基于MGAN环路滤波视频编码技术的监控系统设计

摘 要：为提高变电站环境监测运行效率，提出一种改进的对抗神经网络环路滤波视频编码技术的环境监控系统。首先，根据系统功能性和非功能性需求，将系统分为视频采集层、边缘计算层、云平台层3大模块，并进行了详细设计；然后，基于生成对抗神经网络（GAN），重点设计了边缘计算层视频编码技术，提出一种多层次的GAN（记为MGAN）环路滤波视频编码技术；对系统功能和非功能进行了测试。结果表明，系统可实现实时监控、多路监控、智能保存和视频编码功能，满足安全性、稳定性、可靠性非功能需求，所设计的基于MGAN的环路滤波视频编码技术能有效提高视频编码质量，进一步提高变电站视频及环境监控系统的运行效率，具有一定的实际应用价值。

关键词：变电站视频监控；生成对抗神经网络；视频编码；环路滤波

中图分类号：TP311"""""""""""""""""""""""""""" 文献标识码：A""""""""""""""""""""""""""""" 文章编号：1001-5922（2024）07-0147-05

Design of monitoring system based on MGAN loop filtering video coding technology

ZUO Lei1，LU Yang1，SONG Yang1，LI Chengzhi2，ZHAO Jinmin2

（1. National Energy Changyuan Wuhan Qingshan Thermal Power Co.，Ltd.，Wuhan 430082，China；

2. Beijing Bike Technology Co.，Ltd.，Beijing 100095，China）

Abstract： In order to improve the operational efficiency of substation video monitoring， an improved environmental monitoring system based on adversarial neural network loop filtering video coding technology was proposed." First， according to the functional and non functional requirements of the system， the system was divided into three modules： video capture layer， edge computing layer， and cloud platform layer， and detailed design was carried out. Then， based on the Generic Adversary Nets （GAN）， the edge computing layer video coding technology was emphatically designed， and a multi⁃level GAN （MGAN） loop filtering video coding technology was proposed. Finally， the functional and non functional tests of the system were conducted. The results showed that the system could achieve real⁃time monitoring， multi⁃channel monitoring， intelligent storage， and video coding functions， meeting the non functional requirements of security， stability， and reliability. The MGAN⁃based loop filter video coding technology designed can effectively improve the quality of video coding， further improving the operational efficiency of substation video and environmental monitoring systems， and has certain practical application value.

Key words： substation video monitoring；generating an adversarial neural network；video coding；loop filter

近年来，随着人工智能技术在电网中的应用，变电站视频及环境监控系统逐步完善，有效减少了人工成本的投入，进一步确保了变电站安全，如基于变电站监控系统，提出一种长短期记忆循环神经网络的变电站智能故障诊断方法，实现了变电站故障区域的快速定位与故障冲击传播途径，有效提高了变电站的运行安全［1］；为保证变电站监控系统采集正确负荷信息，利用极限学习机方法辨识负荷异常信息，通过对变电站监控系统历史数据分析，结合主站调度端时序数据，实现了变电站监控负荷信息的辨识，有利于变电站监控系统实施争取的调度命令，确保了变电站运行安全［2］；针对智能变电站软巡视困难的问题，充分利用一体化监控系统采集信息流的优势，提出了一、二次系统状态对应关系监测的智能巡检技术，为变电站运维人员提供了日常运维、异常处理等辅助决策手段［3］。然而就目前变电站监控系统而言，由于在监控视频传输过程中通常需要对视频图像进行压缩传输，容易降低视频监控的运行效率，导致基于监控视频的变电站故障诊断或巡检效率较低。为解决该问题，提出一种基于MGAN环路滤波视频编码技术。

1"" 系统整体框架

根据变电站视频及环境监控系统应满足实时监控、多路监控、智能保存、视频编码功能性应用需求，并结合其应具备安全性、稳定性、可靠性等非功能性需求，提出基于MGAN环路滤波视频编码，设计一个变电站视频及环境监控系统，系统整体结构如图1所示。

由图1可知，系统主要由3个部分组成，分别为视频采集层、边缘计算层和云平台层［4］。视频采集层主要负责监控视频的采集与传输，是整个系统的基础层。边缘计算层是云平台层和视频采集层的中间层，主要负责对视频初步处理和中转，提供视频接收、视频发送、视频监控、视频编码、视频处理、视频保存等服务［5］。云平台层部署于云服务器上，主要实现远距离的云监控，并提供视频接收、视频编码、视频保存和Web服务功能。

2"" 系统设计

2.1"" 视频采集层设计

视频采集层包括视频采集和视频传输2个模块。该模块主要通过V4L2编程框架进行构建。此框架可进行摄像头频率、频数等参数设置，可通过回调函数发现和操作摄像头。基于V4L2编程框架的视频采集流程如图2所示［6］。

2.2"" 边缘计算层设计

2.2.1"" 视频编码模型设计

GAN模型是一种基于对抗学习的深度学习模型，由一个生成器和一个判别器构成，通过不断进行对抗学习，可满足修复图像的需求。因此，本系统利用GAN提高视频编码性能［8］。

考虑到GAN的容量有限且无法完全捕获单个图像，导致生成的图像容易丢失细节信息。因此，为使生成的图像在细节方面更接近原始图像，本系统设计了一个多层次GAN（MGAN）模型进行视频编码［9］。

采用MGAN模型替代VVC环路滤波中高功耗ALF模块，可有效提高重建帧的视觉质量，进而提升视频编码效率。首先，将原始视频图像与VVC（Versatile Video Coding）编码后的有损图像进行对应并组成图像对，然后进行下采样处理，并分别将下采样后的图像输入每层GAN生成器和判别器，利用其像素差训练GAN模型，即可将VVC编码后丢失的图像细节添加到视频帧中，使生成的图像更接近原始图像。最后，为获取更多图像细节信息，在MGAN每层生成器中添加一个马尔科夫链鉴别器，用于保全精细纹理［10］。

2.2.2"" 模型训练

MGAN模型的训练方式为逐层训练，其训练损失主要分为对抗损失和重建损失。对抗损失即为生成器的生成样本与原始样本间的差值，包括生成器产生的损失和判别器产生的损失，表示为式（1）、式（2）；重建损失来自生成样本和输入图像的差值，采用均方误差进行表示。为降低训练过程中的对抗损失，模型采用生成器和判别器交替训练的方式进行训练［11⁃12］。

[LG=Ex-Px-log（1-D（G（z）））]"""""""""""" （1）

[LD=Ex-Pdata- log（x）+]

[Ex-PZ-log（1-D（G（z）））]""""""""""""""" （2）

式中：[E（*）]为分布函数期望值；[Pdata]和[PZ]分别表示真实样本分布和低维噪声分布。

为解决MGAN模型训练时产生的梯度消失问题，提出将生成器与马尔科夫判别器进行耦合处理，并采用WGAN-GP训练模式对模型进行训练［13］。

最后，为控制生成图像的大小，采用固定图像下采样的比例对样本的变化量进行控制。

2.2.3"" 模型在VVC中的集成

将MGAN模型集成在VVC中，具体如图3所示，可得到基于MGAN模型环路滤波技术的视频编码方法。利用MGAN模型环路滤波技术在进行视频编码时，首先将视频序列分割成多个小图像组，设置每个小图像组的参考帧为关键帧，关键帧集合构成关键帧组。然后导出样本自适应偏移（SAO）滤波后的视频流文件和原始视频文件关键帧组作为模型的训练输入。最后，根据VVC中编码树单元大小128×128，设置模型输入图像为256×256，即实现了MGAN模型在VVC中的集成。

考虑到视频编码压缩过程中存在未变化的编码树单元，无需进行滤波处理。由此提出在进行MGAN模型集成前加入一个开关标志，当输入数据达到此开关标志时，模型将进行MGAN编码自动跳过［14］。

2.3"" 云平台层设计

云平台层的作用是实现视频接收保存和Web服务，本研究重点对视频接收模块进行设计，其具体流程如图4所示。

该模块首先需建立一个流式套接字；然后将其与服务器进行连接，进行视频数据收发；数据发送时可进

行套接字监听，接收数据后关闭套接字，即实现了视频接受。

3"" 系统测试

3.1"" 系统测试平台与工具

本次系统视频采集层测试基于Linux系统的3代B型树莓派平台运行，搭载ARM Cortex-A53 1.2 GHz 64 bit quad-core ARMv8四核中央处理器。采集设备为USB接口的高清摄像头。边缘计算层基于Ubuntu16.04操作系统的Intel® NUC迷你电脑平台运行，搭载I5 6260U处理器，8 GB运行内存。云平台层采用Ubuntu16.04操作系统的PC机进行实现，其配置了Intel（R） Core （TM） i7-9700K型号的 CPU和GeForce GTX 2080 super 型号的GPU。其中，CPU显存大小为 3.60 GHz，内存大小为32 GB RAM。

进行系统测试时，采用本地网络将视频采集层与边缘计算层进行连接和数据访问，二者均部署于同一局域网中；边缘计算层与云平台层通过广域网连接。

3.2"" 系统功能测试

3.2.1"" 测试条件

为测试本系统的视频编码功能，实验将MGAN环路滤波方法集成到VTM-5.0中，使用22和37两个经典的QP值进行测试。测试视频数据集为VVC官方测试序列中类型 A～C视频序列的前100帧视频数据。测试序列及相关参数如表1所示。

3.2.2"" 评价指标

本次测试选用BD-BR和BD-PSNR双指标评估MGAN模型相较于常用视频编码模型ARCNN和DBPN模型的视频编码质量。其中，BD-BR是衡量不同算法码率节省情况的指标，反映了不同算法在码率上的变化情况；BD-PSNR是衡量同等码率下，不同算法PSNR差异的指标。

3.3"" 结果与分析

表2为MGAN模型与对比模型在环路滤波中的RD性能对比结果。

由表2可知，基于MGAN的环路滤波方法BD-BR平均降低了7.94%，并取得了0.31 dB的BD-PSNR增益；基于DBPN模型的环路滤波方法BD-BR平均降低了2.76%，取得了0.08 dB的BD-PSNR增益；基于ARCNN模型的环路滤波方法BD-BR平均降低了4.41%，取得了0.25 dB的BD-PSNR增益。由此说明，相较于基于DBPN模型和基于ARCNN模型的环路滤波方法，基于MGAN的环路滤波方法提高了视频编码的质量，降低了视频编码后的比特率，在测试序列上取得了更优异的结果。

表3为不同方法的平均编码时间对比结果。

视频编码的复杂度为衡量方法是否具有实际应用价值的重要指标。为验证基于MGAN模型的环路滤波方法具有一定的实际应用价值，分析了与DBPN模型和ARCNN模型的视频编码复杂度。复杂度的计算方法如式（3）：

[∆T=T-T0T0]"""""""""""""""""""""""""""" （3）

式中：[T]表示模型的编码时间；[T0]为VVC编解码时间，即编码标准时间。

由表3可知，基于MGAN模型的环路滤波方法编码复杂度是编码标准平均的100.3%，对比模型DBPN模型和ARCNN模型的编码复杂度是编码标准平均的104.6%和100.4%。由此可见，基于MGAN模型的环路滤波方法编码复杂度略高于基于ARCNN模型的编码复杂度，略低于基于DBPN模型的编码复杂度。整体来看，MGAN模型的环路滤波方法编码复杂度在可接受范围内，具有一定的实际应用价值。

4""" 结语

所设计的基于MGAN环路滤波的变电站视频及环境监控系统具备可行性和有效性，此系统采用多层次结构的GAN环路滤波进行编码处理，能够显著提升视频编码质量，降低了视频编码后的比特率，实现了高质量的视频编码，且复杂度较低，具有一定的实际应用价值。整个系统功能模块完善，满足系统功能性需求和非功能性需求，具有一定的安全性、可靠性和稳定性。

【参考文献】

［1］""" 付豪，邹花蕾，张腾飞.基于长短期记忆循环神经网络的变电站监控系统智能故障推理方法［J］.综合智慧能源，2022，44（12）：11⁃17.

［2］""" 李一鹏，王亚军，栗维勋，等.基于极限学习机的变电站监控系统负荷异常信息的辨识方法［J］.电子器件，"""""" 2022，45（5）：1219⁃1224.

［3］""" 钱建国，张超，马伟，等.基于多维映射矩阵的变电站监控系统智能巡检技术［J］.浙江电力，2022，41（1）：118⁃124.

［4］"""" 韩柳，吴聪颖，肖智宏.新型数字智能变电站监控及巡视系统应用研究［J］.现代电子技术，2023，46（3）：156⁃160.

［5］"""" 芦嘉诚，张立辉.基于LabVIEW的变电站监控系统的" 设计［J］.信息技术与信息化，2023（1）：203⁃206.

［6］"""" 戴洋.浅析智能变电站监控系统网络安全渗透技术［J］.网络安全技术与应用，2023（1）：91⁃93.

［7］""" 张岚，刘涛，李鹏，等. 基于数据挖掘的计量参数异常4步优化识别技术［J］. 粘接， 2024， 51 （5）： 145⁃148.

［8］"""" 刘皓轩，林珊玲，林志贤，等.基于GAN的轻量级水下图像增强网络［J］.液晶与显示，2023，38（3）：378⁃386.

［9］""" 熊泽昊，李杰，牛轶峰.生成对抗网络及其在无人系统中的应用［J］.无人系统技术，2023，6（1）：1⁃13.

［10］" 朱晓慧，钱丽萍，傅伟.基于GAN的网络安全数据增强研究综述与展望［J］.计算机应用与软件，2022，39（11）：288⁃296.

［11］"" 张彬，周粤川，张敏，等.生成对抗网络改进角度与应用研究综述［J］.计算机应用研究，2023，40（3）：649⁃658.

［12］" 高飞，余晓玫.一种Enlighten-GAN网络的指纹超分辨率重建方法［J］.激光与红外，2022，52（10）：1577⁃1584.

［13］"" 薛昊天，王晨.基于GAN的僵尸网络流量检测研究［J］.电子设计工程，2022，30（17）：146⁃149.

［14］" 李振文，徐彪，刘力，等.基于“三层两网”结构的智能"""" 变电站监控信息分步验收方法［J］.湖南电力，2021，""""" 41（6）：58⁃63.

［15］"" 雍明月，朱勇，汪奇，等.智能变电站监控信息模块化""" 验收技术研究与实现［J］.长江信息通信，2021，34（10）：" 76⁃81.