CN118762332B 作业现场安全检测方法、安全检测系统及安全围栏 （国网江西省电力有限公司南昌供电分公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118762332B(45)授权公告日2025.01.10

(21)申请号202411239725.6

(22)申请日2024.09.05

(65)同一申请的已公布的文献号申请公布号CN118762332A

(43)申请公布日2024.10.11

(73)专利权人国网江西省电力有限公司南昌供电分公司

地址330000江西省南昌市东湖区叠山路

383号

专利权人国家电网有限公司

(72)发明人万震骏付理祥刘心婷万磊辉王佳昕彭轶灏余中枢黄振刚李洁李娜李海明徐继佳

(51)Int.CI.

GO6V20/52(2022.01)

GO6V10/764(2022.01)

GO6V10/82(2022.01)

GO6V10/77(2022.01)

GO6V10/44(2022.01)

GO6N3/0475(2023.01)

GO6N3/094(2023.01)

GO6N3/0455(2023.01)

GO6N3/084(2023.01)

(56)对比文件

A,2023.01.06A,2024.05.28115578687118095865

A,2023.01.06A,2024.05.28

115578687

118095865

审查员杨少魁

(74)专利代理机构南昌丰择知识产权代理事务

所(普通合伙)36137

专利代理师刘小平权利要求书7页说明书17页附图2页

(54)发明名称

作业现场安全检测方法、安全检测系统及安

全围栏

(57)摘要

CN118762332B本发明公开了一种作业现场安全检测方法、安全检测系统及安全围栏，该方法包括如下步骤：采用扩充数据训练特征提取模型，采用特征提取模型的输出训练特征降维模型，采用特征降维模型的输出训练分类器模型，将各训练好的模型应用于施工作业现场检测，其中，特征提取模型采用基于环形动态优化算法的神经网络，特征降维模型采用基于对偶损失的自编码神经网络，分类器模型采用基于曲率感知权重更新的极限学习机算法；本发的特征提取模型可根据不同的训练阶段调整优化策略，模拟生物周期以应对不同数据特性，提升了特征提取的效率和准确性；通过自编码器进行特征降维，并采用基于对偶损

CN118762332B

数据采集与标注

数据采集与标注

数据扩充

训练特征提取模型

训练特征降维模型

训练分类器模型

电力施工作业现场检测

步骤S1

步骤S2

步骤S3

步骤S4

步骤S5

步骤S6

CN118762332B权利要求书1/7页

2

1.一种作业现场安全检测方法，其特征在于，包括如下步骤：

步骤S1:数据采集与标注；采集施工作业现场图像并标注；

步骤S2:数据扩充；采用训练好的基于层次化特征分解的生成对抗网络算法对采集的施工作业现场图像进行样本生成，得到扩充图像；所述基于层次化特征分解的生成对抗网络包括生成器和判别器两个组件，并采用层级特征解构损失函数；

步骤S3:训练特征提取模型；

构建特征提取模型，将扩充图像拉伸为一维向量后输入至特征提取模型，对特征提取模型进行训练，得到训练好的特征提取模型，采用训练好的特征提取模型对扩充图像进行特征提取，得到特征图；所述特征提取模型采用基于环形动态优化算法的神经网络，环形动态优化算法在不同的训练阶段调整优化策略，模拟细胞周期中的各个阶段，每一阶段都采用不同的策略来调整神经网络的权重和偏置；

步骤S4:训练特征降维模型；

构建特征降维模型，采用特征图对特征降维模型进行训练，得到训练好的特征降维模型，采用训练好的特征降维模型对特征图进行降维，得到降维特征图；所述特征降维模型采用基于对偶损失的自编码神经网络，所述基于对偶损失的自编码神经网络利用编码器和解码器的对偶性质优化特征降维过程；

步骤S5:训练分类器模型；

构建分类器模型，采用降维特征图对分类器模型进行训练，得到训练好的分类器模型，采用训练好的分类器模型对降维特征图进行分类，得到分类结果；所述分类器模型采用基于曲率感知权重更新的极限学习机算法，所述基于曲率感知权重更新的极限学习机算法采用曲率感知机制，分析输入数据的局部曲率变化，动态调整每个数据点的