智能調(diào)節(jié)技術(shù)-電力安全作業(yè)及運維智能調(diào)節(jié)系統(tǒng)及方法

[全]智能調(diào)節(jié)技術(shù)-電力安全作業(yè)及運維智能調(diào)節(jié)系統(tǒng)及方法成為經(jīng)濟(jì)飛速發(fā)展，電力體制改革不斷深入，“互聯(lián)網(wǎng)”技術(shù)使電力客戶的消費方式、使用習(xí)慣發(fā)生了變化，同時也大大提升了傳統(tǒng)行業(yè)的生產(chǎn)能力、生產(chǎn)能力，隨同著我國國民經(jīng)濟(jì)的迅猛發(fā)展，電力負(fù)荷逐年增加，電力網(wǎng)絡(luò)的結(jié)構(gòu)也日趨復(fù)雜。同時隨著近2年來電力建設(shè)中的電力建設(shè)中發(fā)生的電力低事故，部分原因是由于監(jiān)管不到位，電力建設(shè)人員自身對安全的不吸收，國家也加強(qiáng)了對電力行業(yè)安全監(jiān)管的整體性，特別是電力系統(tǒng)的變電站和輸電線路是電力系統(tǒng)的設(shè)施，作為整個電網(wǎng)運行的核心部分，建設(shè)其后續(xù)人員安全、全性和直接關(guān)系的整個電力系統(tǒng)的發(fā)展。隨著變遷“無人值守”的進(jìn)一步取消，電力系統(tǒng)對認(rèn)知需求與日倶增加；現(xiàn)在變遷和直接電力線路采用的還是傳統(tǒng)的監(jiān)控方式，維維人員必須隨時監(jiān)控視頻畫面，避免泄漏故障與違反安全生產(chǎn)要求的圖像。安全檢查得通盤檢索，更及時的浪費人力、物力與時間，無法充分發(fā)揮監(jiān)控系統(tǒng)的作用。電網(wǎng)公司后期對電站、變網(wǎng)線路的安全作業(yè)由傳統(tǒng)的人工監(jiān)控向科技化、新模式發(fā)展?，F(xiàn)需要有人員安全行為識別、智能運維、預(yù)警安防報警、漸變調(diào)節(jié)系統(tǒng)及方法。問題拆分包括前端采集單元、智能處理單元和應(yīng)用流媒體平臺；所述前端采集單元包括：多個攝像裝置，安裝在不同的監(jiān)控點點；以及一個或一個以上的網(wǎng)絡(luò)視頻機(jī)，網(wǎng)絡(luò)視頻機(jī)通過監(jiān)控網(wǎng)絡(luò)與攝像裝置連接；所述智能處理單元包括模型訓(xùn)練機(jī)、智能分析器和數(shù)據(jù)庫服務(wù)器，智能分析器和數(shù)據(jù)庫服務(wù)器與監(jiān)控網(wǎng)絡(luò)連接；所述的流媒體平臺包括流媒體服務(wù)器和監(jiān)控管理平臺，該流媒體服務(wù)器和監(jiān)控管理平臺與監(jiān)控網(wǎng)絡(luò)連接。本發(fā)明實現(xiàn)了人員安全行為識別、智能運維、警覺安防報警以及認(rèn)知監(jiān)管。問題解決本發(fā)明所述的電力安全作業(yè)及運維智能監(jiān)管系統(tǒng)，包括尖端采集單元、智能處理單元和應(yīng)用流媒體平臺；[0005]前端采集單元包括：[0006]多個攝像頭，安裝在不同的監(jiān)控點，用于采集監(jiān)控點的視頻信息；[0007]以及一個或一個以上的網(wǎng)絡(luò)視頻機(jī)，用于記錄攝像裝置采集的視頻信息，該網(wǎng)絡(luò)視頻機(jī)通過監(jiān)控網(wǎng)絡(luò)與攝像裝置連接；[0008]所述智能處理單元包括：[0009]模型訓(xùn)練機(jī)，用于構(gòu)建神經(jīng)神經(jīng)網(wǎng)絡(luò)，并利用樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)；[0010]智能分析器，利用訓(xùn)練非神經(jīng)網(wǎng)絡(luò)對前端采集采集所采集的實時視頻流進(jìn)行識別，若識別出作業(yè)現(xiàn)場出現(xiàn)未授權(quán)的作業(yè)人員，和/或設(shè)備出現(xiàn)，和異常/或作業(yè)現(xiàn)場人員有安全不良行為，則發(fā)出報警提示和/或記錄；[0011]數(shù)據(jù)庫服務(wù)器，用于存儲匹配的圖像視頻文件，該數(shù)據(jù)庫服務(wù)器與監(jiān)控網(wǎng)絡(luò)連接；[0012]所述流傳的流媒體平臺包括：[0013]視頻流媒體服務(wù)器，用于視頻流以及前端流單元的直播，將前端采集所采集的視頻信息轉(zhuǎn)發(fā)給智能分析器，該流媒體服務(wù)器與監(jiān)控網(wǎng)絡(luò)連接；[0014]監(jiān)控管理平臺，用于對系統(tǒng)內(nèi)的各設(shè)備進(jìn)行監(jiān)控和管理，該監(jiān)控管理平臺與監(jiān)控網(wǎng)絡(luò)連接。[0015]所述流傳的流媒體平臺還包括：[0016]監(jiān)控終端，監(jiān)控終端與監(jiān)控網(wǎng)絡(luò)連接，或該監(jiān)控終端通過云端該監(jiān)控網(wǎng)絡(luò)。[0017]本發(fā)明所述的電力安全作業(yè)及運維智能調(diào)節(jié)方法，采用本發(fā)明所述的電力安全作業(yè)及運維智能系統(tǒng)，其方法包括：[0018]構(gòu)建神經(jīng)神經(jīng)網(wǎng)絡(luò)，利用圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò)；[0019]利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對現(xiàn)場設(shè)備采集所采集的實時視頻進(jìn)行識別，非作業(yè)現(xiàn)場出現(xiàn)未授權(quán)的非作業(yè)人員，和/或出現(xiàn)異常，和/或作業(yè)人員有安全不當(dāng)行為，則發(fā)出報警提示和/或記錄。[0020]還包括：[0021]利用火焰火焰識別算法判別圖像是否為火焰，若判別為，則發(fā)出報警提示。[0022]所述構(gòu)成神經(jīng)神經(jīng)網(wǎng)絡(luò)，利用圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò)包括：[0023]訓(xùn)練采用迀移學(xué)習(xí)技術(shù)進(jìn)行訓(xùn)練，包括樣本集、樣本訓(xùn)練和建模訓(xùn)練；[0024]樣本為視頻時，采用相同的時間間隔視頻圖像圖像，將視頻轉(zhuǎn)化為圖像進(jìn)行格式，文件包括形象、圖像色彩和感受度調(diào)節(jié)；[0025]完成樣例后啟動模型訓(xùn)練流程，模型訓(xùn)練分為階段開發(fā)模型訓(xùn)練和現(xiàn)場部署后移動學(xué)習(xí)訓(xùn)練兩種模式；[0026模型在訓(xùn)練過程中，在訓(xùn)練集上完成一個模型的訓(xùn)練，分別在訓(xùn)練上進(jìn)行一次訓(xùn)練，驗證訓(xùn)練，檢查模型泛化；模型經(jīng)多輪訓(xùn)練過程中再進(jìn)行一次訓(xùn)練，進(jìn)行訓(xùn)練筑結(jié)合現(xiàn)場增量數(shù)據(jù)定期進(jìn)行性能調(diào)優(yōu)。[0027]所述利用訓(xùn)練神經(jīng)網(wǎng)絡(luò)對前端采集采集所采集的實時視頻流進(jìn)行識別包括：[0028]獲取前端采集采集所采集的實時視頻流，經(jīng)過視頻抽幀后得到單幀圖像，再進(jìn)行繪畫、色彩和旋轉(zhuǎn)處理，并以圖像矩陣的形式輸入神經(jīng)網(wǎng)絡(luò)；然后啟動認(rèn)知神經(jīng)網(wǎng)絡(luò)向前傳播計算模式，輸入的圖像矩陣經(jīng)進(jìn)行圖像特征描述后，由圖像判別層生成預(yù)測標(biāo)注框和故障種類代碼的結(jié)構(gòu)化數(shù)據(jù)。[0029]神經(jīng)神經(jīng)網(wǎng)絡(luò)分為安全行為判別神經(jīng)網(wǎng)絡(luò)、設(shè)備運行狀態(tài)判別神經(jīng)網(wǎng)絡(luò)和人臉識別神經(jīng)網(wǎng)絡(luò)，[0030]利用人臉識別神經(jīng)網(wǎng)絡(luò)來識別作業(yè)現(xiàn)場是否出現(xiàn)未授權(quán)的非作業(yè)人員；[0031]利用設(shè)備運行狀態(tài)判別神經(jīng)網(wǎng)絡(luò)來識別設(shè)備是否有異常；[0032]利用安全行為判別神經(jīng)網(wǎng)絡(luò)來識別作業(yè)現(xiàn)場人員是否有安全行為。[0033]構(gòu)建安全行為判別神經(jīng)網(wǎng)絡(luò)，選擇樣本圖像安全行為判別神經(jīng)網(wǎng)絡(luò)的包括：[0034]11、構(gòu)建原始圖像步驟集：對實際作業(yè)環(huán)境下工作人員的行為進(jìn)行拍攝并錄制視頻，運動視頻抽幀的方式獲取包含工作人員行為的圖像文件，構(gòu)建原始圖像數(shù)據(jù)集；[0035]12、構(gòu)建數(shù)據(jù)集步驟12、構(gòu)建數(shù)據(jù)集：原始圖像數(shù)據(jù)集構(gòu)建完成后，對圖像進(jìn)行圖像標(biāo)記，圖像標(biāo)定分為3個ROI進(jìn)行，ROI為區(qū)域；其中，第1個ROI包含人體模型至小腿中心區(qū)域；2個ROI包含裝置和第7個區(qū)域；ROI包括小腿中心以下第3個足部；[0036]圖像分類下面進(jìn)行分類規(guī)則：[0037]第1個ROI的收入：①規(guī)范的長袖褲裝、②短袖上衣、③穿穿穿、④長袖上衣挽袖口、⑤長褲挽褲腳、⑥未雨安全帽?；[0038]第2個ROI的底蘊：①穿安全鞋、②穿靴和涼鞋；[0039]第3個ROI抽獎：①未抽煙及電話、②電話、③煙；[0040]訓(xùn)練每張圖片后的ROI信息通過1個格式文件保存，圖片對應(yīng)1個xml文件；全部圖片完成數(shù)據(jù)收集后，即構(gòu)成；[0041]113、設(shè)計神經(jīng)網(wǎng)絡(luò)判別模型：神經(jīng)網(wǎng)絡(luò)判別模型包括輸入層、思想層、判別層和判別輸出層；輸入層用于輸入的圖片；腦層層池化的形式感受，用于圖像特征從低到高的提??；池化接于層層后，用于降低參數(shù)輸出層和決策層判別；分別采用softmax函數(shù)進(jìn)行分類判別輸出值的判別；[0042]114、模型訓(xùn)練：模型訓(xùn)練在DarkNet上實現(xiàn)，由DarkNet框架提供神經(jīng)網(wǎng)絡(luò)判別模型計算所需要的知識、池化等算子，以及模型訓(xùn)練和性能評估算法；將訓(xùn)練數(shù)據(jù)集按步驟預(yù)設(shè)的比例集訓(xùn)練與訓(xùn)練；訓(xùn)練圖片數(shù)據(jù)集隨機(jī)組合，每kl張圖片組成1個集，像旋轉(zhuǎn)、色彩調(diào)節(jié)經(jīng)圖和模擬調(diào)節(jié)后，逐針輸入模型進(jìn)行訓(xùn)練，訓(xùn)練SGD進(jìn)行算法，設(shè)置初始初始學(xué)習(xí)率；采用核心訓(xùn)練完成后，計算模型損失函數(shù)損失值、損失函數(shù)均值、IOU值和價值率；統(tǒng)計并計算損失變化曲線，根據(jù)函數(shù)值計算變化情況，對學(xué)習(xí)率進(jìn)行調(diào)節(jié)，具體方法為：觀察損失函數(shù)曲線，當(dāng)生命模型至模擬訓(xùn)練結(jié)束后，損失值出現(xiàn)震蕩，則將學(xué)習(xí)，繼續(xù)模型預(yù)測；當(dāng)損失函數(shù)函數(shù)降低趨近于零且損失函數(shù)假設(shè)，假設(shè)對值時，模型訓(xùn)練假設(shè)，使用驗證集的性能評估進(jìn)行；[004]3、判別模型的持續(xù)優(yōu)化：判別別模型上線后，依據(jù)判別模型對視頻步驟圖像進(jìn)行自選模型對視頻輸入圖像的挖掘、挖掘和挖掘，形成增量圖像集數(shù)據(jù)；將增量圖像集數(shù)據(jù)集與圖像訓(xùn)練數(shù)據(jù)集合并形成新的訓(xùn)練數(shù)據(jù)集，然后按步驟14重訓(xùn)練模型，實現(xiàn)判別模型在增量數(shù)據(jù)上的持續(xù)優(yōu)化。[0044]構(gòu)建設(shè)備運行狀態(tài)判別神經(jīng)網(wǎng)絡(luò)，利用樣本圖像設(shè)備運行狀態(tài)判別神經(jīng)網(wǎng)絡(luò)的方法包括：[0045]步驟21、構(gòu)建原始圖像集：對實際設(shè)備狀態(tài)運行進(jìn)行拍攝并錄制視頻，通過視頻抽幀的方式獲取包含設(shè)備狀態(tài)的圖片文件，構(gòu)建原始圖像數(shù)據(jù)集；[0046]22、構(gòu)建數(shù)據(jù)集：原始圖像數(shù)據(jù)集構(gòu)建完成后，對圖像步驟進(jìn)行圖像收集，圖像標(biāo)注10I，分類篩選規(guī)則為：①設(shè)備運行、②設(shè)備故障；主題后的ROI信息通過1個格式文件進(jìn)行，每張圖片對應(yīng)1個xml文件；全部數(shù)據(jù)完成收集xml文件后，即構(gòu)成訓(xùn)練；[0047]23、設(shè)計神經(jīng)網(wǎng)絡(luò)判別模型：判別模型包括輸入層、判別層、池化層別輸出層；輸入層用于圖片的輸入；層層輸入和感覺的形式感受，用于圖像特征從低到高的提??；池化層接于層層后，用于降低參數(shù)輸出層和決策層；判別選擇采用tmax函數(shù)數(shù)進(jìn)行分類判別值的輸出；[0048]24、模型訓(xùn)練：模型訓(xùn)練在DarkNet上實現(xiàn)，由DarkNet框架提供神經(jīng)網(wǎng)絡(luò)判別模型計算所需要的知識、池化等算子，以及模型訓(xùn)練和性能評估算法；將訓(xùn)練數(shù)據(jù)集按下預(yù)設(shè)的比例訓(xùn)練與訓(xùn)練；驗證圖片數(shù)據(jù)集隨機(jī)組合，每k2張圖片組成1個呼吸，像旋轉(zhuǎn)、色彩調(diào)節(jié)經(jīng)圖和模擬調(diào)節(jié)后，逐針輸入模型進(jìn)行訓(xùn)練，訓(xùn)練SGD進(jìn)行算法，設(shè)置初始初始學(xué)習(xí)率；采用核心訓(xùn)練完成后，計算模型損失函數(shù)損失值、損失函數(shù)均值、IOU值和價值率；統(tǒng)計并計算損失變化曲線，根據(jù)函數(shù)值計算變化情況，對學(xué)習(xí)率進(jìn)行調(diào)節(jié)，具體方法為：觀察損失函數(shù)曲線，當(dāng)生命模型至模擬訓(xùn)練結(jié)束后，損失值出現(xiàn)震蕩，則將學(xué)習(xí)，繼續(xù)模型預(yù)測；當(dāng)損失函數(shù)函數(shù)降低趨于接近于零且損失函數(shù)假設(shè)，假設(shè)對值時，模型訓(xùn)練假設(shè)，使用驗證集的性能評估進(jìn)行；[0045、別模型的持續(xù)優(yōu)化：判別別模型上線后，依據(jù)判別模型對視頻步驟圖像的自主進(jìn)行模型挖掘、挖掘、挖掘的圖像集數(shù)據(jù)進(jìn)行檢查和挖掘，形成增量圖像集；將增量圖像集數(shù)據(jù)集與圖像訓(xùn)練數(shù)據(jù)集合并形成新的訓(xùn)練數(shù)據(jù)集，然后按步驟重新訓(xùn)練模型，實現(xiàn)判別模型在增量數(shù)據(jù)上的持續(xù)優(yōu)化。[0050]構(gòu)建人臉識別神經(jīng)網(wǎng)絡(luò)，利用樣本圖像訓(xùn)練人臉識別神經(jīng)網(wǎng)絡(luò)的方法包括：[0051]步驟31、構(gòu)建原始圖像數(shù)據(jù)集:對人臉進(jìn)行拍照，構(gòu)建人臉數(shù)據(jù)集；[0052]步驟32、構(gòu)建訓(xùn)練數(shù)據(jù)集:原始圖像數(shù)據(jù)集構(gòu)建完成后，對圖像進(jìn)行標(biāo)注，圖像標(biāo)注1個ROI，即人物的面部特征，分類標(biāo)注規(guī)則為:①根據(jù)人員身份ID進(jìn)行標(biāo)注;標(biāo)注后的ROI信息通過1個xml格式文件進(jìn)行保存，每張圖片對應(yīng)1個xml文件;全部圖片完成標(biāo)注后，即構(gòu)成訓(xùn)練數(shù)據(jù)集；[0053]步驟33、設(shè)計神經(jīng)網(wǎng)絡(luò)判別模型：判別模型包括輸入層、卷積層、池化層和判別輸出層組成，輸入層用于圖片的輸入;卷積層采取多層疊加的形式布置，用于圖像特征從低到高的提??；池化層接于卷積層后，用于降低參數(shù)規(guī)模和防止過擬合；判別輸出層采用softmax函數(shù)進(jìn)行分類判別值的輸出；[0054]步驟34、模型訓(xùn)練:模型訓(xùn)練在DarkNet上實現(xiàn)，由DarkNet框架提供神經(jīng)網(wǎng)絡(luò)判別模型計算所需要的卷積、池化等算子，以及模型訓(xùn)練和性能評估算法;將訓(xùn)練數(shù)據(jù)集按預(yù)設(shè)的比例分為訓(xùn)練集與驗證集;訓(xùn)練集圖片數(shù)據(jù)集隨機(jī)組合，每k3張圖片組成1個批次，經(jīng)圖像旋轉(zhuǎn)、色彩調(diào)節(jié)和亮度調(diào)節(jié)后，逐批次輸入模型進(jìn)行訓(xùn)練，訓(xùn)練采用SGD算法進(jìn)行，設(shè)置初始學(xué)習(xí)率;每個批次訓(xùn)練完成后，計算模型的損失函數(shù)值、損失函數(shù)均方差、IOU值和召回率;統(tǒng)計并繪制損失函數(shù)變化曲線，根據(jù)損失函數(shù)值變化情況，對學(xué)習(xí)率進(jìn)行調(diào)節(jié)，具體方法為:觀察損失函數(shù)曲線，當(dāng)每個批次模型訓(xùn)練迭代之后，損失函數(shù)值出現(xiàn)震蕩，則將學(xué)習(xí)率降低，繼續(xù)模型迭代；當(dāng)損失函數(shù)收斂至趨近于零，且損失函數(shù)均方差低于預(yù)設(shè)閾值時，結(jié)束模型訓(xùn)練迭代，使用驗證集對模型的性能進(jìn)行評估；[0055]步驟35、判別模型的持續(xù)優(yōu)化:判別模型上線后，依靠判別模型對視頻圖像進(jìn)行自動標(biāo)注，并由專業(yè)人員對圖像標(biāo)注的結(jié)果進(jìn)行檢查和篩選，形成增量圖像數(shù)據(jù)集;將增量圖像數(shù)據(jù)集與圖像訓(xùn)練數(shù)據(jù)集合并，形成新的訓(xùn)練數(shù)據(jù)集，然后按步驟34重新訓(xùn)練模型，實現(xiàn)判別模型在增量數(shù)據(jù)上的持續(xù)優(yōu)化。[0056]本發(fā)明的有益效果：[0057](1)監(jiān)督工作人員在運維檢修作業(yè)過程中對安全規(guī)范準(zhǔn)則的遵守情況，實時的檢測并識別違反規(guī)定的行為;違規(guī)行為主要包括未佩戴安全帽、未穿工作服、穿拖鞋或涼鞋、作業(yè)場內(nèi)抽煙、作業(yè)現(xiàn)場火災(zāi)、檢修作業(yè)接打電話等；[0058](2)對現(xiàn)場工作人員進(jìn)行管理，當(dāng)監(jiān)測到有人員進(jìn)入設(shè)定