配网工程现场人员安全行为检测方法、系统、设备和介质与流程

1.本发明属于电力系统领域，具体涉及配网工程现场人员安全行为检测方法、系统、设备和介质。


背景技术：

2.随着安全生产意识的深入强化，安全生产防控工作现已进入攻坚克难阶段。从统计数据来看，电力行业的人身伤亡事故近年来呈现出稳中有增的现象。其中，35kv及以下配电网施工作业死亡人数约占总死亡人数的20％。同时，在安全生产领域已经取得一批批实用创新的科技成果，其成果基本覆盖电力生产各个领域。因此，需要从稳定、实用出发，兼顾配网作业现场的实际安全需求和作业人员的最大负重要求，研究一种配网工程现场人员作业安全行为检测方法，为工程人员提供不同场景下的安全监测。
3.但目前的安全检测技术，存在着实时监管难度大，对安全管控识别的针对性差等问题。因此需要提出一种更为高效准确的安全行为检测技术。


技术实现要素：

4.为克服上述现有技术的不足，本发明提出配网工程现场人员安全行为检测方法，包括：
5.获取配网工程现场人员作业待检测图片；
6.基于安全管控模型，采用双通道对角滑窗检测方法对所述待检测图片进行检测，得到现场人员作业安全行为类型；
7.所述安全管控模型，是基于配网工程现场人员作业的安全管控合规的以及安全管控缺陷的历史图片训练的。
8.优选的，所述基于安全管控模型，采用双通道对角滑窗检测方法对所述待检测图片进行检测，得到现场人员作业安全行为类型，包括：
9.各通道基于设定的初始窗口从待检测图片的一角开始向对角进行滑动检测，并判断各通道窗口是否检测到人体轮廓特征；
10.当各通道均判断为否，退出；当有通道判断为是，则判断为是的通道以本通道上包含人体轮廓特征的位置为起点，按设定比例扩大窗口进行滑动检测，直到得到设定最大窗口图像，并基于最大窗口图像，利用安全管控模型得到现场人员作业安全行为类型。
11.优选的，所述现场人员作业安全行为类型是基于配网工程现场人员作业安全行为标准定义的多级安全行为类型，包括一级安全行为类型和各一级安全行为类型下的二级安全行为类型。
12.优选的，所述基于最大窗口图像，利用安全管控模型得到现场人员作业安全行为类型，包括：
13.对最大窗口图像进行特征提取，得到最大窗口图像特征，并将所述最大窗口图像特征输入到安全管控模型中的多分类器中，得到窗口图像特征中一级安全行为类型；
14.通过安全管控模型中r-ssd算法，基于一级安全行为类型确定窗口图像特征的检测范围；
15.依据得到窗口图像特征的检测范围，利用所述多分类器对窗口图像特征进行特征匹配，得到各一级安全行为类型下的二级安全行为类型；
16.其中，通过特征提取得到的特征为与现场人员作业安全行为相关的特征。
17.优选的，多分类器的构建，包括：
18.以一级安全行为类型特征为顶层目标函数，以各一级安全行为类型下的二级安全行为类型特征为底层目标函数，建立双层目标函数；
19.以类间的特征间隔最优为约束，建立约束函数；
20.根据所述目标函数和约束函数，构建多分类器；
21.所述多分类器，以待检测图片中各位置的图像特征为输入，以现场人员作业安全行为类型为输出。
22.优选的，所述根据所述目标函数和约束函数，构建多分类器之后，还包括：
23.基于配网工程现场人员作业的且安全管控合规的历史图片构建正样本，基于配网工程现场人员作业的且安全管控缺陷的历史图片构建负样本；
24.以所述正样本和负样本中的一部分为训练样本库，另一部分作为测试样本库；
25.利用所述训练样本库对建立的多分类器进行训练，并利用所述测试样本库对训练完成的多分类器进行测试。
26.优选的，所述以所述正样本和负样本中的一部分为训练样本库之前，还包括：
27.对所述正样本和负样本进行图像处理和特征提取处理；
28.所述图像处理包括图谱分析、灰度变换、图像增强和图像轮廓处理。
29.优选的，特征提取的依据，包括：
30.haar特征、lbp特征、hog特征和shift特征。
31.优选的，所述人体轮廓特征，是利用基于gabor-dnn的复杂背景下人体轮廓提取算法得到的。
32.优选的，所述配网工程现场人员作业待检测图片的获取，包括：
33.通过无人机和固定云台采集配网工程现场人员作业的视频信息和静态图片；
34.通过自适应采样方式对所述视频信息进行图片采集，得到视频信息抽帧图片；
35.剔除所述静态图片和视频信息抽帧图片中不含人员作业的图片，作为配网工程现场人员作业待检测图片。
36.剔除所述静态图片和根据视频信息采集的图片中不含人员作业的图片，作为配网工程现场人员作业待检测图片。
37.优选的，所述基于安全管控模型，采用双通道对角滑窗检测方法对所述待检测图片进行检测，得到现场人员作业安全行为类型之后，还包括：
38.计算待检测图片通过安全管控模型检测后的ap值，并利用ap值低于设定值的待检测图片进行安全管控模型的再训练。
39.基于同一发明构思，本发明还提供了配网工程现场人员安全行为检测系统，包括：图片获取模块和行为检测模块；
40.所述图片获取模块，用于获取配网工程现场人员作业待检测图片；
41.所述行为检测模块，用于基于安全管控模型，采用双通道对角滑窗检测方法对所述待检测图片进行检测，得到现场人员作业安全行为类型；
42.所述安全管控模型，是基于配网工程现场人员作业的安全管控合规的以及安全管控缺陷的历史图片训练的。
43.优选的，所述行为检测模块，具体包括：
44.各通道基于设定的初始窗口从待检测图片的一角开始向对角进行滑动检测，并判断各通道窗口是否检测到人体轮廓特征；
45.当各通道均判断为否，退出；当有通道判断为是，则判断为是的通道以本通道上包含人体轮廓特征的位置为起点，按设定比例扩大窗口进行滑动检测，直到得到设定最大窗口图像，并基于最大窗口图像，利用安全管控模型得到现场人员作业安全行为类型。
46.优选的，所述现场人员作业安全行为类型是基于配网工程现场人员作业安全行为标准定义的多级安全行为类型，包括一级安全行为类型和各一级安全行为类型下的二级安全行为类型。
47.优选的，所述基于最大窗口图像，利用安全管控模型得到现场人员作业安全行为类型，包括：
48.对最大窗口图像进行特征提取，得到最大窗口图像特征，并将所述最大窗口图像特征输入到安全管控模型中的多分类器中，得到窗口图像特征中一级安全行为类型；
49.通过安全管控模型中r-ssd算法，基于一级安全行为类型确定窗口图像特征的检测范围；
50.依据得到窗口图像特征的检测范围，利用所述多分类器对窗口图像特征进行特征匹配，得到各一级安全行为类型下的二级安全行为类型；
51.其中，通过特征提取得到的特征为与现场人员作业安全行为相关的特征。
52.优选的，所述多分类器的构建，包括：
53.以一级安全行为类型特征为顶层目标函数，以各一级安全行为类型下的二级安全行为类型特征为底层目标函数，建立双层目标函数；
54.以类间的特征间隔最优为约束，建立约束函数；
55.根据所述目标函数和约束函数，构建多分类器；
56.所述多分类器，以待检测图片中各位置的图像特征为输入，以现场人员作业安全行为类型为输出。
57.基于同一发明构思，本发明还提供了一种计算机设备，包括：一个或多个处理器；
58.所述处理器，用于存储一个或多个程序；
59.当所述一个或多个程序被所述一个或多个处理器执行时，实现配网工程现场人员安全行为检测方法。
60.基于同一发明构思，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现配网工程现场人员安全行为检测方法。
61.与最接近的现有技术相比，本发明具有的有益效果如下：
62.本发明提供了配网工程现场人员安全行为检测方法、系统、设备和介质，包括：获取配网工程现场人员作业待检测图片；基于安全管控模型，采用双通道对角滑窗检测方法对所述待检测图片进行检测，得到现场人员作业安全行为类型；所述安全管控模型，是基于
配网工程现场人员作业的安全管控合规的以及安全管控缺陷的历史图片训练的。本发明通过安全管控模型对图像进行检测，实现了对人体的检测跟踪，可进一步进行安全类型的判断，有效地提高了配网工程现场人员作业安全行为识别的针对性，为配网工程现场安全实时监管提供了可能。
63.本发明通过构建配网工程现场作业人员安全管控图片样本，构建分层函数，并构建安全行为判断多分类器。利用机器视觉与深度学习，实现基础安全与行为安全的分类别检测，并在此基础上确定了不同安全类别下的待检测区域，实现精细化监管。本发明可进一步规范作业人员的行为，提升配网工程安全监理的智能化水平，降低安全事故的发生概率。
附图说明
64.图1为本发明提供的配网工程现场人员安全行为检测方法流程示意图；
65.图2为本发明提供的安全管控检测流程示意图；
66.图3为本发明提供的一个配网工程现场人员安全行为检测方法实施例的基本流程示意图；
67.图4为本发明提供的配网工程现场安全管控图像数据库构建流程示意图；
68.图5为本发明提供的安全管控图像数据库结构示意图；
69.图6为本发明提供的配网工程现场人员安全行为检测系统基本结构示意图。
具体实施方式
70.下面结合附图对本发明的具体实施方式做进一步的详细说明。
71.实施例1：
72.本发明提供的配网工程现场人员安全行为检测方法，其流程示意图如图1所示，包括：
73.步骤1：获取配网工程现场人员作业待检测图片；
74.步骤2：基于安全管控模型，采用双通道对角滑窗检测方法对所述待检测图片进行检测，得到现场人员作业安全行为类型；
75.所述安全管控模型，是基于配网工程现场人员作业的安全管控合规的以及安全管控缺陷的历史图片训练的。
76.本发明的发明目的在于通过配网工程现场视频采集系统、监理管控平台等，收集配网工程人员作业现场多样复杂的图片，构建配网工程作业安全管控样本数据库，按照安全特性划分管控类别，根据各安全类别进行深度学习信息挖掘，构建安全管控模型，以实现作业人员安全行为的高效准确识别，规范安全作业行为保障施工人员的人身安全。
77.为实现上述目的，本发明提出一种配网工程现场人员安全行为检测方法。
78.在进行步骤1之前，要进行如下操作：
79.首先，划分安全类别。在本发明中基于配网工程现场人员作业安全行为标准，将配网工程现场人员作业安全行为分为两级，一级安全行为类型和各一级安全行为类型下的二级安全行为类型(亦可简称二级安全行为类型)。其中，一级安全行为类型分为两大类：基础安全和行为安全。
80.基础安全下的二级安全行为类型包括：安全帽佩戴、工作服(绝缘服)穿着、安全绳
绑系等；行为安全下的二级安全行为类型包括：吊臂下站立、忽视警告标志信号、攀坐不安全位置等。
81.其次，收集配网工程现场图像信息(包括图片和视频)，并对其中的视频进行处理。根据无人机、固定云台等设备采集配网工程现场人员作业图像信息，存储视频信息以及静态图片。以自适应采样的方式实现视频信息的图像采集，剔除大量无效图片(即不含人员作业的图片)，保留人员作业各安全类型下的有效图片样本。
82.再次，根据采集的图片，构建各安全类别的正、负样本(保证整体样本数量达10000张以上，正、负样本的比例为7:3)，统一图片规格，制作样本标签，形成样本库。分为训练样本和测试样本。
83.具体的，基于配网工程现场人员作业的且安全管控合规的历史图片构建正样本，基于配网工程现场人员作业的且安全管控缺陷的历史图片构建负样本。以所述正样本和负样本中的一部分为训练样本库(大于等于60％，小于等于90％)，另一部分作为测试样本库。
84.随后，进行图像处理。将各安全类别相关正、负样本图片进行图谱分析、灰度变换；通过对数变换、直方图变换等进行图像增强；并通过canny进行图像轮廓处理。
85.之后，进行图片中的人体检测。首先采用r-ssd算法进行施工人员人体区域定位及追踪，从而确定施工人员的安全行为判别的检测候选区域；采用基于gabor-dnn的复杂背景下人体轮廓提取算法进行人体轮廓提取；然后基于卷积神经网络算法定位基础安全的检测范围为人体封闭轮廓范围内，例如安全帽佩戴范围进一步定位至头部、工作服(绝缘服)穿着追踪至身体躯干部分、安全绳绑系定位至腰部；行为安全方面则定位至人体封闭轮廓范围外，吊臂下站立关键进行吊臂与人体的垂直关系，忽视警告标志信号行为关键检测人体与标志信号的相对距离，攀坐不安全位置行为关键定位至腰、腿、脚等轮廓外部区域。
86.选取各安全类别特征。选取各安全类别图像数据，选取最能反映本质的特征。将各类图像数据形成的测量空间，进行变换得到其特征空间，将高维测量空间变为在低维特征空间，对比haar特征、lbp特征、hog特征和shift特征等，选取有效特征信息，构建基础安全x与行为安全y的特征集合：x＝[x
1 x
2 x3]
t
,y＝[y
1 y
2 y3]
t
。
[0087]
最后，建立并训练安全行为识别分类器。建立基于特征级约束的svm最优间隔多分类器，共构建两大类(基础安全、行为安全)，每类各三项(基础安全：安全帽佩戴、工作服(绝缘服)穿着、安全绳绑系；行为安全：吊臂下站立、忽视警告标志信号、攀坐不安全位置)的分层多分类器。
[0088]
包括：以一级安全行为类型特征为顶层目标函数，以各一级安全行为类型下的二级安全行为类型特征为底层目标函数，建立双层目标函数；
[0089]
以类间的特征间隔最优为约束，建立约束函数；
[0090]
根据所述目标函数和约束函数，构建多分类器；
[0091]
所述多分类器，以待检测图片中各位置的图像特征为输入，以现场人员作业安全行为类型为输出。
[0092]
具体为：定义顶层目标函数为g，其取值为00、01、10与11。若输出为00表示作业人员基础安全、行为安全；若输出11则表示作业人员基础安全与行为安全均存在风险隐患。构建底层目标函数为：
[0093]
g＝f(x,y)，x＝[x
1 x
2 x3]
t
，y＝[y
1 y
2 y3]
t
[0094]
式中，x为基础安全的特征集合，y为行为安全的特征集合。利用构建的训练样本和测试样本，通过神经网络训练函数f的数学模型。
[0095]
由此，构建并训练完成了安全管控模型，包括上述安全行为识别分类器(即多分类器)、基于r-ssd算法的施工人员人体区域定位及追踪和基于gabor-dnn的复杂背景下人体轮廓提取算法。
[0096]
以下为具体的检测方法：
[0097]
步骤1还包括对视频的处理以及进行图像处理；
[0098]
步骤2具体包括：
[0099]
各通道基于设定的初始窗口从待检测图片的一角开始向对角进行滑动检测，并判断各通道窗口是否检测到人体轮廓特征；
[0100]
当各通道均判断为否，退出；当有通道判断为是，则判断为是的通道以本通道上包含人体轮廓特征的位置为起点，按设定比例扩大窗口进行滑动检测，直到得到设定最大窗口图像，并基于最大窗口图像，利用安全管控模型得到现场人员作业安全行为类型。
[0101]
具体为：采用变尺度双通道对角滑窗检测方法，选取初始扫描窗口的大小，从待检测图片的一角开始向对角滑动检测图片中各个位置，并判断各通道窗口是否检测到人体轮廓特征(所述人体轮廓特征，是利用基于gabor-dnn的复杂背景下人体轮廓提取算法得到的)。当各通道均判断为否，退出；当有通道判断是(即检测到人体轮廓特征)后，以检测到人体轮廓特征的点为起点，按设定比例扩大窗口进行滑动检测，直到得到设定最大窗口图像(这里所说的最大是指基础安全刚好包括整个人体，或行为安全为最大的除人体外的其他区域)。
[0102]
通过安全管控模型中r-ssd算法，基于一级安全行为类型确定窗口图像特征的检测范围(安全帽佩戴范围进一步定位至头部、工作服(绝缘服)穿着追踪至身体躯干部分、安全绳绑系定位至腰部；行为安全方面则定位至人体封闭轮廓范围外，吊臂下站立关键进行吊臂与人体的垂直关系，忽视警告标志信号行为关键检测人体与标志信号的相对距离，攀坐不安全位置行为关键定位至腰、腿、脚等轮廓外部区域)；
[0103]
依据得到窗口图像特征的检测范围，利用所述多分类器对窗口图像特征进行特征匹配，得到各一级安全行为类型下的二级安全行为类型；
[0104]
其中，通过特征提取得到的特征为与现场人员作业安全行为相关的特征。
[0105]
得到现场人员作业安全行为类型之后，还要计算计算待检测图片通过安全管控模型检测后的ap值，若ap值低于95％，则输出图像采集调整信息，调整图像采集范围，将判别检测区域进行调整，进行进一步判断，保留ap值大于95％的判别结果。由于各项图像采集设备获取的图像大小存在差异，可对目标对象检测所选取的滑窗大小进行调整，将扫描窗口进行缩放，再次遍历图像，进行特征匹配，判别安全行为类型。
[0106]
为提高模型的可靠性，可利用ap值低于95％的图片对模型进行再训练。模型再训练过程可参考如下步骤：首先采用r-ssd算法实现安全行为检测区域的定位跟踪，从而确定安全行为的风险类型。为提升人体检测更加贴近于实际需求，提高检测的准确率和训练速度，调整卷积模型深度，增加带有标签的数据集继续训练调参。上述的利用安全管控模型进行安全管控的检测流程示意图如图2所示。
[0107]
本发明有如下优点：
[0108]
1)构建配网工程现场作业人员安全管控图片样本库，利用安全管控模型(基于机器视觉与深度学习)，实现人体的检测跟踪，进一步进行安全类型的判断，为配网工程现场安全实时监管提供了可能；
[0109]
2)通过机器视觉与深度学习，构建安全行为判断多分类器，构建分层函数，实现基础安全与行为安全的分类别检测和管控，并在此基础上确定不同安全类别下的待检测区域，有效地提高了安全管控识别的针对性；
[0110]
3)本发明可基于机器视觉深度学习的安全管控技术，应用在配网施工现场安全告警系统中，进一步规范作业人员的行为，大大提升配网工程安全监理的智能化水平，降低安全事故的发生概率。
[0111]
实施例2：
[0112]
本实施例对配网工程现场人员安全行为检测方法的具体实现过程进行介绍，本实施例的流程图如图3所示，包括：
[0113]
步骤a：划分安全类别；
[0114]
步骤b：收集配网工程现场图像信息；
[0115]
步骤c：视频处理；
[0116]
步骤d：创建训练样本；
[0117]
步骤e：图像处理；
[0118]
步骤f：人体检测；
[0119]
步骤g：选取各安全类别特征；
[0120]
步骤h：训练安全行为识别分类器；
[0121]
步骤i：利用深度学习进行安全行为检测；
[0122]
步骤j：模型再训练。
[0123]
通过步骤a-步骤j，构建配网工程现场作业人员安全管控数据库，分层分类划分安全管控子项，构建人员作业安全管控缺陷数据库，通过构建训练正负样本，将两类共6项安全类别的正、负样本输入到双层多分类器中，构建不同安全类别下的函数模型，以此作为配网工程现场作业人员安全检测的依据。
[0124]
一种配网工程现场人员作业安全行为检测方法的实现，各分步骤的研究关键点如下：
[0125]
步骤a：划分安全类别
[0126]
以人体检测为基础，获取人体检测范围内其封闭曲线轮廓，按照安全类别检测归属区域划分为两类，将归属于人体轮廓范围内的安全管控划分为一类，人体轮廓范围外的安全管控汇总为一类。各类子项可根据具体的施工场景关键要点进行选取。
[0127]
步骤b：收集配网工程现场图像信息
[0128]
图像预处理图利用可学习滤波器进行图像处理，预设滤波器参数，然后反向传播中使用随机梯度下降算法自适应、自动化地更新滤波器目标，将人体范围内色调、饱和度、亮度色彩空间的饱和度分量进行阈值分割，初步寻找人体所在模糊轮廓；基于边缘和轮廓检测的定位方法，提取图像中人体的封闭轮廓，作为安全类型识别的边界，以此基础搭建该作业人员安全行为识别算法。
[0129]
利用r-ssd算法增加不同层之间的特征图联系，减少轮廓重复定位，以防止不必要
的重复检测；然后，通过有效增加特征金字塔中各层的特征映射数量，在不增加时耗的前提下提高检测精度。
[0130]
步骤c：视频处理
[0131]
视频采集图像包含多方位多角度，采集既要保证数量要求，又要尽可能去除高相似度的冗余图片。采取样本扩容方式：翻转、旋转、缩放、裁剪、移位、变换以及生成对抗网络扩容。并构建图像数据库，图像数据库构建流程如图4所示。
[0132]
步骤d：创建训练样本
[0133]
将数据库中图像划分为两类，每类各3项样本库。样本库构建为两层，样本库结构如图5所示。
[0134]
步骤e：图像处理
[0135]
构建基于机器视觉深度学习的复杂背景下人体封闭轮廓提取算法，具体算法的实现如下所示。
[0136]
#标签
[0137]
groundtruth标签图片(人体区域像素为1，其余像素为0)
[0138]
#尺寸统一化
[0139]
resize(im,[224,224])；对图像im进行重新调整大小到224
×
224
[0140]
#构造出特征
[0141]
sift＝cv2.sift_create()
[0142]
g《-gabor(im,angle＝0:pi/4:2*pi)等；
[0143]
#n项特征三维度叠加图像
[0144]
concatenate([im,g],axis＝n)；
[0145]
#边缘平滑检测
[0146]
img＝cv2.canny(img)
[0147]
步骤f：人体检测
[0148]
r-sdd人体区域定位检测，确定人体轮廓检测的最小区域，提高轮廓检测的效率。利用gabor-dnn在r-sdd确定的最小区域内进行人体轮廓检测，具体模型训练与检测的关键步骤如下。
[0149]
#初始化神经网络模型
[0150]
initmodel(model)；
[0151]
#神经网络模型前向计算
[0152]
for iter《-1 to n do
[0153]
forward(model)；
[0154]
#神经网络模型反向误差传递计算
[0155]
backward(model)；
[0156]
#更新神经网络权重
[0157]
update(model)；
[0158]
#返回训练好的模型
[0159]
return trained model.
[0160]
得到基于r-ssd、gabor-dnn人体边界轮廓模型。
[0161]
步骤g、h：选取各安全类别特征，训练安全行为识别分类器
[0162]
建立双层分类器。分类器第一层选取特征为人体轮廓内外双侧特征，第一层实现基础安全与行为安全的二分类，并以图像的一级标签作为模型训练的依据，得到第一层分类器模型。分类器第二层分为两部分，根据一级标签的分类结果，将样本输入到分类器第二层，若为基础安全标签，选择人体轮廓内特征，输入到该分支中的多分类器中，依据图像二级标签进行多分类器训练；同理，若分类器第一层为行为安全标签，则提取人体轮廓外特征进行对比分析，进行该分支多分类器训练。
[0163]
步骤i、j：利用深度学习进行安全行为检测，模型再训练
[0164]
将视频或图像信息输入到训练后的模型中，根据变尺度滑窗检测安全行为，输出检测结果。本发明提出变尺度双通道对角滑窗检测方法，设定滑动窗口的初始值(size＝1
×
1)，双向遍历待检测图片，输出每个窗口对应的局部图像特征信息，若窗口中包含特征信息，标记此像素位置，各通道分别获取首个人体轮廓特征点，以双通道双点作为新滑窗进行人体区域定位，直到获取最大包含人体的滑窗区域，将该区域输入到模型中，得到分类结果。基于先验知识自适应学习的更新算法，通过先验知识样本的不断迭代更新训练该双层分类器，各类分类结果偏差小于5％，即可得到满足分类准确与均衡的双层分类器。
[0165]
实施例3：
[0166]
基于同一发明构思，本发明还提供了配网工程现场人员安全行为检测系统，如图6所示，包括：图片获取模块和行为检测模块；
[0167]
所述图片获取模块，用于获取配网工程现场人员作业待检测图片；
[0168]
所述行为检测模块，用于基于安全管控模型，采用双通道对角滑窗检测方法对所述待检测图片进行检测，得到现场人员作业安全行为类型；
[0169]
所述安全管控模型，是基于配网工程现场人员作业的安全管控合规的以及安全管控缺陷的历史图片训练的。
[0170]
所述行为检测模块，具体用于：
[0171]
各通道基于设定的初始窗口从待检测图片的一角开始向对角进行滑动检测，并判断各通道窗口是否检测到人体轮廓特征；
[0172]
当各通道均判断为否，退出；当有通道判断为是，则判断为是的通道以本通道上包含人体轮廓特征的位置为起点，按设定比例扩大窗口进行滑动检测，直到得到设定最大窗口图像，并基于最大窗口图像，利用安全管控模型得到现场人员作业安全行为类型。
[0173]
所述现场人员作业安全行为类型是基于配网工程现场人员作业安全行为标准定义的多级安全行为类型，包括一级安全行为类型和各一级安全行为类型下的二级安全行为类型。
[0174]
所述基于最大窗口图像，利用安全管控模型得到现场人员作业安全行为类型，具体包括：
[0175]
对最大窗口图像进行特征提取，得到最大窗口图像特征，并将所述最大窗口图像特征输入到安全管控模型中的多分类器中，得到窗口图像特征中一级安全行为类型；
[0176]
通过安全管控模型中r-ssd算法，基于一级安全行为类型确定窗口图像特征的检测范围；
[0177]
依据得到窗口图像特征的检测范围，利用所述多分类器对窗口图像特征进行特征
匹配，得到各一级安全行为类型下的二级安全行为类型；
[0178]
其中，通过特征提取得到的特征为与现场人员作业安全行为相关的特征。
[0179]
所述多分类器的构建，具体包括：
[0180]
以一级安全行为类型特征为顶层目标函数，以各一级安全行为类型下的二级安全行为类型特征为底层目标函数，建立双层目标函数；
[0181]
以类间的特征间隔最优为约束，建立约束函数；
[0182]
根据所述目标函数和约束函数，构建多分类器；
[0183]
所述多分类器，以待检测图片中各位置的图像特征为输入，以现场人员作业安全行为类型为输出。
[0184]
实施例4：
[0185]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中配网工程现场人员安全行为检测方法的步骤。
[0186]
实施例5：
[0187]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中配网工程现场人员安全行为检测方法的步骤。
[0188]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0189]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0190]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0191]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0192]
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。