本发明涉及电力监测技术领域，特别是涉及一种电力作业监测方法、装置、存储介质和计算机设备。
背景技术：
随着科学技术的飞速发展，对电力的需求也随着快速增长，各方面的正常运行离不开正常的供电，电力设施建设处于高速发展阶段，加大电力设施的建设十分有必要。
传统的对电力作业现场的安全监督主要靠人工现场检查，比如安全监管人员人工填写纸质表单对电力作业各方面进行安全监管，纸质表单无法实现第一时间记录回传，且需要耗费大量的人力和时间，因此，人工检查工作效率相对低下。
技术实现要素：
基于此，有必要针对上述问题，提供一种可以提高工作效率的电力作业监测方法、装置、存储介质和计算机设备。
一种电力作业监测方法，包括：
采集电力作业现场实时图像数据；
从电力作业现场实时图像数据中提取安全特征；
根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据；
将筛选得到的实时图像数据经过预设特征识别模型，判断电力作业现场预设场景是否存在异常情况。
一种电力作业监测装置，包括：
图像数据获取模块，用于采集电力作业现场实时图像数据；
安全特征提取模块，用于从电力作业现场实时图像数据中提取安全特征；
图像数据筛选模块，用于根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据；
图像判断模块，用于将筛选得到的实时图像数据经过预设特征识别模型，判断电力作业现场预设场景是否存在异常情况。
一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该程序时实现上述方法的步骤。
上述电力作业监测方法、装置、存储介质和计算机设备，包括采集电力作业现场实时图像数据，从电力作业现场实时图像数据中提取安全特征，再根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据；将筛选得到的实时图像数据经过预设特征识别模型，判断电力作业现场预设场景是否存在异常情况，这样可实现对电力作业现场的自动化监测，无需人工到现场进行各项检查，即可得到电力作业现场预设场景是否存在异常情况，可以有效提高工作效率，辅助电力设施建设的保质保量完成。
附图说明
图1为一个实施例中电力作业监测方法的流程示意图；
图2为另一个实施例中电力作业监测方法的流程示意图；
图3为一个实施例中电力作业监测装置的结构示意图。
具体实施方式
在一个实施例中，如图1所示，一种电力作业监测方法，包括：
S100，采集电力作业现场实时图像数据。
比如可以预先在电力作业现场各作业位置设置图像采集设备，通过图像采集设备可以得到电力作业现场实时图像数据。具体地，图像采集设备可以包括摄像机，比如CCD(Charge Coupled Device，电荷耦合器件)摄像机，CCD是一种半导体成像器件，具有灵敏度高、抗强光、畸变小、体积小、寿命长、抗震动等优点。被摄物体的图像经过镜头聚焦至CCD芯片上，CCD根据光的强弱积累相应比例的电荷，各个像素积累的电荷在视频时序的控制下，逐点外移，经滤波、放大处理后，形成视频信号输出，视频信号连接到监视器或电视机的视频输入端便可以得到与原始图像相同的视频图像。
S200，从电力作业现场实时图像数据中提取安全特征。
安全特征是指图像中所反映的特征信息，通过安全特征可将图像分为不同的类别，比如从电力作业现场实时图像数据中识别出现场作业人员的动作行为特征。具体地，安全特征可以包括颜色特征、纹理特征以及形状特征，如图2所示，从电力作业现场实时图像数据中提取安全特征的步骤S200可以包括：
S220，基于颜色直方图和颜色矩特征量，得到电力作业现场实时图像数据的颜色特征。
颜色是图像数据直观明显的特征，颜色直方图是用来描述图像中的各种颜色在颜色空间的分布情况，首先将图像转换到某一特定颜色空间，比如RGB颜色空间、HSV颜色空间，再基于特定颜色空间计算颜色所占像素数。颜色矩使图像的颜色分布可以用矩来表示，比如矩的每一个元素可以表示为某像素位置某个颜色的分量值，颜色矩可选取一阶、二阶、三阶矩来描述图像的颜色信息。
S240，基于频谱分析法得到电力作业现场实时图像数据的纹理特征。
纹理特征反映图像的表面信息，比如表面颜色及灰度的变化，频谱分析法是指把图像当作二维信号，使用滤波技术对二维信号进行分析，把图像分解为多个频率和方向，通过多分辨率、多通道特性对图像信号进行频率和方向的滤波，得到频谱特征。具体地，可以通过小波分析得到电力作业现场实时图像数据的纹理特征，小波分析是时间或空间频率的局部化分析，通过伸缩平移运算对信号逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。
S260，基于矩不变量方法得到电力作业现场实时图像数据的形状特征。
形状特征是指目标对象在图像内的区域特征以及目标对象的边界特征，区域特征包括区域的面积、矩等，边界特征包括与边界有关的长度、曲率等，矩不变量方法是指通过构造不变矩来对形状进行识别。
通过对电力作业现场实时图像数据的分析，提取图像颜色、纹理、形状以及空间关系等特征矢量，通过相似度量函数来计算这些矢量特征的相似性，并对特征进行分类。
S300，根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据。
对电力作业现场实时图像数据进行识别，分析图像的各种安全特征，比如颜色、纹理、形状等特征，根据这些安全特征之间的相似性，得到电力作业现场预设场景对应的实时图像数据，比如哪些图像是涉及变压器巡检的图像，哪些图像是涉及某条线路巡检的图像，选取能够区分不同电力场景的图像作为电力作业现场对应场景的实时图像数据。
根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据的步骤具体可以包括：根据颜色特征、纹理特征和形状特征，基于分类器筛选得到电力作业现场预设场景对应的实时图像数据。分类器是指在已有数据的基础上得到一个分类函数或构造出一个分类模型，该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。分类器是数据挖掘中对样本进行分类的方法的统称，包含决策树、逻辑回归、贝叶斯、神经网络等算法。
S400，将筛选得到的实时图像数据经过预设特征识别模型，判断电力作业现场预设场景是否存在异常情况。
预设特征识别模型可以通过电力作业现场图像历史数据建立，电力作业现场图像历史数据包括存在安全风险隐患的图片和不存在安全风险隐患的图片，基于电力作业现场图像历史数据以及分类器算法，建立特征识别模型，将电力作业现场图像历史数据通过预设特征识别模型，得到特征识别模型输出的预测结果，将预测结果与历史数据的实际结果进行比对，修正特征识别模型。然后将筛选得到的实时图像数据经过该预设特征识别模型，即可输出相关结果，得到电力作业现场预设场景是否存在异常情况。
上述电力作业监测方法，包括采集电力作业现场实时图像数据，从电力作业现场实时图像数据中提取安全特征，再根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据；将筛选得到的实时图像数据经过预设特征识别模型，判断电力作业现场预设场景是否存在异常情况，这样可实现对电力作业现场的自动化监测，无需人工到现场进行各项检查，即可得到电力作业现场预设场景是否存在异常情况，可以有效提高工作效率，辅助电力设施建设的保质保量完成。
在一个实施例中，电力作业监测方法中从电力作业现场实时图像数据中提取安全特征的步骤包括：提取电力作业现场实时图像数据中的人脸信息；当人脸信息属于预设人脸信息时，从电力作业现场实时图像数据中提取安全特征。
从电力作业现场实时图像数据中提取人脸信息，基于人脸信息进行关键点检测，计算关键点局部特征，将关键点局部特征与数据库中的关键点局部特征进行匹配，识别出结果，当人脸信息属于预设人脸信息时，从电力作业现场实时图像数据中提取安全特征；人脸信息不属于预设人脸信息时，发出警告，以提醒相关电力监督人员。其中，关键点可以是人脸轮廓线，关键点局部特征可以是形状指数直方图、倾斜角直方图等。
在一个实施例中，电力作业监测方法中根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据的步骤包括：
根据颜色特征、纹理特征和形状特征，基于支持向量机筛选得到电力作业现场预设场景对应的实时图像数据。
SVM(Support Vector Machine，支持向量机)是一种基于统计学习理论的模式识别方法，首先通过高斯核函数对已知类别的图像训练数据进行训练，得到分类模型，然后将采集到的集电力作业现场实时图像数据导入已经训练好的分类模型中，得到电力作业现场预设场景对应的实时图像数据。
在一个实施例中，电力作业监测方法中采集电力作业现场实时图像数据的步骤之后还包括：对采集到的电力作业现场实时图像数据进行图像数据预处理。
由于图像采集设备本身的缺陷和环境等因素的影响，采集到的电力作业现场实时图像数据中不可避免的含有畸变和噪声，这会对特征提取、识别和分析带来严重的干扰，并且影响处理结果的正确性。因此，有必要对采集到的电力作业现场实时图像数据进行图像数据预处理，以突显图像数据中的有用特征，其中，图像数据预处理包括灰度化图像处理、图像滤波处理、增强对比度处理中的至少一种处理方式。
灰度图像是基础的数字图像，彩色图像包括灰度图像，比如在红光下的灰度图像、在绿光下的灰度图像、在蓝光下的灰度图像，灰度化图像处理方法包括平均值法、最大值法、加权平均法等。可以通过频域滤波实现图像滤波处理，频域滤波是基于一维信号低通滤波器，高频分量包括图像跳跃、边缘部分和噪声，低频分量包括变化缓慢的图像部分，通过频域滤波，可以有效去除高频分量。由于光照、曝光不足等因素，采集到的电力作业现场实时图像数据可能会存在对比度较低的问题，进而影响图像的辨识率，可以通过直方图均衡化的方法来扩大特征区域的对比度。
一种存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述方法，计算机可读存储介质包括ROM、RAM、磁碟、光盘等。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该程序时实现上述方法的步骤。
在一个实施例中，如图3所示，一种电力作业监测装置，包括：
图像数据获取模块100，用于采集电力作业现场实时图像数据；
安全特征提取模块200，用于从电力作业现场实时图像数据中提取安全特征；
图像数据筛选模块300，用于根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据；
图像判断模块400，用于将筛选得到的实时图像数据经过预设特征识别模型，判断电力作业现场预设场景是否存在异常情况。
上述电力作业监测装置，包括图像数据获取模块100、安全特征提取模块200、图像数据筛选模块300以及图像判断模块400，图像数据获取模块100采集电力作业现场实时图像数据，安全特征提取模块200从电力作业现场实时图像数据中提取安全特征，图像数据筛选模块300根据安全特征，筛选得到电力作业现场预设场景对应的实时图像数据；图像判断模块400将筛选得到的实时图像数据经过预设特征识别模型，判断电力作业现场预设场景是否存在异常情况，这样可实现对电力作业现场的自动化监测，无需人工到现场进行各项检查，即可得到电力作业现场预设场景是否存在异常情况，可以有效提高工作效率，辅助电力设施建设的保质保量完成。
在一个具体应用实施例中，在对电力作业进行监测时，安全监督人员使用智能图像采集终端拍摄电力作业现场图片，采集的图片包括作业人员头像和作业人员动作，将采集的图片上传至服务器，实现自动识别图片中作业人员的身份信息和动作行为特征，并反馈识别结果，比如作业人员为施工一部某号作业人员，若图片中该作业人员的动作存在安全风险隐患，识别结果提示存在问题的地方；若图片中该作业人员的动作不存在安全风险隐患，则提示安全。具体过程可以包括：1、建立电力作业现场人员安全特征识别模型，通过电力作业现场历史图片建立安全特征识别模型，对存在安全风险隐患的图片和不存在安全风险隐患的图片进行分类学习。2、采集电力作业现场实时图片，通过调用移动端的摄像头进行电力作业现场实时图片采集，将采集到的图片上传到服务器，由后台服务器进行图像识别处理。3、电力作业现场实时图片预处理，由于图像采集设备本身的缺陷和环境等因素的影响，采集到的电力作业现场实时图片中不可避免的含有畸变和噪声，这会对后续的图像处理，特征提取以及识别分析带来严重的干扰，并且影响着处理结果的正确性。因此，首先要对采集到的电力作业现场实时图片进行必要的预处理，比如图像去噪、边缘增强、边缘检测等，以保证识别和分析的准确性。4、提取电力作业现场人员安全特征，对电力作业现场图像进行识别，分析图像中物体的各种特征，如颜色、纹理、形状等特征。5、识别电力作业现场人员安全特征，从采集到的电力作业现场实时图片中提取出安全特征后，特征所在的图像区域就是进行检测的重点区域，通过对此区域进行图像处理，最后与电力作业现场人员安全时的预设图像和不安全时的预设图像进行比较，即可判断出该场景图像是否安全。
上述技术方案具有以下有益效果：1、解决了安全监督人员在现场拍摄的照片只能作为现场记录，无法提供基于图片的人工智能服务的问题，利用人脸识别技术和图像识别技术识别电力作业现场人员身份信息和动作行为特征，对现场拍摄的照片进行人脸识别和图像识别处理，能够自动识别出采集到的实时图片中电力作业现场人员的身份和动作行为特征，提醒安全监督人员。2、对于电力作业现场人员的身份识别，以往更多依靠安全监督人员在现场核对资料，有时候电力作业现场人员可能会伪造身份信息，安全监管人员无法发现。而对于电力作业现场人员的动作行为，监督经验丰富的安全监督人员能够更加容易发现电力作业现场人员的安全风险隐患，而缺少监督经验的安全监督人员往往发现不了电力作业现场人员动作行为风险的问题。为解决这个问题，以成千上万的电力作业现场人员动作图片历史数据作为训练集进行训练，等于将安全监督专家的监督经验信息化，能够辅助安全监督人员进行作业现场监察工作，发现作业现场人员的安全风险隐患。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。