基于視頻的帶電作業(yè)中組合間隙的智能檢測

張鴿++廉靜如++胡欣宇

摘 要：在帶電作業(yè)實訓項目中，作業(yè)人員進出電場需要保持正確的姿態(tài)，以保證自身的組合間隙小于最小組合間隙，避免引起安全事故，傳統(tǒng)的帶電作業(yè)培訓中主要依靠現(xiàn)場教練的主觀經(jīng)驗判斷作業(yè)人員的實時組合間隙，判斷的標準具有較強的主觀性，從而導致一定的安全隱患。文中針對現(xiàn)有問題，創(chuàng)新性的提出了一種基于視頻的智能檢測算法，運用了自適應混合高斯背景建模、團塊檢測、前景融合等模式識別算法。該算法以500 kV輸電線塔架為實驗對象，實驗表明該算法能夠準確檢測出作業(yè)人員的實時組合間隙，并在發(fā)生違規(guī)操作時，可及時準確的給予警示，有助于規(guī)范作業(yè)人員的操作，可有效提高帶電作業(yè)的安全系數(shù)。

關鍵詞：帶電作業(yè)；組合間隙；視頻；混合高斯模型；團塊檢測；模式識別

中圖分類號：TM84；TP393 文獻標識碼：A 文章編號：2095-1302（2016）12-00-04

0 引 言

在開展專業(yè)化的帶電作業(yè)中，如何最大程度的保證作業(yè)人員的人身安全是首要解決的問題。所以帶電作業(yè)中最為關注的一個問題即安全距離，尤其是安全距離中的一項指標即最小組合間隙。最小組合間隙是指在組合間隙中的作業(yè)人員處于最低的操作沖擊放電電壓位置時，人體對接地體與帶電體兩者應保持的距離之和。

目前國內(nèi)關于組合間隙的研究重點包括各級別輸電線帶電作業(yè)組合間隙的操作沖擊放電特性[1]；研究確定輸電線路帶電作業(yè)最小組合間隙[2]；帶電作業(yè)中的工具服裝等屏蔽防護措施[3-5]以及進入電場的位置[6]與方式[7]等。而在帶電作業(yè)實際操作中，人們更關心的是如何智能判斷作業(yè)人員的實時組合間隙，規(guī)范作業(yè)人員的操作以降低帶電作業(yè)的危險系數(shù)。

對組合間隙的監(jiān)控能夠保證實訓人員從地電位進入等電位，或者從等電位回到地電位的過程中保持正確的姿態(tài)，防止人體過于舒展導致自身的組合間隙小于最小組合間隙，從而引起安全事故。

對于電力行業(yè)而言，其存在場地內(nèi)塔架高、走線復雜、強電場環(huán)境等影響因素，因此如何智能檢測組合間隙是電力行業(yè)專業(yè)化的難點。

在目前的帶電作業(yè)人員培訓過程中，作業(yè)人員的實時組合間隙大小主要依靠培訓指導教師的現(xiàn)場仰視觀察并指導，依賴于培訓指導教師的工作經(jīng)驗和直觀感知，適時對參訓學員進行安全警示，但這種方式對于高處帶電作業(yè)實訓中的動作是否規(guī)范合理，其組合間隙距離是否符合要求的判斷存在一定的誤差，從而增加了作業(yè)人員的危險系數(shù)。針對上述問題，本文創(chuàng)新性的提出了一種基于視頻的帶電作業(yè)組合間隙智能檢測算法，并結合了自適應混合高斯背景建模、團塊檢測、前景融合等模式識別算法。

相對于傳統(tǒng)方法而言，采用基于視頻的方法進行組合間隙檢測，能夠智能化的給出直觀明了的結果顯示，并從根本上克服強電場的不利因素，具有很強的擴展性，易于移植到其他類似場合，可有效減輕教練的負擔。

1 組合間隙算法的框架

針對客觀環(huán)境存在的室外光線，我們采取多種模式識別算法相結合的方法，即利用混合高斯背景建模、團塊檢測、前景融合，結合帶電作業(yè)相關知識和攝像頭圖像確定作業(yè)人員實時組合間隙及其安全信息。算法流程圖如圖1所示。其中高斯背景建模、團塊檢測、前景融合及組合間隙計算是整個算法的核心步驟。

2 組合間隙算法

2.1 確定前景框

首先通過攝像頭采集數(shù)據(jù)，當有作業(yè)人員準備在絕緣子上作業(yè)時，同時啟動攝像頭并開始檢測。

由于實訓人員是由絕緣子串進入電場，絕緣子串帶電作業(yè)區(qū)被認為是人員活動的主要區(qū)域，所以我們以此作為檢測的主要區(qū)域，計算這一區(qū)域的人員實時組合間隙值。

提取攝像頭拍攝的一幀圖像，根據(jù)絕緣子串所在位置劃定前景檢測區(qū)，并分別記錄圖片中對應區(qū)域的寬度Wimage及前景區(qū)高度Hfore Region，攝像頭對應的檢測區(qū)域如圖2所示。

3 算法結果及分析

本文以在四川電力職業(yè)學院帶電作業(yè)實訓場地拍攝的通過絕緣子進入500 kV塔架電場的一段視頻作為實驗樣本，利用上文提出的基于視頻的組合間隙檢測算法進行智能測試，并在發(fā)生違規(guī)操作時現(xiàn)場給予聲光警示。最后，對組合間隙檢測算法與傳統(tǒng)教練經(jīng)驗的判斷結果進行對比分析。

首先對選取的視頻片段進行算法分析，視頻大小格式為320×240，實驗環(huán)境為Visual Studio 2010 and OpenCv2.3?；旌细咚贡尘敖Ｋ惴ǖ膮?shù)選取了最優(yōu)化的值，分別為k=3，T=0.8，a=0.02，V0=50，W0=0.33，根據(jù)式（9）可知實驗中人員的最小寬度閾值為：

（10）

分別得到每一幀圖像的實訓人員的實時寬度Dcomgap，并與500 kV電壓等級規(guī)定的最小人員寬度閾值Dmini相比較。

取實驗結果中攝像頭對應的10個不同時段的檢測結果作為樣本，圖5所示為組合間隙檢測算法的實驗結果，其中圖片上方數(shù)字代表人員最小寬度閾值，下方數(shù)值代表作業(yè)人員實時寬度值。通過人員框定的不同顏色來體現(xiàn)作業(yè)人員實時組合間隙的安全信息。

由表1所列的基于單一視頻的最小組合間隙的實驗結果可知，當作業(yè)人員身體寬度小于四片絕緣子寬度之和時，本文介紹的基于視頻的組合間隙檢測算法結果與傳統(tǒng)的教練經(jīng)驗一致判斷人員狀態(tài)為安全；當作業(yè)人員身體寬度明顯大于四片絕緣子寬度之和時，本文介紹的基于視頻的組合間隙檢測算法結果與傳統(tǒng)的教練經(jīng)驗一致判斷人員狀態(tài)為違規(guī)。

在10個樣本中，第4、6號樣本幀現(xiàn)場教練實時判斷結果與現(xiàn)場聲光報警系統(tǒng)判斷結果不一致，記錄后，經(jīng)教練后期查看，存儲好的第4、6號樣本幀經(jīng)分析，人員寬度大于四片絕緣子寬度之和，判斷為危險狀態(tài)，而現(xiàn)場漏判或誤判為安全狀態(tài)，進而說明了本文提出的基于視頻的組合間隙檢測算法的優(yōu)越性。

本算法在四川電力職業(yè)學院實訓場地進行了多次500 kV輸電線塔架帶電作業(yè)實時測試，實驗表明，基于視頻的組合間隙檢測算法沒有漏報，偶爾存在誤報，且誤報次數(shù)遠低于現(xiàn)場教練實時判斷的誤報次數(shù)。經(jīng)分析，引起算法誤報的原因為絕緣子串的抖動以及人員佩戴的繩索抖動。

4 結 語

本文創(chuàng)新性的提出了一種基于視頻的帶電作業(yè)的組合間隙檢測算法，這種方式不受強電場影響，成本低廉，操作簡便，能夠有效減輕人力負擔，并能根據(jù)國家相關標準和現(xiàn)場情況對危險情況給予警示，達到了系統(tǒng)的設計目的，并且填補了帶電作業(yè)組合間隙智能檢測方面的研究空白，具有極大的實際意義和廣泛的應用前景。

但由于視頻及輸電線塔架攝像頭安裝等的局限性，本文算法存在一定的缺陷。首先基于視頻的算法結果與角度的耦合性非常大，所以角度變化對算法結果影響十分顯著。而且由于絕緣子串、繩索的抖動導致目標框定的不夠準確。

綜上所述，如何進一步提高算法準確率，降低抖動、光線等因素對檢測結果的影響，都將是今后研究的重點。

參考文獻

[1]胡毅，王力農(nóng)，劉凱，等.750KV輸電線路帶電作業(yè)組合間隙的研究[J].電力設備，2006，7（1）：29-32.

[2]胡毅，王力農(nóng)，劉凱，等.1000KV交流輸電線路帶電作業(yè)組合間隙研究[J].電力設備，2007，8（8）：1-5.

[3]舒印彪，胡毅，王力農(nóng).500KV緊湊型線路帶電作業(yè)用保護間隙[J].中國電力，2003，36（5）：48-50.

[4]Shu Y B， Hu Y. Maintenance and Live Working Technology for Ultra High Voltage Transmission Line[J]. High Voltage Engineering， 2007， 33（6）： 1-5.

[5]HU Yi， LN Wang， GW Shao， et al. An Experimental Investigation on Live Line Work for 750kV Transmission Line[J]. Power System Technology， 2006， 30（2）： 14-18.

[6]肖坤，馬寧，涂超.500KV線路耐張串組合間隙放電電壓問題的分析與探討[J].東北電力技術，2003，24（7）：22-24.

[7]肖賓，胡毅，劉凱，等.1000KV交流緊湊型輸電線路等電位進入方式[J].高電壓技術，2011，37（8）：1868-1874.

[8]TangYinggan， LiuDong. Multi-resolution image segmentation based on Gaussian mixture model[J]. Systems Engineering and Electronics， 2006， 17（4）： 870-874.

[9]STAUFFER C， GRIMSON W E L. Adaptive background mixture models for real-time tracking [C]. Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition. Fort Collins， Colorado， USA， June 23-25， 1999. [S.1]： IEEE Computer Society， 2：246-252（1999）

[10]PLM Bouttefroy， A Bouzerdoum， SL Phung， et al. On the analysis of background subtraction techniques using Gaussian mixture models[C]. Acoustics Speech and Signal Processing （ICASSP）， 2010 IEEE International Conference on. IEEE， 2010： 4042-4045.

[11]Nguyen T B， Chung S T. An improved real-time blob detection for visual surveillance[C]. Image and Signal Processing， 2009. CISP'09. 2nd International Congress on. IEEE， 2009： 1-5.

[12]趙志剛，蘇永杰，許文廣.“坐二短四”進出強電場帶電作業(yè)方法的應用[C].2012年供電企業(yè)帶電作業(yè)技術研討會論文集，2012.