其他
【精彩论文】基于机器学习和图像识别的电力作业现场安全监督方法
观点凝练
摘要: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。
结论:本文针对电力作业现场安全监督问题,为了实现作业人员闯入危险警戒区域图像实时识别,提出了一种首先采用HOG+SVM进行人员检测,然后利用基于OpenCV图像处理技术检测人员是否闯入警戒区域的方法。文章阐述了HOG特征提取的具体步骤,SVM分类器工作流程以及人员闯入的检测算法。本文方法只提取HOG作为描述特征,计算复杂度低,满足安全监督实时性和警告即时性的要求。实验结果表明,方法的检测准确率达到了92%。当人员存在部分遮挡时,检测效果会不理想。虽然目标存在姿态的变化,但是人员与固定物件之间的相对位置会存在一定关系,故可以尝试将相对位置信息提取作为特征,并参照语义模型的描述方式来对检测器进行改善。
引文信息
常政威, 彭倩, 陈缨. 基于机器学习和图像识别的电力作业现场安全监督方法[J]. 中国电力, 2020, 53(4): 155-160.CHANG Zhengwei, PENG Qian, CHEN Ying. Safety supervision method for power operation site based on machine learning and image recognition[J]. Electric Power, 2020, 53(4): 155-160.往期回顾
◀【精彩论文】考虑用户满意度的电动汽车时空双尺度有序充电引导策略
◀【征稿启事】“面向‘双高’电力系统的电、热、氢储能应用与协同”专题征稿启事
◀【征稿启事】“低碳转型背景下的电力系统恢复控制新技术”专题
◀【征稿启事】“面向数字化转型的电力系统大数据分析技术”专题征稿启事
◀【征稿启事】“交通-能源耦合互联复杂网络理论与技术”专栏征稿启事
审核:方彤
根据国家版权局最新规定,纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品,转载时要包含本微信号名称、二维码等关键信息,在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。