基于三维空间关系的变电站带电区域风险辨识方法及系统与流程

本发明涉及变电站现场作业安全风险识别，尤其涉及一种基于三维空间关系的变电站带电区域风险辨识方法及系统。

背景技术：

1、变电站作为电网中的基础设施，在整个电力系统中起着十分关键的作用，因此，随着电网整体规模的不断扩大以及电力系统科技水平的不断提升，变电站的智能监控与运维成为一个极具前景的研究方向。

2、变电站施工现场的作业安全通常由管控人员通过视频进行人为监控，但随着变电站数量的急剧增加，管控人员需要监控的范围越来越大，这给管控人员带来巨大挑战并严重增加作业安全隐患。因此，取代管控人员的人工监控进行智能监控已是大势所趋。

3、近年来，随着深度学习技术的不断发展，深度卷积神经网络在计算机视觉和语音识别等领域取得卓越的成果。深度卷积神经网络是一种精心设计的处理高维数据的网络结构，它能够自动地提取图像中的相关特征，并且网络的特征提取能力随着网络层数的加深而增强。网络层数越深，提取到的特征越能表现主题语义，识别能力越强，不确定性越小。

4、而变电站的风险辨识本质上是判断作业人员与带电区域的三维空间关系，因而以过往带风险程度标签的变电站图像作为数据集训练深度网络模型，经过多轮的有监督训练学习，网络滤波器权重根据任务与数据不断进行更新调整，最后学习到更有意义的特征表示，进而对变电站风险程度进行辨识。但是，如何设计深度网络结构，使其应用于变电站风险辨识时，在保证识别准确率的情况下获得更快的训练和测试速度，仍然是一项亟待解决的关键问题。

技术实现思路

1、为解决现有技术中存在的问题，本发明提供了一种基于三维空间关系的变电站带电区域风险辨识方法，包括如下步骤：步骤s1：获取变电站带电区域及周围的图像信息；步骤s2：使用预先训练好的yolo-v5深度神经网络模型对变电站作业人员进行检测与定位，得到能够对作业人员在三维空间中的位置信息和身份信息进行分类的多分类风险辨识模型；步骤s3：使用预先训练好的多分类风险辨识模型对图像中作业人员与带电区域的三维空间关系进行风险辨识分类，分类结果包括三种：作业人员远离带电区域，作用人员安全；作业人员临近带电区域，进行预警；以及作业人员穿越带电区域，进行报警；步骤s4：将风险辨识分类结果发送至控制中心和现场作业人员，控制中心得到所有作业人员与带电区域间的三维关系，判断每个作业人员的风险程度，并在需要时对作业人员发出预警或者报警信号，作业人员实时得到自己的安全风险程度，采取相应的安全保障措施。基于作业人员与带电区域的三维空间关系，利用精巧的深度神经网络多分类模型，进行风险辨识模型的训练与测试，在保证识别准确率的情况下实现速度最大化，求解速度快、求解质量高、消耗计算资源低，达到无人智能监控的目的。

2、本发明提供了一种基于三维空间关系的变电站带电区域风险辨识方法，包括如下步骤：

3、步骤s1：获取变电站带电区域及周围的图像信息；

4、步骤s2：使用预先训练好的yolo-v5深度神经网络模型对变电站作业人员进行检测与定位，得到能够对作业人员在三维空间中的位置信息和身份信息进行分类的多分类风险辨识模型；

5、步骤s3：使用预先训练好的多分类风险辨识模型对图像中作业人员与带电区域的三维空间关系进行风险辨识分类，分类结果包括三种：作业人员远离带电区域，作用人员安全；作业人员临近带电区域，进行预警；以及作业人员穿越带电区域，进行报警；

6、步骤s4：将风险辨识分类结果发送至控制中心和现场作业人员，控制中心得到所有作业人员与带电区域间的三维关系，判断每个作业人员的风险程度，并在需要时对作业人员发出预警或者报警信号，作业人员实时得到自己的安全风险程度，采取相应的安全保障措施。

7、优选地，所述步骤s1中，变电站带电区域及周围的图像由双目摄像机拍摄。

8、优选地，获取变电站带电区域及周围的图像信息具体包括：对双目摄像机拍摄的变电站带电区域及周围的图像中的危险带电区域进行预先设定。

9、优选地，所述步骤s2中，yolo-v5深度神经网络模型包括：

10、输入层：接收图像数据作为模型的输入；

11、缩放层：提取图像特征，使用卷积、批量归一化和激活函数减少图像分辨率并增加特征图数量，卷积核大小为3*3；

12、第一卷积层：包含5个卷积块的级联，用于在缩放层基础上提取图像特征，每个卷积块都由卷积核、批量归一化和激活函数组成，卷积核大小为3*3；

13、空间金字塔池化层：提取图像的不同尺度特征，将所有池化结果拼接在一起；此层中包含4个不同大小的池化核；

14、第二卷积层：包含3个卷积块的级联，用于在空间金字塔池化层基础上提取图像特征，第二卷积层的通道数比第一卷积层的多；

15、路径聚合层：聚合来自不同层提取的特征；

16、检测头：使用3个卷积层来预测图像中的目标的边界框和类别；每个卷积层包括一个卷积块和一个全连接层，其中，全连接层预测目标的类别和置信度，卷积块预测目标边界框的坐标；

17、输出层：生成目标检测结果。

18、优选地，所述步骤s2具体包括如下步骤：

19、数据准备：使用标注工具对yolo-v5深度神经网络模型的变电站图像训练集进行标注，以变电站作业人员作为目标，将图像中的变电站作业人员框出并打上标签；

20、数据增强：对训练数据进行数据增强；

21、模型训练：输入标注好的数据，使用数据增强训练yolo-v5深度神经网络模型；

22、模型评估：使用yolo-v5深度神经网络模型的变电站测试集数据对训练好的yolo-v5深度神经网络模型进行评估，评估指标包括精度和召回率；

23、模型应用：将新采集的变电站图像输入训练好的yolo v5深度神经网络模型，进行目标检测与定位，输出目标的位置和类别信息。

24、优选地，数据增强具体为通过随机缩放、旋转和翻转操作对训练数据进行数据增强。

25、优选地，训练yolo-v5深度神经网络模型使用adam优化器。

26、优选地，所述步骤s2中，变电站作业人员检测与定位包括以下步骤：

27、使用预先训练好的yolo v5深度神经网络模型识别图像中的变电站作业人员，得到每个变电站作业人员的边界框和身份信息，边界框由其左上角顶点坐标和宽高长度唯一确定。

28、优选地，所述步骤s3中，预先训练好的多分类风险辨识模型的训练过程包括以下步骤：

29、基于带有变电站作业人员边界框的变电站带电区域图像信息建立多分类风险辨识模型的训练集，多分类风险辨识模型的训练集包括作业人员远离带电区域、作业人员临近带电区域和作业人员穿越带电区域三种类别，且所述三种类别分别带有安全、预警和报警的风险标签；

30、将包括图像及其对应标签的多分类风险辨识模型的训练集输入多分类风险辨识模型，使得多分类风险辨识模型学习得到变电站带电区域图像与其风险分类的映射关系。

31、优选地，所述步骤s3中，多分类风险辨识模型的网络结构包括：

32、输入层：输入rgb图像；

33、卷积层：包含5个级联的卷积块，使用3*3的卷积核进行卷积操作，并进行归一化和relu激活操作；

34、第一深度可分离卷积层：包括深度卷积和逐点卷积两个部分，分别用于提取空间信息和通道信息，深度卷积层使用3*3的卷积核进行卷积操作，逐点卷积层使用1*1的卷积核进行卷积操作，并进行归一化和relu激活操作；

35、第一下采样层：使用步幅为2的2x 2最大池化层进行下采样操作，将图像大小缩小一半；

36、重复层：由多个第二深度可分离卷积层和第二下采样层组成，其中第二深度可分离卷积层使用不同的卷积核大小和通道数；

37、全局平均池化层：使用平均池化操作将每个通道的特征图压缩为一个值，得到每个通道的全局特征；

38、全连接层：使用softmax函数计算分类特征的权重并输出最大概率的分类结果。

39、优选地，多分类风险辨识模型的输入层输入rgb图像的大小为224*224*3；多分类风险辨识模型的的卷积层通道数为32。

40、本发明提供了一种基于三维空间关系的变电站带电区域风险辨识系统，包括现场端和服务器，所述现场端通过摄像头采集变电站带电区域的图像并传输给服务器，所述服务器使用上述的任一基于三维空间关系的变电站带电区域风险辨识方法进行变电站带电区域风险辨识。

41、与现有技术相对比，本发明的有益效果如下：

42、(1)本发明基于作业人员与带电区域的三维空间关系，利用精巧的深度神经网络多分类模型，进行风险辨识模型的训练与测试，有效提高风险辨识的准确率，为安全作业提供保障。

43、(2)本发明使用深度神经网络对变电站作业现场进行安全风险辨识，取代了传统的人为监控方式，实现电网现场的智能化与无人化。

44、(3)本发明的模型在保证识别准确率的前提下，使用深度可分离卷积与降采样来降低模型的计算复杂度，使风险辨识速度实现最大化，为作业现场的安全提供有力保障。