[发明专利]一种配电施工现场带电设备及其带电区域识别方法及装置

说明书

本发明提供了一种配电施工现场带电设备及其带电区域识别方法及装置，通过获取配电施工现场周边的实时视频解码出的图像，构建配电施工现场作业地段环境的三维地图，并采用目标检测模型检测图像中的目标，在经过目标过滤以及目标识别之后获取图像中人和带电区域的ROI区域，然后再获取其在三维地图中的三维坐标，在去掉高度信息之后，根据余下的二维坐标值重新映射至二维水平地图中，然后计算人和带电设备之间的距离，从而判断作业人员在配电施工现场的安全风险。本发明利用神经网络识别技术，能够自动识别人和带电设备之间的距离，大幅降低了监护人员的劳动强度，提升了维保效率。

技术领域

本发明属于计算机视觉识别技术领域，具体涉及一种配电施工现场带电设备及其带电区域识别方法及装置。

背景技术

在电力、建筑等作业现场存在特殊带电或其他危险设备，且环境复杂，容易出现安全事故。在日常的配电施工作业现场，监护人员会在带电设备周边设置警示标志以及放置围栏，目的是不让作业人员靠近带电设备，防止发生漏电伤人等事故。但是在大多数施工作业现场，存在现场范围较大、大中型设备众多、环境复杂、作业人员人数众多、施工作业时长较长等问题，导致作业人员放松警惕误靠近带电设备，需要监护人员长时间监督所有作业人员有无误靠近带电设备。

综上所述，人工监督作业人员当前是否误靠近带电设备，监护人员的劳动强度大，导致维保效率低下，智能化水平低下，无法集中管理。近年来，随着计算机视觉计算和物联网技术的逐渐成熟，尤其是神经网络技术的飞速发展，深度学习技术开始应用于各类生产环境中。深度学习的概念最早起源于西方的数学家和计算机科学家对人工神经网络的研究。人工神经网络，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法模型，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。深度神经网络通过卷积操作去提取大量的图像特征，同时将低层特征进行组合，从而去获得更加抽象的高层特征，这些高层特征就可以用来表示对象的属性类别或隐藏的特征，以从图像信息中发现数据的分布规律或图像数据的特征表示。深度学习的迅猛发展，主要得益于三大方面：大数据的出现、计算能力的提升以及算法的发展，互联网的发展带来了海量的数据，同时计算机技术能力，尤其是GPU、FPGA的出现为处理海量数据提供了足够的算力，同时各类神经网络算法层出不穷，这给深度学习技术的蓬勃发展带来了强劲的动力。

发明内容

有鉴于此，本发明旨在解决现有人工监督作业人员是否误靠近带电设备导致的监护人员的劳动强度大、维保效率低下、智能化水平低下以及无法集中管理的问题。

为了解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供了一种配电施工现场带电设备及其带电区域识别方法，应用于预先训练好的目标检测模型，包括：

获取配电施工现场不同位置的视频流，并对视频流进行解码，得到解码后的图像；

依据解码后的图像，对配电施工现场的作业地段环境进行地图构建，得到配电施工现场的包含多个带电设备的三维地图；

对解码后的图像进行预处理；

将经过预处理的图像输入到预先训练好的目标检测模型中，获取目标检测模型检测到的目标的类别、矩形框的坐标值和置信度分数；

依据目标的置信度分数对目标进行过滤，并根据过滤后的目标的类别和矩形框的坐标值得到人和带电设备的ROI区域；

基于人和带电设备的ROI区域获取人和带电设备在三维地图中的三维坐标；

去除人和带电设备的三维坐标中的高度坐标值，并映射至水平二维地图；

计算人和带电设备在水平二维地图上的距离，并判断距离是否小于预设安全距离阈值，若是，则发出告警信息。

进一步的，对解码后的图像进行预处理具体为：