[發明專利]一種基于SlowFast的電力作業現場動作識別方法

有效

• 申請號: 202011030237.6
• 申請日: 2020-09-27
• 公開（公告）號: CN112183313B
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 王波;張迎晨;馬富齊;羅鵬;周胤宇;張天;王紅霞;馬恒瑞;李怡凡;張嘉鑫
• 申請（專利權）人: 武漢大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/94;G06V10/774;G06V10/82;G06K9/62;G06F16/75;G06N3/04;G06N3/08
• 代理公司: 蘇州導思知識產權代理事務所(普通合伙) 32425
• 代理人: 龔建良

本發明涉及一種電力作業現場動作識別方法，該方法基于SlowFast算法，屬于深度學習視頻識別技術，利用計算機視覺技術和計算機強大的計算能力對作業現場的視頻圖像進行分析，識別作業人員的動作，并與規范作業流程中包含的動作進行對比，起到實時監控的作用，能有效提高現場作業監控質量，降低現場作業安全風險。

技術領域

本發明涉及電力作業安全管控技術領域，具體是一種基于SlowFast的電力作業現場動作識別方法。

背景技術

在電力生產過程中，作業現場安全監督對于保證工作人員的安全具有重要意義。電力生產作業是相對比較復雜的工序，其中涉及很多的危險性工序。電力安全規程已經對電力作業提出了安全規范，要求在作業期間預防觸電事故，做好安全措施。但是目前很多電力作業人員在工作中未樹立正確的安全觀念，缺乏足夠的防范意識，嚴重影響作業的安全性與可靠性。若相關作業人員安全意識淡薄，未按照目前的電力作業特點、規律和現場實際情況合理參與到工作中，會嚴重影響電力作業的安全性和設備的安全運行。

目前電力現場作業一般采用人工安全監護和視頻監控的方式，但監護人員和作業人員一樣容易受到外界因素影響，注意力可能會不集中，繼而可能引發安全事故。綜上所述，目前的電力現場作業人員安全監管所存在的問題可總結為如下幾點：

(1)現有現場作業的安全監督辦法雖然較為完善，但仍需相關安全管理人員人為執行，因此并不能保證百分之百的落到實處，監督人員也不能保證能夠全方位的實現安全監督管理辦法的所有條例，也不能保證監督人員對目前開展的作業過程進行實時監控與風險預警信息實時反饋。

(2)視頻監控系統為安全監督提供了有效輔助，但實際的監控任務仍需要較多的人工工作來完成，監控圖像的內容分析仍需依靠人工實時觀看、手動調閱。并且現有的視頻監控系統所提供的信息是原始的視頻數據，監控系統通常只是錄制視頻圖像，用作事后取證，不能充分發揮監控系統應有的實時主動的監督作用。

本發明基于深度學習視頻識別技術，利用計算機視覺技術和計算機強大的計算能力對作業現場的視頻圖像進行分析，識別作業人員的動作，并與規范作業流程中包含的動作進行對比，起到實時監控的作用。SlowFast算法是一種雙數據流結構的視頻識別算法，其快、慢兩個數據流分別處理視頻中的時間、空間信息，并在數據流之間構建數據傳播通道，提升模型對時空信息的交叉感知能力，最后將雙數據流提取的特征信息進行融合并識別。

發明內容

為了改進現有技術存在的不足，本發明提出了一種基于SlowFast的電力作業現場動作識別方法。基于SlowFast算法與電力現場作業規范，訓練算法模型，實現對常見的倒閘、接地、驗電作業的動作識別。

本發明提出一種基于SlowFast的電力作業現場動作識別方法，包括以下步驟：

第一步，采集作業現場視頻圖像樣本，針對每種作業類型進行視頻采集；

第二步，人工視頻預處理及標注，通過人工將采集得到的視頻數據以人為畫面中心進行裁剪，將視頻尺寸進行歸一化處理，按作業類型進行分類，通過視頻剪輯，提取每種作業過程中的動作，按動作先后順序將剪輯后的視頻片段進行標注；

第三步，構建模型，利用Pytorch框架將視頻中包含的圖像信息、紋理特征、邊緣信息、光流信息進行提取，將提取出的特征信息輸入到神經網絡，由神經網絡計算模型參數，并輸出基于視頻的動作識別結果；

第四步，模型訓練，基于已處理好的帶標注的視頻數據進行神經網絡訓練，通過驗證集和測試集識別結果優化模型參數，對特殊的識別困難樣本，可進行數據集補充以及修正標注，將新數據輸入模型繼續訓練，通過專業的圖形計算加速卡輔助計算，多次迭代后獲得高精度動作識別模型；

第五步，模型評估，通過采集現場作業新視頻數據，或現場實地測試動作模型，驗證模型識別效果。