本發(fā)明涉及配電安全領(lǐng)域，更具體地涉及基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)。

背景技術(shù)：

1、機(jī)器視覺是一種利用計算機(jī)和圖像處理技術(shù)模擬人類視覺的技術(shù)。它通過攝像頭或傳感器獲取圖像或視頻數(shù)據(jù)，經(jīng)過圖像處理算法對這些數(shù)據(jù)進(jìn)行分析和理解，從而實現(xiàn)自動化檢測、識別、測量和控制等功能。機(jī)器視覺廣泛應(yīng)用于工業(yè)自動化、質(zhì)量檢測、機(jī)器人導(dǎo)航等領(lǐng)域，提供了高精度和高效率的視覺感知能力。

2、隨著工業(yè)安全標(biāo)準(zhǔn)的提高，正確佩戴安全防護(hù)裝備已成為確保作業(yè)人員安全的重要因素。然而，傳統(tǒng)的人工檢查方式存在效率低、主觀性強(qiáng)等問題。隨著深度學(xué)習(xí)和計算機(jī)視覺技術(shù)的發(fā)展，基于圖像的自動化檢測成為一種解決方案。現(xiàn)有技術(shù)中，雖然有許多圖像檢測和目標(biāo)識別方法，但在準(zhǔn)確定位安全防護(hù)裝備、分析佩戴情況方面仍有較大的改進(jìn)空間。

3、針對上述問題，本發(fā)明提出一種解決方案。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供了基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，以解決上述背景技術(shù)中存在的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，所述系統(tǒng)包括：

4、護(hù)具識別模塊，用于通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建識別網(wǎng)絡(luò)模型，并通過識別網(wǎng)絡(luò)模型對作業(yè)人員進(jìn)行識別，若識別通過則將識別結(jié)果傳輸至狀態(tài)數(shù)據(jù)采集模塊，若識別不通過則將識別結(jié)果傳輸至安全預(yù)警模塊；

5、狀態(tài)數(shù)據(jù)采集模塊，用于通過攝像裝置采集護(hù)具的狀態(tài)圖像，所述狀態(tài)圖像為作業(yè)人員護(hù)具佩戴的狀態(tài)圖像，并將狀態(tài)圖像傳輸至數(shù)據(jù)分析模塊；

6、數(shù)據(jù)分析模塊，用于接收狀態(tài)數(shù)據(jù)采集模塊傳輸?shù)臓顟B(tài)圖像，對狀態(tài)圖像進(jìn)行分析，并將分析結(jié)果傳輸至數(shù)據(jù)評估模塊；

7、數(shù)據(jù)評估模塊，用于接收數(shù)據(jù)分析模塊傳輸?shù)姆治鼋Y(jié)果，并對分析結(jié)果進(jìn)行評估得到安全指數(shù)，將安全指數(shù)傳輸至安全預(yù)警模塊；

8、安全預(yù)警模塊，用于接收護(hù)具識別模塊與數(shù)據(jù)評估模塊傳輸?shù)臄?shù)據(jù)，并進(jìn)行相應(yīng)的預(yù)警。

9、優(yōu)選的，所述通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建識別網(wǎng)絡(luò)模型步驟為：

10、集大量的作業(yè)人員及其佩戴安全防護(hù)裝備的圖像數(shù)據(jù)放入數(shù)據(jù)集中，且應(yīng)包含多種不同的防護(hù)裝備，并為每張圖像標(biāo)注標(biāo)簽，對圖像進(jìn)行預(yù)處理；

11、在卷積神經(jīng)網(wǎng)絡(luò)的輸入層輸入圖像數(shù)據(jù)，尺寸為h×w×c，其中h和w表示圖像的高度和寬度，c為通道數(shù)；

12、在卷積神經(jīng)網(wǎng)絡(luò)的卷積層應(yīng)用多個卷積核對輸入圖像進(jìn)行卷積操作，提取局部特征，其表達(dá)式為其中yi,j,k表示為輸出特征圖在位置(i,j)的第k個通道的值，x為輸入的圖像，w為卷積核，bk為偏置，m和n為卷積核的尺寸；

13、使用relu激活函數(shù)，對卷積結(jié)果進(jìn)行非線性變換；通過最大池化將前一層的特征圖展平成一維向量，并與權(quán)重矩陣相乘，輸出到分類器；

14、使用交叉熵?fù)p失函數(shù)衡量模型輸出與真實標(biāo)簽之間的差異，并使用隨機(jī)梯度下降法優(yōu)化算法；

15、將訓(xùn)練數(shù)據(jù)輸入到模型中，通過多次迭代優(yōu)化模型參數(shù)，使其損失函數(shù)達(dá)到最小，使用驗證集評估模型的相關(guān)性能，所述相關(guān)性能包括準(zhǔn)確率、精確率、召回率以及f1-score指標(biāo)，根據(jù)相關(guān)性能綜合評估得到模型性能，其表達(dá)式為p＝f(p1,p2,p3,p4)，將模型性能與閾值進(jìn)行對比，若模型性能大于閾值，則輸出識別網(wǎng)絡(luò)模型，若模型性能小于閾值，則繼續(xù)進(jìn)行訓(xùn)練直至模型性能大于閾值。

16、優(yōu)選的，所述采集護(hù)具的狀態(tài)圖像步驟為：

17、使用攝像頭捕獲作業(yè)人員佩戴護(hù)具的圖像，將彩色圖像轉(zhuǎn)換為灰度圖，其表達(dá)式為igray＝0.2989×r+0.5870×g+0.1140×b，其中r、g、b分別是紅、綠、藍(lán)通道值，使用高斯濾波平滑圖像；

18、使用canny邊緣檢測算法檢測護(hù)具的邊緣，提取輪廓信息，其表達(dá)式為其中igradient(x,y)為圖像的梯度幅值，threshold為邊緣檢測的閾值；

19、從邊緣檢測的結(jié)果中提取出護(hù)具輪廓。

20、優(yōu)選的，所述對狀態(tài)圖像進(jìn)行分析步驟為：

21、根據(jù)提取的護(hù)具輪廓，確定護(hù)具的關(guān)鍵特征點，識別護(hù)具上的關(guān)鍵點和人體的相關(guān)關(guān)鍵點，所述人體的關(guān)鍵點為護(hù)具相應(yīng)佩戴的人體部位；

22、根據(jù)關(guān)鍵點計算護(hù)具的佩戴角度，其計算公式為其中(x1,y1)和(x2,y2)為護(hù)具關(guān)鍵點的坐標(biāo)，θ為計算得到的佩戴角度；

23、根據(jù)計算出的佩戴角度計算得到位置合理系數(shù)，其計算公式為其中pr為位置合理系數(shù)，θ表示為當(dāng)前的佩戴角度，agid表示為理想佩戴角度，agmax表示為允許的最大偏差角度；

24、根據(jù)提取的護(hù)具輪廓，獲取護(hù)具彈力帶的相關(guān)數(shù)據(jù)，所述相關(guān)數(shù)據(jù)包括彈力帶的長度與面積數(shù)據(jù)，根據(jù)彈力帶的相關(guān)數(shù)據(jù)計算得到緊固系數(shù)。

25、優(yōu)選的，所述根據(jù)彈力帶的相關(guān)數(shù)據(jù)計算得到緊固系數(shù)步驟為：

26、計算彈力帶的長度，其計算公式為其中(x3,y3)和(x4,y4)分別是彈力帶兩端的坐標(biāo)，l為彈力帶的長度；

27、計算彈力帶覆蓋的多邊形區(qū)域面積，其計算公式為其中a為彈力帶覆蓋面積，(xi,yi)為多邊形頂點的坐標(biāo)；

28、根據(jù)彈力帶的長度與彈力帶覆蓋面積計算得到緊固系數(shù)，其計算公式為其中ft表示為緊固系數(shù)，lmax為松弛狀態(tài)下彈力帶的最大長度，lcurrent為當(dāng)前測量彈力帶的長度，acurrent表示為當(dāng)前彈力帶的覆蓋面積，aloose為松弛狀態(tài)下彈力帶的面積。

29、優(yōu)選的，所述對分析結(jié)果進(jìn)行評估得到安全指數(shù)步驟為：

30、將位置合理系數(shù)與緊固系數(shù)進(jìn)行加權(quán)求和計算得到安全指數(shù)，其計算公式為sf＝a1×pr+a2×ft，其中sf表示為安全指數(shù)，pr表示為位置合理系數(shù)，ft表示為緊固系數(shù)，a1、a2表示為位置合理系數(shù)與緊固系數(shù)的權(quán)重系數(shù)。

31、優(yōu)選的，所述接收護(hù)具識別模塊與數(shù)據(jù)評估模塊傳輸?shù)臄?shù)據(jù)，并進(jìn)行相應(yīng)的預(yù)警步驟為：

32、若接收到護(hù)具識別模塊傳輸?shù)男畔?，則判定作業(yè)人員當(dāng)前未穿戴護(hù)具，向相關(guān)管理人員發(fā)出預(yù)警，提醒作業(yè)人員及時穿戴護(hù)具；

33、若接收到數(shù)據(jù)評估模塊傳輸?shù)陌踩笖?shù)，將安全指數(shù)與預(yù)設(shè)閾值進(jìn)行對比，若安全指數(shù)大于預(yù)設(shè)閾值，則判定當(dāng)前作業(yè)人員穿戴護(hù)具情況安全；若安全指數(shù)小于預(yù)設(shè)閾值，則判定當(dāng)前作業(yè)人員穿戴護(hù)具情況危險，向相關(guān)管理人員發(fā)出預(yù)警，提醒作業(yè)人員正確佩戴護(hù)具。本發(fā)明的技術(shù)效果和優(yōu)點：

34、通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建識別網(wǎng)絡(luò)模型，并通過識別網(wǎng)絡(luò)模型對作業(yè)人員進(jìn)行識別，根據(jù)識別結(jié)果進(jìn)行相應(yīng)信息傳輸，通過攝像裝置采集護(hù)具的狀態(tài)圖像，所述狀態(tài)圖像為作業(yè)人員護(hù)具佩戴的狀態(tài)圖像，對狀態(tài)圖像進(jìn)行分析得到位置合理系數(shù)與緊固系數(shù)，根據(jù)位置合理系數(shù)與緊固系數(shù)進(jìn)行評估得到安全指數(shù)，并根據(jù)安全指數(shù)進(jìn)行相應(yīng)的預(yù)警，有效提高配電系統(tǒng)的安全性。

技術(shù)特征：

1.基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，其特征在于，所述系統(tǒng)包括：

2.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，其特征在于：所述通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建識別網(wǎng)絡(luò)模型步驟為：

3.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，其特征在于：所述采集護(hù)具的狀態(tài)圖像步驟為：

4.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，其特征在于：所述對狀態(tài)圖像進(jìn)行分析步驟為：

5.根據(jù)權(quán)利要求4所述的基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，其特征在于：所述根據(jù)彈力帶的相關(guān)數(shù)據(jù)計算得到緊固系數(shù)步驟為：

6.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，其特征在于：所述對分析結(jié)果進(jìn)行評估得到安全指數(shù)步驟為：

7.根據(jù)權(quán)利要求1所述的基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，其特征在于：所述接收護(hù)具識別模塊與數(shù)據(jù)評估模塊傳輸?shù)臄?shù)據(jù)，并進(jìn)行相應(yīng)的預(yù)警步驟為：

技術(shù)總結(jié)
本發(fā)明涉及配電安全領(lǐng)域，且公開了基于機(jī)器視覺的配網(wǎng)不停電作業(yè)智能監(jiān)控與風(fēng)險預(yù)警系統(tǒng)，用于解決當(dāng)人工進(jìn)行配電作業(yè)時，會出現(xiàn)因防護(hù)裝備未正確佩戴導(dǎo)致作業(yè)人員發(fā)生危險的問題，通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建識別網(wǎng)絡(luò)模型，并通過識別網(wǎng)絡(luò)模型對作業(yè)人員進(jìn)行識別，根據(jù)識別結(jié)果進(jìn)行相應(yīng)信息傳輸，通過攝像裝置采集護(hù)具的狀態(tài)圖像，所述狀態(tài)圖像為作業(yè)人員護(hù)具佩戴的狀態(tài)圖像，對狀態(tài)圖像進(jìn)行分析得到位置合理系數(shù)與緊固系數(shù)，根據(jù)位置合理系數(shù)與緊固系數(shù)進(jìn)行評估得到安全指數(shù)，并根據(jù)安全指數(shù)進(jìn)行相應(yīng)的預(yù)警，有效提高配電系統(tǒng)的安全性。

技術(shù)研發(fā)人員：張楠,孫彪,廖志民,黑文斌,黃偉坡,景磊,馬亞龍,何成
受保護(hù)的技術(shù)使用者：內(nèi)蒙古電力（集團(tuán)）有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30