换，并加权计算得到特征向量，其第一输入端与第一批量归一化层的输出端连接，其第二输入端与第二批量归一化层的输出端连接，其第三输入端与第三批量归一化层的输出端连接，其输出端与第五卷积层的输入端连接。
在本实施例中，特征联合层先分别将第一批量归一化层的输出特征图、第二批量归一化层的输出特征图和第三批量归一化层的输出特征图分别转换为对应的中间特征向量后，再按1：2：7的权重，将三个中间特征向量相加，计算得到特征向量。
第五卷积层、第五最大池化层、第一全连接层、第二全连接层、第三全连接层和损失层依次串联。损失层的输出端作为图像识别深度神经网络模型的输出端。
本发明实施例通过上述设计，实现了一种适用性强的图像识别深度神经网络模型，在输入不同内容不同标签的图像样本进行训练后，可用于不同场景的图像识别。不同于现有的神经网络模型结构，本发明在上述的卷积层和最大池化层的顺序堆叠逐级提取特征的同时，还设计了特征联合层，融合各层卷积运算和最大池化运算的特征信息。其理论基础是卷积神经网络的层次越多，提取出的特征越抽象，虽更易进行分析处理，但却易丢失图像部分信息，降低图像识别分类的准确性。因此本发明采用的特征联合方式，可提高图像识别的准确性。
进一步地，本实施例中的第一卷积层的卷积核大小为7×7，其特征图维度为224×224，其卷积核深度为16，其卷积运算步长为1。第一最大池化层的特征图维度为112×112，其深度为16。第二卷积层的卷积核大小为5×5，特征图大小为112×112，卷积核深度为32，卷积运算步长为1。第二最大池化层的特征图维度为56×56，其深度为32。第三卷积层的卷积核大小为3×3，特征图大小为56×56，卷积核深度为64，卷积运算步长为1。第三最大池化层的特征图维度为28×28，其深度为64。第四卷积层的卷积核大小为3×3，特征图大小为28×28，卷积核深度为128，卷积运算步长为1。第四最大池化层的特征图维度为14×14，其深度为128。第五卷积层的卷积核大小为3×3，特征图大小为14×14，卷积核深度为256，卷积运算步长为1。第五最大池化层的特征图维度为7×7，其深度为256。第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层的激活函数为：
Figure BDA0003391522630000071
其中，x为第一至第五卷积层的卷积运算结果，ReLU为激活函数值，α为比例系数。在本实施例中，α值为0.001，损失层的损失函数为：
Loss＝-y·ln(s)-(1-y)·ln(1-s)
其中，y为训练图像识别深度神经网络模型时采用的图像训练样本对应的类别标签，类别标签包括类别1和类别2；s为损失层的输出值；ln(·)为自然对数函数；Loss为损失函数值。
图像识别深度神经网络模型各层参数的上述设计，可充分利用本发明设计的图像识别深度神经网络模型的多层结构，使卷积运算和最大池化运算效果良好且不占用较大的计算资源；为了防止梯度消失，节省计算量，有效缓解神经网络训练的过拟合现象，各个卷积层的激活函数未采用常规技术手段提供的普通线性整流函数，而设计了变斜率分段的激活函数，该激活函数可保留负轴值，使神经网络训练过程中的梯度正常传播，避免神经网络神经元宕机状态；本发明的损失函数设计则结合了本发明对图像识别深度神经网络模型的需求，各个图像识别模块均是用于触电风险布尔类型的逻辑判断，由此，损失层的输出值s代表了图像识别深度神经网络模型对输入图像做出的是否存在人员触电风险的概率判断，因此二元式的损失函数，切合了本发明所需，且相较于常规的基于均方误差等方式的损失函数设计，更能提高训练进度，并节省计算开销。
此外，值得说明的是，通过图像识别子***识别电力作业实验是否开始或结束、墙角接地线是否接地、实验台接地线是否接地、实验人员是否站在绝缘垫上进行实验操作以及放电棒是否挂于绝缘杆上的方法并不局限于上述方法，也可采用图像对比的方法来进行判断。具体地，包括：
对任意一个图像传感子***获取的图片通过SIFT特征提取算法进行特征提取，得到所有特征点以及特征点数量F1i；
对符合规范的实验人员操作图片或设备接线图片通过SIFT特征提取算法进行特征提取，得到所有特征点以及特征点数量F2i；
将图像传感子***获取的图片与符合规范的实验人员操作图片或设备接线图片进行匹配，得到相匹配的特征点数量Mi；
计算图像传感子***获取的图片与符合规范的实验人员操作图片或设备接线图片的相似度Ri，相似度计算公式为：
Figure BDA0003391522630000081
在相似度Ri大于阈值时，则认为实验人员的操作规范或者设备接线规范，即：相似度Ri大于阈值时，可以得到电力作业实验开始、墙角接地线接地、实验台地线接地、实验人员站在绝缘垫上进行实验操作或者放电棒挂于绝缘杆上。
进一步地，考虑到电力设备与弱电设备不同，电力设备在具有故障隐患之时，通常伴随着异常发热，因此在本实施例中还设置有多个温度传感单元，温度传感单元分布式安装于电力作业实验室的电力设备上，对电力作业实验室进行全方位的温度分布式检测，在检测到电力作业实验室的任意一个电力设备的温度大于阈值温度时，判断模块进行预警，提前预知触电风险。
进一步地，为防止绝缘垫图像识别模块出现虚检或漏检的情况，即：在实验过程中，实验人员没有站在绝缘垫上进行实验操作，而绝缘垫图像识别模块却输出类别1的情况，本实施例在绝缘垫处还设置有检测模块，以判断绝缘垫上是否站有实验人员；当检测模块的检测数据与绝缘垫图像识别模块不一致时，判断模块进行预警。
具体地，在检测模块检测到绝缘垫上站有实验人员时，检测模块将检测结果传输至判断模块，判断模块根据实验状态图像识别模块的输出判断电力作业实验室是否有实验人员在进行电力实验，若有实验人员在进行电力实验，则获取绝缘垫图像识别模块的识别结果，若检测模块的检测结果与绝缘垫图像识别模块不一致，说明绝缘垫图像识别模块出现虚检或漏检的情况，触电风险检测***存在故障，此时判断模块进行预警报错；若判断模块根据实验状态图像识别模块的输出判断电力作业实验室没有实验人员在进行电力实验，则不进行预警。
其中，作为优选地，在具体实施时，为了减少预警次数或者避免因偶然故障导致绝缘垫图像识别模块出现虚检或漏检而导致的预警情况，在检测模块的检测结果与绝缘垫图像识别模块的识别结果不一致时，第四图像传感模块先重启并自检，若重启识别结果与检测模块的检测结果仍然冲突时，判断模块进行***报错。
具体地，本实施例中的检测模块如图3所示，包括：电阻R1、电阻R2、电阻式重量传感器R3、电阻R4、电阻R5、电阻R6、电阻R7、电阻R8、电阻R9、电阻R10、电阻R11、电阻R12、电阻R13、电阻R14、电阻R15、电阻R16、电阻R17、电阻R18、电阻R19、电阻R20、电容C1、电容C2、电容C3、电容C4、电容C5、PNP型三极管Q1、NPN型三极管Q2、NPN型三极管Q3、PNP型三极管Q4、PNP型三极管Q5、NPN型三极管Q6、NPN型三极管Q7、PNP型三极管Q8、PNP型三极管Q9、NPN型三极管Q10、NPN型三极管Q11、NPN型三极管Q12、NPN型三极管Q13、PNP型三极管Q14、NPN型三极管Q15、NPN型三极管Q16、NPN型三极管Q17、PNP型三极管Q18、NPN型三极管Q19、PNP型三极管Q20、NPN型三极管Q21、NPN型三极管Q22以及PNP型三极管Q23；
电阻R1的一端分别与电阻R2的一端、PNP型三极管Q1的发射极、PNP型三极管Q4的发射极、PNP型三极管Q5的发射极、NPN型三极管Q10的集电极、NPN型三极管Q13的集电极、PNP型三极管Q14的发射极和NPN型三极管Q22的集电极连接，并作为绝缘垫检测电路模块的供电端VCC；
电阻R1的另一端分别与电阻R5的一端和电阻式重量传感器R3第一电学接口连接；
电阻R2的另一端分别与电阻R4的一端和电阻R7的一端连接；
电阻R4的另一端与电阻式重量传感器R3的第二电学接口连接，并接地；
电阻R5的另一端分别与电阻R6的一端、电容C1的一端、电容C2的一端和NPN型三极管Q6的基极连接；
电容C1的另一端接地；
电阻R6的另一端分别与电容C2的另一端、电阻R19的一端、电阻R20的一端、NPN型三极管Q19的发射极和PNP型三极管Q20的发射极连接，并作为绝缘垫检测电路模块的输出端Vout；
电阻R7的另一端分别与电容C3的一端、电阻R8的一端和NPN型三极管Q7的基极连接；
电容C3的另一端接地；所述电阻R8的另一端接地；
PNP型三极管Q1的基极分别与PNP型三极管Q1的集电极、电阻R9的一端和PNP型三极管Q14的基极连接；
电阻R9的另一端分别与NPN型三极管Q2的集电极、NPN型三极管Q2的基极和NPN型三极管Q3的基极连接；
NPN型三极管Q2的发射极接地；
PNP型三极管Q4的基极分别与PNP型三极管Q5的基极、PNP型三极管Q5的集电极、NPN型三极管Q6的集电极和NPN型三极管Q7的集电极连接；
PNP型三极管Q4的集电极分别与NPN型三极管Q3的集电极、PNP型三极管Q8的基极和PNP型三极管Q9的基极连接；
NPN型三极管Q3的发射极与电阻R10的一端连接；
电阻R10的另一端接地；
NPN型三极管Q6的发射极与PNP型三极管Q8的发射极连接；
PNP型三极管Q8的集电极分别与NPN型三极管Q10的基极和NPN型三极管Q11的集电极连接；
NPN型三极管Q10的发射极分别与NPN型三极管Q11的基极、电阻R12的一端和NPN型三极管Q12的基极连接；
电阻R12的另一端接地；
NPN型三极管Q11的发射极与电阻R11的一端连接；
电阻R11的另一端接地；
NPN型三极管Q7的发射极与PNP型三极管Q9的发射极连接；
PNP型三极管Q9的集电极分别与NPN型三极管Q12的集电极、NPN型三极管Q13的基极、电阻R16的一端和电容C5的一端连接；
NPN型三极管Q12的发射极与电阻R13的一端连接；
电阻R13的另一端接地；
NPN型三极管Q13的发射极分别与电阻R14的一端和NPN型三极管Q15的基极连接；
电阻R14的另一端接地；
电阻R16的另一端与电容C4的一端连接；
电容C4的另一端分别与PNP型三极管Q14的集电极、NPN型三极管Q16的基极、NPN型三极管Q16的集电极、NPN型三极管Q17的集电极、NPN型三极管Q19的集电极、NPN型三极管Q22的基极、PNP型三极管Q18的基极和NPN型三极管Q15的集电极连接；
NPN型三极管Q15的发射极与电阻R15的一端连接；
电阻R15的另一端接地；
NPN型三极管Q16的发射极分别与NPN型三极管Q17的基极和电阻R17的一端连接；
电阻R17的另一端分别与NPN型三极管Q17的发射极、电容C5的另一端、PNP型三极管Q18的发射极和PNP型三极管Q23的基极连接；
PNP型三极管Q18的集电极接地；
NPN型三极管Q19的基极分别与NPN型三极管Q22的发射极和电阻R19的另一端连接；
PNP型三极管Q20的基极分别与电阻R20的另一端和PNP型三极管Q23的发射极连接；
PNP型三极管Q20的集电极分别与NPN型三极管Q21的集电极、NPN型三极管Q21的基极和电阻R18的一端连接；
NPN型三极管Q21的发射极接地；
电阻R18的另一端接地；
PNP型三极管Q23的集电极接地。
在本实施例中，通过电阻R1、电阻R2和电阻R4构成电阻式重量传感器R3的桥式阻值测量电路；通过各个三极管构成双输入单输出的级联放大电路，使输入端等效阻抗高，输出端带载能力强，电源抑制比高；通过电阻R16、电容C4和电容C5进行频率补偿，保障电路的频率稳定性；通过电阻R5和电阻R6构成深度负反馈，实现由电阻R5和电阻R6阻值控制的比例放大。本发明以此实现电阻式重量传感器R3阻值向可识别的电压信号的转换，而电阻式重量传感器R3阻值直接反映了传感器承受的重量，因此将电阻式重量传感器R3放置于绝缘垫处，便可识别工作人员是否站在绝缘垫上进行电力实验操作。
如图4所示，电阻式重量传感器R3包括重量传感器基板1、保护膜2、金属箔应变敏感栅3、第一导线4和第二导线5；
金属箔应变敏感栅3为蛇形绕线的金属薄膜电阻，其一端与第一导线4连接，其另一端与第二导线5连接，并设置于重量传感器基板1上，其表面贴覆保护膜2；第一导线4作为电阻式重量传感器R3的第一电学接口；所述第二导线5作为电阻式重量传感器R3的第二电学接口。
电阻式重量传感器R3的结构设计，使其便于放置在绝缘垫上，且不影响绝缘垫性能。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电力作业实验室实验人员触电风险检测***，其特征在于，包括：
图像传感子***，用于获取电力作业实验室的触电风险点图像；
所述触电风险点图像包括显示屏图像、墙角接地线图像、实验台接地线图像、绝缘垫所在区域图像以及绝缘杆所在区域图像；
图像识别子***，用于识别并输出所述触电风险点图像的类别；
所述类别包括类别1和类别2；
所述类别1对应于显示屏显示第一预设画面、墙角接地线接地、实验台接地线接地、实验人员站在绝缘垫上进行实验操作以及放电棒挂于绝缘杆上；
所述类别2对应于显示屏显示第二预设画面、墙角接地线未接地、实验台接地线未接地、实验人员未站在绝缘垫上进行实验操作以及放电棒未挂于绝缘杆上；
判断模块，用于根据识别结果对所述电力作业实验室的实验人员是否存在触电风险进行判断；
所述图像识别子***包括：
实验状态图像识别模块，用于根据所述显示屏图像识别电力作业实验是否开始或结束，在所述显示屏显示第一预设图像时，判断为所述电力作业实验开始，输出类别1；在所述显示屏显示第二预设图像时，判断为所述电力作业实验结束，输出类别2；
墙角接地图像识别模块，用于根据所述墙角接地线图像识别墙角接地线是否接地，在所述墙角接地线接地时，输出类别1；否则，输出类别2；
实验台接地图像识别模块，用于根据所述实验台接地线图像识别实验台接地线是否接地；在所述实验台接地线接地时，输出类别1；否则，输出类别2；
绝缘垫图像识别模块，用于根据所述绝缘垫所在区域图像识别实验人员是否站在绝缘垫上进行实验操作；在所述实验人员站在绝缘垫上进行实验操作时，输出类别1；否则，输出类别2；
绝缘杆图像识别模块，用于根据所述绝缘杆所在区域图像识别放电棒是否挂于绝缘杆上；在所述放电棒未挂于绝缘杆上时，输出类别1；否则，输出类别2；
当所述实验状态图像识别模块、所述墙角接地图像识别模块、所述实验台接地图像识别模块以及所述绝缘垫图像识别模块均输出类别1时，所述判断模块判断所述电力作业实验室的实验人员无触电风险；
当所述实验状态图像识别模块和所述绝缘杆图像识别模块均输出类别2时，所述判断模块判断所述电力作业实验室的实验人员无触电风险。
2.根据权利要求1所述的一种电力作业实验室实验人员触电风险检测***，其特征在于，所述实验状态图像识别模块、所述墙角接地图像识别模块、所述实验台接地图像识别模块、所述绝缘垫图像识别模块以及所述绝缘杆图像识别模块均采用图像识别深度神经网络模型进行图像识别。
3.根据权利要求2所述的一种电力作业实验室实验人员触电风险检测***，其特征在于，所述图像识别深度神经网络模型包括：第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第一批量归一化层、第二批量归一化层、第三批量归一化层、特征联合层、第五卷积层、第五最大池化层、第一全连接层、第二全连接层、第三全连接层和损失层；
所述第一卷积层的输出端与所述第一最大池化层的输入端连接，所述第一最大池化层的输出端连接于所述第二卷积层的输入端和所述第一批量归一化层的输入端；所述第二卷积层的输出端与所述第二最大池化层的输入端连接，所述第二最大池化层的输出端连接于所述第三卷积层的输入端和所述第二批量归一化层的输入端；所述第三卷积层的输出端与所述第三最大池化层的输入端连接；所述第三最大池化层的输出端与所述第四卷积层的输入端连接；所述第四卷积层的输出端与所述第四最大池化层的输入端连接；所述第四最大池化层的输出端与所述第三批量归一化层的输入端连接；
所述特征联合层用于将所述第一批量归一化层、所述第二批量归一化层和所述第三批量归一化层的输出特征图进行矩阵变换，并加权计算得到特征向量，其第一输入端与所述第一批量归一化层的输出端连接，其第二输入端与所述第二批量归一化层的输出端连接，其第三输入端与所述第三批量归一化层的输出端连接，其输出端与所述第五卷积层的输入端连接；
所述第五卷积层、所述第五最大池化层、所述第一全连接层、所述第二全连接层、所述第三全连接层和所述损失层依次串联，所述损失层的输出端作为图像识别深度神经网络模型的输出端。
4.根据权利要求3所述的一种电力作业实验室实验人员触电风险检测***，其特征在于，所述第一卷积层的卷积核大小为7×7，特征图维度为224×224，卷积核深度为16，卷积运算步长为1；
所述第一最大池化层的特征图维度为112×112，深度为16；
所述第二卷积层的卷积核大小为5×5，特征图大小为112×112，卷积核深度为32，卷积运算步长为1；
所述第二最大池化层的特征图维度为56×56，深度为32；
所述第三卷积层的卷积核大小为3×3，特征图大小为56×56，卷积核深度为64，卷积运算步长为1；
所述第三最大池化层的特征图维度为28×28，深度为64；
所述第四卷积层的卷积核大小为3×3，特征图大小为28×28，卷积核深度为128，卷积运算步长为1；
所述第四最大池化层的特征图维度为14×14，深度为128；
所述第五卷积层的卷积核大小为3×3，特征图大小为14×14，卷积核深度为256，卷积运算步长为1；
所述第五最大池化层的特征图维度为7×7，深度为256。
5.根据权利要求3所述的一种电力作业实验室实验人员触电风险检测***，其特征在于，所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层和/或所述第五卷积层的激活函数为：
其中，x为第一至第五卷积层的卷积运算结果，ReLU为激活函数值，α为比例系数。
6.根据权利要求3所述的一种电力作业实验室实验人员触电风险检测***，其特征在于，所述损失层的损失函数为：
Loss＝-y·ln(s)-(1-y)·ln(1-s)
其中，y为训练图像识别深度神经网络模型时采用的图像训练样本对应的类别标签，类别标签包括类别1和类别2；s为损失层的输出值；ln(·)为自然对数函数；Loss为损失函数值。
7.根据权利要求1所述的一种电力作业实验室实验人员触电风险检测***，其特征在于，还包括多个分布式安装于所述电力作业实验室的温度传感单元，所述温度传感单元用于监测所述电力作业实验室的设备温度，在所述电力作业实验室的设备温度大于阈值温度时，所述判断模块进行预警。
8.根据权利要求1所述的一种电力作业实验室实验人员触电风险检测***，其特征在于，还包括检测模块，所述检测模块设置在所述绝缘垫处，用于判断所述绝缘垫上是否站有工作人员；
在所述检测模块的检测结果与所述绝缘垫图像识别模块的识别结果不一致时，所述判断模块进行预警。
CN202111470160.9A 2021-12-03 2021-12-03 一种电力作业实验室实验人员触电风险检测*** Active CN114092888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111470160.9A CN114092888B (zh) 2021-12-03 2021-12-03 一种电力作业实验室实验人员触电风险检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111470160.9A CN114092888B (zh) 2021-12-03 2021-12-03 一种电力作业实验室实验人员触电风险检测***

Publications (2)

Publication Number Publication Date
CN114092888A CN114092888A (zh) 2022-02-25
CN114092888B true CN114092888B (zh) 2023-05-02

Family

ID=80306488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111470160.9A Active CN114092888B (zh) 2021-12-03 2021-12-03 一种电力作业实验室实验人员触电风险检测***

Country Status (1)

Country Link
CN (1) CN114092888B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926969A (zh) * 2022-05-10 2022-08-19 国网湖北省电力有限公司营销服务中心(计量中心) 智慧实验室安全控制***及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809355A (zh) * 2016-03-14 2016-07-27 国网福建省电力有限公司 基于作业现场远程监控***的人员信息识别方法
CN105825329A (zh) * 2016-03-14 2016-08-03 国网福建省电力有限公司 基于作业现场远程监控***的安全与质量稽查方法
CN106376987A (zh) * 2016-08-25 2017-02-08 国网山东省电力公司博兴县供电公司 一种电力***中电工作业的手臂部安全护具
CN109118081A (zh) * 2018-08-08 2019-01-01 成都保源酷码科技有限公司 一种基于图像处理方式的作业******和方法
JP2019053134A (ja) * 2017-09-13 2019-04-04 一般財団法人九州電気保安協会 電気設備点検装置
CN111507308A (zh) * 2020-05-07 2020-08-07 广东电网有限责任公司 一种基于视频识别技术的变电站安全监控***及方法
CN111983396A (zh) * 2020-07-16 2020-11-24 中广核核电运营有限公司 一种电气高压试验区域安全保护***
CN112347916A (zh) * 2020-11-05 2021-02-09 安徽继远软件有限公司 基于视频图像分析的电力现场作业安全监控方法及装置
CN112530115A (zh) * 2020-11-17 2021-03-19 云南电网有限责任公司 一种电力作业人员防触电现场智能监理成套装置
CN112990586A (zh) * 2021-03-22 2021-06-18 海南电网有限责任公司澄迈供电局 配网作业视频智能监控方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079645A (zh) * 2019-12-16 2020-04-28 国网重庆市电力公司永川供电分公司 一种基于AlexNet网络的绝缘子自爆识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809355A (zh) * 2016-03-14 2016-07-27 国网福建省电力有限公司 基于作业现场远程监控***的人员信息识别方法
CN105825329A (zh) * 2016-03-14 2016-08-03 国网福建省电力有限公司 基于作业现场远程监控***的安全与质量稽查方法
CN106376987A (zh) * 2016-08-25 2017-02-08 国网山东省电力公司博兴县供电公司 一种电力***中电工作业的手臂部安全护具
JP2019053134A (ja) * 2017-09-13 2019-04-04 一般財団法人九州電気保安協会 電気設備点検装置
CN109118081A (zh) * 2018-08-08 2019-01-01 成都保源酷码科技有限公司 一种基于图像处理方式的作业******和方法
CN111507308A (zh) * 2020-05-07 2020-08-07 广东电网有限责任公司 一种基于视频识别技术的变电站安全监控***及方法
CN111983396A (zh) * 2020-07-16 2020-11-24 中广核核电运营有限公司 一种电气高压试验区域安全保护***
CN112347916A (zh) * 2020-11-05 2021-02-09 安徽继远软件有限公司 基于视频图像分析的电力现场作业安全监控方法及装置
CN112530115A (zh) * 2020-11-17 2021-03-19 云南电网有限责任公司 一种电力作业人员防触电现场智能监理成套装置
CN112990586A (zh) * 2021-03-22 2021-06-18 海南电网有限责任公司澄迈供电局 配网作业视频智能监控方法及***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Rao B等.A Method of Extracting and Recognizing Discharge Current of Bird Hazard Hidden Danger Based on Wavelet Transform.《Proceedings of PURPLE MOUNTAIN FORUM 2019-International Forum on Smart Grid Protection and Control》.2019,第1卷 715-726. *
Zhao Y B等.Using Communication Networks in Control Systems: The Theoretical and Practical Challenges.《Journal of Control Science and Engineering》.2018,1-2. *
刘家军等.电力检修作业挂接地线可视化监测装置.《电力自动化设备》.2010,第30卷(第7期),134-136. *
尹远.电力设备运行环境监控图像异常检测算法研究.《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2017,(第2期),C042-2403. *
常政威等.基于机器学习和图像识别的电力作业现场安全监督方法.《中国电力》.2020,第53卷(第4期),155-160. *
颜廷良.基于机器学习和图像识别的电力作业现场安全监督.《光源与照明》.2021,第155卷(第6期),147-148. *

Also Published As

Publication number Publication date
CN114092888A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN114184229A (zh) 一种开关柜运行环境监测***
CN114092888B (zh) 一种电力作业实验室实验人员触电风险检测***
CN110362907B (zh) 基于ssd神经网络输电线路目标缺陷识别与诊断方法
CN114254879B (zh) 多传感器信息融合的电力设备安全诊断方法和装置
CN114255562A (zh) 基于物联网的智慧消防预警***
CN114441838B (zh) 电压测量方法、装置以及电压传感器
CN116030590A (zh) 火灾判断方法、装置、计算机设备及可读存储介质
CN113780401A (zh) 基于主成分分析法的复合绝缘子故障检测方法及***
CN112242036A (zh) 一种变电站火灾报警方法及***
CN111157045A (zh) 一种人工智能电气线路异常风险程度监测方法及***
Bai et al. Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018)
Chen et al. Long distance wireless fault diagnosis for photovoltaic modules based on back propagation neural network
CN113269941A (zh) 一种基于多信息融合判断的电气火灾报警装置及控制方法
CN112215197A (zh) 基于人工智能的地下电缆故障预警方法和预警***
CN115640732B (zh) 一种基于磁场分布的配电网电弧故障定位方法
CN115077722B (zh) 一种应用于高压柜的局放和温度综合监测***及方法
CN117173100A (zh) 聚合物锂离子电池生产控制***及其方法
CN111352365A (zh) 一种防尘通风型电力电气设备机柜及控制方法
CN111159650A (zh) 一种人工智能电气线路老化程度检测方法及***
CN116204846A (zh) 一种基于可见图的配电网传感器数据异常快速定位方法
CN107368000B (zh) 一种机房动力环境监控方法
Sridhar et al. Computer vision based early electrical fire-detection in video surveillance oriented for building environment
CN111524108B (zh) 一种变电站设备检测方法及设备
CN114065642A (zh) 基于温度视觉的智能识别方法
Zhijian et al. Fault location of transformer winding deformation using frequency response analysis

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