基于多源数据的电力作业人员实时行为安全预警.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第10期总第338期文章编号：1006-2475（2023）10-0084-08收稿日期：2022-10-10；修回日期：2023-04-21基金项目：国家重点研发计划项目（2020YFB0905900）；国家电网有限公司总部科技项目（SGTJDK00DWJS2100223）作者简介：张楠（1989），女，河北廊坊人，高级工程师，博士，研究方向：电力高性能传感与异构网络，E-mail:；李温静（1984），女，山西运城人，高级工程师，博士，研究方向：电力系统通信及其自动化，E-mail:liwenjing_；通信作者：刘彩（1991），女，福建武夷山人，工程师，本科，研究方向：电力大数据，E-mail:；谢可（1981），男，山西太原人，高级工程师，博士，研究方向：电力系统通信及其自动化，E-mail:；马世乾（1988），男，天津人，高级工程师，博士，研究方向：电力系统及其自动化，E-mail:；肖钧浩（1997），男，黑龙江哈尔滨人，助理工程师，研究方向：电力系统自动化，E-mail:；邹枫（1990），男，福建龙岩人，工程师，本科，研究方向：电力大数据，E-mail:。0引言近年来，我国的电力行业得到了前所未有的发展，各种电力系统中的复杂任务在人工智能的辅助下取得突破。一直以来，电力能源安全被视为国家高质量发展、改善人民生活水平和社会长治久安的一个关键问题，“十三五”期间，我国电网输送能力由2015年的1.1亿kW提高到2020年的2.3亿千瓦kW，其中特高压占比高达 61%1。相应地，全国用电量从 2015年5.74万亿kWh提升至2021年8.11万亿kWh，并且呈现稳步增加的趋势。国家“十四五”规划中的5G基站建设、东数西算数据中心、新能源电动汽车以及八纵八横的高铁项目建设都是用电需求量较大的项目，电力供应保障便是项目建设的前提。与此同时，在国家电网项目建设过程中，仍时而发生电力物联网作业人员安全事故。因此，建立一个电力作业人员的实时行为安全预警系统具有重要的意义。据国家能源局截至2021年10月全国电力安全生产情况数据统计，我国每年都会发生数十起电力安全事故，导致几十名作业人员死亡，从侧面反映出我国电力安全生产中的不足，例如：电力作业人员工作流程不规范、作业人员安全意识不足等。据杜邦公司对安全生产事故的统计，作业人员的不安全行为导致事故率高达 96%2。海因里希曾对美国 75000起工业基于多源数据的电力作业人员实时行为安全预警张楠1，李温静1，刘彩1，谢可1，马世乾2，肖钧浩1，邹枫1（1.国网信息通信产业集团有限公司，北京 102211;2.国网天津市电力公司，天津 300010）摘要：为了在电网建设过程中，减少安全事故的发生及保障电力作业人员安全，提出一种基于三维残差卷积神经网络（R3D）模型的决策融合的行为识别模型。首先，将采集的视频数据集进行数据清洗和增强；然后，用多个角度采集的数据集分别训练对应的R3D模型；进一步地，将多个R3D模型进行决策级融合；最后，通过构建云平台，将电力作业人员可能存在的违规行为或危险行为进行实时预警。实验结果表明，该模型具有识别精度高、参数量少等优点，表明本文提出的行为安全预警方法能够快速准确地做出预警，为电网建设提供安全保障。关键词：电力施工；不安全行为；R3D模型；云平台；预警系统；决策融合；多源数据中图分类号：TP391.4文献标志码：ADOI:10.3969/j.issn.1006-2475.2023.10.013Real-time Behavioral Safety Warning for Power Operators Based on Multi-source DataZHANG Nan1，LI Wen-jing1，LIU Cai1，XIE Ke1，MA Shi-qian2，XIAO Jun-hao1，ZOU Feng1（1.State Grid Information and Communication Industry Group Co.，Ltd.，Beijing 102211，China；2.State Grid Tianjin Electric Power Company，Tianjin 300010，China）Abstract:In order to reduce the occurrence of safety accidents and ensure the safety of power operators in the process of powergrid construction，a behavior recognition model based on decision fusion of three dimensional residual convolutional neural network（R3D）models is proposed.First，the captured video dataset is subjected to data cleaning and enhancement；then，the corresponding R3D models are trained with the datasets collected from multiple angles；further，the multiple R3D models are fusedat the decision level；finally，the possible violations or dangerous behaviors of power operators are warned in real-time by building a cloud platform.The experimental results show that the model has the advantages of high recognition accuracy and a lownumber of parameters，which proves that the behavior safety early warning method proposed in this paper can make early warningquickly and accurately and provide a safety guarantee for power grid construction.Key words:power construction；unsafe behavior；R3D model；cloud platform；early warning system；decision fusion；multi-source data2023年第10期安全事故进行调查得知作业人员的不安全行为导致的事故占 88%，其中 98%的事故是通过预防可以避免的3。我国对于安全事故统计研究表明，作业人员的不安全行为导致的事故占总体的85%4-5。因此对作业人员的不安全行为进行预警，可以有效地降低安全事故的发生6-7。值得注意的是，随着电子芯片的微型化以及互联网的高效传输，人们可以通过一些便携式摄像头实时获取现场画面，并及时作出决策8。与此同时，深度学习在图像视频识别领域获得了较大进展9。本文针对当前电力作业人员的在电力施工作业时面临的安全问题，结合电力物联网环境提出一种基于 R3D模型和云平台的电网作业人员实时行为安全预警技术。通过多个便携式摄像头捕捉不同角度的电力物联网作业人员实时行为画面传输到电力分析云平台，通过R3D模型进行多源数据融合决策，识别出由于作业人员行为不规范可能导致的安全事故，进一步通过现场广播告知作业人员，同时将现场画面同步传输至安全生产调度室进行监督。1国内外研究现状电力作业人员行为安全预警分为行为识别和安全预警2个模块，其核心是人员的行为识别模块。行为识别模块有2个重要因素：人员外部形象和运动轨迹10。想得到良好性能的识别及预警系统，需要从这2个方面提取有效的信息，然而，行为识别及安全预警模块在处理视频时，往往伴随而来的是高复杂的信息与干扰。国内外对于人员行为预警方法有许多研究，现有文献主要从传统机器学习和深度学习2个方面进行研究。1.1基于传统机器学习的人员行为安全预警基于传统机器学习的作业人员行为安全预警主要是应用支持向量机（SVM）、特征组合等方式进行预警。文献 11 将人的不安全行为检测归纳为人身检测、侵入性检测和多人协同作业检测3个方面来分析不安全行为检测预警。其人身检测采用SVM与方向梯度直方图（HOG）特征组合的方法进行判断。他们的侵入性检测采用基于视频监控、传感器以及现场人员反馈信息的多源数据融合方法进行判断。同时，文献 11 中也提到了多人协同作业采用多监控协同检测方法，是对图像中人员数量与间隔实时判断。通过地铁施工不安全行为检测框架对施工不安全行为进行实时检测。该方法能够识别安全帽及危险区域等，但无法分析出作业人员的行为是否存在安全问题。文献 12 提出一种基于机器学习和图像识别的电力作业现场安全监督。通过梯度方向直方图和向量机来开展完全帧人员检测工作，最后通过OpenCV图像处理技术分析人员是否已进入警戒区域。然而该方法主要针对作业人员是否闯入警戒区域进行识别，不能针对电力作业人员的违规动作进行识别。1.2基于深度学习的人员行为安全预警近些年来，随着深度神经网络的深入研究与不断创新，在图像处理领域取得了很多成就。深度学习在图像处理上的优越性、高效性，使得学者们将其引入面向视频的行为识别领域13。BP神经网络是常用的一种网络形式，文献 14提出的预警系统由4个二级指标及17个三级指标构成的评价体系能有效地对建筑工人的安全行为进行评价和预警，将安全状态分为优秀、良好和较差3种情况，采用反向传播（BP）神经网络，然而该预警模型是通过对建筑工人的问卷调查等情况进行评价，无法对建筑工人进行实时监控，提供作业时的安全保护。文献 15 采用事故统计分析、文献分析、质性访谈方法获取不安全行为影响因素，从组织、个人、外在环境、设备4个方面建立不安全行为预警指标体系，建出“23-9-4”3层结构的BP神经网络预警模型，然而该预警模型是提前预测、防控不安全行为状态，无法对建筑工人的实时安全行为进行预测。类似地，文献16 利用BP神经网络对于高海拔隧道施工人员的不安全行为进行预警，也存在上述的一些问题。文献 17 通过 YOLOv4网络模型识别井下人员佩戴安全帽情况，再通过OpenPose算法及ST-GCN模型对监控视频中的矿工行为进行识别。该井下人员不安全行为识别与预警系统为井下人员的安全管理提供了新的思路。由于ST-GCN模型存在行为识别精度偏低的问题，所以以R3D为核心技术，构建生成了一个云平台，该云平台用于实时分析处理从施工现场捕获的电力物联网作业人员实施作业画面，当模型检测出可能存在危险动作或违规行为时能够及时发出预警。文献 18 提出一种基于深度学习的电力作业人员行为识别技术。通过OpenPose的危险识别技术，通过对电力作业人员骨骼关键点信息进行姿态感知并实时对施工人员的违规行为进行检测识别发出警告。然而该方法只能对预设数据集标注的站立、走路、跳跃、摔倒和下蹲5个动作进行识别，这种方法在面对复杂的电力环境下识别有限。文献 19 提出一种基于深度学习的电力作业异常行为识别系统的设计与实现。通过一种基于双流Faster R-CNN的目标检测方法，实现了电力作业现场的目标检测功能，主要检测在作业时电力工人是否按照电工安全操作规程的要求正确穿戴必须的安全防护物件。然而该方法仍是针对作业人员的安全佩戴进行检查，无法有效地对作业人员的行为进行监测。1.3基于其他领域方法的人员行为安全预警不仅是在计算机视觉领域，在人员行为安全预警任务上，也可以利用其他技术。文献 20 从作业人员实时位置数据、作业人员属性及装备数据、作业人员危险动作数据出发，构建了基于BIM（建筑信息模型）技术和定位技术的地铁施工事故预警系统，通过采集层、数据输入层、数据处理层、模型应用层等4大层级结构进行安全预警。然而该文只是停留在理论阶段张楠，等：基于多源数据的电力作业人员实时行为安全预警85计算机与现代化2023年第10期的分析，还无法通过实验进行验证。综上一些现有文献对于作业人员行为安全预警方法，对不同场景下的不同任务进行了研究，从传统的机器学习到深度学习等都或多或少存在识别准确率低、难以匹配现实高复杂度场景、无法实时识别行为模式等问题。本文针对上述可能存在的问题，提出一种基于多源数据融合的电力作业人员安全预警方法。2问题描述针对电力物联网领域的多模态作业人员行为安全预警任务，抽象其问题描述。考虑一个需要执行电力作业安全预警任务的场地L，其中有n个可供预警的摄像头 C=Ci，i=1，2，n，对于任意的 CiC，其对应的角度参数为 i，在可控决策区间)Tk，Tk+1内（按电力作业任务划分），其所拍摄的电力作业视频素材（场地L上的实时预警监控）被定义为Vki。进一步地根据预设间隔，将Vki按间隔进行切帧，在筛选掉异常值后得到一组可供决策的图像序列Pki。现有训练 完 备 的 多 角 度 神 经 网 络 模 型 Mi=Mi，j，j=1，2，l，每一组图像序列都将被输入对应的模型中并且得出预测值Ai，k，整理后整体预测向量被定义为Ak。值得注意的是，这里的多角度电力人员行为安全预测结果是以概率的形式输出，并且对于常规的决策级融合算法，融合结果一般被描述为：AL，k=i=1nAi，k wi，k，L（1）其中，AL，k为加权融合后的决策值，Ai，k为第i个安全预警摄像头提供的素材对应的预测值，wi为第i个摄像头被赋予的权重，这里的权重与模型在角度为i的摄像头所获得数据的表现有所联系。为了有效衡量权重选择的正确与否，定义效果指标PF，其具体计算为：PF=1n(q-a+1)j=aqi=1nwi|rij-1，rij 0，1（2）其中，a为起始计算样本，q为当前计算样本，wi为第i个摄像头被赋予的权重，rij为Mi预测类别与实际第j个样本类别的异或，于是传统加权融合在这里可以被描述为一个最大化问题：maxPF。进一步地对于每一个摄像头权重的更新，可以简化被描述为：wi=wi+，ri=0wi，ri=1（3）其中，wi为更新后的权重，ri为当前预测的样本类别与Mi模型预测类别的异或，为预测错误模型的权重调整参数，为预测正确模型的权重偏置，它可以被如下公式计算：=wii=1nwi|ri-11i=1nwi ri（4）其本质即减少预测错误模型的权重再按预测正确模型的权重占比进行重新分配。本文中还使用了感知机模型来进行融合预测，即将多个模型给出的结果作为数据输入新的网络中，由训练完备的分类网络给出合适的预测值。为了更清晰地描述这个问题，本文给出其具体结构化描述：1）输入：（1）用于实际预警的反馈区间参数，即可控决策区间)Tk，Tk+1；（2）第i个摄像头所拍摄的视频素材（场地L上的实时预警监控）Vki；（3）预设切帧间隔；（4）训练完备的多角度神经网络模型 Mi=Mi，j，j=1，2，l；（5）训练完备的感知机模型。2）输出：基于多角度模型的行为安全识别预测值，由决策级融合得到。3）目标：在感知机结构下的融合，需要对融合网络误差最小化。在一般的加权融合过程中，需要对预测正确模型的收益进行最大化，即:max(PF=1n(q-a+1)j=aqi=1nwirij)，rij 0，13基于R3D的人员安全预警方法以 R3D为核心技术，构建生成一个云平台。该云平台用于实时分析处理从施工现场捕获的电力物联网作业人员实施作业画面，当模型检测出可能存在危险动作或违规行为时能够及时发出预警。3.1基于R3D的行为识别及安全预警解决方案本文基于R3D建立的模型分为5个步骤进行实现，如图1所示。第一步：数据采集、清洗。将从不同数据源采集的数据进行融合，按照步长将视频提取图像帧，对图像帧进行裁剪，使其成为同一尺寸的图像帧，利于批量照片预处理；而后将图像帧降噪，减少数字图像中噪声以便后续机器学习可以从中获得更多信息；最后将图像帧进行增强使数据更加满足实际生产生活中的复杂情况。第二步：GAN网络生成样本。通过构建GAN网络，对大量电力数据集进行学习，主要学习数据集在数学层面上的分布规律，构建出合理的映射函数，从而生成大量模仿真实的样本数据用于模型的训练。GAN网络由生成器和判别器2个部分组成，生成器通过不断优化其网络，产生虚假数据使得判别器无法判断真假；判别器通过不断优化自身网络，尽可能地从数据中判断真假。2个网络不断博弈，最终使得模型达到纳什平衡，其目标函数为：minGmaxDV()D，G=Q+TQ=EiPx()ilogD()iT=EjPj()jlog()1-D()G()j（5）其中，V（D，G）为 GAN 的目标函数，D 网络是判别函数，G网络是生成函数，EiPx()ilogD()i表示电力数据集中的样本被判定为真实电力数据概率的数学期望，EjPj()jlog()1-D()G()j表示的是从随机噪声Pj（j）中采样生成的虚假电力数据样本，经过生成函数得到电力图像，送入判别函数，其预测为负对数的数学期望。862023年第10期第三步：模型训练与验证。将先前得到的电力数据集划分为训练集与验证集，其中训练集又根据不同视觉角度将视频划分为不同类别进行训练，得到若干个多角度的R3D模型。最关键的环节在于将同一动作的不同角度的结果进行模型融合，最后通过叠加一层全连接层将正面、侧面以及背面不同角度的模型进行加权融合后输出预测值。经验证集后不断调整模型参数以达到预期值。第四步：R3D模型决策融合。在实际电力物联网作业下，将不同的摄像头放置在不同的角度记录作业人员的作业画面。通过分析拍摄的角度应用不同的R3D模型进行判断。最终将同一时刻不同角度拍摄的画面进行决策级融合或使用一层全连接层进行判断，得到作业人员行为安全情况。第五步：安全预警。当模型决策出此刻作业人员的行为可能存在危险性或者不规范时，一方面将现场画面传送至安全调度室的电脑上进行监督整改，另一方面通过现场广播对作业人员发出预警，及时预防安全事故的发生。3.2关键技术介绍模型整体流程如图2所示。分别从数据采集与预处理、R3D模型与模型融合关键技术进行介绍。图1基于R3D的行为识别的组织结构图数据源A数据源B数据源C提图像帧采集清洗第一步：数据采集、清洗裁剪去噪增强抽样随机噪声生成器生成图片判别器真实？虚假？第二步：GAN生成样本第三步：模型训练与验证训练模型模型训练集验证集数据集验证模型设置模型参数进行识别第五步：安全预警安全危险向安全调度室传输画面通过现场广播进行提醒第四步：模型决策融合图2基于R3D模型的决策融合流程图开始视频数据集视频预处理模型训练与评估安全预警设置切帧步长将视频分为帧图像提取帧图像帧图像数据增强帧图像降噪裁剪帧图像是满足16帧图像？否帧步长减1GAN生成样本数据集1R3D模型1调整融合权重反向计算权重否是否达到预期融合网络R3D模型i数据集i摄像头n数据集n融合后的模型摄像头i摄像头1按角度划分数据集训练数据集结束安全预警是张楠，等：基于多源数据的电力作业人员实时行为安全预警87计算机与现代化2023年第10期3.2.1数据采集与预处理考虑到电力数据的保密需求，各工作地点现场采集的视频数据可能包括例如：工作场所的具体位置，现场布置，文件，相关设备的运行方式、具体型号、工作状态以及其他相关的电网机密信息，这些信息涉及国家安全及商业秘密，应保证电力数据的安全性。由于电力作业人员危险行为监测模型具有通用性，为了有更多的数据进行精准的决策，同时尽可能不大范围公开共享这些数据，因此可引入第三方可信任机构，如图3所示。所有地市公司可经过第三方所给的公钥进行数据加密，将加密数据传输至第三方可信任机。第三方可信任机构通过私钥对数据进行解密，得到所有数据后，第三方信任机构将对模型训练，将得到的训练模型分别用私钥加密后传回给每个地市公司，再用公钥进行解密。图3数据采集模式从视频数据集中读取视频数据。处理视频，将其读取为numpy类型。每隔一定步长抽取帧图像，这里默认设定为每4帧提取一帧，确保分解后至少有16帧图像。如果视频长度较短而无法提取满16帧，则步长减少，直至可以保证采集有16帧图像。将提取到的图像帧进行初始化。将每一帧利用随机数进行随机切割，裁剪成112像素112像素规格。3.2.2R3D模型训练将数据集按照不同角度进行划分，分别送入R3D模型进行训练。随着网络结构的复杂化，训练的难度也在加大21。理论上，越深的网络，运行结果应该越好；但网络层次的增加容易导致模型过拟合，出现一系列梯度问题。因此，R3D 在三维卷积神经网络（C3D）模型的基础上增加残差模块，避免过拟合。图4残差模块如图4所示，x为输入，F（x）为经过卷积层后的输出，在残差网络中，将浅层的x直接传入后层，因此输出函数H（x）=F（x）+x。通过该结构图，可以推理到更加通用的残差块公式：yl=H(xl)=h(xl)+F(xl，wl)（6）xl+1=f(yl)（7）其中，yl为第l层输出，xl为第l层输入，H为第l层的输出函数，h为映射函数，F为卷积处理输出，w为权重，f为激活函数。通常情况下，残差模块中的激活函数使用ReLU。当映射函数h、激活函数f都为直接映射时，此时第l+1层的输入可以表示为：xl+1=xl+F(xl，wl)（8）其中，ResNet的直接映射的使用，使得第l+1层的网络一定比第l层拥有更多的图像特征信息。如果直接映射的深浅层次之间网络更深，则可以表示为如下公式，其中xL为第L层的输出。xL=xl+i=1L-1F(xi，wi)（9）根据神经网络中的导数链式法则，则损失函数关于xl的梯度可以描述为：xi=xLxLxi=xL()1+xli=1L-1F(xi，wi)=xL+xLxli=1L-1F(xi，wi)（10）公式（10）表明第L层的梯度可以直接传到任何一个比它浅的层，且训练过程中xli=1L-1F(xi，wi)不可能一直为-1，故该残差神经网络不存在梯度消失的问题。3.2.3模型融合在实际电网项目建设过程中，对于不同角度的画面等因素动态调整权重，本文试图用一层全连接层进行辅助决策。决策融合公式为：Q=i=1nwiRi+（11）式中，Q为加权后的概率（0Q1），wi为摄像头i的权重，Ri为摄像头i经过R3D模型计算得到的概率，为偏置。4实验与结果分析目前无法获取到电网人员作业行为视频数据，故在本实验中选用UCF101视频数据集进行训练，其应用于多个算法的实践测试。因此其具有很高的训练与迁移参考价值。4.1实验结果与分析在训练集、测试集和验证集上，对 C3D 模型和R3D模型进行实验。4.1.1C3D模型图5为C3D模型实验结果图。图5（a）与图5（d）展示了训练集的精度变化和损失变化，训练集精度达到了94.94%，损失降到了0.224。由曲线图可以看出训练过程中训练效果稳定增强，曲线较为平滑，并且到第40个训练周期时，曲线接近收敛。图5（b）与图5（e）展示了模型训练过程中验证集的精度变化和损失变化。40个周期后，验证集精度为 74.93%，损失降为 1.247，效果相较于训练集有明显的下降，曲线较训练集稍微曲折了些，但整体算平加密后数据第三方信任机构模型训练原始数据激活函数x激活函数卷积层卷积层F（x）H（x）=F（x）+xx882023年第10期滑，在第 40个周期时也接近于收敛。图 5（c）与图 5（f）展示了测试集的精度和损失变化曲线。测试集精度达到 76.59%，损失降为 1.183，效果稍微好于验证集，但明显不如训练集，存在一定的过拟合问题。图5C3D模型在精度和损失2个指标的实验结果051015 20253035 Epoch（e）验证集0510 152025 3035 Epoch（a）训练集05101520 253035 Epoch（b）验证集5101520253035 Epoch（c）测试集0510 152025 3035 Epoch（d）训练集5101520253035 Epoch（f）测试集Acc0.80.60.40.20Acc0.60.40.20Acc0.750.650.550.450.350.25Loss6543210Loss4321Loss2.82.421.61.2图6R3D模型在精度和损失2个指标的实验结果051015 20253035 Epoch（e）验证集0510 152025 3035 Epoch（a）训练集05101520 253035 Epoch（b）验证集5101520253035 Epoch（c）测试集0510152025 3035 Epoch（d）训练集5101520253035 Epoch（f）测试集Acc0.90.70.50.30.1Acc0.80.60.40.20Acc0.750.650.550.450.350.25Loss4.53.52.51.50.5Loss54321Loss2.62.21.81.414.1.2R3D模型图6为R3D模型实验结果图。实验最终得到训练集精度为 90%，训练集损失为 0.323，数据较为理想。曲线变化见图6（a）与图6（d），可以看出训练集精度、损失曲线较为平滑，第35个周期已接近收敛。35个周期后，验证集最终精度到达76.54%，损失降为0.962，效果不如训练集。曲线变化见图6（b）与图6（e），可以观察到相较于训练集曲线会更加曲折些，整体趋势变化较为稳定。经过35个周期后测试集精度到达75.73%，损失为1.028，精度变化曲线见图6（c），损失曲线见图6（f）。测试集精度明显较训练集小，存在一定过拟合问题。4.2与其他模型的精度对比在UCF101数据集上，将C3D模型与R3D模型的精度与近年一些文献中提出的行为识别模型进行对比，结果如表1所示。从表1中可以看出，C3D模型与R3D模型在行为识别精度上具有一定优势，在与现有的一些其他模型的对比中展现出了较为优秀的性能。本文将针对实验中C3D模型与R3D模型的更多细节进行进一步的分析。4.3C3D与R3D实验对比分别从数值上和曲线图上对C3D模型和R3D模型的实验结果展示分析，对2个模型在参数量、训练集和测试集的精度值及损失值进行对比。4.3.1数值分析2个算法模型数值对比见表2。可明显看出R3D算法的参数量远远少于C3D算法的参数量，这主要是因为R3D网络结构中使用全局平均池化层来替代全张楠，等：基于多源数据的电力作业人员实时行为安全预警89计算机与现代化2023年第10期C3D模型R3D模型5101520253035Epoch（a）精度对比Acc0.750.650.550.450.350.25连接层，大大减少了参数量。这使得R3D模型具有更加高效的识别速度，更适用于实时作业预警的任务。表1各模型精度对比算法C3DR3DConvNets-Temporal Fusion22Spatial Stream23sDTD24Spatial HAN253D ST-puzzle26OPN27Cross Learn28O3N29Shuffle and Learn30IIC(shuffle+res)31精度/%76.5975.7365.4073.0071.7075.1065.8071.8058.7060.3050.2074.40表2C3D与R3D模型数值对比算法C3DR3D参数量/M74.8133.23训练集/%精度94.9490.00损失0.2240.323测试集/%精度76.5975.73损失1.1831.028从表2可以看出，2个算法的测试集精度相近，泛化能力较为接近；而C3D算法的训练集精度大于R3D算法，R3D在一定程度上改善了C3D的过拟合问题。R3D算法由于更快收敛只完成了35个迭代周期，而C3D算法模型完成了40个迭代周期。另外，根据测试集的观察结果，R3D模型的损失已经比C3D的小，说明R3D算法模型预测效果更接近于实际情况。综上可得，R3D算法缓解了C3D的过拟合问题，并且在识别性能与C3D算法接近的同时，R3D算法由于参数量的显著减少，从而大大减小了训练代价，因此更擅长处理复杂大规模问题。4.3.2曲线分析图7（a）与图7（b）展示了2个算法的精度曲线、损失曲线变化对比。R3D算法在25个迭代周期左右便开始趋于收敛，而C3D算法要历经35个迭代周期左右才开始收敛。虽然R3D算法的精度最后由于波动低于C3D算法的精度，但整体看来，R3D算法的精度要高于C3D算法。在R3D算法中多次进行了批量归一化，加快了收敛速度，同时R3D算法模型实验时设置的学习率也更大。因此在损失曲线对比中，可以明显看出R3D曲线降幅大于C3D算法，损失更小，同时收敛也更快。最终R3D算法的损失低于C3D算法，表明R3D算法具有更加稳定的预测效果。综上可得，R3D算法改善了C3D算法收敛缓慢的不足，减少了训练代价，并且最终的识别性能并不输于C3D算法。5结束语针对当前我国高速发展的电网建设与人为导致的安全事故矛盾，本文提出了一种基于R3D模型多源数据融合决策的电力物联网作业人员的实时行为安全预警平台。通过C3D模型与R3D模型的比较，可以发现R3D模型具有参数量少、收敛快等优点，能够在保证高精准度的情况下，进行实时的安全预警。此外，利用云平台的高性能、数据可靠、设备独立性等优点构建可靠的算力平台。最后，在对UCF101公开视频数据集进行训练和验证可以得到75.73%的准确率，表明本文的实时行为安全预警平台可以有效地对电力作业人员的行为进行行为预警，尽可能地减少电力作业人员安全事故的发生。参考文献：1 徐加银，汪涛，王加庆，等.考虑微电网灵活性资源属性的配电网规划方法 J.电力建设，2022，43（6）:84-92.2 段俊.安全管理体系在营销型企业中的应用评 杜邦安全管理 J.中国安全生产科学技术，2020，16（1）:190.3 JEHRING J.Book review:Industrial accident prevention:Ascientific approach J.Industrial and Labor Relations Review，1951，4（4）:609.4 佟瑞鹏，范冰倩，孙宁昊，等.地铁施工作业人员不安全行为靶向干预方法 J.中国安全科学学报，2022，32（6）:10-16.5 屈文谦，邱志斌，廖才波，等.基于YOLOv3的电网作业人员安全帽佩戴检测 J.中国安全生产科学技术，2022，18（2）:214-219.6 王志忠.铁路施工安全管理的桎梏及应对 J.中国安全科学学报，2021，31（S1）:56-61.7 谭琴.建筑工人不安全行为系统分析及仿真研究 D.重庆:重庆大学，2019.8 王超凡，王柏淋，盛果妮，等.基于表情识别技术的独居老人智能监护系统 J.计算机科学与应用，2022，12（4）:941-946.9 盖荣丽，蔡建荣，王诗宇，等.卷积神经网络在图像识别中的应用研究综述 J.小型微型计算机系统，2021，42（9）:1980-1984.10 胡凯，郑翡，卢飞宇，等.基于深度学习的行为识别算法综述 J.南京信息工程大学学报（自然科学版），2021，13（6）:730-743.11 谢逸，张竞文，李韬，等.基于视频监控的地铁施工不安图7C3D与R3D模型精度和损失指标曲线对比C3D模型R3D模型5101520253035Epoch（b）损失对比Loss32.62.21.81.41902023年第10期全行为检测预警 J.华中科技大学学报（自然科学版），2019，47（10）:46-51.12颜廷良.基于机器学习和图像识别的电力作业现场安全监督 J.光源与照明，2021（6）:147-148.13高翔.基于视频深度学习的人物行为分析与社交关系识别 D.南京:南京邮电大学，2017.14 贾广社，何长全，陈玉婷，等.跨层次视角下建筑工人安全行为预警 J.同济大学学报（自然科学版），2019，47（4）:568-574.15 石娟，常丁懿，郑鹏.基于BP神经网络的建筑工人不安全行为预警模型 J.中国安全科学学报，2022，32（1）:27-33.16 莫俊文，王锐锐.基于HLM-BP的高海拔隧道施工人员不安全行为预警研究 J.铁道科学与工程学报，2023，20（3）:1116-1126.17 李雯静，刘鑫.基于深度学习的井下人员不安全行为识别与预警系统研究 J.金属矿山，2023（3）:177-184.18 王鸿，邓元实，常政威，等.基于深度学习的电力作业人员行为识别技术 J.四川电力技术，2022，45（3）:23-28.19王时威.基于深度学习的电力作业异常行为识别系统的设计与实现 D.武汉:武汉纺织大学，2021.20于用庆，邹树琪，张兴军.基于BIM技术与定位技术的地铁施工人员安全预警 J.城市轨道交通研究，2021，24（6）:129-132.21 席志红，冯宇.基于改进型C3D网络的人体行为识别算法 J.应用科技，2021，48（5）:47-53.22 KARPATHY A，TODERICI G，SHETTY S，et al.Large-scale video classification with convolutional neural networksC/Proceedings of the 2014 IEEE Conference onComputer Vision and Pattern Recognition.2014:1725-1732.23 SIMONYAN K，ZISSERMAN A.Two-stream convolutional networks for action recognition in videosC/Proceedings of the 27th International Conference on Neural Information Processing Systems.2014，1:568-576.24 SHI Y M，TIAN Y H，WANG Y W，et al.Sequential deeptrajectory descriptor for action recognition with three-stream CNN J.IEEE Transactions on Multimedia，2017，19（7）:1510-1520.25 WANG Y L，WANG S H，TANG J L，et al.Hierarchicalattention network for action recognition in videos J.arXivpreprint arXiv:1607.06416，2016.26KIM D，CHO D，KWEON I S.Self-supervised video representation learning with space-time cubic puzzles C/Proceedings of the AAAI Conference on Artificial Intelligence.2019，33（1）:8545-8552.27 LEE H Y，HUANG J B，SINGH M，et al.Unsupervisedrepresentation learning by sorting sequences C/Proceedings of the 2017 IEEE International Conference on Computer Vision.2017:667-676.28 SAYED N，BRATTOLI B，OMMER B.Cross and learn:Cross-modal self-supervisionC/Proceedings of the2018 Ger