[发明专利]一种基于深度学习的变电站作业现场监测方法及装置

权利要求书

1.一种基于深度学习的变电站作业现场监测方法，其特征在于：包括如下步骤：

步骤1：现场监控人员和作业人员分别通过人脸识别或指纹识别进行身份验证，进入变电站作业现场监测程序；

步骤2：现场监控人员从APP程序中调出待执行的操作票，选择并确认第一个操作步骤，开始执行监测工作；

步骤3：摄像头采集现场作业视频文件，并把视频文件逐帧转换为RGB图像；

步骤4：加载改进的深度神经网络YOLO-V3，所述改进的深度神经网络YOLO-V3改进方法为：(1)依据实际安监场景所需识别标签数量与COCO数据集80类进行对比，对特征提取网络的深度进行压缩；(2)依据实际安监场景所需识别标签数量与COCO数据集80类进行对比，对分类网络的深度进行按比例压缩；(3)权重轻量化采用混合精度训练，将权重数据以FP32和FP16两种格式进行组合训练；

步骤5：输入图像，对设备和标识进行自动识别，并判断作业人员的操作行为是否符合安全规范；

步骤6：根据识别和判断结果，当场发出警告并给出评价结果；

步骤7：将识别和评价结果实时可视化地展现给现场监控人员；

步骤8：现场监控人员确认评价结果并选择进入下一步骤或结束本次操作。

2.根据权利要求1所述的基于深度学习的变电站作业现场监测方法，其特征在于：所述步骤4中改进的深度神经网络YOLO-V3的训练方法如下：

(1)采用旋转、裁剪、尺度变换等方法对原始图像样本进行扩充；

(2)设置并优化深度神经网络的超参数；

(3)使用多块GPU并行计算，以加快深度神经网络的训练速度；

(4)采用模型剪枝方法针对已训练完成的权重参数进行排序，直接裁剪权重小的卷积层，并进行微调训练。

3.根据权利要求1所述的基于深度学习的变电站作业现场监测方法，其特征在于：所述步骤6中的识别结果包括识别出变电站内作业人员未佩戴安全帽；识别出作业人员走错操作间隔；识别出作业人员未带绝缘手套验电；识别出作业人员使用万能解锁钥匙解锁。

4.根据权利要求1所述的基于深度学习的变电站作业现场监测方法，其特征在于：所述步骤1中APP程序采用HTML5混合开发框架，基于html或is语言开发，包括身份验证、实时监控和操作票管理三个功能模块；作为监护人员的操作界面和智能视觉终端处理结果的展示界面，用于现场监控人员和作业人员的身份验证，操作票的读取、存储、展现和确认，智能视觉终端处理结果的存储、实时展示和回查。

5.一种基于深度学习的变电站作业现场监测装置，其特征在于：为可穿戴式，包括智能视觉终端和手持式平板电脑，智能视觉终端和手持式平板电脑通过Wi-Fi或蓝牙无线通讯网络连接。

6.根据权利要求5所述的基于深度学习的变电站作业现场监测装置，其特征在于：所述智能视觉终端包括嵌入式人工智能计算芯片、微控制单元、通信模块、报警模块和可见光摄像头，为可穿戴式；用于采集和处理视频数据、识别并判断作业人员的操作行为是否符合安全规范，若有异常当场发出告警，并将视频识别和评价结果传给手持式平板电脑并将识别和评价结果。