一种变电工程安全和工程质量分析方法和系统技术方案

本发明专利技术提出了一种变电工程安全和工程质量分析方法和系统，该方法包括：获取变电工程现场图像数据，并将现场图像数据按预设比例划分为训练集、测试集和验证集；构建用于现场图像数据识别的目标检测模型；目标检测模型采用改进的Cascade R

【技术实现步骤摘要】
一种变电工程安全和工程质量分析方法和系统


[0001]本专利技术属于变电工程质量控制
，特别涉及一种变电工程安全和工程质量分析方法和系统。

技术介绍

[0002]变电工程的一个主要特点就是其建设周期较长，并且在一个生产周期中穿插着多个工种交叉作业，且变电站内有许多高压设备，容易造成工程中的安全隐患，甚至还会造成火灾、高处坠落等事故，因此，变电工程中的突发事故发生次数较多。此外，施工企业追求经济利益，加上国家相关部门的监察力度不足，从而导致企业减少对安全事故防护方面的投入，工程施工中的安全系数较低。又因为在施工前没有对施工工人进行安全教育的培训，一些工人直接冒着生命危险到线上进行生产。另外，各个建筑企业相互竞争，建筑市场的竞争较为激烈，一些施工单位为了能中标，所以降低了成本价格来争取施工的资格。为了不超出企业当初制定的工程预算，一些企业减少甚至不购买安全用具，或者安全用具用低价劣质的劳保用品来替代，导致了工程施工时发生突发事故，也没有较为完备的安全设施来解决。
[0003]现有技术中主要是通过人工来控制变电工程的安全和质量，这种方式效率低下且不够全面。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种变电工程安全和工程质量分析方法和系统。基于深度学习方法实现智能监控工程质量，能快速识别出变电站施工现场的安全隐患，满足实时性和准确性要求。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种变电工程安全和工程质量分析方法，包括以下步骤：
[0007]获取变电工程现场图像数据，并将所述现场图像数据按预设比例划分为训练集、测试集和验证集；
[0008]构建用于现场图像数据识别的目标检测模型；所述目标检测模型采用改进的Cascade R
‑
CNN模型；所述改进的Cascade R
‑
CNN模型将Backbone阶段的特征提取网络修改为ResNeXt，将Neck阶段的特征融合网络改为BiFPN；
[0009]将所述训练集数据预处理后输入目标检测模型，对所述目标检测模型训练；
[0010]采用所述测试集对训练后的目标检测模型进行测试，以及采用验证集验证变电工程现场图像的识别结果，判断变电工程施工现场是否存在安全隐患。
[0011]进一步的，所述变电工程现场图像数据包括烟火隐患图像、未佩戴安全帽图像和未穿工作服图像。
[0012]进一步的，所述训练集、测试集和验证集的比例为8:1:1。
[0013]进一步的，所述预处理的过程为：将所述变电工程现场图像数据缩放至目标检测模型所需的尺寸，并进行归一化处理。
[0014]进一步的，所述目标检测模型所需的尺寸为1621*1216。
[0015]进一步的，所述将所述训练集数据预处理后输入目标检测模型，对所述目标检测模型训练的过程包括：
[0016]首先通过ResNeXt进行Backbone阶段的特征提取，利用BiFPN进行Neck阶段的特征融合；
[0017]初始化Neck阶段中RPN的权重参数，并在训练后更新RPN的参数。
[0018]进一步的，所述改进后的Cascade R
‑
CNN模型的损失函数采用DIOUloss，进行多尺度训练，并采用SGDM优化器迭代模型参数。
[0019]进一步的，所述判断变电工程施工现场是否存在安全隐患包括：根据施工现场隐患类型，分为一类警告和二类警告；
[0020]所述一类警告为变电工程现场图像数据中重点数据隐患置信度大于0.5的警告，并在变电工程施工现场为一类警告时，及时推送告警信息；
[0021]所述二类警告为变电工程现场图像数据中非重点数据隐患置信度大于0.5的警告，并在变电工程施工现场为二类警告时，保存预设时间的图像识别信息，并进行定期排查。
[0022]本专利技术还提出了一种变电工程安全和工程质量分析系统，包括获取模块、构建模块、训练模块和验证模块；
[0023]所述获取模块用于获取变电工程现场图像数据，并将所述现场图像数据按预设比例划分为训练集、测试集和验证集；
[0024]所述构建模块用于构建用于现场图像数据识别的目标检测模型；所述目标检测模型采用改进的Cascade R
‑
CNN模型；所述改进的Cascade R
‑
CNN模型将Backbone阶段的特征提取网络修改为ResNeXt，将Neck阶段的特征融合网络改为BiFPN；
[0025]所述训练模块用于将所述训练集数据预处理后输入目标检测模型，对所述目标检测模型训练；
[0026]所述验证模块用于采用所述测试集对训练后的目标检测模型进行测试，以及采用验证集验证变电工程现场图像的识别结果，判断变电工程施工现场是否存在安全隐患。
[0027]进一步的，所述训练模块执行的过程为：
[0028]首先通过ResNeXt进行Backbone阶段的特征提取，利用BiFPN进行Neck阶段的特征融合；
[0029]初始化Neck阶段中RPN的权重参数，并在训练后更新RPN的参数。
[0030]
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
[0031]本专利技术提出了一种变电工程安全和工程质量分析方法和系统，该方法包括以下步骤：获取变电工程现场图像数据，并将所述现场图像数据按预设比例划分为训练集、测试集和验证集；构建用于现场图像数据识别的目标检测模型；所述目标检测模型采用改进的Cascade R
‑
CNN模型；改进的Cascade R
‑
CNN模型将Backbone阶段的特征提取网络修改为ResNeXt，将Neck阶段的特征融合网络改为BiFPN；将训练集数据预处理后输入目标检测模型，对目标检测模型训练；采用测试集对训练后的目标检测模型进行测试，以及采用验证集验证变电工程现场图像的识别结果，判断变电工程施工现场是否存在安全隐患。基于一种
变电工程安全和工程质量分析方法，还提出了一种变电工程安全和工程质量分析系统，本专利技术基于深度学习的目标检测算法识别变电场景下基建工程的异常状态，通过准确实时地识别安全隐患，分析并推送告警信息，从而避免施工现场隐患可能引起的安全事故，保障变电工程的安全建设。
[0032]本专利技术使用改进的Cascade R
‑
CNN目标检测算法，提高了准确率，并且能快速识别出变电站施工现场的安全隐患，满足实时性和准确性要求。
附图说明
[0033]如图1为本专利技术实施例1一种变电工程安全和工程质量分析方法流程图；
[0034]如图2为本专利技术实施例1改进的Cascade R
‑
CNN模型网络结构架构；
[0035]如图3为本专利技术实施例2一种变电工程安全和工程质量分析系统示意图。
具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电工程安全和工程质量分析方法，其特征在于，包括以下步骤：获取变电工程现场图像数据，并将所述现场图像数据按预设比例划分为训练集、测试集和验证集；构建用于现场图像数据识别的目标检测模型；所述目标检测模型采用改进的Cascade R
‑
CNN模型；所述改进的Cascade R
‑
CNN模型将Backbone阶段的特征提取网络修改为ResNeXt，将Neck阶段的特征融合网络改为BiFPN；将所述训练集数据预处理后输入目标检测模型，对所述目标检测模型训练；采用所述测试集对训练后的目标检测模型进行测试，以及采用验证集验证变电工程现场图像的识别结果，判断变电工程施工现场是否存在安全隐患。2.根据权利要求1所述的一种变电工程安全和工程质量分析方法，其特征在于，所述变电工程现场图像数据包括烟火隐患图像、未佩戴安全帽图像和未穿工作服图像。3.根据权利要求1所述的一种变电工程安全和工程质量分析方法，其特征在于，所述训练集、测试集和验证集的比例为8:1:1。4.根据权利要求1所述的一种变电工程安全和工程质量分析方法，其特征在于，所述预处理的过程为：将所述变电工程现场图像数据缩放至目标检测模型所需的尺寸，并进行归一化处理。5.根据权利要求4所述的一种变电工程安全和工程质量分析方法，其特征在于，所述目标检测模型所需的尺寸为1621*1216。6.根据权利要求1所述的一种变电工程安全和工程质量分析方法，其特征在于，所述将所述训练集数据预处理后输入目标检测模型，对所述目标检测模型训练的过程包括：首先通过ResNeXt进行Backbone阶段的特征提取，利用BiFPN进行Neck阶段的特征融合；初始化Neck阶段中RPN的权重参数，并在训练后更新RPN的参数。7.根据权利要求6所述的一种变电工程安全和工程质量分析方法，其特征在于，所述改进后的Cas...

【专利技术属性】
技术研发人员：吴健，韩义成，尹东，李洋，黄鹏，李凯，孙梓航，李越，朱毅，张凯，卢福木，刘诚，唐爽，王健，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：