電力智能監(jiān)管技術(shù)-電力安全作業(yè)及運維智能監(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)及運維智能監(jiān)管系統(tǒng)及方法我國經(jīng)濟飛速發(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、使用習慣都發(fā)生了巨大變化，同時也大大提升了傳統(tǒng)行業(yè)的競爭能力，近年來，隨著我國國民經(jīng)濟的迅猛發(fā)展，電力負荷逐年增加，配電網(wǎng)絡(luò)的結(jié)構(gòu)也日趨復雜。同時隨著近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安全的不重視，國家也加大了對電力行業(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，作為整個電網(wǎng)運行的核心組成部分，其建設(shè)前期人員安全、運轉(zhuǎn)的安全性和可靠性直接關(guān)系整個電力系統(tǒng)的穩(wěn)固。隨著變電站“無人值守”的進一步落實，電力系統(tǒng)對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，運維人員必須隨時監(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。安全檢查時更得通盤檢索，浪費大量人力、物力與時間，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?，F(xiàn)需要一套擁有人員安全行為鑒別、智能運維、智能化安防報警、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；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；以及一個或一個以上的網(wǎng)絡(luò)視頻錄像機，網(wǎng)絡(luò)視頻錄像機通過監(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練機、智能分析器和數(shù)據(jù)庫服務器，智能分析器和數(shù)據(jù)庫服務器與監(jiān)控網(wǎng)絡(luò)連接；所述分布式流媒體平臺包括流媒體服務器和監(jiān)控管理平臺，該流媒體服務器和監(jiān)控管理平臺與監(jiān)控網(wǎng)絡(luò)連接。本發(fā)明實現(xiàn)了人員安全行為鑒別，智能運維、智能化安防報警以及智能化監(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)及運維智能監(jiān)管系統(tǒng)及方法，能實現(xiàn)人員安全行為鑒別，智能運維、智能化安防報警以及智能化監(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；[0005]所述前端采集單元包括：[0006]多個攝像裝置，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)視頻錄像機，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]模型訓練機，用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，并利用樣本圖像訓練卷積神經(jīng)網(wǎng)絡(luò)；[0010]智能分析器，利用訓練好的卷積神經(jīng)網(wǎng)絡(luò)對前端采集單元所采集的實時視頻流進行識別，若識別出作業(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)出報警提示和/或記錄；[0011]數(shù)據(jù)庫服務器，用于存儲匹配的圖像視頻文件，該數(shù)據(jù)庫服務器與監(jiān)控網(wǎng)絡(luò)連接；[0012]所述分布式流媒體平臺包括：[0013]流媒體服務器，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]所述分布式流媒體平臺還包括：[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)，利用樣本圖像訓練卷積神經(jīng)網(wǎng)絡(luò)；[0019]利用訓練好的卷積神經(jīng)網(wǎng)絡(luò)對前端采集單元所采集的實時視頻流進行識別，若識別出作業(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)出報警提示和/或記錄。[0020]還包括：[0021]利用火焰識別算法判別圖像是否為火焰，若判為火焰，則發(fā)出報警提示。[0022]所述構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，利用樣本圖像訓練卷積神經(jīng)網(wǎng)絡(luò)包括：[0023]訓練采用迀移學習技術(shù)進行訓練，分為樣本采集、樣本預處理和訓練建模；[0024]樣本為視頻時，采用相等時間間隔進行視頻圖像幀采樣，將視頻轉(zhuǎn)化為圖片格式文件;再對圖像進行預處理，預處理包括圖像降噪、圖像色彩和飽和度調(diào)節(jié)；[0025]完成樣本預處理后啟動模型訓練進程，模型訓練分為開發(fā)階段模型原型訓練和現(xiàn)場部署后在線迀移學習訓練兩種模式；[0026]模型在訓練過程中，在訓練集上完成一個批次的訓練，均在驗證集上進行一次模型精度驗證，檢查模型泛化能力;模型經(jīng)多輪迭代收斂后再進行上線部署，后期結(jié)合現(xiàn)場增量數(shù)據(jù)定期進行性能調(diào)優(yōu)。[0027]所述利用訓練好的卷積神經(jīng)網(wǎng)絡(luò)對前端采集單元所采集的實時視頻流進行識別包括：[0028]獲取前端采集單元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);然后啟動卷積神經(jīng)網(wǎng)絡(luò)向前傳播計算模式，輸入的圖像矩陣經(jīng)卷積進行圖像特征重構(gòu)后，由圖像判別層生成預測標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:對實際作業(yè)環(huán)境下工作人員的行為進行拍攝并錄制視頻，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，對圖像進行標注，圖像標注分為3個ROI進行，ROI為感興趣區(qū)域;其中，第1個ROI包含人體頭部至小腿中部區(qū)域;第2個ROI包含頸部和頭部區(qū)域;第3個ROI包含小腿中部以下及足部；[0036]圖像依據(jù)下述分類規(guī)則進行標注：[0037]第1個ROI的標注: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ROI的標注:①穿安全鞋、②穿拖鞋和涼鞋；[0039]第3個ROI標注:①未抽煙及打電話、②打電話、③抽煙；[0040]標注后的ROI信息通過1個xml格式文件進行保存，每張圖片對應1個xml文件;全部圖片完成標注后，即構(gòu)成訓練數(shù)據(jù)集；[0041]步驟13、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、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)進行分類判別值的輸出；[0042]步驟14、模型訓練:模型訓練在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，以及模型訓練和性能評估算法;將訓練數(shù)據(jù)集按預設(shè)的比例分為訓練集與驗證集;訓練集圖片數(shù)據(jù)集隨機組合，每kl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，逐批次輸入模型進行訓練，訓練采用SGD算法進行，設(shè)置初始學習率;每個批次訓練完成后，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，對學習率進行調(diào)節(jié)，具體方法為:觀察損失函數(shù)曲線，當每個批次模型訓練迭代之后，損失函數(shù)值出現(xiàn)震蕩，則將學習率降低，繼續(xù)模型迭代；當損失函數(shù)收斂至趨近于零，且損失函數(shù)均方差低于預設(shè)閾值時，結(jié)束模型訓練迭代，使用驗證集對模型的性能進行評估；[0043]步驟15、判別模型的持續(xù)優(yōu)化:判別模型上線后，依靠判別模型對視頻圖像進行自動標注，并對圖像標注的結(jié)果進行檢查和篩選，形成增量圖像數(shù)據(jù)集;將增量圖像數(shù)據(jù)集與圖像訓練數(shù)據(jù)集合并，形成新的訓練數(shù)據(jù)集，然后按步驟14重新訓練模型，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)，利用樣本圖像訓練設(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)建原始圖像數(shù)據(jù)集:對實際設(shè)備運行狀態(tài)進行拍攝并錄制視頻，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，對圖像進行標注，圖像標注1個R0I，分類標注規(guī)則為:①設(shè)備正常運行、②設(shè)備故障;標注后的ROI信息通過1個xml格式文件進行保存，每張圖片對應1個xml文件;全部圖片完成標注后，即構(gòu)成訓練數(shù)據(jù)集；[0047]步驟23、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;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)進行分類判別值的輸出；[0048]步驟24、模型訓練:模型訓練在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，以及模型訓練和性能評估算法;將訓練數(shù)據(jù)集按預設(shè)的比例分為訓練集與驗證集;訓練集圖片數(shù)據(jù)集隨機組合，每k2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，逐批次輸入模型進行訓練，訓練采用SGD算法進行，設(shè)置初始學習率;每個批次訓練完成后，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，對學習率進行調(diào)節(jié)，具體方法為:觀察損失函數(shù)曲線，當每個批次模型訓練迭代之后，損失函數(shù)值出現(xiàn)震蕩，則將學習率降低，繼續(xù)模型迭代；當損失函數(shù)收斂至趨近于零，且損失函數(shù)均方差低于預設(shè)閾值時，結(jié)束模型訓練迭代，使用驗證集對模型的性能進行評估；[0049]步驟25、判別模型的持續(xù)優(yōu)化:判別模型上線后，依靠判別模型對視頻圖像進行自動標注，并對圖像標注的結(jié)果進行檢查和篩選，形成增量圖像數(shù)據(jù)集;將增量圖像數(shù)據(jù)集與圖像訓練數(shù)據(jù)集合并，形成新的訓練數(shù)據(jù)集，然后按步驟24重新訓練模型，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:對人臉進行拍照，構(gòu)建人臉數(shù)據(jù)集；[0052]步驟32、構(gòu)建訓練數(shù)據(jù)集:原始圖像數(shù)據(jù)集構(gòu)建完成后，對圖像進行標注，圖像標注1個ROI，即人物的面部特征，分類標注規(guī)則為:①根據(jù)人員身份ID進行標注;標注后的ROI信息通過1個xml格式文件進行保存，每張圖片對應1個xml文件;全部圖片完成標注后，即構(gòu)成訓練數(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?。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)進行分類判別值的輸出；[0054]步驟34、模型訓練:模型訓練在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，以及模型訓練和性能評估算法;將訓練數(shù)據(jù)集按預設(shè)的比例分為訓練集與驗證集;訓練集圖片數(shù)據(jù)集隨機組合，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，逐批次輸入模型進行訓練，訓練采用SGD算法進行，設(shè)置初始學習率;每個批次訓練完成后，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，對學習率進行調(diào)節(jié)，具體方法為:觀察損失函數(shù)曲線，當每個批次模型訓練迭代之后，損失函數(shù)值出現(xiàn)震蕩，則將學習率降低，繼續(xù)模型迭代；當損失函數(shù)收斂至趨近于零，且損失函數(shù)均方差低于預設(shè)閾值時，結(jié)束模型訓練迭代，使用驗證集對模型的性能進行評估；[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行自動標注，并由專業(yè)人員對圖像標注的結(jié)果進行檢查和篩選，形成增量圖像數(shù)據(jù)集;將增量圖像數(shù)據(jù)集與圖像訓練數(shù)據(jù)集合并，形成新的訓練數(shù)據(jù)集，然后按步驟34重新訓練模型，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、檢修作業(yè)接打電話等；[0058](2)對現(xiàn)場工作