CN117690189B - 一种基于人工智能的充电站危险行为识别方法和监控系统 - Google Patents

Abstract

一种基于人工智能的充电站危险行为识别方法和监控系统，应用于人工智能领域，该方法包括：获取充电站的视频图像；在视频图像中确定预设人群，预设人群包括老人、孕妇、残疾人以及小孩；通过视频图像检测预设人群是否存在预设危险行为；在预设人群存在预设危险行为的情况下，确定预设人群的预设范围内是否存在行驶车辆；在预设人群的预设范围内存在行驶车辆时，确定预设人群是否处于行驶车辆的可见视线；在确定预设人群处于行驶车辆的可见视线之外，触发报警装置；在确定预设人群处于行驶车辆的可见视线，则判断行驶车辆是否减速；若行驶车辆未减速，触发报警装置。本申请具有提高识别充电站异常情况准确性的效果。

Description

一种基于人工智能的充电站危险行为识别方法和监控系统

技术领域

本申请涉及人工智能领域，尤其涉及一种基于人工智能的充电站危险行为识别方法和监控系统。

背景技术

随着新能源汽车的普及，充电站作为其重要的配套设施也得到了快速的发展。然而，由于充电站的特殊性，如充电设备复杂、使用人员素质参差不齐等，使得充电站存在一定的安全隐患。因此，如何有效地识别和监控充电站的危险行为，成为了当前亟待解决的问题。

相关技术中，充电站监控系统通过实时监测充电站内的各种数据，如温度、湿度、烟雾浓度等，以及车辆的使用情况实现对充电站的危险行为的识别，温度过高意味着充电站设备过热或者存在火灾隐患，湿度过高可能导致电气设备短路或电池泄漏，烟雾浓度过高说明存在人员抽烟等危险行为。尽管已经取得了一定的成果，由于充电站的环境复杂多变，相关技术还是难以准确捕捉到更多其他异常情况，从而对充电站中的危险行为进行告警。

发明内容

本申请提供了一种基于人工智能的充电站危险行为识别方法和监控系统，用于准确识别充电站的异常情况。

第一方面，本申请提供了一种基于人工智能的充电站危险行为识别方法，包括：

获取充电站的视频图像；

在视频图像中确定预设人群，预设人群包括老人、孕妇、残疾人以及小孩；

通过视频图像检测预设人群是否存在预设危险行为，预设危险行为包括人员摔倒、人员聚集和人员嬉闹；

在预设人群存在预设危险行为的情况下，确定预设人群的预设范围内是否存在行驶车辆；

在预设人群的预设范围内存在行驶车辆时，确定预设人群是否处于行驶车辆的可见视线；

在确定预设人群处于行驶车辆的可见视线之外，触发报警装置；

在确定预设人群处于行驶车辆的可见视线，则判断行驶车辆是否减速；

若行驶车辆未减速，触发报警装置。

通过采用上述技术方案，通过图像识别技术实时监测预设人群，在检测到存在危险行为时可以快速有效保护预设人群的安全。在实现对预设人群的监测之上，该方法还进一步结合对预设人群的预设范围内行驶车辆的检测与分析，判断行驶车辆与预设人群的相对位置关系，区分不同情况进行精准预警。在行驶车辆可见视线外的情况下直接触发预警，而在行驶车辆可见视线内时则根据行驶车辆是否减速来判断是否预警。这种方式实现了更具智能性的协同预警，提高了充电站危险行为识别的准确性。

可选的，基于行人检测和姿态估计，检测目标图像中是否存在人员摔倒；基于目标检测和跟踪技术，检测目标图像中是否存在人员聚集；基于物体检测和动作识别，检测目标图像中是否存在人员嬉闹。

通过采用上述技术方案，实现了对预设危险行为的智能监测，通过针对性地运用多种计算机视觉技术手段，从而对预设危险行为进行全面而准确地检测和识别。

可选的，根据视频图像得到图像序列；对图像序列进行降噪处理和增强处理，得到目标图像；对目标图像中的人群进行分类，得到预设人群。

通过采用上述技术方案，获取图像序列并进行降噪与增强，可以有效提高图像质量，使后续的处理和分析更加可靠。而对目标图像中的人群进行分类可以提前定位预设人群，使监测范围更为明确，监测效率也因此得到提升。相比直接使用原始图像，该方法优化了通过有针对性的图像增强与人群分类等步骤，使整个监控系统运行更加稳定可靠。

可选的，获取新能源车辆的充电状态，充电状态包括实时电量、当前充电功率、充电时间以及预计结束时间；在确定实时电量超过预设电量阈值时，向新能源车辆用户发送通知以通知新能源车辆用户移车。

通过采用上述技术方案，不仅获取新能源车辆的充电状态，还通过判断实时电量是否达到预设电量阈值来决定是否需要提示新能源车辆用户移车。与简单的充电时间提示相比，该方法可以避免过于频繁的不必要提示。相比单一的电量参数，该方法还考虑了充电时间、当前充电功率等信息，有助于实现更智能化的提示决策。

可选的，在视频图像中提取新能源车辆用户结束充电时拔出充电枪的视频画面；在确定充电枪被拔出的幅度大于预设幅度阈值时，触发预设报警装置。

通过采用上述技术方案，判断强行拔出充电枪的技术手段，可以有效识别出可能损坏设备的不当操作。当判断确实存在强行拔出充电枪行为时，触发预设报警装置，避免设备损坏的同时，也可以增强用户的安全操作意识。该方案通过充电结束过程的监控，以提高设备的使用安全性。

可选的，对巡查人员进行人脸识别，得到巡查人员信息；将巡查人员信息与预设人脸数据库进行比对，确定巡查人员是否到岗巡查；记录巡查人员的到岗时间和巡检状态；根据到岗时间和巡检状态对充电站的巡检质量进行评估。

通过采用上述技术方案，实现了对巡查人员的自动化考勤管理，相比人工记录考勤更加精准和智能化。进一步，通过记录到岗时间和巡检状态定量评估巡查工作质量，从而持续提升充电站运营服务水平。与简单监控不同，这种融入人工智能的考勤方案可以主动分析判断各种情况，大大降低了人力成本。结合了人脸识别、数据库比对等算法，实现了智能考勤与质量评估，使得整体流程自动化程度高。

可选的，获取监测充电桩的充电状态，充电状态包括充电桩的充电功率、充电电流和充电电压；根据充电状态确定充电桩的健康状态。

通过采用上述技术方案，获取充电桩的充电功率、充电电流和充电电压，从而对充电桩的健康状态进行主动、持续监测，大大提高了对充电桩健康状态的掌握能力。

第二方面，本申请实施例提供了一种监控系统，该监控系统包括：

图像获取模块，用于获取充电站的视频图像；

图像识别模块，用于在视频图像中确定预设人群，预设人群包括老人、孕妇、残疾人以及小孩；通过视频图像检测预设人群是否存在预设危险行为，预设危险行为包括人员摔倒、人员聚集和人员嬉闹。

行为检测模块，用于在预设人群存在预设危险行为的情况下，确定预设人群的预设范围内是否存在行驶车辆；在预设人群的预设范围内存在行驶车辆时，确定预设人群是否处于行驶车辆的可见视线；

危险报警模块，用于在确定预设人群处于行驶车辆的可见视线之外，触发报警装置；在确定预设人群处于行驶车辆的可见视线，则判断行驶车辆是否减速；若行驶车辆未减速，触发报警装置。

第三方面，本申请实施例提供了一种监控系统，该监控系统包括：一个或多个处理器和存储器；该存储器与该一个或多个处理器耦合，该存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令，该一个或多个处理器调用该计算机指令以使得该监控系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

第四方面，在本申请的第三方面提供了一种电子设备。

一种监控系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，该程序能够被处理器加载执行时实现基于人工智能的充电站危险行为识别方法。

第五方面，本申请实施例提供一种计算机可读存储介质，包括指令，当上述指令在监控系统上运行时，使得上述监控系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。

可以理解地，上述第二方面、第三方面提供的监控系统，第四方面提供的计算机程序产品和第五方面提供的计算机存储介质均用于执行本申请实施例所提供的方法。因此，其所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1、本申请通过图像识别技术实时监测预设人群，在检测到存在危险行为时可以快速有效保护预设人群的安全。在实现对预设人群的监测之上，该方法还进一步结合对预设人群的预设范围内行驶车辆的检测与分析，判断行驶车辆与预设人群的相对位置关系，区分不同情况进行精准预警。在行驶车辆可见视线外的情况下直接触发预警，而在行驶车辆可见视线内时则根据行驶车辆是否减速来判断是否预警。这种方式实现了更具智能性的协同预警，提高了充电站危险行为识别的准确性。

2、本申请获取图像序列并进行降噪与增强，可以有效提高图像质量，使后续的处理和分析更加可靠。而对目标图像中的人群进行分类可以提前定位预设人群，使监测范围更为明确，监测效率也因此得到提升。相比直接使用原始图像，该方法优化了通过有针对性的图像增强与人群分类等步骤，使整个监控系统运行更加稳定可靠。

3、本申请实现了对巡查人员的自动化考勤管理，相比人工记录考勤更加精准和智能化。进一步，通过记录到岗时间和巡检状态定量评估巡查工作质量，从而持续提升充电站运营服务水平。与简单监控不同，这种融入人工智能的考勤方案可以主动分析判断各种情况，大大降低了人力成本。结合了人脸识别、数据库比对等算法，实现了智能考勤与质量评估，使得整体流程自动化程度高。

附图说明

图1是本申请实施例中基于人工智能的充电站危险行为识别方法的一个流程示意图；

图2是本申请实施例中监控系统的一种功能模块结构示意图；

图3是本申请实施例中公开的一种电子设备的结构示意图。

附图标记说明：300、电子设备；301、处理器；302、通信总线；303、用户接口；304、网络接口；305、存储器。

具体实施方式

本申请以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式，除非其上下文中明确地有相反指示。还应当理解，本申请中使用的术语“和/或”是指包含一个或多个所列出项目的任何或所有可能组合。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

为了便于理解本申请实施例提供的方法及系统，在介绍本申请实施例之前，先对本申请实施例的背景进行介绍。

目前，充电站监控系统通过实时监测充电站内的各种数据，如温度、湿度、烟雾浓度等，以及车辆的使用情况实现对充电站的危险行为的识别，温度过高意味着充电站设备过热或者存在火灾隐患，湿度过高可能导致电气设备短路或电池泄漏，烟雾浓度过高说明存在人员抽烟等危险行为。尽管已经取得了一定的成果，由于充电站的环境复杂多变，相关技术还是难以准确捕捉到所有的异常情况，从而对充电站中的危险行为进行告警。

本申请实施例公开了一种基于人工智能的充电站危险行为识别方法，通过获取充电站视频图像，检测图像中预设危险人群的预设危险行为，并且对预设人群的预设范围内行驶车辆的检测与分析，判断行驶车辆与预设人群的相对位置关系，区分不同情况进行精准预警。在行驶车辆可见视线外的情况下直接触发预警，而在行驶车辆可见视线内时则根据行驶车辆是否减速来判断是否预警。基于人工智能的充电站危险行为识别方法还包括识别充电用户强行拔出充电枪行为、识别巡查人员到岗情况、评估充电站巡检质量等步骤，最后还包括获取充电桩的工作状态、判断充电桩的健康状态。主要用于解决由于充电站的环境复杂多变，是难以准确捕捉到所有的异常情况的问题。

经过上述背景内容相关介绍，本领域技术人员可以了解现有技术中存在的问题，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行详细的描述，描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

参照图1，一种基于人工智能的充电站危险行为识别方法，该方法包括S10至S40，具体包括以下步骤：

S10：获取充电站的视频图像；在视频图像中确定预设人群，预设人群包括老人、孕妇、残疾人以及小孩。

具体的，随着摄像头设备越来越普及，设置在充电站中的摄像头可以全天候对充电站区域进行监控录像。获取充电站的视频图像是实现整个技术方案的基础。在获取到视频图像后，对视频图像进行预处理，包括降噪、校正等，然后利用计算机视觉和深度学习算法，实现对视频图像中的人群进行检测和分类，识别出预设人群，即老人、孕妇、残疾人和小孩。选择这些人群作为预设人群，是因为他们的身体条件较弱，发生危险情况时自我保护能力较差，需要优先保护。一种识别预设人群的方法是通过人脸检测取得每个人的人脸图像，然后输入预先训练好的卷积神经网络中，得到每个人脸的特征向量，再与老人、孕妇、残疾人和小孩这些不同人群特征向量进行匹配，即可判断该人属于哪类人群，从而识别出预设人群。相比单纯的环境监测，这种计算机视觉识别方式可以直接判定视频画面中的所有人群类别，精确定位预设人群，为后续的重点监测奠定基础。

在上述实施例的基础上，还存在检测充电时拔出充电枪的过程，具体包括：可以在充电区域的视频图像中，使用目标检测算法持续检测充电中的车辆。当检测到车辆驶离时，表明充电结束。此时，可以单独提取充电结束这一时间段的视频画面进行分析处理，检测用户是否存在强行拔出充电枪的行为。典型的强行拔出充电枪行为包括急速拉扯充电枪、没有按照标准操作步骤等。通过跟踪用户手部运动、充电枪运动速度等信息进行判断是否存在强行拔出充电枪的行为。如果确定用户拔出充电枪方式存在强行倾向，表明可能损坏设备，则可以触发声光报警装置。在本申请实施例中，如果通过图像识别技术确定充电枪被拔出的幅度大于预设幅度阈值时，则触发预设报警装置。报警方式可以为充电桩上的警示灯与声音，或者站内广播，让用户意识到自己的错误操作，并提示其正常拔出充电枪的方式。这种针对充电结束时的画面分析和检测，可以有效识别出用户的不当行为，及时予以警示，避免设备损坏和安全隐患。

S20：在视频图像中确定预设人群，预设人群包括老人、孕妇、残疾人以及小孩；通过视频图像检测预设人群是否存在预设危险行为，预设危险行为包括人员摔倒、人员聚集和人员嬉闹。

具体的，在识别出充电站视频图像中的预设人群后，包括老人、孕妇、残疾人和小孩，接下来需要通过视频图像继续监测这些预设人群是否存在预设危险行为，预设危险行为包括人员摔倒、人员聚集和人员嬉闹这三种行为。选择这三种行为作为预设的危险行为是因为在充电站环境中，人员摔倒、人员聚集和人员嬉闹这些行为很可能导致对预设人群的伤害。例如老人摔倒可能导致骨折，人员聚集可能导致踩踏事故，小孩互相嬉闹可能导致不看车出现意外等。监测这些危险行为为后续步骤做好应对准备或者提前干预。在技术实现上，可以继续应用计算机视觉和深度学习算法，针对不同行为训练出对应的深度神经网络模型，然后对视频图像进行处理，提取人体关键点，判断人体姿态和运动趋势，即可判断出是否存在目标行为。例如检测到人体倒地后一段时间内没有翻身作为判断摔倒的标准，检测到多个人站位过近持续一段时间作为判断聚集的标准，判断到剧烈的肢体接触作为判断嬉闹的标准。相较于简单的数据监测，这种直接对图像分析判断的技术手段，可以更准确判定危险行为的出现，准确辨别不同危险行为，为后续的处理反应提供依据，从而有效降低充电站人员伤害风险。

在上述实施例的基础上，确定预设人群，预设人群包括老人、孕妇、残疾人以及小孩的具体步骤还包括S21至S23：

S21：根据视频图像得到图像序列。

其中，图像序列指的是按时间顺序排列的连续图像帧的集合。在视频处理中，将视频片段解析成组成视频的连续静态图像帧，然后根据时间顺序重新排列，就构成了图像序列。

示例性地，通过提取视频中的每一帧图像，并按时间顺序排列，形成图像序列。在提取时，可以选择固定的时间间隔，比如每隔0.5秒提取一帧，或选择固定的帧数间隔，比如每相邻5帧提取一帧。适当的间隔可以降低后续处理中的冗余计算量。得到图像序列后，可以启用后续的各类图像处理算法以检测和识别视频中的目标。例如可以检测图像序列中的运动变化，识别移动目标；可以跟踪目标在连续帧中的位置变化；可以通过图像对比发现异常情况等。

S22：对图像序列进行降噪处理和增强处理，得到目标图像；对目标图像中的人群进行分类，得到预设人群。

示例性地，在得到充电站的图像序列后，需要对图像序列进行预处理，以提高后续识别的效果。首先需要进行降噪处理，因为摄像头本身的噪声以及图像传输压缩等都会对图像质量产生影响，出现模糊、失真等情况，这会对后续识别算法的效果产生不利影响。常用的降噪处理方法包括中值过滤、高斯平滑等。接下来还需要对图像进行增强处理，使图像对比度、锐度等视觉特征得到提升，有利于识别。常见方法包括直方图均衡化、边界锐化、颜色增强等。这两步预处理可以有效提升图像质量，提供清晰、高质量的图像输入。进行预处理后的图像即为目标图像，可以作为人群分类的输入。人群分类利用计算机视觉技术，将检测到的每个独立人体目标提取特征，然后输入预训练的深度神经网络中，完成人群分类，即将每个人目标分类为老人、孕妇、残疾人等不同的预设人群。相比于视频图像，经过预处理的目标图像质量更高，特征也更明显，可以提高神经网络模型的分类准确率。相比于单帧图像，处理图像序列可以综合多个视角，使分类更稳定，减少被遮挡的影响。

在本申请一种可选实施例中，通过视频图像检测预设人群是否存在预设危险行为，预设危险行为包括人员摔倒、人员聚集和人员嬉闹的具体步骤还包括S23至S25：

S23：基于行人检测和姿态估计，检测目标图像中是否存在人员摔倒。

示例性地，对图像进行行人检测，通过行人检测算法实现，或基于深度学习的行人检测模型定位图像中的行人目标。行人检测可以快速定位图像中行人出现的区域。在检测到的行人区域内，提取行人的关键点信息，判断两个脚的距离以及头部高度信息，估计行人姿态。如果检测到头部距离地面过近且两脚距离较大，则判定为站立姿态异常，进一步跟踪行人区域判断姿态是否持续超过一定时间门限，如果是，则判断为人员摔倒行为。相较于直接分析图像变化，这种结合检测与姿态分析的技术手段可以更准确判定摔倒行为，避免与正常坐卧姿态的混淆，也更可靠。

S24：基于目标检测和跟踪技术，检测目标图像中是否存在人员聚集。

示例性地，采用目标检测算法，通过现有的深度学习目标检测模型实现在图像中检测每个独立的人形目标区域，定位所有出现的人的位置，检测不同人体并输出其在图像中的坐标信息。在检测到多个人体目标后，可以提取每个目标区域的特征，并在连续的图像序列中跟踪这些目标。跟踪技术可以采用基于特征匹配或深度学习的跟踪算法，判断不同人体目标在adjacent帧之间的位置变化关系。如果检测到多个人体目标的位置持续接近，且超过阈值时间段保持距离靠近，则可以判断为发生了人员聚集行为。该技术手段不依赖于全局图像变化，而是通过定位每个目标实现精确跟踪判定，能可靠检测出人群聚集现象。

S25：基于物体检测和动作识别，检测目标图像中是否存在人员嬉闹。

示例性地，对图像采用物体检测算法，定位图像中的人形目标。常用的物体检测算法包括Faster R-CNN、SSD等，可以高效检测不同的人体实例。在检测到多个人形目标后，可以提取目标区域特征，然后输入预先训练好的基于深度学习的人体动作识别模型中，判断不同人体目标的动作。常见模型如基于LSTM的时序动作识别模型等。如果检测到多个人体目标之间存在接触、纠缠、打闹等剧烈肢体动作，并且SUCH动作持续超过阈值时长，则可以判定为人员之间存在嬉闹行为。这种技术手段结合了检测和动作识别，不仅能定位人群，还能分析其具体行为，避免与正常运动等出现混淆，能准确辨别出嬉闹危险行为。通过检测是否存在人员嬉闹情况，可以有针对性地防范这类导致冲突伤害事件发生，保护充电站内人员的安全。

S30：在预设人群存在预设危险行为的情况下，确定预设人群的预设范围内是否存在行驶车辆；在预设人群的预设范围内存在行驶车辆时，确定预设人群是否处于行驶车辆的可见视线。

具体的，在识别出预设人群存在危险行为后的处理中，需要确定预设人群周边是否存在可以对其产生伤害的行驶车辆。具体来说，可以确定一个预设范围，例如预设人群中心3米范围可以判断为预设范围。技术上可以继续运用计算机视觉中的目标检测算法，检测预设范围内是否存在车辆。常见的车辆检测算法包括YOLO系列、Faster R-CNN等。如果检测到行驶车辆进入预设范围，即可判断存在潜在威胁。接下来需进一步判断预设人群是否处于车辆的可见视线范围内。这需要结合检测到的车辆边界框信息，计算车辆与人群目标之间的位置关系，判断两者之间是否存在遮挡，如建筑物等影响视线的障碍物。如果判断两者之间无遮挡，即视线相通，则判定人群处于车辆的可见视线范围内。这样的进一步判断可以避免不处于车辆视线范围时进行误报警。只有确认危险行为人群在车辆可见范围时，才进行下一步的安全预警，才能避免误报，也提高预警的针对性。

在上述实施例的基础上，还存在通知用户移车的过程，具体步骤包括S31至S32：

S31：获取新能源车辆的充电状态，充电状态包括实时电量、当前充电功率、充电时间以及预计结束时间；

其中，实时电量，即车辆目前已经具备的电量；当前充电功率，即车辆正在以多大功率充电；充电时间，即已经进行充电的时间；以及根据当前电量、充电功率可以预计计算出的充电结束总时间。

示例性地，在确定预设人群存在危险情况后，为了进一步做出是否需要提示用户移车的判断，需要获取新能源车辆本身的充电状态信息，充电状态是判断是否需要提示用户的依据。

S32：在确定实时电量超过预设电量阈值时，向新能源车辆用户发送通知以通知新能源车辆用户移车。

示例性地，在获取到新能源车辆的充电状态后，需要根据实时电量是否超过预设的电量阈值来判断是否需要提示用户移车。这里的预设电量阈值可以根据车辆的续航里程需求来设置，例如设置为80%SOC。当检测到实时电量已经超过了80%时，可以判断电量已经比较充足，可以提示用户考虑移车，腾出充电位给其他更需要快速充电的用户。具体的提示方式可以通过充电桩的显示屏显示提示信息，或者通过车载系统推送移动App消息提醒用户。推送消息可以使不在充电桩旁的用户也能收到提示。相比只按充电时间推送提示，这种根据实时电量的阈值判断方式，可以更智能地确定真正需要提示用户移车的时机，避免过于频繁的不必要提示，也不会在电量还很低时就打断用户的充电。当实时电量低于阈值时，则不提示用户移车，等待电量充足后再判断是否需要提示。这种方式充分考虑用户需求，也便于后续车辆调度，是当前条件下平衡各方需求的最佳方案。

S40：在确定预设人群处于行驶车辆的可见视线之外，触发报警装置；在确定预设人群处于行驶车辆的可见视线，则判断行驶车辆是否减速；若行驶车辆未减速，触发报警装置。

具体的，在判断出预设人群存在危险行为，且周边有车辆通过后，需要根据人群与车辆的视线关系来触发相应的报警措施。如果判断预设人群不在车辆的可见视线范围内，则可以直接触发报警装置。这是因为车辆无法看到存在危险的人群，需要报警装置引起车辆与人群的注意，避免发生碰撞事件。相应的报警装置可以为充电站周边设置的警示灯、警报器等。也可以利用充电桩的显示屏和音响系统实现报警。突出的声光信号可以警示周边车辆和行人注意。而如果判断预设人群处在车辆的可见视线内，则需要继续判断车辆是否采取了减速的避让行为。这可以通过计算车辆在图像序列中是否出现速度明显下降来判断。如果车辆未减速，表明无法避免与人群的冲突，同样需要触发报警装置，警示车辆驾驶员注意。而车辆减速则可避免事故发生。这种根据视线因素判断的报警方式，可以避免视线范围内车辆已经采取避让措施时发出误报警。同时，也可以覆盖视线外的危险情况。实现了更智能和准确的危险预警。

在上述实施例的基础上，还包括巡检质量评估的过程，具体步骤包括S41至S43：

S41：对巡查人员进行人脸识别，得到巡查人员信息；将巡查人员信息与预设人脸数据库进行比对，确定巡查人员是否到岗巡查。

示例性地，利用视频图像中的人脸进行人脸检测，提取巡查人员的人脸图像。然后将检测到的人脸图像输入预先训练的人脸识别模型中，获取每个人脸对应的身份信息，即完成对巡查人员的人脸识别。人脸识别可以采用基于深度学习的算法，如FaceNet、DeepFace等，通过人脸Embedding特征提取和比对完成，这可以避免简单监控无法区分不同个体，将识别得到的巡查人员身份信息，与充电站预设的巡查人员信息数据库进行比对，判断该员工是否应该在这个时间段进行巡查，是否到岗，是否有人员请假等情况。如果识别到的员工不在计划值班时间段，或是数据库中无该员工信息，则可以判断为员工未正常按计划到岗，或有外人进入，属于异常情况。

S42：记录巡查人员的到岗时间和巡检状态；根据到岗时间和巡检状态对充电站的巡检质量进行评估。

示例性地，在识别出充电站的巡查人员后，除了考勤检查外，还需要记录更多相关信息，以评估巡查工作质量。具体来说，可以记录每位巡查人员的到岗时间，即进入充电站开始巡查的时间点，以判断是否按时到岗。同时还需要记录巡查状态，如巡查路径、停留时间点等信息。这可以通过监控系统或对巡查人员自身佩戴的定位装置进行监测获得。获得巡查人员的到岗时间和完整的巡查状态信息后，就可以根据预设的巡查规范，对工作质量进行评估。例如，按规范要求20分钟全面巡查一次，可以评估实际时间是否达标；可以检查全过程是否有遗漏未经过的区域等。如果巡查时间过长或经过区域不完整，则可以判断巡查质量需要改进。相反，如果时间控制合理、且路径完整，则可以进行积极评价。

在本申请另一种可选实施例中，还包括充电桩健康状态检测的过程，具体包括：获取充电桩的充电状态，充电状态包括充电功率，即充电桩向车辆端输出的瞬时电力大小；充电状态包括充电电流，即输出电流的实时值；充电状态包括充电电压，即充电桩输出端的电压值。这些参数可以通过充电桩上的监测模块采集获得，也可以从车辆充电管理系统中获得。获取这些实时充电状态数据后，可以根据设定的正常工作范围，判断各项参数是否在规定范围内。如果所有充电参数均在正常范围内变化，则可以判断该充电桩健康状态良好，设备运行正常。如果存在超出正常工作范围的状态，如充电电压波动过大，充电电流不平滑等，则可以判断充电桩存在故障或异常，健康状态较差，为接下来的处理提供依据。

参照图2，为本申请实施例提供的一种基于人工智能的充电站危险行为识别系统，该系统包括：图像获取模块、图像识别模块、行为检测模块，危险报警模块，其中：

图像获取模块，用于获取充电站的视频图像；

图像识别模块，用于在视频图像中确定预设人群，预设人群包括老人、孕妇、残疾人以及小孩；通过视频图像检测预设人群是否存在预设危险行为，预设危险行为包括人员摔倒、人员聚集和人员嬉闹；

行为检测模块，用于在预设人群存在预设危险行为的情况下，确定预设人群的预设范围内是否存在行驶车辆；在预设人群的预设范围内存在行驶车辆时，确定预设人群是否处于行驶车辆的可见视线；

危险报警模块，用于在确定预设人群处于行驶车辆的可见视线之外，触发报警装置；在确定预设人群处于行驶车辆的可见视线，则判断行驶车辆是否减速；若行驶车辆未减速，触发报警装置。

需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请还公开一种电子设备。参照图3，图3是本申请实施例的公开的一种电子设备的结构示意图。该电子设备300可以包括：至少一个处理器301，至少一个网络接口304，用户接口303，存储器305，至少一个通信总线302。

其中，通信总线302用于实现这些组件之间的连接通信。

其中，用户接口303可以包括显示屏（Display）接口、摄像头（Camera）接口，可选用户接口303还可以包括标准的有线接口、无线接口。

其中，网络接口304可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器305内的指令、程序、代码集或指令集，以及调用存储在存储器305内的数据，执行服务器的各种功能和处理数据。可选的，处理器301可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器301可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面图和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器301中，单独通过一块芯片进行实现。

其中，存储器305可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器305包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器305可选的还可以是至少一个位于远离前述处理器301的存储装置。参照图3，作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及一种基于人工智能的充电站危险行为识别方法的应用程序。

在图3所示的电子设备300中，用户接口303主要用于为用户提供输入的接口，获取用户输入的数据；而处理器301可以用于调用存储器305中存储一种基于人工智能的充电站危险行为识别方法的应用程序，当由一个或多个处理器301执行时，使得电子设备300执行如上述实施例中一个或多个的方法。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。

本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (7)

1.一种基于人工智能的充电站危险行为识别方法，其特征在于，所述方法包括：

获取充电站的视频图像；

在所述视频图像中确定预设人群，所述预设人群包括老人、孕妇、残疾人以及小孩；

通过所述视频图像检测所述预设人群是否存在预设危险行为，所述预设危险行为包括人员摔倒、人员聚集和人员嬉闹；

在所述预设人群存在预设危险行为的情况下，确定所述预设人群的预设范围内是否存在行驶车辆；

在所述预设人群的预设范围内存在行驶车辆时，确定所述预设人群是否处于所述行驶车辆的可见视线；

在确定所述预设人群处于所述行驶车辆的可见视线之外，触发报警装置；

在确定所述预设人群处于所述行驶车辆的可见视线，则判断所述行驶车辆是否减速；

若所述行驶车辆未减速，触发报警装置；

在所述获取充电站的视频图像的步骤之后，所述方法还包括：在所述视频图像中提取新能源车辆用户结束充电时拔出充电枪的视频画面；在确定所述充电枪被拔出的幅度大于预设幅度阈值时，触发预设报警装置；

在确定所述预设人群处于所述行驶车辆的可见视线之外，触发报警装置的步骤之后，所述方法还包括：对巡查人员进行人脸识别，得到巡查人员信息；将所述巡查人员信息与预设人脸数据库进行比对，确定所述巡查人员是否到岗巡查；记录所述巡查人员的到岗时间和巡检状态；根据所述到岗时间和所述巡检状态对所述充电站的巡检质量进行评估。

2.根据权利要求1所述的基于人工智能的充电站危险行为识别方法，其特征在于，所述通过所述视频图像检测所述预设人群是否存在预设危险行为，所述预设危险行为包括人员摔倒、人员聚集和人员嬉闹，具体包括：

基于行人检测和姿态估计，检测目标图像中是否存在人员摔倒；

基于目标检测和跟踪技术，检测所述目标图像中是否存在人员聚集；

基于物体检测和动作识别，检测所述目标图像中是否存在人员嬉闹。

3.根据权利要求1所述的基于人工智能的充电站危险行为识别方法，其特征在于，所述在所述视频图像中确定预设人群，所述预设人群包括老人、孕妇、残疾人以及小孩，具体包括：

根据所述视频图像得到图像序列；

对所述图像序列进行降噪处理和增强处理，得到目标图像；

对所述目标图像中的人群进行分类，得到预设人群。

4.根据权利要求1所述的基于人工智能的充电站危险行为识别方法，其特征在于，在所述预设人群存在预设危险行为的情况下，确定所述预设人群的预设范围内是否存在行驶车辆的步骤之后，所述方法还包括：

获取新能源车辆的充电状态，所述充电状态包括实时电量、当前充电功率、充电时间以及预计结束时间；

在确定所述实时电量超过预设电量阈值时，向新能源车辆用户发送通知以通知新能源车辆用户移车。

5.根据权利要求1所述的基于人工智能的充电站危险行为识别方法，其特征在于，在所述根据所述到岗时间和所述巡检状态对所述充电站的巡检质量进行评估的步骤之后，所述方法还包括：

获取监测充电桩的充电状态，所述充电状态包括所述充电桩的充电功率、充电电流和充电电压；

根据所述充电状态确定所述充电桩的健康状态。

6.一种电子设备，其特征在于，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和所述网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-5任意一项所述的基于人工智能的充电站危险行为识别方法。

7.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在监控系统上运行时，使得所述监控系统执行如权利要求1-5中任一项所述的基于人工智能的充电站危险行为识别方法。