一种基于深度学习的变电站人员检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的变电站人员检测方法，包括训练基于深度学习的变电站人员轨迹及行为检测模型，以及应用基于深度学习的变电站人员轨迹及行为检测模型进行变电站人员检测的步骤；本发明专利技术还提供了一种基于深度学习的变电站人员检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述法的步骤。本发明专利技术不再依赖人工专家进行特征的选择，能够高效、准确的完成对安全服、安全帽、工作证等物体的识别，这种能力非常契合当前变电站无人值守模式的要求。

【技术实现步骤摘要】
一种基于深度学习的变电站人员检测方法及装置
本专利技术属于电力工程
，具体涉及变电站安全监控技术。
技术介绍
近些年，变电站的自动化系统正随着电力信息技术、人工智能技术、深度学习算法的快速发展而得到普遍应用。当前该系统的值守模式是将变电站的各类实时数据传送到调度中心，减少了人为因素的影响，但对变电站是否发生非法人员入侵、操作行为是否违规等现象仍需要人为分析监控视频进行判断。这种依赖工作人员昼夜査看视频的值守模式需要消耗大量的人力，且变电站24小时不停运转，必定会产生海量的视频数据，在需查阅或统计某些信息时，不能依赖人力来完成任务。可见,对现有的变电站无人值守模式进行改造，实现更加智能化的管理模式己经成为变电站运行管理发展的必然趋势。
技术实现思路
针对现有采用人工值守进行监控的局限性，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人员检测方法，减少了人力劳动，提高了变电站的检测效率。为解决上述技术问题，本专利技术采用如下技术方案：一种基于深度学习的变电站人员检测方法，包括训练基于深度学习的变电站人员轨迹及行为检测模型，以及应用基于深度学习的变电站人员轨迹及行为检测模型进行变电站人员检测的步骤；其中，模型训练包括如下步骤：S11,采集变电站内相关人员的图像数据，获得大样本数据集；S12,对采集的图像数据进行预处理，采用Mosaic和自对抗训练方法对图像数据进行增强，在进行核验后，作为训练数据集；S13,采用CSPDarknet53为基础网络，提取特征，接着对特征提取器进行训练训练，获得基于深度学习的变电站人员轨迹及行为检测模型；模型应用包括如下步骤：步骤S21：实时获取摄像机所拍摄的视频数据，对视频进行抽帧处理，提取视频数据中的实时图像数据；步骤S22：利用基于深度学习的变电站人员轨迹及行为检测模型对提取到的关键帧图片进行检测；步骤S23：根据检测结果判断变电站内的人员身份及操作行为有无异常。优选的，步骤S11中,首先在变电站场所下，利用摄像机从不同角度对现场进行拍摄，获取图像样例数据；然后对收集到的图像数据进行标注，本模型的识别类型设置为人、安全帽、工作服和工作证4个物体类别；最后将制作好的图像保存为模型训练所需的图像数据集；接下来利用python脚本文件将数据集拆分成训练集和测试集，并生成对应的train.txt和test.txt文件，其中分别存放训练图片和测试图片的图片路径及名称。优选的，CSPDarknet53中的CSP模块将基础层的特征映射划分为两个部分，然后通过跨阶段层次结构将两个部分合并；将SPP模型加入了CSPDarknet53中增大多尺度的感受野；CSPDarknet53中使用PANet作为不同层的参数聚合。优选的，步骤S21中间隔10s对视频样本进行一次抽帧处理，利用opencv算法库从视频裸流中提取关键帧，获得视频数据中的实时图像数据。优选的，步骤S23中，通过是否戴有工作证和穿戴工作服判断变电站内的人员身份，是否是外来人员；根据有无正确佩戴头盔，判断变电站内的人员是否违规操作；并且对外来人员以及违规操作的行为发出报警信息。本专利技术还提供了一种基于深度学习的变电站人员检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述法的步骤。深度学习以人工神经网络为架构，模拟人脑进行分析学习，实现对图像、声音、文本等数据的自主学习。本专利技术提出的基于深度学习的变电站人员检测模型Yolo-SE，不再依赖人工专家进行特征的选择，能够高效、准确的完成对安全服、安全帽、工作证等物体的识别，这种能力非常契合当前变电站无人值守模式的要求。将该算法集成到嵌入式硬件设备中，借助于识别结果，可以实现对非法入侵、没有佩戴安全帽等物品、没有在规定的时间、地点内进行操作等问题进行分析和警报。相较于传统的人工设计的模型，智能监控分析可以更加及时的发现可疑人员、监控工作人员的操作并防范风险，减轻了基层人员的设备维护保养工作负荷，节省了人力成本，提高了变电站的效率，并保障了变电站的安全。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：图1为本专利技术的整体流程框图；图2为本专利技术的模型框架图；图3为CSPDarknet53中的残差块结构图。具体实施方式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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，一种基于深度学习的变电站人员检测方法，包括训练基于深度学习的变电站人员轨迹及行为检测模型，以及应用基于深度学习的变电站人员轨迹及行为检测模型进行变电站人员检测的步骤；其中，模型训练包括如下步骤：S11,采集变电站内相关人员的图像数据，获得大样本数据集；S12,对采集的图像数据进行预处理，采用Mosaic和自对抗训练方法对图像数据进行增强，在进行核验后，作为训练数据集；S13,采用CSPDarknet53为基础网络，提取特征，接着对特征提取器进行训练训练，获得基于深度学习的变电站人员轨迹及行为检测模型；模型应用包括如下步骤：步骤S21：实时获取摄像机所拍摄的视频数据，对视频进行抽帧处理，提取视频数据中的实时图像数据；步骤S22：利用基于深度学习的变电站人员轨迹及行为检测模型对提取到的关键帧图片进行检测；步骤S23：根据检测结果判断变电站内的人员身份及操作行为有无异常。具体步骤如下：(一)模型训练流程步骤1，采集数据，获取数据集，具体为：在变电站场所下，工作人员利用摄像机从不同角度对现场进行拍摄，获取大量图像样例数据，然后对收集到的图像数据进行标注，本模型的识别类型设置为people(人)、helmat(安全帽)、suit(工作服)、card(工作证)等4个物体类别，最后将制作好的图像保存为模型训练所需的图像数据集。接下来利用python脚本文件将数据集拆分成训练集和测试集，并生成对应的train.txt和test.txt文件，里面分别存放训练图片和测试图片的图片路径及名称。步骤2，数据预处理，具体为：为了提高模型检测精度，降低图像受到的某种程度的破坏和各种噪声污染的影响，需要对步骤1采集到的图像数据进行预处理。因为无论是在视频样本中采样的过程还是极端恶劣天气造成的视频图像不清晰等，都将对图像数据集造成影响，导致图片丧失了本质或者偏高了人们的需求，这就需要一系列的预处理操作来消除图像受到的影响。本专利技术提出本文档来自技高网...

【技术保护点】
1.一种基于深度学习的变电站人员检测方法，其特征在于：包括训练基于深度学习的变电站人员轨迹及行为检测模型，以及应用基于深度学习的变电站人员轨迹及行为检测模型进行变电站人员检测的步骤；/n其中，模型训练包括如下步骤：/nS11,采集变电站内相关人员的图像数据，获得大样本数据集；/nS12,对采集的图像数据进行预处理，采用Mosaic和自对抗训练方法对图像数据进行增强，在进行核验后，作为训练数据集；/nS13,采用CSPDarknet53为基础网络，提取特征，接着对特征提取器进行训练训练，获得基于深度学习的变电站人员轨迹及行为检测模型；/n模型应用包括如下步骤：/n步骤S21：实时获取摄像机所拍摄的视频数据，对视频进行抽帧处理，提取视频数据中的实时图像数据；/n步骤S22：利用基于深度学习的变电站人员轨迹及行为检测模型对提取到的关键帧图片进行检测；/n步骤S23：根据检测结果判断变电站内的人员身份及操作行为有无异常。/n

【技术特征摘要】
1.一种基于深度学习的变电站人员检测方法，其特征在于：包括训练基于深度学习的变电站人员轨迹及行为检测模型，以及应用基于深度学习的变电站人员轨迹及行为检测模型进行变电站人员检测的步骤；
其中，模型训练包括如下步骤：
S11,采集变电站内相关人员的图像数据，获得大样本数据集；
S12,对采集的图像数据进行预处理，采用Mosaic和自对抗训练方法对图像数据进行增强，在进行核验后，作为训练数据集；
S13,采用CSPDarknet53为基础网络，提取特征，接着对特征提取器进行训练训练，获得基于深度学习的变电站人员轨迹及行为检测模型；
模型应用包括如下步骤：
步骤S21：实时获取摄像机所拍摄的视频数据，对视频进行抽帧处理，提取视频数据中的实时图像数据；
步骤S22：利用基于深度学习的变电站人员轨迹及行为检测模型对提取到的关键帧图片进行检测；
步骤S23：根据检测结果判断变电站内的人员身份及操作行为有无异常。


2.根据权利要求1所述的一种基于深度学习的变电站人员检测方法，其特征在于：步骤S11中,首先在变电站场所下，利用摄像机从不同角度对现场进行拍摄，获取图像样例数据；然后对收集到的图像数据进行标注，本模型的识别类型设置为人、安全帽、工作服和工作证4个物体类别；最后将制作好的图像保存为模型训练所需的图像数据集；接下来利用pyth...

【专利技术属性】
技术研发人员：蒋翊，章羽丰，童啸霄，周登，邓蔚，张磊，谢坚铿，刘伟波，徐暕，
申请(专利权)人：国网浙江嵊州市供电有限公司，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：浙江;33