论文部分内容阅读
稳定的电力供应是保障煤矿安全生产的前提。井下配电室是煤矿电力供应系统的重要一环,因此,需要对井下配电室进行定期巡检,发现隐患及时处理。当前判断人员是否按规定完成巡检任务,主要是通过检查纸质记录及监控室人工监视,存在巡检人员作弊、人工监视工作量大等问题。因此,有必要研究配电室巡检行为智能检测方法,以确保巡检人员按照规定完成巡检,保障煤矿电力系统安全。本文将配电室巡检行为检测分为巡检行为识别和定位两部分,分别对基于双流卷积神经网络(Two-Stream Convolutional Neural Networks,Two-Stream CNN)的人体行为识别算法和基于边界敏感网络(Boundary Sensitive Network,BSN)的人体行为定位算法进行研究及改进,并设计了配电室巡检行为识别系统,智能识别配电室巡检人员的巡检行为。主要研究内容包括:(1)提出基于改进双流法的井下配电室巡检行为识别方法。通过场景分析,将巡检行为分为站立检测、下蹲检测、走动、站立记录、坐下记录五种类型,制作了巡检行为数据集(Inspection Behavior Dataset,IBDS5)。将每个巡检行为视频等分为3个部分,分别对应巡检开始、巡检中和巡检结束;对3个部分视频分别随机采样,获取代表空间特征的RGB图像和代表运动特征的连续光流图像,并分别输入空间流网络和时间流网络进行特征提取;对2个网络的预测特征进行加权融合,分类后获取到巡检行为识别结果。实验结果表明,本文方法在IBDS5数据集和公共数据集UCF101上的Top1识别准确率均优于3D-CNN、传统Two-Stream CNN等现有方法。(2)提出基于改进BSN网络的井下配电室巡检时序行为定位方法。对于井下配电室巡检时序行为定位来说,需要准确定位巡检行为在视频中的位置。首先进行巡检动作的特征进行提取,改进的双流卷积神经网络能很好的提取较长视频的特征。因此使用改进的双流卷积神经网络进行特征提取,获取特征序列。其次,将提取的视频特征输入BSN网络,定位巡检的开始和结束时间,形成候选时间区域,然后评估每个候选时间区域是否包含巡检行为的置信度,得到包含置信度分数的候选结合。最后使用非极大值抑制算法(Non-maxi Mum Suppression,NMS)进行冗余去除,得到巡检行为定位。实验分别对比了不同Io U阈值、每个视频生成不同候选数量对巡检行为定位召回率的影响。结果表明,与其他方法相比,本文方法取得了较高的平均召回率。(3)基于改进的双流卷积神经网络算法,设计并实现了C/S模式的配电室巡检行为识别系统。系统通过输入配电室监控视频,检测分析配电室人员是否完成巡检,减少了人力资源的花费,同时增大了监控的可靠性。