一种在电网作业中用于辅助安全管理的装置及方法与流程

1.本发明涉及电力安全管理技术领域，尤其涉及一种在电网作业中用于辅助安全管理的装置及方法。


背景技术：

2.在配网作业实际的工作场景中，经常需要对于部分区域禁止人员进入，对于人员的误入等情况，需要实时的检测和反馈，对于现有的方案，如在危险区设置感应系统等方案，会带来额外的成本问题。
3.除此之外，大部分工作环境要求工作人员正确佩戴安全帽和正确着装工作服，但存在工作人员会因某种原因而疏忽的情况，为了提高生产安全性和规范性，需要一种有效的监控和管理方法来监督工作人员佩戴安全帽与着装工作服。
4.以危险区and着装作为检索词进行检索，获得现有技术方案，其中两篇分析如下：
5.现有的安全帽检测方案，申请公布号为cn 112149513 a，名称为基于深度学习的工业制造现场安全帽佩戴识别系统和方法，以下简称对比文件1，采用的方法是以yolov3目标识别算法为基础，得到人体头部信息，再结合颜色和形状特征对识别的人体头部信息进行安全帽识别。
6.对比文件1存在的问题：yolov3目标检测算法在运行过程中比较消耗计算资源，同时在实时性上略差。结合颜色和形状特征的安全帽识别策略对于一些不良的图像识别正确率较低，而且仅针对安全帽的佩戴检测，无法完成工作服的检测。
7.授权公告号为cn 213399889 u，名称为一种pc流水线中遇到闯入作业危险区人员的报警装置，以下简称对比文件2，红外探测报警装置能够在流水线模台行进过程中对横穿模台人员进行自动识别，进行语音警报。
8.对比文件2存在的问题：在危险区设置感应装置，会额外增加成本。
9.对于人员误入危险区域的检测，安全帽佩戴检测和工作服着装检测往往采用不同的算法，来完成这些功能。在人员误入危险区域的检测方面，一般采用在危险区设置感应系统等方案，会带来额外的成本问题。在人员是否佩戴安全帽的检测，目前的算法在实时性准确性上有一定劣势。
10.现有技术问题及思考：
11.如何解决在配网作业中安全管理成本较高、效率较低且效果较差的技术问题。


技术实现要素：

12.本发明所要解决的技术问题是提供一种在电网作业中用于辅助安全管理的装置及方法，解决在配网作业中安全管理成本较高、效率较低且效果较差的技术问题。
13.为解决上述技术问题，本发明所采取的技术方案是：一种在电网作业中用于辅助安全管理的装置包括四个程序模块，获得标注视频图像模块，用于处理器将获得的视频图像与危险区结合并获得标注视频图像；获得人员信息模块，用于处理器通过yolov5目标识
别算法对标注视频图像进行帧图像抽取，识别并获得人员图像和人员信息，人员信息包括人员的位置信息和图像信息；判断人员是否正确着装模块，用于处理器基于人员的图像信息通过二分类算法获知人员正确着装或者人员非正常着装，若人员非正常着装，处理器生成第一告警信息并对外发送，执行获得标注视频图像模块；若人员正确着装，执行判断人员是否进入危险区模块；判断人员是否进入危险区模块，用于处理器将人员的位置信息与危险区进行比对，获知人员接近危险区、人员进入危险区或者人员未进入危险区，若人员接近危险区或者人员进入危险区，处理器生成第二告警信息并对外发送，执行获得标注视频图像模块；若人员未进入危险区，执行获得标注视频图像模块。
14.进一步的技术方案在于：还包括摄像头和处理器以及获得危险区模块，所述摄像头与处理器连接并通信，获得危险区模块，用于摄像头获得现场的视频图像并发送至处理器，处理器接收到视频图像，允许操作人员根据需要通过处理器在视频图像上标注危险区并获得危险区。
15.进一步的技术方案在于：在获得危险区模块中，危险区的形状为多边形，如没有危险区，则不标注，危险区为空。
16.进一步的技术方案在于：在获得标注视频图像模块中，标注视频图像包括有标注危险区的视频图像和没有标注危险区的视频图像，有标注危险区的视频图像为含有危险区区域范围信息的视频图像；在获得人员信息模块中，yolov5目标识别算法为卷积神经网络，处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取并获得帧图像，从帧图像中提取人员图像，根据人员图像识别并获得人员信息，人员的位置信息包括人员图像的中心像素坐标数据和人员图像的边长数据，人员的图像信息是根据人员的位置信息从帧图像中截取出的矩形图像。
17.进一步的技术方案在于：在判断人员是否正确着装模块中，处理器通过二分类算法对人员的图像信息分类获得两类图像，第一类图像为人员正确着装的图像，第二类图像为人员非正常着装的图像，处理器获得第一类图像即获知人员正确着装，处理器获得第二类图像即获知人员非正常着装，人员正确着装是指人员正确佩戴安全帽且着装工作服，人员非正常着装是指人员没有佩戴安全帽或者没有着装工作服。
18.进一步的技术方案在于：在判断人员是否进入危险区模块中，处理器根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得矩形框的边缘坐标集合，将矩形框的边缘坐标集合中的所有点坐标与危险区的点坐标范围进行对比，当矩形框的边缘坐标集合中的点坐标位于危险区的点坐标范围内，获知人员进入危险区，当矩形框的边缘坐标集合中的全部点坐标均位于危险区的点坐标范围外，获知人员未进入危险区；处理器根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得中心像素坐标到矩形图像的一个角的距离，将该距离作为阈值，计算当前帧危险区的每个像素点与人员图像的中心像素坐标之间的距离，获得该距离的最小值，当该最小值有变小的趋势且小于阈值时，获知人员接近危险区。
19.一种在电网作业中用于辅助安全管理的方法，基于摄像头和处理器，所述摄像头与处理器连接并通信，包括如下步骤，s1获得危险区，摄像头获得现场的视频图像并发送至处理器，处理器接收到视频图像，允许操作人员根据需要通过处理器在视频图像上标注危险区并获得危险区；s2获得标注视频图像，处理器将获得的视频图像与危险区结合并获得
标注视频图像；s3获得人员信息，处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取，识别并获得人员图像和人员信息，人员信息包括人员的位置信息和图像信息；s4判断人员是否正确着装，处理器基于人员的图像信息通过二分类算法获知人员正确着装或者人员非正常着装，若人员非正常着装，处理器生成第一告警信息并对外发送，执行步骤s2，若人员正确着装，执行步骤s5；s5判断人员是否进入危险区，处理器将人员的位置信息与危险区进行比对，获知人员接近危险区、人员进入危险区或者人员未进入危险区，若人员接近危险区或者人员进入危险区，处理器生成第二告警信息并对外发送，执行步骤s2，若人员未进入危险区，执行步骤s2。
20.进一步的技术方案在于：在步骤s1中，危险区的形状为多边形，如没有危险区，则不标注，危险区为空；在步骤s2中，标注视频图像包括有标注危险区的视频图像和没有标注危险区的视频图像，有标注危险区的视频图像为含有危险区区域范围信息的视频图像；在步骤s3中，yolov5目标识别算法为卷积神经网络，处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取并获得帧图像，从帧图像中提取人员图像，根据人员图像识别并获得人员信息，人员的位置信息包括人员图像的中心像素坐标数据和人员图像的边长数据，人员的图像信息是根据人员的位置信息从帧图像中截取出的矩形图像；在步骤s4中，处理器通过二分类算法对人员的图像信息分类获得两类图像，第一类图像为人员正确着装的图像，第二类图像为人员非正常着装的图像，处理器获得第一类图像即获知人员正确着装，处理器获得第二类图像即获知人员非正常着装，人员正确着装是指人员正确佩戴安全帽且着装工作服，人员非正常着装是指人员没有佩戴安全帽或者没有着装工作服；在步骤s5中，处理器根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得矩形框的边缘坐标集合，将矩形框的边缘坐标集合中的所有点坐标与危险区的点坐标范围进行对比，当矩形框的边缘坐标集合中的点坐标位于危险区的点坐标范围内，获知人员进入危险区，当矩形框的边缘坐标集合中的全部点坐标均位于危险区的点坐标范围外，获知人员未进入危险区，处理器根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得中心像素坐标到矩形图像的一个角的距离，将该距离作为阈值，计算当前帧危险区的每个像素点与人员图像的中心像素坐标之间的距离，获得该距离的最小值，当该最小值有变小的趋势且小于阈值时，获知人员接近危险区。
21.一种在电网作业中用于辅助安全管理的装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述计算机程序包括获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块共四个程序模块，所述处理器执行计算机程序时实现上述相应的步骤。
22.一种在电网作业中用于辅助安全管理的装置为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块共四个程序模块，计算机程序被处理器执行时实现上述相应的步骤。
23.采用上述技术方案所产生的有益效果在于：
24.第一，一种在电网作业中用于辅助安全管理的装置包括四个程序模块，获得标注视频图像模块，用于处理器将获得的视频图像与危险区结合并获得标注视频图像；获得人员信息模块，用于处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取，识别
并获得人员图像和人员信息，人员信息包括人员的位置信息和图像信息；判断人员是否正确着装模块，用于处理器基于人员的图像信息通过二分类算法获知人员正确着装或者人员非正常着装，若人员非正常着装，处理器生成第一告警信息并对外发送，执行获得标注视频图像模块；若人员正确着装，执行判断人员是否进入危险区模块；判断人员是否进入危险区模块，用于处理器将人员的位置信息与危险区进行比对，获知人员接近危险区、人员进入危险区或者人员未进入危险区，若人员接近危险区或者人员进入危险区，处理器生成第二告警信息并对外发送，执行获得标注视频图像模块；若人员未进入危险区，执行获得标注视频图像模块。该技术方案，其通过获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块等，实现在配网作业中安全管理成本较低、效率较高且效果较好。通过上述四个程序模块的方法步骤，无需在作业区增设红外感应装置等感应器来发现人体，节约了感应器的设备成本以及相应的施工成本。改进在于增加程序模块，节约了感应器的施工时间，改进的技术方案实施效率较高。处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取，识别并获得人员图像、人员的位置信息和图像信息，基于人员的图像信息通过二分类算法获知人员正确着装或者人员非正常着装，若人员正确着装，将人员的位置信息与危险区进行比对，获知人员接近危险区、人员进入危险区或者人员未进入危险区，以便相应告警，通过上述改进的方法步骤，高效率地发现与人员相关的安全隐患。
25.第二，还包括摄像头和处理器以及获得危险区模块，所述摄像头与处理器连接并通信，获得危险区模块，用于摄像头获得现场的视频图像并发送至处理器，处理器接收到视频图像，允许操作人员根据需要通过处理器在视频图像上标注危险区并获得危险区。该技术方案，摄像头和处理器为原有设备，无需增加额外设备，降低改造成本。通过获得危险区模块，根据需要在视频图像上标注危险区，提前标注有危险区为后续监测做好准备。
26.第三，在获得危险区模块中，危险区的形状为多边形，如没有危险区，则不标注，危险区为空。该技术方案，危险区采用多边形标注，使用较方便、较灵活，进一步提高工作效率。
27.第四，在获得标注视频图像模块中，标注视频图像包括有标注危险区的视频图像和没有标注危险区的视频图像，有标注危险区的视频图像为含有危险区区域范围信息的视频图像；在获得人员信息模块中，yolov5目标识别算法为卷积神经网络，处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取并获得帧图像，从帧图像中提取人员图像，根据人员图像识别并获得人员信息，人员的位置信息包括人员图像的中心像素坐标数据和人员图像的边长数据，人员的图像信息是根据人员的位置信息从帧图像中截取出的矩形图像。该技术方案，先获得帧图像，再从帧图像中提取人员图像，根据人员图像识别并获得人员信息，该方法步骤使得整体的工作效率较高，效果较好。
28.第五，在判断人员是否正确着装模块中，处理器通过二分类算法对人员的图像信息分类获得两类图像，第一类图像为人员正确着装的图像，第二类图像为人员非正常着装的图像，处理器获得第一类图像即获知人员正确着装，处理器获得第二类图像即获知人员非正常着装，人员正确着装是指人员正确佩戴安全帽且着装工作服，人员非正常着装是指人员没有佩戴安全帽或者没有着装工作服。该技术方案，通过分类图像的方法获知着装情况，判断效率较高，效果较好。
29.第六，在判断人员是否进入危险区模块中，处理器根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得矩形框的边缘坐标集合，将矩形框的边缘坐标集合中的所有点坐标与危险区的点坐标范围进行对比，当矩形框的边缘坐标集合中的点坐标位于危险区的点坐标范围内，获知人员进入危险区，当矩形框的边缘坐标集合中的全部点坐标均位于危险区的点坐标范围外，获知人员未进入危险区；处理器根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得中心像素坐标到矩形图像的一个角的距离，将该距离作为阈值，计算当前帧危险区的每个像素点与人员图像的中心像素坐标之间的距离，获得该距离的最小值，当该最小值有变小的趋势且小于阈值时，获知人员接近危险区。该技术方案，通过比较两者坐标值来判断人员与危险区的关系，判断效率较高，效果较好。
30.第七，一种在电网作业中用于辅助安全管理的方法，基于摄像头和处理器，所述摄像头与处理器连接并通信，包括如下步骤，s1获得危险区，摄像头获得现场的视频图像并发送至处理器，处理器接收到视频图像，允许操作人员根据需要通过处理器在视频图像上标注危险区并获得危险区；s2获得标注视频图像，处理器将获得的视频图像与危险区结合并获得标注视频图像；s3获得人员信息，处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取，识别并获得人员图像和人员信息，人员信息包括人员的位置信息和图像信息；s4判断人员是否正确着装，处理器基于人员的图像信息通过二分类算法获知人员正确着装或者人员非正常着装，若人员非正常着装，处理器生成第一告警信息并对外发送，执行步骤s2，若人员正确着装，执行步骤s5；s5判断人员是否进入危险区，处理器将人员的位置信息与危险区进行比对，获知人员接近危险区、人员进入危险区或者人员未进入危险区，若人员接近危险区或者人员进入危险区，处理器生成第二告警信息并对外发送，执行步骤s2，若人员未进入危险区，执行步骤s2。该技术方案，其通过步骤s1至步骤s5等，实现在配网作业中安全管理成本较低、效率较高且效果较好。通过该方法步骤，无需在作业区增设红外感应装置等感应器来发现人体，节约了感应器的设备成本以及相应的施工成本。改进在于增加了程序的方法步骤，节约了感应器的施工时间，改进的技术方案实施效率较高。处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取，识别并获得人员图像、人员的位置信息和图像信息，基于人员的图像信息通过二分类算法获知人员正确着装或者人员非正常着装，若人员正确着装，将人员的位置信息与危险区进行比对，获知人员接近危险区、人员进入危险区或者人员未进入危险区，以便相应告警，通过上述改进的方法步骤，高效率地发现与人员相关的安全隐患。
31.第八，在步骤s1中，危险区的形状为多边形，如没有危险区，则不标注，危险区为空；在步骤s2中，标注视频图像包括有标注危险区的视频图像和没有标注危险区的视频图像，有标注危险区的视频图像为含有危险区区域范围信息的视频图像；在步骤s3中，yolov5目标识别算法为卷积神经网络，处理器通过yolov5目标识别算法对标注视频图像进行帧图像抽取并获得帧图像，从帧图像中提取人员图像，根据人员图像识别并获得人员信息，人员的位置信息包括人员图像的中心像素坐标数据和人员图像的边长数据，人员的图像信息是根据人员的位置信息从帧图像中截取出的矩形图像；在步骤s4中，处理器通过二分类算法对人员的图像信息分类获得两类图像，第一类图像为人员正确着装的图像，第二类图像为人员非正常着装的图像，处理器获得第一类图像即获知人员正确着装，处理器获得第二类图像即获知人员非正常着装，人员正确着装是指人员正确佩戴安全帽且着装工作服，人员
非正常着装是指人员没有佩戴安全帽或者没有着装工作服；在步骤s5中，处理器根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得矩形框的边缘坐标集合，将矩形框的边缘坐标集合中的所有点坐标与危险区的点坐标范围进行对比，当矩形框的边缘坐标集合中的点坐标位于危险区的点坐标范围内，获知人员进入危险区，当矩形框的边缘坐标集合中的全部点坐标均位于危险区的点坐标范围外，获知人员未进入危险区，处理器根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得中心像素坐标到矩形图像的一个角的距离，将该距离作为阈值，计算当前帧危险区的每个像素点与人员图像的中心像素坐标之间的距离，获得该距离的最小值，当该最小值有变小的趋势且小于阈值时，获知人员接近危险区。该技术方案，危险区采用多边形标注，使用较方便、较灵活，进一步提高工作效率。通过分类图像的方法获知着装情况，判断效率较高，效果较好。通过比较两者坐标值来判断人员与危险区的关系，判断效率较高，效果较好。
32.第九，一种在电网作业中用于辅助安全管理的装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述计算机程序包括获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块共四个程序模块，所述处理器执行计算机程序时实现上述相应的步骤。该技术方案，其通过获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块等，实现在配网作业中安全管理成本较低、效率较高且效果较好。
33.第十，一种在电网作业中用于辅助安全管理的装置为计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块共四个程序模块，计算机程序被处理器执行时实现上述相应的步骤。该技术方案，其通过计算机可读存储介质上的获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块等，实现在配网作业中安全管理成本较低、效率较高且效果较好。
34.详见具体实施方式部分描述。
附图说明
35.图1是本发明实施例1的原理框图；
36.图2是本发明实施例2的流程图；
37.图3是本发明实施例3的原理框图；
38.图4是本发明实施例4的原理框图。
具体实施方式
39.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术及其应用或使用的任何限制。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
40.在下面的描述中阐述了很多具体细节以便于充分理解本技术，但是本技术还可以
采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施例的限制。
41.实施例1：
42.如图1所示，本发明公开了一种在电网作业中用于辅助安全管理的装置包括摄像头和计算机以及获得危险区模块、获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块共五个程序模块，所述摄像头与计算机连接并通信。
43.获得危险区模块，用于摄像头获得现场的视频图像并发送至计算机，计算机接收到视频图像，允许操作人员根据需要通过计算机在视频图像上标注危险区并获得危险区。
44.在获得危险区模块中，危险区的形状为多边形。
45.在获得危险区模块中，如没有危险区，则不标注，危险区为空。
46.获得标注视频图像模块，用于计算机将获得的视频图像与危险区结合并获得标注视频图像。
47.在获得标注视频图像模块中，标注视频图像包括有标注危险区的视频图像和没有标注危险区的视频图像。
48.在获得标注视频图像模块中，有标注危险区的视频图像为含有危险区区域范围信息的视频图像。
49.获得人员信息模块，用于计算机通过yolov5目标识别算法对标注视频图像进行帧图像抽取，识别并获得人员信息。
50.在获得人员信息模块中，yolov5目标识别算法为卷积神经网络，计算机通过yolov5目标识别算法对标注视频图像进行帧图像抽取并获得帧图像，从帧图像中提取人员图像，根据人员图像识别并获得人员信息，人员信息包括人员的位置信息和图像信息。
51.在获得人员信息模块中，人员的位置信息包括人员图像的中心像素坐标数据和人员图像的边长数据。
52.在获得人员信息模块中，人员的图像信息是根据人员的位置信息从帧图像中截取出的矩形图像。
53.判断人员是否正确着装模块，用于计算机基于人员的图像信息通过二分类算法获知人员正确着装或者人员非正常着装，若人员非正常着装，计算机生成第一告警信息并对外发送，执行获得标注视频图像模块；若人员正确着装，执行判断人员是否进入危险区模块。
54.在判断人员是否正确着装模块中，计算机通过二分类算法对人员的图像信息分类获得两类图像，第一类图像为人员正确着装的图像，第二类图像为人员非正常着装的图像，计算机获得第一类图像即获知人员正确着装，计算机获得第二类图像即获知人员非正常着装。
55.在判断人员是否正确着装模块中，人员正确着装是指人员正确佩戴安全帽且着装工作服。
56.在判断人员是否正确着装模块中，人员非正常着装是指人员没有佩戴安全帽或者没有着装工作服。
57.判断人员是否进入危险区模块，用于计算机将人员的位置信息与危险区进行比
对，获知人员接近危险区、人员进入危险区或者人员未进入危险区，若人员接近危险区或者人员进入危险区，计算机生成第二告警信息并对外发送，执行获得标注视频图像模块；若人员未进入危险区，执行获得标注视频图像模块。
58.在判断人员是否进入危险区模块中，计算机根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得矩形框的边缘坐标集合，将矩形框的边缘坐标集合中的所有点坐标与危险区的点坐标范围进行对比，当矩形框的边缘坐标集合中的点坐标位于危险区的点坐标范围内，获知人员进入危险区，当矩形框的边缘坐标集合中的全部点坐标均位于危险区的点坐标范围外，获知人员未进入危险区。
59.在判断人员是否进入危险区模块中，计算机根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得中心像素坐标到矩形图像的一个角的距离，将该距离作为阈值，计算当前帧危险区的每个像素点与人员图像的中心像素坐标之间的距离，获得该距离的最小值，当该最小值有变小的趋势且小于阈值时，获知人员接近危险区。
60.其中，摄像头和计算机本身以及相应的通信连接技术为现有技术在此不再赘述。
61.实施例2：
62.如图2所示，本发明公开了一种在电网作业中用于辅助安全管理的方法，基于实施例1的装置，包括如下步骤：
63.s1获得危险区：
64.摄像头获得现场的视频图像并发送至计算机，计算机接收到视频图像，允许操作人员根据需要通过计算机在视频图像上标注危险区并获得危险区。
65.危险区的形状为多边形。
66.步骤s1中，如没有危险区，则不标注，危险区为空。
67.s2获得标注视频图像：
68.计算机将获得的视频图像与危险区结合并获得标注视频图像。
69.标注视频图像包括有标注危险区的视频图像和没有标注危险区的视频图像。
70.有标注危险区的视频图像为含有危险区区域范围信息的视频图像。
71.s3获得人员信息：
72.计算机通过yolov5目标识别算法对标注视频图像进行帧图像抽取，识别并获得人员信息。
73.yolov5目标识别算法为卷积神经网络，计算机通过yolov5目标识别算法对标注视频图像进行帧图像抽取并获得帧图像，从帧图像中提取人员图像，根据人员图像识别并获得人员信息，人员信息包括人员的位置信息和图像信息。
74.人员的位置信息包括人员图像的中心像素坐标数据和人员图像的边长数据。
75.人员的图像信息是根据人员的位置信息从帧图像中截取出的矩形图像。
76.s4判断人员是否正确着装：
77.计算机基于人员的图像信息通过二分类算法获知人员正确着装或者人员非正常着装，若人员非正常着装，计算机生成第一告警信息并对外发送，执行步骤s2；若人员正确着装，执行步骤s5。
78.计算机通过二分类算法对人员的图像信息分类获得两类图像，第一类图像为人员正确着装的图像，第二类图像为人员非正常着装的图像，计算机获得第一类图像即获知人
员正确着装，计算机获得第二类图像即获知人员非正常着装。
79.人员正确着装是指人员正确佩戴安全帽且着装工作服。
80.人员非正常着装是指人员没有佩戴安全帽或者没有着装工作服。
81.s5判断人员是否进入危险区：
82.计算机将人员的位置信息与危险区进行比对，获知人员接近危险区、人员进入危险区或者人员未进入危险区，若人员接近危险区或者人员进入危险区，计算机生成第二告警信息并对外发送，执行步骤s2；若人员未进入危险区，执行步骤s2。
83.计算机根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得矩形框的边缘坐标集合，将矩形框的边缘坐标集合中的所有点坐标与危险区的点坐标范围进行对比，当矩形框的边缘坐标集合中的点坐标位于危险区的点坐标范围内，获知人员进入危险区，当矩形框的边缘坐标集合中的全部点坐标均位于危险区的点坐标范围外，获知人员未进入危险区。
84.计算机根据人员图像的中心像素坐标数据和人员图像的边长数据计算并获得中心像素坐标到矩形图像的一个角的距离，将该距离作为阈值，计算当前帧危险区的每个像素点与人员图像的中心像素坐标之间的距离，获得该距离的最小值，当该最小值有变小的趋势且小于阈值时，获知人员接近危险区。
85.实施例3：
86.如图3所示，本发明公开了一种在电网作业中用于辅助安全管理的装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现实施例2的步骤。
87.实施例4：
88.如图4所示，本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现实施例2中的步骤。
89.本技术的构思：
90.对于人员误入危险区域的检测，安全帽佩戴检测和工作服着装检测往往采用不同的算法，来完成这些功能。在人员误入危险区域的检测方面，一般采用在危险区设置感应系统等方案，会带来额外的成本问题。在人员是否佩戴安全帽的检测，目前的算法在实时性准确性上有一定劣势。目前还没有能够完成这三种检测的方法或系统。
91.人员进入危险区域检测问题和着装检测问题属于两方面相互独立的问题，现有技术没有意识到将两方面技术问题综合考虑并统一解决。
92.本发明将这三种有实际需要的检测功能集成到同一系统中，在不增加新设备的基础上完成了人员进入危险区域检测和人员着装检测。
93.技术贡献：
94.yolov5目标识别算法在识别到目标后会同时获取目标的位置信息和图像信息，而一般的系统中仅仅用了一类信息，如专利名称为基于深度学习的工业制造现场安全帽佩戴识别系统和方法，仅用到了图像信息。这样既不能充分利用yolov5目标识别算法，也限制了系统的功能。因此本发明的系统将这两类信息都充分利用，再结合二分类算法和距离判断算法同时完成了人员着装检测和危险区域误入检测。
95.同时采用yolov5目标识别算法，提高了系统的实时性，降低了对计算资源的需求。
再利用神经网络的优势，采用二分类算法，能够克服不良图像带来的准确度降低的问题，从而整体提高对着装检测效果。
96.技术方案说明：
97.高清摄像机录制现场视频图像并上传至系统所在计算机，然后视频图像输入到系统。
98.系统操作人员标注危险区，由系统使用人员在系统提供的操作页面使用多边形标注出视频图像抽取的帧图像中的危险区。危险区指根据实际管理需求，需要人员禁止进入的区域，没有危险区域则不标注。标注后，被标注的帧图像来源的视频图像带有危险区域的范围信息，具体形式为多边形内所有像素点坐标的集合。
99.对带有范围信息和不带有范围信息的视频图像都进行帧图像抽取。yolov5目标识别算法识别帧图像，识别目标为人员。识别到人员后，yolov5目标识别算法获取人员信息，人员信息包括位置信息和图像信息。位置信息是指人员的中心像素坐标数据和人员图像的边长数据。图像信息是根据位置信息，在帧图像中截取出的矩形图像。该矩形图像中心像素坐标数据和图像的边长数据即为位置信息。
100.二分类算法判断人员是否正确着装，二分类算法能够按照设定完成对图像的分类。这里将两类分类设定为：第一类正确佩戴安全帽且着装工作服的人员图像和第二类其它人员图像；设定完成的二分类算法对人员图像信息进行判断和分类，当有人员图像属于第二类时，即认为有人员未正确着装，系统发出第一警告信息。当人员图像属于第一类时，判断帧图像是否抽取自带有危险区域范围信息的视频图像，如果不是则结束。如果是则继续。
101.距离判断算法判断人员是否误入危险区域，首先判断帧图像是否抽取自带有危险区域范围信息的视频图像，如果不是则结束。如果是则执行距离判断算法判断人员是否误入危险区域。距离判断算法是指：
102.a、人员位置信息的像素中点坐标数据和边长数据计算出矩形框的边缘坐标集合。
103.b、对矩形框边缘坐标集合和范围信息中的像素点坐标集合进行遍历对比，判断是否有重合。重合表明有人员误入危险区域，发出第二警告信息。
104.同时还可以根据人员位置信息中的中心像素坐标数据，图像边长数据，计算出中心像素坐标到矩形图像的一个角的距离，将这个距离作为阈值。计算当前帧危险区域范围信息中每个像素点和人员位置信息中的中心像素坐标之间的距离，并找出最小值，当这最小值有变小的趋势时且小于阈值时，说明人员有向危险区域靠近的趋势，发出第二警告信息。
105.本技术保密运行一段时间后，现场技术人员反馈的有益之处在于：
106.装置包括获得标注视频图像模块、获得人员信息模块、判断人员是否正确着装模块和判断人员是否进入危险区模块共四个程序模块，方法包括s1获得危险区、s2获得标注视频图像、s3获得人员信息、s4判断人员是否正确着装和s5判断人员是否进入危险区；其通过上述程序模块或者相应的方法步骤，节约了感应器的设备成本以及相应的施工成本和施工时间，改进的技术方案实施效率较高，高效率地发现与人员相关的安全隐患，实现在配网作业中安全管理成本较低、效率较高且效果较好。
107.系统融合了yolov5目标识别算法，二分类算法和本发明提出的距离判断算法，能
够同时完成人员误入危险区域的检测和人员正确着装的检测。单独的yolov5目标检测算法可以完成对安全帽的检测，但是无法完成对危险区误入的检测。而单独具有危险区域检测功能的系统无法完成对安全帽和工作服正确着装的检测。因此本系统以yolov5目标检测算法为基础，结合二分类算法完成着装检测，再结合距离判断算法完成危险区域误入检测，通过对这些算法的融合，系统能够同时完成对人员误入危险区域的检测和人员正确着装的检测。
108.同时相较于其它安全帽检测算法采用的策略，本发明采用的yolov5目标检测算法获取人员信息，二分类网络判断人员正确着装工作服的方法能够克服不良图像带来的正确率降低的问题，也能够同时判断安全帽和工作服是否正确着装。
109.目前，本发明的技术方案已经进行了中试，即产品在大规模量产前的较小规模试验；中试完成后，在小范围内开展了用户使用调研，调研结果表明用户满意度较高；现在已开始着手准备产品正式投产进行产业化(包括知识产权风险预警调研)。