来源：期刊VIP网 时间：
作者：刘凯;赵慧敏;吴田;吴晨;万亚旭;李晶;聂伟;
单位：三峡大学电气与新能源学院;中国电力科学研究院有限公司;湖北省输电线路工程技术研究中心(三峡大学);国网湖南省电力有限公司超高压输电公司;陕西美鑫产业投资有限公司;
摘要：带电作业是电力系统维护和运行中的关键环节，其安全性直接影响到人员的生命安全和设备的可靠性。针对目前配电网带电作业安全监控实时性差、人员行为识别不准确等问题，提出了一种基于轻量化人体姿态估计的配电网带电作业安全监控方法。首先，通过YOLOv8n-Pose模型对带电作业人员同时进行目标检测和人体姿态估计，并引入自适应轻量级自监督(Adaptive Lightweight Self-Supervised, ALSS)模块作为骨干网，优化内存访问以最小化冗余操作并提高速度，同时在空间金字塔快速池化(Spatial Pyramid Pooling-Fast, SPPF)模块加入注意力机制，增强模型对于不同尺度作业人员的池化能力，提升检测精度。其次，通过调整形状损失来改进软交并比(Soft Intersection over Union, SIOU)的损失函数以提升定位精度。最后，由时空图卷积网络(Spatial Temporal Graph Convolutional Networks, ST-GCN)提取时空图的空间姿态与时序信息，运用构建的配电网带电作业数据集进行试验，通过行为分类完成带电作业行为识别。结果表明，该模型在mAP@0.5提升3.4百分点的情况下，模型参数量和计算量分别降低50.5%和51.6%,ST-GCN能有效识别带电作业行为，平均准确率达88.0%,并且最终在Jetson XAVIER NX边缘计算机上顺利完成视频流检测任务测试。
关键词：安全工程;;姿态估计;;YOLOv8n-Pose;;时空图卷积网络;;安全监护;;边缘端
基金资助：国家自然科学基金项目(51807110)
