1.本发明涉及电力生产作业安全技术领域，尤其涉及一种电力生产作业风险预警方法、系统和设备。
背景技术：
2.电力作业是保障电能持续供应的根本，但变电站电力作业涉及面广，作业难度较大，危险系数高，一直以来都属于高风险生产活动。电力作业过程中人的不安全行为和物体不安全状态都可能会导致人身安全事故的发生，威胁电网的安全运行。
3.然而，随着人工智能算法的发展和成熟，通过利用检测识别算法结合视频监控使得智能化实时在线分析电力作业风险成为可能。通过对监控视频图像信息分析，可以及时识别出作业人员的不规范行为以及安全工器具状态，实现远程可视化风险识别。但是，由于变电站的作业难度大且特殊，安全牵涉面广，现场安全作业风险识别难以达到预期的实时性要求。
4.因此，利用视频监控截图中提取到的方向梯度直方图特征来训练svm，进而实现目标检测的方法。然而，该方法在处理较大体量数据集时，容易出现计算冗余，进而影响实时预测的速度。
技术实现要素：
5.本发明提供了一种电力生产作业风险预警方法、系统和设备，解决了现有的目标检测在处理较大体量数据集时，容易出现计算冗余，进而影响实时预测的速度的技术问题。
6.本发明第一方面提供的一种电力生产作业风险预警方法，包括：
7.获取待监测区域的监控视频，逐帧提取所述监控视频中的目标物体所处的环境图像；
8.按照预设风险因素划分全部所述环境图像，生成多个正图像和负图像并输入目标检测网络；
9.通过所述目标检测网络提取所述正图像和所述负图像分别对应的目标物体特征，生成目标特征数据并输入目标风险预测模型；
10.通过所述目标风险预测模型对所述目标特征数据进行风险预测，根据风险预测结果确定对应的风险等级；
11.按照所述风险等级对应的告警信息实施告警。
12.可选地，所述按照预设风险因素划分全部所述环境图像，生成多个正图像和负图像并输入目标检测网络的步骤，包括：
13.按照预设风险因素判断全部所述环境图像是否存在风险；
14.若是，则将所述环境图像划分为负图像；
15.若否，则将所述环境图像划分为正图像；
16.分别对所述负图像和所述正图像进行标注，生成标注文件；
17.将所述标注文件输入目标检测网络。
18.可选地，所述将所述标注文件输入目标检测网络的步骤，包括：
19.采用线性插值算法对所述标注文件进行数据增强，生成多个更新标注文件；
20.按照预设比例将所述更新标注文件划分至训练集、验证集和测试集；
21.将所述训练集中的更新标注文件输入预设的初始检测网络进行训练，生成第一更新检测网络；
22.将所述验证集中的更新标注文件输入所述第一更新检测网络进行验证，生成第二更新检测网络；
23.将所述测试集中的更新标注文件输入所述第二更新检测网络进行测试，生成目标检测网络。
24.可选地，所述预设的初始检测网络包括mobilenetv3网络、fpn网络、深度可分离卷积网络和diou优化模块；所述将所述训练集中的更新标注文件输入预设的初始检测网络进行训练，生成第一更新检测网络的步骤，包括：
25.将所述训练集中的更新标注文件输入所述mobilenetv3网络；
26.通过所述mobilenetv3网络对所述更新标注文件进行卷积，生成多个特征维度的第一特征层并输入所述fpn网络；
27.通过所述fpn网络将高层级和低层级分别对应的第一特征层进行融合，生成第二特征层并输入所述深度可分离卷积网络；
28.通过所述深度可分离卷积网络对所述第二特征层进行卷积，生成第三卷积层并输入所述diou优化模块；
29.通过所述diou优化模块计算所述第三卷积层对应的锚点框和真实框之间的差异值；
30.将所述差异值进行归一化处理并优化所述初始检测网络的网络参数，生成第一更新检测网络。
31.可选地，所述通过所述diou优化模块计算所述第三卷积层对应的锚点框和真实框之间的差异值的步骤，包括：
32.计算所述第三卷积层对应的锚点框的中心坐标值；
33.提取所述第三卷积层对应的正图像和负图像分别对应的真实框的中心坐标值；
34.采用所述锚点框和所述真实框分别对应的中心坐标值，通过所述diou优化模块计算所述锚点框和所述真实框之间的差异值；其中，所述差异值的计算公式如下：
[0035][0036]
式中，l
diou
指的是diou的损失值也就是锚点框和真实框的差异值，iou指的是iou损失值，ρ值表示锚点框和真实框两者之间的欧几里得距离，b,b
gt
分别表示锚点框和真实框的中心点坐标值，c表示能同时覆盖锚点框和真实框的最小矩形对角线距离。
[0037]
可选地，所述目标风险预测模型包括多个按照预设预测顺序排列的决策树；所述通过所述目标风险预测模型对所述目标特征数据进行风险预测，根据风险预测结果确定对应的风险等级的步骤，包括：
[0038]
通过各个所述决策树依次对所述目标特征数据进行风险预测，生成多个预测数
据；
[0039]
采用全部所述预测数据的预测和值匹配预设的风险目标评估得分细则中对应的风险等级。
[0040]
可选地，还包括：
[0041]
选取mse均方误差作为参考损失值，计算目标风险预测模型的初始损失函数；
[0042]
按照预设比例将所述正图像和所述负图像划分至训练集和测试集；
[0043]
通过预设的初始风险预测模型对应的决策树对所述训练集对应的正图像和负图像进行预测，生成预测值；
[0044]
新增所述初始风险预测模型对应的决策树并优化所述初始损失函数，生成更新风险预测模型和更新损失函数；
[0045]
判断决策树数量是否达到数量阈值或所述更新损失函数是否停止变化；
[0046]
若是，则停止新增所述更新风险预测模型对应的决策树，将当前迭代次数对应的更新风险预测模型和更新损失函数分别确定为目标风险预测模型和目标损失函数；
[0047]
若否，则跳转执行所述初始风险预测模型对应的决策树并优化所述初始损失函数，生成更新风险预测模型和更新损失函数的步骤。
[0048]
可选地，还包括：
[0049]
按照预设的风险目标评估得分细则对每个所述正图像和所述负图像中的目标物体进行风险评估，生成多个评估得分；
[0050]
将各个所述目标物体对应的评估得分转换成混淆矩阵；
[0051]
采用网格搜索法在各所述混淆矩阵上进行超参数遍历寻优，获取所述目标风险预测模型的最优超参数值；
[0052]
按照所述最优超参数值调整所述目标风险预测模型的部分超参数。
[0053]
本发明第二方面提供的一种电力生产作业风险预警系统，包括：
[0054]
环境图像模块，用于获取待监测区域的监控视频，逐帧提取所述监控视频中的目标物体所处的环境图像；
[0055]
目标检测网络模块，用于按照预设风险因素划分全部所述环境图像，生成多个正图像和负图像并输入目标检测网络；
[0056]
目标风险预测模型模块，用于通过所述目标检测网络提取所述正图像和所述负图像分别对应的目标物体特征，生成目标特征数据并输入目标风险预测模型；
[0057]
风险等级模块，用于通过所述目标风险预测模型对所述目标特征数据进行风险预测，根据风险预测结果确定对应的风险等级；
[0058]
告警信息模块，用于按照所述风险等级对应的告警信息实施告警。
[0059]
本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述的电力生产作业风险预警方法的步骤。
[0060]
从以上技术方案可以看出，本发明具有以下优点：
[0061]
本发明通过获取待监测区域的监控视频，逐帧提取监控视频中的目标物体所处的环境图像；按照预设风险因素划分全部环境图像，生成多个正图像和负图像并输入目标检测网络；通过目标检测网络提取正图像和负图像分别对应的目标物体特征，生成目标特征
数据并输入目标风险预测模型；通过目标风险预测模型对目标特征数据进行风险预测，根据风险预测结果确定对应的风险等级；按照风险等级对应的告警信息实施告警。解决了现有的目标检测在处理较大体量数据集时，容易出现计算冗余，进而影响实时预测的速度的技术问题。
[0062]
本发明通过获取实时的视频图像信息，在满足变电站电力作业应用场景的高实时性要求的同时，考虑到终端部署硬件性能及成本，本发明利用目标检测网络对实时的视频图像进行风险目标特征识别，获取目标物体特征量。目标检测网络采用的pp-yolo tiny方法兼具较高的识别精度与极快的检测速度，满足了电力系统系统对于风险响应速度的要求。目标风险预测模型利用xgboost评估模型进行电力作业风险实时预警，实现作业风险的在线安全监管，从而真正做到自动监控，无人值守，显著提高电力作业现场违规行为的实时安全风险管控能力，降低安全监管的人力物力成本。
附图说明
[0063]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0064]
图1为本发明实施例一提供的一种电力生产作业风险预警方法的步骤流程图；
[0065]
图2为本发明实施例二提供的一种电力生产作业风险预警方法的步骤流程图；
[0066]
图3为本发明实施例二提供的一种电力生产作业风险预警方法的方法流程图；
[0067]
图4为本发明实施例二提供的一种目标检测网络的网络结构图；
[0068]
图5为本发明实施例三提供的一种电力生产作业风险预警系统的结构框图。
具体实施方式
[0069]
本发明实施例提供了一种电力生产作业风险预警方法、系统和设备，用于解决现有的目标检测在处理较大体量数据集时，容易出现计算冗余，进而影响实时预测的速度的技术问题。
[0070]
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
[0071]
请参阅图1，图1为本发明实施例提供的一种电力生产作业风险预警方法的步骤流程图。
[0072]
本发明提供的一种电力生产作业风险预警方法，包括以下步骤：
[0073]
101、获取待监测区域的监控视频，逐帧提取监控视频中的目标物体所处的环境图像。
[0074]
需要说明的是，变电站常见风险特征的目标物体主要包括：安全带、安全帽、绝缘手套、绝缘靴、坑、沟、孔洞、围栏、安全标志、围栏和作业人员，针对以上这些目标物体的目
标类别进行数据采集。对于某些有不同形状的目标类别再进行细分，如围栏分为软围栏和硬围栏等，建立完善的数据集目录。
[0075]
在本发明实施例中，提取待监控区域的监控视频，将含有变电站常见风险特征的目标物体的环境图像逐帧提取出来，用于建立完善的图像数据集目录。
[0076]
102、按照预设风险因素划分全部环境图像，生成多个正图像和负图像并输入目标检测网络。
[0077]
需要说明的是，预设风险因素指的是登高作业未正确佩戴安全带、作业现场未佩戴安全帽、不停电作业时未穿戴绝缘手套、不停电作业为佩戴绝缘靴、应该设置相关安全标示牌处未有设置、带电间隔未设置围栏、坑、沟、孔洞、临边未设置围栏、有人跨越临时围栏、操作时未有监护人在场、工作现场未有工作负责人在场等。正图像和负图像分别指的是正值对应的环境图像，负值对应的环境图像。
[0078]
目标检测网络指的是pp-yolo tiny模型，用于对电力作业现场实时监控图像所涵盖的目标特征进行识别，从而得到实时环境图像的风险目标特征量。
[0079]
在具体实施例中，按照不同风险因素的环境图像分为正图像或负图像，划分出正图像和负图像后，输入目标检测网络进行提取风险目标特征量。
[0080]
103、通过目标检测网络提取正图像和负图像分别对应的目标物体特征，生成目标特征数据并输入目标风险预测模型。
[0081]
需要说明的是，目标风险预测模型指的是xgboost决策模型，用于对电力作业风险概率进行在线评估，实现电力作业风险的实时预警。
[0082]
在本发明实施例中，当目标检测网络提取出正图像和负图像分别对应的目标物体特征后，将生成的目标特征数据输入目标风险预测模型。
[0083]
104、通过目标风险预测模型对目标特征数据进行风险预测，根据风险预测结果确定对应的风险等级。
[0084]
需要说明的是，风险等级指的是针对风险预警管控需求，建立现场作业的告警信息池，告警信息池用于保存单次作业产生的所有告警信息；按照设定的告警优先处理排序规则获取告警信息池内所有告警信息的作业风险，通过对作业现场异常告警进行智能化评估，从而实现对大量冗杂的告警信息的梳理，并通过告警分类，风险等级评估等量化单次作业的告警风险总和，并依据该指标排序，实现告警优先处理，将每种告警信息按危险程度不同进行划分并设置相应的风险系数。该方法大大简化了视频监控人员处理告警信息的难度和工作量，提升了电力作业的视频监控系统效率。
[0085]
在本发明实施例中，目标风险预测模型对目标特征数据进行风险评估，按照风险评估的风险总分匹配对应的风险等级。
[0086]
105、按照风险等级对应的告警信息实施告警。
[0087]
需要说明的是，匹配风险等级对应的告警信息，实现告警优先处理。
[0088]
在具体实施例中，设置风险阈值，与作业风险概率相比较，若作业风险概率大于风险阈值，则按照风险等级对应的告警信息通过后台发出警告，达到风险预判和警告作用。参照变电设备运维策略，将不同风险特征赋予相应的权值，取值越大对应的风险系数越高。其中，告警信息包括工作地点、工作内容、违规内容等，应实时反映至智慧安监系统，并实时更新。
[0089]
本发明通过获取待监测区域的监控视频，逐帧提取监控视频中的目标物体所处的环境图像；按照预设风险因素划分全部环境图像，生成多个正图像和负图像并输入目标检测网络；通过目标检测网络提取正图像和负图像分别对应的目标物体特征，生成目标特征数据并输入目标风险预测模型；通过目标风险预测模型对目标特征数据进行风险预测，根据风险预测结果确定对应的风险等级；按照风险等级对应的告警信息实施告警。解决了现有的目标检测在处理较大体量数据集时，容易出现计算冗余，进而影响实时预测的速度的技术问题。
[0090]
本发明通过获取实时的视频图像信息，在满足变电站电力作业应用场景的高实时性要求的同时，考虑到终端部署硬件性能及成本，本发明利用目标检测网络对实时的视频图像进行风险目标特征识别，获取目标物体特征量。目标检测网络采用的pp-yolo tiny方法兼具较高的识别精度与极快的检测速度，满足了电力系统系统对于风险响应速度的要求。目标风险预测模型利用xgboost评估模型进行电力作业风险实时预警，实现作业风险的在线安全监管，从而真正做到自动监控，无人值守，显著提高电力作业现场违规行为的实时安全风险管控能力，降低安全监管的人力物力成本。
[0091]
请参阅图2-4，图2为本发明实施例提供的一种电力生产作业风险预警方法的步骤流程图。
[0092]
本发明提供的一种电力生产作业风险预警方法，包括以下步骤：
[0093]
201、获取待监测区域的监控视频，逐帧提取监控视频中的目标物体所处的环境图像。
[0094]
在本发明实施例中，通过作业人员配备的摄像头、变电站内原有监控摄像头、巡检机器人等设备，获得实时的电力生产作业现场监控视频，对其中涉及安全工器具、坑洞、安全标志及围栏等，作业人员等不同风险因素的数据图像重点拍摄。每隔一定的时间周期，利用内置的ffmpeg等截图功能自动截取关键帧信息。
[0095]
202、按照预设风险因素划分全部环境图像，生成多个正图像和负图像并输入目标检测网络。
[0096]
可选地，步骤202包括以下步骤s11-s15：
[0097]
s11、按照预设风险因素判断全部环境图像是否存在风险；
[0098]
s12、若是，则将环境图像划分为负图像；
[0099]
s13、若否，则将环境图像划分为正图像；
[0100]
s14、分别对负图像和正图像进行标注，生成标注文件；
[0101]
s15、将标注文件输入目标检测网络。
[0102]
需要说明的是，按照预设风险因素判断环境图像是否存在风险，存在风险，则将环境图像划分为负图像；不存在风险，则将环境图像划分为正图像；判断的具体判据包括有：
[0103]
(1)登高作业是否未正确使用安全带
[0104]
(2)作业现场是否未佩戴安全帽
[0105]
(3)不停电作业是否未穿戴绝缘手套
[0106]
(4)不停电作业是否未穿戴绝缘靴
[0107]
(5)应该设置相关安全标示牌处是否未有设置
[0108]
(6)带电间隔是否未设置围栏
[0109]
(7)坑、沟、孔洞、临边是否未设置围栏
[0110]
(8)是否有人跨越临时围栏
[0111]
(9)操作时是否未有监护人在场
[0112]
(10)工作现场是否未有工作负责人在场。
[0113]
综上，图像数据集共有20种目标类别。为确保各类别的识别准确率，保持每种类别都有足够的数据量。在后续模型训练过程中，可依据各类别识别准确率，调整不同类别图像数据的数量比例。
[0114]
在具体实施例中，按照不同风险因素对各个环境图像进行划分正图像和负图像，如图3所示，采用labellmg标注工具对获取得到的正图像和负图像进行标注，生成xml标注文件，标注文件采用voc格式，其中包括的信息有风险目标类别、中心位置坐标、目标框四个角的坐标。将标注文件输入目标检测网络。
[0115]
具体地，在环境图像输入目标检测网络阶段前，采用gamma颜色矫正，对环境图像进行标准化，降低变电场内光影变化的影响；同时利用卡尔曼滤波抑制硬件部分造成的噪声干扰。
[0116]
可选地，步骤s15包括以下步骤s21-s25：
[0117]
s21、采用线性插值算法对标注文件进行数据增强，生成多个更新标注文件；
[0118]
s22、按照预设比例将更新标注文件划分至训练集、验证集和测试集；
[0119]
s23、将训练集中的更新标注文件输入预设的初始检测网络进行训练，生成第一更新检测网络；
[0120]
s24、将验证集中的更新标注文件输入第一更新检测网络进行验证，生成第二更新检测网络；
[0121]
s25、将测试集中的更新标注文件输入第二更新检测网络进行测试，生成目标检测网络。
[0122]
需要说明的是，在预训练环节，采用mixup的线性插值进行数据增强，得到新样本数据，也就是更新标注文件，充实风险目标的尺度信息，扩充数据集大小。从而利用数据集中的泛化误差，降低模型对已损坏标签的记忆，增强模型对对抗样本的鲁棒性和训练生成对抗网络的稳定性。具体地，搭建pytorch框架以配置初始的pp-yolo tiny训练模型(初始检测网络)，cuda版本为11.0。在pt网络参数文件设置相关网络训练参数，包括数据集根目录与数据类别数、标注文件根目录、训练次数、学习率、gpu使用数、输出路径等。
[0123]
在具体实施例中，以7:2:1的比例将包括各个更新标注文件的数据集分为训练集、验证集、测试集，将数据集部分输入到pp-yolo tiny模型(初始检测网络)中进行迭代训练。首先，将训练集中的更新标注文件输入初始检测网络中进行训练，生成第一更新检测网络；其次，将验证集中的更新标注文件输入第一更新检测网络进行验证，生成第二更新检测网络；最后，将测试集中的更新标注文件输入第二更新检测网络进行测试，生成目标检测网络。将测试集作为该生成模型的输入，验证目标检测网络的预测性能，修改参数继续优化训练模型。最终要获得满足平均精度map不低于95％的收敛模型。
[0124]
可选地，预设的初始检测网络包括mobilenetv3网络、fpn网络、深度可分离卷积网络和diou优化模块；步骤s23包括以下步骤s31-s36：
[0125]
s31、将训练集中的更新标注文件输入mobilenetv3网络；
[0126]
s32、通过mobilenetv3网络对更新标注文件进行卷积，生成多个特征维度的第一特征层并输入fpn网络；
[0127]
s33、通过fpn网络将高层级和低层级分别对应的第一特征层进行融合，生成第二特征层并输入深度可分离卷积网络；
[0128]
s34、通过深度可分离卷积网络对第二特征层进行卷积，生成第三卷积层并输入diou优化模块；
[0129]
s35、通过diou优化模块计算第三卷积层对应的锚点框和真实框之间的差异值；
[0130]
s36、将差异值进行归一化处理并优化初始检测网络的网络参数，生成第一更新检测网络。
[0131]
需要说明的是，如图4所示，预设的初始检测网络包括mobilenetv3网络、fpn网络、深度可分离卷积网络和diou优化模块。具体地，采用了移动端高性价比的骨架网络(backbone)mobilenetv3网络，用于将实时监控视频图像提取出不同特征维度下的特征层。它组合了互补搜索技术，针对特定的硬件平台进行精度-延时平衡优化，保持精度的同时也降低了模型延时。采取fpn特征金字塔结构(fpn网络)做特征融合，根据mobilenetv3网络从更新标注文件中提取出的不同特征层，将其中高层级信息和低层级信息进行融合，在池化层融合spp，进一步提升模型对不同尺度的特征提取能力，同时提升对电力生产作业现场小目标的识别能力。预测头(head)特征分类模块：深度可分离卷积网络用于快速判定出监控视频图像中的风险目标识别结果。相比常规的卷积操作，该方式有更少的参数量和运算成本，更适用于移动端的内存空间和算力。在评估阶段使用diou计算损失值，减少风险目标受遮挡的影响。diou会同时标出与该真实框的iou差距不小于0.25的所有锚点框，提高了真实锚点框的正例，同时将负例的iou阈值由0.7减少到0.5，平衡了在小尺寸上的正负例倾斜。
[0132]
在具体实施例中，将训练集中的更新标注文件输入mobilenetv3网络中，采用mobilenetv3网络对更新标注文件进行卷积，得到多个特征维度的第一特征层，并输入fpn网络；采用fpn网络对高层级和低层级分别对应的第一特征层进行融合，得到第二特征层并输入深度可分离卷积网络，采用深度可分离卷积网络对第二特征层进行卷积，生成第三卷积层并输入diou优化模块，采用diou优化模块计算第三卷积层对应的锚点框和真实框之间的差异值；将差异值进行归一化处理，作为后续优化目标检测网络参数的重要依据，优化初始检测网络的网络参数，从而得到第一更新检测网络。
[0133]
可选地，步骤s35包括以下步骤s41-s43：
[0134]
s41、计算第三卷积层对应的锚点框的中心坐标值；
[0135]
s42、提取第三卷积层对应的正图像和负图像分别对应的真实框的中心坐标值；
[0136]
s43、采用锚点框和真实框分别对应的中心坐标值，通过diou优化模块计算锚点框和真实框之间的差异值；其中，差异值的计算公式如下：
[0137][0138]
式中，l
diou
指的是diou的损失值也就是锚点框和真实框的差异值，iou指的是iou损失值，ρ值表示锚点框和真实框两者之间的欧几里得距离，b,b
gt
分别表示锚点框和真实框的中心点坐标值，c表示能同时覆盖锚点框和真实框的最小矩形对角线距离。
[0139]
在本发明实施例中，风险目标预测结果以锚点框方式得到，第三卷积层对应的锚
点框中心坐标可以由以下公式得到：
[0140]
x＝s
·
(g
x
σ(p
x
)-(α-1)/2)
[0141]
y＝s
·
(gy σ(py)-(α-1)/2)
[0142]
其中，(g
x
,gy)表示真实值的坐标，(p
x
,py)表示当前迭代轮次下的预测坐标结果，s是缩放因子，α值设置为α＝1.05，σ是sigmoid激活函数，sigmoid激活函数用于逻辑回归的分类，其表达形式为：
[0143][0144]
式中，f(x)表示逻辑回归计算结果，e-x
表示指数函数。
[0145]
具体地，采用锚点框和真实框分别对应的中心坐标值，通过diou优化模块计算锚点框和真实框之间的差异值；其中，差异值的计算公式如下：
[0146][0147]
式中，l
diou
指的是diou的损失值也就是锚点框和真实框的差异值，iou指的是iou损失值，ρ值表示锚点框和真实框两者之间的欧几里得距离，b,b
gt
分别表示锚点框和真实框的中心点坐标值，c表示能同时覆盖锚点框和真实框的最小矩形对角线距离。
[0148]
203、通过目标检测网络提取正图像和负图像分别对应的目标物体特征，生成目标特征数据并输入目标风险预测模型。
[0149]
在本发明实施例中，将正图像和负图像作为pp-yolo tiny模型(目标检测网络)的输入，对输入的正图像和负图像中的安全带、安全帽、绝缘手套及绝缘靴等目标物体进行检测，提取正图像和负图像分别对应的目标物体特征，获得当前帧对应的正图像和负图像中检测到的目标类别和归一化位置信息。
[0150]
204、通过目标风险预测模型对应的各个决策树依次对目标特征数据进行风险预测，生成多个预测数据。
[0151]
需要说明的是，目标风险预测模型采用的是xgboost模型，xgboost模型具备准确度高、速度快、泛化性强等特点，以时变的风险目标特征量为输入构建基于xgboost的目标风险预测模型，实现电力作业风险预控。
[0152]
具体地，xgboost算法属于集成学习算法，包括决策树和梯度提升两部分。决策树部分由多个cart分类回归树作为弱学习器组成强学习器；梯度提升部分是让每次迭代后新增一棵树，并且在每次迭代后都拟合计算当前树损失值与之前所有树预测值的残差。而每棵新树都是根据上一棵树损失的负梯度计算得到的，保证了最终决策的可靠性。
[0153]
由于xgboost中每棵树都需要确定最佳分割点，因此目标风险预测模型采用贪心算法遍历每个特征，并计算每个特征的增益值，正值对应正图像中符合安全规定的预测结果，负值对应不符合安全规定的结果。
[0154]
在具体实施例中，采用目标风险预测模型上的全部决策树依次对目标特征数据进行风险预测，当目标特征数据中的一个目标特征的预测结果符合安全规定，则生成对应的第一符合安全规定的预测结果，当目标特征数据中的一个目标特征的预测结果不符合安全规定，则生成对应的第一不符合安全规定的预测结果，以此类推，综合所有的预测结果，生成多个预测数据。
[0155]
205、采用全部预测数据的预测和值匹配预设的风险目标评估得分细则中对应的风险等级。
[0156]
需要说明的是，按照风险目标评估得分细则对预测数据赋予量化数值。
[0157]
在具体实施例中，对全部预测数据的预测分数进行分数叠加，得到预测和值，并匹配风险目标评估得分细则中对应的风险等级。
[0158]
206、按照风险等级对应的告警信息实施告警。
[0159]
在本发明实施例中，步骤206的具体实施过程与步骤105类似，在此不再赘述。
[0160]
可选地，本方法还包括以下步骤s51-s57：
[0161]
s51、选取mse均方误差作为参考损失值，计算目标风险预测模型的初始损失函数；
[0162]
s52、按照预设比例将正图像和负图像划分至训练集和测试集；
[0163]
s53、通过预设的初始风险预测模型对应的决策树对训练集对应的正图像和负图像进行预测，生成预测值；
[0164]
s54、新增初始风险预测模型对应的决策树并优化初始损失函数，生成更新风险预测模型和更新损失函数；
[0165]
s55、判断决策树数量是否达到数量阈值或更新损失函数是否停止变化；
[0166]
s56、若是，则停止新增更新风险预测模型对应的决策树，将当前迭代次数对应的更新风险预测模型和更新损失函数分别确定为目标风险预测模型和目标损失函数；
[0167]
s57、若否，则跳转执行初始风险预测模型对应的决策树并优化初始损失函数，生成更新风险预测模型和更新损失函数的步骤。
[0168]
在本发明实施例中，选取mse均方误差作为参考损失值，经推导后，xgboost模型初始损失函数为：
[0169][0170][0171]
式中，l1为损失函数在线性空间的表达，ω为惩罚项，即正则化项，用于抑制过拟合，其与叶子节点个数t、叶子节点的权重值w相关，γ为cart决策树模型参数，λ为正则化参数；n为样本总数，zi表示第i个样本的真实性，表示第i个样本的预测值，k为决策树的总数，即正则项总数，fk表示第k棵树的各叶子权重。
[0172]
具体地，将图像数据集中的正图像和负图像以7:3的比例划分为训练集和测试集，训练目标函数(初始损失函数)，第t次迭代中，第i个样本的预测值xi表示第i个样本的输入值，f
t
(xi)表示加入该输入后带来的新树(即引入新的叶子节点后第t次迭代与第t-1次迭代的差值)。每次迭代添加新树f
t
，第t次迭代时目标函数(更新损失函数)为：
[0173][0174]
式中，l
t
为第t次迭代时目标函数(更新损失函数)；为第i个样本的预测值；f
t
为每次迭代添加的新树。
[0175]
当训练完第k个(数量阈值)决策树或多次迭代后目标函数未变化时则停止迭代。训练结果收敛后，获得xgboost决策模型，即目标风险预测模型，以及目标损失函数。输入测试样本进行预测，输出风险等级，在相应的混淆矩阵中获得分类结果。
[0176]
可选地，本方法还包括以下步骤s61-s64：
[0177]
s61、按照预设的风险目标评估得分细则对每个正图像和负图像中的目标物体进行风险评估，生成多个评估得分；
[0178]
s62、将各个目标物体对应的评估得分转换成混淆矩阵；
[0179]
s63、采用网格搜索法在各混淆矩阵上进行超参数遍历寻优，获取目标风险预测模型的最优超参数值；
[0180]
s64、按照最优超参数值调整目标风险预测模型的部分超参数。
[0181]
需要说明的是，针对风险预警管控需求，定义风险目标评估得分细则，图像数据集样本赋予量化数值。比如每个正样本分数为1，每个负样本分数为-1。针对不同等级的违章违规行为赋予不同的系数。例如a类违章将分数乘以10，b类违章乘以3等，具体细则可参照安规手册进行调整。通过对图像数据集中的正图像和负图像中的目标物体进行风险评估，同正图像和负图像内包含多个待评估目标物体时，每个目标物体的目标类别对应生成一个评估得分，可根据以上内容进行分数叠加，并将各个目标物体对应的评估得分形成各自的混淆矩阵，通过混淆矩阵对检测出的风险类别作进一步分类和评估。
[0182]
在具体实施例中，采用网格搜索法，在各个识别结果的混淆矩阵上进行超参数遍历寻优，从而得到目标风险预测模型的最优超参数值，为了降低模型的复杂度，保证较高的精度和防止模型过拟合，目标风险预测模型需要根据情况适当调整xgboost中的部分超参数。其中，采用较小的学习率获得平滑的收敛曲线，得到相对稳定的识别性能；适当降低决策树深度、降低模型迭代次数以防止模型过拟合；提高采样比率来降低风险评估时间，提高正则化项以加快模型运算速度。
[0183]
本发明通过获取待监测区域的监控视频，逐帧提取监控视频中的目标物体所处的环境图像；按照预设风险因素划分全部环境图像，生成多个正图像和负图像并输入目标检测网络；通过目标检测网络提取正图像和负图像分别对应的目标物体特征，生成目标特征数据并输入目标风险预测模型；通过目标风险预测模型对目标特征数据进行风险预测，根据风险预测结果确定对应的风险等级；按照风险等级对应的告警信息实施告警。解决了现有的目标检测在处理较大体量数据集时，容易出现计算冗余，进而影响实时预测的速度的技术问题。
[0184]
本发明通过获取实时的视频图像信息，在满足变电站电力作业应用场景的高实时性要求的同时，考虑到终端部署硬件性能及成本，本发明利用目标检测网络对实时的视频图像进行风险目标特征识别，获取目标物体特征量。目标检测网络采用的pp-yolo tiny方法兼具较高的识别精度与极快的检测速度，满足了电力系统系统对于风险响应速度的要求。目标风险预测模型利用xgboost评估模型进行电力作业风险实时预警，实现作业风险的在线安全监管，从而真正做到自动监控，无人值守，显著提高电力作业现场违规行为的实时安全风险管控能力，降低安全监管的人力物力成本。
[0185]
请参阅图5，图5为本发明实施例提供的一种电力生产作业风险预警系统的结构框
图。
[0186]
本发明提供的一种电力生产作业风险预警系统，包括：
[0187]
环境图像模块501，用于获取待监测区域的监控视频，逐帧提取监控视频中的目标物体所处的环境图像；
[0188]
目标检测网络模块502，用于按照预设风险因素划分全部环境图像，生成多个正图像和负图像并输入目标检测网络；
[0189]
目标风险预测模型模块503，用于通过目标检测网络提取正图像和负图像分别对应的目标物体特征，生成目标特征数据并输入目标风险预测模型；
[0190]
风险等级模块504，用于通过目标风险预测模型对目标特征数据进行风险预测，根据风险预测结果确定对应的风险等级；
[0191]
告警信息模块505，用于按照风险等级对应的告警信息实施告警。
[0192]
可选地，目标检测网络模块502包括：
[0193]
判断风险子模块，用于按照预设风险因素判断全部环境图像是否存在风险；
[0194]
负图像子模块，用于若是，则将环境图像划分为负图像；
[0195]
正图像子模块，用于若否，则将环境图像划分为正图像；
[0196]
标注文件子模块，用于分别对负图像和正图像进行标注，生成标注文件；
[0197]
输入目标检测网络子模块，用于将标注文件输入目标检测网络。
[0198]
可选地，输入目标检测网络子模块包括：
[0199]
更新标注文件子模块，用于采用线性插值算法对标注文件进行数据增强，生成多个更新标注文件；
[0200]
划分图像集子模块，用于按照预设比例将更新标注文件划分至训练集、验证集和测试集；
[0201]
第一更新检测网络子模块，用于将训练集中的更新标注文件输入预设的初始检测网络进行训练，生成第一更新检测网络；
[0202]
第二更新检测网络子模块，用于将验证集中的更新标注文件输入第一更新检测网络进行验证，生成第二更新检测网络；
[0203]
目标检测网络子模块，用于将测试集中的更新标注文件输入第二更新检测网络进行测试，生成目标检测网络。
[0204]
可选地，预设的初始检测网络包括mobilenetv3网络、fpn网络、深度可分离卷积网络和diou优化模块；第一更新检测网络子模块包括：
[0205]
mobilenetv3网络子模块，用于将训练集中的更新标注文件输入mobilenetv3网络；
[0206]
fpn网络子模块，用于通过mobilenetv3网络对更新标注文件进行卷积，生成多个特征维度的第一特征层并输入fpn网络；
[0207]
深度可分离卷积网络子模块，用于通过fpn网络将高层级和低层级分别对应的第一特征层进行融合，生成第二特征层并输入深度可分离卷积网络；
[0208]
diou优化子模块，用于通过深度可分离卷积网络对第二特征层进行卷积，生成第三卷积层并输入diou优化模块；
[0209]
差异值子模块，用于通过diou优化模块计算第三卷积层对应的锚点框和真实框之
间的差异值；
[0210]
生成第一更新检测网络子模块，用于将差异值进行归一化处理并优化初始检测网络的网络参数，生成第一更新检测网络。
[0211]
可选地，差异值子模块包括：
[0212]
锚点框子模块，用于计算第三卷积层对应的锚点框的中心坐标值；
[0213]
真实框子模块，用于提取第三卷积层对应的正图像和负图像分别对应的真实框的中心坐标值；
[0214]
计算差异值子模块，用于采用锚点框和真实框分别对应的中心坐标值，通过diou优化模块计算锚点框和真实框之间的差异值；其中，差异值的计算公式如下：
[0215][0216]
式中，l
diou
指的是diou的损失值也就是锚点框和真实框的差异值，iou指的是iou损失值，ρ值表示锚点框和真实框两者之间的欧几里得距离，b,b
gt
分别表示锚点框和真实框的中心点坐标值，c表示能同时覆盖锚点框和真实框的最小矩形对角线距离。
[0217]
可选地，目标风险预测模型包括多个决策树；风险等级模块504包括：
[0218]
预测数据子模块，用于通过各个决策树依次对目标特征数据进行风险预测，生成多个预测数据；
[0219]
风险等级子模块，用于采用全部预测数据的预测和值匹配预设的风险目标评估得分细则中对应的风险等级。
[0220]
可选地，本系统还包括：
[0221]
初始损失函数子模块，用于选取mse均方误差作为参考损失值，计算目标风险预测模型的初始损失函数；
[0222]
划分图像子模块，用于按照预设比例将正图像和负图像划分至训练集和测试集；
[0223]
预测值子模块，用于通过预设的初始风险预测模型对应的决策树对训练集对应的正图像和负图像进行预测，生成预测值；
[0224]
新增决策树子模块，用于新增初始风险预测模型对应的决策树并优化初始损失函数，生成更新风险预测模型和更新损失函数；
[0225]
判断决策树数量子模块，用于判断决策树数量是否达到数量阈值或更新损失函数是否停止变化；
[0226]
确定目标损失函数子模块，用于若是，则停止新增更新风险预测模型对应的决策树，将当前迭代次数对应的更新风险预测模型和更新损失函数分别确定为目标风险预测模型和目标损失函数；
[0227]
跳转执行子模块，用于若否，则跳转执行初始风险预测模型对应的决策树并优化初始损失函数，生成更新风险预测模型和更新损失函数的步骤。
[0228]
可选地，本系统还包括：
[0229]
评估得分子模块，用于按照预设的风险目标评估得分细则对每个正图像和负图像中的目标物体进行风险评估，生成多个评估得分；
[0230]
混淆矩阵子模块，用于将各个目标物体对应的评估得分转换成混淆矩阵；
[0231]
最优超参数值子模块，用于采用网格搜索法在各混淆矩阵上进行超参数遍历寻
优，获取目标风险预测模型的最优超参数值；
[0232]
部分超参数子模块，用于按照最优超参数值调整目标风险预测模型的部分超参数。
[0233]
本发明实施例四还提供了一种电子设备，包括存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的电力生产作业风险预警方法。
[0234]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0235]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0236]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0237]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0238]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0239]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。