新能源基建现场人员不安全行为检测系统及检测方法与流程

1.本发明涉及新能源基建安全管理技术领域，特别涉及新能源基建现场人员不安全行为检测系统及检测方法。


背景技术：

2.当前，新能源项目的建设过程中，尤其是现场施工区域，有许多由于操作人员不安全行为造成的安全事故，这些事故不仅影响新能源项目的建设进度，还威胁到人们的生命以及财产安全。提早检测出现场人员的不安全行为，就能有效降低事故发生几率，从而将事故所造成的损失降到最低。所以，需要对新能源基建过程中现场人员的不安全行为进行有效检测。但是，由于新能源基建现场工作人员众多，施工操作环境复杂，有限的安全员不可能实时监管到现场的一切动态行为，因此难免发生监管不利的情况。


技术实现要素：

3.本发明的目的在于提出新能源基建现场人员不安全行为检测系统及检测方法，以解决有限的安全员不可能实时监管到现场的一切动态行为，因此难免发生监管不利的情况。
4.为实现上述目的，本发明采用以下技术方案：
5.新能源基建现场人员不安全行为检测系统，包括终端监控、总控制台、数据传输模块、不安全行为检测模块、判断模块、控制终端、深度学习技术开发模块和故障及错误报警模块；终端监控用于采集现场环境数据及图片传输至总控制台，总控制台通过数据传输模块将环境数据及图片传输至不安全行为检测模块；不安全行为检测模块连接深度学习技术开发模块，用于对比检测现场工作人员行为是否符合安全要求；判断模块用于判断现场工作人员不安全行为是否终止，判断结果传输给控制终端，故障及错误报警模块用于接收控制终端给出的警告指令。
6.进一步的，控制终端连接有大数据存储模块，用于存储不安全行为的数据，用于给深度学习技术开发模块学习。
7.进一步的，大数据存储模块通过数据传输模块直接连接终端监控，用于监控数据与存储数据的直接对比。
8.进一步的，判断模块判断现场人员的不安全行为是否终止，若终止则将数据传至深度学习开发模块，若没有则由控制终端进行警告。
9.进一步的，数据传输模块为微波无线通信。
10.进一步的，不安全行为检测模块中基于以ssd检测方法的dsod算法进行检测。
11.进一步的，故障及报警模块还连接到总控制台和不安全行为检测模块，用于接收总控制台和不安全行为检测模块的故障信息。
12.进一步的，新能源基建现场人员不安全行为检测系统的检测方法，包括以下步骤：
13.终端监控采集环境数据和现场图片发送到总控制台，总控制台将环境数据及现场
图片和大数据存储模块的已有数据进行对比的同时，将环境数据及现场图片发送至不安全行为检测模块；
14.不安全行为检测模块选择以ssd检测算法作为基础的dsod算法对图片进行检测；
15.在检测出新能源基建现场人员的不安全行为后，判断人员不安全行为是否终止，若终止则将算法数据传至深度学习技术开发模块进一步学习，若不安全行为没有终止，则控制终端发出警告并制止不安全行为，同时将记录数据，计算数据和图片同时传至大数据存储模块。
16.进一步的，不安全行为检测模块选择以ssd检测算法作为基础的dsod算法对图片进行检测：
17.首先，ssd检测算法使用六个用于预测结果的金字塔结构特征图，特征金字塔的每一层各自负责各种尺度目标的检测；对于各个用于预测目标位置的特征图，特征图上的所有特征点上都生成几个预设尺寸的默认框；
18.设计一组依次递增的默认框面积标度，再将这组标度根据由小到大排列的特征图，从大到小的分配；
19.对于各个特征图的默认框面积标度算式为：
[0020][0021]
其中sk是指第k个预测层中，默认框的面积标度为sk；
[0022]
同时对第k个预测层，给出每个默认框的宽高的具体值：
[0023][0024][0025]
其中代表第k个特征层的宽高比为ar的默认框的宽度，代表第k个特征层的宽高比为ar的默认框的高度；w和h分别代表终端传输过来的图片宽度和高度。
[0026]
与现有技术相比，本发明有以下技术效果：
[0027]
本发明基于深度学习技术实现了对新能源基建现场人员的不安全行为检测，降低基建现场不安全风险发生的几率，提高新能源基建现场工作人员的安全意识和管理水平，并对系统发生故障或系统检测错误进行预警，减少因系统错误时对整个基建过程造成的损失。
[0028]
本发明在系统中引入不安全行为检测模块，根据dsod算法的设定，实现了对现场不安全行为的实时检测，有助于促进新能源基建的安全管理水平评价体系建立。此外，系统各个装置或设备的研发与应用都已相对成熟，易于系统的搭建。
附图说明
[0029]
图1为系统控制流程图。
具体实施方式
[0030]
下面结合附图对本发明作进一步的说明。
[0031]
如图1所示，本发明提供一种基于深度学习技术的新能源基建现场人员不安全行为检测系统。
[0032]
终端监控通过摄像及传感器等将得到的数据与图片传输至总控制台；总控制台控制各模块的工作并统筹整个系统，同时由数据传输模块将数据传递给不安全行为检测模块；不安全行为检测模块基于dsod算法的框架原理，计算出现场工作人员行为是否符合安全要求；判断模块依据现场人员的不安全行为是否终止，若终止则将数据传至深度学习开发模块，若没有则由控制终端进行警告，并提醒其进一步学习基建现场的安全管理，同时将数据上传大数据存储模块存储。
[0033]
首先外部终端监控通过摄像及传感器等将得到的数据与图片传输至总控制台。
[0034]
总控制台：控制各个模块并统筹整个系统。
[0035]
数据传输模块：利用微波无线通讯技术将数据在总控制台，不安全行为检测模块，深度学习技术开发模块和大数据存储模块之间进行传输。
[0036]
不安全行为检测模块：通过深度学习技术，可以实时对终端数据进行计算，及时发现现场人员的不安全行为。在此选择以ssd检测算法作为基础的dsod算法，设计适用于新能源基建现场人员的不安全行为检测模块。
[0037]
具体步骤如下：
[0038]
首先，ssd检测算法一共使用了六个用于预测结果的金字塔结构特征图。特征金字塔的每一层各自负责各种尺度目标的检测。对于各个用于预测目标位置的特征图，特征图上的所有特征点上都生成几个预设尺寸的默认框。
[0039]
因此需要设计一组依次递增的默认框面积标度，再将这组标度根据由小到大排列的特征图，从大到小的分配。
[0040]
对于各个特征图的默认框面积标度算式为：
[0041][0042]
其中sk是指第k个预测层中，默认框的面积标度为sk。
[0043]
同时也需要对第k个预测层，给出每个默认框的宽高的具体值：
[0044][0045][0046]
其中代表第k个特征层的宽高比为ar的默认框的宽度，代表第k个特征层的宽高比为ar的默认框的高度。w和h分别代表终端传输过来的图片宽度和高度。
[0047]
此外，每个图的各个默认框，应该都有各类别的置信度以及该默认框与实际框位置的偏离值。比如，若需要a个类别的预测，那么在每个特征层的各个默认框都有(a 4)个预测值，即(a 4)维向量。同时，记录每个默认框的位置及偏移值，这个又会产生一个8维的向量。因此，模型将会在特征图的各个特征点位置都生成(a 4 8)维的向量，则一个特征图进过预测层之后将生成一个(a 4 8)
×
图片大小的二维矩阵。所以算法需要设计一个卷积层来进行从图到预测结果的转换。对于每个图上默认框的位置预测结果，使用一个x
×
x的卷积结构，将预测结果映射到相同尺寸的卷积输出的特征通道上。对于最后的类别置信度结
果，则需要在同样操作得到一个二维矩阵之后再经过一个softmax层将结果转化为0到1的概率置信度，这就是dsod算法的框架原理。在不安全行为检测模块中可以嵌入一个se小模块，se模块可以自动学习各个特征通道的关系，增加有用特征通道的权重占比，减少干扰特征通道的权重占比，实现特征信息的高效利用。
[0048]
判断模块：在检测出新能源基建现场人员的不安全行为后，判断人员不安全行为是否终止，若终止则将算法数据传至深度学习技术开发中心进一步学习。若不安全行为没有终止，则控制终端发出警告并制止不安全行为，同时将记录数据，计算数据和图片同时传至大数据存储模块。
[0049]
大数据存储：使数据可以长时间保存，在之后的应用中可以直接将数据送至大数据存储中进行对比，若有相同数据则直接进入判断模块，降低检测模块的工作负担，同时为后续算法的提升提供数据支撑。
[0050]
深度学习技术开发中心：通过大数据存储中的数据不断学习锻炼，进一步提高算法的辨识度和准确性，降低应用成本。
[0051]
故障及错误报警模块：在系统运行过程中出现故障或错误时，自动停止系统运转、上传故障或错误数据并通知工作人员。在新能源基建现场人员不安全行为检测系统发生故障或系统运行错误时提供预警，减少系统错误运行时误判或不警告造成的损失。
[0052]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。