基于機(jī)器學(xué)習(xí)和圖像識(shí)別的電力作業(yè)現(xiàn)場(chǎng)安全監(jiān)督策略

張航?戴志敏

摘要：電力生產(chǎn)作業(yè)涉及到的工作內(nèi)容較多，且生產(chǎn)作業(yè)流程復(fù)雜性強(qiáng)，導(dǎo)致工作的危險(xiǎn)性有所提高。為保證現(xiàn)場(chǎng)工作人員的安全性，需確保人員遠(yuǎn)離處于高壓實(shí)驗(yàn)等環(huán)境中的電力設(shè)備，為實(shí)現(xiàn)以上目標(biāo)，安全監(jiān)督工作必不可少，通過(guò)利用HOG特征提取以及SVM算法，并結(jié)合OpenCV圖像處理技術(shù)，能夠進(jìn)一步實(shí)現(xiàn)電力作業(yè)現(xiàn)場(chǎng)安全監(jiān)督的自動(dòng)化及智能化，準(zhǔn)確識(shí)別安全區(qū)域及境界區(qū)域的人員進(jìn)入情況，有效提升電力行業(yè)的安全生產(chǎn)水平。

關(guān)鍵詞：機(jī)器學(xué)習(xí);圖像識(shí)別;現(xiàn)場(chǎng)安全監(jiān)督

開展電力作業(yè)的過(guò)程中，受到電力系統(tǒng)運(yùn)行環(huán)境、高壓設(shè)備及人為操作等因素的影響，會(huì)增加工作人員的安全風(fēng)險(xiǎn)。為保證電力生產(chǎn)人員的人身安全，降低安全事故的發(fā)生概率，需要合理劃分危險(xiǎn)區(qū)域，嚴(yán)禁現(xiàn)場(chǎng)人員隨意進(jìn)出，工作人員應(yīng)增強(qiáng)安全防護(hù)意識(shí)，加強(qiáng)研究和探索基于機(jī)器學(xué)習(xí)和圖像識(shí)別的檢測(cè)方法，提高電力作業(yè)現(xiàn)場(chǎng)的安全監(jiān)督能力，促進(jìn)電力行業(yè)穩(wěn)定有序發(fā)展。

1.HOG特征提取的實(shí)際應(yīng)用原理

文中針對(duì)電力作業(yè)現(xiàn)場(chǎng)開展安全監(jiān)督工作時(shí)，主要利用HOG特征進(jìn)行人員檢測(cè)，HOG特征具有光學(xué)不變形以及幾何形狀不變的基本特點(diǎn)，與此同時(shí)，配合使用SVM方法完成分類識(shí)別任務(wù)。工作人員需將電力作業(yè)現(xiàn)場(chǎng)特定的樣本集引入訓(xùn)練分類器中，從而在一定程度上提高檢測(cè)工作的準(zhǔn)確性。當(dāng)完全幀的人員檢測(cè)工作結(jié)束后，將OpenCV圖像處理技術(shù)作為主要依托，合理處理得到的數(shù)據(jù)信息，針對(duì)設(shè)定的警戒區(qū)域而言，應(yīng)做好合理劃分及提取工作，明確在以上區(qū)域內(nèi)是否有無(wú)關(guān)人員闖入，為安全監(jiān)督提供科學(xué)依據(jù)。

2.SVM算法的熟練掌握

SVM具體指支持向量機(jī)，是一種以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的機(jī)器學(xué)習(xí)方法。為了讓低維空間能夠達(dá)到線性可分的目的，應(yīng)合理選擇核函數(shù)幫助其完成向高維空間的轉(zhuǎn)換。在以上工作得到全面落實(shí)的前提下，尋找相應(yīng)的最優(yōu)超平面，從而實(shí)現(xiàn)二分類目標(biāo)，通常情況下，應(yīng)用于劃分超平面的線性方程如式（1）所示：

（1）

在（1）中，=（ω1 ， ω2 ， …ωd ）表示法向量，實(shí)際作用是明確超平面的方向，其中b表示位移項(xiàng)，用來(lái)明確超平面和原點(diǎn)之間的距離。

3.人員闖入檢測(cè)算法在電力作業(yè)現(xiàn)場(chǎng)安全監(jiān)督中的實(shí)際應(yīng)用

3.1人員闖入檢測(cè)算法的應(yīng)用原理

為實(shí)現(xiàn)人員闖入檢測(cè)，需合理運(yùn)用基于OpenCV的圖像處理技術(shù)。結(jié)合實(shí)際需求設(shè)置相應(yīng)的程序，并嚴(yán)格按照程序要求合理劃分警戒區(qū)域，通常在獲取同原視頻幀相同像素尺寸參數(shù)的掩模圖像過(guò)程中，利用漫水填充算法，在所有的警戒區(qū)域內(nèi)進(jìn)行白色填充，而將警戒區(qū)域外填充為黑色，明確是否有人闖入警戒區(qū)的主要依據(jù)為得到的掩模圖像。通過(guò)分析人員闖入的實(shí)際情況，結(jié)合對(duì)識(shí)別點(diǎn)在掩模圖像中同坐標(biāo)點(diǎn)的像素取值關(guān)系的分析，為人員矩形框是否進(jìn)入警戒區(qū)域提供依據(jù)。當(dāng)識(shí)別點(diǎn)的像素值為（0，0，0）時(shí)，則說(shuō)明人員未闖入警戒區(qū)域，而識(shí)別點(diǎn)像素值為（255，255，255）時(shí)，說(shuō)明有人員進(jìn)入警戒區(qū)域內(nèi)。

3.2正確選取識(shí)別點(diǎn)

選取識(shí)別點(diǎn)時(shí)，要求在完全幀背景下完成，開展人員信息的檢測(cè)工作，利用矩形框表示檢測(cè)人員。由于在實(shí)際檢測(cè)過(guò)程中，矩形框與人相比，整體面積較大，為保證檢測(cè)的準(zhǔn)確性及可靠性，需合理明確矩形框與人體之間存在的誤差值，設(shè)定為矩形框長(zhǎng)或者寬的?。在矩形框中合適的位置設(shè)置四個(gè)識(shí)別點(diǎn)，對(duì)人員闖入情況進(jìn)行簡(jiǎn)單模擬，一旦在警戒區(qū)內(nèi)發(fā)現(xiàn)任何一個(gè)識(shí)別點(diǎn)，可以判定有人員闖入警戒區(qū)內(nèi)。

4.基于機(jī)器學(xué)習(xí)和圖像識(shí)別的電力作業(yè)現(xiàn)場(chǎng)安全監(jiān)督實(shí)驗(yàn)流程

4.1SVM分類器訓(xùn)練具體環(huán)節(jié)及要點(diǎn)

在本次實(shí)驗(yàn)過(guò)程中，實(shí)際運(yùn)行環(huán)境為VS2017+OpenCV2.4.1，利用SVM分類器的過(guò)程中，將INRIA樣本集作為訓(xùn)練集，樣本集包含很多樣本圖像，主要有正樣本圖像及負(fù)樣本圖像兩大類，數(shù)量分別為2416及1218。SVM分類器訓(xùn)練流程如下：首先，獲取樣本，即正樣本圖像及負(fù)樣本圖像，做好樣本HOG特征的提取工作，之后進(jìn)行統(tǒng)一保存;其次，合理調(diào)整SVM參數(shù)，通過(guò)相應(yīng)的訓(xùn)練得到SVM分類器;再次，在系統(tǒng)中載入需要檢測(cè)的圖像，如果準(zhǔn)確率能夠符合預(yù)期要求，及時(shí)保存檢測(cè)結(jié)果，若出現(xiàn)不符合規(guī)定標(biāo)準(zhǔn)的情況，需分析誤檢范圍，并做好該區(qū)域內(nèi)的圖像提取工作，將得到的圖像作為負(fù)樣本調(diào)整SVM參數(shù)、訓(xùn)練以及獲得SVM分類器，直到準(zhǔn)確率達(dá)到要求為止。

4.2人員檢測(cè)實(shí)驗(yàn)結(jié)果初步分析

工作人員應(yīng)充分利用得到的分類器開展檢測(cè)工作，主要檢測(cè)電力作業(yè)現(xiàn)場(chǎng)的圖像。在本次實(shí)驗(yàn)中，利用綠色框代表檢測(cè)到的人員信息，通過(guò)分析檢測(cè)結(jié)果可以發(fā)現(xiàn)，會(huì)得到很多誤檢的綠色矩形框，影響檢測(cè)結(jié)果的可靠性。為降低一些偶然因素帶來(lái)的不良影響，可以選擇50張現(xiàn)場(chǎng)圖開展相應(yīng)的測(cè)試工作，經(jīng)過(guò)專業(yè)統(tǒng)計(jì)，得到最終的檢測(cè)準(zhǔn)確率可達(dá)76%。

4.3提高檢測(cè)準(zhǔn)確率得到最終結(jié)果

因?yàn)殡娏ψ鳂I(yè)現(xiàn)場(chǎng)環(huán)境的變化很小，可以對(duì)誤檢結(jié)果進(jìn)行重復(fù)利用，在誤檢結(jié)果中加入負(fù)樣本集，重新進(jìn)行訓(xùn)練。針對(duì)電力作業(yè)現(xiàn)場(chǎng)而言，具備較強(qiáng)的特定性，將得到的分類器應(yīng)用在此類場(chǎng)景中，能夠體現(xiàn)較高的魯棒性。將以上理論作為主要依托，可以單獨(dú)截取誤檢區(qū)的圖像，共200張，結(jié)合負(fù)樣本進(jìn)行訓(xùn)練，針對(duì)得到的分類器開展檢測(cè)工作，得到最終的檢測(cè)結(jié)果，通過(guò)分析檢測(cè)結(jié)果可以發(fā)現(xiàn)，人員檢測(cè)準(zhǔn)確率較高。實(shí)驗(yàn)人員針對(duì)選取的50張現(xiàn)場(chǎng)圖再次進(jìn)行測(cè)試，得到準(zhǔn)確率為92%。最后進(jìn)行人員闖入檢測(cè)實(shí)驗(yàn)，利用綠色框表示安全區(qū)域人員，紅色框表示警戒區(qū)域人員，黑色框表示警戒區(qū)域范圍，可以得到最終檢測(cè)結(jié)果。

結(jié)語(yǔ)：為提升電力作業(yè)現(xiàn)場(chǎng)的安全監(jiān)督水平，需做好基于機(jī)器學(xué)習(xí)和圖像識(shí)別的學(xué)習(xí)和應(yīng)用。通過(guò)HOG與SVM的有機(jī)結(jié)合，開展人員檢測(cè)工作，在此基礎(chǔ)上合理運(yùn)用OpenCV圖像處理技術(shù)明確在警戒區(qū)域內(nèi)是否有人員闖入。電力作業(yè)現(xiàn)場(chǎng)安全監(jiān)督人員應(yīng)了解和掌握HOG特征提取以及SVM分類器工作流程，熟練掌握相關(guān)的算法，采用以上方式可以有效簡(jiǎn)化計(jì)算程序，為安全監(jiān)督工作的順利開展提供充足依據(jù)。

參考文獻(xiàn)

[1]羅世剛、安旭東、周盛成、黎啟明、羅景鴻.基于機(jī)器學(xué)習(xí)的圖像識(shí)別技術(shù)在電能表中的應(yīng)用[J].電子世界，2020（20）：3.

[2]王敬平、姜鑫、黃子君、周潔.基于機(jī)器學(xué)習(xí)的SAR圖像目標(biāo)識(shí)別方法[J].電子技術(shù)與軟件工程，2020（17）：2.