一种基于人工智能的违章识别方法及系统技术方案

本发明专利技术提供一种基于人工智能的违章识别方法及系统，其中，方法包括：获取历史监控数据；基于历史监控数据，构建违章行为样本库；基于违章行为样本库，对初始神经网络模型进行训练获取监测模型；通过监测模型对实时获取的施工现场的图像采集设备采集的实时图像进行识别，当识别出违章行为时发出报警信息。本发明专利技术的基于人工智能的违章识别方法，根据标准化作业要求和作业任务类型，对视频质量、防护措施、违章行为等情况，通过人工智能技术，实现智能识别、实时预警、历史筛查分析等，提升现场智能化管控手段，为违章查纠和标准化作业提供技术支撑。支撑。支撑。

【技术实现步骤摘要】
一种基于人工智能的违章识别方法及系统


[0001]本专利技术涉及图像识别
，特别涉及一种基于人工智能的违章识别方 法及系统。

技术介绍

[0002]随着社会经济的飞速发展及技术发展，电力基建施工不断，施工现场的运 行检测主要还是依靠人工来实现，这就需要大量人员进行运行监测。
[0003]虽然现阶段，会采用视频监控系统对施工现场进行监控，但还是需要人工 去对视频进行查看进行违章行为的判断。由于根据人工判断是否发生违章，难 免会有错漏；因此，亟需一种违章识别方法，能够代替人工，实现违章的智能 识别。

技术实现思路

[0004]本专利技术目的之一在于提供了一种基于人工智能的违章识别方法，根据标准 化作业要求和作业任务类型，对视频质量、防护措施、违章行为等情况，通过 人工智能技术，实现智能识别、实时预警、历史筛查分析等，提升现场智能化 管控手段，为违章查纠和标准化作业提供技术支撑。
[0005]本专利技术实施例提供的一种基于人工智能的违章识别方法，包括：
[0006]获取历史监控数据；
[0007]基于历史监控数据，构建违章行为样本库；
[0008]基于违章行为样本库，对初始神经网络模型进行训练获取监测模型；
[0009]通过监测模型对实时获取的施工现场的图像采集设备采集的实时图像进 行识别，当识别出违章行为时发出报警信息。
[0010]优选的，在基于历史监控数据，构建违章行为样本库之前，还包括：
[0011]对历史监控数据进行数据清理和数据规范的操作；
[0012]其中，对历史监控数据进行数据清理包括：
[0013]将图像模糊和/或信息不全的监控数据剔除；
[0014]对历史监控数据进行数据规范包括：
[0015]将图像数据转换为jpg格式，并将图像数据按预设的格式进行命名。
[0016]优选的，基于历史监控数据，构建违章行为样本库，包括：
[0017]解析历史监控数据，获取历史监控图像；
[0018]将历史监控图像，分布发送给多个第一用户；
[0019]接受第一用户对于历史监控图像的标注；
[0020]解析标注，确定历史监控图像的属性；
[0021]其中，在第一用户对历史监控图像进行标注时，基于第一用户的历史标注 记录对历史监控图像进行预标注。
[0022]优选的，通过监测模型对实时获取的施工现场的图像采集设备采集的实时 图像
进行识别，当识别出违章行为时发出报警信息，包括：
[0023]对实时图像进行质量评估，获取评估值；
[0024]基于评估值对监测模型的识别阈值进行调整；
[0025]其中，对实时图像进行质量评估，获取评估值；包括：
[0026]确定实时图像的清晰度；
[0027]基于清晰度，查询预设的清晰度评价表确定第一评价值；
[0028]确定实时图像对应拍摄环境的能见度；
[0029]基于能见度，查询预设的能见度评价表确定第二评价值；
[0030]确定违章行为发生的位置与实时图像的中心位置的偏移值；
[0031]基于偏移值，查询预设的偏移评价表确定第三评价值；
[0032]基于第一评价值、第二评价值和第三评价值，确定评估值，计算公式如下：
[0033]P＝α1A1+α2A2+α3A3；
[0034]其中，P为评估值；A1为第一评价值；A2为第二评价值；A3为第三评价值； α1、α2、α3分别为预设的第一评价值对应的第一关系系数、预设的第二评价值 对应的第二关系系数、预设的第三评价值对应的第三关系系数；
[0035]基于评估值对监测模型的识别阈值进行调整，包括：
[0036]基于评估值，查询预设的调整表，确定调整幅度比；
[0037]基于调整幅度比对识别阈值进行调整，具体为：
[0038]Q＝(1+η)Q1；
[0039]其中，Q为调整后的识别阈值，Q1为预设的初始识别阈值；η为调整幅度 比。
[0040]优选的，基于违章行为样本库，对初始神经网络模型进行训练获取监测模 型；包括：
[0041]获取图像采集设备的位置信息；
[0042]获取施工进度，基于施工进度确定位置信息对应的位置的周围的施工情况
[0043]基于施工情况和预设的施工情况与筛选规则对应表，确定筛选规则；
[0044]基于筛选规则对违章行为样本库中样本进行筛选，获得用于训练初始神经 网络模型的训练样本及测试样本；
[0045]基于训练样本和测试样本，对初始神经网络模型进行训练，获取监测模型。
[0046]优选的，基于人工智能的违章识别方法，还包括：
[0047]确定违章行为的类型；
[0048]当违章行为的类型属于预设的预警违章列表中的违章时，确定违章行为的 位置，并将违章行为的位置映射至预设建立的镜像空间中；
[0049]基于预设的违章行为预测模型，确定违章行为对应的影响区域；
[0050]获取影响区域附近的图像；
[0051]解析图像，确定是否存在移动人员；
[0052]当存在移动人员时，基于预设的人员运动分析模型，确定移动人员是否经 过影响区域；
[0053]当移动人员经过影响区域时，向移动人员发送预警信息。
[0054]优选的，基于预设的人员运动分析模型，确定移动人员是否经过影响区域； 包括：
[0055]获取移动人员的行为情况、移动参数；
[0056]获取移动人员与影响区域的位置关系参数；
[0057]获取移动人员周围的第一环境参数和影响区域的位置的周围的第二环境 参数；
[0058]对行为情况、移动参数、位置关系参数、第一环境参数和第二环境参数进 行特征提取，基于提取的特征值构建第一分析向量；
[0059]将第一分析向量与预设的行为分析库的第二分析向量匹配，获取匹配符合 项对应的分析结果；
[0060]解析分析结果，确定移动人员是否经过影响区域；
[0061]其中，将第一分析向量与预设的行为分析库的第二分析向量匹配包括：
[0062]计算第一分析向量与第二分析向量的相似度值，计算公式如下：
[0063][0064]其中，XD表示第一分析向量与第二分析向量的相似度值；x
i
表示构建第一 分析向量的第i个特征值；y
i
表示构建第二分析向量的第i个参数值，x
j
表示构 建第一分析向量的第j个特征值；y
j
表示构建第二分析向量的第j个参数值，n为 构建第一分析向量的特征值的总数；
[0065]当第一分析向量与行为分析库中第二分析向量的相似度值为最大且大于 预设的阈值时，获取第二分析向量对应的分析结果。
[0066]本专利技术还提供一种基于人工智能的违章识别系统，包括：
[0067]第一获取模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的违章识别方法，其特征在于，包括：获取历史监控数据；基于所述历史监控数据，构建违章行为样本库；基于所述违章行为样本库，对初始神经网络模型进行训练获取监测模型；通过所述监测模型对实时获取的施工现场的图像采集设备采集的实时图像进行识别，当识别出违章行为时发出报警信息。2.如权利要求1所述的基于人工智能的违章识别方法，其特征在于，在基于所述历史监控数据，构建违章行为样本库之前，还包括：对所述历史监控数据进行数据清理和数据规范的操作；其中，对所述历史监控数据进行数据清理包括:将图像模糊和/或信息不全的监控数据剔除；对所述历史监控数据进行数据规范包括：将图像数据转换为jpg格式，并将图像数据按预设的格式进行命名。3.如权利要求1所述的基于人工智能的违章识别方法，其特征在于，所述基于所述历史监控数据，构建违章行为样本库，包括：解析所述历史监控数据，获取历史监控图像；将所述历史监控图像，分布发送给多个第一用户；接受所述第一用户对于所述历史监控图像的标注；解析所述标注，确定所述历史监控图像的属性；其中，在所述第一用户对所述历史监控图像进行标注时，基于所述第一用户的历史标注记录对所述历史监控图像进行预标注。4.如权利要求1所述的基于人工智能的违章识别方法，其特征在于，所述通过所述监测模型对实时获取的施工现场的图像采集设备采集的实时图像进行识别，当识别出违章行为时发出报警信息，包括：对所述实时图像进行质量评估，获取评估值；基于所述评估值对所述监测模型的识别阈值进行调整；其中，对所述实时图像进行质量评估，获取评估值；包括：确定所述实时图像的清晰度；基于所述清晰度，查询预设的清晰度评价表确定第一评价值；确定所述实时图像对应拍摄环境的能见度；基于所述能见度，查询预设的能见度评价表确定第二评价值；确定违章行为发生的位置与所述实时图像的中心位置的偏移值；基于所述偏移值，查询预设的偏移评价表确定第三评价值；基于所述第一评价值、所述第二评价值和所述第三评价值，确定所述评估值，计算公式如下：P＝α1A1+α2A2+α3A3；其中，P为所述评估值；A1为所述第一评价值；A2为所述第二评价值；A3为所述第三评价值；α1、α2、α3分别为预设的所述第一评价值对应的第一关系系数、预设的所述第二评价值对应的第二关系系数、预设的所述第三评价值对应的第三关系系数；
所述基于所述评估值对所述监测模型的识别阈值进行调整，包括：基于所述评估值，查询预设的调整表，确定调整幅度比；基于所述调整幅度比对所述识别阈值进行调整，具体为：Q＝(1+η)Q1；其中，Q为调整后的所述识别阈值，Q1为预设的初始识别阈值；η为所述调整幅度比。5.如权利要求1所述的基于人工智能的违章识别方法，其特征在于，所述基于所述违章行为样本库，对初始神经网络模型进行训练获取监测模型；包括：获取所述图像采集设备的位置信息；获取施工进度，基于所述施工进度确定所述位置信息对应的位置的周围的施工情况基于所述施工情况和预设的施工情况与筛选规则对应表，确定筛选规则；基于所述筛选规则对所述违章行为样本库中样本进行筛选，获得用于训练所述初始神经网络模型的训练样本及测试样本；基于所述训练样本和所述测试样本，对所述初始神经网络模型进行训练，获取所述监测模型。6.如权利要求1所述的基于人工智能的违章识别方法，其特征在于，还包括：...

【专利技术属性】
技术研发人员：钱涛，孙浩，邹帅，钟方伟，韩冰，贾佳，
申请(专利权)人：新疆信息产业有限责任公司，
类型：发明
国别省市：