首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于人和绝缘垫检测的违规行为识别方法

基于人和绝缘垫检测的违规行为识别方法

2025-07-20 57 上传者：管理员

摘要：为了保护在高低压电柜前工作人员的生命安全，一般会在重点区域铺设绝缘垫。当工作人员挪走绝缘垫或者在没有铺设绝缘垫的危险区域前操作时容易发生触电事故。为了更好地对工作人员的违规操作行为进行识别与报警，针对此类问题，提出了一种针对人和绝缘垫的违规行为识别方法。该方法首先利用CBAM注意力机制对YOLO-FastestV2目标检测算法进行改进，提高了对人和绝缘垫的检测精度；其次将检测结果输入到DeepSort多目标跟踪算法，得到人和绝缘垫目标的全部身份与位置信息；接着依次对工作人员一段时间内的位置信息进行连续比较，识别其是否在工作；然后判断工作人员脚下是否有绝缘垫，若工作人员脚下没有绝缘垫，则可以判定有违规行为发生并进行报警提示。该方法为电力作业场景下的安全监管提供了自动化解决方案，具有实际应用价值与事故预防潜力。

关键词：
CBAM
YOLO-FastestV2
多目标跟踪
目标检测
行为识别
加入收藏

随着深度学习技术的蓬勃发展与广泛应用,传统电力系统经历了前所未有的飞跃式进步,然而,这一进程也带来了诸多亟待解决且极具挑战的新问题[1]｡其中,如何识别工作人员在高低压电柜前的违规操作行为,成为了一个急需解决的问题｡违规操作属于异常行为,根据异常行为的定义与特征,在数据和技术领域可将异常行为识别方法划分为人工设计法､人体骨架法､可穿戴传感器法与可见光图像法四种类别[2]｡

早期基于视觉的人员异常行为识别方法主要通过科研人员对视频中的行为特征进行人工设计来表示人员的外观与动作,包括梯度直方图､轮廓特征与光流特征等[3]｡因实际监控场景､人员肢体动作复杂,所以人工设计的低级特征不能稳定､全面地获取人员的行为特征｡

人体骨架法是对视频中人员的骨骼点进行提取,通过骨骼点之间的关联关系识别人员的动作,该方法可避免不同人员之间性别与穿着的干扰,直接从提取的骨骼点关系中识别不同行为,但该方法在人员被遮挡或完成转身等动作时,不能完整､真实地提取到人员的骨骼点信息[4]

可穿戴传感器可以从传感器采集的海量数据中分析出人员的行为特征并加以识别,该方法不受天气､环境等外部条件的限制,常用于跌倒､步行等常见行为的识别[5]｡

伴随着深度学习的快速发展,研究人员可以从繁重的人工设计特征工作中解脱出来,可见光图像法需先进行人工标注,再将标注后的数据输入到深度卷积网络中进行特征提取｡通过网络的自动学习与微调得到从视频数据中提取的高维特征,从而提高了工作效率与识别准确率[6]｡随着智能网络摄像机在监控领域的普遍使用,基于视觉的人员异常行为识别方法成为解决重点区域安全规范与监控问题的关键环节｡为了保障工作人员的生命安全,可通过架设相机对重点区域进行实时监控,同时利用行为识别算法对可见光图像中工作人员的行为进行判断｡

本文针对监控画面图像,利用检测和跟踪的方法对工作人员的违规行为进行识别｡其中,使用实时推理性能高､CPU利用率低的YOLO-FastestV2算法[7]获得目标的位置信息,使用DeepSort[8]多目标跟踪算法得到目标的身份信息｡通过对工作人员一段时间内的位置信息与脚下绝缘垫信息进行分析,若识别出有违规行为发生则进行报警提示｡

1、改进的目标检测算法

1.1YOLO-FastestV2-CBAM目标检测算法

本文针对YOLO-FastestV2目标检测算法,利用SE[9]､CA[10]､ECA[11]､CBAM[12]等多种注意力机制进行改进实验,以提升算法对人与绝缘垫的检测精度｡在原有网络架构的基础上,改进了骨干网络(Backbone)部分,在其最后一层引入了多重注意力机制进行实验｡

本实验共采集了4482张图片,其中训练集3585张,验证集897张,人员标签19673个,绝缘垫标签4831个｡训练服务器系统选用Ubuntu18.04,显卡为英伟达RTX3090,CPU为Intel®Xeon®CPUE5-2678v3@2.50GHz,内存为251GB｡

图1为将CBAM注意力机制添加到YOLO-FastestV2目标检测算法骨干网络(Backbone)最后一层的网络结构框架｡

图1YOLO-FastestV2-CBAM网络结构框架

1.2改进骨干网络效果对比分析

表1为YOLO-FastestV2初始目标检测算法以及添加了SE､CA､ECA､CBAM等九种注意力机制的改进效果对比｡其中mAP与Precision分别代表人与绝缘垫的平均检测精度与平均精确率｡由表1可知,YOLO-FastestV2+CBAM算法的mAP值位居第一,达到了58.6135%;同时,其Precision值也是第一,为61.4426%｡

由表2可知,YOLO-FastestV2初始目标检测算法以及其他九种改进算法的图像输入尺寸均为352×352Pixel,其中YOLO-FastestV2+ECA､+NAM､+SimAM三种算法的模型大小没有增加,YOLO-FastestV2+SE､+CA､+CBAM三种算法的模型大小相较初始算法增加了0.1MB｡

综上所述,综合考量mAP值､Precision值､输入图像尺寸以及模型大小,YOLO-FastestV2+CBAM算法在模型大小略有增加的前提下,展现出了最佳的平均检测精度和平均精确率｡因此,本文选择YOLO-FastestV2+CBAM作为人与绝缘垫的检测算法｡

表1不同注意力机制的改进效果对比

表2不同注意力机制的模型参数对比

2、提出的方法

对在高低压电柜附近进行操作的工作人员进行违规操作行为识别,可以很好地保护工作人员的人身安全｡工作人员在高低压电柜附近操作时,由于肢体被遮挡且行为多样,当前的人体行为识别技术难以有效识别此类复杂场景下的违规行为｡

针对以上问题,本文利用流水线(Pipeline)技术设计思想,对经过检测后输出的工作人员的位置信息进行状态跟踪,通过一段时间内位置信息的变化情况与工作人员脚下的绝缘垫信息来综合判断违规操作行为是否发生｡本方法的违规操作行为识别流程如图2所示｡

图2违规操作行为识别流程

由图2可知,本方法包含两个模块:目标信息提取模块与违规行为识别模块｡在目标信息提取模块中利用YOLOFastestV2-CBAM目标检测算法+DeepSort多目标跟踪算法对输入的可见光视频进行目标信息提取,可以得到提取结果Res:人的检测框Rp_i,绝缘垫的检测框Rm_i,人的编号IDp_i,绝缘垫的编号IDm_i(i=1,2,...,N)｡

在违规行为识别模块中,若提取结果Res仅含绝缘垫检测框Rm_i,则无需报警,直接进入下一步判断;接下来对监控画面中是否设定需要监控的区域Area_i(i=1,2,...,N)进行判断,若没有设定Area_i则代表不需要报警,若设定有Area_i,那么说明有需要监控的区域,需要进行第三步判断;依次遍历人的检测框Rp_i,为了更准确地判断人与监控区域和绝缘垫的相对位置关系,以Rp_i下边框的中心点Pc_i(xi,yi)(i=1,2,...,N)代表人的位置,判断Pc_i是否在某个Area_i中,若Pc_i不在所有的Area_i中,那么说明该工作人员不在监控区域内,没有危险不需要报警,否则说明该工作人员在某个监控区域内,那么需要进行第四步判断;若某工作人员在时间T内,连续两帧图像移动距离D小于阈值K(25.84Pixel),则判定其在监控区域内停留作业,即视为工作中,那么需要进行第五步判断;依次遍历判断Pc_i是否在某个绝缘垫检测框Rm_i中,若在某个绝缘垫检测框Rm_i中,那么说明该工作人员脚下有绝缘垫,则无需报警,否则属于违规操作,立即报警提醒｡

综上所述,通过目标信息提取与违规行为识别两大模块的综合分析,能有效识别违规操作｡该方法依据工作人员一段时间内位置信息的变化,不仅避免了肢体动作识别带来的影响,还克服了人员遮挡导致的行为识别难题｡

3、违规行为识别实验与结果分析

3.1阈值K的选取

在判断工作人员是否处于工作状态的情况时,需要判断一段时间T内,连续两帧图像中该工作人员的移动距离D是否小于设定的阈值K,来识别工作人员是否在监控区域内进行工作｡由于目标检测算法输出的目标检测框具有随机性,这会导致每一帧同一目标的检测框位置存在细微抖动,导致即使工作人员在一个地方一直不动,连续两帧图像中检测框的位置都会不一样｡因此,阈值K的选取需要考虑目标检测算法自身的影响｡为了抵消掉这一影响,需要进行实验验证｡

针对同一场景,找五名人员静止站立,输出1min内连续两帧图像中检测框中心点之间移动的像素距离,将五名人员1min内抖动距离最大值的平均值作为阈值K的取值｡当阈值K取值为25.84Pixel时可以抵消目标检测算法自身造成的检测框抖动,见表3｡

表3阈值K的取值实验数据

3.2实际测试效果

实验共进行20次,其中违规操作10次｡具体测试指标见表4｡本文提出的行为识别方法准确率为95.00%,精确率为90.91%｡其中TP代表将正常操作识别为正常操作､FP代表将违规操作识别为正常操作､FN代表将正常操作识别为违规操作､TN代表将违规操作识别为违规操作｡根据定义可得如下公式:

表4实际测试指标

如图3所示,图中下方的工作人员在工作一段时间后,经判断脚下没有绝缘垫,因此识别出违规操作行为并进行报警提示(图3(a)为灰框,图3(b)为黑框)｡

图3违规行为识别效果

4、结语

本文设计的基于检测人和绝缘垫违规行为的识别方法,对经过检测后输出的工作人员位置信息进行状态跟踪,通过一段时间内位置信息的变化情况来等效判断违规操作行为是否发生｡本方法利用流水线技术设计思想,能够实时对工作人员的违规行为进行识别,保障工作人员的生命安全｡

参考文献:

[1]李刚,方鸿,刘云鹏,等.新型电力系统中的大模型驱动技术:现状､机遇与挑战[J].高电压技术,2024,50(7):2864-2878.

[2]赵荣泳,韦炳宇,朱文杰,等.公共场所行人异常行为识别方法综述[J].中国安全科学学报,2024,34(2):83-93.