基于机器学习和图像识别的电力作业现场安全监督策略

张航?戴志敏

摘要：电力生产作业涉及到的工作内容较多，且生产作业流程复杂性强，导致工作的危险性有所提高。为保证现场工作人员的安全性，需确保人员远离处于高压实验等环境中的电力设备，为实现以上目标，安全监督工作必不可少，通过利用HOG特征提取以及SVM算法，并结合OpenCV图像处理技术，能够进一步实现电力作业现场安全监督的自动化及智能化，准确识别安全区域及境界区域的人员进入情况，有效提升电力行业的安全生产水平。

关键词：机器学习;图像识别;现场安全监督

开展电力作业的过程中，受到电力系统运行环境、高压设备及人为操作等因素的影响，会增加工作人员的安全风险。为保证电力生产人员的人身安全，降低安全事故的发生概率，需要合理划分危险区域，严禁现场人员随意进出，工作人员应增强安全防护意识，加强研究和探索基于机器学习和图像识别的检测方法，提高电力作业现场的安全监督能力，促进电力行业稳定有序发展。

1.HOG特征提取的实际应用原理

文中针对电力作业现场开展安全监督工作时，主要利用HOG特征进行人员检测，HOG特征具有光学不变形以及几何形状不变的基本特点，与此同时，配合使用SVM方法完成分类识别任务。工作人员需将电力作业现场特定的样本集引入训练分类器中，从而在一定程度上提高检测工作的准确性。当完全帧的人员检测工作结束后，将OpenCV图像处理技术作为主要依托，合理处理得到的数据信息，针对设定的警戒区域而言，应做好合理划分及提取工作，明确在以上区域内是否有无关人员闯入，为安全监督提供科学依据。

2.SVM算法的熟练掌握

SVM具体指支持向量机，是一种以统计学习理论为基础的机器学习方法。为了让低维空间能够达到线性可分的目的，应合理选择核函数帮助其完成向高维空间的转换。在以上工作得到全面落实的前提下，寻找相应的最优超平面，从而实现二分类目标，通常情况下，应用于划分超平面的线性方程如式（1）所示：

（1）

在（1）中，=（ω1 ， ω2 ， …ωd ）表示法向量，实际作用是明确超平面的方向，其中b表示位移项，用来明确超平面和原点之间的距离。

3.人员闯入检测算法在电力作业现场安全监督中的实际应用

3.1人员闯入检测算法的应用原理

为实现人员闯入检测，需合理运用基于OpenCV的图像处理技术。结合实际需求设置相应的程序，并严格按照程序要求合理划分警戒区域，通常在获取同原视频帧相同像素尺寸参数的掩模图像过程中，利用漫水填充算法，在所有的警戒区域内进行白色填充，而将警戒区域外填充为黑色，明确是否有人闯入警戒区的主要依据为得到的掩模图像。通过分析人员闯入的实际情况，结合对识别点在掩模图像中同坐标点的像素取值关系的分析，为人员矩形框是否进入警戒区域提供依据。当识别点的像素值为（0，0，0）时，则说明人员未闯入警戒区域，而识别点像素值为（255，255，255）时，说明有人员进入警戒区域内。

3.2正确选取识别点

选取识别点时，要求在完全帧背景下完成，开展人员信息的检测工作，利用矩形框表示检测人员。由于在实际检测过程中，矩形框与人相比，整体面积较大，为保证检测的准确性及可靠性，需合理明确矩形框与人体之间存在的误差值，设定为矩形框长或者宽的?。在矩形框中合适的位置设置四个识别点，对人员闯入情况进行简单模拟，一旦在警戒区内发现任何一个识别点，可以判定有人员闯入警戒区内。

4.基于机器学习和图像识别的电力作业现场安全监督实验流程

4.1SVM分类器训练具体环节及要点

在本次实验过程中，实际运行环境为VS2017+OpenCV2.4.1，利用SVM分类器的过程中，将INRIA样本集作为训练集，样本集包含很多样本图像，主要有正样本图像及负样本图像两大类，数量分别为2416及1218。SVM分类器训练流程如下：首先，获取样本，即正样本图像及负样本图像，做好样本HOG特征的提取工作，之后进行统一保存;其次，合理调整SVM参数，通过相应的训练得到SVM分类器;再次，在系统中载入需要检测的图像，如果准确率能够符合预期要求，及时保存检测结果，若出现不符合规定标准的情况，需分析误检范围，并做好该区域内的图像提取工作，将得到的图像作为负样本调整SVM参数、训练以及获得SVM分类器，直到准确率达到要求为止。

4.2人员检测实验结果初步分析

工作人员应充分利用得到的分类器开展检测工作，主要检测电力作业现场的图像。在本次实验中，利用绿色框代表检测到的人员信息，通过分析检测结果可以发现，会得到很多误检的绿色矩形框，影响检测结果的可靠性。为降低一些偶然因素带来的不良影响，可以选择50张现场图开展相应的测试工作，经过专业统计，得到最终的检测准确率可达76%。

4.3提高检测准确率得到最终结果

因为电力作业现场环境的变化很小，可以对误检结果进行重复利用，在误检结果中加入负样本集，重新进行训练。针对电力作业现场而言，具备较强的特定性，将得到的分类器应用在此类場景中，能够体现较高的鲁棒性。将以上理论作为主要依托，可以单独截取误检区的图像，共200张，结合负样本进行训练，针对得到的分类器开展检测工作，得到最终的检测结果，通过分析检测结果可以发现，人员检测准确率较高。实验人员针对选取的50张现场图再次进行测试，得到准确率为92%。最后进行人员闯入检测实验，利用绿色框表示安全区域人员，红色框表示警戒区域人员，黑色框表示警戒区域范围，可以得到最终检测结果。

结语：为提升电力作业现场的安全监督水平，需做好基于机器学习和图像识别的学习和应用。通过HOG与SVM的有机结合，开展人员检测工作，在此基础上合理运用OpenCV图像处理技术明确在警戒区域内是否有人员闯入。电力作业现场安全监督人员应了解和掌握HOG特征提取以及SVM分类器工作流程，熟练掌握相关的算法，采用以上方式可以有效简化计算程序，为安全监督工作的顺利开展提供充足依据。

参考文献

[1]罗世刚、安旭东、周盛成、黎启明、罗景鸿.基于机器学习的图像识别技术在电能表中的应用[J].电子世界，2020（20）：3.

[2]王敬平、姜鑫、黄子君、周洁.基于机器学习的SAR图像目标识别方法[J].电子技术与软件工程，2020（17）：2.