基于AI邊緣計算電網現場作業典型違章判定規則與識別算法

國網陜西省超高壓公司 王一青 國網西安市鄠邑區供電公司 馬恒凱

為保證電力施工現場的作業安全，除了需要提供相應的安全輔助設備以外，還需要對工作人員的行為規范進行監管[1]。在電力生產工作的過程中，若工作在帶有高壓電的帶電體周圍，任何操作行為的不規范，都會帶來嚴重的安全隱患[2]。

關于電網作業現場的風險研究目前處于發展階段，有研究學者針對電網現場作業的風險建立評價指標體系，從人的影響、設備的影響、環境的影響和管理的影響等四個方面對電網現場風險進行評價，確定不同電網現場的風險等級。但是此種辦法具有較強的主觀性，在評價過程中引入的專家打分法并不能較好地體現統一的評價標準。還有研究學者通過對現場電網作業的參數采集建立風險預測模型，將BP神經網絡和支持向量機相結合，利用BPSVM預測模型預測電網作業的風險程度，但是此種預測模型并沒有對獲取到的參數數據進行統一化的處理，因此得到的預測結果準確性較低。

還有研究人員針對電網作業的隱患圖像進行識別，分析隱患具體風險點位，建立圖像特征提取模型，但是由于圖像特征識別和數據特征識別的過程和方法差別較大，所以圖像識別的準確率低于特征識別得到的結果，還有專家學者從理論上分析違章識別算法的研究，對電網作業風險識別的意義，認為通過識別算法可有效地識別風險，但是前提是可以搭建有效的識別風險模型。

同時，有研究人員利用物聯網技術，通過對電網現場的部分風險指標的監測，通過物聯網傳輸手段，將數據進行采集獲取，再利用相關的數據挖掘或機器學習的算法實現風險的預測。同時，對于操作違章的情況，目前主要采用的方法包括前端智能感應技術，通過監督系統實現全程操作監控，提高安全監督。也可以基于智能圖像處理技術，通過視頻識別的方法對施工圖像信息進行鑒別，避免安全隱患。

本文基于AI邊緣計算的方法，通過對物聯網中邊緣計算架構的研究，引入云計算對電網作業現場的違章情況進行判斷，建立違章判定規則與識別算法，提高作業現在的違章監管能力，有效保障工作人員的生命安全，實現可以在復雜的電網施工現場中應用的目的。

1 違章判定規則與識別算法

在了解邊緣計算整體架構的基礎上，通過對安全帽佩戴的檢測與判定，并利用人臉識別技術，構建基于邊緣計算的人臉識別算法。

1.1 安全帽佩戴的檢測與判定

安全帽的檢測是對于電網現場作業違章判定里的重要部分，作業工人不按規定佩戴安全帽造成事故的事情不勝枚舉。對于安全帽的檢測除了包括工人是否規范佩戴外，還需要有快速的檢測能力，對工人的工作情況能夠實時監控，從而有效保證工人的人身安全。

對于安全帽的檢測，其核心問題在于檢測模型的構建，主要通過目標檢測算法來完成該任務。利用YOLO v3網絡的準確率高、速度快的特點，可以有效完成安全帽的檢測工作，利用其作為基礎網絡，識別過程中加入注意力機制，可以有效提高在復雜背景下的安全帽識別問題。

圖1 安全帽檢測流程圖

1.1.1 基于深度學習的神經網絡算法

神經網絡包括輸入層、輸出層和數據運算隱藏層，其最小單位為神經元。設輸入層節點個數為m；輸出層的節點個數取決于數據標簽中的編碼規則；隱藏層節點的確定通過經驗公式中的常數的設定。確定隱藏層節點的個數：，式中：m代表隱藏層節點數，n代表輸入層輸入的節點個數，L代表標簽編碼規則，a代表常數，取值為1～10。

神經網絡算法的主要數據傳播方式為對上一層神經元對應的數值進行加權處理，求和后通過一定的偏置處理，進而獲得線性數據，線性數值經過激活函數處理后可以獲得下一層神經元的對應數據。經過數據的層層迭代，最終獲得輸出層的數據輸出。計算過程如為：，式中：wij為神經元之間的權重，對應于節點i與節點j之間，xi為上一層節點i的數值大小，bj為該節點對應的偏置大小，Sj為節點數據累加運算后獲得的線性數據，act為激活函數，xj為激活后的數據。

1.1.2 ReLU激活函數

ReLU激活函數可使得該神經元的數據輸出具有非線性表征的能力，從而與各種曲線進行相應的擬合，從而提高整個神經網絡的泛化能力。ReLU激活函數的計算過程，對于輸入小于0的情況取值為0，對于輸入大于0的數據，其函數值取決于輸入值。ReLU激活函數可以有效解決計算過程中的梯度消失問題，同時計算速度得到大大提高。因此，在神經網絡的計算過程中被廣泛使用。ReLU激活函數表達式為：f（x）=max（0,x）。

1.1.3 YOLO v3網絡

將YOLO v3網絡與CBAM注意力算法有機結合，通過在每個網絡的輸出層前端加入注意力機制，使得圖像的特征層中對于在聚焦區域位置可以獲得更高的注意力，有效提升細節獲取能力，通過對于物體權重的增加，可以進一步提升該位置的信息識別精度，提高安全帽的識別能力。在此基礎上，為了提高注意力算法的效果，更好地獲取算法空間特征，本文采取7x7卷積核作為注意力機制的過濾器。CBAM的特征層表示式為：

式（1）中，MLP函數為全連接層，AvgPool函數為全局平均池化，MaxPool的意義為全局最大池化，F為函數的特征層輸入，σ為激活函數，r為運算中的減少率，此處取值0.5；式（2）中，Favgs與Fmaxs的意義分別為全局平均池化和全局最大池化的通道特征，f7×7函數表示卷積核尺寸為7x7的卷積計算。

1.2 人臉識別

對于電網現場的作業，人臉識別系統是其重要監測內容，主要作用在于防止外來人員的闖入，以及有效控制工人的工作時間，避免出現工作超時，可以利用人臉識別系統防止一些安全隱患問題的發生。

在人臉識別的過程中，主要是利用FaceNet網絡實現人臉識別的功能，并通過MT-CNN網絡實現人臉的檢測。整體的流程如圖2所示：圖像數據的獲取。電網現場作業中的視頻主要來源于工地的攝像設備，利用攝像頭可以獲得監控現場的視頻幀。通過電網工人的人臉數據庫，可以對其進行數據對比和身份確認；關于圖像的人臉檢測。通過MTCNN網絡可以有效獲得圖像中的人臉位置坐標，根據坐標情況將視頻對應數據進行剪裁，獲得人臉數據；識別人臉數據。通過FaceNet網絡可以有效獲得剪裁后圖片中的人臉特征數據，將其映射至特征空間便于進一步處理；根據人臉的特征數據，通過判斷其在特征空間中的歐氏距離，對于人臉數據對應工作人員的身份進行辨識和確認。

圖2 人臉識別流程圖

本文采用MT-CNN網絡來完成人臉位置以及人臉信息關鍵點的檢測獲取。通過借鑒Adaboost的級聯結構，提取圖像中的FPN特征，其次通過P-Net、R-Net和O-Net三個級聯神經網絡，分別完成識別候選框生成、候選框篩選和人臉框與關鍵點位置判定。為了提高MT-CNN網絡的精度，在不影響系統性能的前提下，將傳統的加分類器的方法改成區域框選取與回歸的方式，主要是利用模型在圖片中生成候選窗口，利用較復雜模型對于候選窗口進行篩選，提高候選框選擇精度，對非人臉區域由P-Net、R-Net進行快速過濾，最后保留位置由O-Net進行邊框和人臉關鍵點的回歸確認。

1.3 基于邊緣計算的違章識別算法

由于邊緣服務器的效率遠高于云服務器，因此將邊緣計算與AI技術相互結合，不僅可以實現邊緣計算過程的人工智能化，也可以提高邊緣服務器的服務能力，提高整體資源的利用效率。同時，針對復雜的圖像數據，利用深度學習強大的學習效果和推理運算能力，總結數據中有價值的信息，對于邊緣服務器的決策判斷提供有效的幫助。因此，在電網現場作業的違章判定中，邊緣計算違章識別算法的整體步驟如下：將圖像識別的特征提取部分布置在邊緣服務器中，從而有效對于人臉特征和安全帽特征進行有效的辨別；在邊緣服務器中運行回歸模型，并進行人臉特征概率判斷；根據兩個結果的運行結果一致性情況，來決定是否交由云服務器復查。

2 數據分析與試驗結果

2.1 試驗準備

云計算中心的參數為：Intel（R） Core（TM）i5 4570；四核CPU，頻率為3.20GHz；運行內存為8GB；操作系統選擇為Windows7 64位系統。邊緣設備參數主要包括有：BCM 2863；CPU為ARM Cortex A8；運行內存2GB。數據為相關電網現場作業測試視頻1000例，其中包含多種類型的視頻：存在安全隱患的視頻、存在違章操作視頻、存在不規范著裝等的視頻和安全視頻。根據識別結果情況，對系統的操作進行數據庫記錄。

2.2 試驗結果與分析

為了驗證本文邊緣計算方法在數據接收方面的效率，分別使用不同的組網方式進行數據接收對比，主要的數據接收方式包括光纖接收、終端接收和邊緣接收。其網絡延遲的數據對比情況如圖3所示。

圖3 不同數據接收方式的影響

從圖3中可以看到，通過邊緣計算的方式其數據接收的延遲更小，當接收節點數據量達到350MB時，終端接收數據延遲時間為42ms、光纖接收數據延遲時間為29ms、邊緣接收數據延遲時間為18ms。由此證明，本文方法的數據計算時間快，辨識運行效率高。為了進一步表明本文算法的優勢，將本文算法模型與文獻方法和文獻方法對比，通過輸入視頻數據，驗證不同模型的效果優劣。其對比結果如圖4所示。

圖4 不同研究方法的誤差曲線對比

從圖4中可以看到，對于不同的研究方法，其誤差曲線的趨勢類似，均是隨著視頻量輸入的增加，其誤差率呈一定的上升趨勢，但是從結果上看，本文算法明顯由于其他兩種算法誤差更低，更適合用于電網作業中的違章判定，具有一定的應用優勢。