一种人员安全风险静默监视方法技术

本发明专利技术公开了一种人员安全风险静默监视方法，包括以下步骤：(1)数据处理；(2)模型设计；(3)模型训练；(4)模型评估；(5)人员检测；(6)安全风险行为辨识；(7)安全风险事件辨识；本发明专利技术通过YOLOv6作为基础网络模型，识别出视频流中包含作业人员的图像帧，进一步结合时序信息和电子围栏对作业人员未穿工装、未穿安全帽、吸烟三种安全风险行为和作业人员快速移动、快速聚集两种安全风险事件进行识别，可在行为发生或者事件发生时实现秒级识别，进而避免安全事故的发生。免安全事故的发生。免安全事故的发生。

【技术实现步骤摘要】
一种人员安全风险静默监视方法


[0001]本专利技术涉及输变电领域，尤其涉及一种人员安全风险静默监视方法。

技术介绍

[0002]随着能源互联网建设的升级提速，新设备、新技术、新系统、新运行管理模式不断在变电站推广应用，变电运维安全难度进一步提升，新的安全风险点不断出现，对变电作业人员行为规范提出更高要求。而变电站作为连接主干网和配电网的关键节点，其安全性直接关系到整个电力系统的稳定运行。变电站设备种类众多、工况环境复杂，巡视人员需要对主设备、主控室、端子箱、构支架、消防、土建设施及站内环境等开展日常巡视、红外测温、表计抄录等工作，工作量大导致难以避免由于人员身体状态不佳、知识技能不足、违章作业行为等因素造成的人身伤亡、设备损坏等安全事故，从而造成一定的社会影响和经济损失。传统的安全风险管控手段主要依赖安全作业规章制度和安全员人工监督，人力成本高的同时高度依赖安全员自身综合素质。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供了一种人员安全风险静默监视方法已解决
技术介绍
中存在的问题。
[0004]技术方案：本专利技术所述的一种人员安全风险静默监视方法，包括以下步骤：
[0005](1)数据处理：在变电站变压器、敞开式设备区和主要出入口部署摄像头，采集变电站作业人员安全风险行为图像及视频数据，进行数据清洗、标注、增强，构建数据集；
[0006](2)模型设计：设计变电站作业人员检测模型和变电站作业人员安全风险检测模型，采用YOLOv6网络结构，包含主干网络EfficientRep、加强特征提取网络Rep
‑
PAN、预测网络EffiDeHead；采用VFL(Varifocal Loss)作为分类损失；采用GIoU(Generalized Intersection over Union)作为框回归损失；
[0007](3)模型训练：采用随机梯度下降法更新参数，每次训练少量样本数据；采用余弦退火学习率调整策略，初始学习率为0.0032，周期学习率设为0.12；采用SimOTA标签分配策略动态分配正样本；
[0008](4)模型评估：利用步骤(3)构建的测试集评估模型，采用检出率Recall、准确率Precsion和平均精度AP(Average precision)三个指标综合评估模型效果，三个指标占比权重为3:3:4；
[0009](5)人员检测：加载步骤(3)中训练的变电站作业人员检测模型的最佳训练权重，针对变电站变压器、敞开式设备区和主要出入口执行静默监视任务的摄像头进行实时推理，生成变电站作业人员检测框；
[0010](6)安全风险行为辨识和风险事件辨识；其中，安全风险行为辨识：针对步骤(5)中检测到的的变电站作业人员检测框，加载步骤(3)中训练的安全风险行为检测模型最佳训练权重，进一步在变电站作业人员检测框的基础上，判断变电站作业人员是否存在未穿工
装、未穿安全帽、吸烟等危险行为，如果存在则发出告警；安全风险事件辨识：针对步骤(5)中检测作业人员检测框，结合时序信息和电子围栏信息，进一步判断是否发生快速移动和快速聚集事件，如果存在则发出告警。
[0011]进一步的，所述步骤(1)包括如下步骤：
[0012](11)利用变电站内部署在变压器、敞开式设备区和主要出入口的摄像头，采集视频数据，为保证视频清晰度，可见光通道分辨率设置为1920*1080，视频编码方式设置为H.264；
[0013](12)针对摄像头采集的视频数据，其视频帧率为：25fps，按照视频帧率逐帧提取图像数据，将视频数据转换为图像数据，图像数据命名格式为摄像头ID_拍摄时间_帧数；
[0014](13)对步骤(12)采集的图像数据进行标注，对包含作业人员的图像，用最小外接矩形框包围作业人员，该最小外接矩形框坐标范围不能超过图像分辨率，并标记为作业人员，标注工具为LabelImg，数据格式为PasalVOC，生成的标注文件为xml格式；
[0015](14)在作业人员标注框的基础上，进一步对作业人员的行为进行标注，共划分五个类别：未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常；如果在两秒时间内，即在连续50帧图像中画面内人员数量增幅超过5个，则判定发生快速聚集事件，如果在两秒时间范围内图像画面内存在人员移动超过画面分辨率的二分之一，则判定发生快速移动事件；
[0016](15)对标注后的图像及其标注文件进行清洗，包括：标签合法性校验、标注框坐标合法性校验、标注文件图像尺寸有效性校验，剔除因人工标注导致的标签错误问题；
[0017](16)对清洗后的数据，进一步进行数据增强，包括：HSV空间色彩增强、旋转、平移、缩放、错切、翻转、马赛克、混合；
[0018]进一步的，所述步骤(2)包含以下步骤：
[0019](21)采用EfficientRep作为主干网络，负责从图像中提取特征，激活函数采用修正线性单元ReLU(Rectified Linear Unit)，x是自变量，公式如下：：
[0020][0021](22)采用Rep
‑
PAN作为加强特征提取网络，处于主干网络和获取输出内容网络的中间层，基于PAN拓扑方式，主要将主干网络提取的特征进行融合，然后再交由后续的EffiDeHead预测网络进行检测；
[0022](23)采用EffiDeHead作为预测网络，即根据主干网络提取出来的特征，从这些特征中预测目标的位置和类别；
[0023](24)采用VFL作为分类损失，α是图像前景背景的损失权重，γ是各样本的权重，训练时更侧重难分样本，公式如下：
[0024][0025]其中p是预测分类得分向量的标量，对于训练中的负样本，所有类别的训练目标q均为0，对于训练中的正样本，q是生成的预测框A和真实框B之间的IoU，公式如下；
[0026][0027](25)如图4所示，采用GIoU计算框回归损失，C是能包含预测框A和真实框B的最小的外接矩形框；公式如下：
[0028][0029]L
GIoU
＝1
‑
GIoU
[0030]进一步的，所述步骤(3)包含以下步骤：
[0031](31)对步骤(1)中所构建的作业人员数据集，按照4：1划分为训练集和测试集，训练变电站作业人员检测模型；训练参数设置如表1所示；训练时采用SimOTA算法动态分配正样本；
[0032]表1模型训练参数值
[0033]参数值参数值optimSGDlr_schedulerCosinelr00.0032lrf0.12momentum0.843weight_decay0.00036warmup_epochs2.0warmup_momentum0.5warmup_bias_lr0.05
ꢀꢀ
[0034](33)对步骤(1)所构建的包含未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常的作业人员安全风险行为的数据集，按本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人员安全风险静默监视方法，其特征在于，包括以下步骤：(1)数据处理：在变电站变压器、敞开式设备区和主要出入口部署摄像头，采集变电站作业人员安全风险行为图像及视频数据，进行数据清洗、标注、增强，构建数据集；(2)模型设计：设计变电站作业人员检测模型和变电站作业人员安全风险检测模型，采用YOLOv6网络结构，包含主干网络EfficientRep、加强特征提取网络Rep
‑
PAN、预测网络EffiDeHead；采用VFL(Varifocal Loss)作为分类损失；采用GIoU(Generalized Intersection over Union)作为框回归损失；(3)模型训练：采用随机梯度下降法更新网络模型参数，每次训练少量样本数据；采用余弦退火学习率调整策略，初始学习率为0.0032，周期学习率设为0.12；采用SimOTA标签分配策略动态分配正样本；(4)模型评估：利用步骤(3)构建的测试集评估模型，采用检出率Recall、准确率Precsion和平均精度AP(Average precision)三个指标综合评估模型效果，三个指标占比权重为3:3:4；(5)人员检测：加载步骤(3)中训练的变电站作业人员检测模型的最佳训练权重，针对变电站变压器、敞开式设备区和主要出入口执行静默监视任务的摄像头进行实时推理，生成变电站作业人员检测框；(6)安全风险行为辨识和风险事件辨识；其中，安全风险行为辨识：针对步骤(5)中检测到的的变电站作业人员检测框，加载步骤(3)中训练的安全风险行为检测模型最佳训练权重，进一步在变电站作业人员检测框的基础上，判断变电站作业人员是否存在未穿工装、未穿安全帽、吸烟等危险行为，如果存在则发出告警；安全风险事件辨识：针对步骤(5)中检测作业人员检测框，结合时序信息和电子围栏信息，进一步判断是否发生快速移动和快速聚集事件，如果存在则发出告警。2.根据权利要求1所述的一种人员安全风险静默监视方法，其特征在于，所述步骤(1)包括如下步骤：(11)利用变电站内部署在变压器、敞开式设备区和主要出入口的摄像头，采集视频数据，为保证视频清晰度，可见光通道分辨率设置为1920*1080，视频编码方式设置为H.264；(12)针对摄像头采集的视频数据，其视频帧率为：25fps，按照视频帧率逐帧提取图像数据，将视频数据转换为图像数据，图像数据命名格式为摄像头ID_拍摄时间_帧数；(13)对步骤(12)采集的图像数据进行标注，对包含作业人员的图像，用最小外接矩形框包围作业人员，该最小外接矩形框坐标范围不能超过图像分辨率，并标记为作业人员，标注工具为LabelImg，数据格式为PasalVOC，生成的标注文件为xml格式；(14)在作业人员标注框的基础上，进一步对作业人员的行为进行标注，共划分五个类别：未穿工装、未穿安全帽、吸烟、工装正常、安全帽正常；如果在两秒时间内，即在连续50帧图像中画面内人员数量增幅超过5个，则判定发生快速聚集事件，如果在两秒时间范围内图像画面内存在人员移动超过画面分辨率的二分之一，则判定发生快速移动事件；(15)对标注后的图像及其标注文件进行清洗，包括：标签合法性校验、标注框坐标合法性校验、标注文件图像尺寸有效性校验，剔除因人工标注导致的标签错误问题；(16)对清洗后的数据，进一步进行数据增强，包括：HSV空间色彩增强、旋转、平移、缩放、错切、翻转、马赛克、混合。
3.根据权利要求1所述的一种人员安全风险静默监视方法，其特征在于，所述步骤(2)包含以下步骤：(21)采用EfficientRep作为主干网络，负责从图像中提取特征，激活函数采用修正线性单元ReLU(Rectified Linear Unit)，x是自变量，公式如下：(22)采用Rep
‑
PAN作为加强特征提取网络，再基于PAN拓扑方式，将主干网络提取的特征进行融合，然后再交由后续的EffiDeHead预测网络进行检测；加强...

【专利技术属性】
技术研发人员：王晶，周华良，苏战涛，孙瀚，李晓萌，王高明，张昭，
申请(专利权)人：国电南瑞南京控制系统有限公司，
类型：发明
国别省市：