針對輸電線路周邊工程機械的防撞在線預(yù)警方法

陳超杰，謝偉，何林巍，田強，賀潤平，王哲斐

（1. 國網(wǎng)上海市電力公司青浦供電公司，上海 201799；2. 上海四量電子科技有限公司，上海 201415）

0 引言

隨著各類傳感器以及人工智能算法的不斷發(fā)展，電力設(shè)備狀態(tài)監(jiān)測的方式也實現(xiàn)了高度的自動化與智能化[1]。在眾多狀態(tài)監(jiān)測方式中，在線監(jiān)測方法是最為有效的方式之一，其不僅能夠反映電力設(shè)備的運行狀態(tài)，同時具備較高的實時性，可以起到設(shè)備異常預(yù)警的功能，方便工作人員提前發(fā)現(xiàn)設(shè)備缺陷。目前，在線監(jiān)測方法已經(jīng)在變電、配電領(lǐng)域大規(guī)模應(yīng)用，效果顯著[2]。

輸電環(huán)節(jié)作為電力傳輸過程中距離最遠(yuǎn)、電壓等級最高、環(huán)境最為復(fù)雜的部分，一直以來飽受各類安全威脅的困擾[3-6]。據(jù)統(tǒng)計，在引發(fā)輸電線路跳閘因素中，主要包括極端天氣、高大樹木、違章施工等，其中，人為的外力撞擊占比達到近四分之一[7-8]。在人為外力撞擊事件中，近80%是大型工程機械違章施工導(dǎo)致的，并且往往會產(chǎn)生永久故障點，不僅對電網(wǎng)安全穩(wěn)定運行產(chǎn)生嚴(yán)重威脅，而且對施工人員的人身安全危害極大[9-10]。因此，對輸電線路采取防撞預(yù)警措施是非常必要的。

一直以來，智能化的在線監(jiān)測方法在輸電領(lǐng)域的應(yīng)用一直較為薄弱。目前，輸電線路的防撞主要依靠人工現(xiàn)場巡線、人工后臺視頻監(jiān)控等方式，均需要耗費較多的人力資源，并且監(jiān)測覆蓋面較為有限[11]。目前已有多種關(guān)于輸電線路防撞在線預(yù)警的方法有多位學(xué)者提出了相關(guān)方案，如通過激光技術(shù)、紅外檢測技術(shù)等監(jiān)測輸電線路周圍異物的存在，但受環(huán)境影響較大，容易產(chǎn)生誤判[12]；通過視頻監(jiān)控設(shè)備獲取異物圖像并分析進行結(jié)果研判，但單一使用圖像數(shù)據(jù)，其識別精度有待提升[13-15]。

本文針對輸電線路防撞工作的現(xiàn)狀，提出了針對輸電線路周邊工程機械的防撞在線預(yù)警方法。該方法通過微波測距傳感模塊、攝像模塊等對被監(jiān)測區(qū)域進行實時監(jiān)測，當(dāng)監(jiān)測到運動目標(biāo)時，即提取該目標(biāo)的像素分布特征、形狀特征以及距離特征，并傳輸?shù)胶笈_服務(wù)器。后臺服務(wù)器接收到數(shù)據(jù)后，即通過特征數(shù)據(jù)庫以及模式識別算法對目標(biāo)的特征數(shù)據(jù)進行識別，進而輸出識別結(jié)果。

本文的創(chuàng)新點在于， 使用壓縮感知（compressed sensing，CS）算法實現(xiàn)異物目標(biāo)的高精度自動在線監(jiān)測與識別。CS 算法指出，對于一個具有稀疏性的信號，可以降頻采集并完整重構(gòu)。本文的識別結(jié)果數(shù)據(jù)具有較高的稀疏性，因此選用CS 算法完成模式識別環(huán)節(jié)，保證識別結(jié)果的高精度[16-17]。結(jié)果表明，本文提出的防撞在線預(yù)警方法，對于異物預(yù)警研判的準(zhǔn)確率可達96.34%，驗證了其有效性。

1 系統(tǒng)概述

本文提出的針對輸電線路周邊工程機械的防撞在線預(yù)警方法，在結(jié)構(gòu)上主要分為兩個部分：前端監(jiān)測模塊和后臺處理模塊，系統(tǒng)結(jié)構(gòu)如圖1 所示。

圖1 系統(tǒng)結(jié)構(gòu)

前端監(jiān)測模塊包括監(jiān)測傳感器、處理器以及通信模塊。監(jiān)測傳感器包含攝像模塊以及微波測距模塊，分別進行異物的圖像以及與線路距離數(shù)據(jù)的采集。當(dāng)前端處理器利用采集的被監(jiān)測區(qū)域的圖像數(shù)據(jù)，通過運動物體檢測算法識別出被監(jiān)測區(qū)域存在運動物體時，即通過該圖像提取異物的像素分布特征數(shù)據(jù)以及形狀特征數(shù)據(jù)，并記錄此時的測距數(shù)據(jù)，一起通過4G 通信模塊傳輸至后臺服務(wù)器。

后臺處理模塊包括后臺服務(wù)器以及預(yù)警模塊。后臺服務(wù)器接收到異物的特征數(shù)據(jù)時，即調(diào)取離線特征數(shù)據(jù)庫以及建模完成的壓縮感知識別算法，對異物是否具有威脅進行研判，并根據(jù)結(jié)果輸出預(yù)警結(jié)果，通過預(yù)警模塊執(zhí)行相應(yīng)的處理流程。

離線特征數(shù)據(jù)庫中為歷史上采集的異物目標(biāo)特征數(shù)據(jù)，其數(shù)據(jù)結(jié)構(gòu)與前端處理器采集的特征數(shù)據(jù)一致，并且包含異物的研判結(jié)果。每一次的識別均可對離線特征數(shù)據(jù)庫進行數(shù)據(jù)更新與學(xué)習(xí)，增強算法的識別能力。

2 識別目標(biāo)特征量提取

異物目標(biāo)特征量的有效提取是目標(biāo)精確模式識別的基礎(chǔ)，也是能否對撞擊威脅進行有效預(yù)警的關(guān)鍵。但系統(tǒng)檢測到監(jiān)測范圍內(nèi)存在運動物體時，即對該物體進行抓取，并提取其3 種特征：像素分布特征、形狀特征以及距離特征，為模式識別環(huán)節(jié)提供數(shù)據(jù)基礎(chǔ)。

2.1 運動目標(biāo)檢測

為節(jié)約系統(tǒng)軟、硬件資源，使特征量過程更為精確，系統(tǒng)利用攝像模塊進行監(jiān)測范圍內(nèi)運動目標(biāo)的檢測。

本文利用幀差法實現(xiàn)運動目標(biāo)檢測，即對比連續(xù)兩幀圖像的像素值差異，若差異像素點個數(shù)大于設(shè)定好的閾值，則認(rèn)為在這一時刻圖像中有物體在運動，并且變化像素點的集合即運動物體的像素點集合。這樣便完成了運動目標(biāo)檢測，同時也輸出了運動物體的像素點集合，后續(xù)的特征量提取也是在該集合范圍內(nèi)進行的。

2.2 像素分布特征提取

據(jù)輸電運檢單位統(tǒng)計，造成輸電線路撞擊事故的大型施工機械以大型吊車為主，其中，95%的吊車涂裝顏色為黃色或綠色。因此，本文抓住目標(biāo)的顏色特征，將目標(biāo)像素分布特征作為主要特征量之一。

圖像中的顏色通常由紅、綠、藍(lán)（RGB）三基色像素描述，每一種基色取值范圍為0～255。為了用一個值表征像素的顏色特征，本文將像素由RGB 空間轉(zhuǎn)換為HSV（hue、saturation、value）空間，即色調(diào)、飽和度、強度，取其中的色調(diào)（H）。RGB 與H值之間的轉(zhuǎn)換式如（1）式所示。

通過式（1）的轉(zhuǎn)換，每一個像素點均對應(yīng)一個H值。由此可以繪制出像素點分布特征圖。以圖2中抓取的吊車為例，像素分布特征圖如圖3 所示。

圖2 目標(biāo)形狀特征提取示意圖

圖3 像素分布特征圖

為更好地表征像素分布特征，并且使得像素總數(shù)不同的圖像之間有可比性，本文對像素點個數(shù)進行歸一化處理，即每一個H值對應(yīng)的像素點個數(shù)均除以像素點個數(shù)最大值。

2.3 形狀特征提取

對于吊車等大型機械，其形狀特征顯著區(qū)別于其他運動物體。因此，本文將目標(biāo)的形狀特征也作為主要特征量之一。

形狀特征的提取首先要繪制出目標(biāo)的最小矩形外框。將運動目標(biāo)像素集合中的像素點進行歐氏距離計算，將遍歷結(jié)果中最大值對應(yīng)的兩個像素點設(shè)為對角線端點，以此為基礎(chǔ)繪制最小矩形外框。然后，對矩形的長寬比進行計算，即可得到運動目標(biāo)的形狀特征數(shù)據(jù)。

2.4 距離特征提取

若監(jiān)測范圍內(nèi)出現(xiàn)的大型機械與輸電線路之間的距離處于安全范圍，此時針對該目標(biāo)發(fā)出防撞預(yù)警就會造成威脅處置資源的浪費。因此，本文將目標(biāo)的距離特征作為主要特征量之一。

距離特征的獲取通過成熟的微波測距模塊實現(xiàn)，輸出的值即目標(biāo)與輸電線路之間的距離值。

3 基于壓縮感知的目標(biāo)特征識別

本文算法在進行目標(biāo)特征識別時，是識別離線特征目標(biāo)數(shù)據(jù)庫中與本次目標(biāo)最為相似的目標(biāo)，包括以下兩種情況。

· 識別出的目標(biāo)類型為無威脅，那么本次目標(biāo)特征識別的結(jié)果為無威脅，無須工作人員對其進行確認(rèn)與處理。

· 識別出的目標(biāo)類型為有威脅，則對目標(biāo)的相似度設(shè)置閾值進行二次判斷，若超過閾值則本次目標(biāo)特征識別結(jié)果為威脅，需要工作人員進行處理，否則判定無威脅。

以上為本文目標(biāo)特征識別算法整體邏輯架構(gòu)。其中，最為核心的部分是離線特征目標(biāo)數(shù)據(jù)庫的識別，此步驟的精度直接影響最終結(jié)果的判斷。壓縮感知（CS）理論指出，若信號可以滿足稀疏性要求，則利用低于奈奎斯特采樣頻率采集的部分?jǐn)?shù)據(jù)，恢復(fù)信號的完整數(shù)據(jù)。本文將CS算法進行重新設(shè)計，利用其重構(gòu)數(shù)據(jù)的功能實現(xiàn)目標(biāo)特征的高精度識別。

3.1 CS 算法設(shè)計

對于一次目標(biāo)識別過程，系統(tǒng)需要采集由形狀特征、距離特征以及像素分布特征所構(gòu)成的302 維特征向量，如式（2）所示。

其中，第j個元素為1。

其中，Θ稱作傳感矩陣，維度為m×N。為體現(xiàn)CS算法的壓縮性，m遠(yuǎn)小于302。

式（7）即CS 算法的標(biāo)準(zhǔn)形式。已知T與Θ，即可重構(gòu)S。但是，高精度的重構(gòu)需要對Θ矩陣進行特殊的處理與構(gòu)建。

3.2 基于奇異值分解的傳感矩陣構(gòu)建

根據(jù)CS 算法原理，高精度的數(shù)據(jù)重構(gòu)需要Θ矩陣滿足限制等距性質(zhì)（restricted isometry property，RIP）[18]，即滿足：

F為變換后的傳感矩陣，由式（17）可得，F(xiàn)是一個部分正交矩陣，因此可以滿足RIP 條件。

綜上所述，利用檢測得到的x、高斯隨機矩陣Φ、離線數(shù)據(jù)庫Ψ，即可根據(jù)式（18）重構(gòu)特征數(shù)據(jù)提取向量S。

3.3 識別目標(biāo)優(yōu)化重構(gòu)

如上文所述，式（18）是一個欠定方程，因此無法直接解方程。由于被重構(gòu)向量S是稀疏度為1 的向量，本文將重構(gòu)問題轉(zhuǎn)化為最小l1范數(shù)優(yōu)化求解問題[21]，求解模型為：

優(yōu)化求解過程通過多次迭代逐步逼近原數(shù)據(jù)向量的原理，常用求解算法主要包括正交匹配追蹤（orthogonal matching pursuit，OMP）算法[22]、子空間追蹤（subspace pursuit，SP）算法[23]壓縮采樣匹配追蹤（compression sampling matching pursuit，CoSaMP）算法[24]以及廣義正交匹配追蹤（generalized orthogonal matching pursuit，GOMP）算法[25]等。本文使用這4 種求解算法以進行對比。

重構(gòu)得到的向量S可計為S′：

重構(gòu)的過程存在誤差，因此 ′S稀疏度并不是1，而是由一個接近1 的值加上若干較小非0 值組成的向量。本文選取向量中最大值對應(yīng)的元素位置選擇數(shù)據(jù)庫中最相似向量，并用該值與1 之間相似度作為目標(biāo)之間的相似度。

4 實驗驗證

4.1 實驗設(shè)置

為了驗證本文防撞在線預(yù)警方法的有效性，首先建立識別使用的離線特征數(shù)據(jù)庫以及用以驗證算法的測試數(shù)據(jù)庫。通過現(xiàn)場采集以及歷史留存樣本的處理，共建立了包含976 個樣本的離線特征數(shù)據(jù)庫以及包含273 個樣本的測試數(shù)據(jù)庫。數(shù)據(jù)庫中包含多種機械設(shè)備在多種環(huán)境下的樣本，可以涵蓋大多數(shù)的輸電線路大型機械撞擊事故的類型。實驗樣本圖像示例如圖4 所示。

圖4 實驗樣本圖像示例

在測試數(shù)據(jù)庫的273 個樣本中，具有威脅的樣本共有76 個，無威脅的樣本共197 個。

4.2 運動目標(biāo)檢測有效性驗證

本文在現(xiàn)場進行了運動目標(biāo)圖像采集，然后利用本文運動目標(biāo)檢測算法生成各運動目標(biāo)像素集合。為了檢驗算法有效性，同步對運動目標(biāo)圖像進行人工框取，生成檢驗集合，將其與運動目標(biāo)像素集合進行像素相似度對比，不同類型運動目標(biāo)檢測準(zhǔn)確率見表1。

表1 不同類型運動目標(biāo)檢測準(zhǔn)確率

從表1 可以看出，本文運動目標(biāo)檢測算法對于大型吊車的檢測準(zhǔn)確率可達95%左右，這是因為吊車吊臂高度較高，因此該部分的背景圖像較為單一，幀差法檢測效率更高。

4.3 壓縮感知目標(biāo)特征識別結(jié)果及分析

從第2 節(jié)算法策略的描述可得出，壓縮感知算法直接輸出的是相似度值，最終結(jié)果的判定需要相似度值與設(shè)定的閾值進行對比。因此，不同的閾值對算法輸出結(jié)果的準(zhǔn)確性影響是較為顯著的。因此，本文在測試時針對不同閾值下的識別準(zhǔn)確度進行統(tǒng)計。為了驗證本文CS 算法的有效性，在測試中選取了BP（back propagation）神經(jīng)網(wǎng)絡(luò)以及K-近鄰（K-nearest neighbor，KNN）兩種模式識別算法，用以進行對比驗證。識別測試結(jié)果如圖5 所示。

圖5 識別測試結(jié)果

從圖5 可以看出，3 種算法識別準(zhǔn)確率的變化趨勢均是隨著閾值的增加先升后降的。CS、BP、KNN 3 種算法達到準(zhǔn)確率最大值的閾值分別為86%、80%、78%，對應(yīng)的識別準(zhǔn)確率分別為96.34%、91.94%、87.55%。

由以上結(jié)果可以看出，本文CS 算法的識別效果是具有一定優(yōu)勢的，其不僅有最大的準(zhǔn)確率，同時對應(yīng)的閾值也是最大的。這說明CS 算法在識別目標(biāo)時，均能夠輸出較高的相似度值，那么當(dāng)閾值變低時，就會使得“誤判”的情況變多，而當(dāng)閾值變高時，并不會造成過多“漏判”。因此，CS 算法具有最高的魯棒性。

為了探究CS 算法中重構(gòu)優(yōu)化求解算法的選取對算法識別準(zhǔn)確度的影響，本文選取OMP、SP、CoSaMP、GOMP 4 種求解算法進行對比驗證。相似度閾值選取86%，測試各算法在不同m值下的十倍準(zhǔn)確率，4 種求解算法準(zhǔn)確率對比如圖6 所示。

圖6 4 種求解算法準(zhǔn)確率對比

從圖6 可以看出，當(dāng)m＜5 時，識別準(zhǔn)確率較低，當(dāng)m＞10 后，識別準(zhǔn)確率區(qū)域穩(wěn)定值。OMP 算法的識別準(zhǔn)確率顯著高于其他3 種求解算法，因此本文CS 算法中的求解算法選取OMP算法。

4.4 針對不同工程機械樣本的識別結(jié)果及分析

為探究本文算法對于不同類型工程機械的識別性能，使用317 個黃色涂裝吊車樣本、265 個綠色涂裝吊車樣本以及283 個其他工程機械樣本，對本文算法進行測試，不同類型樣本識別準(zhǔn)確率如圖7 所示。

圖7 不同類型樣本識別準(zhǔn)確率

從圖7 可以得到，黃色涂裝吊車、綠色涂裝吊車以及其他物體的識別準(zhǔn)確率分別達到了97.56%、96.77%、92.17%，說明本文算法對于大型吊車的識別準(zhǔn)確率較高，這是因為在3 個特征量中，H值分布向量、最小矩形長寬可以直接反映大型機械的顏色特點和形狀特點。因此，本文算法在實際應(yīng)用中的識別作用是較為可靠的。

5 結(jié)束語

本文針對輸電線工程機械路防撞問題，提出了針對輸電線路周邊工程機械的防撞在線預(yù)警方法。該方法利用攝像機、微波傳感器對監(jiān)測范圍內(nèi)的運動目標(biāo)進行特征量提取，包括像素分布特征、形狀特征以及距離特征，然后利用壓縮感知算法對目標(biāo)進行研判，輸出預(yù)警結(jié)果。通過本文設(shè)計的實驗，可以得到以下幾個結(jié)論。

（1）本文算法在設(shè)計上主要針對大型的施工機械進行識別，識別精度可以達到96.34%，有效保證了輸出的預(yù)警信息可靠性，為運檢部門及時做出相應(yīng)處置措施、提前消除隱患建立了基礎(chǔ)。

（2）本文使用的壓縮感知算法識別準(zhǔn)確率顯著高于其他模式識別算法，并且具有最高的魯棒性，算法性能優(yōu)異。

（3）在輸電線路的外力撞擊事故中，近80%來源于大型施工機械，這正是本文算法主要針對的識別類型。因此，本算法在輸電線路運檢工作中具有較好的可推廣性。