機(jī)器視覺智能識(shí)別技術(shù)在10kV配電站房的淺層應(yīng)用

王金塔 羅世榮 白夢龍 陳太 胡剛風(fēng)

摘 ?要：文章介紹了機(jī)器視覺智能識(shí)別系統(tǒng)結(jié)構(gòu)及功能，同時(shí)介紹了該系統(tǒng)的工作原理，最后分析了機(jī)器視覺智能識(shí)別系統(tǒng)在實(shí)際工作中的應(yīng)用。

關(guān)鍵詞：智能識(shí)別技術(shù);10kV配電站;儀表分析

中圖分類號(hào)：TP391.41 ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2019）18-0150-02

Abstract： In this paper， the structure and function of machine vision intelligent recognition system are introduced， and the working principle of the system is introduced. Finally， the application of machine vision intelligent recognition system in practical work is analyzed.

Keywords： intelligent identification technology; 10kV distribution station; instrument analysis

我國社會(huì)的快速發(fā)展，促使社會(huì)對(duì)電能的需求量不斷增加，對(duì)電網(wǎng)運(yùn)行的可靠性要求越來越高，而配電房是保證城市配電網(wǎng)運(yùn)行可靠的最終保障。因此，配電房的智能化建設(shè)迫在眉睫，機(jī)器視覺智能識(shí)別技術(shù)在配電房中的運(yùn)用，有助于及時(shí)發(fā)現(xiàn)站房異常情況、加強(qiáng)對(duì)小型分散性作業(yè)和倒閘操作合規(guī)性監(jiān)管，提高管理水平，實(shí)現(xiàn)由全人工監(jiān)盤，轉(zhuǎn)為機(jī)器輔助監(jiān)盤。進(jìn)一步緩解10kV配電站房的數(shù)量快速增長與運(yùn)維人員不足的矛盾。

1 系統(tǒng)結(jié)構(gòu)及功能介紹

1.1 系統(tǒng)結(jié)構(gòu)

本系統(tǒng)結(jié)構(gòu)分為2層：第一層為配電主站層;第二層為配電子站。主站與子站間為一對(duì)多的結(jié)構(gòu)方式，采用互聯(lián)網(wǎng)模式進(jìn)行連通。系統(tǒng)總體結(jié)構(gòu)見圖1。

子站的主要工作是采集站房內(nèi)的環(huán)境數(shù)據(jù)，并利用機(jī)器視覺智能識(shí)別技術(shù)自動(dòng)判斷配電站房作業(yè)人員穿戴規(guī)范化和是否有抽煙等不文明行為，利用機(jī)器視覺智能識(shí)別技術(shù)自動(dòng)判斷配電站房異物非法闖入，利用機(jī)器視覺智能識(shí)別技術(shù)對(duì)10kV配電站房的設(shè)備運(yùn)行狀態(tài)及其變化進(jìn)行自動(dòng)識(shí)別，利用機(jī)器視覺智能識(shí)別技術(shù)進(jìn)行配電站房倒閘操作合規(guī)性與視頻監(jiān)控系統(tǒng)有效聯(lián)動(dòng)等。

1.2 系統(tǒng)應(yīng)用功能

系統(tǒng)的應(yīng)用結(jié)構(gòu)如圖2所示，主要分為作業(yè)人員穿戴及行為檢測、異物非法闖入、設(shè)備儀器自動(dòng)識(shí)別、倒閘操作合規(guī)性4個(gè)應(yīng)用模塊。各子模塊功能簡介如下：

（1）利用機(jī)器視覺智能識(shí)別技術(shù)自動(dòng)判斷配電站房作業(yè)人員穿戴規(guī)范化和是否有抽煙等不文明行為。基于機(jī)器視覺智能識(shí)別技術(shù)的安全帽視頻檢測方法所用到的理論和算法，包括基于背景減除法的運(yùn)動(dòng)目標(biāo)檢測、以及背景減除法的特點(diǎn)與適用場景;定位人體頭部區(qū)域的方法以及安全帽顏色特征的計(jì)算;針對(duì)照度低且低對(duì)比度情況，研究了低照度視頻圖像增強(qiáng)的技術(shù)，并且增加了色彩保持的圖像增強(qiáng)算法，包括色彩保持的圖像增強(qiáng)算法，該算法能在增強(qiáng)圖像的同時(shí)在一定程度上保持色調(diào)和飽和度信息，為安全帽顏色特征計(jì)算打下基礎(chǔ)。

技術(shù)使用HOG特征進(jìn)行人體識(shí)別，在此基礎(chǔ)上使用HOG和顏色特征對(duì)安全帽識(shí)別。從視頻數(shù)據(jù)中提取圖像，通過對(duì)圖像進(jìn)行旋轉(zhuǎn)、偏移、剪切等預(yù)處理，將圖像分為背景、戴安全帽的人員和不戴安全帽的人員3類。通過構(gòu)建3種不同深度層次的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，通過“4個(gè)卷積層+3個(gè)池化層+3個(gè)全連接層”組成的深層網(wǎng)絡(luò)進(jìn)行識(shí)別，準(zhǔn)確率較高。

首先獲取視頻圖像，計(jì)算兩幀灰度差值找出運(yùn)動(dòng)區(qū)域;使用團(tuán)塊檢測方法找出候選區(qū)域;然后對(duì)于候選區(qū)域進(jìn)行可變形的組件模型系統(tǒng)檢測，找到明確的目標(biāo)頭肩區(qū)域;對(duì)于頭肩區(qū)域進(jìn)行級(jí)聯(lián)系統(tǒng)檢測，找出目標(biāo)頭部區(qū)域;對(duì)于視頻圖像的頭部區(qū)域進(jìn)行HSV顏色空間轉(zhuǎn)換;在HSV顏色空間下，用神經(jīng)網(wǎng)絡(luò)對(duì)于頭部區(qū)域圖像進(jìn)行分類判斷，確定目標(biāo)是否佩戴安全帽;通過HSV顏色空間，判斷安全帽顏色;最后輸出頭部區(qū)域以及安全帽佩戴的檢測結(jié)果。本方法檢測結(jié)果精確，減小了檢測難度，提高了檢測效率。

（2）基于配電房監(jiān)控視頻中人員的面部圖像，識(shí)別出人員的身份，判斷人員是否為授權(quán)進(jìn)入配電房的人員。

首先在配電房入口處設(shè)置圖像采集區(qū)域，這樣是為了簡化問題，從而減輕系統(tǒng)的運(yùn)算壓力，減小問題的難度。接下來對(duì)采集區(qū)域內(nèi)的圖像進(jìn)行人臉采集，對(duì)發(fā)現(xiàn)的人臉進(jìn)行持續(xù)的追蹤，利用追蹤信息，持續(xù)獲取人臉信息，在獲取到一張足夠清晰，足夠大的人臉后，對(duì)人臉進(jìn)行識(shí)別，判斷進(jìn)入配電房內(nèi)的人員的身份，對(duì)未授權(quán)進(jìn)入配電房的人員，進(jìn)行報(bào)警。通過基于神經(jīng)網(wǎng)路的深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)，深度學(xué)習(xí)技術(shù)一方面能夠?qū)D像這類具備復(fù)雜結(jié)構(gòu)的數(shù)據(jù)抽象化，通過從中提取特征來簡化圖像識(shí)別一類的問題來降低解決問題的難度;另一方面，能夠自我學(xué)習(xí)訓(xùn)練提取特征的方式，避免人為指定特征，提高了針對(duì)不同場景問題的適用性并降低了解決問題的難度。

2 系統(tǒng)工作原理分析

2.1 追蹤采用KCF算法，算法過程

在第一幀視頻中指定需要追蹤的物體，通常，這一步使用檢測網(wǎng)絡(luò)在第一幀視頻中找出目標(biāo)物體，使用檢測網(wǎng)絡(luò)給出的bounding box坐標(biāo)指定物體。

在后續(xù)幀的視頻中，依據(jù)前一幀的物體坐標(biāo)，在坐標(biāo)附近尋找與前一幀物體最相似的一個(gè)物體，并給出該物體的坐標(biāo)。

2.2 識(shí)別神經(jīng)網(wǎng)絡(luò)

識(shí)別神經(jīng)網(wǎng)絡(luò)與檢測網(wǎng)絡(luò)結(jié)構(gòu)相同，但在最后輸出時(shí)，僅輸出物體類型，而不輸出物體坐標(biāo)。識(shí)別神經(jīng)網(wǎng)絡(luò)通過所有授權(quán)人員的圖像信息訓(xùn)練得到，因此能夠識(shí)別所有的授權(quán)人員，對(duì)所有的不認(rèn)識(shí)的人員，均認(rèn)為不是授權(quán)人員，報(bào)警。

訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)需要使用大量的數(shù)據(jù)，其中，檢測網(wǎng)絡(luò)可以和識(shí)別網(wǎng)絡(luò)使用同一套原始的訓(xùn)練數(shù)據(jù)，區(qū)別在于，檢測網(wǎng)絡(luò)使用完整的訓(xùn)練數(shù)據(jù)，標(biāo)注信息為人臉的坐標(biāo);識(shí)別網(wǎng)絡(luò)使用從數(shù)據(jù)中扣取出來的單獨(dú)的人臉，標(biāo)注信息為人員的身份信息。訓(xùn)練數(shù)據(jù)要求包含各個(gè)角度的人臉，因此采集數(shù)據(jù)，可以為每一位授權(quán)人員拍攝一段覆蓋各個(gè)角度的視頻，最后將視頻解幀，形成訓(xùn)練數(shù)據(jù)集。

2.3 最后的人工神經(jīng)網(wǎng)絡(luò)的部署運(yùn)行

通過攝像頭捕捉到的視頻會(huì)在解幀后傳遞給人臉檢測網(wǎng)絡(luò)，人臉檢測網(wǎng)絡(luò)得到的人臉會(huì)被持續(xù)追蹤，直到得到足夠清晰的人臉，接下來人臉識(shí)別網(wǎng)絡(luò)對(duì)人臉進(jìn)行識(shí)別，確定人員身份，并在比對(duì)模塊中和人員數(shù)據(jù)庫中的信息進(jìn)行比對(duì)，確認(rèn)人員是否擁有進(jìn)入配電房的權(quán)限，最終決定是否報(bào)警。

3 機(jī)器視覺智能識(shí)別技術(shù)應(yīng)用

3.1 高速動(dòng)態(tài)視覺圖像并行處理技術(shù)

采用新型內(nèi)存管道技術(shù)、硬盤內(nèi)存二次映射技術(shù)以及多線程并行處理等最新的高速處理，實(shí)現(xiàn)了每秒100幀百萬像素級(jí)圖像的采集、處理及存儲(chǔ)，完全滿足圖像的超高速處理的要求。

3.2 高性能異構(gòu)算法庫

采用獨(dú)創(chuàng)的自相似算法，針對(duì)隨機(jī)噪聲，利用圖像的自相似性的小波域的雙邊濾波去噪，不僅能夠有效實(shí)現(xiàn)去噪，還使圖像邊緣和對(duì)比度得到了增強(qiáng)，解決大規(guī)模圖像的特征識(shí)別問題，識(shí)別精度提高，可在雨雪等天氣下使用，受環(huán)境因素干擾小。

3.3 人工智能與深度學(xué)習(xí)

利用深度學(xué)習(xí)的分類和聚類算法，對(duì)各設(shè)備進(jìn)行建模識(shí)別，通過獨(dú)創(chuàng)的一種有效的語義哈希算法和基于稀疏自編碼的深度學(xué)習(xí)網(wǎng)絡(luò)，識(shí)別效果好、學(xué)習(xí)速度快，進(jìn)而實(shí)現(xiàn)在物體識(shí)別中的快速相似圖像查找，準(zhǔn)確高效地對(duì)圖像進(jìn)行預(yù)處理、定位、配準(zhǔn)、識(shí)別等步驟，適應(yīng)性強(qiáng)。

針對(duì)電力設(shè)備特征，采取以下方法進(jìn)行設(shè)備運(yùn)行狀態(tài)識(shí)別：（1）對(duì)電力設(shè)備的圖像，分別使用各種去噪、銳化算法，根據(jù)實(shí)驗(yàn)結(jié)果得到最佳的預(yù)處理方案。（2）主要電力設(shè)備都具有明顯的特征，通過顏色、紋理、模板匹配進(jìn)行圖像識(shí)別實(shí)驗(yàn)，并對(duì)模板匹配的算法進(jìn)行了比較分析。（3）對(duì)電力設(shè)備容易出現(xiàn)故障的區(qū)域進(jìn)行統(tǒng)計(jì)，可以得到電力設(shè)備的重點(diǎn)監(jiān)測區(qū)域。對(duì)設(shè)備圖像進(jìn)行二值化變換后，對(duì)該區(qū)域進(jìn)行差分和累計(jì)圖像處理，從而判斷該設(shè)備是否出現(xiàn)不正常情況。

4 結(jié)束語

機(jī)器視覺智能識(shí)別技術(shù)在10kV的應(yīng)用將大大提高晉江地區(qū)配電站房運(yùn)行和事故分析的管理水平與自動(dòng)化水平，尤其是發(fā)生故障事故時(shí)有效提高了分析處理的時(shí)效性和正確性，避免了事故擴(kuò)大，減少了經(jīng)濟(jì)損失。另外，系統(tǒng)的遠(yuǎn)方監(jiān)控功能大大提高了配電運(yùn)維人員的工作效率，并可及時(shí)發(fā)現(xiàn)和處理隱患，從而有力保證了電網(wǎng)的安全穩(wěn)定運(yùn)行。

參考文獻(xiàn)：

[1]牛乾，劉桂華，康含玉.一種基于智能機(jī)器視覺識(shí)別的工業(yè)探傷技術(shù)[J].信息技術(shù)與網(wǎng)絡(luò)安全，2018（02）.

[2]朱超平，楊藝.機(jī)器視覺中的激光智能識(shí)別技術(shù)[J].激光雜志，2018（08）.

[3]王憲，張彥，慕鑫，等.基于改進(jìn)的LBP人臉識(shí)別算法[J].光電工程，2012（07）.

[4]吳鳳和.基于計(jì)算機(jī)視覺測量技術(shù)的圖像輪廓提取方法研究[J].計(jì)量學(xué)報(bào)，2007（01）.