電力智能監(jiān)管技術(shù)-電力安全作業(yè)及運(yùn)維智能監(jiān)管系統(tǒng)及方法

[全]電力智能監(jiān)管技術(shù)-電力安全作業(yè)及運(yùn)維智能監(jiān)管系統(tǒng)及方法我國經(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(fèi)方式、使用習(xí)慣都發(fā)生了巨大變化，同時(shí)也大大提升了傳統(tǒng)行業(yè)的競爭能力，近年來，隨著我國國民經(jīng)濟(jì)的迅猛發(fā)展，電力負(fù)荷逐年增加，配電網(wǎng)絡(luò)的結(jié)構(gòu)也日趨復(fù)雜。同時(shí)隨著近2年來電力施工中發(fā)生的眾多電力事故，大部分原因是由于監(jiān)管不到位，電力施工人員自身對(duì)安全的不重視，國家也加大了對(duì)電力行業(yè)安全監(jiān)管的力度，特別是變電站和和輸電線路是電力系統(tǒng)的重要設(shè)施，作為整個(gè)電網(wǎng)運(yùn)行的核心組成部分，其建設(shè)前期人員安全、運(yùn)轉(zhuǎn)的安全性和可靠性直接關(guān)系整個(gè)電力系統(tǒng)的穩(wěn)固。隨著變電站“無人值守”的進(jìn)一步落實(shí)，電力系統(tǒng)對(duì)智能化的需求與日倶增；目前變電站和輸電線路采用的還是傳統(tǒng)的監(jiān)控方式，運(yùn)維人員必須隨時(shí)監(jiān)控視頻畫面，以防漏掉故障與違反安全生產(chǎn)要求的圖像。安全檢查時(shí)更得通盤檢索，浪費(fèi)大量人力、物力與時(shí)間，無法充分發(fā)揮監(jiān)控系統(tǒng)的功效。國家電網(wǎng)公司以往對(duì)變電站、主配網(wǎng)線路的安全作業(yè)由傳統(tǒng)的純?nèi)斯けO(jiān)控監(jiān)管向著科技化、智能化的新模式發(fā)展。現(xiàn)需要一套擁有人員安全行為鑒別、智能運(yùn)維、智能化安防報(bào)警、智能化監(jiān)管系統(tǒng)及方法。問題拆分包括前端采集單元、智能處理單元和分布式流媒體平臺(tái)；所述前端采集單元包括：多個(gè)攝像裝置，安裝在不同的監(jiān)控點(diǎn)；以及一個(gè)或一個(gè)以上的網(wǎng)絡(luò)視頻錄像機(jī)，網(wǎng)絡(luò)視頻錄像機(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；所述分布式流媒體平臺(tái)包括流媒體服務(wù)器和監(jiān)控管理平臺(tái)，該流媒體服務(wù)器和監(jiān)控管理平臺(tái)與監(jiān)控網(wǎng)絡(luò)連接。本發(fā)明實(shí)現(xiàn)了人員安全行為鑒別，智能運(yùn)維、智能化安防報(bào)警以及智能化監(jiān)管。問題解決本發(fā)明的目的是提供一種電力安全作業(yè)及運(yùn)維智能監(jiān)管系統(tǒng)及方法，能實(shí)現(xiàn)人員安全行為鑒別，智能運(yùn)維、智能化安防報(bào)警以及智能化監(jiān)管。[0004]本發(fā)明所述的電力安全作業(yè)及運(yùn)維智能監(jiān)管系統(tǒng)，包括前端采集單元、智能處理單元和分布式流媒體平臺(tái)；[0005]所述前端采集單元包括：[0006]多個(gè)攝像裝置，安裝在不同的監(jiān)控點(diǎn)，用于采集監(jiān)控點(diǎn)的視頻信息；[0007]以及一個(gè)或一個(gè)以上的網(wǎng)絡(luò)視頻錄像機(jī)，用于記錄攝像裝置所采集的視頻信息，該網(wǎng)絡(luò)視頻錄像機(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)建卷積神經(jīng)網(wǎng)絡(luò)，并利用樣本圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)；[0010]智能分析器，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)前端采集單元所采集的實(shí)時(shí)視頻流進(jìn)行識(shí)別，若識(shí)別出作業(yè)現(xiàn)場出現(xiàn)未授權(quán)的非作業(yè)人員，和/或設(shè)備出現(xiàn)異常，和/或作業(yè)現(xiàn)場人員有安全違規(guī)行為，則發(fā)出報(bào)警提示和/或記錄；[0011]數(shù)據(jù)庫服務(wù)器，用于存儲(chǔ)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]所述分布式流媒體平臺(tái)包括：[0013]流媒體服務(wù)器，用于轉(zhuǎn)發(fā)前端采集單元的直播視頻流以及將前端采集單元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(tái)，用于對(duì)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(tái)與監(jiān)控網(wǎng)絡(luò)連接。[0015]所述分布式流媒體平臺(tái)還包括：[0016]監(jiān)控終端，該監(jiān)控終端與監(jiān)控網(wǎng)絡(luò)連接，或該監(jiān)控終端通過云端接入監(jiān)控網(wǎng)絡(luò)。[0017]本發(fā)明所述的電力安全作業(yè)及運(yùn)維智能監(jiān)管方法，采用本發(fā)明所述的電力安全作業(yè)及運(yùn)維智能監(jiān)管系統(tǒng)，其方法包括：[0018]構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，利用樣本圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)；[0019]利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)前端采集單元所采集的實(shí)時(shí)視頻流進(jìn)行識(shí)別，若識(shí)別出作業(yè)現(xiàn)場出現(xiàn)未授權(quán)的非作業(yè)人員，和/或設(shè)備出現(xiàn)異常，和/或作業(yè)現(xiàn)場人員有安全違規(guī)行為，則發(fā)出報(bào)警提示和/或記錄。[0020]還包括：[0021]利用火焰識(shí)別算法判別圖像是否為火焰，若判為火焰，則發(fā)出報(bào)警提示。[0022]所述構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，利用樣本圖像訓(xùn)練卷積神經(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，分為樣本采集、樣本預(yù)處理和訓(xùn)練建模；[0024]樣本為視頻時(shí)，采用相等時(shí)間間隔進(jìn)行視頻圖像幀采樣，將視頻轉(zhuǎn)化為圖片格式文件;再對(duì)圖像進(jìn)行預(yù)處理，預(yù)處理包括圖像降噪、圖像色彩和飽和度調(diào)節(jié)；[0025]完成樣本預(yù)處理后啟動(dòng)模型訓(xùn)練進(jìn)程，模型訓(xùn)練分為開發(fā)階段模型原型訓(xùn)練和現(xiàn)場部署后在線迀移學(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(gè)批次的訓(xùn)練，均在驗(yàn)證集上進(jìn)行一次模型精度驗(yàn)證，檢查模型泛化能力;模型經(jīng)多輪迭代收斂后再進(jìn)行上線部署，后期結(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)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)前端采集單元所采集的實(shí)時(shí)視頻流進(jìn)行識(shí)別包括：[0028]獲取前端采集單元所采集的實(shí)時(shí)視頻流，經(jīng)過視頻抽幀后得到單幀圖像，再進(jìn)行降噪、色彩和旋轉(zhuǎn)處理，并以圖像矩陣的形式輸入卷積神經(jīng)網(wǎng)絡(luò);然后啟動(dòng)卷積神經(jīng)網(wǎng)絡(luò)向前傳播計(jì)算模式，輸入的圖像矩陣經(jīng)卷積進(jìn)行圖像特征重構(gòu)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]所述卷積神經(jīng)網(wǎng)絡(luò)分為安全行為判別神經(jīng)網(wǎng)絡(luò)、設(shè)備運(yùn)行狀態(tài)判別神經(jīng)網(wǎng)絡(luò)和人臉識(shí)別神經(jīng)網(wǎng)絡(luò)，[0030]利用人臉識(shí)別神經(jīng)網(wǎng)絡(luò)來識(shí)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(yùn)行狀態(tài)判別神經(jīng)網(wǎng)絡(luò)來識(shí)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(shí)別作業(yè)現(xiàn)場人員是否有安全違規(guī)行為。[0033]構(gòu)建安全行為判別神經(jīng)網(wǎng)絡(luò)，利用樣本圖像訓(xùn)練安全行為判別神經(jīng)網(wǎng)絡(luò)的方法包括：[0034]步驟11、構(gòu)建原始圖像數(shù)據(jù)集:對(duì)實(shí)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，采取視頻抽幀的方式獲取包含工作人員行為的圖片文件，構(gòu)建原始圖像數(shù)據(jù)集；[0035]步驟12、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(duì)圖像進(jìn)行標(biāo)注，圖像標(biāo)注分為3個(gè)ROI進(jìn)行，ROI為感興趣區(qū)域;其中，第1個(gè)ROI包含人體頭部至小腿中部區(qū)域;第2個(gè)ROI包含頸部和頭部區(qū)域;第3個(gè)ROI包含小腿中部以下及足部；[0036]圖像依據(jù)下述分類規(guī)則進(jìn)行標(biāo)注：[0037]第1個(gè)ROI的標(biāo)注:①規(guī)范的長袖長褲著裝、②穿短袖上衣、③穿短褲、④長袖上衣挽袖口、⑤長褲挽褲腳、⑥未佩戴安全帽；[0038]第2個(gè)ROI的標(biāo)注:①穿安全鞋、②穿拖鞋和涼鞋；[0039]第3個(gè)ROI標(biāo)注:①未抽煙及打電話、②打電話、③抽煙；[0040]標(biāo)注后的ROI信息通過1個(gè)xml格式文件進(jìn)行保存，每張圖片對(duì)應(yīng)1個(gè)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；[0041]步驟13、設(shè)計(jì)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、卷積層、池化層和判別輸出層;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取;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；[0042]步驟14、模型訓(xùn)練:模型訓(xùn)練在DarkNet上實(shí)現(xiàn)，由DarkNet框架提供神經(jīng)網(wǎng)絡(luò)判別模型計(jì)算所需要的卷積、池化等算子，以及模型訓(xùn)練和性能評(píng)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(yàn)證集;訓(xùn)練集圖片數(shù)據(jù)集隨機(jī)組合，每kl張圖片組成1個(gè)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(gè)批次訓(xùn)練完成后，計(jì)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(jì)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(duì)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(gè)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(shí)，結(jié)束模型訓(xùn)練迭代，使用驗(yàn)證集對(duì)模型的性能進(jìn)行評(píng)估；[0043]步驟15、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(duì)視頻圖像進(jìn)行自動(dòng)標(biāo)注，并對(duì)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14重新訓(xùn)練模型，實(shí)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(yùn)行狀態(tài)判別神經(jīng)網(wǎng)絡(luò)，利用樣本圖像訓(xùn)練設(shè)備運(yùn)行狀態(tài)判別神經(jīng)網(wǎng)絡(luò)的方法包括：[0045]步驟21、構(gòu)建原始圖像數(shù)據(jù)集:對(duì)實(shí)際設(shè)備運(yùn)行狀態(tài)進(jìn)行拍攝并錄制視頻，采取視頻抽幀的方式獲取包含設(shè)備運(yùn)行狀態(tài)的圖片文件，構(gòu)建原始圖像數(shù)據(jù)集；[0046]步驟22、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(duì)圖像進(jìn)行標(biāo)注，圖像標(biāo)注1個(gè)R0I，分類標(biāo)注規(guī)則為:①設(shè)備正常運(yùn)行、②設(shè)備故障;標(biāo)注后的ROI信息通過1個(gè)xml格式文件進(jìn)行保存，每張圖片對(duì)應(yīng)1個(gè)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；[0047]步驟23、設(shè)計(jì)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;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取;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；[0048]步驟24、模型訓(xùn)練:模型訓(xùn)練在DarkNet上實(shí)現(xiàn)，由DarkNet框架提供神經(jīng)網(wǎng)絡(luò)判別模型計(jì)算所需要的卷積、池化等算子，以及模型訓(xùn)練和性能評(píng)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(yàn)證集;訓(xùn)練集圖片數(shù)據(jù)集隨機(jī)組合，每k2張圖片組成1個(gè)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(gè)批次訓(xùn)練完成后，計(jì)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(jì)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(duì)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(gè)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(shí)，結(jié)束模型訓(xùn)練迭代，使用驗(yàn)證集對(duì)模型的性能進(jìn)行評(píng)估；[0049]步驟25、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(duì)視頻圖像進(jìn)行自動(dòng)標(biāo)注，并對(duì)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24重新訓(xùn)練模型，實(shí)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(shí)別神經(jīng)網(wǎng)絡(luò)，利用樣本圖像訓(xùn)練人臉識(shí)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(duì)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(duì)圖像進(jìn)行標(biāo)注，圖像標(biāo)注1個(gè)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(gè)xml格式文件進(jìn)行保存，每張圖片對(duì)應(yīng)1個(gè)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(jì)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?。怀鼗瘜咏佑诰矸e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(shí)現(xiàn)，由DarkNet框架提供神經(jīng)網(wǎng)絡(luò)判別模型計(jì)算所需要的卷積、池化等算子，以及模型訓(xùn)練和性能評(píng)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(yàn)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(gè)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(gè)批次訓(xùn)練完成后，計(jì)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(jì)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(duì)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(gè)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(shí)，結(jié)束模型訓(xùn)練迭代，使用驗(yàn)證集對(duì)模型的性能進(jìn)行評(píng)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(duì)視頻圖像進(jìn)行自動(dòng)標(biāo)注，并由專業(yè)人員對(duì)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(shí)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(yùn)維檢修作業(yè)過程中對(duì)安全規(guī)范準(zhǔn)則的遵守情況，實(shí)時(shí)的檢測并識(shí)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(duì)現(xiàn)場工作