一种电力施工安全规范模型验证方法

孙倩，赵李强，高雪林

（昆明能讯科技有限责任公司，云南 昆明 650217）

0 前言

随着我国工业化进程的推进，各行各业对用电量的需求也与日俱增，确保电力安全生产就显得十分重要[1]。在作业过程中，由于安全意识的缺乏，违章行为时有发生，这对电力行业、作业人员来说无疑是巨大的安全威胁。为了确保电力行业的稳定运行，安全生产，规范作业才是行业高效稳定运行之道[2]。因此，对电力施工作业场景实现实时监测与违章预警提示的重要性不言而喻。

本文提出了一种基于深度学习技术的对电力施工作业场景监测的模型验证方法。机器学习作为人工智能的一个分支，近年来在科研和工业界有了很大的发展，同时也引起了世界范围内的广泛关注[3]。深度学习是目前机器学习发展最快的分支，也是整个人工智能领域中应用前景最为广阔的技术。这项技术已经初步深入到了我们日常生活的各个方面，而且还有逐步蔓延的趋势[4]。目前，基于概率统计的机器学习逐渐成为人工智能的主流方法，它直接在大量真实世界产生的数据中挑选最具有代表性的样本交给算法处理，让算法在数据中寻找和学习特定的规律[5]。

深度学习是通过构建一个多层的表示学习结构，使用一系列非线性变换操作把从原始图像数据中提取的简单特征进行组合，从而得到更高层，更抽象的特征表示[8]。在图像识别的场景中，图像中最基本的表示是一组像素集合，从像素到目标物体的映射关系需要经过一个很长的过程，从像素组成细小的边，再由细小的边构成基本的纹理单元，各种纹理单元再组合成各种图形，图像构成物体的各个组成部分，最后构成完整的物体[7]。

本文的组织架构如下，第一部分简要论述了电力施工安全的重要意义和抽样检验技术的发展现状；第二部分详细介绍了基于深度学习技术的电力作业施工场景安全规范模型验证方法；第三部分给出相应的实验结果及分析；第四部分总结相关内容；第五部分将模型验证方法运用到具体的场景。

通过结合深度学习技术，对电力施工场景进行监测需求抽象设计，将对应的监测目标转化为深度学习对应的模型输入，输入经过训练好的神经网络模型[9]，能实现快速的目标物检测与分类，最后结合相应的判断逻辑即可输出电力作业场景相关的违章判断结果，从而实现对电力作业场景违章与否的监测。

1 电力施工安全规范的重要性

国名经济的飞速发展使得人们对电力行业的需求越来越高，保证电力行业建设项目安全的压力也越来越大。然而，在现在的施工过程中，由于人们的安全意识淡薄或者缺乏相应场景的安全意识，在作业施工过程中就不可避免的会存在违章操作，这对电力行业、作业人员来说是巨大的安全威胁[2]。由于电力行业的特殊性，安全生产是根本。只有严格落实安全管理，规范作业执行，才能确保安全生产。

本文采用抽样检验技术来对电力行业作业场景进行监测[10]。旨在选取具有代表性的场景为研究对象，进行深度学习技术的电力场景应用实践研究，助力安全管理，打造安全生产智能监测信息化平台，助推电力行业智能化水平的提高。本文研究的违章场景选取自《云南电网有限责任公司违章定级标准》（2021版），包括①在行人道口或人口密集区从事高处作业，工作地点的下面未设遮拦（围栏）、未设专人看守或其他安全措施。②高处作业人员随手上下抛掷工具、器具和材料。③在梯子上作业无人扶梯子。④工作前未核对设备名称、编号，柜、屏、箱内设备带电的情况，线路作业不检查基础、杆根、爬梯和拉线是否正常。⑤作业人员擅自穿、跨越安全围栏或超越安全警戒线。⑥高处作业未按规定使用安全带或作业过程中失去防坠落保护。⑦现场工作中工作人员或机具与带电体（包括避雷装置）不能保持安规规定的安全距离，未按规定落实停电、验电、接地等安全措施，与带电设备安全距离不足，且未采取可靠的安全措施，即安排人员开展作业。⑧装设接地线前不验电，装设接地线的位置与验电位置不一致，不按规定顺序装、拆接地线。⑨未严格规范地按“逆序逐项恢复”二次措施单，造成安全措施漏恢复或错恢复。⑩线路杆塔上有人作业时，下方人员进行杆塔拉线的调整或拆除等违章行为识别。

2 基于深度学习技术的电力作业施工场景安全规范监测的模型验证方法

2.1 总体概述

通过对选取的十个电力违章场景的检测需求进行分析，抽象概括场景的检测要求：检测对应场景涉及到的目标物，主要有人、梯子、围栏、杆塔、警戒线等，结合逻辑判断，输出该场景是否存在违章操作。拟采用如下思路进行相关分析研究，如图1所示。

图1 验证模型方法整体框架

本文采用单阶段目标检测模型（YOLOV5）来展开研究。通过对目标物的准确识别与分类，在结合相关的判断条件即可实现对电力作业施工场景的监测[12]。

2.2 模型样本介绍

为了实现上述监测需求，分别尝试了6个模型。模型的具体构成如表1所示。

表1 模型样本组成情况

上述遮拦模型、全类别模型1-4_m的样本是累加的；全类别模型4_s与全类别模型4_m样本数未变，只是对全类别模型3进行了优化操作，具体优化操作为去除全类别识别模型中识别的mAP值小于0.5的类（去除的类不是项目中要求的必须类），对应的模型为全类别识别模型4_s;在剔除低mAP类后更换yolo训练模型，采用YOLOV5m预训练模型进行训练，对应的模型编号是全类别模型4_m。

3 模型验证结果及分析

3.1 训练模型精度对比

3.1.1 遮拦模型

仅识别遮拦和人这两个类别的目标物。模型的精度、召回率、mAP值波动均较小，相对稳定。遮拦模型在验证集上的测试结果如图2所示，从测试结果来看：遮拦模型对遮拦、人两类目标物的识别的平均精度较高，为0.993。

图2 遮拦模型在验证集上的测试结果

遮拦模型的训练过程如图3所示，从图中可看出遮拦模型经过300轮的迭代后，模型的精度、召回率波动均较小，模型相对稳定；模型在训练集、验证集上的损失函数均随着训练次数的增加而逐渐收敛。

图3 遮拦模型的训练指标

3.1.2 全类别模型1

在模型中识别多个目标物，从训练的结果图中可以看到全类别模型1相对于遮拦模型的精度、召回率有一定幅度的波动，模型的mAP较遮拦模型有所降低。全类别模型1在验证集上的测试结果如图4所示。从测试结果图可看出模型在验证集上对所有类测试的平均精度达到0.97。

图4 全类别模型在验证集上的测试结果

全类别模型1的训练过程各指标的变化如图5所示。从图5可看出，模型的精度、召回率相对稳定，但是相对遮拦模型的精度、召回率变化趋势来看的化，存在一定幅度的波动。

图5 全类别模型1的训练指标

3.1.3 全类别模型2

从图6、图7中可以看到全类别模型2相对于遮拦模型的精度、召回率有一定幅度的波动，模型的mAP较遮拦模型有所降低；模型相对与全类别模型1而言，模型精度、召回率的波动有所减弱，而mAP值较全类别模型1有所降低。全类别模型2在验证集上测试的平均精度为0.95。

图6 全类别模型2在验证集上的测试结果

图7 全类别模型2训练指标

3.1.4 全类别模型3

此全类别模型3在验证集上对所有类的分类mAP为0.771左右，上述分类中的red only、wrongglove、glove、operatingbar等类别是本次运监项目中非必须识别的类，这几类在识别中的mAP偏低，后面考虑将其从训练集中剔除。

图8 全类别模型3在验证集上的测试结果图

全类别模型3在验证集上测试的平均精度为0.77左右。

3.1.5 全类别模型4_s

全类别模型4_s是在全类别模型3的基础上进行优化得到的。保证样本总数不变，去除全类别模型3中精度偏低的类别，重新进行训练。图9为模型在验证集上的测试结果图，图10为模型的训练指标图。

图9 全类别模型4_s在验证集上的测试结果

图10 全类别模型4_s训练指标

从图9中可看出全类别模型4_s在验证集上的测试mAP达到0.84左右；而在图10中可观察到当训练次数达到130次左右时，训练的单次mAP值开始出现下降，最终在0.84左右波动，后续训练过程中需要根据样本数据来评估合适的训练的次数，从而避免模型数据的过拟合。

3.1.6 全类别模型4_m

从图11可观察到全类别模型4_m的模型在验证集上的测试mAP达到0.85左右；从图12可看出，当训练迭代次数在110次左右后训练出现了过拟合现象，后续优化模型时，需要注意迭代次数，避免进入过拟合状态。

图11 全类别模型4_m在验证集上的测试结果

图12 全类别模型4_m训练指标

3.2 模型测试结果分析

为了比较遮拦模型、全类别模型1、全类别模型2对图片的推理测试能力，现采用同一批次的图片对模型进行测试。测试情况汇总如表2所示。

从表2可以看出3个模型中全类别模型2的识别准确率较高，由于样本数量的增加，强化了相应特征的学习，使得模型对图片的识别能力相对较好。

表2 模型推理测试对比

从上述测试情况可看出，在3类模型的测试中，全类别模型2的测试效果相对较好，遮拦模型的训练精度最高，于是对遮拦模型和全类别模型2对同一批次图片进行测试对比，即分别对电力行业的警戒线、高空作业场景、扶梯作业场景、遮拦作业场景进行图片进行测试，测试情况如表3所示。

从遮拦模型和全类别模型2的对比可看出：遮拦模型对警戒线场景、高空作业场景、扶梯作业场景下的目标物检测识别率较低，对训练过的遮拦场景的识别率相对较高；全类别模型2对于目标物的识别准确率相对较高，因为模型测试的4类场景，训练样本中均有相似的场景，所以识别的准确率较高。

3.3 全类别模型3和全类别模型4系列的测试结果及分析

对全类别模型3和全类别模型4系列的测试，我们运用同一批次的图片（网络爬取）分别输入到模型的输入端进行测试。测试结果如表4所示。

表4 全类别模型3与全类别模型4系列推理测试结果对比

从上述表格可以看出全类别模型4系列的识别正确率相对较高，最高为65.9%。3个模型对图片的识别分析如下：

①图片上的目标物未识别全，存在漏检的问题；

②误识别问题，误识别率在3%左右；

③3个模型对图片的识别准确率为：全类别模型3＜全类别模型4_s＜全类别模型4_m;

④随着识别准确率的提高，模型对图片上目标物的漏检数量在减少，但仍存在漏检情况；

4 结论

对遮拦模型（749样本）、全类别模型1（1574样本）、全类别模型2（2006样本）、全类别模型3（8467样本）、全类别模型4_s（8467样本）、全类别模型4_m（8467样本）的对比分析如下表5所示。

表5 6个模型在验证集上的平均精度对比

从图13中精度对比可看出，随着测试样本的增加，模型在验证集上的mAP值呈现下降的趋势；全类别模型4系列的mAP值相差不大。

图13 6个模型的平均精度对比图

综上所述，现将模型构建与测试的相关工作总结如下：

随着训练样本数的增加，模型在验证集上的测试mAP值呈现下降趋势；

单一类别模型（zl模型）与全类别模型2测试同一批图片时，可得全类别模型2的推理测试结果优于zl模型；

全类别模型3与全类别模型4系列进行测试对比，可知全类别模型4系列的推理效果优于全类别3模型的推理测试效果；全类别模型4系列中，改变预训练模型后模型子在验证集上的mAP值相差不大，但是运用全类别模型4系列进行推理测试时，全类别模型4_m的推理测试效果相对较好。

总之，随着训练样本的增加，模型学习到的特征相对来说较多，模型的泛化推理能力就能逐步得到增强。截至目前测试情况来看，全类别模型4_m的测试效果相对最优。

5 结束语

基于上文对电力施工作业场景模型验证方法的研究，可以将模型运用到具体的作业场景。针对不同的场景，根据模型检测到的目标物再结合相关的逻辑判断即可对作业场景进行有无违章行为的实时监督[6]。比如，对于作业场景中是否安装遮拦的监测，可以根据模型对场景实时检测结果中是否有遮拦、人等目标物，若作业场景中有人作业，但是周围未检测到遮拦，则此时可对该场景输出违章提醒：无遮拦作业，请及时安装遮拦！对于人扶梯作业场景，可根据模型检测到的人、梯子等目标物来联合判断，对于场景中扶梯作业需检测到至少存在两人和梯子，且两人与梯子具有重叠度，这样才满足人扶梯作业，若检测到一人，且人与扶梯具有重叠度，那么此刻需对该场景输出违章提醒：无人扶梯作业，请立即停止作业！更多的模型应用场景后续将进行进一步的研究。