基于多源数据的电力作业人员实时行为安全预警

张 楠，李温静，刘 彩，谢 可，马世乾，肖钧浩，邹 枫

（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）

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kW·h 提升至2021 年8.11 万亿kW·h，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］。

市政建筑工程地基施工需要开挖较深的基坑，对于地下水资源较为丰富的地区，例如我国南方多雨地区，地下水资源不仅丰富，而且水层较浅，再加上常年多雨，充足的雨水势必会对地基工程施工产生较大的影响。所以对于这些地区，尤其在雨季进行施工时，必须做好现场防水、排水工作。但是在实际作业中，很多建筑企业并没有采取科学的保护措施，导致地基进水，不仅影响施工进度，而且也会严重影响地基结构质量。所以在市政建筑工程地基施工中必须及时清理深基坑内的积水，同时做好防水和排水设施，保证基坑无积水。另外对于被水浸泡过的土层也要做好清理和加固工作。

SP型衰减年夏季,欧亚地区中高纬环流表现为“西低东高”的环流形势,在低纬度地区,副高偏强偏北,夏季风偏强,黄河以南地区为负距平(图7b)。南海到西北太平洋反气旋式的水汽通量距平环流加强了,受副高偏强偏北和东亚夏季风总体偏强的影响,来自低纬地区的暖湿水汽向我国腹地输送,西北、华北存在水汽辐合(图7d),冷暖气流在西北、华北交汇,使得该区域降水偏多,而长江以南降水明显偏少,夏季降水总体呈现“北多南少”的分布型。

2014年1月17日，连任中国乒协主席；同年1月21日，当选为新一任中国足球协会主席；同年1月24日，连任中国羽毛球协会主席成功。

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。

通过三个案例分析我们看出邻避运动的产生经济利益是一个重要的因素，无论是想拆迁的村民、房价被影响了的高档小区居民，给予一定的经济补偿的确是一个重要的措施。再者，作为环境不公的受害者，经济利益的补偿也解决环境不公的重要途径。但通过阿苏卫的例子我们发现，经济补偿一个还涉及补偿标准与补偿范围。就如设定的补偿范围是半径5公里以内的居民，那么5.1公里的居民就不会受到损害吗？这个范围以外的居民的损害通常的把不到补偿，这也是为什么阿苏卫附近中高档小区居民反对垃圾焚烧厂如此决绝的重要原因。

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C∈iC，其对应的角度参数为θi，在可控决策区间内（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。进一步地根据预设间隔τ，将按τ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。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：

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。

进入新世纪，互联网行业开始爆发，已过而立之年的李彦宏、马云、马化腾长袖善舞，“BAT”比肩接踵，并行者当然还有京东。4G时代，移动互联网攻城略地，大杀四方。一个自称“新闻搬运工”的理工男张一鸣，只做了一个“今日头条”就足以笑傲媒体江湖……

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。

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：

其中，w'i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，σ为预测错误模型的权重调整参数，α为预测正确模型的权重偏置，它可以被如下公式计算：

现阶段我国会计师事务所的业务状况普遍呈现出“业务单一、传统服务占主体地位”的情况，所以，会计师事务所依然是以财务报表审计、验资等业务为主，同时业务拓展能力十分有限。而普华永道(PWC)、毕马威(KPMG)等“四大”事务所的审计业务收入与非审计业务基本达到了均衡的状态，业务领域更是转向了非审计服务方面，因而会计师事务所多层次发展的思考与对策对会计师事务所的持续发展是十分有益的。

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；（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）V k i；（3）预设切帧间隔τ；（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:

但是这些措施基本没有达到任何效果。嘉庆中期之后，八旗子弟已经彻底腐化，宗室队伍中，出现越来越多的败类。在清查天理教起义的过程，嘉庆皇帝惊讶地得知，宗室之中，竟然也有加入邪教者！

3 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。

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θi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：

图1 基于R3D的行为识别的组织结构图

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：

《周礼·司爟》：“司爟掌行火之政令，四时变国火，以救时疾。季春出火，民咸从之。季秋内火，民亦如之。”《注》曰：“郑司农云：‘以三月本时昏，心星见于辰上，使民出火。九月本黄昏，心星伏在戍上，使民内火。故《春秋传》曰：以出内火。’”《左传·昭公六年》：“士文伯曰：‘火见，郑其火乎！火未出而作火，以铸刑器，藏争辟焉。火如象之，不火何为？’”《正义》曰：“火星未出，不得用火。”

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，Ei～Px(i)[logD(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，表示的是从随机噪声P（jj）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。

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。

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。

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2 基于R3D模型的决策融合流程图

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。

据第三方调研机构数据显示，我国水处理产品生产厂家已达到3000家，净水设备市场规模已达到428万台，未来7年将保持45%的年复合增长率。在销售高速增长的同时，净水器市场拥有着巨大的发展潜力。对比来看，欧美国家净水器普及率达90%、亚洲发达国家净水器普及率达70%，我国净水行业产品普及率不到2%。

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。

3.2.2 R3D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。

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：

图4 残差模块

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：

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。

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：

【点评】小作者选取自己的两件阅读趣事加以叙述，让我们看到一个戴眼镜的小书迷的形象。习作叙事清楚、流畅自然。

三、神矮LS—1临红2号 6月下旬至7月上旬成熟，外观鲜红，果个比嘎拉大，平均单果重238 g，果肉黄白，硬脆，丰产，货架期长，省工省力，不套袋，是继临红1号后国内早熟品种中又一个优良苹果新品种。

3.2.3 模型融合

根据神经网络中的导数链式法则，则损失函数ε关于xl的梯度可以描述为：

式中，Q为加权后的概率（0≤Q≤1），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，β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。

4.1.1 C3D模型

微课作为一种教学资源，形式灵活，情景生动。但学生的程度不同，学习效果也存在差异，微课又可以作为课堂教学的一种有效补充形式，可以随时学习，反复观看，促进学生个性化发展。

图5 C3D模型在精度和损失2个指标的实验结果

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。

4.1.2 R3D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。

图6 R3D模型在精度和损失2个指标的实验结果

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。

表1 各模型精度对比

4.3 C3D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

四、神矮LS—1华硕 美国8号×华冠杂交育成的优良品种，果实近圆形，果实极大，平均纵径8.7 cm,横径9.6 cm，单果重326 g，最大可达750 g。果实底色绿黄，果面着鲜红，着色面积达70%，充分成熟果面全红，果面平滑，蜡质多，有光泽，外观鲜艳，果肉白，肉质细，成花易，极丰产，酸甜可口。在我县7月下旬至8月上旬成熟，是一个极有发展前途的早熟品种。

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。

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。

图7 C3D与R3D模型精度和损失指标曲线对比

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。