基于多源數(shù)據(jù)的電力作業(yè)人員實時行為安全預警

張 楠，李溫靜，劉 彩，謝 可，馬世乾，肖鈞浩，鄒 楓

（1.國網(wǎng)信息通信產業(yè)集團有限公司，北京 102211; 2.國網(wǎng)天津市電力公司，天津 300010）

0 引 言

近年來，我國的電力行業(yè)得到了前所未有的發(fā)展，各種電力系統(tǒng)中的復雜任務在人工智能的輔助下取得突破。一直以來，電力能源安全被視為國家高質量發(fā)展、改善人民生活水平和社會長治久安的一個關鍵問題，“十三五”期間，我國電網(wǎng)輸送能力由2015 年的1.1 億kW 提高到2020 年的2.3 億千瓦kW，其中特高壓占比高達61%［1］。相應地，全國用電量從2015年5.74 萬億kW·h 提升至2021 年8.11 萬億kW·h，并且呈現(xiàn)穩(wěn)步增加的趨勢。國家“十四五”規(guī)劃中的5G基站建設、東數(shù)西算數(shù)據(jù)中心、新能源電動汽車以及八縱八橫的高鐵項目建設都是用電需求量較大的項目，電力供應保障便是項目建設的前提。與此同時，在國家電網(wǎng)項目建設過程中，仍時而發(fā)生電力物聯(lián)網(wǎng)作業(yè)人員安全事故。因此，建立一個電力作業(yè)人員的實時行為安全預警系統(tǒng)具有重要的意義。

據(jù)國家能源局截至2021年10月全國電力安全生產情況數(shù)據(jù)統(tǒng)計，我國每年都會發(fā)生數(shù)十起電力安全事故，導致幾十名作業(yè)人員死亡，從側面反映出我國電力安全生產中的不足，例如：電力作業(yè)人員工作流程不規(guī)范、作業(yè)人員安全意識不足等。據(jù)杜邦公司對安全生產事故的統(tǒng)計，作業(yè)人員的不安全行為導致事故率高達96%［2］。海因里希曾對美國75000 起工業(yè)安全事故進行調查得知作業(yè)人員的不安全行為導致的事故占88%，其中98%的事故是通過預防可以避免的［3］。我國對于安全事故統(tǒng)計研究表明，作業(yè)人員的不安全行為導致的事故占總體的85%［4-5］。因此對作業(yè)人員的不安全行為進行預警，可以有效地降低安全事故的發(fā)生［6-7］。

市政建筑工程地基施工需要開挖較深的基坑，對于地下水資源較為豐富的地區(qū)，例如我國南方多雨地區(qū)，地下水資源不僅豐富，而且水層較淺，再加上常年多雨，充足的雨水勢必會對地基工程施工產生較大的影響。所以對于這些地區(qū)，尤其在雨季進行施工時，必須做好現(xiàn)場防水、排水工作。但是在實際作業(yè)中，很多建筑企業(yè)并沒有采取科學的保護措施，導致地基進水，不僅影響施工進度，而且也會嚴重影響地基結構質量。所以在市政建筑工程地基施工中必須及時清理深基坑內的積水，同時做好防水和排水設施，保證基坑無積水。另外對于被水浸泡過的土層也要做好清理和加固工作。

SP型衰減年夏季,歐亞地區(qū)中高緯環(huán)流表現(xiàn)為“西低東高”的環(huán)流形勢,在低緯度地區(qū),副高偏強偏北,夏季風偏強,黃河以南地區(qū)為負距平(圖7b)。南海到西北太平洋反氣旋式的水汽通量距平環(huán)流加強了,受副高偏強偏北和東亞夏季風總體偏強的影響,來自低緯地區(qū)的暖濕水汽向我國腹地輸送,西北、華北存在水汽輻合(圖7d),冷暖氣流在西北、華北交匯,使得該區(qū)域降水偏多,而長江以南降水明顯偏少,夏季降水總體呈現(xiàn)“北多南少”的分布型。

2014年1月17日，連任中國乒協(xié)主席；同年1月21日，當選為新一任中國足球協(xié)會主席；同年1月24日，連任中國羽毛球協(xié)會主席成功。

值得注意的是，隨著電子芯片的微型化以及互聯(lián)網(wǎng)的高效傳輸，人們可以通過一些便攜式攝像頭實時獲取現(xiàn)場畫面，并及時作出決策［8］。與此同時，深度學習在圖像視頻識別領域獲得了較大進展［9］。本文針對當前電力作業(yè)人員的在電力施工作業(yè)時面臨的安全問題，結合電力物聯(lián)網(wǎng)環(huán)境提出一種基于R3D模型和云平臺的電網(wǎng)作業(yè)人員實時行為安全預警技術。通過多個便攜式攝像頭捕捉不同角度的電力物聯(lián)網(wǎng)作業(yè)人員實時行為畫面?zhèn)鬏數(shù)诫娏Ψ治鲈破脚_，通過R3D 模型進行多源數(shù)據(jù)融合決策，識別出由于作業(yè)人員行為不規(guī)范可能導致的安全事故，進一步通過現(xiàn)場廣播告知作業(yè)人員，同時將現(xiàn)場畫面同步傳輸至安全生產調度室進行監(jiān)督。

1 國內外研究現(xiàn)狀

電力作業(yè)人員行為安全預警分為行為識別和安全預警2 個模塊，其核心是人員的行為識別模塊。行為識別模塊有2 個重要因素：人員外部形象和運動軌跡［10］。想得到良好性能的識別及預警系統(tǒng)，需要從這2 個方面提取有效的信息，然而，行為識別及安全預警模塊在處理視頻時，往往伴隨而來的是高復雜的信息與干擾。國內外對于人員行為預警方法有許多研究，現(xiàn)有文獻主要從傳統(tǒng)機器學習和深度學習2 個方面進行研究。

1.1 基于傳統(tǒng)機器學習的人員行為安全預警

基于傳統(tǒng)機器學習的作業(yè)人員行為安全預警主要是應用支持向量機（SVM）、特征組合等方式進行預警。文獻［11］將人的不安全行為檢測歸納為人身檢測、侵入性檢測和多人協(xié)同作業(yè)檢測3 個方面來分析不安全行為檢測預警。其人身檢測采用SVM 與方向梯度直方圖（HOG）特征組合的方法進行判斷。他們的侵入性檢測采用基于視頻監(jiān)控、傳感器以及現(xiàn)場人員反饋信息的多源數(shù)據(jù)融合方法進行判斷。同時，文獻［11］中也提到了多人協(xié)同作業(yè)采用多監(jiān)控協(xié)同檢測方法，是對圖像中人員數(shù)量與間隔實時判斷。通過地鐵施工不安全行為檢測框架對施工不安全行為進行實時檢測。該方法能夠識別安全帽及危險區(qū)域等，但無法分析出作業(yè)人員的行為是否存在安全問題。

通過三個案例分析我們看出鄰避運動的產生經濟利益是一個重要的因素，無論是想拆遷的村民、房價被影響了的高檔小區(qū)居民，給予一定的經濟補償?shù)拇_是一個重要的措施。再者，作為環(huán)境不公的受害者，經濟利益的補償也解決環(huán)境不公的重要途徑。但通過阿蘇衛(wèi)的例子我們發(fā)現(xiàn)，經濟補償一個還涉及補償標準與補償范圍。就如設定的補償范圍是半徑5公里以內的居民，那么5.1公里的居民就不會受到損害嗎？這個范圍以外的居民的損害通常的把不到補償，這也是為什么阿蘇衛(wèi)附近中高檔小區(qū)居民反對垃圾焚燒廠如此決絕的重要原因。

文獻［12］提出一種基于機器學習和圖像識別的電力作業(yè)現(xiàn)場安全監(jiān)督。通過梯度方向直方圖和向量機來開展完全幀人員檢測工作，最后通過OpenCV圖像處理技術分析人員是否已進入警戒區(qū)域。然而該方法主要針對作業(yè)人員是否闖入警戒區(qū)域進行識別，不能針對電力作業(yè)人員的違規(guī)動作進行識別。

1.2 基于深度學習的人員行為安全預警

近些年來，隨著深度神經網(wǎng)絡的深入研究與不斷創(chuàng)新，在圖像處理領域取得了很多成就。深度學習在圖像處理上的優(yōu)越性、高效性，使得學者們將其引入面向視頻的行為識別領域［13］。

BP 神經網(wǎng)絡是常用的一種網(wǎng)絡形式，文獻［14］提出的預警系統(tǒng)由4 個二級指標及17 個三級指標構成的評價體系能有效地對建筑工人的安全行為進行評價和預警，將安全狀態(tài)分為優(yōu)秀、良好和較差3 種情況，采用反向傳播（BP）神經網(wǎng)絡，然而該預警模型是通過對建筑工人的問卷調查等情況進行評價，無法對建筑工人進行實時監(jiān)控，提供作業(yè)時的安全保護。文獻［15］采用事故統(tǒng)計分析、文獻分析、質性訪談方法獲取不安全行為影響因素，從組織、個人、外在環(huán)境、設備4 個方面建立不安全行為預警指標體系，建出“23-9-4”3 層結構的BP 神經網(wǎng)絡預警模型，然而該預警模型是提前預測、防控不安全行為狀態(tài)，無法對建筑工人的實時安全行為進行預測。類似地，文獻［16］利用BP神經網(wǎng)絡對于高海拔隧道施工人員的不安全行為進行預警，也存在上述的一些問題。

文獻［17］通過YOLOv4 網(wǎng)絡模型識別井下人員佩戴安全帽情況，再通過OpenPose算法及ST-GCN模型對監(jiān)控視頻中的礦工行為進行識別。該井下人員不安全行為識別與預警系統(tǒng)為井下人員的安全管理提供了新的思路。由于ST-GCN 模型存在行為識別精度偏低的問題，所以以R3D 為核心技術，構建生成了一個云平臺，該云平臺用于實時分析處理從施工現(xiàn)場捕獲的電力物聯(lián)網(wǎng)作業(yè)人員實施作業(yè)畫面，當模型檢測出可能存在危險動作或違規(guī)行為時能夠及時發(fā)出預警。文獻［18］提出一種基于深度學習的電力作業(yè)人員行為識別技術。通過OpenPose 的危險識別技術，通過對電力作業(yè)人員骨骼關鍵點信息進行姿態(tài)感知并實時對施工人員的違規(guī)行為進行檢測識別發(fā)出警告。然而該方法只能對預設數(shù)據(jù)集標注的站立、走路、跳躍、摔倒和下蹲5 個動作進行識別，這種方法在面對復雜的電力環(huán)境下識別有限。

文獻［19］提出一種基于深度學習的電力作業(yè)異常行為識別系統(tǒng)的設計與實現(xiàn)。通過一種基于雙流Faster R-CNN 的目標檢測方法，實現(xiàn)了電力作業(yè)現(xiàn)場的目標檢測功能，主要檢測在作業(yè)時電力工人是否按照電工安全操作規(guī)程的要求正確穿戴必須的安全防護物件。然而該方法仍是針對作業(yè)人員的安全佩戴進行檢查，無法有效地對作業(yè)人員的行為進行監(jiān)測。

1.3 基于其他領域方法的人員行為安全預警

不僅是在計算機視覺領域，在人員行為安全預警任務上，也可以利用其他技術。文獻［20］從作業(yè)人員實時位置數(shù)據(jù)、作業(yè)人員屬性及裝備數(shù)據(jù)、作業(yè)人員危險動作數(shù)據(jù)出發(fā)，構建了基于BIM（建筑信息模型）技術和定位技術的地鐵施工事故預警系統(tǒng)，通過采集層、數(shù)據(jù)輸入層、數(shù)據(jù)處理層、模型應用層等4 大層級結構進行安全預警。然而該文只是停留在理論階段的分析，還無法通過實驗進行驗證。

綜上一些現(xiàn)有文獻對于作業(yè)人員行為安全預警方法，對不同場景下的不同任務進行了研究，從傳統(tǒng)的機器學習到深度學習等都或多或少存在識別準確率低、難以匹配現(xiàn)實高復雜度場景、無法實時識別行為模式等問題。本文針對上述可能存在的問題，提出一種基于多源數(shù)據(jù)融合的電力作業(yè)人員安全預警方法。

2 問題描述

針對電力物聯(lián)網(wǎng)領域的多模態(tài)作業(yè)人員行為安全預警任務，抽象其問題描述?？紤]一個需要執(zhí)行電力作業(yè)安全預警任務的場地L，其中有n個可供預警的攝像頭C={Ci，i= 1，2，…，n}，對于任意的C∈iC，其對應的角度參數(shù)為θi，在可控決策區(qū)間內（按電力作業(yè)任務劃分），其所拍攝的電力作業(yè)視頻素材（場地L上的實時預警監(jiān)控）被定義為。進一步地根據(jù)預設間隔τ，將按τ間隔進行切幀，在篩選掉異常值后得到一組可供決策的圖像序列?，F(xiàn)有訓練 完 備 的 多 角 度 神 經 網(wǎng) 絡 模 型Mi={Mi，j，j= 1，2，…，l}，每一組圖像序列都將被輸入對應的模型中并且得出預測值Ai，k，整理后整體預測向量被定義為Ak。值得注意的是，這里的多角度電力人員行為安全預測結果是以概率的形式輸出，并且對于常規(guī)的決策級融合算法，融合結果一般被描述為：

公式（10）表明第L層的梯度可以直接傳到任何一個比它淺的層，且訓練過程中不可能一直為-1，故該殘差神經網(wǎng)絡不存在梯度消失的問題。

進入新世紀，互聯(lián)網(wǎng)行業(yè)開始爆發(fā)，已過而立之年的李彥宏、馬云、馬化騰長袖善舞，“BAT”比肩接踵，并行者當然還有京東。4G時代，移動互聯(lián)網(wǎng)攻城略地，大殺四方。一個自稱“新聞搬運工”的理工男張一鳴，只做了一個“今日頭條”就足以笑傲媒體江湖……

第五步：安全預警。當模型決策出此刻作業(yè)人員的行為可能存在危險性或者不規(guī)范時，一方面將現(xiàn)場畫面?zhèn)魉椭涟踩{度室的電腦上進行監(jiān)督整改，另一方面通過現(xiàn)場廣播對作業(yè)人員發(fā)出預警，及時預防安全事故的發(fā)生。

進一步地對于每一個攝像頭權重的更新，可以簡化被描述為：

其中，w'i為更新后的權重，ri為當前預測的樣本類別與Mi模型預測類別的異或，σ為預測錯誤模型的權重調整參數(shù)，α為預測正確模型的權重偏置，它可以被如下公式計算：

現(xiàn)階段我國會計師事務所的業(yè)務狀況普遍呈現(xiàn)出“業(yè)務單一、傳統(tǒng)服務占主體地位”的情況，所以，會計師事務所依然是以財務報表審計、驗資等業(yè)務為主，同時業(yè)務拓展能力十分有限。而普華永道(PWC)、畢馬威(KPMG)等“四大”事務所的審計業(yè)務收入與非審計業(yè)務基本達到了均衡的狀態(tài)，業(yè)務領域更是轉向了非審計服務方面，因而會計師事務所多層次發(fā)展的思考與對策對會計師事務所的持續(xù)發(fā)展是十分有益的。

其本質即減少預測錯誤模型的權重再按預測正確模型的權重占比進行重新分配。本文中還使用了感知機模型來進行融合預測，即將多個模型給出的結果作為數(shù)據(jù)輸入新的網(wǎng)絡中，由訓練完備的分類網(wǎng)絡給出合適的預測值。

為了更清晰地描述這個問題，本文給出其具體結構化描述：

1）輸入：（1）用于實際預警的反饋區(qū)間參數(shù)，即可控決策區(qū)間；（2）第i個攝像頭所拍攝的視頻素材（場地L上的實時預警監(jiān)控）V k i；（3）預設切幀間隔τ；（4）訓練完備的多角度神經網(wǎng)絡模型Mi={Mi，j，j= 1，2，…，l}；（5）訓練完備的感知機模型。

2）輸出：基于多角度模型的行為安全識別預測值，由決策級融合得到。

3）目標：在感知機結構下的融合，需要對融合網(wǎng)絡誤差最小化。在一般的加權融合過程中，需要對預測正確模型的收益進行最大化，即:

但是這些措施基本沒有達到任何效果。嘉慶中期之后，八旗子弟已經徹底腐化，宗室隊伍中，出現(xiàn)越來越多的敗類。在清查天理教起義的過程，嘉慶皇帝驚訝地得知，宗室之中，竟然也有加入邪教者！

3 基于R3D的人員安全預警方法

以R3D 為核心技術，構建生成一個云平臺。該云平臺用于實時分析處理從施工現(xiàn)場捕獲的電力物聯(lián)網(wǎng)作業(yè)人員實施作業(yè)畫面，當模型檢測出可能存在危險動作或違規(guī)行為時能夠及時發(fā)出預警。

3.1 基于R3D的行為識別及安全預警解決方案

本文基于R3D 建立的模型分為5 個步驟進行實現(xiàn)，如圖1所示。

其中，AL，k為加權融合后的決策值，Ai，k為第i個安全預警攝像頭提供的素材對應的預測值，wi為第i個攝像頭被賦予的權重，這里的權重與模型在角度為θi的攝像頭所獲得數(shù)據(jù)的表現(xiàn)有所聯(lián)系。為了有效衡量權重選擇的正確與否，定義效果指標PF，其具體計算為：

圖1 基于R3D的行為識別的組織結構圖

第一步：數(shù)據(jù)采集、清洗。將從不同數(shù)據(jù)源采集的數(shù)據(jù)進行融合，按照步長將視頻提取圖像幀，對圖像幀進行裁剪，使其成為同一尺寸的圖像幀，利于批量照片預處理；而后將圖像幀降噪，減少數(shù)字圖像中噪聲以便后續(xù)機器學習可以從中獲得更多信息；最后將圖像幀進行增強使數(shù)據(jù)更加滿足實際生產生活中的復雜情況。

第二步：GAN 網(wǎng)絡生成樣本。通過構建GAN 網(wǎng)絡，對大量電力數(shù)據(jù)集進行學習，主要學習數(shù)據(jù)集在數(shù)學層面上的分布規(guī)律，構建出合理的映射函數(shù)，從而生成大量模仿真實的樣本數(shù)據(jù)用于模型的訓練。GAN 網(wǎng)絡由生成器和判別器2個部分組成，生成器通過不斷優(yōu)化其網(wǎng)絡，產生虛假數(shù)據(jù)使得判別器無法判斷真假；判別器通過不斷優(yōu)化自身網(wǎng)絡，盡可能地從數(shù)據(jù)中判斷真假。2 個網(wǎng)絡不斷博弈，最終使得模型達到納什平衡，其目標函數(shù)為：

《周禮·司爟》：“司爟掌行火之政令，四時變國火，以救時疾。季春出火，民咸從之。季秋內火，民亦如之。”《注》曰：“鄭司農云：‘以三月本時昏，心星見于辰上，使民出火。九月本黃昏，心星伏在戍上，使民內火。故《春秋傳》曰：以出內火?！薄蹲髠鳌ふ压辍罚骸笆课牟唬骸鹨?，鄭其火乎！火未出而作火，以鑄刑器，藏爭辟焉?；鹑缦笾换鸷螢?？’”《正義》曰：“火星未出，不得用火?！?/p>

其中，V（D，G）為GAN 的目標函數(shù)，D網(wǎng)絡是判別函數(shù)，G網(wǎng)絡是生成函數(shù)，Ei～Px(i)[logD(i)]表示電力數(shù)據(jù)集中的樣本被判定為真實電力數(shù)據(jù)概率的數(shù)學期望，表示的是從隨機噪聲P（jj）中采樣生成的虛假電力數(shù)據(jù)樣本，經過生成函數(shù)得到電力圖像，送入判別函數(shù)，其預測為負對數(shù)的數(shù)學期望。

第三步：模型訓練與驗證。將先前得到的電力數(shù)據(jù)集劃分為訓練集與驗證集，其中訓練集又根據(jù)不同視覺角度將視頻劃分為不同類別進行訓練，得到若干個多角度的R3D 模型。最關鍵的環(huán)節(jié)在于將同一動作的不同角度的結果進行模型融合，最后通過疊加一層全連接層將正面、側面以及背面不同角度的模型進行加權融合后輸出預測值。經驗證集后不斷調整模型參數(shù)以達到預期值。

第四步：R3D模型決策融合。在實際電力物聯(lián)網(wǎng)作業(yè)下，將不同的攝像頭放置在不同的角度記錄作業(yè)人員的作業(yè)畫面。通過分析拍攝的角度應用不同的R3D 模型進行判斷。最終將同一時刻不同角度拍攝的畫面進行決策級融合或使用一層全連接層進行判斷，得到作業(yè)人員行為安全情況。

其中，a為起始計算樣本，q為當前計算樣本，wi為第i個攝像頭被賦予的權重，rij為Mi預測類別與實際第j個樣本類別的異或，于是傳統(tǒng)加權融合在這里可以被描述為一個最大化問題：maxPF。

3.2 關鍵技術介紹

模型整體流程如圖2 所示。分別從數(shù)據(jù)采集與預處理、R3D模型與模型融合關鍵技術進行介紹。

圖2 基于R3D模型的決策融合流程圖

3.2.1 數(shù)據(jù)采集與預處理

考慮到電力數(shù)據(jù)的保密需求，各工作地點現(xiàn)場采集的視頻數(shù)據(jù)可能包括例如：工作場所的具體位置，現(xiàn)場布置，文件，相關設備的運行方式、具體型號、工作狀態(tài)以及其他相關的電網(wǎng)機密信息，這些信息涉及國家安全及商業(yè)秘密，應保證電力數(shù)據(jù)的安全性。由于電力作業(yè)人員危險行為監(jiān)測模型具有通用性，為了有更多的數(shù)據(jù)進行精準的決策，同時盡可能不大范圍公開共享這些數(shù)據(jù)，因此可引入第三方可信任機構，如圖3 所示。所有地市公司可經過第三方所給的公鑰進行數(shù)據(jù)加密，將加密數(shù)據(jù)傳輸至第三方可信任機。第三方可信任機構通過私鑰對數(shù)據(jù)進行解密，得到所有數(shù)據(jù)后，第三方信任機構將對模型訓練，將得到的訓練模型分別用私鑰加密后傳回給每個地市公司，再用公鑰進行解密。

據(jù)第三方調研機構數(shù)據(jù)顯示，我國水處理產品生產廠家已達到3000家，凈水設備市場規(guī)模已達到428萬臺，未來7年將保持45%的年復合增長率。在銷售高速增長的同時，凈水器市場擁有著巨大的發(fā)展?jié)摿?。對比來看，歐美國家凈水器普及率達90%、亞洲發(fā)達國家凈水器普及率達70%，我國凈水行業(yè)產品普及率不到2%。

圖3 數(shù)據(jù)采集模式

從視頻數(shù)據(jù)集中讀取視頻數(shù)據(jù)。處理視頻，將其讀取為numpy類型。每隔一定步長抽取幀圖像，這里默認設定為每4幀提取一幀，確保分解后至少有16幀圖像。如果視頻長度較短而無法提取滿16 幀，則步長減少，直至可以保證采集有16 幀圖像。將提取到的圖像幀進行初始化。將每一幀利用隨機數(shù)進行隨機切割，裁剪成112像素×112像素規(guī)格。

3.2.2 R3D模型訓練

將數(shù)據(jù)集按照不同角度進行劃分，分別送入R3D模型進行訓練。隨著網(wǎng)絡結構的復雜化，訓練的難度也在加大［21］。理論上，越深的網(wǎng)絡，運行結果應該越好；但網(wǎng)絡層次的增加容易導致模型過擬合，出現(xiàn)一系列梯度問題。因此，R3D 在三維卷積神經網(wǎng)絡（C3D）模型的基礎上增加殘差模塊，避免過擬合。

圖5 為C3D 模型實驗結果圖。圖5（a）與圖5（d）展示了訓練集的精度變化和損失變化，訓練集精度達到了94.94%，損失降到了0.224。由曲線圖可以看出訓練過程中訓練效果穩(wěn)定增強，曲線較為平滑，并且到第40個訓練周期時，曲線接近收斂。

如圖4所示，x為輸入，F(xiàn)（x）為經過卷積層后的輸出，在殘差網(wǎng)絡中，將淺層的x直接傳入后層，因此輸出函數(shù)H（x）=F（x）+x。通過該結構圖，可以推理到更加通用的殘差塊公式：

圖4 殘差模塊

其中，yl為第l層輸出，xl為第l層輸入，H為第l層的輸出函數(shù)，h為映射函數(shù)，F(xiàn)為卷積處理輸出，w為權重，f為激活函數(shù)。通常情況下，殘差模塊中的激活函數(shù)使用ReLU。

當映射函數(shù)h、激活函數(shù)f都為直接映射時，此時第l+1層的輸入可以表示為：

其中，ResNet 的直接映射的使用，使得第l+1 層的網(wǎng)絡一定比第l層擁有更多的圖像特征信息。如果直接映射的深淺層次之間網(wǎng)絡更深，則可以表示為如下公式，其中xL為第L層的輸出。

在實際電網(wǎng)項目建設過程中，對于不同角度的畫面等因素動態(tài)調整權重，本文試圖用一層全連接層進行輔助決策。決策融合公式為：

【點評】小作者選取自己的兩件閱讀趣事加以敘述，讓我們看到一個戴眼鏡的小書迷的形象。習作敘事清楚、流暢自然。

三、神矮LS—1臨紅2號 6月下旬至7月上旬成熟，外觀鮮紅，果個比嘎拉大，平均單果重238 g，果肉黃白，硬脆，豐產，貨架期長，省工省力，不套袋，是繼臨紅1號后國內早熟品種中又一個優(yōu)良蘋果新品種。

3.2.3 模型融合

根據(jù)神經網(wǎng)絡中的導數(shù)鏈式法則，則損失函數(shù)ε關于xl的梯度可以描述為：

式中，Q為加權后的概率（0≤Q≤1），wi為攝像頭i的權重，Ri為攝像頭i經過R3D模型計算得到的概率，β為偏置。

4 實驗與結果分析

目前無法獲取到電網(wǎng)人員作業(yè)行為視頻數(shù)據(jù)，故在本實驗中選用UCF101 視頻數(shù)據(jù)集進行訓練，其應用于多個算法的實踐測試。因此其具有很高的訓練與遷移參考價值。

4.1 實驗結果與分析

在訓練集、測試集和驗證集上，對C3D 模型和R3D模型進行實驗。

4.1.1 C3D模型

微課作為一種教學資源，形式靈活，情景生動。但學生的程度不同，學習效果也存在差異，微課又可以作為課堂教學的一種有效補充形式，可以隨時學習，反復觀看，促進學生個性化發(fā)展。

圖5 C3D模型在精度和損失2個指標的實驗結果

圖5（b）與圖5（e）展示了模型訓練過程中驗證集的精度變化和損失變化。40 個周期后，驗證集精度為74.93%，損失降為1.247，效果相較于訓練集有明顯的下降，曲線較訓練集稍微曲折了些，但整體算平滑，在第40 個周期時也接近于收斂。圖5（c）與圖5（f）展示了測試集的精度和損失變化曲線。測試集精度達到76.59%，損失降為1.183，效果稍微好于驗證集，但明顯不如訓練集，存在一定的過擬合問題。

4.1.2 R3D模型

圖6 為R3D 模型實驗結果圖。實驗最終得到訓練集精度為90%，訓練集損失為0.323，數(shù)據(jù)較為理想。曲線變化見圖6（a）與圖6（d），可以看出訓練集精度、損失曲線較為平滑，第35個周期已接近收斂。

圖6 R3D模型在精度和損失2個指標的實驗結果

35個周期后，驗證集最終精度到達76.54%，損失降為0.962，效果不如訓練集。曲線變化見圖6（b）與圖6（e），可以觀察到相較于訓練集曲線會更加曲折些，整體趨勢變化較為穩(wěn)定。

經過35 個周期后測試集精度到達75.73%，損失為1.028，精度變化曲線見圖6（c），損失曲線見圖6（f）。測試集精度明顯較訓練集小，存在一定過擬合問題。

4.2 與其他模型的精度對比

在UCF101 數(shù)據(jù)集上，將C3D 模型與R3D 模型的精度與近年一些文獻中提出的行為識別模型進行對比，結果如表1所示。從表1中可以看出，C3D模型與R3D模型在行為識別精度上具有一定優(yōu)勢，在與現(xiàn)有的一些其他模型的對比中展現(xiàn)出了較為優(yōu)秀的性能。本文將針對實驗中C3D 模型與R3D 模型的更多細節(jié)進行進一步的分析。

表1 各模型精度對比

4.3 C3D與R3D實驗對比

分別從數(shù)值上和曲線圖上對C3D 模型和R3D 模型的實驗結果展示分析，對2 個模型在參數(shù)量、訓練集和測試集的精度值及損失值進行對比。

4.3.1 數(shù)值分析

四、神矮LS—1華碩 美國8號×華冠雜交育成的優(yōu)良品種，果實近圓形，果實極大，平均縱徑8.7 cm,橫徑9.6 cm，單果重326 g，最大可達750 g。果實底色綠黃，果面著鮮紅，著色面積達70%，充分成熟果面全紅，果面平滑，蠟質多，有光澤，外觀鮮艷，果肉白，肉質細，成花易，極豐產，酸甜可口。在我縣7月下旬至8月上旬成熟，是一個極有發(fā)展前途的早熟品種。

2 個算法模型數(shù)值對比見表2?？擅黠@看出R3D算法的參數(shù)量遠遠少于C3D算法的參數(shù)量，這主要是因為R3D 網(wǎng)絡結構中使用全局平均池化層來替代全連接層，大大減少了參數(shù)量。這使得R3D模型具有更加高效的識別速度，更適用于實時作業(yè)預警的任務。

從表2可以看出，2個算法的測試集精度相近，泛化能力較為接近；而C3D算法的訓練集精度大于R3D算法，R3D 在一定程度上改善了C3D 的過擬合問題。R3D 算法由于更快收斂只完成了35 個迭代周期，而C3D 算法模型完成了40 個迭代周期。另外，根據(jù)測試集的觀察結果，R3D 模型的損失已經比C3D 的小，說明R3D算法模型預測效果更接近于實際情況。

綜上可得，R3D 算法緩解了C3D 的過擬合問題，并且在識別性能與C3D算法接近的同時，R3D算法由于參數(shù)量的顯著減少，從而大大減小了訓練代價，因此更擅長處理復雜大規(guī)模問題。

4.3.2 曲線分析

圖7（a）與圖7（b）展示了2個算法的精度曲線、損失曲線變化對比。R3D 算法在25 個迭代周期左右便開始趨于收斂，而C3D 算法要歷經35 個迭代周期左右才開始收斂。雖然R3D 算法的精度最后由于波動低于C3D 算法的精度，但整體看來，R3D 算法的精度要高于C3D 算法。在R3D 算法中多次進行了批量歸一化，加快了收斂速度，同時R3D 算法模型實驗時設置的學習率也更大。因此在損失曲線對比中，可以明顯看出R3D 曲線降幅大于C3D 算法，損失更小，同時收斂也更快。最終R3D 算法的損失低于C3D 算法，表明R3D算法具有更加穩(wěn)定的預測效果。

圖7 C3D與R3D模型精度和損失指標曲線對比

綜上可得，R3D算法改善了C3D算法收斂緩慢的不足，減少了訓練代價，并且最終的識別性能并不輸于C3D算法。

5 結束語

針對當前我國高速發(fā)展的電網(wǎng)建設與人為導致的安全事故矛盾，本文提出了一種基于R3D 模型多源數(shù)據(jù)融合決策的電力物聯(lián)網(wǎng)作業(yè)人員的實時行為安全預警平臺。通過C3D 模型與R3D 模型的比較，可以發(fā)現(xiàn)R3D 模型具有參數(shù)量少、收斂快等優(yōu)點，能夠在保證高精準度的情況下，進行實時的安全預警。此外，利用云平臺的高性能、數(shù)據(jù)可靠、設備獨立性等優(yōu)點構建可靠的算力平臺。最后，在對UCF101 公開視頻數(shù)據(jù)集進行訓練和驗證可以得到75.73%的準確率，表明本文的實時行為安全預警平臺可以有效地對電力作業(yè)人員的行為進行行為預警，盡可能地減少電力作業(yè)人員安全事故的發(fā)生。