基于Tensorflow的電力系統施工人員著裝智能識別技術研究

摘 要：隨著社會的飛速發展和經濟水平的日益提高，人們對電力資源的使用需求量也在逐步增加。電力工程施工安全與電力系統的正常穩定運行有直接關系，提高電力施工的安全水平和管理效率一直都是電力領域研究和探索的熱門話題。電力施工安全涉及方方面面的內容，其中施工人員的著裝規范是十分重要的一部分，然而由于施工環境的復雜性，監管人員對施工人員著裝的監督往往存在著一定的困難，很難實現實時有效的監督。近年來，人工智能、深度學習技術成為科學領域研究的熱門話題，本項目試圖基于人工智能技術和Tensorflow深度學習框架，對施工人員著裝進行識別，并最終實現智能化管理系統，為打造運行穩定、安全的綜合電網奠定良好的基礎。

關鍵詞：電力施工安全；著裝識別；深度學習；卷積神經網絡

中圖分類號：TP183 文獻標識碼：A 文章編號：2096-4706（2018）09-0073-04

Abstract：With the rapid development of society and the improvement of economic level，the demand for power resources is gradually increasing. There is a direct relationship between the safety of power engineering construction and the normal and stable operation of power system. Improving the safety level and management efficiency of electric power construction has always been a hot topic in the field of electric power research and exploration. The safety of electric power construction involves all aspects of the construction personnel，which is a very important part of the construction personnel’s dress code. However，because of the complexity of the construction environment，the supervisors often have some difficulties in the supervision of the builders’ dress，which is difficult to achieve in real time and effective supervision. In recent years，artificial intelligence and deep learning technology have become a hot topic in the field of science. Based on artificial intelligence technology and Tensorflow deep learning framework，this project identifies the construction personnel’s dress，and finally realizes the intelligent management system，laying a good foundation for building a stable and safe integrated power grid.

Keywords：power construction safety；dress identification；deep learning；convolution neural network

0 引 言

隨著人工智能和大數據時代的到來，各行各業都在積極地進行產業升級和轉型，希望向智能化方向探索和發展，電力行業作為傳統工業行業，更需要智能科學和機器學習等先進的技術為其帶來新鮮的血液和活力。

Tensorflow作為目前最流行的深度學習框架，以其特有的快速、靈活，以及適合產品級大規模應用等特點受到世界各國研究者和開發者的廣泛研究和使用。特別是谷歌公司發布的基于Tensorflow的Object Detection API，開放給了十分方便的物體識別訓練接口，讓開發者可以訓練自己的物體識別模型。基于此API，本文訓練了用于識別電力系統施工人員著裝的模型，并將其用于電力系統施工過程中的智能現場監督。

1 著裝識別系統概述

1.1 選題背景與意義

電力承載著全國人民的生產和生活，因此電力系統已成為全國的經濟命脈，其平穩安全運行對于廣大人民群眾有著重大意義。隨著社會的不斷發展和時代的進步，電力施工安全管理受到了更多關注，給現階段的電力施工安全管理工作提出了更高的要求。

近幾年，雖然電力施工安全管理工作受到了高度重視，電力施工安全管理的技術有很大的進步，但是由于施工環境非常復雜，施工的安全管理面臨著巨大的壓力，管理監督人員往往付出巨大的精力也無法保障施工的萬無一失。隨著信息化進程的快速發展，人工智能技術為電力施工管理提供了新的出路，利用信息化手段可以使電力施工過程中的每一步得到智能化的監管，從而有效降低管理成本，對于電網的建設、維護和改造升級具有重要的意義。因此，本項目試圖基于Tensorflow深度學習框架對施工人員著裝進行識別，并最終實現智能化管理系統，為打造運行穩定、安全的綜合電網奠定良好的基礎。

1.2 著裝智能識別系統設計思路

要實現對電力施工人員著裝的無人化、智能化管理，首先必須對施工人員的服裝進行識別。傳統的物體識別算法有SIFT/SURF、Haar特征、廣義hough變換，它們主要對圖像的特征進行篩選和匹配，但這些方法泛化性能都不高，對于那些容易發生形變的物體識別率均不高。目前流行的物體識別算法有卷積神經網絡（CNN）、支持向量機（SVM）等，而卷積神經網絡，特別是深度卷積神經網絡，以其高度的泛化和學習能力成為近年來物體識別領域的翹楚。

Tensorflow是一個功能強大且簡單實用的機器學習框架，使用此框架可以較簡單地實現CNN算法，特別是使用Object Detection API可以較輕松地訓練出自己的物體識別模型。

訓練出滿意的模型之后，將模型投入實際的監督場景將是另一個大問題。解決思路是首先將場景中的所有工人識別出來，在對其著裝進行識別，若著裝不符合規則，則服務器向前端設備報警，提示施工工人將裝備穿戴整齊。系統具體的工作流程如圖1所示。

2 卷積神經網絡算法（CNN）及其基于Tensorflow的實現

本節內容主要介紹有關卷積神經網絡算法（CNN）的相關理論知識，并且介紹在Tensorflow框架下的Object Detection API搭建CNN訓練模型的過程。

2.1 卷積神經網絡算法（CNN）

卷積神經網絡因其對圖像特征具備強大提取能力，目前已成為圖像處理領域最常見的算法，通過局部連接、權值共享、池化等技巧，可以使網絡深度大大加深，從而使得識別結果更為準確和高效。

卷積層與池化層結構示意圖如圖2所示，卷積層與池化層是卷積神經網絡有別于其他神經網絡的最為顯著的特稱，圖像的特征經過這兩者的處理可以被很容易地提取出來，并且實現特征的稀疏化。

2.2 Tensorflow深度學習框架介紹

Tensorflow是谷歌公司發布的開源深度學習框架，盡管已經發布了兩年多，如今Tensorflow已憑借自身的兼容性、易用性、分布式能力和能夠在海量數據集上進行訓練的特點成為最受世界開發者和研究人員歡迎的深度學習框架。

由于Python有大量用于機器學習的簡單易用的工具包，使Tensorflow與Python平臺變得十分契合，因此，該項目使用Python+Tensorflow的架構進行學習和訓練，從而保證訓練的高效性和準確性。同時，值得一提的是此項目基于Win10操作系統，硬件平臺是基于i7 6700處理器，16G內存，以及GTX 1080 8G顯卡。

3 識別系統設計及優化

本節將介紹著裝辨識系統的設計模型訓練以及后期的優化工作，最終會展示系統工作的效果。

3.1 模型的選取和訓練

3.1.1 前期準備

要設計此系統，必須先實現對著裝各部分的單獨識別，比如安全帽、工作服等。這一部分我們將借助于Tensorflow的Object Detection API來實現。谷歌于2017年6月發布了基于Tensorflow的Object Detection API，用于開發者訓練自己的物體辨識模型。此API提供了多種預訓練的模型供開發者選擇，比如ssd_mobilenet、ssd_inception、faster_rcnn等，這些模型在訓練速度或準確率上略有不同，考慮到對施工工人著裝監督的實時性，我們選取了兩種速度較快的模型作為備選方案，分別是，ssdlite_mobilenet_v2_coco和ssd_inception_v2_coco。

確定好預訓練模型之后，就要開始準備訓練數據，我們從現場監督視頻中截取了1000多幀畫面，使用LabelIMG經過標注后形成了原始的訓練數據，數據包括“helmet”、“uniform”、“safetyBelt”和“worker”四類，分別代表安全帽、制服、安全帶和工人這四類在辨識中需要用到的物體。接下來使用腳本將這些訓練數據轉化為Tensorflow能夠識別的.record數據，與原始圖片一起放入Object Detection API的目錄結構，完成訓練數據的準備工作。

3.1.2 數據訓練

接下來就要進行數據的訓練，由于訓練中涉及大量的數據計算過程，使用并行計算的技巧可以大大縮短訓練的時間，Tensorflow的GPU版本可以很好地完成并行計算的任務，因此，使用此版本大大縮短了訓練的時間。

由于上面選擇的訓練模型是基于CNN的深度學習模型，在訓練之前要對模型中大量的參數進行配置，選出最合適的參數搭配，這一步驟叫做調參。在配置文件中，以下幾個參數比較重要：

（1）num_classes：4#表示要是別的物體種類；

（2）activation：RELU_6#表示使用的激活函數；

（3）l2_regularizer {weight：0.00004}#表示使用的正則化參數的系數；

（4）truncated_normal_initializer {stddev：0.03 mean：0.0}#表示參數初始化類型；

（5）batch_size：24#表示批處理的數據量大小；

（6）initial_learning_rate：0.004#表示初始的學習率。

配置好參數后調用命令：

“python train.py --logtostderr --train_dir=training/ --pipeline_congig_path=training/ssd_inception_V2_coco.config”

計算機收到上述命令便會對模型開始訓練，訓練過程中CNN模型的損失函數值會不斷減少，損失函數值在下降到一個比較小的范圍在之后便不再變化，此時便可以停止訓練，進行下一步操作。

使用上述命令可以生成“frozen_inference_graph.pb”文件，后期的識別程序中便是使用這個文件中保存的各項參數來進行識別。

至此，可以對模型進行測試了，測試結果如圖4所示。可以看出，在工人衣著整齊，且身體姿勢不太扭曲的情況下，識別效果還是比較理想的。接下來可以設計識別的系統。

3.2 系統設計和優化

正如圖1所表示的，我們的識別系統由兩大部分組成，一部分是前端數據采集和反饋接受部分，一部分是后臺服務器，前一部分可以采用網絡攝像頭實時向后臺發送視頻數據，也可以是手機等移動終端，主要作用是將現場作業的圖像視頻數據傳送至后臺。后臺在獲得前端發送的數據后，首先將視頻逐幀分解，對每一幀圖像進行操作，獲得一幀圖像后，為了提高速度，我們采用多線程的思路，將識別的服務寫入一個進程中，這個進程不斷讀取緩存中的圖像并進行檢測，這樣不會影響主進程對數據的獲取，效率大大提高。識別服務要識別兩大部分的內容：由于施工現場一般環境復雜，為了避免誤識別，需要先將工人識別出來，在這里使用“ssd_inception_v2_coco_2017_11_17”這個模型，由于采用的訓練數據量十分大，此模型對人物的識別已有很高的準確度；在獲得工人所在的區域后，我們對這一區域進行切割，并將其單獨作為一張圖片再進行識別，這次識別的就是工人的著裝。如果工人著裝齊全，則不會發出警告。

但實際使用該系統的過程中會出現一些問題，其中最嚴重的便是誤識別的問題，這是由于鏡頭晃動較大，以及人物在做出不同的動作和操作時的變形造成的。為了解決這個問題，我們創建了緩存區，緩沖以上劇烈變化對識別效果造成的影響，提高了系統的穩定性。

4 結 論

信息化、自動化、智能化是電力行業未來發展的必要趨勢，很多企業都在積極做出這方面的嘗試，希望有所突破，此次我們提出的基于Tensorflow的電力系統施工人員著裝智能識別系統便是新興的智能科技與電力行業的一次有機結合，它不僅是電力施工過程中的施工安全的有力保障，同時也大大降低了監督和管理人員的成本，使電力行業向智能化方向邁出的重要一步。然而該系統仍不完美，仍存在如下的不足之處需要改進。

經過模型訓練與系統設計，電力系統施工人員著裝智能識別系統已收到較為理想的結果，基于現場視頻和網絡攝像頭的識別效果也較為滿意，但實地測試較為匱乏，系統潛在的不穩定性尚不明確。在未來進行實測的過程中，我們可以對系統性能做出更好的判斷，同時結合實際工作環境特點，可以對程序進行更有針對性地優化。

另外，由于訓練數據較少，對于著裝的識別準確度尚未達到最佳水準，要進一步提高識別準確度，必須在今后的工作中繼續采集數據，進行更為龐大和復雜的訓練。同時，在接下來的工作中，我們可以增加更多的線程來處理需要識別的數據，以提高識別效率，爭取實現更為流暢和實時的識別。

參考文獻：

[1] A.G.Howard，et.al. MobileNets：Efficient Convolutional Neural Networks for Mobile Vision Applications [C].Computer Vision and Pattern Recognition 2017.

[2] 加日拉·買買提熱衣木.TensorFlow在人名識別中的應用前景 [J].數字技術與應用，2017（12）：215-216.

[3] 汪浩.電力施工安全管理探析 [J].中國新技術新產品，2017（15）：146-147.

[4] 馬慶林.電力施工中存在的安全隱患 [J].建筑安全，2011，26（9）：21-23.

[5] 李云啟.電力系統變電運行安全管理與設備維護探討 [J].科技創業家，2012（20）：142.

[6] 蔣曉光.電力系統自動化技術安全管理 [J].中國電力教育，2013（8）：182-183.

[7] 章敏敏，徐和平，王曉潔，等.谷歌TensorFlow機器學習框架及應用 [J].微型機與應用，2017，36（10）：58-60.

[8] 楊振杰.基于CNN的交通標志識別方法研究 [D].天津：天津工業大學，2017.

[9] 金釗.基于TensorFlow的不同深層卷積神經網絡的對比與分析 [J].電子世界，2018（6）：25-26.

[10] 宋倩，黃昶，余慧瑤.基于TensorFlow的交通標志形狀識別 [J].信息通信，2017（12）：286-288.

[11] 姜新猛.基于TensorFlow的卷積神經網絡的應用研究 [D].武漢：華中師范大學，2017.

[12] 徐忠成.基于卷積神經網絡的行人檢測與識別研究 [D].武漢：華中師范大學，2015.

[13] 周飛燕，金林鵬，董軍.卷積神經網絡研究綜述 [J].計算機學報，2017，40（6）：1229-1251.

作者簡介：李文輝（1984.09-），漢族，男，廣東新會人，高級工程師，碩士研究生。研究方向：安全監管方向。