[发明专利]一种变电站安全围栏翻越行为识别方法、系统及设备

说明书

本发明公开了一种变电站安全围栏翻越行为识别方法、系统及设备。本发明通过在正样本以及负样本的基础上构建视频数据集D1，在视频数据集D1的基础上得到骨架点图像序列集合K1以及光流视频样本集D2，对人体骨架点图像序列集合K1进行张量投票得到运动流视频样本集D3，并将光流视频样本集D2和运动流视频样本集D3输入到深度学习网络中来进行建模，最后通过训练好的深度学习网络对实时视频进行分类，判断实时视频中是否存在翻越围栏的行为。本发明实施例利用张量投票克服骨架点误差带来的不利影响，并综合考虑了光流和运动流对行为识别的影响来构建深度学习网络，提高了行为识别的准确度。

技术领域

本发明涉及图像识别领域，尤其涉及一种变电站安全围栏翻越行为识别方法、系统及设备。

背景技术

变电站是电力网络系统重要的节点。电力网络在进行维修和维护时，经常需要在变电站进行现场作业。由于变电站环境的危险性，现场作业通常是由专业技术人员完成的。但是，由于变电站现场的设备及其间隔有较大的相似性，即便是专业素养较高的技术人员，也可能因为疏忽或误判而走错间隔。一旦在错误的设备上进行操作，不仅会对设备甚至系统造成严重的损害，也有可能对作业人员的人身安全造成伤害。在此情况下，对作业人员进行监控、防止其走错工作区域是一项非常重要的防范措施。

传统上防止变电站现场人员走错工作区域的方式通常是采用安全围栏。安全围栏对作业人员工作范围进行了界定，但有部分安全意识不强的作业人员往往会为了工作方便随意翻越安全围栏进出带电区域或施工现场，从而造成潜在的安全风险。针对这一问题，市场上存在一些电子围栏产品，对违规翻越围栏进行告警提示。但是此类产品的缺点主要是：误报率较高，易损坏，维护成本高。在变电站作业现场中，其应用效果并不理想。

近年来，以深度学习为代表的人工智能技术取得了重要进展，利用视频分析的行为识别也得到发展。目前利用深度学习的视频行为识别相对于非深度学习方法取得了较大进步，但仍存在一些不足。但现有技术的缺点主要表现在：第一，基于深度学习的行为识别，大多数方法采用单一信息作为模型输入，例如图像序列、图像光流等，没有综合考虑其他因素，导致行为识别的准确率低；第二，利用骨架点进行运动特征提取时，容易被噪声信息干扰，导致特征提取不准确，进而降低了行为识别的准确率。

综上所述，现有技术中采用深度学习对行为进行识别时，存在着行为识别准确率低的技术问题。

发明内容

本发明提供了一种变电站安全围栏翻越行为识别方法、系统及设备，用于解决现有技术中采用深度学习对行为进行识别时，存在着行为识别准确率低的技术问题。

本发明提供的一种变电站安全围栏翻越行为识别方法，其特征在于，包括以下步骤：

获取工人翻越围栏的视频作为正样本，获取工人正常行走的视频作为负样本，基于正样本和负样本构建视频数据集D1；

采用姿态估计算法对视频数据集D1进行人体骨架提取，得到人体骨架点图像序列集合K1；

对人体骨架点图像序列集合K1进行张量投票，得到骨架关联图像序列集合，基于骨架关联图像序列集合得到运动流视频样本集D3；

采用光流算法计算视频数据集D1的光流，得到光流图像序列，基于光流图像序列得到光流视频样本集D2；

构建深度学习网络，将光流视频样本集D2以及运动流视频样本集D3输入到深度学习网络中进行训练，得到训练好的深度学习网络；

获取变电站安全围栏的实时视频，将实时视频输入到训练好的深度学习网络中，通过训练好的深度学习网络对实时视频进行分类，根据分类的结果判断实时视频中是否存在翻越围栏的行为。

优选的，基于正样本和负样本构建视频数据集D1的具体过程为：

对正样本和负样本进行标注，将正样本标注为翻越，将负样本标注为未翻越；