基于视觉感知与空间定位融合技术的变电站作业现场安全管控系统的研究

丁银梅

摘  要：基于视觉感知与空间定位融合技术的变电站作业现场安全管控系统的研究，主要是在目前智能化变电站辅助系统综合监控平台的基础上，通过对视觉感知与空间定位融合技术的应用，实现对进入变电站到处变电站整个过程的全方位实时監控，有效的保证人员安全。

关键词：UWB技术;视觉感知技术;空间定位技术;智能变电站

中图分类号：TM63    文献标识码：A     文章编号：1671-2064（2019）17-0000-00

0 引言

变电站作为电网枢纽，在电力系统中有着重要的地位和作用，实现变电站的无人值守运行是当今电力系统的发展趋势。为保障变电站的正常运行，对变电站的日常运维不可避免。另一方面，随着电网的高速发展，变电站的新建和扩建也越来越多。如何保证在变电站内作业及运维人员的人身安全和变电站设备安全成了一个日益突出的问题。

1 国内外研究水平的现状

目前国内变电站已经建设的变电站辅助综合监控系统主要从变电站的安全出发，用于安防、消防、环境的监视;或从运检、调度的需求出发，实现对变电站一次设备的监视及冷备用遥控操作视频联动等，还未实现对变电站内作业的安全管控功能。

另外在变电站人员定位方面，在变电站上采用较多的是蓝牙定位、红外线定位、RFID射频技术等方案。通过上述技术方案分析，可知道这些技术最大的缺陷是在定位精度上不精确。限于变电站对高压带电设备安全距离的考虑，这些技术方案都不能很好的满足电力对人员作业高精确度的定位需求。我们此次将才用高精度的UWB技术进行人员定位。另外，随着视觉感知技术和人员定位技术的快速发展和常熟，国内外学者也在做将这方面的技术应用变电站的研究。

完善现有智能变电站辅助系统综合监控平台，将基于深度学习的视觉感知技术和基于UWB的人员定位技术相结合，应该到变电站现场作业安全风险管控和违章行为智能预警等方面，来避免人员安全事故和提高工作效率。

2 主要研究内容

目前智能变电站辅助系统综合监控平台在日常运营中获取了大量的视频图像数据。这些大量的原始数据还没有经过充分的数据分析和数据挖掘，运维人员被动的淹没在海量的数据中。在监控中心，上千路图像在大屏幕上轮询显示，视频图像完全依靠人工肉眼去发现变电站现场作业的违章行。另，常态检修监视和非常态安全事件也完全依靠人工发现，工作强度大，工作效率低。通过基于深度学习的视觉感知技术的应用，在海量的数据信息中提取出现场作业的违章行为，并通过计算机系统智能判断出作业安全风险，就显得非常迫切和重要。

变电站作业现场安全管控系统是在普通视频监控的基础上，补充必要的信息设备，利用视觉感知和空间定位融合技术实现对变电站内作业人员的全方位实时监控，有效保证作业安全。主要的研究内容包括：

（1）研究基于深度学习的视觉感知技术。利用变电站现有的摄像机采集变电站内实时视频，研究通过基于深度学习的视觉感知技术，实现对未戴安全帽、未穿红马甲、违章登高等典型的作业违章现象进行自动识别。

（2）研究UWB人员定位技术在变电站的智能化应用。研究UWB（无载波通信技术）人员定位技术，实现对变电站内作业人员靠近高压带电设备，或进入非作业带电区域主动预警。同时实现作业人员在变电站内行动轨迹的实时监控，对可能出现的违章进行预警。

（3）研究视觉感知和空间定位技术的融合技术。研究视觉感知和空间定位技术的融合技术，实现更精确的定位和更准确的行为判别，从而更加有效的保证作业安全。

（4）研究视频图像车牌识别、人脸识别、人员抓拍等技术在变电站的智能化应用。研究视频图像车牌识别、人脸识别、人员抓拍等技术及远程控制变电站大门技术，实现进出变电站人员抓拍及车牌识别功能，进一步实现通过进站人脸识别或车牌识别判断有权限人员和车辆自动开启变电站大门功能，从而实现从进入变电站大门开始到出变电站大门整个过程的安全管控。

通过以上内容的研究，本文设计的变电站作业现场安全管控系统可以达到下列技术指标：1）视频的分辨率为1080P，帧率为25帧/秒，码流率为4Mb/s。2）人脸识别在10人范围内，1秒内识别出来。3）通过视频识别进行人数统计，在100人范围内，2秒内统计完成。4）UWB定位，工作温度-20～70℃，覆盖范围50m，定位精度0.1米。5）车牌识别准确率白天≥99.8%，晚上≥99.6%，适应车速0-80公里/小时，最佳拍摄范围3-10米。

3 关键技术及难点

3.1 基于深度学习的视觉感知技术

对视频图像的智能分析技术，特别是对人行为分析技术已经广泛应用，譬如：人脸识别、人数统计、越界、进入等。本项目拟采用基于深度学习的图像识别技术，实现对人员未戴安全帽、未穿红马甲等违章行为的识别分析;采用运动跟踪及识别技术，实现对人员的运动行为进行分析，进而实现对人员登高作业等违章行为的识别分析。

双目视觉实际上是基于两路视频的视差，就是左眼与右眼对于同一个目标所形成的图像像素点的差异，像素点的差异通过基线，就是两个摄像头之间的间距关系。基线的距离，视差加上焦距，就可以换算出来你与我之间的距离，实际上就是一个三角关系。

基于深度学习的图像识别技术，主要对变电站作业现场内的人员运动行为进行跟踪、识别以及分析，以减少违章违规行为，实现现场的安全管控。变电站作业现场内的人员运动行为，主要是人员未戴安全帽和未穿红马甲行为。如图1所示，在整个检测过程中，先对区域内的人员进行整体建模，再对未戴安全帽和未穿红马甲行为进行检测。