[发明专利]基于深度学习技术的变电站人员行为分析方法及系统

权利要求书

1.一种基于深度学习技术的变电站人员行为分析方法，其特征在于，变电站内安装有监拍设备和服务器，包括如下步骤：

步骤S1，监拍设备实时采集变电站人员视频流并上传到服务器中；

步骤S2，对视频流进行人体关键点提取，获得骨骼数据；

步骤S3，调用按钮、指示灯检测模型，检测视频流变电站机柜中按钮开关的位置以及指示灯的状态信息；

步骤S4，对骨骼数据进行分类标注，获得已标注数据；

步骤S5，基于TRN算法建立卷积神经网络，对已标注数据进行训练获得人员行为分析模型；人员行为分析模型通过分析视频流前后帧的关系，实现变电站人员行的判断；

步骤S6，将人员行为分析模型部署到服务器中，由服务器加载模型参数；

步骤S7，调用人员行为分析模型，对监拍设备上传到服务器中的视频流进行自动识别，测试效果；根据测试结果调整参数，优化模型性能；

步骤S8，调用优化模型，实时分析变电站监控范围内的人员行为，当变电站人员做出危险行为时进行告警。

2.根据权利要求1所述的基于深度学习技术的变电站人员行为分析方法，其特征在于，步骤S2中预设模型的构建包括如下步骤：

步骤S201，对输入的视频流采用卷积网络进行提取特征，获得一组特征图；

步骤S202，对所述特征图分别使用CNN网络提取PCM和PAF；

步骤S203，根据PAF自身的矢量性生成正确的偶匹配，合并为一个人的包括手部关键点的整体骨架，获得变电站人员行为的骨骼数据。

3.根据权利要求1所述的基于深度学习技术的变电站人员行为分析方法，其特征在于，步骤S3中按钮检测模型采用fpn+cascade算法构建的神经网络对按钮数据集进行训练获得。

4.根据权利要求1所述的基于深度学习技术的变电站人员行为分析方法，其特征在于，步骤S3中指示灯检测模型采用yolov3算法构成的神经网络对指示灯数据集进行训练获得。

5.根据权利要求1所述的基于深度学习技术的变电站人员行为分析方法，其特征在于，步骤S4中的分类标注包括：若变电站人员按钮操作出现危险行为则标注为“danger”，若变电站人员出现不符合变电站行为规范的动作行为则标注为“abnormal”，否则标注为“normal”。

6.根据权利要求5所述的基于深度学习技术的变电站人员行为分析方法，其特征在于，所述变电站人员按钮操作危险行为包括按钮操作错误和/或按钮操作时指示灯状态变化异常。

7.根据权利要求6所述的基于深度学习技术的变电站人员行为分析方法，其特征在于，所述变电站人员不符合变电站行为规范的动作行为包括跑跳和/或躺卧和/或抽烟。

8.根据权利要求7所述的基于深度学习技术的变电站人员行为分析方法，其特征在于，步骤S8包括：

步骤S801，监拍设备实时采集变电站人员视频流并上传到服务器中；

步骤S808，调用优化模型分析变电站人员行为；

步骤S803，当变电站人员行为被识别为“abnormal”和/或“danger”时进行告警提示。

9.一种基于深度学习技术的变电站人员行为分析系统，其特征在于，包括连接的监拍设备和服务器，用于执行权利要求1-8所述的基于深度学习技术的变电站人员行为分析方法。