基于图像识别的电力作业现场安全监督方法研究

诸德律，仓 敏，李国文，肖 莹

(国网江苏省电力有限公司经济技术研究院，江苏 南京 210008)

0 引言

电力操作安全是电力生产的基础。电力施工现场的安全监督是供电安全管理工作中需要重视的内容。目前，电力作业环境较差，作业人员的安全意识和技术水平参差不齐。虽然目前电力作业安全管理制度正不断加强，但制度对电力作业监督的力度还不足。监督的不足会给电力的生产带来阻碍，给电力作业人员带来人身安全危害。

针对上述问题，相关专家开展了广泛研究。文献[1]设计了基于浏览器/服务器模式(browser/server，B/S)结构的电力作业现场安全监督系统。该系统保证了电力工作现场安全监督的效果，避免了电力作业现场的随意性，完成了对现场环境安全的管理和对电力作业工作人员的监督，达到了安全风险管理的要求。但该系统仅通过互联网服务器对电力作业现场进行管理，缺少对图像的实时观测，不能及时发现电力作业现场的情况，达不到现场安全管理的要求。文献[2]和文献[3]设计了基于前端智能感知的电力作业现场安全监督系统。该系统通过融合前端智能感知技术，满足了电力作业现场安全监督标准化以及先进化的要求，提升了现场作业安全监督的水平和效率。但该系统还存在着无法对电力作业现场进行实时抓拍的不足。

基于上述文献存在的不足，本文提出了基于图像识别的电力作业现场安全监督，设计了电力作业现场安全监督系统，实现了视频采集电力作业现场环境并判断现场环境安全的功能。

1 电力作业现场安全监督系统的设计

基于图像识别的电力作业现场安全监督系统主要分为云端、管道侧、边缘侧、场侧和端侧。

电力作业现场安全监督架构如图1所示。

图1 电力作业现场安全监督架构图

云端主要采用一体化国网云、企业业务数据中心和物联网管理中心等平台，接入分散的物联网网络层。应用服务模块汇集了现场视频和传感数据，为系统提供有效的数据统一接口，提高了现场安全监督管理效率，并减小了电力作业工作人员的安全风险[4]。

管道侧采用电力无线专网，可分为3个层次，分别为终端层、应用层和系统层。终端层为用户提供数据，通过系统层所提供的空中接口接入系统实现通信。应用层用于采集电力作业现场环境，通过公网专用虚拟网络(virtual pirate network,VPN)和VPN专用通道实现加密传输和远程传输的功能。系统层提供丰富的应用层接口，以便针对客户实际电力现场的需求，基于系统层进行应用层设备的二次开发。边缘侧的边缘物联代理方法向下支持窄带物联网(narrow band Internet of Things,NB-IoT)、ZigBee等现场通信技术，向上支持电力无线专网、公网、卫星等通信技术。边缘物联代理方法采用智能分析设备单独部署，对采集到的视频和工业计算机的方案进行处理。该方法在电力作业环境中能够对安全进行监督，以实现恶劣视频环境下的正常监控功能。例如，当视频监控画面因环境影响而不清晰时，智能分析设备能第一时间发现处于危险环境画面中的人，并在摄像机移位时发出警报[5]。

场侧采用了NB-IoT、远距离无线电(long range radio,LoRa)、ZigBee等技术，实现了现场多个终端之间的多跳链接及路由。

端侧支持固定终端、智能手持终端、智能高清终端和移动布控球等多种终端服务器。前端采集视频终端创新采用图像识别技术，能够进行视频图像的特征提取，并实现各种检测、判断、识别等功能[6]。电力作业现场的安全监督系统采用边缘计算技术直接对数据进行处理，提高了系统实时性，强化了电力作业现场的安全监督。

2 图像识别技术设计

2.1 硬件技术设计

本研究所提方法的图像识别硬件系统分为6个功能模块，分别为图像采集模块、目标识别模块、电源模块、视频输出模块、串口调试模块和存储模块。图像识别硬件结构如图2所示。

图2 图像识别硬件结构图

摄像头采集的视频信号通过ADV7181视频解码器传送至DM642芯片进行图像识别算法处理。经处理后的视频信号传输到ADV7171芯片进行视频编码，并输出到机载显示器，以实现已识别视频图像的输出。DM642芯片的外部存储器接口(external memory interface,EMIF)与通用异步收发传输器(unirersal asynchronous receive transmitter,UART)连接。UART输出端连接计算机的串口，以便于调试[7]。DM642芯片上的主机端口(host port interface,HPI)并行接口可用于将来与其他板子连接，以实现扩展功能。

图像采集模块采用了ADV7181视频解码器。ADV7181是高质量、单芯片、多格式视频解码器和图形数字化仪，输出信号能够很好地实现频率抗混叠和减小孔径抖动。该解码器还支持分量视频信号解码为数字或像素信号输出，也能够对显示绘图阵列(viedo graphic array,VGA)至高级扩展图形阵列(super extended graphics array,SXGA)速率的红绿蓝(red green blue,RGB)图形信号进行数字化处理，将其转换为数字信号输出。该视频解码器包含标清处理器和分量处理器2部分，实现了视频信号的采集与转换[8]。

电源模块由5 V电源驱动。2个金氧半场效晶体管(metal-oride-semiconductor field-effect transister,MOSFET)开关电源分别提供数字音频处理器(digital signal processing,DSP)内核电压和外围电压，以实现高精度稳定的双电源供应。电压转换芯片TPS767D318_M为ADV7181提供1.8 V模拟电压和1.8 V数字电压。LDOLM1086芯片为ADC7171提供3.3 V电压[9]。

视频输出模块采用了ADV7171视频编码芯片。该芯片是目前功能最全面的视频编码芯片，可以对数字视频进行压缩，并将其从DM642芯片视频口的VP0输出，同时将其编码成电视所能接收和播放的负荷电视信号。

存储模块采用了Flash存储器和同步动态随机存储器(synchronous dynamic random access memory,SDRAM)。Flash存储器是1种非易失性内存，能够为DM642芯片提供足够的地址线数目，并且该存储器操作简单。为了解决DM642芯片存储空间不足的问题，在外部接入了32位的SDRAM芯片[10]，以实现图像处理过程中大量图像的数据存储。

2.2 算法模型设计

图像识别技术的电力现场安全监督选用了Adaboost改进算法。Adaboos改进算法采用方向梯度直方图(histogram of oriented gradient,HOG)的特征提取技术和支持向量机(support vector machine,SVM)图像识别技术[11]，实现了电力作业现场的信息采集和图像处理。电力现场安全监督系统采用SVM图像识别技术：首先对采集到的图像颜色为RGB格式的视频帧进行灰度化处理；再使用xyz三维图像对视频帧进行处理；然后利用Gamma矫正法对图像颜色进行归一化；最后计算采集到的图像的梯度。

算法模型设计方法如下。

假设图像中的某个像素点值为H(x,y)，则横向梯度值为：

Gx(x,y)=H(x+1,y)-H(x-1,y)

(1)

式中：Gx(x,y)为横向梯度值；(x,y)为像素坐标。

纵向梯度值为：

Gy(x,y)=H(x,y+1)-H(x,y-1)

(2)

式中：Gy(x,y)为纵向梯度值。

因此，像素点(x,y)处的梯度幅值为：

(3)

梯度方向角为：

(4)

对图像中的Cell单元格进行分割,将采集到的电力作业现场图像分割为多个没有交集的Cell单元格。其中，每个Cell单元格占8×8个像素大小。Cell单元格为HOG特征检测的最小单位。构建Cell单元的HOG后，对得到的8×8个像素大小的Cell单元格进行梯度划分。Cell单元格按360°的梯度方位划分为12份，即12个bin块。划分的多个bin块图像数据信息通过HOG的方式进行归一化处理，形成特征向量。基于SVM的图像识别技术实现图像识别，对特征空间寻找最优超平面。划分超平面的线性方程一般形式为：

f(x)=ωTx+b

(5)

式中：ω=(ω1,ω2,…,ωd)为法向量，用于确定超平面的方向；b为位移项，用于判断原点到超平面的距离[12]。

3 试验结果与分析

为了验证电力作业现场安全监督的有效性，对系统进行测试试验。将本文研究系统与基于B/S的电力作业现场安全监督系统和基于前端智能感知的电力作业现场安全监督系统进行对比。本试验采用黑盒测试方法[13-14]，以系统界面和系统功能测试为主，搭建仿真平台，并通过试验分析验证本文研究系统处理数据的能力[15]。试验中使用的操作系统均为Windows Sever 2008的Tomcat应用服务器、MySQL数据库管理系统服务器，客户端使用Android4.04版本。

所搭建的监督数据库包括安全监督标准化内容、基础数据、监督过程管理数据、操作日志。试验架构如图3所示。

图3 试验架构示意图

为了防止数据库的数据丢失，应对数据及时备份。电力作业环境安全监督的检测包括事故记录和安全监督2个部分。提取的数据信息主要分为3类。

①危险数据。危险数据包括500 kV线路组、500 kV线路放/紧导地线、220 kV线路放/紧导地线等，共27个。

②警戒数据。警戒数据包括500 kV线路砍树、500 kV电缆交叉互联系统试验、500 kV电缆头避雷清洁等，共469个。

③安全数据。安全数据包括断电操作、断电拆除线路上的异物、穿绝缘服工作等，共1 004个。

仿真系统训练环境为部分电力作业现场环境。测试中对仿真系统进行优化。试验采用的数据为电力作业现场数据，共有1 500个图像数据。通过对数据的分析，发现数据中有469个警戒数据、1 004个安全数据和27个危险数据。试验结果以检测数据的准确性作为标准[16]。试验准确率对比如表1所示。

表1 试验准确率对比

在上述试验环境参数的基础上，对系统的性能进行测试。测试数据仍为电力作业现场数据，性能测试的标准为系统处理数据的能力。系统测试性能对比如图4所示。

图4 系统测试性能对比图

由图4可知：本文研究的基于图形识别的电力现场安全监督系统测得的系统处理数据查询的频率达到了1 000次/s[17]；基于前端智能感知的电力作业现场安全监督系统测得的系统处理数据查询的频率为920次/s；基于B/S的电力作业现场安全监督系统测得的系统处理数据查询的频率为920次/s。相比之下，本文研究系统的性能较好。

4 结论

电力作业现场安全监督是电力生产的基础。为了保证电力作业人员的安全，本文研究了基于图形识别的电力作业现场安全监督系统。基于图形识别的电力作业现场安全监督系统采用一体化国网云、企业业务数据中心、物联网管理中心等平台；通过公网VPN和VPN专用通道实现了加密传输和远程传输的功能；采用智能分析设备单独部署，对采集到的视频进行处理。本文研究了电力作业现场的图像识别技术，选用了Adaboost改进算法，实现了对采集到的视频图像的处理、分析、识别和判断。本文研究的创新点在于：首先，设计了基于图像识别的电力作业现场安全监督系统，依据电力物联网设计了电力作业现场安全监督模型[3]；其次，设计了图像识别硬件系统，分为图像采集模块、目标识别模块、电源模块、视频输出模块、串口调试模块和存储模块6个功能模块，提高了电力作业现场安全监督能力；最后，构建了Adaboost改进算法模型，并增加了HOG特征提取技术和SVM图像识别技术，实现了电力作业现场的信息采集和图像处理。

该研究为下一步电力作业安全监督方法的研究奠定基础。