一种基于边缘制造技术

本发明专利技术涉及监控设备技术领域，尤指一种基于边缘

【技术实现步骤摘要】
一种基于边缘AI的电力作业安全监测方法及系统


[0001]本专利技术涉及监控设备
，尤指一种基于边缘
AI
的电力作业安全监测方法及系统
。

技术介绍

[0002]在电力行业中，作业安全一直是一个至关重要的问题
。
电力设备的维护
、
运行和检修需要人员进入高风险的环境，如变电站
、
输电线路等
。
传统的电力作业安全检测方法在实时性
、
准确性和效率方面存在一些挑战
。
因此，确保电力作业人员的安全性和减少事故风险是一项紧迫的任务
。
[0003]在当前的技术背景下，传统电力作业安全检测方法存在一些问题：传统方法依赖于人工值守和周期性巡检，这可能受到操作人员主观判断和疲劳影响，从而导致潜在危险的遗漏或错误评估
。
在电力系统中，一些危险情况可能在短时间内迅速发展，需要及时的响应和决策
。
然而，传统方法可能无法在实时或近实时基础上捕捉这些快速变化
。
电力系统中涉及的传感器数据和操作日志数据相当庞大，传统方法可能难以有效处理和分析这些数据，导致信息的遗漏或误判
。
[0004]因此，提出一种解决上述问题的一种基于边缘
AI
的电力作业安全监测方法及系统实为必要
。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种基于边缘
AI
的电力作业安全监测方法及系统
。
[0006]为实现上述目的，本专利技术采用的技术方案是：
[0007]一种基于边缘
AI
的电力作业安全监测系统，包含数据采集模块
、
数据预处理模块
、
边缘计算模块
、
数据接收和存储模块
、
模型训练模块和监测模块；
[0008]所述数据采集模块用于采集电力作业现场的各种数据，包括图像
、
视频
、
声音，并将采集到的数据传输至所述数据预处理模块；
[0009]所述数据预处理模块用于对所述数据采集模块收集到的数据进行预处理，包括去噪
、
数据校准和数据对齐，并将数据传输至所述边缘计算模块；
[0010]所述边缘计算模块用于对预处理的数据进行分析，并根据分析结果采取实时决策，并将数据传输至所述数据接收和存储模块，同时将分析结果和决策传输至所述监测模块；
[0011]所述数据接收和存储模块用于接收和存储所述边缘计算模块处理后的数据；
[0012]所述模型训练模块用于训练机器学习或深度学习模型，使其能够从输入数据中学习和捕捉；
[0013]所述监测模块用于实时监测电力作业现场的各种数据，当检测到异常时，触发警报和通知
。
[0014]进一步的，所述数据采集模块设有传感器，所述传感器用于实时采集电力作业现
场的温度
、
湿度
、
视频和声音
。
[0015]进一步的，所述数据预处理模块包括视频处理单元和声音处理单元，所述视频处理单元和所述声音处理单元分别用于对采集的视频和声音进行降噪
、
滤波和特征提取
。
[0016]进一步的，所述边缘计算模块设有图像与视频分析单元和决策单元；
[0017]所述图像与视频分析单元用于图像识别和处理分析，可实现安全距离识别和人员摔倒识别；
[0018]所述决策单元用于对分析结果进行实时决策
。
[0019]更进一步的，所述图像与视频分析单元设有卷积神经网络算法，所述决策单元设有决策树算法
。
[0020]进一步的，所述数据接收和存储模块通过
TCP/IP
协议进行通信，用以存储处理后的数据
。
[0021]进一步的，所述模型训练模块设有深度学习算法和迁移学习算法
。
[0022]进一步的，所述监测模块包括实时警报与通知单元，所述实时警报与通知单元用于当检测到异常时，触发警报和通知；
[0023]所述监测模块设有图像异常检测算法
。
[0024]进一步的，还包括边缘
AI
设备，所述数据采集模块
、
所述数据预处理模块
、
所述边缘计算模块以及所述监测模块设置在所述边缘
AI
设备上；
[0025]所述边缘
AI
设备还包括监控设备，所述监控设备包括摄像头和图像传感器，所述传感器设置在所述图像传感器上；
[0026]还包括云端系统，所述数据接收和存储模块和模型训练模块设置在所述云端系统上；
[0027]所述云端系统设有人机交互界面，用于显示监测结果
、
分析结果，生成安全监测报告，用以总结分析电力作业现场的状态和趋势
。
[0028]一种基于边缘
AI
的电力作业安全监测方法，包括以下步骤：
[0029]通过数据采集模块实时采集各种数据，包括图像
、
视频
、
声音以及环境参数；
[0030]将采集到的数据传输至数据预处理模块，其中图像和视频数据经过降噪
、
滤波和特征提取；
[0031]经过预处理后的数据传输至边缘计算模块，在边缘计算模块中，图像与视频分析单元应用卷积神经网络算法，对图像进行安全距离识别和人员摔倒识别；决策单元实时对分析结果进行决策；
[0032]所得的分析结果和决策传输至监测模块，监测模块包括实时警报与通知单元，当检测到异常时，触发警报和通知，还包括图像异常检测算法；
[0033]处理后的数据传输至数据接收和存储模块，通过云端接收和存储能力，通过
TCP/IP
协议进行通信，采用高容量存储介质，用以存储大量处理后的数据；
[0034]模型训练模块使用深度学习算法和迁移学习算法，定期更新模型，使其能够从输入数据中学习和捕捉电力作业现场的模式
、
关联和特征；
[0035]通过云端系统中的人机交互界面，能够实时显示监测结果
、
分析结果，生成安全监测报告
。
[0036]本专利技术的有益效果在于：
[0037]本专利技术通过数据采集模块
、
边缘计算模块和监测模块的协同工作，系统能够实时采集电力作业现场的多种数据，进行快速分析，并实时监测各种参数
、
数据和状态，从而及时发现潜在的安全风险
。
[0038]本专利技术中数据预处理模块对从数据采集模块获得的数据进行去噪
、
数据校准和数据对齐等处理，从而提高了数据的质量和准确性，为后续的分析和决策提供更可靠的基础
。
边缘计算模块不仅能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于边缘
AI
的电力作业安全监测系统，其特征在于，包含数据采集模块
、
数据预处理模块
、
边缘计算模块
、
数据接收和存储模块
、
模型训练模块和监测模块；所述数据采集模块用于采集电力作业现场的各种数据，包括图像
、
视频
、
声音，并将采集到的数据传输至所述数据预处理模块；所述数据预处理模块用于对所述数据采集模块收集到的数据进行预处理，包括去噪
、
数据校准和数据对齐，并将数据传输至所述边缘计算模块；所述边缘计算模块用于对预处理的数据进行分析，并根据分析结果采取实时决策，并将数据传输至所述数据接收和存储模块，同时将分析结果和决策传输至所述监测模块；所述数据接收和存储模块用于接收和存储所述边缘计算模块处理后的数据；所述模型训练模块用于训练机器学习或深度学习模型，使其能够从输入数据中学习和捕捉；所述监测模块用于实时监测电力作业现场的各种数据，当检测到异常时，触发警报和通知
。2.
根据权利要求1所述的一种基于边缘
AI
的电力作业安全监测系统，其特征在于，所述数据采集模块设有传感器，所述传感器用于实时采集电力作业现场的温度
、
湿度
、
视频和声音
。3.
根据权利要求1所述的一种基于边缘
AI
的电力作业安全监测系统，其特征在于，所述数据预处理模块包括视频处理单元和声音处理单元，所述视频处理单元和所述声音处理单元分别用于对采集的视频和声音进行降噪
、
滤波和特征提取
。4.
根据权利要求1所述的一种基于边缘
AI
的电力作业安全监测系统，其特征在于，所述边缘计算模块设有图像与视频分析单元和决策单元；所述图像与视频分析单元用于图像识别和处理分析，可实现安全距离识别和人员摔倒识别；所述决策单元用于对分析结果进行实时决策
。5.
根据权利要求4所述的一种基于边缘
AI
的电力作业安全监测系统，其特征在于，所述图像与视频分析单元设有卷积神经网络算法，所述决策单元设有决策树算法
。6.
根据权利要求1所述的一种基于边缘
AI
的电力作业安全监测系统，其特征在于，所述数据接收和存储模块通过
TCP/IP
协议进行通信，用以存储处理后的数据
。7.
...

【专利技术属性】
技术研发人员：许泽瑞，周海，陈颖平，陈焕彬，路建成，杨忠明，黄杰，张国昌，罗育林，田松林，
申请(专利权)人：南方电网数字平台科技广东有限公司，
类型：发明
国别省市：