一种变电站工作人员工作路径追踪方法

技术领域

本发明涉及一种变电站工作人员工作路径追踪方法，特别涉及变电站工作人员工作监控视频处理，属于视频智能分析处理技术领域。

背景技术

变电站内线路与设备通有超高电压，确保变电站内工人工作符合安全流程是确保电力系统单位安全稳定运行的前提。为此，需建立完备的强电场生产环境下危险要素的检测能力。

传统的危险要素检查多依赖于传感器或者人工观察来检测，存在检测危险种类少，检测精度差以及报警时间长的问题。近年来在部分地区普及的变电站智能监控技术，是通过UWB(超宽带)无线定位技术，在监控区域类建设定位基站，工作人员进入监控区作业时携带定位标签，然后根据无线电信号的接收，计算出当前时刻信号源(工作人员)离定位基站的距离，从而对监控区内的信号源进行准确定位，并进行追踪。这种定位技术的优点是精度高，能耗小，抗干扰。能够对工作人员的位置定位达到精度10厘米，并不受变电站内强磁场环境的影响。但是这种传统的追踪技术依赖于工人携带的定位标签与基站之间的信号接收，不能实现人员识别，也不能对违规情况做出判别。

此外，部分变电站已在仪表设备、消防、动力等方面实现了智能监控，并建立了变电站智能环境监控系统，将现有的变电站环境、辅助动力设备控制等检测信息通过智能多媒体监控数据处理终端进行整合，并上传至系统监控软件平台，从而进行智能管理。该系统主要是利用传感器来对安全设施进行监控，而仪表设备的数据读取方面多实用基于深度学习的计算机视觉技术。其中投入使用的传感器有双鉴红外传感器、烟雾传感器和温湿度传感器等，包括仪表设备的图像数据智能读取、温度和湿度检测、动力设备的运行状态监控、消防系统的监控等方面。

目前的变电站智能环境监控系统，虽然在设备仪器的检测方面已经足够完善，但是在人员监控方面依然依赖人眼或UWB技术来实现对检修作业中的工作人员的定位跟踪，增加了人力成本的同时使得目前的变电站的工作人员工作路径追踪存在反馈结果不及时、判断不准确、功能不完善等缺陷，本项目的目的是实现变电站环境下工单信息识别与作业人员身份核查、根据工单信息建立当前作业路径、检测工作人员是否偏离工作路径并及时报警等功能。

此外，在目前的视频处理方法中使用的最广泛的是基于深度学习的目标检测与目标追踪。在传统的目标检测算法中，大多使用滑动窗口的方式行进窗口提名，这种方式的本质是穷举法，会产生大量的无用候选区域，导致算法性能较低。此外，一般的目标追踪算法由于按照逐帧全部检测的方式进行追踪，会造成极大性能消耗从而使得追踪延迟增大，准确率下降。本发明对变电站环境下的目标追踪与目标识别算法进行改进，提升了算法的检测精度与反应速度。

发明内容

本发明提供了一种变电站工作人员工作路径追踪方法，以用于对变电站环境下的目标追踪与目标识别算法进行改进，提升了算法的检测精度与反应速度。

本发明的技术方案是：一种变电站工作人员工作路径追踪方法，所述变电站工作人员工作路径追踪方法的具体步骤如下：

Step1、获取当前工单信息；

Step2、核查工作人员身份与穿戴规范；

Step3、获取路径信息，规划作业路径；

Step4、人员追踪，路径核对；

Step5、违规报警与日志记录。

作为本发明的进一步方案，所述步骤Step1中，根据变电站的工作制度，每一次作业都会记录在案，通过内网直接获取当前作业的工单文档，通过字符正则处理提取当前任务信息，包括员工工号、姓名、任务种类、需巡检或检修的设备信息。

作为本发明的进一步方案，所述步骤Step2中，使用目标检测算法，在工作人员进入变电站设备区域之前对工作人员的着装与身份进行识别，从工单处获取的需要识别的目标对象包括：工牌号、安全带、安全帽、工作服；使用经过改进的YOLOv3算法对变电站常见对象进行训练识别；YOLOv3算法是基于区域的卷积神经网络R-CNN的检测方法，切分图像时仅选择部分区域，再利用卷积网络，提取特征，利用SVM分类器进行目标分类。

作为本发明的进一步方案，所述步骤Step2中，目标检测算法中的改进的YOLOv3算法的选取候选区的选择性搜索改进方法包括：

输入：一张彩色图片；

输出：候选box区；

算法执行前，先初始化一个区域集合R＝{r

对于所有相邻的区域(r

如果

(6)获取S中相似度最高的一对区域：s(r

(7)合并最相似的两个区域：r

(8)从S中去掉和r

(9)计算合并后的区域及其领域的相似度集合：S＝S∪S

(10)重复上述步骤(1)-(4)直至S为空；

最后集合R中的结果就是定位的矩形区域；对于相似度的计算，使用颜色、纹理、尺寸不同度量方式的叠加和：

s(r

当检测到欲进入设备区的工作人员身份不匹配或着装不到位时，在视频中标记并报警。

作为本发明的进一步方案，所述步骤Step3中，由于设备监控区只有一个入口，每个设备有独立的设备号，系统管理员会提前对每个设备的巡检和维修任务设置好对应的工作路径，并通过路径信息筛选能够完整监控到路径且视线好的摄像机组；对机组中的各个摄像头，管理员会对其画面上路径所在的位置进行标记并存储在系统数据库中，当从工单读取到相应任务后，直接调取路径信息并检测相应摄像头画面，减少处理无关视频数据的性能花销。

作为本发明的进一步方案，所述步骤Step4包括：

Step4.1、对于一个视频序列，根据第一帧中目标出现的位置来预测第二帧，采用了自适应权重的局部跟踪器进行预测；

Step4.2、在特征提取层后，将特征图分别送进基层卷积层和M个并行的分块卷积层；对于每一个局部分块目标使用一层卷积层来计算响应输出，然后融合各个分块响应输出后与基层卷积层的响应输出叠加作为最终的响应输出；因此卷积层的权重为：

W

其中，h

其中

Step4.3、然后通过在线检测文本得到当前帧的位置中心，根据当前中心点在当前帧提取不同尺度大小的搜索块，然后将这些搜索块固定成与训练块大小相同的宽高，即对不同尺度大小的候选对象进行尺度归一化，然后将这些候选对象输入到网络中获得相应映射，得到响应图，当前帧的宽度和长度被更新为：

其中

Step4.4、对视频中的追踪对象，通过标记其在视频中出现后的脚部位置，形成行走路线轨迹，并将行走路线与原定工作路径进行匹配，当行走路线或人员当前位置偏离应在路径时，系统标记出异常人员并发出警报。

作为本发明的进一步方案，所述步骤Step5包括：当识别过程中发现工单信息与工作人员身份不对应、着装不规范或追踪过程中发现有人员路径错误、越界时，及时在监控视频中标记出人员位置并做出警报，并将本次监控视频数据、作业人员、违规原因记录在日志中，方便日后对违规记录的查询。

本发明的有益效果是：本发明大大降低了误检率和漏检率。此外，由于视频为连续画面，通过设置报警需要的连续检测到异常的帧数阈值，可以将漏检率降低至1％以下；

本发明选择缺失填充中的回归填充对变电站日常监控视频和变电站常见物体等数据集进行填充，利用回归结果中最邻近的特征值作为填充结果，从而提高了数据利用率；

本发明对视频中的追踪目标的检测准确率可达97.2％，检测延迟为76ms。实验结果标明本发明可以很好的实现对变电站内工作人员的路径追踪。

附图说明

图1为本发明中的流程图；

图2为本发明中Selective Search算法示意图；

图3为本发明中网络架构图。

具体实施方式

实施例1：如图1-3所示，一种变电站工作人员工作路径追踪方法，所述变电站工作人员工作路径追踪方法的具体步骤如下：

Step1、获取当前工单信息；

根据变电站的工作制度，每一次作业都会记录在案，通过内网直接获取当前作业的工单文档，通过字符正则处理提取当前任务信息，包括员工工号、姓名、任务种类、需巡检或检修的设备信息。

Step2、核查工作人员身份与穿戴规范；

所述步骤Step2中，使用目标检测算法，在工作人员进入变电站设备区域之前对工作人员的着装与身份进行识别，从工单处获取的需要识别的目标对象包括：工牌号、安全带、安全帽、工作服；使用经过改进的YOLOv3算法对变电站常见对象进行训练识别；YOLOv3算法是基于区域的卷积神经网络R-CNN的检测方法，切分图像时仅选择部分区域，再利用卷积网络，提取特征，利用SVM分类器进行目标分类。

为克服在卷积步骤中候选区域的生成和选取对算法性能的影响，所以本发明提出了选取候选区的选择性搜索改进方案：

如图2所示为Selective Search算法示意图，所述步骤Step2中，目标检测算法中的改进的YOLOv3算法的选取候选区的选择性搜索改进方法包括：

输入：一张彩色图片；

输出：候选box区；

算法执行前，先初始化一个区域集合R＝{r

对于所有相邻的区域(r

如果

(11)获取S中相似度最高的一对区域：s(r

(12)合并最相似的两个区域：r

(13)从s中去掉和r

(14)计算合并后的区域及其领域的相似度集合：S＝S∪S

(15)重复上述步骤(1)-(4)直至S为空；

最后集合R中的结果就是定位的矩形区域；对于相似度的计算，使用颜色、纹理、尺寸不同度量方式的叠加和：

s(r

当检测到欲进入设备区的工作人员身份不匹配或着装不到位时，在视频中标记并报警。

Step3、获取路径信息，规划作业路径；

所述步骤Step3中，由于设备监控区只有一个入口，每个设备有独立的设备号，系统管理员会提前对每个设备的巡检和维修任务设置好对应的工作路径，并通过路径信息筛选能够完整监控到路径且视线好的摄像机组；对机组中的各个摄像头，管理员会对其画面上路径所在的位置进行标记并存储在系统数据库中，当从工单读取到相应任务后，直接调取路径信息并检测相应摄像头画面，减少处理无关视频数据的性能花销。

Step4、人员追踪，路径核对；

对于多目标的追踪，是针对视频中的目标进行的实时检测，而视频流是具有空间性和时间性的，如果按照逐帧全部检测的方式进行识别追踪，会造成极大的性能消耗，所以对画面整体进行检测是不宜采取的措施。本发明选择加入对下一帧的对象位置进行预测，从而实现跟踪使检测框更加稳定、输出内容更加平滑。

作为本发明的进一步方案，所述步骤Step4包括：

Step4.1、对于一个视频序列，根据第一帧中目标出现的位置来预测第二帧，采用了自适应权重的局部跟踪器进行预测；

Step4.2、在特征提取层后，将特征图分别送进基层卷积层和M个并行的分块卷积层；对于每一个局部分块目标使用一层卷积层来计算响应输出，然后融合各个分块响应输出后与基层卷积层的响应输出叠加作为最终的响应输出；因此卷积层的权重为：

W

其中，h

其中

如图3所示，以M＝4为例，将目标分成4个局部目标，4个局部权值分别对应P{1,2,3,4}，4个局部权值系数分别对应γ{1,2,3,4}。四个局部权值乘以各自权值系数得到局部权值加和，与基础卷积层权值加和得到最终权重。

Step4.3、然后通过在线检测文本得到当前帧的位置中心，根据当前中心点在当前帧提取不同尺度大小的搜索块，然后将这些搜索块固定成与训练块大小相同的宽高，即对不同尺度大小的候选对象进行尺度归一化，然后将这些候选对象输入到网络中获得相应映射，得到响应图，当前帧的宽度和长度被更新为：

其中

Step4.4、对视频中的追踪对象，通过标记其在视频中出现后的脚部位置，形成行走路线轨迹，并将行走路线与原定工作路径进行匹配，当行走路线或人员当前位置偏离应在路径时，系统标记出异常人员并发出警报。

Step5、违规报警与日志记录。当识别过程中发现工单信息与工作人员身份不对应、着装不规范或追踪过程中发现有人员路径错误、越界时，及时在监控视频中标记出人员位置并做出警报，并将本次监控视频数据、作业人员、违规原因记录在日志中，方便日后对违规记录的查询。

对于目标检测算法的模型选择问题，本发明对原始的目标识别算法进行了改进，增加了选择性搜索，并使用变电站日常作业监控视频训练集对改进后的模型与原算法的检测率进行对比：

表1为原始算法与改进算法训练结果对比

可见，改进后的算法在原算法的基础上大大降低了误检率和漏检率。对变电站这类对安全防护要求较为严苛的高危工作环境而言，这一改进的效果是极为显著的，极大的降低了因误检和漏检而发生安全事故的概率。此外，由于视频为连续画面，通过设置报警需要的连续检测到异常的帧数阈值，可以将漏检率降低至1％以下。

对于数据集中常见的数据缺失问题，主要的解决方法有缺失填充或含缺失项的数据删除等，本文选择缺失填充中的回归填充对变电站日常监控视频和变电站常见物体等数据集进行填充，利用回归结果中最邻近的特征值作为填充结果，从而提高了数据利用率。

对于目标追踪算法，从现场拍摄了100段长约10秒的工作人员执行任务画面。本发明对视频中的追踪目标的检测准确率可达97.2％，检测延迟为76ms。实验结果标明本发明可以很好的实现对变电站内工作人员的路径追踪。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。