[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

说明书

本发明公开了一种基于深度学习的变电站作业现场监测装置，包括：现场监控人员和作业人员进入变电站作业现场监测程序；现场监控人员选择并确认第一个操作步骤，执行监测工作；摄像头采集现场作业视频文件，并转换为RGB图像；加载改进的深度神经网络YOLO‑V3；输入图像，对设备和标识进行自动识别，判断操作行为是否符合安全规范；根据识别和判断结果，当场发出警告并给出评价结果；将识别和评价结果实时可视化地展现给现场监控人员；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。使用模型结构剪枝和权重量化两种深度神经网络轻量化方法，实现了深度神经网络模型在嵌入式智能终端中的高精度实时推断，提高安全性和效率。

技术领域

本发明涉及变电站作业现场监测方法及装置，特别涉及一种基于深度学习的变电站作业现场监测方法及装置。

背景技术

电力安全生产是涉及职工生命安全的大事，也是影响电力系统安全、稳定运行和电力企业生存发展的关键。电力生产作业现场具有动态、复杂、多变的特点，容易造成无票作业、超范围作业、无计划作业等，使得作业现场违章频发。随着电网技术复杂程度的不断升高，影响电网安全的因素越来越多，安全生产形势日益严峻。虽然电网、电力企业制定了完备的电力安全生产规程，但是现阶段依然存在因电力安全管理松懈、作业人员安全意识薄弱等原因导致违章行为频发的问题。现代电力安全生产对安监评价系统提出了作业过程可监控、结果可追踪及智能告警等要求。

目前，变电站无人值守已经成为主流趋势，电网公司和电力企业也利用计算机信息技术，探索并建立了电力生产综合联网监控系统，并安排监控技术工作人员实现对现场作业人员的监控管理。该方法提高了安监管理的效率，但是全程依赖监控人员的观察、判断和评估，对监控人员专业素质要求较高，缺少灵活性好、智能化高的辅助手段和设备。随着近几年新一代人工智能技术的快速发展，基于深度学习的图像识别技术也逐步应用到电力安全监管领域中。但是已有的方法是基于后台服务器的部署方式，只能对监控画面中作业人员的操作行为规范性进行识别，不能实现自动评价功能；且推断处理计算在服务器中实现，对现场通信要求高、系统集成度低、灵活性低、成本较高。

发明内容

发明目的：本发明目的是提供一种基于深度学习的变电站作业现场监测方法，该方法对现场作业人员的行为进行全程监测，并提供事后评估功能，辅助监控人员进行实时判断和评价，保障电网的安全生产运行和现场作业人员的人身安全。

本发明的另一目的是提供实施所述基于深度学习的变电站作业现场监测方法的可穿戴装置。

技术方案：本发明提供一种基于深度学习的变电站作业现场监测方法，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；该方法依据实际所需识别目标的标签数量对特征提取网络和分类网络进行结构压缩，以减少卷积层数量；权重轻量化采用混合精度训练方法，达到模型压缩的效果；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。

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；