电力工程现场行为违规视觉AI识别算法研究

 

王为强，邵波

(国能电力技术工程有限公司，山东 济南 250101)

 

    摘 要 ：在电力工程现场中，图像质量常因复杂环境干扰而降低，且单一特征难以全面描述行为， 加上行为模式复杂多变，导致传统方法识别违规行为时存在较大误差。提出了电力工程现场行为违规视 觉 AI 识别算法研究。搭建机器视觉系统，采集图像后用双边滤波处理，在降噪同时保留图像细节。通 过边缘检测提取轮廓特征，光流法提取运动特征，构建多维度特征向量。设计多层次行为违规视觉 AI 识别模型，输入特征向量，经隐藏层非线性变换、违规行为分类层映射，输出层判别输出结果，实现自 动识别。测试结果表明，该算法在所有 6 类违规行为类型的样本中漏判率极低，mAP 值均达到了 0.98 以 上，帧率达到 60 f/s，具有实时、高精度的应用性能。

    关键词 ： 电力工程现场 ：行为违规 ；视觉 AI 识别算法 ；机器视觉系统

    中图分类号 ：TM71 ；TP391.41     文献标识码 ：A     文章编号 ：1007-3175(2025)11-0061-05

 

 Research on Visual AI Recognition Algorithm for Behavior Violations of Power Engineering Site

 

WANG Wei-qiang, SHAO Bo

（Guoneng Electric Power Technology Engineering Co., Ltd, Jinan 250101, China）

 

    Abstract: In power engineering sites, image quality is often reduced due to complex environmental interference, and a single feature is difficult to fully describe behavior. Moreover, the behavior patterns are complex and varied, leading to significant errors in traditional methods for identifying violations. Therefore, a research on visual AI recognition algorithm for violations of on-site behavior in power engineering has been proposed. Build a machine vision system that processes captured images using bilateral filtering to reduce noise while preserving image details. Extracting contour features through edge detection and motion features via optical flow methods to construct a multi-dimensional feature vector. Designing a multi-level behavior violation visual AI recognition model, inputting feature vectors, the nonlinear transformation through hidden layers, violation behavior classification layer mapping, output layer discrimination output results, and achieve automatic recognition. The test results show that the algorithm has an extremely low false positive rate among all six types of violations, with mAP values above 0.98 and the frame rate per second reaches 60 f/s, demonstrating real-time and high-precision application performance.

    Key words: power engineering site; behavior violation; visual AI recognition algorithm; machine vision system 

 

参考文献

[1] 闫云凤，陈汐，金浩远，等. 基于计算机视觉的电力作业人员行为分析研究现状与展望 [J]. 高电压技术，2024，50(5)：1842-1854.

[2] 贺洲强，夏天，陈亮，等. 基于高精度机器视觉的电力违规作业动作监控识别算法设计 [J]. 电子设计工 程，2023，31(15)：145-149.

[3] 张永敏，刘胜男，易玲，等 . 基于滤波的电力计量系统分流窃电行为动态识别方法 [J]. 机械设计与制造工程，2024，53(3)：129-132.

[4] 卫雅婧，刘树成，李立军，等 . 新能源电力工程管理现状及对策[J]. 电站系统工程，2023，39(1) ：75-76.

[5] 李飞，陈童 . 考虑多种攻击策略的国防工程电力系统网架生存性评估[J]. 计算机科学，2024，51( z1)： 1121-1128.

[6] 郭禹伶，左晓军，崔景洋，等 . 基于模糊聚类的多类簇归属电力实体行为异常检测算法 [J]. 河北科技大学 学报，2022，43(5)：528-537.

[7] 章家威，李昊冉，罗天慧，等 . 融合多组双目视觉系统的管道尺寸测量技术研究 [J]. 电子测量技术， 2023，46(6)：137-146.

[8] 薛斌斌，高文俊，张伟 . 基于边缘计算的电力施工现场违规行为告警[J]. 信息技术，2023，47(7)：162-166.

[9] 房方，吕游，师瑞峰 . 基于多维度培养质量评价的电力特色自动化类专业工程人才培养改革实践[J]. 中国 电机工程学报，2023，43(23)：9352-9361.

[10] 冯兴龙，吴田，万亚旭，等 . 基于人-物交互关系检测的带电作业人员行为识别方法研究 [J]. 中国安全生 产科学技术，2024，20(9) ：205-211.

[11] 赵连斌，张锋，杨辉 . 基于改进卷积神经网络算法的违规作业行为检测 [J]. 电子设计工程，2023， 31(21) ：141-145.

[12] 庄陵，刘莹，宋诗苇 . 具有系数相关性的可变分 时延滤波器设计方法[J]. 通信学报，2024，45(4)： 137-145.

[13] 刘士利，吕东建，张飞 . 断路器并联动态合闸电阻对滤波器合闸涌流的抑制效能研究[J]. 电网技术， 2024，48(9)：3931-3937.

[14] 邓建新，黄秋林，袁邦颐，等 . 基于边缘重构图像的边缘检测算法优选研究[J]. 机电工程，2023， 40(9)：1441-1448.

[15] 郑恩壮，钟宝江 . 各向异性的多尺度边缘检测算法[J]. 激光与光电子学进展，2022，59(4)：274-282.

[16] 江友华，叶梦豆，赵乐，等 . 基于seq2seq和SVM双层融合的非侵入式用户异常行为检测 [J]. 计算机应用 与软件，2024，41(9)：97-105.

[17] 铁富珍 . 基于改进光流法的视频监控中人群异常行为检测算法 [J]. 现代电子技术，2024，47(7)：45-48.

[18] 陈辛，杨江涛，许新云 . 基于光流法优化的人群异常行为检测研究[J]. 现代电子技术，2023，46(12)： 168-174.

[19] 杨乐，郭一鸣，霍勇博，等 . 改进YOLOv5在电力生产违规穿戴检测中的应用[J]. 电力系统保护与控制， 2023，51(14)：160-168.

[20] 王梓歌，葛利跃，陈震，等 . 联合深度超参数卷积和 交叉关联注意力的大位移光流估计[J]. 自动化学报， 2024，50(8)：1631-1645.

[21] 王思远，刘元坤，于馨 . 基于光流像素匹配的扫描显微相位测量轮廓术[J]. 光电工程，2024，51(11)： 36-46.

[22] 姜文涛，陈霖霖，张晟翀 . 正态随机仿射变换的图像数据增强方法[J]. 计算机工程与应用，2024， 60(23)：176-186.

[23] 白玉，胡旋，耿世松 . 卫星图像数据高速传输与处理系统的设计与验证[J]. 电讯技术，2024，64(2)： 215-221.

[24] 王小君，窦嘉铭，刘曌，等 . 可解释人工智能在电力系统中的应用综述与展望[J]. 电力系统自动化， 2024，48(4)：169-191.

[25] 王春妍，卢达，李贺龙，等 . 考虑电力市场化交易的电碳表计量及实现方法研究[J]. 电网技术，2024， 48(6) ：2297-2306.

[26] 赵恒，胡胜男，徐进霞，等 . 基于DBN-SVM的电力智慧工地异常行为识别[J]. 自动化与仪器仪表， 2023(5)：92-95.