【技术实现步骤摘要】
考虑风险场景依存性的生产作业场景理解方法
[0001]本专利技术属于图像处理
，涉及考虑风险场景依存性的生产作业场景理解方法。
技术介绍
[0002]随着电力系统的规模不断扩大，系统运行过程中的安全事故频繁发生,其中作业场景作为电力生产现场违章行为的另一风险因素，通常与防护工具和人员动态违章行为等其他风险因素共同作用而导致生产安全违章案例的发生，部分生产安全风险表现出很强的场景依存性。然而电力生产作业场景复杂多样，作业场景通常是由人员、设备和防护工具等多个元素及其相互间生产交互关系构成。如何充分挖掘和利用电力生产影像中的人员、设备、防护工具和环境等多个元素特征及元素间交互关系，实现对于电力生产作业场景的智能理解，对降低生产安全风险误报率、提高安全风险精细化防控水平至关重要。
[0003]场景理解最早是来源于计算机视觉领域的概念，其基本含义是通过计算机视觉技术模拟人类视觉功能来实现对真实世界感知，是计算机技术感知真实世界的重要手段。然而随着深度学习在计算机视觉领域的广泛应用，目标检测、语义分割等技术取得了巨大突破...
【技术保护点】
【技术特征摘要】
1.考虑风险场景依存性的生产作业场景理解方法，其特征在于，包括以下步骤：步骤1、利用深度残差网络提取电力作业影像的作业元素特征图，并利用区域建议网络获取作业元素特征图中作业元素候选区域框；步骤2、通过全局视觉特征感知模块提取所述作业元素特征图的视觉特征和视觉背景特征，并将所述视觉特征和视觉背景特征融合得到全局视觉特征；步骤3、将所述电力作业影像中每个作业元素候选区域框作为实体节点，将多个作业元素候选区域框之间的关联关系作为边，得到电力作业场景无向图；步骤4、利用编码
‑
解码卷积网络提取所述电力作业场景无向图中各个作业元素之间的空间拓扑关系特征；步骤5、通过融合所述电力作业影像的全局视觉特征和作业元素之间的空间拓扑关系特征进行电力作业场景的理解。2.根据权利要求1所述的考虑风险场景依存性的生产作业场景理解方法，其特征在于，所述全局视觉特征感知模块包括感兴趣候选区域池化层和多尺度特征融合注意层，所述感兴趣候选区域池化层用于提取作业元素特征图的视觉特征，所述多尺度特征融合注意层提取作业元素特征图的视觉背景特征。3.根据权利要求2所述的考虑风险场景依存性的生产作业场景理解方法，其特征在于，所述感兴趣候选区域池化层的处理过程为：输入所述作业元素特征图和作业元素候选区域框，先将所述作业元素候选区域框映射到作业元素特征图上，得到多个大小不同的候选区域，再将每个所述候选区域划分为相同数量M
×
N个部分，接着对各个部分进行最大池化，输出尺寸相同的目标候选区域特征图，即作业元素的视觉特征。4.根据权利要求2所述的考虑风险场景依存性的生产作业场景理解方法，其特征在于，所述多尺度特征融合注意层的处理过程为：通过3个不同尺度的非对称卷积分支对所述作业元素特征图进行视觉背景特征提取，在每个非对称卷积分支上，先利用非对称卷积核1
×1×
k对作业元素特征图进行卷积操作得到第一特征图，再利用非对称卷积核1
×
k
×
1对第一特征图进行卷积操作得到第二特征图，接着利用非对称卷积核k
×1×
1对第二特征图进行卷积操作得到第三特征图，在每次卷积操作之后对特征图进行...
【专利技术属性】
技术研发人员：马富齐，刘永文，王波，贾嵘，李微，刘恒，王嘉勋，穆睿昕，
申请(专利权)人：西安理工大学，
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。