基于高精度机器视觉的电力违规作业动作监控识别算法设计_贺洲强.pdf
《基于高精度机器视觉的电力违规作业动作监控识别算法设计_贺洲强.pdf》由会员分享,可在线阅读,更多相关《基于高精度机器视觉的电力违规作业动作监控识别算法设计_贺洲强.pdf(5页珍藏版)》请在咨信网上搜索。
1、电子设计工程Electronic Design Engineering第31卷Vol.31第15期No.152023年8月Aug.2023收稿日期:2021-12-21稿件编号:202112134基金项目:国网甘肃省电力公司安全劳动技术保护科技兴安工程项目(SGGS2021431)作者简介:贺洲强(1981),男,甘肃武山人,硕士,高级工程师。研究方向:安全监督、生产技术管理、应急管理。随着人工智能技术的不断进步,对电力作业人员违规动作监控也提出了更严格的要求。但由于监管部门的责任缺失,违规动作易引发安全事故的发基于高精度机器视觉的电力违规作业动作监控识别算法设计贺洲强1,夏 天1,陈 亮2,
2、杨 康2,胡进栋2(1.国网甘肃省电力公司,甘肃 兰州 730030;2.国网甘肃省电力公司 兰州供电公司,甘肃 兰州 730070)摘要:随着神经网络与深度学习算法研究的不断深入,对电力作业人员的违规动作监控与识别也有了更高要求。为提升电力生产的安全系数,开展了基于高精度机器视觉的电力违规作业动作监控识别算法设计研究。该算法采用主流的CNN模型对电力违规作业进行监控和数据处理,通过交叉混合操作完成特征提取,并利用 Logistic分类器与随机森林分类器对违规作业动作进行目标识别。同时基于间隔帧间差分法检测两帧图像间的差异,对目标图像进行二值化处理,且通过坐标的变化判断目标位置的偏移,增加了算
3、法的鲁棒性。算例分析结果表明,所述方法的识别准确率更高、运行效率更快,具有良好的工程应用价值。关键词:机器视觉;违规作业;监控识别;特征提取中图分类号:TN-9文献标识码:A文章编号:1674-6236(2023)15-0145-05DOI:10.14022/j.issn1674-6236.2023.15.030Design of monitoring and recognition algorithm for power violation operation basedon highprecision machine visionHE Zhouqiang1,XIA Tian1,CHEN L
4、iang2,YANG Kang2,HU Jindong2(1.State Grid Gansu Electric Power Company,Lanzhou 730030,China;2.Lanzhou Power SupplyCompany,State Grid Gansu Electric Power Company,Lanzhou 730070,China)Abstract:With the deepening of the research on neural network and deep learning algorithm,there arehigher requirement
5、s for the monitoring and identification of illegal actions of power operators.In order toimprove the safety factor of power production,the design and research of action monitoring andrecognition algorithm of power illegal operation based on highprecision machine vision is carried out.The algorithm u
6、ses the mainstream CNN model to monitor and process the data of power illegaloperation,extracts the features through cross hybrid operation,and uses Logistic classifier and randomforest classifier to recognize the target of illegal operation.The difference between two frames is detectedbased on the
7、inter frame difference method,and the target image is binarized.The offset of the targetposition is judged through the change of coordinates,so as to increase the robustness of the algorithm.The example analysis results show that the method described in this paper has higher recognitionaccuracy,fast
8、er operation efficiency and good engineering application value.Keywords:machine vision;violation operation;monitoring and recognition;feature extraction-145电子设计工程 2023年第15期生1-3。为提高电力施工的安全系数,采用智能化技术对施工现场进行监控识别成为当前的主流4。移动巡检机器人搭载高清摄像头获取电力施工现场的实时数据,并基于高精度机器视觉技术形成智能分析算法。当发现有电力作业人员出现违规动作时,即可在控制中台实时反映5-7。近
9、年来,机器视觉与深度学习算法被研究者广泛关注,卷积神经网络在目标识别中也取得了突破性进展,增加了算法的应用场景8-10。文献11利用神经网络在目标数据集上进行测试与识别,取得了高达90%的识别率,为深度学习的进一步推广奠定了良好的基础。文献12采用双流网络结构,通过从 CNN(Convolutional NeuralNetwork)中提取有效信息并优化视频的参数与特征,进而获得了包含 4种数据流的网络模型,且取得了良好的效果12。国内学者利用前端管理系统对电力作业现场进行了智能巡查,通过海量数据的对比分析,可有效降低电力作业的安全风险13。但在实际应用中,由于作业人员的轨迹动态变化以及周围环境
10、错综复杂,在监控识别方面存在精度较低、误差较大的问题。因此,该文开展了基于高精度机器视觉的电力违规作业动作监控识别算法设计研究。1高精度机器视觉算法1.1改进FP-FRCNN模型为解决数据规模较小、特征提取困难的问题,建立了改进FP-FRCNN模型。该模型主要由金字塔结构组成,包括主干网络与压缩激励网络,通过对信息层的不断压缩来实现单元网络的信息压缩操作,使神经元之间形成相互依赖的联系14。为降低设置参数对过程带来的影响,故而减少通道因子,并对数据进行重新校准。建立特征网络的基本结构如图 1所示,图中对每个 SE-Dense Net网络均进行了卷积操作与采样分析,从而形成网络结构。图1金字塔网
11、络结构1.2池化层调整为了使 RPN(Region Proposal Network)模块与预测层相连接,需先将各个模块相连,进而建立改进的FP-FRCNN 模型,整体结构如图 2 所示。通过池化与卷积操作形成特征融合层,并通过预测层连接到RolAlign层,进而建立模型的整体结构。图2改进FP-FRCNN模型的整体结构1.3特征提取该文通过交叉混合操作提取图像的目标特征,基本思路是将若干个独立并行的卷积神经网络进行混合操作,并对全连接层进行拆分与混合连接,以得到图像特征。为了提取反映不同违规操作的典型特征,需对每组 CNN特征进行交叉处理。若特征向量过多将会造成图像特征的叠加与冗余,不利于分
12、类处理,所以需要对全连接层进行扩充。CNN 模型的运行速度由收敛速度决定,而收敛速度的快慢取决于神经元数量。但神经元的数量同卷积与步长相关性较大,因此为保证特征提取的一致性,需增加样本特征的鲁棒性。此过程具体操作为:对输入神经网络的图像信息进行变换,并将该信息进行归一化处理,经HSV变换后提取图像的V通道分量15-16。在进行图像训练时,通过多次卷积操作获取图像特征。并根据反向传播机制向前传播,再基于链式求导法则获取权值,其步骤如下:1)样本数据设置。对输入神经网络的样本数据进行归一化设置,调整图像的长与宽,并以相同比例变换原始数据,得到的数据库即为CNN的输入集。2)设置模型的基本参数。对于
13、两个结构相似的CNN模型,需设置卷积核大小、池化步长、特征图大小与特征图个数等基本参数。3)应用 FP算法。假设XL为输入,wL、gL分别为权值矩阵和激活函数,则算法的输出z可表示为:z=gL(XL;wL)(1)-146在网络层中,损失函数可表示为:l(xi,yi)=-1ni=1n(yi-lnz)+k=1Lj=1kwj2(2)式中,为正则化系数,n为样本数据集中的样本数量,xi为数据输入值。4)应用BP神经网络算法。假设目标函数为:O=argmin1ni=1nl(gL(xi;wL),yi)(3)在求取目标函数的最优解过程中,不断迭代上述模型,以达到最优收敛值。在统计最大池化层的误差时,需计算卷
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 高精度 机器 视觉 电力 违规 作业 动作 监控 识别 算法 设计 贺洲强
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。