基于改进ST-GCN的10 kV带电作业人员视频异常行为识别方法

• 全文链接
• 请求原文

作   者：

吴田;  万亚旭;  王申华;  肖宾;  方春华;  黎鹏; 

作者机构：

湖北省输电线路工程技术研究中心(三峡大学);  中国电力科学研究院有限公司;  国网武义县供电公司; 

关键词：

带电作业;  行为识别;  时空图卷积网络;  安全监护;  人体姿态估计; 

期刊名称：

南方电网技术

i s s n：

1674-0629

年卷期：

2024 年 18 卷 010 期

页   码：

31-39,72

摘   要：

为确保常态化配网带电作业时人员和设备的安全,异常行为识别是必不可少的技术手段,但现有带电作业行为识别方法存在准确率低、可识别种类少以及受背景干扰导致漏检和误检等问题.提出了一种基于改进时空图卷积网络(spatial temporal graph convolutional networks,ST-GCN)的10 kV带电作业视频异常行为识别方法.首先,采用目标检测与跟踪的方法在视频人体区域添加掩膜,排除复杂背景的影响;然后,利用轻量化改进姿态估计模型获取人体骨架,以多帧骨架序列构建时空图;最后,由ST-GCN提取时空图的空间姿态与时序信息并引入通道注意力(squeeze-and-excitation networks,SENet)模块强化动作特征后完成带电作业行为识别.以带电作业视频构建行为数据集,选取绝缘检测等5类典型行为进行验证.试验结果表明,该方法提升了人体姿态估计的速度,约束了骨架检测区域,降低了肢体误检率和漏检率;能有效识别带电作业行为,平均准确率达88%;在复杂环境下有良好的泛化性,为带电作业安全监护的智能化提供了有效参考.