基于视频技术的小型变电站智能监控系统*

刘 杨 杨盼盼 尚 宁

(阜阳职业技术学院 安徽阜阳 236000)

智能变电站是提高电网智能化水平、确保其安全运行的保障。传统视频监控方式下，需依靠工作人员实时关注监控画面来发现监控图像中异常情况，这会造成运行成本高昂、工作效率低等问题，还可能遗漏很多重要信息，加大了变电站运行风险[1]。机器视觉的运用，使得智能视频技术获得了前所未有的发展空间，智能视频监控系统也在业界受到广泛关注与好评[2]。

文章提出构建基于视频技术的小型变电站智能监控系统，利用改进的RetinaNet网络模型对变电站闯入人员进行检测，利用其强大的特征提取能力，获得具有丰富语义信息的特征图，以达到提升目标识别精度的目的。

1小型变电站智能监控系统

1.1小型变电站智能视频监控系统总体框架

对变电站进行智能化监控是保障变电站安全运行的重要手段[3]，文章设计基于视频技术的变电站智能监控系统，以满足小型变电站的安全监控需求，变电站出入口、视野广阔之地、变电站设备所在位置是布置系统前端视频采集装置的最佳场所，有利于变电站环境信息以及各种变电设备运行状态信息的全面、及时地获取，经智能分析算法的高效处理分析后，利用光纤网络将处理结果呈现给监控中心，完成小型变电站环境与设备的智能监测，其框架结构如图1所示。

图1 视频技术的小型变电站智能监控系统总体框架

采集层是变电站智能监控系统的前端，用于变电站视频数据的采集、压缩、存储与处理。该层由视频采集模块和传感器采集模块构成，其中前者由视频采集卡、高清网络球机等组成，视频采集卡的功能是对模拟摄像机采集数据进行转换处理，将其变为数字信号后，再对其作编码压缩操作，为视频图像的进一步分析处理作准备。高清网络球机可实现出入变电站人员、车辆以及各种设备运行状态监测；后者包含温湿度传感器、烟雾传感器等，可实现变电站环境信息的感知，对保障变电站消防安全具有重要作用。数据处理层对采集后的视频图像进行去噪、图像增强等处理后，将其传输至数据分析层。数据分析层是变电站智能监控系统的核心，由异常目标检测模块、变电站设备运行状态检测模块、设备故障检测模块、安全装备检测模块等构成，各模块通过调用相关算法完成变电站监控视频的智能化分析。变电站监控视频分析结果通过数据传输层的光纤网络传输至监控层，以保证数据远距离传输的实时性，数据的近距离传输通过以太网实现，最后利用监控层实现变电站监控视频分析结果的可视化呈现。

1.2采集层网络球机硬件设计

变电站出入口处架设高清网络球机，可对进出变电站人员与车辆进行近、远距离监控。该设备配置了20倍以上变焦镜头，可进行360°水平转动外，能够在(-2，270)度区间内垂直转动，同时支持180°自动翻转，其帧率超过25帧，不仅具有曝光控制能力，而且可实现背光补偿，因此，有利于视频图像质量的提升；高压设备、主控设备、各种开关、仪表等是变电站内的重要设备，将标清网络球机部署于各类设备上方，可实现其运行状态的有效监测。文章采用的网络一体化数字球机，具备变倍变焦功能之外，还可实现解码及3D定位，能够应用于大面积、大规模目标检测中，它能够自主响应控制中心下达的指令，完成目标的定位与追踪。获取的变电站视频信号可通过磁盘录像机进行存储。网络球机的基本结构如图2所示。

变电站视频信号经由CCD传输至DM6437处理器，通过运行于其上的智能算法实现视频信号的初步处理，处理的视频信号传送至视频采集卡上，由其执行编码、压缩操作，监控中心可根据报警提示信息向网络球机发出控制命令，视频采集卡利用RS485信号对PTZ云台进行控制，在视频采集卡与DM6437的协作下实现目标的自动追踪。DM6437处理器为C64X+核，因引入了可实现视频流处理的指令，因此变电站视频处理能力获得显著提高。因其指令字结构为特长、加强设计，且采用600MHz主频芯片，提高了每一个时钟周期内指令处理效率。

1.3数据传输层光纤网络设计

变电站视频数据在远距离传输过程中，需满足数据传输的实时性要求[4]，文章设计基于FPGA的双路千兆以太网光纤网络应用到变电站智能监控系统数据传输层中，其基本结构如图3所示。

图3 双路千兆以太网光纤网络结构

由图3可见，基于FPGA的双路千兆以太网光纤网络共由三个主要部分构成，分别为千兆以太网电路、FPGA以及光模块，文章选取的千兆以太网接口芯片型号为BCM53115，来自博通公司，FPGA型号为XC6SLX25T，由XILINX公司生产，光模块为SFP系列，由intel公司生产。变电站监控视频数据传输过程中，利用网线建立两台PC机网络端口与板卡1间的关联，通过接口芯片BCM53115获取千兆以太网传输数据后，将其发送给FPGA单元，经两个GMII接口分别接收数据后，由集成的GTP单元进行处理，再传输给光模块，通过电/光转换后，再利用光纤发送至板卡2上。经由其上光模块的转换以及GTP单元的处理后，将数据传输给上位机。

1.4改进RetinaNet的异常目标智能检测模型

视频图像质量对变电站异常目标检测效果具有一定影响[5]，为获取高质量视频图像，处理层对采集的变电站监控视频进行预处理，采用中值滤波算法去除视频图像中的椒盐噪声后，利用Gamma校正算法滤除视频图像中的无关信息，将数据增强后的变电站监控视频图像作为分析层变电站异常目标检测模型的输入，实现异常目标的定位及识别，降低变电站运行风险。

1.4.1改进RetinaNet网络结构 RetinaNet是一种深度学习网络模型，结构如图4所示。

图4 RetinaNet网络模型结构

由图4可见，左侧的骨架网络采用的是ResNet50残差网络，中间部分为特征金字塔网络(FPN)，右侧是检测头结构。该网络模型利用ResNet50网络获取图像特征，将5层特征图作为FPN网络输入，实现深层特征与低层特征的融合处理，获得具有完整语义的5层特征图后，再利用两路检测头实现目标分类及其位置的预测，通过各层特征图可完成各种尺寸目标的检测。该网络模型虽然可达到较好的目标检测效果，但卷积过程产生过多的冗余，为提高模型的计算效率，降低计算难度。文章对其作改进处理，改进后的RetinaNet网络模型结构如图5所示。

图5 改进后的RetinaNet网络模型结构

选用轻量级神经网络MobileNet v2作为骨架网络，替代原有的ResNet50网络，通过分离卷积和逐点卷积有效减少模型参数，达到模型计算难度降低的目的。将3个双向特征金字塔网络进行串行处理，实现图像上下文语义信息的多次融合，以获取更加丰富语义信息的特征图。图5红色矩形框标记的即是BiFPN结构，特征图通过各个圆圈进行表征，各行特征图存在尺寸差异。各特征按照箭头所示方向进行融合，相邻特征图的差值上采样过程通过向下箭头进行反映，最大池化过程则通过向上箭头进行体现。通过权重反映各个特征图的重要程度，根据权重的高低进行特征的筛选，最终实现特征图的融合处理，以实现目标特征的精确描述。在检测头结构中，设计深度可分离卷积对原卷积进行替换，以达到降低冗余的目的，另外，通过对其通道数进行缩减，降低了卷积运算数量，保证在不影响模型检测精度的情况下，达到降低运算复杂度的作用。

1.4.2损失函数设计 损失函数的作用除可对变电站异常目标检测模型训练效果的好坏进行评价外，还可实现网络权重的实时调整。文章网络模型的损失函数可通过下式进行描述：

L=Lloc+Lconf+Lclass

(1)

式(1)中：Lloc、Lconf、Lclass分别描述位置、置信度以及分类损失函数。

依据CLOU损失计算机制，基于预测框与真实框之间的重叠程度、二者中心点坐标间的距离以及长宽比值实现Lloc函数的计算，其公式描述为：

(2)

式(2)中，预测框的位置通过A进行描述，其中心点坐标为Actr，真实框的位置用B描述，其中心点坐标为Bctr，Actr、Bctr间的欧式距离表示为ρ，对预测框与真实框具有最小重合度的包围框进行搜索，其对角线长度表示为δ，宽高比代价项表示为α·v，其计算公式为：

(3)

(4)

式(3)中：预测框、真实框的宽度分别为wA、wB，对应的高度分别为hA、hB。

文章通过交叉熵函数获得Lconf的运算结果，将变电站目标特征图划分成K×K个网格，各网格产生的候选框数量为M，通过下式即可完成Lconf损失函数的确定：

(5)

只有在候选框中检测到异常目标才需确定分类损失Lclass，文章通过交叉熵实现其运算，公式描述为：

(6)

式(6)中，变电站异常目标检测模型的输出类别表示为C，候选框检测到目标的概率表示为p，未检测到目标的概率表示为q，且p+q=1。

2实验结果与分析

以某地区的一个小型变电站为研究对象，应用文章系统对该变电站进行视频监控，获取1000张变电站视频监控视频图像，构建实验数据集，按4∶1比例划分训练样本、测试样本，采用文章系统对变电站异常目标进行检测，分析文章系统的应用性能。

对变电站监控视频原始图像进行预处理是实现图像质量增强的有效手段，图6(a)为采集的变电站监控视频图像，采用文章系统对其进行预处理，通过对比预处理前后图像的视觉效果验证文章系统的图像处理能力，实验结果如图6(b)、(c)所示。

(a)变电站监控视频原始图像

分析图6可知，采集的变电站监控视频原始图像质量较差，图像颜色暗淡、清晰度不够，对比度较低，图像模糊，并且存在明显的椒盐噪声；对其进行去噪处理后，图像中含有的大量椒盐噪声得以去除，图像质量获得明显提升；增强后的变电站监控视频图像，色彩明亮、图像清晰、视觉效果进一步获得提升。因此，采用文章系统可有效解决图像噪声大、图像模糊等问题，对图像质量的改善具有突出作用。

检测模型性能对变电站异常目标检测效果起决定性作用，采用文章系统对数据集中的监控视频图像进行检测，并与改进前的RetinaNet网络模型进行对比，通过分析改进前后模型在训练、测试过程中的损失值的变化，验证文章系统的优越性，实验结果如图7所示。

图7 改进前后异常目标检测模型性能分析

分析图7可知，检测模型损失随着迭代次数的增加呈下降趋势变化，RetinaNet网络模型训练损失最大，在迭代280次后其值基本稳定在0.3左右，其测试损失值在迭代200次后慢慢趋于平稳，其值大约为0.1；文章系统对其进行改进后，检测模型损失值略有下降，经200次迭代训练损失降至0.2，而测试损失仅通过100次迭代即可稳定于0.06左右。实验结果表明，对RetinaNet网络模型进行改进，可有效提升检测模型性能，有利于闯入目标检测精度的提升。

运行速度也是影响网络模型性能的一个重要因素，通过对改进前后网络模型的检测时间分析，验证文章系统所用检测模型的优越性，实验结果如表1所示。

表1 改进前后检测模型耗时对比分析

分析表1可知，采用RetinaNet网络模型对变电站异常目标进行检测，需要耗时177.94ms，对该模型进行改进处理后，仅需要36.97ms即可完成检测，检测时间降低了79.2%，检测效率大幅度提升。实验结果表明，对RetinaNet网络模型进行改进，可有效降低模型的计算难度，提升运行效率，文章系统的异常检测性能突出。

采用文章系统对处理后的变电站监控视频图像进行异常目标检测，通过对检测结果进行分析，验证文章系统的检测性能，实验结果如图8所示。

图8 检测结果分析

分析图8可知，将文章系统应用到变电站异常目标检测中，能够完成变电站闯入人员的智能识别，并将闯入人员识别结果用红色矩形框进行标记。实验结果表明，文章系统具有变电站异常目标检测能力，应用性较好。

平均传输速率是评价系统性能的重要指标，设定文章系统信噪比分别为25dB、45dB、70dB时，通过对比分析三种信噪比下数据丢包率与平均传输速率的关系，验证文章系统的数据传输能力，实验结果如图9所示。

图9 文章系统数据传输性能分析

分析图9可知，在三种信噪比下，文章系统的平均传输速度均随着数据丢包率的不断增大而呈下降趋势变化，其中信噪比为25dB时，文章系统的平均传输速率下降幅度最大，当丢包率为20%时，网络传输速率也可达到13MB/s，当信噪比为70dB时，文章系统的平均传输速率最大。实验结果表明，文章系统在大丢包率、低信噪比条件下也可保持较高的平均传输速率，因此，文章系统可实现数据的快速传输，数据传输能力突出。

3结论

应用文章系统对某小型变电站进行智能视频监控，通过对其视频图像处理能力、异常目标检测能力、检测结果以及系统数据传输能力进行分析，验证文章系统的应用性能。实验结果表明：

(1)可有效去除变电站视频监控图像噪声、提高图像质量。

(2)改进后的异常检测模型损失值低于0.1。

(3)文章系统可实现异常目标检测，检测时间较改进前减少79.2%。

(4)文章系统具有更高效的数据抗干扰传输能力。