基于圖像識別的電力作業(yè)現(xiàn)場安全監(jiān)督方法研究

諸德律，倉 敏，李國文，肖 瑩

(國網(wǎng)江蘇省電力有限公司經(jīng)濟技術(shù)研究院，江蘇 南京 210008)

0 引言

電力操作安全是電力生產(chǎn)的基礎(chǔ)。電力施工現(xiàn)場的安全監(jiān)督是供電安全管理工作中需要重視的內(nèi)容。目前，電力作業(yè)環(huán)境較差，作業(yè)人員的安全意識和技術(shù)水平參差不齊。雖然目前電力作業(yè)安全管理制度正不斷加強，但制度對電力作業(yè)監(jiān)督的力度還不足。監(jiān)督的不足會給電力的生產(chǎn)帶來阻礙，給電力作業(yè)人員帶來人身安全危害。

針對上述問題，相關(guān)專家開展了廣泛研究。文獻[1]設(shè)計了基于瀏覽器/服務(wù)器模式(browser/server，B/S)結(jié)構(gòu)的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)。該系統(tǒng)保證了電力工作現(xiàn)場安全監(jiān)督的效果，避免了電力作業(yè)現(xiàn)場的隨意性，完成了對現(xiàn)場環(huán)境安全的管理和對電力作業(yè)工作人員的監(jiān)督，達到了安全風險管理的要求。但該系統(tǒng)僅通過互聯(lián)網(wǎng)服務(wù)器對電力作業(yè)現(xiàn)場進行管理，缺少對圖像的實時觀測，不能及時發(fā)現(xiàn)電力作業(yè)現(xiàn)場的情況，達不到現(xiàn)場安全管理的要求。文獻[2]和文獻[3]設(shè)計了基于前端智能感知的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)。該系統(tǒng)通過融合前端智能感知技術(shù)，滿足了電力作業(yè)現(xiàn)場安全監(jiān)督標準化以及先進化的要求，提升了現(xiàn)場作業(yè)安全監(jiān)督的水平和效率。但該系統(tǒng)還存在著無法對電力作業(yè)現(xiàn)場進行實時抓拍的不足。

基于上述文獻存在的不足，本文提出了基于圖像識別的電力作業(yè)現(xiàn)場安全監(jiān)督，設(shè)計了電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)，實現(xiàn)了視頻采集電力作業(yè)現(xiàn)場環(huán)境并判斷現(xiàn)場環(huán)境安全的功能。

1 電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)的設(shè)計

基于圖像識別的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)主要分為云端、管道側(cè)、邊緣側(cè)、場側(cè)和端側(cè)。

電力作業(yè)現(xiàn)場安全監(jiān)督架構(gòu)如圖1所示。

圖1 電力作業(yè)現(xiàn)場安全監(jiān)督架構(gòu)圖

云端主要采用一體化國網(wǎng)云、企業(yè)業(yè)務(wù)數(shù)據(jù)中心和物聯(lián)網(wǎng)管理中心等平臺，接入分散的物聯(lián)網(wǎng)網(wǎng)絡(luò)層。應(yīng)用服務(wù)模塊匯集了現(xiàn)場視頻和傳感數(shù)據(jù)，為系統(tǒng)提供有效的數(shù)據(jù)統(tǒng)一接口，提高了現(xiàn)場安全監(jiān)督管理效率，并減小了電力作業(yè)工作人員的安全風險[4]。

管道側(cè)采用電力無線專網(wǎng)，可分為3個層次，分別為終端層、應(yīng)用層和系統(tǒng)層。終端層為用戶提供數(shù)據(jù)，通過系統(tǒng)層所提供的空中接口接入系統(tǒng)實現(xiàn)通信。應(yīng)用層用于采集電力作業(yè)現(xiàn)場環(huán)境，通過公網(wǎng)專用虛擬網(wǎng)絡(luò)(virtual pirate network,VPN)和VPN專用通道實現(xiàn)加密傳輸和遠程傳輸?shù)墓δ堋Ｏ到y(tǒng)層提供豐富的應(yīng)用層接口，以便針對客戶實際電力現(xiàn)場的需求，基于系統(tǒng)層進行應(yīng)用層設(shè)備的二次開發(fā)。邊緣側(cè)的邊緣物聯(lián)代理方法向下支持窄帶物聯(lián)網(wǎng)(narrow band Internet of Things,NB-IoT)、ZigBee等現(xiàn)場通信技術(shù)，向上支持電力無線專網(wǎng)、公網(wǎng)、衛(wèi)星等通信技術(shù)。邊緣物聯(lián)代理方法采用智能分析設(shè)備單獨部署，對采集到的視頻和工業(yè)計算機的方案進行處理。該方法在電力作業(yè)環(huán)境中能夠?qū)Π踩M行監(jiān)督，以實現(xiàn)惡劣視頻環(huán)境下的正常監(jiān)控功能。例如，當視頻監(jiān)控畫面因環(huán)境影響而不清晰時，智能分析設(shè)備能第一時間發(fā)現(xiàn)處于危險環(huán)境畫面中的人，并在攝像機移位時發(fā)出警報[5]。

場側(cè)采用了NB-IoT、遠距離無線電(long range radio,LoRa)、ZigBee等技術(shù)，實現(xiàn)了現(xiàn)場多個終端之間的多跳鏈接及路由。

端側(cè)支持固定終端、智能手持終端、智能高清終端和移動布控球等多種終端服務(wù)器。前端采集視頻終端創(chuàng)新采用圖像識別技術(shù)，能夠進行視頻圖像的特征提取，并實現(xiàn)各種檢測、判斷、識別等功能[6]。電力作業(yè)現(xiàn)場的安全監(jiān)督系統(tǒng)采用邊緣計算技術(shù)直接對數(shù)據(jù)進行處理，提高了系統(tǒng)實時性，強化了電力作業(yè)現(xiàn)場的安全監(jiān)督。

2 圖像識別技術(shù)設(shè)計

2.1 硬件技術(shù)設(shè)計

本研究所提方法的圖像識別硬件系統(tǒng)分為6個功能模塊，分別為圖像采集模塊、目標識別模塊、電源模塊、視頻輸出模塊、串口調(diào)試模塊和存儲模塊。圖像識別硬件結(jié)構(gòu)如圖2所示。

圖2 圖像識別硬件結(jié)構(gòu)圖

攝像頭采集的視頻信號通過ADV7181視頻解碼器傳送至DM642芯片進行圖像識別算法處理。經(jīng)處理后的視頻信號傳輸?shù)紸DV7171芯片進行視頻編碼，并輸出到機載顯示器，以實現(xiàn)已識別視頻圖像的輸出。DM642芯片的外部存儲器接口(external memory interface,EMIF)與通用異步收發(fā)傳輸器(unirersal asynchronous receive transmitter,UART)連接。UART輸出端連接計算機的串口，以便于調(diào)試[7]。DM642芯片上的主機端口(host port interface,HPI)并行接口可用于將來與其他板子連接，以實現(xiàn)擴展功能。

圖像采集模塊采用了ADV7181視頻解碼器。ADV7181是高質(zhì)量、單芯片、多格式視頻解碼器和圖形數(shù)字化儀，輸出信號能夠很好地實現(xiàn)頻率抗混疊和減小孔徑抖動。該解碼器還支持分量視頻信號解碼為數(shù)字或像素信號輸出，也能夠?qū)︼@示繪圖陣列(viedo graphic array,VGA)至高級擴展圖形陣列(super extended graphics array,SXGA)速率的紅綠藍(red green blue,RGB)圖形信號進行數(shù)字化處理，將其轉(zhuǎn)換為數(shù)字信號輸出。該視頻解碼器包含標清處理器和分量處理器2部分，實現(xiàn)了視頻信號的采集與轉(zhuǎn)換[8]。

電源模塊由5 V電源驅(qū)動。2個金氧半場效晶體管(metal-oride-semiconductor field-effect transister,MOSFET)開關(guān)電源分別提供數(shù)字音頻處理器(digital signal processing,DSP)內(nèi)核電壓和外圍電壓，以實現(xiàn)高精度穩(wěn)定的雙電源供應(yīng)。電壓轉(zhuǎn)換芯片TPS767D318_M為ADV7181提供1.8 V模擬電壓和1.8 V數(shù)字電壓。LDOLM1086芯片為ADC7171提供3.3 V電壓[9]。

視頻輸出模塊采用了ADV7171視頻編碼芯片。該芯片是目前功能最全面的視頻編碼芯片，可以對數(shù)字視頻進行壓縮，并將其從DM642芯片視頻口的VP0輸出，同時將其編碼成電視所能接收和播放的負荷電視信號。

存儲模塊采用了Flash存儲器和同步動態(tài)隨機存儲器(synchronous dynamic random access memory,SDRAM)。Flash存儲器是1種非易失性內(nèi)存，能夠為DM642芯片提供足夠的地址線數(shù)目，并且該存儲器操作簡單。為了解決DM642芯片存儲空間不足的問題，在外部接入了32位的SDRAM芯片[10]，以實現(xiàn)圖像處理過程中大量圖像的數(shù)據(jù)存儲。

2.2 算法模型設(shè)計

圖像識別技術(shù)的電力現(xiàn)場安全監(jiān)督選用了Adaboost改進算法。Adaboos改進算法采用方向梯度直方圖(histogram of oriented gradient,HOG)的特征提取技術(shù)和支持向量機(support vector machine,SVM)圖像識別技術(shù)[11]，實現(xiàn)了電力作業(yè)現(xiàn)場的信息采集和圖像處理。電力現(xiàn)場安全監(jiān)督系統(tǒng)采用SVM圖像識別技術(shù)：首先對采集到的圖像顏色為RGB格式的視頻幀進行灰度化處理；再使用xyz三維圖像對視頻幀進行處理；然后利用Gamma矯正法對圖像顏色進行歸一化；最后計算采集到的圖像的梯度。

算法模型設(shè)計方法如下。

假設(shè)圖像中的某個像素點值為H(x,y)，則橫向梯度值為：

Gx(x,y)=H(x+1,y)-H(x-1,y)

(1)

式中：Gx(x,y)為橫向梯度值；(x,y)為像素坐標。

縱向梯度值為：

Gy(x,y)=H(x,y+1)-H(x,y-1)

(2)

式中：Gy(x,y)為縱向梯度值。

因此，像素點(x,y)處的梯度幅值為：

(3)

梯度方向角為：

(4)

對圖像中的Cell單元格進行分割,將采集到的電力作業(yè)現(xiàn)場圖像分割為多個沒有交集的Cell單元格。其中，每個Cell單元格占8×8個像素大小。Cell單元格為HOG特征檢測的最小單位。構(gòu)建Cell單元的HOG后，對得到的8×8個像素大小的Cell單元格進行梯度劃分。Cell單元格按360°的梯度方位劃分為12份，即12個bin塊。劃分的多個bin塊圖像數(shù)據(jù)信息通過HOG的方式進行歸一化處理，形成特征向量。基于SVM的圖像識別技術(shù)實現(xiàn)圖像識別，對特征空間尋找最優(yōu)超平面。劃分超平面的線性方程一般形式為：

f(x)=ωTx+b

(5)

式中：ω=(ω1,ω2,…,ωd)為法向量，用于確定超平面的方向；b為位移項，用于判斷原點到超平面的距離[12]。

3 試驗結(jié)果與分析

為了驗證電力作業(yè)現(xiàn)場安全監(jiān)督的有效性，對系統(tǒng)進行測試試驗。將本文研究系統(tǒng)與基于B/S的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)和基于前端智能感知的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)進行對比。本試驗采用黑盒測試方法[13-14]，以系統(tǒng)界面和系統(tǒng)功能測試為主，搭建仿真平臺，并通過試驗分析驗證本文研究系統(tǒng)處理數(shù)據(jù)的能力[15]。試驗中使用的操作系統(tǒng)均為Windows Sever 2008的Tomcat應(yīng)用服務(wù)器、MySQL數(shù)據(jù)庫管理系統(tǒng)服務(wù)器，客戶端使用Android4.04版本。

所搭建的監(jiān)督數(shù)據(jù)庫包括安全監(jiān)督標準化內(nèi)容、基礎(chǔ)數(shù)據(jù)、監(jiān)督過程管理數(shù)據(jù)、操作日志。試驗架構(gòu)如圖3所示。

圖3 試驗架構(gòu)示意圖

為了防止數(shù)據(jù)庫的數(shù)據(jù)丟失，應(yīng)對數(shù)據(jù)及時備份。電力作業(yè)環(huán)境安全監(jiān)督的檢測包括事故記錄和安全監(jiān)督2個部分。提取的數(shù)據(jù)信息主要分為3類。

①危險數(shù)據(jù)。危險數(shù)據(jù)包括500 kV線路組、500 kV線路放/緊導(dǎo)地線、220 kV線路放/緊導(dǎo)地線等，共27個。

②警戒數(shù)據(jù)。警戒數(shù)據(jù)包括500 kV線路砍樹、500 kV電纜交叉互聯(lián)系統(tǒng)試驗、500 kV電纜頭避雷清潔等，共469個。

③安全數(shù)據(jù)。安全數(shù)據(jù)包括斷電操作、斷電拆除線路上的異物、穿絕緣服工作等，共1 004個。

仿真系統(tǒng)訓(xùn)練環(huán)境為部分電力作業(yè)現(xiàn)場環(huán)境。測試中對仿真系統(tǒng)進行優(yōu)化。試驗采用的數(shù)據(jù)為電力作業(yè)現(xiàn)場數(shù)據(jù)，共有1 500個圖像數(shù)據(jù)。通過對數(shù)據(jù)的分析，發(fā)現(xiàn)數(shù)據(jù)中有469個警戒數(shù)據(jù)、1 004個安全數(shù)據(jù)和27個危險數(shù)據(jù)。試驗結(jié)果以檢測數(shù)據(jù)的準確性作為標準[16]。試驗準確率對比如表1所示。

表1 試驗準確率對比

在上述試驗環(huán)境參數(shù)的基礎(chǔ)上，對系統(tǒng)的性能進行測試。測試數(shù)據(jù)仍為電力作業(yè)現(xiàn)場數(shù)據(jù)，性能測試的標準為系統(tǒng)處理數(shù)據(jù)的能力。系統(tǒng)測試性能對比如圖4所示。

圖4 系統(tǒng)測試性能對比圖

由圖4可知：本文研究的基于圖形識別的電力現(xiàn)場安全監(jiān)督系統(tǒng)測得的系統(tǒng)處理數(shù)據(jù)查詢的頻率達到了1 000次/s[17]；基于前端智能感知的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)測得的系統(tǒng)處理數(shù)據(jù)查詢的頻率為920次/s；基于B/S的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)測得的系統(tǒng)處理數(shù)據(jù)查詢的頻率為920次/s。相比之下，本文研究系統(tǒng)的性能較好。

4 結(jié)論

電力作業(yè)現(xiàn)場安全監(jiān)督是電力生產(chǎn)的基礎(chǔ)。為了保證電力作業(yè)人員的安全，本文研究了基于圖形識別的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)。基于圖形識別的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)采用一體化國網(wǎng)云、企業(yè)業(yè)務(wù)數(shù)據(jù)中心、物聯(lián)網(wǎng)管理中心等平臺；通過公網(wǎng)VPN和VPN專用通道實現(xiàn)了加密傳輸和遠程傳輸?shù)墓δ埽徊捎弥悄芊治鲈O(shè)備單獨部署，對采集到的視頻進行處理。本文研究了電力作業(yè)現(xiàn)場的圖像識別技術(shù)，選用了Adaboost改進算法，實現(xiàn)了對采集到的視頻圖像的處理、分析、識別和判斷。本文研究的創(chuàng)新點在于：首先，設(shè)計了基于圖像識別的電力作業(yè)現(xiàn)場安全監(jiān)督系統(tǒng)，依據(jù)電力物聯(lián)網(wǎng)設(shè)計了電力作業(yè)現(xiàn)場安全監(jiān)督模型[3]；其次，設(shè)計了圖像識別硬件系統(tǒng)，分為圖像采集模塊、目標識別模塊、電源模塊、視頻輸出模塊、串口調(diào)試模塊和存儲模塊6個功能模塊，提高了電力作業(yè)現(xiàn)場安全監(jiān)督能力；最后，構(gòu)建了Adaboost改進算法模型，并增加了HOG特征提取技術(shù)和SVM圖像識別技術(shù)，實現(xiàn)了電力作業(yè)現(xiàn)場的信息采集和圖像處理。

該研究為下一步電力作業(yè)安全監(jiān)督方法的研究奠定基礎(chǔ)。