[發(fā)明專利]一種基于深度學(xué)習(xí)的變電站人員檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 202011243836.6
• 申請日: 2020-11-10
• 公開（公告）號: CN112541393A
• 公開（公告）日: 2021-03-23
• 發(fā)明（設(shè)計）人: 蔣翊;章羽豐;童嘯霄;周登;鄧蔚;張磊;謝堅鏗;劉偉波;徐暕
• 申請（專利權(quán)）人: 國網(wǎng)浙江嵊州市供電有限公司;國網(wǎng)浙江省電力有限公司紹興供電公司;國網(wǎng)浙江省電力有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州華鼎知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33217
• 代理人: 秦曉剛

本發(fā)明公開了一種基于深度學(xué)習(xí)的變電站人員檢測方法，包括訓(xùn)練基于深度學(xué)習(xí)的變電站人員軌跡及行為檢測模型，以及應(yīng)用基于深度學(xué)習(xí)的變電站人員軌跡及行為檢測模型進(jìn)行變電站人員檢測的步驟；本發(fā)明還提供了一種基于深度學(xué)習(xí)的變電站人員檢測裝置，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)上述法的步驟。本發(fā)明不再依賴人工專家進(jìn)行特征的選擇，能夠高效、準(zhǔn)確的完成對安全服、安全帽、工作證等物體的識別，這種能力非常契合當(dāng)前變電站無人值守模式的要求。

技術(shù)領(lǐng)域

本發(fā)明屬于電力工程技術(shù)領(lǐng)域，具體涉及變電站安全監(jiān)控技術(shù)。

背景技術(shù)

近些年，變電站的自動化系統(tǒng)正隨著電力信息技術(shù)、人工智能技術(shù)、深度學(xué)習(xí)算法的快速發(fā)展而得到普遍應(yīng)用。當(dāng)前該系統(tǒng)的值守模式是將變電站的各類實時數(shù)據(jù)傳送到調(diào)度中心，減少了人為因素的影響，但對變電站是否發(fā)生非法人員入侵、操作行為是否違規(guī)等現(xiàn)象仍需要人為分析監(jiān)控視頻進(jìn)行判斷。這種依賴工作人員晝夜査看視頻的值守模式需要消耗大量的人力，且變電站24小時不停運轉(zhuǎn)，必定會產(chǎn)生海量的視頻數(shù)據(jù)，在需查閱或統(tǒng)計某些信息時，不能依賴人力來完成任務(wù)?？梢?對現(xiàn)有的變電站無人值守模式進(jìn)行改造，實現(xiàn)更加智能化的管理模式己經(jīng)成為變電站運行管理發(fā)展的必然趨勢。

發(fā)明內(nèi)容

針對現(xiàn)有采用人工值守進(jìn)行監(jiān)控的局限性，本發(fā)明所要解決的技術(shù)問題就是提供一種基于深度學(xué)習(xí)的變電站人員檢測方法，減少了人力勞動，提高了變電站的檢測效率。

為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：一種基于深度學(xué)習(xí)的變電站人員檢測方法，包括訓(xùn)練基于深度學(xué)習(xí)的變電站人員軌跡及行為檢測模型，以及應(yīng)用基于深度學(xué)習(xí)的變電站人員軌跡及行為檢測模型進(jìn)行變電站人員檢測的步驟；

其中，模型訓(xùn)練包括如下步驟：

S11,采集變電站內(nèi)相關(guān)人員的圖像數(shù)據(jù)，獲得大樣本數(shù)據(jù)集；

S12,對采集的圖像數(shù)據(jù)進(jìn)行預(yù)處理，采用Mosaic和自對抗訓(xùn)練方法對圖像數(shù)據(jù)進(jìn)行增強(qiáng)，在進(jìn)行核驗后，作為訓(xùn)練數(shù)據(jù)集；

S13,采用CSPDarknet53為基礎(chǔ)網(wǎng)絡(luò)，提取特征，接著對特征提取器進(jìn)行訓(xùn)練訓(xùn)練，獲得基于深度學(xué)習(xí)的變電站人員軌跡及行為檢測模型；

模型應(yīng)用包括如下步驟：

步驟S21：實時獲取攝像機(jī)所拍攝的視頻數(shù)據(jù)，對視頻進(jìn)行抽幀處理，提取視頻數(shù)據(jù)中的實時圖像數(shù)據(jù)；

步驟S22：利用基于深度學(xué)習(xí)的變電站人員軌跡及行為檢測模型對提取到的關(guān)鍵幀圖片進(jìn)行檢測；

步驟S23：根據(jù)檢測結(jié)果判斷變電站內(nèi)的人員身份及操作行為有無異常。

優(yōu)選的，步驟S11中,首先在變電站場所下，利用攝像機(jī)從不同角度對現(xiàn)場進(jìn)行拍攝，獲取圖像樣例數(shù)據(jù)；然后對收集到的圖像數(shù)據(jù)進(jìn)行標(biāo)注，本模型的識別類型設(shè)置為人、安全帽、工作服和工作證4個物體類別；最后將制作好的圖像保存為模型訓(xùn)練所需的圖像數(shù)據(jù)集；接下來利用python腳本文件將數(shù)據(jù)集拆分成訓(xùn)練集和測試集，并生成對應(yīng)的train.txt和test.txt文件，其中分別存放訓(xùn)練圖片和測試圖片的圖片路徑及名稱。

優(yōu)選的，CSPDarknet53中的CSP模塊將基礎(chǔ)層的特征映射劃分為兩個部分，然后通過跨階段層次結(jié)構(gòu)將兩個部分合并；將SPP模型加入了CSPDarknet53中增大多尺度的感受野；CSPDarknet53中使用PANet作為不同層的參數(shù)聚合。

優(yōu)選的，步驟S21中間隔10s對視頻樣本進(jìn)行一次抽幀處理，利用opencv算法庫從視頻裸流中提取關(guān)鍵幀，獲得視頻數(shù)據(jù)中的實時圖像數(shù)據(jù)。