電網智慧應急單兵裝備關鍵技術研究

李 珅，李舟演，王遜峰，翁若方

(國網上海市電力公司，上海 200122)

自然災害的多發、重發趨勢，對電網應急工作提出了更高的要求。一方面，災害發生后重要變電站和線路災情信息獲取往往采用人工巡查方式，存在獲取難、獲取慢等問題，電網受災信息無法快速準確統計，影響了應急響應科學決策。另一方面，地震、冰災、臺風等大范圍巨災導致停電后，地面移動網絡無法使用，數據無法通過地面網絡發送至指揮中心。因此，亟需研究基于衛星通信的電網智慧應急單兵裝備關鍵技術，為應急救援提供技術支撐。

1 應急單兵裝備設計思路

新型背包式電網智慧應急單兵裝備總重量不超過10 kg，為雙肩背包式，支持5G和衛星通信，兼容現有的應急單兵通信系統。采用嵌入式系統架構，高性能H265編解碼處理器設計。設備支持視頻采集、編碼壓縮、傳輸、雙向對講、地理定位等功能，支持5G全網通網絡制式，支持衛星通信；多卡綁定傳輸策略，最多可支持四卡同時傳輸。可用于電視直播圖傳、無人機圖傳、高清賽事直播等實時性要求高的應用場景。應急單安裝備裝置外觀和功能布局見圖1。在終端前端實現人臉識別、二維碼識別、車牌識別和興趣點跟蹤等功能。

圖1 應急單兵裝備裝置外觀和功能布局

2 關鍵技術實現

2.1 人臉識別技術

人臉識別主要分為人臉檢測、特征提取和識別比對三個過程。

(1)人臉檢測：人臉檢測是指從輸入圖像中檢測并提取人臉圖像，訓練級聯分類器對圖像中的每一塊進行分類。如果某一矩形區域通過了級聯分類器，則被判別為人臉圖像。

(2)特征提取：特征提取是指通過一些數字來表征人臉信息，這些數字就是要提取的特征。

(3)識別比對：這里提到的人臉識別是狹義的人臉識別，即將待識別人臉所提取的特征與數據庫中人臉的特征進行對比，根據相似度判別分類。采用基于深度學習的人臉檢測MCTNN算法，解決復雜背景下人臉誤檢和速度慢的問題。

2.2 二維碼識別技術

二維碼比傳統的Bar Code條形碼能存儲更多的信息，也能表示更多的數據類型。

當設備開啟二維碼識別功能后，視頻采集到二維碼，自動在線識別，并在客戶端顯示結果，目前二維碼支持解析30個字符，以文字形式展示出來。

2.3 OCR車牌識別技術

車牌識別過程包括車輛檢測——圖像采集——預處理——車牌定位——字符分割——字符識別——結果輸出。

(1)圖像采集。一般有兩種方式：視頻流識別和靜態圖片采集。

(2)預處理。根據對現場環境和已經拍攝到的圖像的分析得出結論，實現相機的自動曝光處理、自動白平衡處理、自動逆光處理、自動過爆處理等，并對圖像進行噪聲過濾、對比度增強、圖像縮放等處理。

(3)車牌定位。依據紋理特征、顏色特征和形狀特征等信息，采用投影分析、連通域分析、機器學習等算法檢測車牌。

(4)字符分割。基于車牌的二值化結果或邊緣提取結果，利用字符的結構特征、字符間的相似性、字符間間隔等信息，一方面把單個字符分別提取出來，也包括粘連和斷裂字符等特殊情況的處理。另一方面把寬、高相似的字符歸為一類，從而去除車牌邊框以及一些小的噪聲。

(5)字符識別。經過機器學習或與字符數據庫模板進行匹配，最后選取匹配度最高的結果作為識別結果。目前比較流行的字符識別算法有：模板匹配法、人工神經網絡法、支持向量機法和Adaboost分類法等。

車牌識別效果如圖2所示。

圖2 車牌識別效果

2.4 興趣點跟蹤

在實現人臉、二維碼和車牌這些特定對象的識別后，研究特定對象為興趣點的動態跟蹤。在開始跟蹤前，首先要在初始幀中檢測特征點，之后在下一幀中嘗試跟蹤這些點。具體做法是在特征點先前位置附近進行搜索，嘗試找到下一幀中它的新位置。

在興趣點跟蹤處理中，采用Harris角點檢測是一種簡單實用的興趣點檢測算法。Harris角點檢測的基本思想是，當給像素點施加一個小的觀察窗并在任意方向移動，如果在所有方向上窗內的圖像強度值都有明顯變化，那么這個觀察窗內必然包含有角點，類似的如果在所有方向強度值沒有明顯變化，則窗內為平坦區域，而當窗內有邊緣時，強度值在邊緣移動方向沒有明顯變化。

Harris角點檢測具有旋轉不變性、抗噪好等優點。識別跟蹤效果如圖3所示。

圖3 識別跟蹤

3 結語

目前市場上的單兵裝備基本都基于3G/4G技術，在大范圍巨災導致的電網應急處置中，通信運營商的基站受到災害的破壞，導致單兵裝備失去網絡通道，在處置過程中無法發揮其作用。本文基于衛星的應急智慧單兵可以有效地解決這一問題。電網智慧應急單兵裝備，可應用于電網應急培訓、演練、救援指揮作業中，實現現場團隊間、指揮中心間高效信息交互與信息安全保障。在智能衛星終端成本側降低成本達到60%。電網智慧應急單兵裝備能夠以成果轉化的形式產生可觀的直接經濟效益。