[发明专利]一种基于图像识别算法的违章类型报警提醒收集系统

权利要求书

1.一种基于图像识别算法的违章类型报警提醒收集系统，其特征在于，包括模型训练模块、摄像模块、行为识别模块、违规分析模块、违章管理模块以及人员评估模块；

当变电站进行检修时，所述摄像模块用于采集变电站内包含作业人员安全作业行为的视频流，并将视频流传输至监控主机；

所述行为识别模块与监控主机相连接，用于逐帧获取视频流中的图像，并将图像输入到违章行为检测模型中进行识别，得到违章识别结果；所述违规分析模块用于获取违章识别结果并进行违规分析；具体为：

若违规时长Wt＞对应的违规时长阈值，则生成违规提醒，并通过语音专线提醒作业人员纠正作业行为；若作业人员在预设时间内未纠正该违章行为，则执行超时处理措施；

当识别到违章行为时，所述违章管理模块用于记录违规信息，并将违规信息打上时间戳存储至云平台；所述人员评估模块用于根据云平台存储的带有时间戳的违规信息对作业人员进行违规系数评估；

若违规系数WG＞预设违规阈值，则表明作业人员的安全作业合规性差，生成低效信号，以提醒管理人通知对应作业人员下班后继续安全作业；

所述监控主机还用于接收到低效信号后，生成安全宣讲信号至行为宣讲模块，所述行为宣讲模块用于对各个作业人员的违规信息进行监测分析，得到违规标签，并依据违规标签针对性进行各类安全作业行为的宣讲，对作业人员进行针对性督导。

2.根据权利要求1所述的一种基于图像识别算法的违章类型报警提醒收集系统，其特征在于，所述人员评估模块的具体评估步骤为：

根据时间戳，获取作业人员所有的违规信息；所述违规信息包括违规人、违章行为以及对应违规时长；统计作业人员的违规总次数为C1，统计作业人员的违章行为种类数为Z1；

将每次违规的对应违规时长标记为Ti；将违规时长Ti与设定值相比较；统计Ti＞设定值的次数占比为超时占比Zb，当Ti＞设定值时，获取Ti与设定值的差值并求和得到超时总值CZ；利用公式CG＝Zb×a1+CZ×a2计算得到超时吸引值CG，其中a1、a2为系数因子；

利用公式WG＝C1×a3+Z1×a4+CG×a5计算得到对应作业人员的违规系数WG，其中a3、a4、a5为系数因子。

3.根据权利要求2所述的一种基于图像识别算法的违章类型报警提醒收集系统，其特征在于，所述行为宣讲模块的具体分析步骤为：

获取各个作业人员的违规信息；针对同一违章行为，统计所述违章行为的出现总次数为P1，截取相邻出现时刻之间的时间段为行为缓冲时段，统计每个行为缓冲时段内作业人员的违规次数为行为缓冲频次Hi；

将行为缓冲频次Hi与预设频次阈值相比较；统计Hi大于预设频次阈值的次数为P2，当Hi大于预设频次阈值时，获取Hi与预设频次阈值的差值并求和得到超缓值CH1；利用公式DJ＝P2×b1+CH1×b2计算得到超缓系数DJ，其中b1、b2为系数因子；

利用公式计算得到所述违章行为的违规吸引值YX，其中b3、b4为系数因子；将违规吸引值YX与预设吸引阈值相比较；

若YX大于预设吸引阈值，则将对应的违章行为标记为作业人员的偏好违规行为；将所有的偏好违规行为进行统合得到违规标签。

4.根据权利要求1所述的一种基于图像识别算法的违章类型报警提醒收集系统，其特征在于，所述模型训练模块用于获取作业人员的日常违章图片进行训练，得到违章行为检测模型；具体训练步骤为：

将从摄像模块和网络上获取的违章行为图片作为参数训练集，并根据违章情况，手动分类获取的违章行为图片；

建立误差逆向传播神经网络模型；所述误差逆向传播神经网络模型至少包括一层隐含层；

将参数训练集按照设定比例划分为训练集、测试集和校验集；通过训练集、测试集和校验集对误差逆向传播神经网络进行训练、测试和校验，将完成训练的误差逆向传播神经网络标记为违章行为检测模型。