基于机器学习和图像识别的电力作业现场安全监督

颜廷良

南京南瑞信息通信科技有限公司，江苏 南京 210000

0 引言

考虑到电力生产作业是集危险性和复杂性为一体的工作，其中的多数生产环节都会产生危险[1-2]。例如，对电力机械实施高压试验时，应对现场施工人员与机械两者的间距加以严控。另外，鉴于当前电力施工场所多采取人为监护的模式，容易受到外界各类因素的干扰，如果监护人员的专注力不足，将出现安全问题，甚至造成安全事件。为此，文章研究依托机器人设施实施安全监控，借助机器人设施加以监视，以大幅提升安全性。该研究的核心思路是让拥有自主导航能力的机器人搭载视频监控作业设备，通过现场采集图像的方式来识别作业人员是否存在不安全行为。

1 HOG特征提取

方向梯度直方图（HOG）特征提取技术是借助软件配置管理（SCM）技术对动作加以甄别和分类。根据电力现场施工的特征可知，应当对分类设施加以练习，为此应增添恰当比重的电力市场施工样本，从而有效提升现场检测的准确性[3]。同时，在完全帧检测结束后，需要采用OpenCV图像处理技术明确警戒区域和警戒线，并借此分析作业人员所处的区域。

（1）对输入影像的灰度进行处置。输入的影像资料为RGB格式，不过HOG特征期间无须图片的彩色相关数据。为此，将图像转变为其他格式，如XYZ立体图片，从而降低工作的难度，提高工作效率。

（2）可以采用Gamma校正法来完成对图片颜色空间的归一，即调节和优化对比度，以减少光照或者局部阴影对图像数据产生的影响。

（3）对图像梯度进行计算。在应用HOG算法的过程中，应当核算图像的梯度。例如，应当核算图像的垂直梯度数值与水平梯度数值。

纵向梯度值属于Gy(x,y)=H(x,y+1)-H(x,y-1)像素点(x,y)处的梯度幅值，即

则梯度方向角为

（4）Cell单元格分割。操作人员需将图像分成诸多单独的互相不交错的Cell单元格，其中，应当保证所有Cell单元格的规格占据8×8个像素，这是HOG特性检验的最低单位。

（5）建立Cell单元梯度方向为直方图。

（6）构建8×8的Cell单元格。要求将Cell单元格均匀地划定成12份，即划分成12处bin块，这种情况下所有的bin块均占30°。将第三步的每个像素的梯度依照双线性内插的方式投影到归属于本身的bin块中，每个加权投影数值便是第三步所得到的梯度幅值。梯度方向块划分如图1所示。

图1 梯度方向块划分

（7）块（block）内归一化梯度方向直方图。需要将所有位置的Cell单元格连为整体的块，然后在块的中心逐渐组成归一化梯度直方图。在这个过程中，应当深入剖析对光照与阴影状况产生作用的关键要素。需要注意的是，部分像素被某些Cell单元格共同使用，并且在开始块归一化的过程中，部分Cell单元格的性能会被反复应用。另外，HOG特性表述符便是块归一化之后的内容。

（8）形成特征向量。将上述过程中所形成的HOG特征描述符加以梳理，进而形成诸多图像的特性向量。

2 人员闯入检测算法

人员闯入检测算法依托于OpenCV技术，属于一种比较典型的图像处理技术。通常来说，相关人员根据流程将其划分成两个区域，即警戒区域和非警戒区域[4]。在计算期间，通过采取漫水填充算法进一步得到与原视频帧数统一的掩膜图形。警戒区域呈现为白色，非警戒区域则呈现为黑色。掩膜图形是评判电力现场工作者有无处在警戒范围中的关键性指标之一。此外，还需全面地考量多方面的干扰性因素。例如，需要利用分析识别点在掩膜图形中的坐标点来锁定人员方位，换而言之，倘若识别点的像素值处在原点，即(0,0)处，则在非警戒范围中，而倘若识别点的坐标值为(255,255,255)，处在警戒范围中。人员闯入示意图如图2所示。

图2 人员闯入示意图

在完全帧的背景下，检验出人员有关数据，且以长方形框代表辨识点的辨识点。由于检测得到的长方形框大于个体的面积，而文章将矩形框的1/4长与者宽来比作人体实际大小的误差值，所以将矩形框的长设为x，宽设为y。使用A、B、C、D 4个识别点模拟人们是否进入警戒区，如图3所示，在警戒区内存在一处识别点则表示有人闯入。

图3 人员检测矩形框

3 试验

3.1 SVM分类器训练

训练的运行条件为VS2017+OpenCV2.4.1。SVM类别划分设备所参与的训练便是INRIA样本集。其中，包含正样本和负样本图像，数量分别为2 416张和1 218张。此次训练的基本流程概括如下：首先，相关人员要求获取正样本和负样本，利用正样本HOG特征和负样本HOG特征，再整合储存其主要的HOG特征。其次，相关人员需适时调节SVM参数，才能开展训练工作，从而获得SVM分类器。同时，有效载入亟待检测的相关图像，采取新获取的分类器提供精细化检查。如果准确率处在标准值范围，需进一步储存结果；如果准确率与期望值不相匹配，则退回上个过程，获取误检地区的图像，将其作为主要的负样本，对分类设施再次进行训练。提取误检位置的图像，将其当作关键的负样本，再基于INRIA（行人数据集）样本集加以练习，最后获取到SVM类别划分设备。

3.2 试验结果

检测人员利用上述有关流程对电力作业现场的图像数据展开检测，获取检测结果。分类器对人员资料信息的检查状况，笔者用绿色框进行标记，按照这种操作出现了部分误检的绿色框。由此可以判定，该检测信息的精准度有待考察。针对这一情况，为了进一步提高精确率，要求相关人员对所有图像展开检测，最终保证精确率超过76%。

由于该检测设备主要应用在电力作业现场，容易受到环境因素的影响，为了有效提升设备的精确率，可以将误检测结果放入样本进行集中训练，从而得到相应的分类区，在电力现场作业中，这些分类区的鲁棒性较好。因此，可以将误检区域图像进行截取，共截取图像200张，集中到负样本中进行反复训练，最终得到了第3.1节的分类器。经再次检测，没有出现误差。对50个场景图形进行检测，图像中都只有人体。经过最终的统计分析得出该检测方式的准确度高达90%以上。

4 结束语

综上所述，文章结合实际情况对电力现场作业过程中存在的安全监督问题展开了分析和研究。为了有效提升现场作业人员的安全，需要对作业人员的位置进行图像识别。文章所提检测方式的精准度在90%以上，但是若检测对象未完全显露，则会降低检测的精准度。同时，人的身体和固定物体的相对位置也会改变，即目标的姿态改变。对此，该方法可根据语义模型不断改进提取相对位置信息的方法来进行检测调整。