基于機器學習和圖像識別的電力作業現場安全監督

顏廷良

南京南瑞信息通信科技有限公司，江蘇 南京 210000

0 引言

考慮到電力生產作業是集危險性和復雜性為一體的工作，其中的多數生產環節都會產生危險[1-2]。例如，對電力機械實施高壓試驗時，應對現場施工人員與機械兩者的間距加以嚴控。另外，鑒于當前電力施工場所多采取人為監護的模式，容易受到外界各類因素的干擾，如果監護人員的專注力不足，將出現安全問題，甚至造成安全事件。為此，文章研究依托機器人設施實施安全監控，借助機器人設施加以監視，以大幅提升安全性。該研究的核心思路是讓擁有自主導航能力的機器人搭載視頻監控作業設備，通過現場采集圖像的方式來識別作業人員是否存在不安全行為。

1 HOG特征提取

方向梯度直方圖（HOG）特征提取技術是借助軟件配置管理（SCM）技術對動作加以甄別和分類。根據電力現場施工的特征可知，應當對分類設施加以練習，為此應增添恰當比重的電力市場施工樣本，從而有效提升現場檢測的準確性[3]。同時，在完全幀檢測結束后，需要采用OpenCV圖像處理技術明確警戒區域和警戒線，并借此分析作業人員所處的區域。

（1）對輸入影像的灰度進行處置。輸入的影像資料為RGB格式，不過HOG特征期間無須圖片的彩色相關數據。為此，將圖像轉變為其他格式，如XYZ立體圖片，從而降低工作的難度，提高工作效率。

（2）可以采用Gamma校正法來完成對圖片顏色空間的歸一，即調節和優化對比度，以減少光照或者局部陰影對圖像數據產生的影響。

（3）對圖像梯度進行計算。在應用HOG算法的過程中，應當核算圖像的梯度。例如，應當核算圖像的垂直梯度數值與水平梯度數值。

縱向梯度值屬于Gy(x,y)=H(x,y+1)-H(x,y-1)像素點(x,y)處的梯度幅值，即

則梯度方向角為

（4）Cell單元格分割。操作人員需將圖像分成諸多單獨的互相不交錯的Cell單元格，其中，應當保證所有Cell單元格的規格占據8×8個像素，這是HOG特性檢驗的最低單位。

（5）建立Cell單元梯度方向為直方圖。

（6）構建8×8的Cell單元格。要求將Cell單元格均勻地劃定成12份，即劃分成12處bin塊，這種情況下所有的bin塊均占30°。將第三步的每個像素的梯度依照雙線性內插的方式投影到歸屬于本身的bin塊中，每個加權投影數值便是第三步所得到的梯度幅值。梯度方向塊劃分如圖1所示。

圖1 梯度方向塊劃分

（7）塊（block）內歸一化梯度方向直方圖。需要將所有位置的Cell單元格連為整體的塊，然后在塊的中心逐漸組成歸一化梯度直方圖。在這個過程中，應當深入剖析對光照與陰影狀況產生作用的關鍵要素。需要注意的是，部分像素被某些Cell單元格共同使用，并且在開始塊歸一化的過程中，部分Cell單元格的性能會被反復應用。另外，HOG特性表述符便是塊歸一化之后的內容。

（8）形成特征向量。將上述過程中所形成的HOG特征描述符加以梳理，進而形成諸多圖像的特性向量。

2 人員闖入檢測算法

人員闖入檢測算法依托于OpenCV技術，屬于一種比較典型的圖像處理技術。通常來說，相關人員根據流程將其劃分成兩個區域，即警戒區域和非警戒區域[4]。在計算期間，通過采取漫水填充算法進一步得到與原視頻幀數統一的掩膜圖形。警戒區域呈現為白色，非警戒區域則呈現為黑色。掩膜圖形是評判電力現場工作者有無處在警戒范圍中的關鍵性指標之一。此外，還需全面地考量多方面的干擾性因素。例如，需要利用分析識別點在掩膜圖形中的坐標點來鎖定人員方位，換而言之，倘若識別點的像素值處在原點，即(0,0)處，則在非警戒范圍中，而倘若識別點的坐標值為(255,255,255)，處在警戒范圍中。人員闖入示意圖如圖2所示。

圖2 人員闖入示意圖

在完全幀的背景下，檢驗出人員有關數據，且以長方形框代表辨識點的辨識點。由于檢測得到的長方形框大于個體的面積，而文章將矩形框的1/4長與者寬來比作人體實際大小的誤差值，所以將矩形框的長設為x，寬設為y。使用A、B、C、D 4個識別點模擬人們是否進入警戒區，如圖3所示，在警戒區內存在一處識別點則表示有人闖入。

圖3 人員檢測矩形框

3 試驗

3.1 SVM分類器訓練

訓練的運行條件為VS2017+OpenCV2.4.1。SVM類別劃分設備所參與的訓練便是INRIA樣本集。其中，包含正樣本和負樣本圖像，數量分別為2 416張和1 218張。此次訓練的基本流程概括如下：首先，相關人員要求獲取正樣本和負樣本，利用正樣本HOG特征和負樣本HOG特征，再整合儲存其主要的HOG特征。其次，相關人員需適時調節SVM參數，才能開展訓練工作，從而獲得SVM分類器。同時，有效載入亟待檢測的相關圖像，采取新獲取的分類器提供精細化檢查。如果準確率處在標準值范圍，需進一步儲存結果；如果準確率與期望值不相匹配，則退回上個過程，獲取誤檢地區的圖像，將其作為主要的負樣本，對分類設施再次進行訓練。提取誤檢位置的圖像，將其當作關鍵的負樣本，再基于INRIA（行人數據集）樣本集加以練習，最后獲取到SVM類別劃分設備。

3.2 試驗結果

檢測人員利用上述有關流程對電力作業現場的圖像數據展開檢測，獲取檢測結果。分類器對人員資料信息的檢查狀況，筆者用綠色框進行標記，按照這種操作出現了部分誤檢的綠色框。由此可以判定，該檢測信息的精準度有待考察。針對這一情況，為了進一步提高精確率，要求相關人員對所有圖像展開檢測，最終保證精確率超過76%。

由于該檢測設備主要應用在電力作業現場，容易受到環境因素的影響，為了有效提升設備的精確率，可以將誤檢測結果放入樣本進行集中訓練，從而得到相應的分類區，在電力現場作業中，這些分類區的魯棒性較好。因此，可以將誤檢區域圖像進行截取，共截取圖像200張，集中到負樣本中進行反復訓練，最終得到了第3.1節的分類器。經再次檢測，沒有出現誤差。對50個場景圖形進行檢測，圖像中都只有人體。經過最終的統計分析得出該檢測方式的準確度高達90%以上。

4 結束語

綜上所述，文章結合實際情況對電力現場作業過程中存在的安全監督問題展開了分析和研究。為了有效提升現場作業人員的安全，需要對作業人員的位置進行圖像識別。文章所提檢測方式的精準度在90%以上，但是若檢測對象未完全顯露，則會降低檢測的精準度。同時，人的身體和固定物體的相對位置也會改變，即目標的姿態改變。對此，該方法可根據語義模型不斷改進提取相對位置信息的方法來進行檢測調整。