(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210228357.X (22)申请日 2022.03.10 (65)同一申请的已公布的文献号 申请公布号 CN 114332744 A (43)申请公布日 2022.04.12 (73)专利权人 成都诺比侃科技有限公司 地址 610014 四川省成 都市青羊区光 华南 三路88号1栋15层15 34号 (72)发明人 林仁辉　苏茂才　王威　唐泰可　 廖峪　 (74)专利代理 机构 西安正华恒远知识产权代理 事务所(普通 合伙) 61271 专利代理师 傅晓 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 10/74(2022.01)G06K 9/62(2022.01) (56)对比文件 CN 10176 3388 A,2010.0 6.30 CN 10176 3388 A,2010.0 6.30 CN 105791730 A,2016.07.20 CN 10784 4779 A,2018.0 3.27 CN 110266999 A,2019.09.20 CN 113673495 A,2021.1 1.19 CN 112040196 A,2020.12.04 EP 3648448 A1,2020.0 5.06 US 2009220154 A1,20 09.09.03 US 2021343 027 A1,2021.1 1.04 CN 10154734 4 A,2009.09.30 严鹏;廖峪;陈伟庚;刘晓江;杨长卫. 《图像 智能识别技 术在高速 铁路基础设施检测中的应 用》 . 《中国铁路》 .2019, 审查员 梁晨陇 (54)发明名称 一种基于机器视觉的变电站自适应安防方 法及系统 (57)摘要 本发明公开了一种基于机器视觉的变电站 自适应安防方法及系统， 包括以下步骤： 步骤S1、 将所有监控设备实时得到的视频帧进行目标检 测以保留下包含疑似对象 的视频帧， 并在包含疑 似对象的视频帧中提取出疑似对象的图像特征； 步骤S2、 将所述包含疑似对象的视频帧对应的监 控设备作为自适应调整设备， 对疑似对象的图像 特征与预检目标对象的图像特征进行相似性分 析， 并根据相似性分析结果调整自适应调整设备 的视频帧留存频率 以提高捕捉到疑似对象的行 为特征的概率。 本发明根据相似性分析结果调整 自适应调整设备的视频帧留存频率 以提高捕捉 到疑似对象的行为特征的概率， 同时会增加疑似 对象在其监控视野中的监控设备的视频帧量， 提 高安防精度。 权利要求书3页 说明书8页 附图2页 CN 114332744 B 2022.06.07 CN 114332744 B 1.一种基于 机器视觉的变电站自适应安防方法， 其特 征在于， 包括以下步骤： 步骤S1、 将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视 频帧， 并在包含疑似对 象的视频帧中提取出疑似对 象的图像特征， 所述疑似对 象表征为具 有被认定为预检目标对象可能性的对象， 所述预检目标对象表征为被变电站列为对变电站 具有安防危害性的对象； 步骤S2、 将所述包含疑似对象的视频帧对应的监控设备作为自适应调整设备， 对疑似 对象的图像特征与预检目标对象的图像特征进行相似性分析， 并根据相似性分析结果调整 自适应调整设备的视频帧留存频率以提高捕捉到疑似对象的行为特征的概率， 所述视频帧 留存频率表征为自适应调整设备对实时视频帧的保存频率； 步骤S3、 根据疑似对象的行为特征判定安防危害性的程度， 并基于安防危害性的高低 程度将疑似对 象重标记为安防目标对 象， 对安防目标对 象进行安防控制， 所述安防目标对 象表征为对变电站具有高安防危害性的预 见目标对象； 将疑似对象的图像像素特征和预检目标对象的图像像素特征进行相似度运算， 相似度 运算公式为： ； 式中， 表征为第r个包含疑似对象的视频帧中的疑似对象的图像像素特征向量与包 含预检目标对象的视频帧中疑似对象的图像像素特征向量的相似度， 、 B分别表征为第r 个包含疑似对象的视频帧中的疑似对象的图像像素特征向量、 包含预检目标对象的视频帧 中疑似对象的图像 像素特征向量的相似度， r为计量常数， 无实质含义； 设定相似度阈值， 相似度 与相似度阈值比较， 其中， 若相似度 高于或等于相似度阈值， 则将对应拍摄到第r个包含疑似对象的视频帧的 第r个自适应调整设备的视频帧留存频率调整为： ， 式中， 、 分别表征为第r个自适应调整设备的实时视 频帧留存频率和上一时刻视频帧留存频 率， r为计量常数， 无实质含义； 若相似度 低于相似度阈值， 则将对应拍摄到第r个包含疑似对象的视频帧的第r个 自适应调整设备的视频帧留存频率调整 为： ， 式中， 、 分别表征 为第r个自适应调整设备的实时视频帧留存频率和上一时刻视频帧留存频率， r为计量常 数， 无实质含义； 依次将每个自适应调整设备的实时视频帧按视频帧留存频率进行视频帧保存得到多 组表征疑似 对象的行为特 征的视频帧序列； 依次将每组表征疑似对象的行为特征的视频帧序列输入至基于Bi ‑LSTM‑Attiention 模型的危险行为识别模型以得到多组表征疑似对象的安防危害性的程度值， 并将 每组表征 疑似对象的安防危害性的程度值按疑似对象对应的相似度 进行加权求和作为表征疑似 对象的安防危害性的总程度值， 表征疑似 对象的安防危害性的总程度值的计算公式为：权　利　要　求　书 1/3 页 2 CN 114332744 B 2； 式中， 表征为总程度值， 表征为每组表征疑似对象的安防危害性的程度值， N表 征为自适应调整设备总数目； 设定安防危害性的判定阈值， 将安防危害性的总程度值与安防危害性的判定 阈值相比 较， 其中， 若安防危害性的总程度值高于或等于安防危害性的判定 阈值， 则将对应的疑似对象重 标记为安防目标对象； 若安防危害性的总程度值低于安防危害性的判定 阈值， 则将对应的疑似对象重标记为 非安防目标对象。 2.根据权利要求1所述的一种基于机器视觉的变电站自适应安防方法， 其特征在于： 所 述将所有监控设备实时得到的视频帧进行目标检测以保留下包含疑似对象的视频帧， 包 括： 依次将每个监控设备的实时视频帧和上一 时刻视频帧进行全局差异性运算， 以得到包 含疑似对象的视频帧； 设定用于目标检测的差异性阈值， 并将所述全局差异性与差异性阈值进行比较， 其中， 当全局差异性高于或等于差异性阈值， 则将对应的所述实时视频帧判定为包含疑似对 象的视频帧； 当全局差异性低于差异性阈值， 则将对应的所述实时视频帧判定为非包含疑似对象的 视频帧； 优选的， 所述全局差异性的运 算公式为： ； 式中， 表征为第i个监控设备的实时视频帧和上一时刻视频帧的全局差异性， 、 分别表征为第i个监控设备的实时视 频帧和上一时刻视频帧 的第j个像素点的像 素值， i、 t、 j均为计量常数， 无实质含义， 表征为第i个监控设备的实时视频帧或上一时 刻视频帧的像素点总数目。 3.根据权利要求2所述的一种基于机器视觉的变电站自适应安防方法， 其特征在于： 所 述在包含疑似对象的视频帧中提取 出疑似对象的图像特 征， 包括： 利用SSD算法在包含疑似对象的视频帧中提取出疑似对象的图像位置特征， 并基于所 述图像位置特 征在包含疑似对象的视频帧中提取 出图像像素特征； 优选的， 所述S SD算法的训练包括： 将包含预检目标对象的多个视频帧作为训练样本， 并将训练样本应用于所述SSD算法 进行算法训练以得到具有高准确度的S SD算法； 其中， 所述S SD算法的损失函数设定为：权　利　要　求　书 2/3 页 3 CN 114332744 B 3