电厂安全帽佩戴安全性监控的智能图像处理方法

立足于电厂安全管理现状,针对部分人员不按规定佩戴安全帽进入电厂作业区域造成安全隐患问题,对基于图像智能处理的安全帽佩戴检测技术开展研究。设计一种安全帽佩戴检测方法,通过掩膜区域卷积神经网络(mask region convolution neural network,Mask R-CNN)深度学习算法对作业人员图像分析,采集5000张安全帽佩戴照片样本作为训练图集,对其进行预处理,再由改进的特征金字塔网络算法(feature pyramid networks,FPN)进行神经网络训练。对于测试集500张图像分析结果表明,结合改进的FPN算法和ResNet-101作为主干网络的Mask R-CNN模型能够有效实现对安全帽佩戴与否及佩戴错误的检测,模型精确率为0.971,召回率为0.973,均值平均精确度为0.970,获得较准确的电厂应用场景下安全帽佩戴安全性检测效果。     

基于深度学习的安全帽识别算法研究与模型训练

针对作业人员不按规定佩戴安全帽和非作业人员误入作业现场的问题,设计了基于深度学习的安全帽和语音识别智能终端算法。对于安全帽的检测,采用了人体关键点检测模型和基于深度学习的YOLO3算法。将智能摄像头得到的视频文件,先利用人体关键点模型提取现场人员图像,再结合YOLO3算法检测现场作业人员佩戴安全帽的情况,对于未正确佩戴安全帽的人员发出告警信息。通过模型训练验证了所提模型的实用性。     

人体姿态识别技术在智慧变电站现场智能管控系统中的应用

现场安全管控是电力安全生产的重要保障环节。随着智慧变电站的发展,现场安全管控由人工分析监控视频方式逐渐向智能管控方式转变。为此提出了一种人体姿态识别技术,通过OpenPose建立多人姿态识别模型,结合传统图像识别技术实现人员状态的全面感知,对作业人员着装、安全帽佩戴、安全带使用、作业中的危险及不规范行为进行实时管控及预警,减轻运检人员压力,提升变电站安全管控智慧化程度。     

火电厂监控视频安全帽检测方法研究

安全帽是火电厂生产环境中非常重要的安全防护装备,利用计算机视觉领域中的相关技术对其检测能有效保障工业生产安全。针对安全帽在复杂工业环境中易受到光照环境变化、多遮挡、目标过小导致检测困难的问题,构建了安全帽目标检测数据集,改进了YOLOv5目标检测算法的Head模块,对Anchor的数目与大小进行了调整,通过k-means聚类算法对安全帽数据集重新聚类,增加自顶向下网络特征提取过程中的上采样模块,对提取到的特征图进一步扩大,并将深层特征与浅层特征信息充分融合,增强了模型多尺度特征提取能力。基于构建的工业场景安全帽目标检测数据集,将改进后的YOLOv5算法与目前相关领域最优算法进行对比实验。实验结果表明,改进后的YOLOv5算法在准确率方面均得到显著提升,最高检测率达到了98.1%。综合考虑算法检测速度、精度与模型体积等多种因素,改进后的YOLOv5算法可以满足工业场景中检测的需求。     

基于改进YOLOX的安全帽佩戴实时检测

在建筑行业中,因未佩戴安全帽而导致的安全事故占比较大。针对安全帽检测中存在的干扰性强、小目标准确率低等问题,提出了一种基于YOLOX的改进算法。首先,在加强特征提取网络中加入ECA-Net注意力机制,进行跨通道交互,根据生成的对应通道权重值,抑制干扰信息,加强模型对目标特征的关注度,再将重校准后的特征图进行更深度地特征融合,提高目标特征的表达能力。其次,使用CIoU来计算损失,将两框中心点距离和长宽比考虑进惩罚项,不断调整更新损失函数,加快模型收敛速度。最后,构建了一个真实施工场景下的小目标安全帽数据集。实验结果表明,改进后的算法mAP达91.7%,比原YOLOX算高出1.2%,对已佩戴安全帽的工人检测平均精度达93.9%,对未佩戴安全帽的检测平均精度达89.5%,检测速度达到71.9帧/s,保证安全帽佩戴情况实时检测的同时有较高准确率。     

基于改进 YOLOv5s 的电力作业人员安全帽 检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9 326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。     

结合YOLOv5和质心匹配的轨迹追踪方法

针对施工场所中目标遮挡引起的安全帽佩戴者的轨迹追踪困难的问题,本文提出了一种结合YOLOv5和质心匹配算法的安全帽佩戴检测及轨迹追踪方法。该方法首先采用YOLOv5网络准确检测未佩戴安全帽的人员,计算其质心坐标;进一步的采用扩展卡尔曼滤波器预测目标位置信息;最后采用基于马氏距离及直方图相关性的质心匹配关联算法,结合预测信息实现了目标遮挡环境中的目标轨迹异常修正,可获得准确的目标轨迹。实验结果表明,本方法有效解决了目标跟踪中由目标遮挡引起的目标互换和丢失等问题,在自建数据集中获得了高于传统算法10%以上的目标跟踪准确度,为智慧工地的发展提供了有力的技术支持。     

电力系统作业监护中的视频智能分析应用研究

为减少电力系统日常巡检维护作业中的人力成本,提高自动化管理水平,提出了一种基于图像处理技术的视频智能分析应用方案。该方案通过对现场作业目标的实时视频分析和结果上送控制中心,实现了对保护压板、指示牌、隔离开关以及安全帽佩戴等功能的智能识别,使系统具备作业监护人功能,对操作进行自动安全监护指导。实验结果和系统试运行验证了各分析功能的实时性、准确性和可应用性。     

基于视频监控的变电站内安全帽检测算法研究

任何人进入变电站生产现场都必须佩戴安全帽。传统监控方式靠人工从海量的视频中检索异常信息来实现安全的保障,难度高,监控效果往往不太理想。为了提高安全生产管理,提出一种快速稳定的变电站内安全帽的识别算法,先对变电站内的行人进行检测;再根据人体几何特征,在行人中定位到头的位置;最后,根据安全帽形变比较小的特点,使用模板匹配的方法进行安全帽匹配,以判断该工作人员是否佩戴安全帽。实验结果表明,该方法在降低人为监控的劳动强度的同时,充分利用视频监控的智能处理功能,提高了变电站安全生产管理水平。     

电力作业现场安全智能管控技术研究及应用

随着国内电网建设结构日趋复杂和新技术、新设备的大量应用,目前在电网运检、基建施工过程中存在运 维设备多、施工周期长和涉及面广的特点,现有的安全管控手段已不能满足现阶段电力建设要求,只有在电力生产建 设中进行安全防范和督查的全覆盖,加强对分散、临时、协作等作业项目的安全管控力度,才能有效做到安全监管和 安全预控.电力作业现场安全智能管控监控通过软件B/S架构实现,基于图像识别的人工智能、物联网、边缘计算等 技术手段,分析生产过程中的监管要求,设计工作区人脸识别、安全帽佩戴、工作着装、现场火情等在线监测项目, 将解决监管体系力量薄弱、全过程监管缺乏、管控智能化水平低的难题.系统将有效提高电力作业现场的智能管控水 平,保障电力安全生产的顺利实施.     

基于可穿戴技术的电力作业安全监护平台研究

可穿戴设备是一种穿在身上的计算机系统,是一种新型的人机交互形式。文章将可穿戴技术运用到安全帽和电子手表上,结合后台监护系统,实现对电力作业人员的安全监护,对人员的不安全行为及时进行警告,发生安全事故时及时开展应急救援。可穿戴终端对作业现场的危险状况进行实时监测,并将数据传输至监护系统。监护系统依据现场监测数据实时掌握每个作业人员的工作状态,并向作业人员反馈有关信息。文章介绍了智能安全帽和智能手表的硬件组成以及监护系统的具体功能,可为电力行业及其他行业应用智能可穿戴设备提供参考。     

基于深度学习的电力作业人员行为识别技术

目前的电力现场安全监控主要通过人员对监控视频进行全程监测,但采用人工检测的方法不仅浪费时间,而且容易出现漏报的情况,使工作人员的人身安全无法得到保障。为实现对作业现场人员行为的智能识别,提出了一种基于OpenPose的电力作业人员的危险行为识别技术。该方法提取视频流图像中电力作业人员骨骼关键点信息,利用深度神经网络实现多人场景下电力作业人员的人体行为姿态感知,实时对施工人员的违规行为进行检测识别,并发出警告。所提方法实现了对电力现场作业人员行为的准确、实时安全监控,保障了现场作业人员的人身安全和电力作业的顺利进行,具有一定的鲁棒性与泛化能力。     

基于改进YOLOX-S的安全帽反光衣检测算法

在工业生产和交通工程中,安全帽和反光衣都是员工重要的生命安全保障。针对传统安全帽反光衣识别方法只能检测单一颜色反光衣、检测效率低的问题,提出一种基于改进YOLOX-S网络模型的安全帽反光衣检测方法。使用简化BiFPN模块替换原加强特征提取网络,提高网络对不同尺度的特征提取能力;使用Mosaic方法进行训练,提高网络在复杂场景下的检测能力;使用GIoU损失函数,进一步提高模型的识别准确率。在扩充后的安全帽反光衣数据集上实验表明,本文所提算法在保持较高推理速度的情况下,mAP达83.74%,与原YOLOX-S相比,对戴安全帽、穿反光衣和行人的检测AP值有1%~3%不等的提高,对反光衣颜色无依赖性,有效实现了快速准确的安全帽反光衣检测。     

基于双目立体匹配和场景元素识别的变电人员近电安全距离检测方法研究

考虑到变电站带电设备周边环境中存在的强电场、暂态电击、稳态电击以及静电感应等安全影响因素，近电安全距离作为风险防护的重要指标对保障电力设备安全稳定运行及作业人员生命安全至关重要。为此，该文提出了一种基于双目立体匹配和场景元素识别的变电人员近电安全距离检测方法。该方法首先通过基于通道注意力模块的多阶段双目立体匹配模型获取作业场景空间信息，其次通过场景元素高效识别模型区分人与带电设备，然后基于空间信息和识别结果计算元素空间表面中心，最后基于空间表面中心计算人员近电安全距离，实现人员与带电设备间实时高精度距离检测。实际数据表明，该文方法实现了对现场作业人员与带电设备近电安全距离的实时准确测量。     

电网安全生产风险管控平台建设

电网公司各类基建、生产、营销等现场作业点多面广,作业队伍、人员数量庞大,现场安全管控难度较大.从作业计划、作业队伍、作业人员及作业现场管理等方面介绍了安全生产风险管控平台的功能建设及应用情况,通过平台的建设与应用,可最大限度地保障现场作业安全,有效提升安全生产管理水平.     

基于ARM嵌入式系统的挂接地线监测单元研制

挂接地线是接触网停电检修作业保障人员及设备安全的重要环节。针对接触网停电检修作业挂接地线时常产生误挂、漏拆等情况,设计了一种集实时监测接地线挂接及接地状态并自动上传等功能于一体的挂接地线监测单元。该单元以ARM微控制器为核心,设计了超声波测距模块、图像采集模块、GPRS通信模块等外围电路,同时在嵌入式操作系统平台上开发了各功能模块的应用程序。该单元实现了对接地线的实时远方监测,可有效防止挂接地线误送电等事故发生,为现场作业人员提供一道安全保障。     

作业安全管控系统中人员目标识别算法研究

为提高无人值守变电站现场作业安全监督管理水平,对作业安全管控系统中人员目标识别算法进行了研究.在传统算法的基础上,从移动目标捕捉和目标定位、目标分割、人员目标识别三个方面进行算法研究,并根据变电站实际环境对算法进行适用性改进.实验数据表明,不考虑复杂背景的情况下,单人员识别算法的识别率很高,但在目标重叠、目标被部分遮挡、有人影、有积水倒影等情况下,识别率有所下降.人员目标识别算法的实用化研究为无人值守变电站的作业安全管控提供了技术基础.     

基于ZigBee无线传感器网络的煤矿监测系统

设计了基于ZigBee无线传感器网络的环境参数检测与人员定位为一体的煤矿井下安全监测系统.系统利用安装于矿井现场的ZigBee节点采集井下多种环境数据(瓦斯、CO、温度、湿度),采用三边定位方法基于测距的无线传感器网络实现三维空间的人员定位,并利用卡尔曼滤波算法修正量测过程中的随机误差,以提高定位精度.检测信息通过工业以太网传送至地面监控主机,主机分析软件实现数据的存储、并为监控人员提供实时的矿井环境信息和人员位置信息.现场测试结果表明本系统运行稳定、功耗低、定位精度高、信息传输可靠.     

基于机器学习和图像识别的电力作业现场安全监督方法

针对电力作业现场人员误入危险区域的安全问题，开展人员闯入检测的研究，首先利用梯度方向直方图（histogram of oriented gradient，HOG）和支持向量机（support vector machine，SVM）进行完全帧的人员检测，然后利用基于OpenCV的图像处理技术判断人员是否闯入警戒区域。通过视频监控设备采集作业现场图像，采用上述方法实时识别现场人员及其危险行为，并发出告警信号。实验结果表明，检测结果准确率达到92%，实现了电力作业现场安全监督自动化，显著提升了作业现场安全水平。     

电力检修作业挂接地线可视化监测装置

挂接地线是电力停电检修作业的重要环节和安全保障.为解决当前电力检修作业挂接地线远程监控的需要,设计了基于通用无线分组业务(GPRS)网络的电力检修作业挂接地线状态监测装置.该装置采用自主的软硬件设计,选用超声波测距的方法检测接地线的挂接状态,并使用了串口摄像头对检修作业现场进行图像采集,通过MC55模块以GPRS方式传送监控和图像数据,使其监控更具有直观性和可靠性.若结合后台管理软件,可更好地显示作业点挂接地线的实时信息,实现可视化管理.