机器视觉智能识别技术在10kV配电站房的浅层应用

王金塔 罗世荣 白梦龙 陈太 胡刚风

摘  要：文章介绍了机器视觉智能识别系统结构及功能，同时介绍了该系统的工作原理，最后分析了机器视觉智能识别系统在实际工作中的应用。

关键词：智能识别技术;10kV配电站;仪表分析

中图分类号：TP391.41      文献标志码：A         文章编号：2095-2945（2019）18-0150-02

Abstract： In this paper， the structure and function of machine vision intelligent recognition system are introduced， and the working principle of the system is introduced. Finally， the application of machine vision intelligent recognition system in practical work is analyzed.

Keywords： intelligent identification technology; 10kV distribution station; instrument analysis

我国社会的快速发展，促使社会对电能的需求量不断增加，对电网运行的可靠性要求越来越高，而配电房是保证城市配电网运行可靠的最终保障。因此，配电房的智能化建设迫在眉睫，机器视觉智能识别技术在配电房中的运用，有助于及时发现站房异常情况、加强对小型分散性作业和倒闸操作合规性监管，提高管理水平，实现由全人工监盘，转为机器辅助监盘。进一步缓解10kV配电站房的数量快速增长与运维人员不足的矛盾。

1 系统结构及功能介绍

1.1 系统结构

本系统结构分为2层：第一层为配电主站层;第二层为配电子站。主站与子站间为一对多的结构方式，采用互联网模式进行连通。系统总体结构见图1。

子站的主要工作是采集站房內的环境数据，并利用机器视觉智能识别技术自动判断配电站房作业人员穿戴规范化和是否有抽烟等不文明行为，利用机器视觉智能识别技术自动判断配电站房异物非法闯入，利用机器视觉智能识别技术对10kV配电站房的设备运行状态及其变化进行自动识别，利用机器视觉智能识别技术进行配电站房倒闸操作合规性与视频监控系统有效联动等。

1.2 系统应用功能

系统的应用结构如图2所示，主要分为作业人员穿戴及行为检测、异物非法闯入、设备仪器自动识别、倒闸操作合规性4个应用模块。各子模块功能简介如下：

（1）利用机器视觉智能识别技术自动判断配电站房作业人员穿戴规范化和是否有抽烟等不文明行为。基于机器视觉智能识别技术的安全帽视频检测方法所用到的理论和算法，包括基于背景减除法的运动目标检测、以及背景减除法的特点与适用场景;定位人体头部区域的方法以及安全帽颜色特征的计算;针对照度低且低对比度情况，研究了低照度视频图像增强的技术，并且增加了色彩保持的图像增强算法，包括色彩保持的图像增强算法，该算法能在增强图像的同时在一定程度上保持色调和饱和度信息，为安全帽颜色特征计算打下基础。

技术使用HOG特征进行人体识别，在此基础上使用HOG和颜色特征对安全帽识别。从视频数据中提取图像，通过对图像进行旋转、偏移、剪切等预处理，将图像分为背景、戴安全帽的人员和不戴安全帽的人员3类。通过构建3种不同深度层次的卷积神经网络进行对比，通过“4个卷积层+3个池化层+3个全连接层”组成的深层网络进行识别，准确率较高。

首先获取视频图像，计算两帧灰度差值找出运动区域;使用团块检测方法找出候选区域;然后对于候选区域进行可变形的组件模型系统检测，找到明确的目标头肩区域;对于头肩区域进行级联系统检测，找出目标头部区域;对于视频图像的头部区域进行HSV颜色空间转换;在HSV颜色空间下，用神经网络对于头部区域图像进行分类判断，确定目标是否佩戴安全帽;通过HSV颜色空间，判断安全帽颜色;最后输出头部区域以及安全帽佩戴的检测结果。本方法检测结果精确，减小了检测难度，提高了检测效率。

（2）基于配电房监控视频中人员的面部图像，识别出人员的身份，判断人员是否为授权进入配电房的人员。

首先在配电房入口处设置图像采集区域，这样是为了简化问题，从而减轻系统的运算压力，减小问题的难度。接下来对采集区域内的图像进行人脸采集，对发现的人脸进行持续的追踪，利用追踪信息，持续获取人脸信息，在获取到一张足够清晰，足够大的人脸后，对人脸进行识别，判断进入配电房内的人员的身份，对未授权进入配电房的人员，进行报警。通过基于神经网路的深度学习技术实现，深度学习技术一方面能够将图像这类具备复杂结构的数据抽象化，通过从中提取特征来简化图像识别一类的问题来降低解决问题的难度;另一方面，能够自我学习训练提取特征的方式，避免人为指定特征，提高了针对不同场景问题的适用性并降低了解决问题的难度。

2 系统工作原理分析

2.1 追踪采用KCF算法，算法过程

在第一帧视频中指定需要追踪的物体，通常，这一步使用检测网络在第一帧视频中找出目标物体，使用检测网络给出的bounding box坐标指定物体。

在后续帧的视频中，依据前一帧的物体坐标，在坐标附近寻找与前一帧物体最相似的一个物体，并给出该物体的坐标。

2.2 识别神经网络

识别神经网络与检测网络结构相同，但在最后输出时，仅输出物体类型，而不输出物体坐标。识别神经网络通过所有授权人员的图像信息训练得到，因此能够识别所有的授权人员，对所有的不认识的人员，均认为不是授权人员，报警。

训练人工神经網络需要使用大量的数据，其中，检测网络可以和识别网络使用同一套原始的训练数据，区别在于，检测网络使用完整的训练数据，标注信息为人脸的坐标;识别网络使用从数据中扣取出来的单独的人脸，标注信息为人员的身份信息。训练数据要求包含各个角度的人脸，因此采集数据，可以为每一位授权人员拍摄一段覆盖各个角度的视频，最后将视频解帧，形成训练数据集。

2.3 最后的人工神经网络的部署运行

通过摄像头捕捉到的视频会在解帧后传递给人脸检测网络，人脸检测网络得到的人脸会被持续追踪，直到得到足够清晰的人脸，接下来人脸识别网络对人脸进行识别，确定人员身份，并在比对模块中和人员数据库中的信息进行比对，确认人员是否拥有进入配电房的权限，最终决定是否报警。

3 机器视觉智能识别技术应用

3.1 高速动态视觉图像并行处理技术

采用新型内存管道技术、硬盘内存二次映射技术以及多线程并行处理等最新的高速处理，实现了每秒100帧百万像素级图像的采集、处理及存储，完全满足图像的超高速处理的要求。

3.2 高性能异构算法库

采用独创的自相似算法，针对随机噪声，利用图像的自相似性的小波域的双边滤波去噪，不仅能够有效实现去噪，还使图像边缘和对比度得到了增强，解决大规模图像的特征识别问题，识别精度提高，可在雨雪等天气下使用，受环境因素干扰小。

3.3 人工智能与深度学习

利用深度学习的分类和聚类算法，对各设备进行建模识别，通过独创的一种有效的语义哈希算法和基于稀疏自编码的深度学习网络，识别效果好、学习速度快，进而实现在物体识别中的快速相似图像查找，准确高效地对图像进行预处理、定位、配准、识别等步骤，适应性强。

针对电力设备特征，采取以下方法进行设备运行状态识别：（1）对电力设备的图像，分别使用各种去噪、锐化算法，根据实验结果得到最佳的预处理方案。（2）主要电力设备都具有明显的特征，通过颜色、纹理、模板匹配进行图像识别实验，并对模板匹配的算法进行了比较分析。（3）对电力设备容易出现故障的区域进行统计，可以得到电力设备的重点监测区域。对设备图像进行二值化变换后，对该区域进行差分和累计图像处理，从而判断该设备是否出现不正常情况。

4 结束语

机器视觉智能识别技术在10kV的应用将大大提高晋江地区配电站房运行和事故分析的管理水平与自动化水平，尤其是发生故障事故时有效提高了分析处理的时效性和正确性，避免了事故扩大，减少了经济损失。另外，系统的远方监控功能大大提高了配电运维人员的工作效率，并可及时发现和处理隐患，从而有力保证了电网的安全稳定运行。

参考文献：

[1]牛乾，刘桂华，康含玉.一种基于智能机器视觉识别的工业探伤技术[J].信息技术与网络安全，2018（02）.

[2]朱超平，杨艺.机器视觉中的激光智能识别技术[J].激光杂志，2018（08）.

[3]王宪，张彦，慕鑫，等.基于改进的LBP人脸识别算法[J].光电工程，2012（07）.

[4]吴凤和.基于计算机视觉测量技术的图像轮廓提取方法研究[J].计量学报，2007（01）.