基于機器學習和圖像識別的電力作業現場安全監督策略

張航?戴志敏

摘要：電力生產作業涉及到的工作內容較多，且生產作業流程復雜性強，導致工作的危險性有所提高。為保證現場工作人員的安全性，需確保人員遠離處于高壓實驗等環境中的電力設備，為實現以上目標，安全監督工作必不可少，通過利用HOG特征提取以及SVM算法，并結合OpenCV圖像處理技術，能夠進一步實現電力作業現場安全監督的自動化及智能化，準確識別安全區域及境界區域的人員進入情況，有效提升電力行業的安全生產水平。

關鍵詞：機器學習;圖像識別;現場安全監督

開展電力作業的過程中，受到電力系統運行環境、高壓設備及人為操作等因素的影響，會增加工作人員的安全風險。為保證電力生產人員的人身安全，降低安全事故的發生概率，需要合理劃分危險區域，嚴禁現場人員隨意進出，工作人員應增強安全防護意識，加強研究和探索基于機器學習和圖像識別的檢測方法，提高電力作業現場的安全監督能力，促進電力行業穩定有序發展。

1.HOG特征提取的實際應用原理

文中針對電力作業現場開展安全監督工作時，主要利用HOG特征進行人員檢測，HOG特征具有光學不變形以及幾何形狀不變的基本特點，與此同時，配合使用SVM方法完成分類識別任務。工作人員需將電力作業現場特定的樣本集引入訓練分類器中，從而在一定程度上提高檢測工作的準確性。當完全幀的人員檢測工作結束后，將OpenCV圖像處理技術作為主要依托，合理處理得到的數據信息，針對設定的警戒區域而言，應做好合理劃分及提取工作，明確在以上區域內是否有無關人員闖入，為安全監督提供科學依據。

2.SVM算法的熟練掌握

SVM具體指支持向量機，是一種以統計學習理論為基礎的機器學習方法。為了讓低維空間能夠達到線性可分的目的，應合理選擇核函數幫助其完成向高維空間的轉換。在以上工作得到全面落實的前提下，尋找相應的最優超平面，從而實現二分類目標，通常情況下，應用于劃分超平面的線性方程如式（1）所示：

（1）

在（1）中，=（ω1 ， ω2 ， …ωd ）表示法向量，實際作用是明確超平面的方向，其中b表示位移項，用來明確超平面和原點之間的距離。

3.人員闖入檢測算法在電力作業現場安全監督中的實際應用

3.1人員闖入檢測算法的應用原理

為實現人員闖入檢測，需合理運用基于OpenCV的圖像處理技術。結合實際需求設置相應的程序，并嚴格按照程序要求合理劃分警戒區域，通常在獲取同原視頻幀相同像素尺寸參數的掩模圖像過程中，利用漫水填充算法，在所有的警戒區域內進行白色填充，而將警戒區域外填充為黑色，明確是否有人闖入警戒區的主要依據為得到的掩模圖像。通過分析人員闖入的實際情況，結合對識別點在掩模圖像中同坐標點的像素取值關系的分析，為人員矩形框是否進入警戒區域提供依據。當識別點的像素值為（0，0，0）時，則說明人員未闖入警戒區域，而識別點像素值為（255，255，255）時，說明有人員進入警戒區域內。

3.2正確選取識別點

選取識別點時，要求在完全幀背景下完成，開展人員信息的檢測工作，利用矩形框表示檢測人員。由于在實際檢測過程中，矩形框與人相比，整體面積較大，為保證檢測的準確性及可靠性，需合理明確矩形框與人體之間存在的誤差值，設定為矩形框長或者寬的?。在矩形框中合適的位置設置四個識別點，對人員闖入情況進行簡單模擬，一旦在警戒區內發現任何一個識別點，可以判定有人員闖入警戒區內。

4.基于機器學習和圖像識別的電力作業現場安全監督實驗流程

4.1SVM分類器訓練具體環節及要點

在本次實驗過程中，實際運行環境為VS2017+OpenCV2.4.1，利用SVM分類器的過程中，將INRIA樣本集作為訓練集，樣本集包含很多樣本圖像，主要有正樣本圖像及負樣本圖像兩大類，數量分別為2416及1218。SVM分類器訓練流程如下：首先，獲取樣本，即正樣本圖像及負樣本圖像，做好樣本HOG特征的提取工作，之后進行統一保存;其次，合理調整SVM參數，通過相應的訓練得到SVM分類器;再次，在系統中載入需要檢測的圖像，如果準確率能夠符合預期要求，及時保存檢測結果，若出現不符合規定標準的情況，需分析誤檢范圍，并做好該區域內的圖像提取工作，將得到的圖像作為負樣本調整SVM參數、訓練以及獲得SVM分類器，直到準確率達到要求為止。

4.2人員檢測實驗結果初步分析

工作人員應充分利用得到的分類器開展檢測工作，主要檢測電力作業現場的圖像。在本次實驗中，利用綠色框代表檢測到的人員信息，通過分析檢測結果可以發現，會得到很多誤檢的綠色矩形框，影響檢測結果的可靠性。為降低一些偶然因素帶來的不良影響，可以選擇50張現場圖開展相應的測試工作，經過專業統計，得到最終的檢測準確率可達76%。

4.3提高檢測準確率得到最終結果

因為電力作業現場環境的變化很小，可以對誤檢結果進行重復利用，在誤檢結果中加入負樣本集，重新進行訓練。針對電力作業現場而言，具備較強的特定性，將得到的分類器應用在此類場景中，能夠體現較高的魯棒性。將以上理論作為主要依托，可以單獨截取誤檢區的圖像，共200張，結合負樣本進行訓練，針對得到的分類器開展檢測工作，得到最終的檢測結果，通過分析檢測結果可以發現，人員檢測準確率較高。實驗人員針對選取的50張現場圖再次進行測試，得到準確率為92%。最后進行人員闖入檢測實驗，利用綠色框表示安全區域人員，紅色框表示警戒區域人員，黑色框表示警戒區域范圍，可以得到最終檢測結果。

結語：為提升電力作業現場的安全監督水平，需做好基于機器學習和圖像識別的學習和應用。通過HOG與SVM的有機結合，開展人員檢測工作，在此基礎上合理運用OpenCV圖像處理技術明確在警戒區域內是否有人員闖入。電力作業現場安全監督人員應了解和掌握HOG特征提取以及SVM分類器工作流程，熟練掌握相關的算法，采用以上方式可以有效簡化計算程序，為安全監督工作的順利開展提供充足依據。

參考文獻

[1]羅世剛、安旭東、周盛成、黎啟明、羅景鴻.基于機器學習的圖像識別技術在電能表中的應用[J].電子世界，2020（20）：3.

[2]王敬平、姜鑫、黃子君、周潔.基于機器學習的SAR圖像目標識別方法[J].電子技術與軟件工程，2020（17）：2.