智能視頻分析技術在電力設備監控中的應用

徐群　陳琛　王雨

摘 要：由于電力設施的增多，發生電力設備故障、失竊甚至人為破壞的絕對風險正逐年增加，如何利用智能手段，讓機器來代替人實現對電力生產風險的預防預警，成為目前亟待解決的問題。

關鍵詞：智能視頻；分析技術；電力設備；監控

DOI：10.16640/j.cnki.37-1222/t.2017.20.181

1 引言

近年來，隨著國家基礎建設的深入開展，電力基礎設施的建設密度和地理分布的廣度得到了迅猛的提升。另一方面，國內勞動力的薪資水平呈現明顯的逐年增長趨勢。兩種趨勢的疊加使得越來越多的電力基礎設施進入無人值守或少人值守的狀態。

2 問題及研究現狀

電力行業的基礎設施大致包括輸電線路、電力隧道、有人值守變電站、無人值守變電站、開閉所、配電室。根據電力行業的安全規范，對于輸電線路、隧道、無人值守變電站、開閉所、配電室都需要進行定期安全巡視。然而隨著電力基礎建設的密度和廣度的增加，無人值守變電站、開閉所、電力隧道往往難以保證得到及時、合規的安全巡查。自08年以來，伴隨全國性的基礎監控系統的建設，電力基礎設施也建立了相應的常規視頻監控系統，由于監控點位眾多，值班人員無法有效監看。

為此，人們開始研究自動預警技術。例如，利用前背景建模的機器視覺算法，實現對無人值守區域的運動物體入侵檢測，常見的包括區域、絆線等。以及在分辨出前景物體的基礎上，進一步對相應位置的顏色和紋理進行判斷，嘗試進行對人員是否佩戴安全帽、或是否發生火災的進行檢測。但經過實踐檢驗，上述方案往往由于誤報率偏高而難以達到人們預期的效果。

3 基于深度學習的智能視頻分析技術簡介

使機器能夠像人腦一樣觀察外界情況并做出正確的決策判斷一直是人工智能追求的目標。經過近60年的研究，機器視覺的智能水平在深度學習出現后進入了革命性的時期，這種顛覆性的突破基于以下幾個重要的原因。

第一，深度學習使得智能算法的特征空間不再依賴領域專家來設計，實現了由機器自動選擇，從而使得到的智能算法能夠探索更多未知的可能：從模式識別的角度，任何視覺識別問題的實質是尋找一個合適的特征空間，使原始圖像空間的數據經過映射后，能夠在特征空間中截然的分開，從而可以輕易的被分類超平面所分割。在深度學習之前的視覺智能算法，依賴人工專家進行特征的選擇，使得所選的特征往往具有場景上的局限性，在實際項目實用時往往難以達到實用要求。而深度學習從原理上避免了人工對特征的干預，使智能算法能夠探索更多的可能性。

第二，自動選擇特征之所以比人工專家更有優勢，依賴于更大量的實際數據被提供給深度學習算法進行學習。這在監控視頻高清化、數字化完成之前是難以實現的。因此，雖然大規模基礎監控的建設無法直接解決大量無人值守的電力設備的自動預警問題，但可以為深度學習算法的訓練提供足夠數量、足夠分辨率的訓練數據。這也是深度學習要等到今天才能發揮真正作用的關鍵因素。

第三，相比于以往傳統上使用的基于前背景模型的視覺算法，深度學習算法的智能識別層次大大加深。傳統的前背景算法實際上只能檢測運動物體，而無法直接判斷物體的類別（比如是行人？車輛還是動物？），現有的基于前背景的人員檢測或安全帽檢測是依賴經驗性的規則來確定運動物體是不是人，已經人體頭部的位置。這類算法并沒有學習能力和場景的適應能力可言。而深度學習算法從原理上就是經過大量數據的訓練，對視頻數據中出現的物體進行自動分類，例如它可以直接檢測出視頻中哪里是普通行人，那里是戴安全帽的人，哪里是車輛等。基于大量實際數據訓練的深度學習算法具有傳統算法不能比擬的場景泛化能力，能夠真正意義上解決過去智能視頻分析的誤報問題。

4 基于深度學習的電力設施智能視頻分析方案

4.1 方案設計

由于目前電力基礎設施在地理上分布的跨度很大，因此在考慮整體智能視頻分析方案時，如果將所有監控點位回傳到后端中心，不但編解碼的壓力大，而且對于安全事件發生時智能視頻分析的時效性也會造成影響。因此對于地域分布較分散的電力基礎設施，例如隧道、無人值守變電站、開閉所等，應使用低功耗、小體積、集成了小型GPU的嵌入式智能分析盒。其優勢在于：第一，使前端相機可有更多選擇，充分發揮已有資產的價值。第二，分析盒直接和前端相機連接，視頻傳輸距離短，對整體的帶寬壓力大大降低，只在發生報警事件時才將報警信息回傳到后端中心。第三，報警的實時性得到有效的保障，同時顯著降低了布線施工的投入。

另一方面，對于點位相對密集的電力基礎設施，例如電業局、營業廳等，可以使用計算密度較高的GPU集群服務器進行智能分析，相比于常規的CPU服務器堆疊方案，利用高密度GPU集群可以顯著節省機房的空間并提高整體計算效率。

4.2 功能設計

方案通過對不同的電力基礎設施設計定制化的智能分析功能來實現對電力行業業務流程的緊密貼合。

（1）無人值守變電站。無人值守變電站屬于戶外場景。主要布設周界檢測（區域入侵、絆線等）疊加上基于深度學習的人體確認兩種智能分析算法。能準確區分入侵物體及人員。

（2）配電房。配電房屬于室內場景。主要布設人體檢測算法和工具遺留檢測算法。檢測工作人員的行為及現場安全情況。

（3）營業廳。營業廳也屬于室內場景。主要布設脫崗檢測算法和工作服檢測算法。脫崗檢測算法基于俯視角度的人體檢測模型，能夠實時檢測營業廳崗位上是否有工作人員在崗及非法進入工作區。

5 結論

基于深度學習的智能視頻分析技術具有準確、智能、可替代人工監控的優越性能，特別適用于目標多而分散、人力不足的監控對象，對保障電力系統的設備安全具有重要意義。該監控方案及系統在青島某變電站已運行近兩年，效果十分突出，具有重大推廣價值。

參考文獻：

[1]羅錕.基于視頻分析的電力鐵塔監控[D].西安電子科技大學碩士學位論文，2012.

[2]劉青麗，劉景波，鄧穎.視頻分析技術在無人值守變電站監控中的應用[J].陜西電力，2012.

[3]黃初指，陳斌.電力開閉所智能視頻分析安全帽識別算法的應用[J].自動化應用，2015.endprint