电力施工现场安全违章识别方法、系统及电子设备与流程

1.本发明涉及电力工程安全管理技术领域，特别涉及一种电力施工现场安全违章识别方法、系统及电子设备。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
3.基建输变电工程具有安全风险大、作业点多面广、分包人员众多且流动性强等特点，现场安全管控难度大。面对严峻安全生产形势，单纯依靠人力安全督查来进行现场安全管控，存在监管效率低，人力成本高，监管有盲区等问题，现场情况难以全面及时掌控，安全风险难以严格把控，对于基建安全管控及违章识别尤为关键。
4.伴随着图像识别技术的飞速发展，并逐渐成为人工智能领域中重要的组成部分，目前，在电力行业也开展了基于图像、视频的安全违章智能识别探索，可以有效安全管理工作效率，减少人身安全事故的发生，提升施工安全违章的管理水平，但输变电施工安全违章识别整体准确率不高，影响了违章识别服务推广应用。
5.发明人发现，图像智能识别技术除了受算法自身鲁棒性和性能之外，由于模糊、遮挡、大角度、逆光暗光等复杂环境引起的图像质量问题也会导致图像智能识别准确率过低，输变电工程施工现场环境复杂，极易造成图像遮挡、角度过大等问题，降低了违章识别的准确率。


技术实现要素：

6.为了解决现有技术的不足，本发明提供了一种电力施工现场安全违章识别方法、系统及电子设备，实现了现场作业的自动监控，显著提高了对电力作业现场的管控效率。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明第一方面提供了一种安全违章识别方法。
9.一种安全违章识别方法，包括以下过程：
10.获取电力施工现场的初始视频帧图像数据；
11.根据获取的初始视频帧图像数据进行运动目标跟踪，计算运动目标的质心坐标，计算质心坐标位置与目标区中心位置的偏差及方向；
12.根据偏差及方向进行云台的转动和镜头的变倍控制，动态识别运动目标的异动，根据异动进行运动目标的跟踪拍摄，获取云台转动控制和镜头变倍控制优化后的视频帧图像数据；
13.根据优化后的视频帧图像数据以及预设的识别模型，对比收录各类典型违章、风险隐患数据，分析发生频率、高频时段等共性特征，进行现场作业的自动监控，得到运动目标的违章识别结果。
14.作为本发明第一方面可选的一种实现方式，根据获取的视频帧图像数据进行运动目标跟踪，包括：
15.根据获取的视频帧图像数据与预训练的基于深度神经网络的视频跟踪模型，得到运动目标跟踪结果。
16.作为本发明第一方面进一步的限定，基于深度神经网络的视频跟踪模型包括：骨干网络模块、注意力机制模块、特征融合模块和互相关模块，骨干网络模块由经中心裁剪的resnet构成；
17.注意力机制模块采用上采样的方法，将焦点聚集于特征的某一处，最后经特征融合模块与互相关模块后得到响应图，完成运动目标的跟踪。
18.本发明第二方面提供了一种安全违章识别系统。
19.一种安全违章识别系统，包括：
20.视频帧一次获取模块，被配置为：获取电力施工现场的初始视频帧图像数据；
21.目标跟踪模块，被配置为：根据获取的初始视频帧图像数据进行运动目标跟踪，计算运动目标的质心坐标，计算质心坐标位置与目标区中心位置的偏差及方向；
22.视频帧二次获取模块，被配置为：根据偏差及方向进行云台的转动和镜头的变倍控制，动态识别运动目标的异动，根据异动进行运动目标的跟踪拍摄，获取云台转动控制和镜头变倍控制优化后的视频帧图像数据；
23.违章识别模块，被配置为：根据优化后的视频帧图像数据以及预设的识别模型，得到运动目标的违章识别结果。
24.作为本发明第二方面可选的一种实现方式，目标跟踪模块中，根据获取的视频帧图像数据进行运动目标跟踪，包括：
25.根据获取的视频帧图像数据与预训练的基于深度神经网络的视频跟踪模型，得到运动目标跟踪结果。
26.作为本发明第二方面进一步的限定，目标跟踪模块中，基于深度神经网络的视频跟踪模型包括：骨干网络模块、注意力机制模块、特征融合模块和互相关模块；
27.骨干网络模块由经中心裁剪的resnet构成，注意力机制模块采用上采样的方法，将焦点聚集于特征的某一处，最后经特征融合模块与互相关模块后得到响应图，完成运动目标的跟踪。
28.本发明第三方面提供了一种安全违章识别系统。
29.一种安全违章识别系统，采用多路授权分布式部署，包括：
30.边缘层：在边缘侧部署边缘计算终端，进行多场景下视频数据采集，根据视频数据采集结构进行边缘信息处理以进行运动目标跟踪；
31.传输层：进行视频的按需接入；
32.平台层：部署视频智能分析平台和模型算法训练平台，视频智能分析平台对边缘计算终端分析结果数据进一步处理以进行安全违章识别；模型算法训练平台实现模型训练、模型管理，并将训练后的算法模型发布至智能分析平台和边缘计算终端。
33.用户应用层：支撑用户应用平台，通过用户应用平台进行视频数据与分析结果利用。
34.作为本发明第三方面可选的一种实现方式，进行多场景下视频数据采集，根据视频数据采集结构进行边缘信息处理以进行运动目标跟踪，包括：
35.获取电力施工现场的初始视频帧图像数据；
36.根据获取的初始视频帧图像数据进行运动目标跟踪，计算运动目标的质心坐标，计算质心坐标位置与目标区中心位置的偏差及方向；
37.根据偏差及方向进行云台的转动和镜头的变倍控制，动态识别运动目标的异动，根据异动进行运动目标的跟踪拍摄，获取云台转动控制和镜头变倍控制优化后的视频帧图像数据。
38.作为本发明第三方面可选的一种实现方式，视频智能分析平台对边缘计算终端分析结果数据进一步处理以进行安全违章识别，包括：
39.根据获取的视频帧图像数据与预训练的基于深度神经网络的视频跟踪模型，得到运动目标跟踪结果；
40.基于深度神经网络的视频跟踪模型包括：骨干网络模块、注意力机制模块、特征融合模块和互相关模块，骨干网络模块由经中心裁剪的resnet构成；
41.注意力机制模块采用上采样的方法，将焦点聚集于特征的某一处，最后经特征融合模块与互相关模块后得到响应图，完成运动目标的跟踪。
42.本发明第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本发明第一方面所述的电力施工现场安全违章识别方法中的步骤。
43.与现有技术相比，本发明的有益效果是：
44.1、本发明所述的电力施工现场安全违章识别方法、系统及电子设备，使电力施工现场作业的监控自动化、智能化，通过智能化的图像识别分析跟踪技术，实现了现场作业的自动监控，显著提高了对电力作业现场的管控效率，特别是在单日作业现场多，监控人员紧张的情况下，同时，本发明极大提高生产效率和监控质量，推动了智能电力作业的监控监测朝着人工智能方向发展。
45.2、本发明所述的电力施工现场安全违章识别方法、系统及电子设备，通过内网私有云服务多路授权及分布式部署，有效的提高了图像识别及结果反馈的速度，通过内置电力行业专业运动检测跟踪模型，实现了现场特定运动目标的实时跟踪。
46.3、本发明所述的电力施工现场安全违章识别方法、系统及电子设备，以人工智能分析图像智能识别模型为基础，实现运动目标的定住和预测补偿，运用闭环控制机制自动调节云台的转动和镜头的变倍，提高了系统的实时性。
附图说明
47.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
48.图1为本发明实施例1提供的安全违章识别方法的流程示意图。
49.图2为本发明实施例2提供的安全违章识别系统的结构示意图。
具体实施方式
50.下面结合附图与实施例对本发明作进一步说明。
51.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常
理解的相同含义。
52.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
53.实施例1：
54.如图1所示，本发明实施例1提供了一种安全违章识别方法，包括以下过程：
55.获取电力施工现场的初始视频帧图像数据；
56.根据获取的初始视频帧图像数据进行运动目标跟踪，计算运动目标的质心坐标，图像预设位置包含至少一个目标区，并得到目标区中心位置，计算质心坐标位置与目标区中心位置的偏差及方向；
57.根据偏差及方向进行云台的转动和镜头的变倍控制，动态识别运动目标的异动，根据异动进行运动目标的跟踪拍摄，获取云台转动控制和镜头变倍控制优化后的视频帧图像数据；
58.根据优化后的视频帧图像数据以及预设的识别模型，对比收录各类典型违章、风险隐患数据，分析发生频率、高频时段等共性特征，进行现场作业的自动监控，得到运动目标的违章识别结果。
59.具体的，根据获取的视频帧图像数据进行运动目标跟踪，包括：
60.根据获取的视频帧图像数据与预训练的基于深度神经网络的视频跟踪模型，得到运动目标跟踪结果。
61.更具体的，基于深度神经网络的视频跟踪模型包括：骨干网络模块、注意力机制模块、特征融合模块和互相关模块，骨干网络模块由经中心裁剪的resnet构成；
62.注意力机制模块采用上采样的方法，将焦点聚集于特征的某一处，最后经特征融合模块与互相关模块后得到响应图，完成运动目标的跟踪。
63.实施例2：
64.本发明实施例2提供了一种安全违章识别系统，包括：
65.视频帧一次获取模块，被配置为：获取电力施工现场的初始视频帧图像数据；
66.目标跟踪模块，被配置为：根据获取的初始视频帧图像数据进行运动目标跟踪，计算运动目标的质心坐标，计算质心坐标位置与目标区中心位置的偏差及方向；
67.视频帧二次获取模块，被配置为：根据偏差及方向进行云台的转动和镜头的变倍控制，动态识别运动目标的异动，根据异动进行运动目标的跟踪拍摄，获取云台转动控制和镜头变倍控制优化后的视频帧图像数据；
68.违章识别模块，被配置为：根据优化后的视频帧图像数据以及预设的识别模型，得到运动目标的违章识别结果。
69.具体的，目标跟踪模块中，根据获取的视频帧图像数据进行运动目标跟踪，包括：
70.根据获取的视频帧图像数据与预训练的基于深度神经网络的视频跟踪模型，得到运动目标跟踪结果。
71.更具体的，目标跟踪模块中，基于深度神经网络的视频跟踪模型包括：骨干网络模块、注意力机制模块、特征融合模块和互相关模块；
72.骨干网络模块由经中心裁剪的resnet构成，注意力机制模块采用上采样的方法，将焦点聚集于特征的某一处，最后经特征融合模块与互相关模块后得到响应图，完成运动目标的跟踪。
73.实施例3：
74.本发明实施例3提供了一种安全违章识别系统，采用多路授权分布式部署，包括：
75.边缘层：在边缘侧部署边缘计算终端，进行多场景下视频数据采集，根据视频数据采集结构进行边缘信息处理以进行运动目标跟踪；
76.传输层：进行视频的按需接入；
77.平台层：部署视频智能分析平台和模型算法训练平台，视频智能分析平台对边缘计算终端分析结果数据进一步处理以进行安全违章识别；模型算法训练平台实现模型训练、模型管理，并将训练后的算法模型发布至智能分析平台和边缘计算终端，有效降低云中心计算压力，提升图像识别分析速率；
78.用户应用层：支撑用户应用平台，通过用户应用平台进行视频数据与分析结果利用。
79.具体的，进行多场景下视频数据采集，根据视频数据采集结构进行边缘信息处理以进行运动目标跟踪，包括：
80.获取电力施工现场的初始视频帧图像数据；
81.根据获取的初始视频帧图像数据进行运动目标跟踪，计算运动目标的质心坐标，计算质心坐标位置与目标区中心位置的偏差及方向；
82.根据偏差及方向进行云台的转动和镜头的变倍控制，动态识别运动目标的异动，根据异动进行运动目标的跟踪拍摄，获取云台转动控制和镜头变倍控制优化后的视频帧图像数据。
83.具体的，视频智能分析平台对边缘计算终端分析结果数据进一步处理以进行安全违章识别，包括：
84.根据获取的视频帧图像数据与预训练的基于深度神经网络的视频跟踪模型，得到运动目标跟踪结果；
85.基于深度神经网络的视频跟踪模型包括：骨干网络模块、注意力机制模块、特征融合模块和互相关模块，骨干网络模块由经中心裁剪的resnet构成；
86.注意力机制模块采用上采样的方法，将焦点聚集于特征的某一处，最后经特征融合模块与互相关模块后得到响应图，完成运动目标的跟踪。
87.更具体的，本实施例中，采用ptz摄像机，由ccd摄像机、变焦变倍镜头、全景云台、解码器等组成，ptz摄像机是通过gb28181、b接口等摄像机接入协议接入视频设备接入控制系统，将标准的ps封装的视频数据流输出给后端的人工智能分析平台，为人工智能分析平台提供目标检测基础数据，同时ptz摄像机接受并响应回传的跟踪修正指令，以实现运动目标的自动跟踪。
88.本实施例中，将电力现场的ptz摄像机进行统一接入，收集摄像机的在线状态，下发摄像机的各种配置参数，采集摄像机回传的各种数据；
89.ptz控制服务中，采用gbt-28181、isup、onvif等协议，通过ptz控制服务，对系统间的ptz调用提供统一的api接口，提高系统对ptz摄像机的兼容性。
90.本实施例中，预设的识别模型可以采用tensorflow等开源的机器学习框架，构建机器网络学习模型，以数据驱动进行特征提取，根据大量样本的学习得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力
更好，并且可以是端到端的。
91.本实施例中，还设置有业务流程控制模块，作为业务逻辑与摄像机ptz智能化、自动控制之间的桥梁，提供快速简洁的集成方式；
92.内网私有云服务，用于提供基于内网的智能图像分析能力，通过多路授权及分布式部署，有效的提高了图像识别及结果反馈的速度。
93.实施例4：
94.本发明实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本发明实施例1所述的电力施工现场安全违章识别方法中的步骤。
95.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
96.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
97.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
98.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
99.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
100.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。