基于MGAN環路濾波視頻編碼技術的監控系統設計

摘 要：為提高變電站環境監測運行效率，提出一種改進的對抗神經網絡環路濾波視頻編碼技術的環境監控系統。首先，根據系統功能性和非功能性需求，將系統分為視頻采集層、邊緣計算層、云平臺層3大模塊，并進行了詳細設計；然后，基于生成對抗神經網絡（GAN），重點設計了邊緣計算層視頻編碼技術，提出一種多層次的GAN（記為MGAN）環路濾波視頻編碼技術；對系統功能和非功能進行了測試。結果表明，系統可實現實時監控、多路監控、智能保存和視頻編碼功能，滿足安全性、穩定性、可靠性非功能需求，所設計的基于MGAN的環路濾波視頻編碼技術能有效提高視頻編碼質量，進一步提高變電站視頻及環境監控系統的運行效率，具有一定的實際應用價值。

關鍵詞：變電站視頻監控；生成對抗神經網絡；視頻編碼；環路濾波

中圖分類號：TP311"""""""""""""""""""""""""""" 文獻標識碼：A""""""""""""""""""""""""""""" 文章編號：1001-5922（2024）07-0147-05

Design of monitoring system based on MGAN loop filtering video coding technology

ZUO Lei1，LU Yang1，SONG Yang1，LI Chengzhi2，ZHAO Jinmin2

（1. National Energy Changyuan Wuhan Qingshan Thermal Power Co.，Ltd.，Wuhan 430082，China；

2. Beijing Bike Technology Co.，Ltd.，Beijing 100095，China）

Abstract： In order to improve the operational efficiency of substation video monitoring， an improved environmental monitoring system based on adversarial neural network loop filtering video coding technology was proposed." First， according to the functional and non functional requirements of the system， the system was divided into three modules： video capture layer， edge computing layer， and cloud platform layer， and detailed design was carried out. Then， based on the Generic Adversary Nets （GAN）， the edge computing layer video coding technology was emphatically designed， and a multi?level GAN （MGAN） loop filtering video coding technology was proposed. Finally， the functional and non functional tests of the system were conducted. The results showed that the system could achieve real?time monitoring， multi?channel monitoring， intelligent storage， and video coding functions， meeting the non functional requirements of security， stability， and reliability. The MGAN?based loop filter video coding technology designed can effectively improve the quality of video coding， further improving the operational efficiency of substation video and environmental monitoring systems， and has certain practical application value.

Key words： substation video monitoring；generating an adversarial neural network；video coding；loop filter

近年來，隨著人工智能技術在電網中的應用，變電站視頻及環境監控系統逐步完善，有效減少了人工成本的投入，進一步確保了變電站安全，如基于變電站監控系統，提出一種長短期記憶循環神經網絡的變電站智能故障診斷方法，實現了變電站故障區域的快速定位與故障沖擊傳播途徑，有效提高了變電站的運行安全［1］；為保證變電站監控系統采集正確負荷信息，利用極限學習機方法辨識負荷異常信息，通過對變電站監控系統歷史數據分析，結合主站調度端時序數據，實現了變電站監控負荷信息的辨識，有利于變電站監控系統實施爭取的調度命令，確保了變電站運行安全［2］；針對智能變電站軟巡視困難的問題，充分利用一體化監控系統采集信息流的優勢，提出了一、二次系統狀態對應關系監測的智能巡檢技術，為變電站運維人員提供了日常運維、異常處理等輔助決策手段［3］。然而就目前變電站監控系統而言，由于在監控視頻傳輸過程中通常需要對視頻圖像進行壓縮傳輸，容易降低視頻監控的運行效率，導致基于監控視頻的變電站故障診斷或巡檢效率較低。為解決該問題，提出一種基于MGAN環路濾波視頻編碼技術。

1"" 系統整體框架

根據變電站視頻及環境監控系統應滿足實時監控、多路監控、智能保存、視頻編碼功能性應用需求，并結合其應具備安全性、穩定性、可靠性等非功能性需求，提出基于MGAN環路濾波視頻編碼，設計一個變電站視頻及環境監控系統，系統整體結構如圖1所示。

由圖1可知，系統主要由3個部分組成，分別為視頻采集層、邊緣計算層和云平臺層［4］。視頻采集層主要負責監控視頻的采集與傳輸，是整個系統的基礎層。邊緣計算層是云平臺層和視頻采集層的中間層，主要負責對視頻初步處理和中轉，提供視頻接收、視頻發送、視頻監控、視頻編碼、視頻處理、視頻保存等服務［5］。云平臺層部署于云服務器上，主要實現遠距離的云監控，并提供視頻接收、視頻編碼、視頻保存和Web服務功能。

2"" 系統設計

2.1"" 視頻采集層設計

視頻采集層包括視頻采集和視頻傳輸2個模塊。該模塊主要通過V4L2編程框架進行構建。此框架可進行攝像頭頻率、頻數等參數設置，可通過回調函數發現和操作攝像頭。基于V4L2編程框架的視頻采集流程如圖2所示［6］。

2.2"" 邊緣計算層設計

2.2.1"" 視頻編碼模型設計

GAN模型是一種基于對抗學習的深度學習模型，由一個生成器和一個判別器構成，通過不斷進行對抗學習，可滿足修復圖像的需求。因此，本系統利用GAN提高視頻編碼性能［8］。

考慮到GAN的容量有限且無法完全捕獲單個圖像，導致生成的圖像容易丟失細節信息。因此，為使生成的圖像在細節方面更接近原始圖像，本系統設計了一個多層次GAN（MGAN）模型進行視頻編碼［9］。

采用MGAN模型替代VVC環路濾波中高功耗ALF模塊，可有效提高重建幀的視覺質量，進而提升視頻編碼效率。首先，將原始視頻圖像與VVC（Versatile Video Coding）編碼后的有損圖像進行對應并組成圖像對，然后進行下采樣處理，并分別將下采樣后的圖像輸入每層GAN生成器和判別器，利用其像素差訓練GAN模型，即可將VVC編碼后丟失的圖像細節添加到視頻幀中，使生成的圖像更接近原始圖像。最后，為獲取更多圖像細節信息，在MGAN每層生成器中添加一個馬爾科夫鏈鑒別器，用于保全精細紋理［10］。

2.2.2"" 模型訓練

MGAN模型的訓練方式為逐層訓練，其訓練損失主要分為對抗損失和重建損失。對抗損失即為生成器的生成樣本與原始樣本間的差值，包括生成器產生的損失和判別器產生的損失，表示為式（1）、式（2）；重建損失來自生成樣本和輸入圖像的差值，采用均方誤差進行表示。為降低訓練過程中的對抗損失，模型采用生成器和判別器交替訓練的方式進行訓練［11?12］。

[LG=Ex-Px-log（1-D（G（z）））]"""""""""""" （1）

[LD=Ex-Pdata- log（x）+]

[Ex-PZ-log（1-D（G（z）））]""""""""""""""" （2）

式中：[E（*）]為分布函數期望值；[Pdata]和[PZ]分別表示真實樣本分布和低維噪聲分布。

為解決MGAN模型訓練時產生的梯度消失問題，提出將生成器與馬爾科夫判別器進行耦合處理，并采用WGAN-GP訓練模式對模型進行訓練［13］。

最后，為控制生成圖像的大小，采用固定圖像下采樣的比例對樣本的變化量進行控制。

2.2.3"" 模型在VVC中的集成

將MGAN模型集成在VVC中，具體如圖3所示，可得到基于MGAN模型環路濾波技術的視頻編碼方法。利用MGAN模型環路濾波技術在進行視頻編碼時，首先將視頻序列分割成多個小圖像組，設置每個小圖像組的參考幀為關鍵幀，關鍵幀集合構成關鍵幀組。然后導出樣本自適應偏移（SAO）濾波后的視頻流文件和原始視頻文件關鍵幀組作為模型的訓練輸入。最后，根據VVC中編碼樹單元大小128×128，設置模型輸入圖像為256×256，即實現了MGAN模型在VVC中的集成。

考慮到視頻編碼壓縮過程中存在未變化的編碼樹單元，無需進行濾波處理。由此提出在進行MGAN模型集成前加入一個開關標志，當輸入數據達到此開關標志時，模型將進行MGAN編碼自動跳過［14］。

2.3"" 云平臺層設計

云平臺層的作用是實現視頻接收保存和Web服務，本研究重點對視頻接收模塊進行設計，其具體流程如圖4所示。

該模塊首先需建立一個流式套接字；然后將其與服務器進行連接，進行視頻數據收發；數據發送時可進

行套接字監聽，接收數據后關閉套接字，即實現了視頻接受。

3"" 系統測試

3.1"" 系統測試平臺與工具

本次系統視頻采集層測試基于Linux系統的3代B型樹莓派平臺運行，搭載ARM Cortex-A53 1.2 GHz 64 bit quad-core ARMv8四核中央處理器。采集設備為USB接口的高清攝像頭。邊緣計算層基于Ubuntu16.04操作系統的Intel? NUC迷你電腦平臺運行，搭載I5 6260U處理器，8 GB運行內存。云平臺層采用Ubuntu16.04操作系統的PC機進行實現，其配置了Intel（R） Core （TM） i7-9700K型號的 CPU和GeForce GTX 2080 super 型號的GPU。其中，CPU顯存大小為 3.60 GHz，內存大小為32 GB RAM。

進行系統測試時，采用本地網絡將視頻采集層與邊緣計算層進行連接和數據訪問，二者均部署于同一局域網中；邊緣計算層與云平臺層通過廣域網連接。

3.2"" 系統功能測試

3.2.1"" 測試條件

為測試本系統的視頻編碼功能，實驗將MGAN環路濾波方法集成到VTM-5.0中，使用22和37兩個經典的QP值進行測試。測試視頻數據集為VVC官方測試序列中類型 A～C視頻序列的前100幀視頻數據。測試序列及相關參數如表1所示。

3.2.2"" 評價指標

本次測試選用BD-BR和BD-PSNR雙指標評估MGAN模型相較于常用視頻編碼模型ARCNN和DBPN模型的視頻編碼質量。其中，BD-BR是衡量不同算法碼率節省情況的指標，反映了不同算法在碼率上的變化情況；BD-PSNR是衡量同等碼率下，不同算法PSNR差異的指標。

3.3"" 結果與分析

表2為MGAN模型與對比模型在環路濾波中的RD性能對比結果。

由表2可知，基于MGAN的環路濾波方法BD-BR平均降低了7.94%，并取得了0.31 dB的BD-PSNR增益；基于DBPN模型的環路濾波方法BD-BR平均降低了2.76%，取得了0.08 dB的BD-PSNR增益；基于ARCNN模型的環路濾波方法BD-BR平均降低了4.41%，取得了0.25 dB的BD-PSNR增益。由此說明，相較于基于DBPN模型和基于ARCNN模型的環路濾波方法，基于MGAN的環路濾波方法提高了視頻編碼的質量，降低了視頻編碼后的比特率，在測試序列上取得了更優異的結果。

表3為不同方法的平均編碼時間對比結果。

視頻編碼的復雜度為衡量方法是否具有實際應用價值的重要指標。為驗證基于MGAN模型的環路濾波方法具有一定的實際應用價值，分析了與DBPN模型和ARCNN模型的視頻編碼復雜度。復雜度的計算方法如式（3）：

[?T=T-T0T0]"""""""""""""""""""""""""""" （3）

式中：[T]表示模型的編碼時間；[T0]為VVC編解碼時間，即編碼標準時間。

由表3可知，基于MGAN模型的環路濾波方法編碼復雜度是編碼標準平均的100.3%，對比模型DBPN模型和ARCNN模型的編碼復雜度是編碼標準平均的104.6%和100.4%。由此可見，基于MGAN模型的環路濾波方法編碼復雜度略高于基于ARCNN模型的編碼復雜度，略低于基于DBPN模型的編碼復雜度。整體來看，MGAN模型的環路濾波方法編碼復雜度在可接受范圍內，具有一定的實際應用價值。

4""" 結語

所設計的基于MGAN環路濾波的變電站視頻及環境監控系統具備可行性和有效性，此系統采用多層次結構的GAN環路濾波進行編碼處理，能夠顯著提升視頻編碼質量，降低了視頻編碼后的比特率，實現了高質量的視頻編碼，且復雜度較低，具有一定的實際應用價值。整個系統功能模塊完善，滿足系統功能性需求和非功能性需求，具有一定的安全性、可靠性和穩定性。

【參考文獻】

［1］""" 付豪，鄒花蕾，張騰飛.基于長短期記憶循環神經網絡的變電站監控系統智能故障推理方法［J］.綜合智慧能源，2022，44（12）：11?17.

［2］""" 李一鵬，王亞軍，栗維勛，等.基于極限學習機的變電站監控系統負荷異常信息的辨識方法［J］.電子器件，"""""" 2022，45（5）：1219?1224.

［3］""" 錢建國，張超，馬偉，等.基于多維映射矩陣的變電站監控系統智能巡檢技術［J］.浙江電力，2022，41（1）：118?124.

［4］"""" 韓柳，吳聰穎，肖智宏.新型數字智能變電站監控及巡視系統應用研究［J］.現代電子技術，2023，46（3）：156?160.

［5］"""" 蘆嘉誠，張立輝.基于LabVIEW的變電站監控系統的" 設計［J］.信息技術與信息化，2023（1）：203?206.

［6］"""" 戴洋.淺析智能變電站監控系統網絡安全滲透技術［J］.網絡安全技術與應用，2023（1）：91?93.

［7］""" 張嵐，劉濤，李鵬，等. 基于數據挖掘的計量參數異常4步優化識別技術［J］. 粘接， 2024， 51 （5）： 145?148.

［8］"""" 劉皓軒，林珊玲，林志賢，等.基于GAN的輕量級水下圖像增強網絡［J］.液晶與顯示，2023，38（3）：378?386.

［9］""" 熊澤昊，李杰，牛軼峰.生成對抗網絡及其在無人系統中的應用［J］.無人系統技術，2023，6（1）：1?13.

［10］" 朱曉慧，錢麗萍，傅偉.基于GAN的網絡安全數據增強研究綜述與展望［J］.計算機應用與軟件，2022，39（11）：288?296.

［11］"" 張彬，周粵川，張敏，等.生成對抗網絡改進角度與應用研究綜述［J］.計算機應用研究，2023，40（3）：649?658.

［12］" 高飛，余曉玫.一種Enlighten-GAN網絡的指紋超分辨率重建方法［J］.激光與紅外，2022，52（10）：1577?1584.

［13］"" 薛昊天，王晨.基于GAN的僵尸網絡流量檢測研究［J］.電子設計工程，2022，30（17）：146?149.

［14］" 李振文，徐彪，劉力，等.基于“三層兩網”結構的智能"""" 變電站監控信息分步驗收方法［J］.湖南電力，2021，""""" 41（6）：58?63.

［15］"" 雍明月，朱勇，汪奇，等.智能變電站監控信息模塊化""" 驗收技術研究與實現［J］.長江信息通信，2021，34（10）：" 76?81.