成为经济飞速发展，电力体制改革不断深入，“互联网”技术使电力客户的消费方式、使用习惯发生了变化，同时也大大提升了传统行业的生产能力、生产能力，随同着我国国民经济的迅猛发展，电力负荷逐年增加，电力网络的结构也日趋复杂。同时随着近2年来电力建设中的电力建设中发生的电力低事故，部分原因是由于监管不到位，电力建设人员自身对安全的不吸收，国家也加强了对电力行业安全监管的整体性，特别是电力系统的变电站和输电线路是电力系统的设施，作为整个电网运行的核心部分，建设其后续人员安全、全性和直接关系的整个电力系统的发展。随着变迁“无人值守”的进一步取消，电力系统对认知需求与日倶增加；现在变迁和直接电力线路采用的还是传统的监控方式，维维人员必须随时监控视频画面，避免泄漏故障与违反安全生产要求的图像。安全检查得通盘检索，更及时的浪费人力、物力与时间，无法充分发挥监控系统的作用。电网公司后期对电站、变网线路的安全作业由传统的人工监控向科技化、新模式发展。现需要有人员安全行为识别、智能运维、预警安防报警、渐变调节系统及方法。
问题拆分
包括前端采集单元、智能处理单元和应用流媒体平台；所述前端采集单元包括：多个摄像装置，安装在不同的监控点点；以及一个或一个以上的网络视频机，网络视频机通过监控网络与摄像装置连接；所述智能处理单元包括模型训练机、智能分析器和数据库服务器，智能分析器和数据库服务器与监控网络连接；所述的流媒体平台包括流媒体服务器和监控管理平台，该流媒体服务器和监控管理平台与监控网络连接。本发明实现了人员安全行为识别、智能运维、警觉安防报警以及认知监管。
问题解决
本发明所述的电力安全作业及运维智能监管系统，包括尖端采集单元、智能处理单元和应用流媒体平台；
[0005] 前端采集单元包括：
[0006]多个摄像头，安装在不同的监控点，用于采集监控点的视频信息；
[0007] 以及一个或一个以上的网络视频机，用于记录摄像装置采集的视频信息，该网络视频机通过监控网络与摄像装置连接；
[0008] 所述智能处理单元包括：
[0009] 模型训练机，用于构建神经神经网络，并利用样本训练神经网络；
[0010] 智能分析器，利用训练非神经网络对前端采集采集所采集的实时视频流进行识别，若识别出作业现场出现未授权的作业人员，和/或设备出现，和异常/或作业现场人员有安全不良行为，则发出报警提示和/或记录；
[0011] 数据库服务器，用于存储匹配的图像视频文件，该数据库服务器与监控网络连接；
[0012] 所述流传的流媒体平台包括：
[0013] 视频流媒体服务器，用于视频流以及前端流单元的直播，将前端采集所采集的视频信息转发给智能分析器，该流媒体服务器与监控网络连接；
[0014] 监控管理平台，用于对系统内的各设备进行监控和管理，该监控管理平台与监控网络连接。
[0015] 所述流传的流媒体平台还包括：
[0016] 监控终端，监控终端与监控网络连接，或该监控终端通过云端该监控网络。
[0017] 本发明所述的电力安全作业及运维智能调节方法，采用本发明所述的电力安全作业及运维智能系统，其方法包括：
[0018] 构建神经神经网络，利用图像训练神经网络；
[0019]利用训练好的神经网络对现场设备采集所采集的实时视频进行识别，非作业现场出现未授权的非作业人员，和/或出现异常，和/或作业人员有安全不当行为，则发出报警提示和/或记录。
[0020] 还包括：
[0021]利用火焰火焰识别算法判别图像是否为火焰，若判别为，则发出报警提示。
[0022] 所述构成神经神经网络，利用图像训练神经网络包括：
[0023] 训练采用迀移学习技术进行训练，包括样本集、样本训练和建模训练；
[0024] 样本为视频时，采用相同的时间间隔视频图像图像，将视频转化为图像进行格式，文件包括形象、图像色彩和感受度调节；
[0025]完成样例后启动模型训练流程，模型训练分为阶段开发模型训练和现场部署后移动学习训练两种模式；
[0026模型在训练过程中，在训练集上完成一个模型的训练，分别在训练上进行一次训练，验证训练，检查模型泛化；模型经多轮训练过程中再进行一次训练，进行训练筑结合现场增量数据定期进行性能调优。
[0027]所述利用训练神经网络对前端采集采集所采集的实时视频流进行识别包括：
[0028] 获取前端采集采集所采集的实时视频流，经过视频抽帧后得到单帧图像，再进行绘画、色彩和旋转处理，并以图像矩阵的形式输入神经网络；然后启动认知神经网络向前传播计算模式，输入的图像矩阵经进行图像特征描述后，由图像判别层生成预测标注框和故障种类代码的结构化数据。
[0029] 神经神经网络分为安全行为判别神经网络、设备运行状态判别神经网络和人脸识别神经网络，
[0030]利用人脸识别神经网络来识别作业现场是否出现未授权的非作业人员；
[0031] 利用设备运行状态判别神经网络来识别设备是否有异常；
[0032] 利用安全行为判别神经网络来识别作业现场人员是否有安全行为。
[0033] 构建安全行为判别神经网络，选择样本图像安全行为判别神经网络的包括：
[0034] 11、构建原始图像步骤集：对实际作业环境下工作人员的行为进行拍摄并录制视频，运动视频抽帧的方式获取包含工作人员行为的图像文件，构建原始图像数据集；
[0035] 12、构建数据集步骤12、构建数据集：原始图像数据集构建完成后，对图像进行图像标记，图像标定分为3个ROI进行，ROI为区域；其中，第1个ROI包含人体模型至小腿中心区域；2个ROI包含装置和第7个区域；ROI包括小腿中心以下第3个足部；
[0036] 图像分类下面进行分类规则：
[0037]第1个ROI的收入：①规范的长袖裤装、②短袖上衣、③穿穿穿、④长袖上衣挽袖口、⑤长裤挽裤脚、⑥未雨安全帽；
[0038] 第2个ROI的底蕴：①穿安全鞋、②穿靴和凉鞋；
[0039] 第3个ROI抽奖：①未抽烟及电话、②电话、③烟；
[0040] 训练每张图片后的ROI信息通过1个格式文件保存，图片对应1个xml文件；全部图片完成数据收集后，即构成；
[0041] 113、设计神经网络判别模型：神经网络判别模型包括输入层、思想层、判别层和判别输出层；输入层用于输入的图片；脑层层池化的形式感受，用于图像特征从低到高的提取；池化接于层层后，用于降低参数输出层和决策层判别；分别采用softmax函数进行分类判别输出值的判别；
[0042]114、模型训练：模型训练在DarkNet上实现，由DarkNet框架提供神经网络判别模型计算所需要的知识、池化等算子，以及模型训练和性能评估算法；将训练数据集按步骤预设的比例集训练与训练；训练图片数据集随机组合，每kl张图片组成1个集，像旋转、色彩调节经图和模拟调节后，逐针输入模型进行训练，训练SGD进行算法，设置初始初始学习率；采用核心训练完成后，计算模型损失函数损失值、损失函数均值、IOU值和价值率；统计并计算损失变化曲线，根据函数值计算变化情况，对学习率进行调节，具体方法为：观察损失函数曲线，当生命模型至模拟训练结束后，损失值出现震荡，则将学习，继续模型预测；当损失函数函数降低趋近于零且损失函数假设，假设对值时，模型训练假设，使用验证集的性能评估进行；
[004]3、判别模型的持续优化：判别别模型上线后，依据判别模型对视频步骤图像进行自选模型对视频输入图像的挖掘、挖掘和挖掘，形成增量图像集数据；将增量图像集数据集与图像训练数据集合并形成新的训练数据集，然后按步骤14重训练模型，实现判别模型在增量数据上的持续优化。
[0044] 构建设备运行状态判别神经网络，利用样本图像设备运行状态判别神经网络的方法包括：
[0045] 步骤21、构建原始图像集：对实际设备状态运行进行拍摄并录制视频，通过视频抽帧的方式获取包含设备状态的图片文件，构建原始图像数据集；
[0046] 22、构建数据集：原始图像数据集构建完成后，对图像步骤进行图像收集，图像标注10I，分类筛选规则为：①设备运行、②设备故障；主题后的ROI信息通过1个格式文件进行，每张图片对应1个xml文件；全部数据完成收集xml文件后，即构成训练；
[0047] 23、设计神经网络判别模型：判别模型包括输入层、判别层、池化层别输出层；输入层用于图片的输入；层层输入和感觉的形式感受，用于图像特征从低到高的提取；池化层接于层层后，用于降低参数输出层和决策层；判别选择采用tmax函数数进行分类判别值的输出；
[0048] 24、模型训练：模型训练在DarkNet上实现，由DarkNet框架提供神经网络判别模型计算所需要的知识、池化等算子，以及模型训练和性能评估算法；将训练数据集按下预设的比例训练与训练；验证图片数据集随机组合，每k2张图片组成1个呼吸，像旋转、色彩调节经图和模拟调节后，逐针输入模型进行训练，训练SGD进行算法，设置初始初始学习率；采用核心训练完成后，计算模型损失函数损失值、损失函数均值、IOU值和价值率；统计并计算损失变化曲线，根据函数值计算变化情况，对学习率进行调节，具体方法为：观察损失函数曲线，当生命模型至模拟训练结束后，损失值出现震荡，则将学习，继续模型预测；当损失函数函数降低趋于接近于零且损失函数假设，假设对值时，模型训练假设，使用验证集的性能评估进行；
[0045、别模型的持续优化：判别别模型上线后，依据判别模型对视频步骤图像的自主进行模型挖掘、挖掘、挖掘的图像集数据进行检查和挖掘，形成增量图像集；将增量图像集数据集与图像训练数据集合并形成新的训练数据集，然后按步骤重新训练模型，实现判别模型在增量数据上的持续优化。
[0050] 构建人脸识别神经网络，利用样本图像训练人脸识别神经网络的方法包括：
[0051] 步骤31、构建原始图像数据集:对人脸进行拍照，构建人脸数据集；
[0052] 步骤32、构建训练数据集:原始图像数据集构建完成后，对图像进行标注，图像标 注1个ROI，即人物的面部特征，分类标注规则为:①根据人员身份ID进行标注;标注后的ROI 信息通过1个xml格式文件进行保存，每张图片对应1个xml文件;全部图片完成标注后，即构 成训练数据集；
[0053] 步骤33、设计神经网络判别模型：判别模型包括输入层、卷积层、池化层和判别输 出层组成，输入层用于图片的输入;卷积层采取多层叠加的形式布置，用于图像特征从低到 高的提取；池化层接于卷积层后，用于降低参数规模和防止过拟合；判别输出层采用 softmax函数进行分类判别值的输出；
[0054] 步骤34、模型训练:模型训练在DarkNet上实现，由DarkNet框架提供神经网络判别 模型计算所需要的卷积、池化等算子，以及模型训练和性能评估算法;将训练数据集按预设 的比例分为训练集与验证集;训练集图片数据集随机组合，每k3张图片组成1个批次，经图 像旋转、色彩调节和亮度调节后，逐批次输入模型进行训练，训练采用SGD算法进行，设置初 始学习率;每个批次训练完成后，计算模型的损失函数值、损失函数均方差、IOU值和召回 率;统计并绘制损失函数变化曲线，根据损失函数值变化情况，对学习率进行调节，具体方 法为:观察损失函数曲线，当每个批次模型训练迭代之后，损失函数值出现震荡，则将学习 率降低，继续模型迭代；当损失函数收敛至趋近于零，且损失函数均方差低于预设阈值时， 结束模型训练迭代，使用验证集对模型的性能进行评估；
[0055] 步骤35、判别模型的持续优化:判别模型上线后，依靠判别模型对视频图像进行自 动标注，并由专业人员对图像标注的结果进行检查和筛选，形成增量图像数据集;将增量图 像数据集与图像训练数据集合并，形成新的训练数据集，然后按步骤34重新训练模型，实现 判别模型在增量数据上的持续优化。
[0056] 本发明的有益效果：
[0057] (1)监督工作人员在运维检修作业过程中对安全规范准则的遵守情况，实时的检 测并识别违反规定的行为;违规行为主要包括未佩戴安全帽、未穿工作服、穿拖鞋或凉鞋、 作业场内抽烟、作业现场火灾、检修作业接打电话等；
[0058] (2)对现场工作人员进行管理，当监测到有人员进入设定检测区域时，摄像机会检 测人脸并抓拍人脸图像，把人脸抓拍照片发送到后台进行人脸比对、检索等智能业务处理。 通过人脸识别检测，能够达到人员监管的目的；
[0059] (3)通过对重点区域、重点设备运行状态的24小时实时监测，将运维巡视人员从繁 重的巡视任务中解放出来，同时也提升了设备安全动作的可靠性；
[0060] 综上所述，本发明相对于现有纯人工视频监管模式，减少了纯人工监管过程中因 监管人员疏漏、疲劳、风险报警不及时等情况带来的作业安全风险及电力事故的发生，以更 科学的方式实现电力现代化、智能化方向提供了更有力的基础保障。
