機器視覺智能識別技術在10kV配電站房的淺層應用

王金塔 羅世榮 白夢龍 陳太 胡剛風

摘 ?要：文章介紹了機器視覺智能識別系統結構及功能，同時介紹了該系統的工作原理，最后分析了機器視覺智能識別系統在實際工作中的應用。

關鍵詞：智能識別技術;10kV配電站;儀表分析

中圖分類號：TP391.41 ? ? ?文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2019）18-0150-02

Abstract： In this paper， the structure and function of machine vision intelligent recognition system are introduced， and the working principle of the system is introduced. Finally， the application of machine vision intelligent recognition system in practical work is analyzed.

Keywords： intelligent identification technology; 10kV distribution station; instrument analysis

我國社會的快速發展，促使社會對電能的需求量不斷增加，對電網運行的可靠性要求越來越高，而配電房是保證城市配電網運行可靠的最終保障。因此，配電房的智能化建設迫在眉睫，機器視覺智能識別技術在配電房中的運用，有助于及時發現站房異常情況、加強對小型分散性作業和倒閘操作合規性監管，提高管理水平，實現由全人工監盤，轉為機器輔助監盤。進一步緩解10kV配電站房的數量快速增長與運維人員不足的矛盾。

1 系統結構及功能介紹

1.1 系統結構

本系統結構分為2層：第一層為配電主站層;第二層為配電子站。主站與子站間為一對多的結構方式，采用互聯網模式進行連通。系統總體結構見圖1。

子站的主要工作是采集站房內的環境數據，并利用機器視覺智能識別技術自動判斷配電站房作業人員穿戴規范化和是否有抽煙等不文明行為，利用機器視覺智能識別技術自動判斷配電站房異物非法闖入，利用機器視覺智能識別技術對10kV配電站房的設備運行狀態及其變化進行自動識別，利用機器視覺智能識別技術進行配電站房倒閘操作合規性與視頻監控系統有效聯動等。

1.2 系統應用功能

系統的應用結構如圖2所示，主要分為作業人員穿戴及行為檢測、異物非法闖入、設備儀器自動識別、倒閘操作合規性4個應用模塊。各子模塊功能簡介如下：

（1）利用機器視覺智能識別技術自動判斷配電站房作業人員穿戴規范化和是否有抽煙等不文明行為。基于機器視覺智能識別技術的安全帽視頻檢測方法所用到的理論和算法，包括基于背景減除法的運動目標檢測、以及背景減除法的特點與適用場景;定位人體頭部區域的方法以及安全帽顏色特征的計算;針對照度低且低對比度情況，研究了低照度視頻圖像增強的技術，并且增加了色彩保持的圖像增強算法，包括色彩保持的圖像增強算法，該算法能在增強圖像的同時在一定程度上保持色調和飽和度信息，為安全帽顏色特征計算打下基礎。

技術使用HOG特征進行人體識別，在此基礎上使用HOG和顏色特征對安全帽識別。從視頻數據中提取圖像，通過對圖像進行旋轉、偏移、剪切等預處理，將圖像分為背景、戴安全帽的人員和不戴安全帽的人員3類。通過構建3種不同深度層次的卷積神經網絡進行對比，通過“4個卷積層+3個池化層+3個全連接層”組成的深層網絡進行識別，準確率較高。

首先獲取視頻圖像，計算兩幀灰度差值找出運動區域;使用團塊檢測方法找出候選區域;然后對于候選區域進行可變形的組件模型系統檢測，找到明確的目標頭肩區域;對于頭肩區域進行級聯系統檢測，找出目標頭部區域;對于視頻圖像的頭部區域進行HSV顏色空間轉換;在HSV顏色空間下，用神經網絡對于頭部區域圖像進行分類判斷，確定目標是否佩戴安全帽;通過HSV顏色空間，判斷安全帽顏色;最后輸出頭部區域以及安全帽佩戴的檢測結果。本方法檢測結果精確，減小了檢測難度，提高了檢測效率。

（2）基于配電房監控視頻中人員的面部圖像，識別出人員的身份，判斷人員是否為授權進入配電房的人員。

首先在配電房入口處設置圖像采集區域，這樣是為了簡化問題，從而減輕系統的運算壓力，減小問題的難度。接下來對采集區域內的圖像進行人臉采集，對發現的人臉進行持續的追蹤，利用追蹤信息，持續獲取人臉信息，在獲取到一張足夠清晰，足夠大的人臉后，對人臉進行識別，判斷進入配電房內的人員的身份，對未授權進入配電房的人員，進行報警。通過基于神經網路的深度學習技術實現，深度學習技術一方面能夠將圖像這類具備復雜結構的數據抽象化，通過從中提取特征來簡化圖像識別一類的問題來降低解決問題的難度;另一方面，能夠自我學習訓練提取特征的方式，避免人為指定特征，提高了針對不同場景問題的適用性并降低了解決問題的難度。

2 系統工作原理分析

2.1 追蹤采用KCF算法，算法過程

在第一幀視頻中指定需要追蹤的物體，通常，這一步使用檢測網絡在第一幀視頻中找出目標物體，使用檢測網絡給出的bounding box坐標指定物體。

在后續幀的視頻中，依據前一幀的物體坐標，在坐標附近尋找與前一幀物體最相似的一個物體，并給出該物體的坐標。

2.2 識別神經網絡

識別神經網絡與檢測網絡結構相同，但在最后輸出時，僅輸出物體類型，而不輸出物體坐標。識別神經網絡通過所有授權人員的圖像信息訓練得到，因此能夠識別所有的授權人員，對所有的不認識的人員，均認為不是授權人員，報警。

訓練人工神經網絡需要使用大量的數據，其中，檢測網絡可以和識別網絡使用同一套原始的訓練數據，區別在于，檢測網絡使用完整的訓練數據，標注信息為人臉的坐標;識別網絡使用從數據中扣取出來的單獨的人臉，標注信息為人員的身份信息。訓練數據要求包含各個角度的人臉，因此采集數據，可以為每一位授權人員拍攝一段覆蓋各個角度的視頻，最后將視頻解幀，形成訓練數據集。

2.3 最后的人工神經網絡的部署運行

通過攝像頭捕捉到的視頻會在解幀后傳遞給人臉檢測網絡，人臉檢測網絡得到的人臉會被持續追蹤，直到得到足夠清晰的人臉，接下來人臉識別網絡對人臉進行識別，確定人員身份，并在比對模塊中和人員數據庫中的信息進行比對，確認人員是否擁有進入配電房的權限，最終決定是否報警。

3 機器視覺智能識別技術應用

3.1 高速動態視覺圖像并行處理技術

采用新型內存管道技術、硬盤內存二次映射技術以及多線程并行處理等最新的高速處理，實現了每秒100幀百萬像素級圖像的采集、處理及存儲，完全滿足圖像的超高速處理的要求。

3.2 高性能異構算法庫

采用獨創的自相似算法，針對隨機噪聲，利用圖像的自相似性的小波域的雙邊濾波去噪，不僅能夠有效實現去噪，還使圖像邊緣和對比度得到了增強，解決大規模圖像的特征識別問題，識別精度提高，可在雨雪等天氣下使用，受環境因素干擾小。

3.3 人工智能與深度學習

利用深度學習的分類和聚類算法，對各設備進行建模識別，通過獨創的一種有效的語義哈希算法和基于稀疏自編碼的深度學習網絡，識別效果好、學習速度快，進而實現在物體識別中的快速相似圖像查找，準確高效地對圖像進行預處理、定位、配準、識別等步驟，適應性強。

針對電力設備特征，采取以下方法進行設備運行狀態識別：（1）對電力設備的圖像，分別使用各種去噪、銳化算法，根據實驗結果得到最佳的預處理方案。（2）主要電力設備都具有明顯的特征，通過顏色、紋理、模板匹配進行圖像識別實驗，并對模板匹配的算法進行了比較分析。（3）對電力設備容易出現故障的區域進行統計，可以得到電力設備的重點監測區域。對設備圖像進行二值化變換后，對該區域進行差分和累計圖像處理，從而判斷該設備是否出現不正常情況。

4 結束語

機器視覺智能識別技術在10kV的應用將大大提高晉江地區配電站房運行和事故分析的管理水平與自動化水平，尤其是發生故障事故時有效提高了分析處理的時效性和正確性，避免了事故擴大，減少了經濟損失。另外，系統的遠方監控功能大大提高了配電運維人員的工作效率，并可及時發現和處理隱患，從而有力保證了電網的安全穩定運行。

參考文獻：

[1]牛乾，劉桂華，康含玉.一種基于智能機器視覺識別的工業探傷技術[J].信息技術與網絡安全，2018（02）.

[2]朱超平，楊藝.機器視覺中的激光智能識別技術[J].激光雜志，2018（08）.

[3]王憲，張彥，慕鑫，等.基于改進的LBP人臉識別算法[J].光電工程，2012（07）.

[4]吳鳳和.基于計算機視覺測量技術的圖像輪廓提取方法研究[J].計量學報，2007（01）.