[发明专利]一种带电作业主动预警与安全监测系统

权利要求书

1.一种基于人工智能精准定位的带电作业主动预警与安全监测系统，其特征在于，包括主动预警系统、激光雷达、惯性传感器和摄像头，还包括人体关键点识别系统、带电体识别系统、数据融合系统以及空间位置判断系统，所述摄像头分别与人体关键点识别系统、带电体识别系统、数据融合系统电连接，所述激光雷达、惯性传感器分别与数据融合系统电连接，所述人体关键点识别系统输出端、带电体识别系统输出端以及数据融合系统输出端分别与所述空间位置判断系统输入端连接；

所述人体关键点识别系统包括人体肢体关键点位置识别模块、关键点安全防护判断模块；所述人体肢体关键点位置识别模块接收摄像头图像并基于改进后的卷积位姿机网络对人体肢体关键点位置快速识别；所述关键点安全防护判断模块接收摄像头图像以及所述人体肢体关键点位置识别模块的输出数据，其中设有安全帽识别模块、防护服和防护手套识别模块，分别用于判断作业人员是否佩戴安全帽、是否佩戴防护服与防护手套；

所述带电体识别系统包括带电体图像识别模块和带电体测量仪器，所述带电体图像识别模块通过人工智能神经网络对带电体语义分割和识别并结合带电体测量仪器辅助判断其是否带电；

所述融合系统获取摄像头、激光雷达以及惯性传感器数据，并对其进行融合后传输至所述空间位置判断系统；

所述空间位置判断系统分别通过摄像头、激光雷达以及惯性传感器并经人体关键点识别系统、带电体识别系统、数据融合系统获取带电体空间位置以及作业人员空间位置，判断空间位置是否正常；

所述人体关键点识别系统、带电体识别系统以及空间位置判断系统均与所述主动预警系统连接，分别用于控制主动预警系统进行报警；

所述人体肢体关键点位置识别模块基于改进后的卷积位姿机网络对人体肢体关键点位置快速识别，其具体为：选择四阶段网络的卷积位姿机，引入四阶段跳跃连接设计结构，当前阶段网络的输入来源包括：MultiBlock_1操作后输出的特征数据、小中心图特征数据、上一阶段网络输出的特征数据以及所述上一阶段网络之前的一个阶段网络输出的特征数据，其中，中心图为获取的摄像头图像原图与高斯函数模板进行卷积操作，生成的中心图，中心图池化后为小中心图；

改进后的卷积位姿机网络对人体肢体关键点位置快速识别的具体步骤为：

Step1： 获取的摄像头图像原图与高斯函数模板进行卷积操作，生成中心图；

Step2：中心图池化为小中心图，并送入第二，第三和第四阶段网络；

Step3： 获取的摄像头图像原图经过MultiBlock_1操作后，送入第二、第三和第四阶段网络；

Step4： 获取的摄像头图像原图经过MultiBlock_0操作后，送入第二和第三阶段网络；

Step5：第二阶段网络操作后的特征数据，送入第三和第四阶段网络；

Step6：在第四阶段网络，特征数据经过汇合后，经过ConvBlock操作后输出64*64*18的特征数据；

MultiBlock_0的内部结构为9×9卷积、2×池化、9×9卷积、2×池化、9×9卷积、2×池化、5×5卷积、9×9卷积、1×1卷积、1×1卷积；

MultiBlock_1的内部结构为9×9卷积、2×池化、9×9卷积、2×池化、9×9卷积、2×池化、5×5卷积；

ConvBlock的内部结构为11×11卷积、11×11卷积、11×11卷积、1×1卷积、1×1卷积。

2.根据权利要求1所述的基于人工智能精准定位的带电作业主动预警与安全监测系统，其特征在于，所述关键点安全防护判断模基于改进后YOLO网络实现在带电作业中的目标安全监测，包括是否佩戴安全帽、是否佩戴防护服与防护手套，所述改进后YOLO网络具体为：选择了YOLO模型作为检测基础模型，联合网络DensetNet和ResNet网络，并采用迁移学习方法，构建目标识别网络；选取公共数据集与施工现场环境图像集对目标识别网络模型进行离线训练，进而得到一个泛化模型；在所述泛化模型基础上，通过制作的带有标注的带电作业的安全监测图片，利用半监督学习方式进行再次训练学习。