基于人工智能的工程现场人员行为预警方法和系统

技术领域

本发明属于电网基建技术领域，特别涉及基于人工智能的工程现场人员行为预警方法和系统。

背景技术

输变电工程施工安全管理作为输变电工程建设管理的重要组成部分，贯穿于输变电工程的整个建设周期。近年来，电网建设部门多次下文加强建设工程的安全管控，通过信息化、数字化手段实现建设工程安全风险的智能监测分析、安全管理的动态跟踪等功能，充分挖掘现场感知数据价值，为后续工程提供丰富管理手段，着力提升决策、预警、管控支撑能力。

目前省内在建输变电工程数量多，安全监管任务重。基建管理方面，每年三级及以上风险作业10000余项，各级工程安全检查5000余次，安全问题20余万条。现有的基建安全监督监管力量和分析手段已不能满足电力公司对基建施工安全风险的管理要求。亟需引入信息化、智能化、数字化的数据收集、分析手段，提高施工安全问题处理分析的及时性、有效性。

发明内容

为了解决上述技术问题，本发明提出了基于人工智能的工程现场人员行为预警方法和系统。本发明通过大数据分析平台对终端用户的操作行为进行管理与控制，变安全违规行为被动识别为主动识别。

为实现上述目的，本发明采用以下技术方案：

基于人工智能的工程现场人员行为预警方法，

基于预先设置的违章行为数据库，对现场人员行为数据样本深度学习训练；

通过图像识别算法加密优盘，实现违章行为的识别并发出预警。

进一步的，所述获取工程现场人员行为数据样本的方法为通过无线网络对接工程现场的信息采集终端设备采集工程现场人员行为数据样本，并将所述数据样本存储到大数据海量平台。

进一步的，所述无线网络集成数据标准化接入平台。

进一步的，所述无线网络包括无线专网和无线自建网。

进一步的，所述违章行为数据库建立的方法为：通过无线网络对接工程现场的信息采集终端设备，由现场人员进行现场违规行为演示，所述信息采集终端设备获取违规行为演示的数据并存储至大数据海量平台形成违章行为数据库。

进一步的，所述对现场人员行为数据样本深度学习训练的过程为：

对现场人员行为数据样本进行预处理，并对现场人员行为数据样本以标签进行标注；所述预处理包括清洗，压缩和裁剪；

在标注完成后，选取算法模型进行特征值提取实现参数共享；

对算法模型进行迭代训练，使模型收敛；

对模型进行剪枝量化以及对模型权重进行封装。

进一步的，所述通过图像识别算法加密优盘的方法为：

在优盘与计算机连接成功后，选择BitLocker驱动器加密完成优盘加密；

优盘加密完成后进行算法加密；所述算法加密的过程为：自定义批数据归一化层，在卷积层后，对每批次数据进行x倍数的归一化，现场运行算法时，传入对应x倍数，当传入正确x时，对输入的数据进行自动识别并输出检测结果。

进一步的，所述实现违章行为的识别的过程为：

通过卷积神经网络对现场人员行为数据样本的图像和视频均进行卷积和池化，提取图像中浅层特征，以及检测出语意信息；所述浅层特征包括边缘轮廓和线条；

通过卷积神经网络输出现场人员行为数据样本的特征图，通过特征图与标签进行拟合，从而判断现场人员行为是否违章。

基于人工智能的工程现场人员行为预警系统，包括数据标准化接入模块、训练模块和识别模块；

所述数据标准化接入模块用于通过无线网络对接工程现场的信息采集终端设备采集工程现场人员行为数据样本，并将所述数据样本存储到大数据海量平台；

所述训练模块用于基于预先设置的违章行为数据库，对现场人员行为数据样本深度学习训练；

所述识别模块用于通过图像识别算法加密优盘，实现违章行为的识别并发出预警。

进一步的，所述系统还包括分析应用模块；所述分析应用模块用于根据违章行为识别的结果，对不同类型违章进行针对性改进，可视化数据结果。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

本发明提出了基于人工智能的工程现场人员行为预警方法和系统，该方法包括以下步骤：通过无线网络对接工程现场的信息采集终端设备采集工程现场人员行为数据样本，并将数据样本存储到大数据海量平台，采集并构建违章样本库，深度学习训练，在现场PC机运行图像识别算法加密优盘，实现典型违章自动识别并预警。基于本发明提出的基于人工智能的工程现场人员行为预警方法。本发明还提出了基于人工智能的工程现场人员行为预警系统，本发明在充分考虑了现场作业人员的当前操作情景、作业风险等级及潜在的作业风险。使得作业人员不再是单一的被动式的事后才知道自己的某项操作是违规的，以此避免作业人员面临的人身安全风险、设备安全风险等情况。以一种更符合用户体验的方式支撑基建现场的实际工作；同时实现对基建工程安全、质量的全方位分析，提高各级管理人员发现、处理问题的有效性和及时性，提高输变电工程质量监督和工程安全、质量管理工作的规范化、标准化水平，达到提升业务水平，实现提质增效的管理目的。

本发明为了支撑未来输变电工程信息化安全防护建设工作，结合云计算、大数据分析等信息技术，提出的技术方案能够实现用户在进行基建现场作业时，识别用户已经或即将出现的安全违规行为，给以用户警告提示信息，警示用户不能违规操作，安全开展工程作业，保障人身及设备安全。

附图说明

如图1为本发明实施例1基于人工智能的工程现场人员行为预警方法流程图；

如图2为本发明实施例2基于人工智能的工程现场人员行为预警系统示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

实施例1

本发明实施例1提出了基于人工智能的工程现场人员行为预警方法，本发明的安全预警目标是保障输变电工程作业现场人员按安全规范进行作业操作，代替现场人员抽查和视频监控人工巡查，变安全违规行为被动识别为主动识别，改串行非实时识别为并行实时检测。

违规行为识别技术从数据标准化接入、典型违章自动识别、算法模型远程调度、分析场景决策应用4方面综合采用多种有效技术措施进行。近年来，随着大数据技术的不断发展、计算机系统处理海量信息和大数据的能力不断提升及视频识别技术在各地市项目中广泛的推广使用，使得通过大数据、云计算等信息技术手段实现智能化违规识别用户操作行为成为可能。

如图1给出了本发明实施例1基于人工智能的工程现场人员行为预警方法流程图。

在步骤S101中，获取工程现场人员行为数据样本；获取工程现场人员行为数据样本的方法为通过无线网络对接工程现场的信息采集终端设备采集工程现场人员行为数据样本，并将数据样本存储到大数据海量平台。信息采集终端设备能够依据现场网络环境，利用现有无线专网或部署无线自组网便携站，集成数据标准化接入平台，可对接市面上90％以上的视频终端设备，实现感知层数据自动采集、现场人员的行为数据情况，存储到大数据海量平台中。

在步骤S102中，基于预先设置的违章行为数据库，对现场人员行为数据样本深度学习训练。

本发明中违章行为数据库建立的方法为：通过无线网络对接工程现场的信息采集终端设备，由现场人员进行现场违规行为演示，信息采集终端设备获取违规行为演示的数据并存储至大数据海量平台形成违章行为数据库。

对现场人员行为数据样本深度学习训练的过程为：

对现场人员行为数据样本进行预处理，并对现场人员行为数据样本以标签进行标注；预处理包括清洗，压缩和裁剪；通过对比不同的模型算法结果，选取合适的算法模型，将样本模型输入算法框架进行特征提取，参数共享，并对模型进行迭代训练，调整学习率，批次等，使模型收敛。后期对模型进行剪枝量化，使其达到应用的水平。并对模型权重进行封装。

在步骤S103中，通过图像识别算法加密优盘，实现违章行为的识别并发出预警。

本发明中部署算法调度平台，在以海量平台为支撑服务的前提下，经大数据分析模块中使用相关的统计分析方法和大数据分析算法，结合违章样本库信息数据，进行违规行为的分析及预测，通过此环节，可得到现场作业违章行为等可能的发展趋势与规律。

通过图像识别算法加密优盘的方法为：先将U盘进行加密操作：将U盘插入计算机，等待其成功连接，打开Windows控制面板，选择系统和安全，选择BitLocker驱动器加密，找到需要加密的U盘，点击启用BitLocker，等待工具完成初始化，选择加密方式，使用密码加密，输入密码。完成后点击“下一步”，选择恢复密钥保存的方式，点击“启动加密”待系统完成操作即可，完成前不要拨出U盘以免数据受到破坏，完成对U盘的加密。

优盘加密完成后进行算法加密；算法加密的过程为：自定义批数据归一化层，在卷积层后，对每批次数据进行x倍数的归一化，现场运行算法时，传入对应x倍数，当传入正确x时，对输入的数据进行自动识别并输出检测结果。

实现违章行为的识别的过程为：

大数据算法选取卷积神经网络算法，通过卷积神经网络对现场人员行为数据样本的图像和视频均进行卷积和池化，提取图像中浅层特征，以及检测出语意信息；浅层特征包括边缘轮廓和线条；

通过卷积神经网络输出现场人员行为数据样本的特征图，通过特征图与标签进行拟合，从而判断出是否是某一类别数据，进而判断现场人员行为是否违章。

本发明中部署展示场景，从建管单位、工程、违章类型等多维度对违章识别结果进行统计分析和展示，辅助管理决策。由数据分析模块得出的分析结果形成分析报告，发送给系统监督人员，同时根据作业人员的违规行为触发的违规级别给以用户不同的处理方案。

实施例2

基于本发明实施例1提出的基于人工智能的工程现场人员行为预警方法，本发明实施例2提出了基于人工智能的工程现场人员行为预警系统，如图2给出了基于人工智能的工程现场人员行为预警系统示意图，该系统包括数据标准化接入模块、训练模块和识别模块；

数据标准化接入模块用于通过无线网络对接工程现场的信息采集终端设备采集工程现场人员行为数据样本，并将数据样本存储到大数据海量平台；

训练模块用于基于预先设置的违章行为数据库，对现场人员行为数据样本深度学习训练。本发明中违章行为数据库建立的方法为：通过无线网络对接工程现场的信息采集终端设备，由现场人员进行现场违规行为演示，信息采集终端设备获取违规行为演示的数据并存储至大数据海量平台形成违章行为数据库。

对现场人员行为数据样本深度学习训练的过程为：

对现场人员行为数据样本进行预处理，并对现场人员行为数据样本以标签进行标注；预处理包括清洗，压缩和裁剪；通过对比不同的模型算法结果，选取合适的算法模型，将样本模型输入算法框架进行特征提取，参数共享，并对模型进行迭代训练，调整学习率，批次等，使模型收敛。后期对模型进行剪枝量化，使其达到应用的水平。并对模型权重进行封装。

识别模块用于通过图像识别算法加密优盘，实现违章行为的识别并发出预警。

通过图像识别算法加密优盘的方法为：先将U盘进行加密操作：将U盘插入计算机，等待其成功连接，打开Windows控制面板，选择系统和安全，选择BitLocker驱动器加密，找到需要加密的U盘，点击启用BitLocker，等待工具完成初始化，选择加密方式，使用密码加密，输入密码。完成后点击“下一步”，选择恢复密钥保存的方式，点击“启动加密”待系统完成操作即可，完成前不要拨出U盘以免数据受到破坏。完成对U盘的加密

优盘加密完成后进行算法加密；算法加密的过程为：自定义批数据归一化层，在卷积层后，对每批次数据进行x倍数的归一化，现场运行算法时，传入对应x倍数，当传入正确x时，对输入的数据进行自动识别并输出检测结果。

实现违章行为的识别的过程为：

大数据算法选取卷积神经网络算法，通过卷积神经网络对现场人员行为数据样本的图像和视频均进行卷积和池化，提取图像中浅层特征，以及检测出语意信息；浅层特征包括边缘轮廓和线条；

通过卷积神经网络输出现场人员行为数据样本的特征图，通过特征图与标签进行拟合，从而判断出是否是某一类别数据，进而判断现场人员行为是否违章。

系统还包括分析应用模块；分析应用模块用于根据违章行为识别的结果，对不同类型违章进行针对性改进，可视化数据结果。

本发明中通过大数据分析平台对终端用户的操作行为进行管理与控制。其组成部分参考框架示意图：

感知层：主要由各类终端设备组成，终端设备必须装入符合要求的探针模块。用于采集终端用户的各种操作信息。

网络层：由安全接入平台组成，保证网络传输时的信息安全问题。

服务层：由海量平台、大数据分析模块、应用服务器组成。海量平台存储终端用户的实时操作数据；大数据分析模块分析预测用户行为的趋势；应用服务器存储分析结果与分析报告，同时负责与终端用户进行交互。

本发明为了支撑未来输变电工程信息化安全防护建设工作，结合云计算、大数据分析等信息技术，提出的技术方案能够实现用户在进行基建现场作业时，识别用户已经或即将出现的安全违规行为，给以用户警告提示信息，警示用户不能违规操作，安全开展工程作业，保障人身及设备安全等。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。