本发明专利技术公开了一种基于深度学习的变电站安全管控平台，包括：异物和外观缺陷自动识别模块：通过异物和外观缺陷检测的深度学习神经网络模型自动识别图像中各种异物和外观缺陷，标定出异物、外观缺陷的位置和种类；误闯禁区和超范围作业自动报警模块：通过误闯禁区和超范围作业自动报警的深度学习神经网络模型对误闯禁区和超范围作业的行为进行自动检测和报警；站内工作人员违章行为自动检测模块：通过站内工作人员违章行为自动检测的深度学习神经网络模型自动检测站内工作人员是否出现违章行为。本发明专利技术保证了区域人员的有效识别，提高了人员作业安全性。提高了人员作业安全性。提高了人员作业安全性。
【技术实现步骤摘要】
一种基于深度学习的变电站安全管控平台
[0001]本专利技术属于电力工程
，具体涉及变电站安全管控平台。
技术介绍
[0002]随着我国智能变电站发展脚步的加快，智能变电站内增多的设备与有限的人员之间矛盾日益加大，其中人员安全管控缺乏有效手段最为突出。传统的运维依赖人工到站巡视，采用固定的巡视周期，缺乏对运行设备不同的缺陷情况、关键参数的分析，不仅脱离了设备运行的实际情况，更是极大地浪费了人力、物力，已远远不能满足智能变电站生产要求，因此基于传统人工到站运维策略的优化势在必行。同时，传统变电站安全管理十分粗放，由于自动化和信息技术水平不高，主要依靠人工管理，存在事后管理、随机性、无量化等方面缺陷。一直以来，变电站设备的运行、检修及检查主要依靠人工操作和完成，人员的人身安全在变电站管理中显得尤为重要，但是运维管理中针对人员安全管控，缺乏有效的技术手段，变电站内随时存在着误入带电间隔和超范围作业以及监控不到位等安全问题。变电站的安全管控的一大方式就是视频管控，然而目前常规变电站安全管控仍主要采用人工分析监控视频的方式，属于被动监控，不仅费时费力，而且容易产生误报错报的情况。
技术实现思路
[0003]针对目前主流变电站安全管控机制缺乏多维度视角管控、全局协同性较差、主动预警缺失、系统融合数据具有滞后性等固有弊端，本专利技术所要解决的技术问题就是提供一种基于深度学习的变电站安全管控平台，提高基于视频监控的变电站安全管控的智能化水平。
[0004]为解决上述技术问题，本专利技术采用如下技术方案：
[0005]一种基于深度学习的变电站安全管控平台，包括：
[0006]异物和外观缺陷自动识别模块：采集变电站中设备的图像数据，并通过异物和外观缺陷检测的深度学习神经网络模型自动识别图像中各种异物和外观缺陷，标定出异物、外观缺陷的位置和种类；
[0007]误闯禁区和超范围作业自动报警模块：采集变电站中的人员图像数据并对其进行轨迹跟踪，并通过误闯禁区和超范围作业自动报警的深度学习神经网络模型对误闯禁区和超范围作业的行为进行自动检测和报警；
[0008]站内工作人员违章行为自动检测模块：采集变电站中工作人员的图像数据，并通过站内工作人员违章行为自动检测的深度学习神经网络模型自动检测站内工作人员是否出现违章行为。
[0009]优选的，异物和外观缺陷检测的深度学习神经网络模型搭建过程包括如下步骤：
[0010]S11:采集变电站中设备的图像数据，该图像数据至少包含异物的图像数据、设备本身的外观图像数据以及当设备上有异物时的外观图像数据三种；
[0011]S12:对采集的相关图像数据进行标注，制作训练数据集，将其分为训练集、测试集
与验证集；
[0012]S13:训练神经网络模型，当视频监控中的某区域设备上有异物时，此监控区域在监控显示屏上进行闪红示警，并在监控视频中标定出异物的位置及其种类；
[0013]S14:对模型训练结果进行验证，当模型训练结果达到预期效果时，通过验证，否则调整训练参数，继续训练，直至达到预期效果。
[0014]优选的，误闯禁区和超范围作业自动报警的深度学习神经网络模型搭建过程包括如下步骤：
[0015]S21:对变电站中的违禁区域进行标定，并从不同角度采集站内违禁区域的图像数据，同时采集变电站中的人员图像数据制作数据集,其中所采集的人员图像数据应包含从不同角度拍摄的各种姿态的人员图像数据；
[0016]S22:对采集的相关的违禁区域图像数据以及相关的人员图像数据进行标注，制作训练数据集，将其分为训练集、测试集与验证集，每个标注框的中心点位为人员轨迹的追踪点，某段时间内同一个人的移动，体现为标注框的移动，标注框中心点位的移动轨迹即认定为此人的移动轨迹，进而达到轨迹跟踪的目的；
[0017]S23:训练神经网络模型，视频监控区域中有人员存在时，区域内的人员会被标定并编号，其移动轨迹会在监控显示屏幕上显示；当有人员或物体误闯入禁区时，此视频监控区域在监控显示屏上进行闪红示警；
[0018]S24:对模型训练结果进行验证，当模型训练结果达到预期效果时，通过验证，否则调整训练参数，继续训练，直至达到预期效果。
[0019]优选的，禁区内的人员识别方法具体为：人员标注框超出设定范围已经进入禁区；超范围作业为工作人员标注框超出设定范围已经脱离此设备所在的监控区域。
[0020]优选的，站内工作人员违章行为自动检测的深度学习神经网络模型搭建过程包括如下步骤：
[0021]S31:采集变电站中工作人员的图像数据，其中所采集的图像数据应包含变电站内所有工种的图像数据、规范佩戴安全帽与未佩戴安全帽的图像数据、人员撑伞的图像数据；
[0022]S32:对相关的图像数据进行标注，制作训练数据集，将其分为训练集、测试集与验证集；
[0023]S33:训练神经网络模型，当视频监控中的某区域内有人员着装不符合要求时，该类人员的标注框显示为红色并标注警示原因为着装类；当视频监控中的某区域内有人员未佩戴安全帽或者未正确佩戴安全帽时，该类人员的标注框显示为红色并标注警示原因为安全帽类；当视频监控中的某区域内有人员撑伞时，该类人员的标注框显示为红色并标注警示原因为撑伞类；当通过人体关键点检测到视频监控中的某区域内有人员正在进行攀高动作时，该人员的标注框显示为黄色并标注警示原因为正在进行攀爬；
[0024]S34:对模型训练结果进行验证，当模型训练结果达到预期效果时，通过验证，否则调整训练参数，继续训练。
[0025]优选的，将异物和外观缺陷检测的深度学习神经网络模型、误闯禁区和超范围作业自动报警的深度学习神经网络模型、站内工作人员违章行为自动检测的深度学习神经网络模型安装在嵌入式硬件设备中。
[0026]优选的，所述嵌入式硬件设备包括板卡和摄像头。
[0027]优选的，所述板卡和摄像头安装于无人机和机器人。
[0028]本专利技术通过搭建基于深度学习的变电站安全管控平台实现变电站作业人员精确定位，有效的解决了人员管控难、变电站电磁干扰强等问题。通过系统中定位报警与视频监控的联动，保证了区域人员的有效识别，提高了人员作业安全性，降低了触电事故发生，提升了变电站整体管理效率。
[0029]本专利技术的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。
附图说明
[0030]下面结合附图和具体实施方式对本专利技术作进一步描述：
[0031]图1为深度学习模型搭建流程示意图；
[0032]图2为模型训练流程示意图；
[0033]图3为平台功能架构图。
具体实施方式
[0034]下面将结合本专利技术实施例对本专利技术技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的变电站安全管控平台，其特征在于，包括：异物和外观缺陷自动识别模块：采集变电站中设备的图像数据，并通过异物和外观缺陷检测的深度学习神经网络模型自动识别图像中各种异物和外观缺陷，标定出异物、外观缺陷的位置和种类；误闯禁区和超范围作业自动报警模块：采集变电站中的人员图像数据并对其进行轨迹跟踪，并通过误闯禁区和超范围作业自动报警的深度学习神经网络模型对误闯禁区和超范围作业的行为进行自动检测和报警；站内工作人员违章行为自动检测模块：采集变电站中工作人员的图像数据，并通过站内工作人员违章行为自动检测的深度学习神经网络模型自动检测站内工作人员是否出现违章行为。2.根据权利要求1所述的一种基于深度学习的变电站安全管控平台，其特征在于:异物和外观缺陷检测的深度学习神经网络模型搭建过程包括如下步骤：S11:采集变电站中设备的图像数据，该图像数据至少包含异物的图像数据、设备本身的外观图像数据以及当设备上有异物时的外观图像数据三种；S12:对采集的相关图像数据进行标注，制作训练数据集，将其分为训练集、测试集与验证集；S13:训练神经网络模型，当视频监控中的某区域设备上有异物时，此监控区域在监控显示屏上进行闪红示警，并在监控视频中标定出异物的位置及其种类；S14:对模型训练结果进行验证，当模型训练结果达到预期效果时，通过验证，否则调整训练参数，继续训练，直至达到预期效果。3.根据权利要求2所述的一种基于深度学习的变电站安全管控平台，其特征在于：误闯禁区和超范围作业自动报警的深度学习神经网络模型搭建过程包括如下步骤：S21:对变电站中的违禁区域进行标定，并从不同角度采集站内违禁区域的图像数据，同时采集变电站中的人员图像数据制作数据集，其中所采集的人员图像数据应包含从不同角度拍摄的各种姿态的人员图像数据；S22:对采集的相关的违禁区域图像数据以及相关的人员图像数据进行标注，制作训练数据集，将其分为训练集、测试集与验证集，每个标注框的中心点位为人员轨迹的追踪点，某段时间内同一个人的移动，体现为标注框的移动，标注框中心点位的移动轨迹即认定为此人的移动轨迹，进而达到轨迹跟踪的目的；S23:训练神经网络模型，视频监控区域中有人员存在时，区域内的人员会被标定...
【专利技术属性】
技术研发人员：黄行星，刘伟波，童啸霄，周登，章羽丰，张航晖，宣文雯，杨晓竹，徐暕，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司国网浙江省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。