System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开涉及电网领域,具体涉及一种电网建设工程安全监控方法及系统。
技术介绍
1、电网建设工程是一项涉及高压电力设备、复杂环境和多种作业人员的重大工程,其安全监控具有重要意义。然而,传统的电网建设工程安全监控方法主要依赖于人工巡视和视频监控系统,这些方法存在一些缺陷,如人工巡视效率低、覆盖范围有限且易受主观因素影响,而视频监控系统易受光照条件影响、难以实现智能分析等。
2、因此,期望一种优化的电网建设工程安全监控方案。
技术实现思路
1、考虑到以上问题而做出了本公开。本公开的一个目的是提供一种电网建设工程安全监控方法及系统。
2、本公开的实施例提供了一种电网建设工程安全监控方法,其包括:
3、获取由部署于电网建设工程现场的视频监控设备采集的现场监控图像;
4、对所述现场监控图像进行亮度分量补偿以得到亮度补偿后现场监控图像;
5、通过基于深度神经网络模型的现场作业特征提取器对所述亮度补偿后现场监控图像进行特征提取以得到现场作业状态特征图;
6、对所述现场作业状态特征图进行局部特征切分以得到第一至第四现场作业状态局部特征图;
7、将所述第一至第四现场作业状态局部特征图进行基于局部特征显著化的融合处理以得到显著化现场作业状态特征;以及
8、基于所述显著化现场作业状态特征,确定是否存在违规行为。
9、例如,根据本公开的实施例的电网建设工程安全监控方法,其中,对所述现场监控图像进行亮度分
10、以如下亮度分量补偿公式对所述现场监控图像进行亮度分量补偿以得到所述亮度补偿后现场监控图像;其中,所述亮度分量补偿公式为:
11、
12、其中,li为将所述现场监控图像从rgb空间转换成hsv空间的v通道归一化图像中各个位置的像素值,a、b、c和d为调整超参数,为所述亮度补偿后现场监控图像中的各个位置的像素值。
13、例如,根据本公开的实施例的电网建设工程安全监控方法,其中,所述深度神经网络模型为卷积神经网络模型。
14、例如,根据本公开的实施例的电网建设工程安全监控方法,其中,将所述第一至第四现场作业状态局部特征图进行基于局部特征显著化的融合处理以得到显著化现场作业状态特征,包括:
15、将所述第一至第四现场作业状态局部特征图输入局部特征显著融合器以得到显著化现场作业状态特征图作为所述显著化现场作业状态特征。
16、例如,根据本公开的实施例的电网建设工程安全监控方法,其中,将所述第一至第四现场作业状态局部特征图输入局部特征显著融合器以得到显著化现场作业状态特征图作为所述显著化现场作业状态特征,包括:
17、将所述第一至第四现场作业状态局部特征图输入所述局部特征显著融合器以如下局部特征显著融合公式进行处理以得到所述显著化现场作业状态特征图;其中,所述局部特征显著融合公式为:
18、xg=avgpool(xcat)+maxpool(xcat)
19、
20、
21、
22、
23、
24、
25、
26、
27、
28、xout=x1*ω1[i]+x2*ω2[i]+x3*ω3[i]+x4*ω4[i]
29、其中,xcat是所述第一至第四现场作业状态局部特征图沿着通道维度聚合得到的拼接特征图,avgpool(·)表示对特征图中沿通道维度的各个特征矩阵进行全局均值池化处理,maxpool(·)表示对特征图中沿通道维度的各个特征矩阵进行最大值池化处理,xg为池化融合通道特征向量,表示节点数为c/r的全连接处理,r表示缩放超参数,c为所述拼接特征图的通道数,relu(·)表示relu函数,zr为通道特征向量,和分别表示不同节点数的全连接处理,z1为第一全连接特征向量,z2为第二全连接特征向量,z3为第三全连接特征向量,z4为第四全连接特征向量,为所述第一全连接特征向量的指数运算,为所述第二全连接特征向量的指数运算,为所述第三全连接特征向量的指数运算,为所述第四全连接特征向量的指数运算,ω1[i]为第一权重向量,ω2[i]为第二权重向量,ω3[i]为第三权重向量,ω4[i]为第四权重向量,x1、x2、x3和x4分别为所述第一至第四现场作业状态局部特征图,xout为所述显著化现场作业状态特征图。
30、例如,根据本公开的实施例的电网建设工程安全监控方法,其中,基于所述显著化现场作业状态特征,确定是否存在违规行为,包括:
31、将所述显著化现场作业状态特征图通过基于分类器的监控结果生成器以得到监控结果,所述监控结果用于表示是否存在违规行为。
32、例如,根据本公开的实施例的电网建设工程安全监控方法,其中,还包括训练步骤:用于对基于卷积神经网络模型的现场作业特征提取器、所述局部特征显著融合器和所述基于分类器的监控结果生成器进行训练。
33、例如,根据本公开的实施例的电网建设工程安全监控方法,其中,所述训练步骤,包括:
34、获取训练数据,所述训练数据包括由部署于电网建设工程现场的视频监控设备采集的训练现场监控图像;
35、对所述训练现场监控图像进行亮度分量补偿以得到训练亮度补偿后现场监控图像;
36、通过所述基于卷积神经网络模型的现场作业特征提取器对所述训练亮度补偿后现场监控图像进行特征提取以得到训练现场作业状态特征图;
37、对所述训练现场作业状态特征图进行局部特征切分以得到第一至第四训练现场作业状态局部特征图;
38、将所述第一至第四训练现场作业状态局部特征图输入所述局部特征显著融合器以得到训练显著化现场作业状态特征图;
39、对所述训练显著化现场作业状态特征图进行特征优化以得到优化后训练显著化现场作业状态特征图;
40、将所述优化后训练显著化现场作业状态特征图通过所述基于分类器的监控结果生成器以得到分类损失函数值;以及
41、基于所述分类损失函数值对所述基于卷积神经网络模型的现场作业特征提取器、所述局部特征显著融合器和所述基于分类器的监控结果生成器进行训练。
42、例如,根据本公开的实施例的电网建设工程安全监控方法,其中,对所述训练显著化现场作业状态特征图进行特征优化以得到优化后训练显著化现场作业状态特征图,包括:
43、基于所述训练显著化现场作业状态特征图的特征矩阵分布,计算所述训练显著化现场作业状态特征图沿通道维度的各个特征矩阵的类概率推理系数以得到多个类概率推理系数;以及
44、以所述多个类概率推理系数作为加权系数对所述训练显著化现场作业状态特征图沿通道维度的各个相应特征矩阵进行加权优化以得到所述优化后训练显著化现场作业状态特征图。
45、本公开的实施例还提供了一种电本文档来自技高网...
【技术保护点】
1.一种电网建设工程安全监控方法,其特征在于,包括:
2.根据权利要求1所述的电网建设工程安全监控方法,其特征在于,对所述现场监控图像进行亮度分量补偿以得到亮度补偿后现场监控图像,包括:
3.根据权利要求2所述的电网建设工程安全监控方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的电网建设工程安全监控方法,其特征在于,将所述第一至第四现场作业状态局部特征图进行基于局部特征显著化的融合处理以得到显著化现场作业状态特征,包括:
5.根据权利要求4所述的电网建设工程安全监控方法,其特征在于,将所述第一至第四现场作业状态局部特征图输入局部特征显著融合器以得到显著化现场作业状态特征图作为所述显著化现场作业状态特征,包括:
6.根据权利要求5所述的电网建设工程安全监控方法,其特征在于,基于所述显著化现场作业状态特征,确定是否存在违规行为,包括:
7.根据权利要求6所述的电网建设工程安全监控方法,其特征在于,还包括训练步骤:用于对基于卷积神经网络模型的现场作业特征提取器、所述局部特征显著融
8.根据权利要求7所述的电网建设工程安全监控方法,其特征在于,所述训练步骤,包括:
9.根据权利要求8所述的电网建设工程安全监控方法,其特征在于,对所述训练显著化现场作业状态特征图进行特征优化以得到优化后训练显著化现场作业状态特征图,包括:
10.一种电网建设工程安全监控系统,其特征在于,包括:
...【技术特征摘要】
1.一种电网建设工程安全监控方法,其特征在于,包括:
2.根据权利要求1所述的电网建设工程安全监控方法,其特征在于,对所述现场监控图像进行亮度分量补偿以得到亮度补偿后现场监控图像,包括:
3.根据权利要求2所述的电网建设工程安全监控方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的电网建设工程安全监控方法,其特征在于,将所述第一至第四现场作业状态局部特征图进行基于局部特征显著化的融合处理以得到显著化现场作业状态特征,包括:
5.根据权利要求4所述的电网建设工程安全监控方法,其特征在于,将所述第一至第四现场作业状态局部特征图输入局部特征显著融合器以得到显著化现场作业状态特征图作为所述显著化现场作业状态...
【专利技术属性】
技术研发人员:李佳宇,王建军,赵东坡,刘彦超,伦迪,王永翔,胡兆宏,承春明,冀振鑫,陈文博,丁小龙,郭鹏,肖利利,李亚培,轩梦辉,
申请(专利权)人:国网河南省电力公司漯河供电公司,
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。