[发明专利]复杂场景下基于人工智能的变电站内异常行为识别与检测方法

说明书

一种复杂场景下基于人工智能的变电站内异常行为识别与检测方法，包括：对监控视频处理得到静态图；使用基于深度学习的目标检测算法FPN网络检测人体区域；将待识别图像进行预处理操作，产生二值化图像；将所述二值化图像作为CPN网络的输入进行人体骨架的关键点检测；将人体骨架关键点图像与RGB单帧静态图融合，输入到LSTM网络进行分类识别，判断是否为异常行为。本发明实现了在复杂场景下对变电站工作区域的异常行为的自动检测和识别任务，并具有良好的准确率、稳定性与实时性，可满足变电站实际应用需求。

技术领域

本发明公开一种复杂场景下基于人工智能的变电站内异常行为识别与检测方法，属于智能电网检测的技术领域。

背景技术

变电站是高压带电操作的工作场所，易发生事故，而许多事故是由于人为责任引起的，例如工作人员误进入带电工作区，误触碰带电体造成触电；以及当检修人员还在维修操作时，却人为误送电造成触电死亡的事故。为了保证变电站中工作人员的人身安全以及设备的安全，视频监控已经广泛应用到该领域。

现有技术也公开了诸多相关专利文献，例如：

中国专利文献CN107666594A公开了一种视频监控实时监测违章作业的方法，通过收集施工人员现场施工图片作为样本并对样本进行标记、处理、归类，然后建立违章行为检测识别模型，并将违章行为检测识别模型应用在施工现场摄像头并进行监测，最后对违章作业行为进行记录并通知安监管理人员，实现对违规作业行为进行自动记录，节省人力物力。该专利文献只是通过对施工人员身上的物体进行检测，例如通过检测安全帽来判断施工人员是否佩戴安全帽，不能有效的对行为进行检测。

中国专利文献CN110163143A公开一种适用于图像处理技术领域，提供一种违规行为识别方法、装置及终端设备。该违规行为识别方法包括：获取待识别图像；采用阈值分割法对所述待识别图像进行预处理；利用违规行为样本集对卷积神经网络模型进行训练；基于训练完成的卷积神经网络模型对预处理后的待识别图像进行识别，判断是否存在违规行为。利用所述违规行为识别方法对变电站现场进行检测，可及时发现变电站现场工作人员的违规行为，及时采取措施，排除安全隐患，提高了检测效率及准确度。此专利文献所记载的方法是通过输入图像对违规行为进行识别，而图像中会有许多干扰因素，会对识别结果产生影响。

中国专利文献CN108256489A公开了一种基于深度强化学习的行为预测方法及装置，其中，方法包括：通过视频图像的帧提取人体骨架信息的动作特征；将动作特征根据人体机构化信息进行特征编码；通过深度强化学习对人体行为过程中有效的部位进行筛选，以预测人的行为。该方法通过在人体的重要位置提取局部图像块，利用图像块的特征的有序排列，从而在预测过程用有效地利用人体的结构化信息，有效地提升了行为预测的精度和性能。该专利文献是为了预测人的行为，并不适用于识别人的行为。

中国专利文献CN104850846A提供了一种基于深度神经网络的人体行为识别方法，包括：获取行为人的原始深度数据流；通过行为人的原始深度数据流提取人体的骨架关节点数据；利用提取到的人体骨架关节点数据所对应的三维坐标，来对整个人体建模；通过对整个人体建模来进行特征提取，将特征数据送入限制波尔兹曼机网络进行预处理，将得到的权值初始化BP神经网络参数，训练出深度神经网络模型，并据此对特征提取的结果进行行为识别；采用多线程并行处理，将提取到的人体骨架关节点数据与实际人体进行重合，并将识别到的行为进行实时显示；建立异常行为模板库并对检测到的异常行为进行报警。但是针对电力特殊场景下的行为识别，并不是简单通过骨骼关键点所能准确识别的，还需要考虑过滤掉不必要的干扰。

综上，传统的异常行为检测方法主要依赖于各种手工特征的构造，如运动轨迹特征，光流矢量特征，时空体积特征，局部二值化特征等。这些特征多针对普通的行为识别设计，未针对变电站中的种种异常行为作专门的优化。因此此类方法在该领域的误检率较高，容易将普通的行为误判为异常行为，且此类方法的实时性和鲁棒性较差，易受噪声的干扰影响。

发明内容