【技術實現步驟摘要】
本專利技術涉及配電安全領域，更具體地涉及基于機器視覺的配網不停電作業智能監控與風險預警系統。
技術介紹
1、機器視覺是一種利用計算機和圖像處理技術模擬人類視覺的技術。它通過攝像頭或傳感器獲取圖像或視頻數據，經過圖像處理算法對這些數據進行分析和理解，從而實現自動化檢測、識別、測量和控制等功能。機器視覺廣泛應用于工業自動化、質量檢測、機器人導航等領域，提供了高精度和高效率的視覺感知能力。
2、隨著工業安全標準的提高，正確佩戴安全防護裝備已成為確保作業人員安全的重要因素。然而，傳統的人工檢查方式存在效率低、主觀性強等問題。隨著深度學習和計算機視覺技術的發展，基于圖像的自動化檢測成為一種解決方案。現有技術中，雖然有許多圖像檢測和目標識別方法，但在準確定位安全防護裝備、分析佩戴情況方面仍有較大的改進空間。
3、針對上述問題，本專利技術提出一種解決方案。
技術實現思路
1、為了克服現有技術的上述缺陷，本專利技術提供了基于機器視覺的配網不停電作業智能監控與風險預警系統，以解決上述
技術介紹
中存在的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、基于機器視覺的配網不停電作業智能監控與風險預警系統，所述系統包括：
4、護具識別模塊，用于通過卷積神經網絡構建識別網絡模型，并通過識別網絡模型對作業人員進行識別，若識別通過則將識別結果傳輸至狀態數據采集模塊，若識別不通過則將識別結果傳輸至安全預警模塊；
5、狀態數據采集模塊
6、數據分析模塊，用于接收狀態數據采集模塊傳輸的狀態圖像，對狀態圖像進行分析，并將分析結果傳輸至數據評估模塊；
7、數據評估模塊，用于接收數據分析模塊傳輸的分析結果，并對分析結果進行評估得到安全指數，將安全指數傳輸至安全預警模塊；
8、安全預警模塊，用于接收護具識別模塊與數據評估模塊傳輸的數據，并進行相應的預警。
9、優選的，所述通過卷積神經網絡構建識別網絡模型步驟為：
10、集大量的作業人員及其佩戴安全防護裝備的圖像數據放入數據集中，且應包含多種不同的防護裝備，并為每張圖像標注標簽，對圖像進行預處理；
11、在卷積神經網絡的輸入層輸入圖像數據，尺寸為h×w×c，其中h和w表示圖像的高度和寬度，c為通道數；
12、在卷積神經網絡的卷積層應用多個卷積核對輸入圖像進行卷積操作，提取局部特征，其表達式為其中yi,j,k表示為輸出特征圖在位置(i,j)的第k個通道的值，x為輸入的圖像，w為卷積核，bk為偏置，m和n為卷積核的尺寸；
13、使用relu激活函數，對卷積結果進行非線性變換；通過最大池化將前一層的特征圖展平成一維向量，并與權重矩陣相乘，輸出到分類器；
14、使用交叉熵損失函數衡量模型輸出與真實標簽之間的差異，并使用隨機梯度下降法優化算法；
15、將訓練數據輸入到模型中，通過多次迭代優化模型參數，使其損失函數達到最小，使用驗證集評估模型的相關性能，所述相關性能包括準確率、精確率、召回率以及f1-score指標，根據相關性能綜合評估得到模型性能，其表達式為p＝f(p1,p2,p3,p4)，將模型性能與閾值進行對比，若模型性能大于閾值，則輸出識別網絡模型，若模型性能小于閾值，則繼續進行訓練直至模型性能大于閾值。
16、優選的，所述采集護具的狀態圖像步驟為：
17、使用攝像頭捕獲作業人員佩戴護具的圖像，將彩色圖像轉換為灰度圖，其表達式為igray＝0.2989×r+0.5870×g+0.1140×b，其中r、g、b分別是紅、綠、藍通道值，使用高斯濾波平滑圖像；
18、使用canny邊緣檢測算法檢測護具的邊緣，提取輪廓信息，其表達式為其中igradient(x,y)為圖像的梯度幅值，threshold為邊緣檢測的閾值；
19、從邊緣檢測的結果中提取出護具輪廓。
20、優選的，所述對狀態圖像進行分析步驟為：
21、根據提取的護具輪廓，確定護具的關鍵特征點，識別護具上的關鍵點和人體的相關關鍵點，所述人體的關鍵點為護具相應佩戴的人體部位；
22、根據關鍵點計算護具的佩戴角度，其計算公式為其中(x1,y1)和(x2,y2)為護具關鍵點的坐標，θ為計算得到的佩戴角度；
23、根據計算出的佩戴角度計算得到位置合理系數，其計算公式為其中pr為位置合理系數，θ表示為當前的佩戴角度，agid表示為理想佩戴角度，agmax表示為允許的最大偏差角度；
24、根據提取的護具輪廓，獲取護具彈力帶的相關數據，所述相關數據包括彈力帶的長度與面積數據，根據彈力帶的相關數據計算得到緊固系數。
25、優選的，所述根據彈力帶的相關數據計算得到緊固系數步驟為：
26、計算彈力帶的長度，其計算公式為其中(x3,y3)和(x4,y4)分別是彈力帶兩端的坐標，l為彈力帶的長度；
27、計算彈力帶覆蓋的多邊形區域面積，其計算公式為其中a為彈力帶覆蓋面積，(xi,yi)為多邊形頂點的坐標；
28、根據彈力帶的長度與彈力帶覆蓋面積計算得到緊固系數，其計算公式為其中ft表示為緊固系數，lmax為松弛狀態下彈力帶的最大長度，lcurrent為當前測量彈力帶的長度，acurrent表示為當前彈力帶的覆蓋面積，aloose為松弛狀態下彈力帶的面積。
29、優選的，所述對分析結果進行評估得到安全指數步驟為：
30、將位置合理系數與緊固系數進行加權求和計算得到安全指數，其計算公式為sf＝a1×pr+a2×ft，其中sf表示為安全指數，pr表示為位置合理系數，ft表示為緊固系數，a1、a2表示為位置合理系數與緊固系數的權重系數。
31、優選的，所述接收護具識別模塊與數據評估模塊傳輸的數據，并進行相應的預警步驟為：
32、若接收到護具識別模塊傳輸的信息，則判定作業人員當前未穿戴護具，向相關管理人員發出預警，提醒作業人員及時穿戴護具；
33、若接收到數據評估模塊傳輸的安全指數，將安全指數與預設閾值進行對比，若安全指數大于預設閾值，則判定當前作業人員穿戴護具情況安全；若安全指數小于預設閾值，則判定當前作業人員穿戴護具情況危險，向相關管理人員發出預警，提醒作業人員正確佩戴護具。本專利技術的技術效果和優點：
34、通過卷積神經網絡構建識別網絡模型，并通過識別網絡模型對作業人員進行識別，根據識別結果進行相應信息傳輸，通過攝像裝置采集護具的狀態圖像，所述狀態圖像為作業人員護具佩戴的狀態圖像，對狀態圖像進行分析得到位置合理系數與緊固系數，根據位置合理系數與緊固系數進行評估得到安全指數，并根據安全指數進行相應的預警，有效提高配電系統的安全性。
本文檔來自技高網...【技術保護點】
1.基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于，所述系統包括：
2.根據權利要求1所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述通過卷積神經網絡構建識別網絡模型步驟為：
3.根據權利要求1所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述采集護具的狀態圖像步驟為：
4.根據權利要求1所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述對狀態圖像進行分析步驟為：
5.根據權利要求4所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述根據彈力帶的相關數據計算得到緊固系數步驟為：
6.根據權利要求1所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述對分析結果進行評估得到安全指數步驟為：
7.根據權利要求1所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述接收護具識別模塊與數據評估模塊傳輸的數據，并進行相應的預警步驟為：
【技術特征摘要】
1.基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于，所述系統包括：
2.根據權利要求1所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述通過卷積神經網絡構建識別網絡模型步驟為：
3.根據權利要求1所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述采集護具的狀態圖像步驟為：
4.根據權利要求1所述的基于機器視覺的配網不停電作業智能監控與風險預警系統，其特征在于：所述對狀態圖像進行...
【專利技術屬性】
技術研發人員：張楠，孫彪，廖志民，黑文斌，黃偉坡，景磊，馬亞龍，何成，
申請(專利權)人：內蒙古電力集團有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。