基于深度學(xué)習(xí)的現(xiàn)場(chǎng)作業(yè)智慧化安全管控研究

鐘立華，羅智青

（廣東電網(wǎng)有限責(zé)任公司東莞供電局，廣東 東莞 523129）

0 引 言

由于電力企業(yè)現(xiàn)場(chǎng)作業(yè)有任務(wù)繁重、時(shí)間緊迫、點(diǎn)位繁多、分布廣泛以及風(fēng)險(xiǎn)大等特征，因此東莞供電局難以實(shí)現(xiàn)整體監(jiān)管下屬單位及外委作業(yè)單位生產(chǎn)現(xiàn)場(chǎng)安全，部分小型、分散以及臨時(shí)工作現(xiàn)場(chǎng)安全管控力度普遍偏弱，很可能形成安全監(jiān)督的盲區(qū)，以致監(jiān)管中心無(wú)法全面掌握作業(yè)現(xiàn)場(chǎng)安全風(fēng)險(xiǎn)控制情況，無(wú)法督導(dǎo)安全防控措施有效落實(shí)過程。鑒于電力生產(chǎn)作業(yè)現(xiàn)場(chǎng)喪失有效的監(jiān)督是誘導(dǎo)安全事故主要因素，綜合提升作業(yè)現(xiàn)場(chǎng)的安全監(jiān)督力度成為電力安全生產(chǎn)活動(dòng)順利推進(jìn)的重要保障[1]。

1 電力營(yíng)銷現(xiàn)場(chǎng)作業(yè)及安全監(jiān)控現(xiàn)狀分析

1.1 電力營(yíng)銷現(xiàn)場(chǎng)作業(yè)現(xiàn)狀

電力企業(yè)營(yíng)銷現(xiàn)場(chǎng)作業(yè)任務(wù)量較大，作業(yè)人員多，其中外包工程作業(yè)工作量占比大，現(xiàn)場(chǎng)作業(yè)風(fēng)險(xiǎn)管控壓力較大。營(yíng)銷作業(yè)具有作業(yè)現(xiàn)場(chǎng)分散、地點(diǎn)分布廣以及工作方式多樣等特點(diǎn)，作業(yè)過程中的安全隱患和風(fēng)險(xiǎn)較大。電力建設(shè)市場(chǎng)主體多元化，工程承包模式多樣化，施工單位、分包單位以及監(jiān)理單位等單位安全履約能力不一，在標(biāo)準(zhǔn)作業(yè)流程規(guī)范執(zhí)行、安全生產(chǎn)教育培訓(xùn)以及施工安全風(fēng)險(xiǎn)管控等方面仍存在短板，此外安全文化素養(yǎng)參差不齊，部分工作人員安全意識(shí)淡薄，違章違規(guī)操作時(shí)有發(fā)生，安全知識(shí)和技能有待進(jìn)一步提高。

1.2 安全監(jiān)管現(xiàn)狀分析

電力監(jiān)管單位的安全監(jiān)管主要依托兩種形式開展。第一種是安全監(jiān)管人員傳統(tǒng)現(xiàn)場(chǎng)巡視督查，通過手工記錄對(duì)現(xiàn)場(chǎng)問題進(jìn)行整改的形式。該方式由于無(wú)法同時(shí)監(jiān)察多個(gè)項(xiàng)目點(diǎn)，無(wú)法實(shí)現(xiàn)全方位安全監(jiān)督，一次只能監(jiān)管一個(gè)項(xiàng)目點(diǎn)，作業(yè)安全風(fēng)險(xiǎn)無(wú)法及時(shí)監(jiān)管，導(dǎo)致安全監(jiān)管變?yōu)槭潞蟊O(jiān)管，不能及時(shí)發(fā)現(xiàn)和規(guī)避安全風(fēng)險(xiǎn)。第二種是從2018年起，部分供電企業(yè)開始探索并推廣智慧安監(jiān)可視化監(jiān)控技術(shù)，初步實(shí)現(xiàn)遠(yuǎn)程安監(jiān)督查。但在實(shí)際應(yīng)用中，仍存在識(shí)別功能集中在設(shè)備前端、不完整、需要采購(gòu)定制化攝像頭以及實(shí)施推廣成本高等問題，適合基建主網(wǎng)大型固定作業(yè)，在營(yíng)銷作業(yè)難以大量普及推廣。因此，亟需通過基于深度學(xué)習(xí)的現(xiàn)場(chǎng)作業(yè)智慧化安全管控研究，為營(yíng)銷作業(yè)類型量身定制智能監(jiān)控算法，實(shí)現(xiàn)可兼容大部分網(wǎng)絡(luò)攝像頭，并可以識(shí)別安全帶、安全帽、工服、工作梯、周界以及圍欄等現(xiàn)場(chǎng)安全作業(yè)要素，具有識(shí)別能力強(qiáng)、集成后端識(shí)別、平臺(tái)統(tǒng)一建設(shè)以及前端設(shè)備采購(gòu)成本和整體推廣實(shí)施成本低的特點(diǎn)，推動(dòng)營(yíng)銷現(xiàn)場(chǎng)作業(yè)智慧化安全管控轉(zhuǎn)型[2]。

2 基于深度學(xué)習(xí)的現(xiàn)場(chǎng)作業(yè)智慧化可視化技術(shù)研究及開發(fā)

2.1 可視化監(jiān)管技術(shù)應(yīng)用背景

深度學(xué)習(xí)技術(shù)用于解決很多現(xiàn)實(shí)問題，如深藍(lán)機(jī)器人和谷歌的AlphaGo等案例均已經(jīng)證實(shí)，深度學(xué)習(xí)能明顯提升工作質(zhì)量與效率，目前其在自然語(yǔ)言處置、人機(jī)對(duì)話及計(jì)算機(jī)視覺領(lǐng)域中均有廣泛應(yīng)用[3]。在整個(gè)人工智能范疇中，技術(shù)層面上計(jì)算機(jī)視覺的應(yīng)用占比達(dá)到了34.9%，在很多行業(yè)業(yè)務(wù)推進(jìn)階段起到了強(qiáng)大的支撐作用。在安全監(jiān)管領(lǐng)域中，計(jì)算機(jī)視覺技術(shù)的應(yīng)用成熟度已經(jīng)達(dá)到較高水平，常見的人臉識(shí)別、圖像識(shí)別、物體檢測(cè)以及視頻語(yǔ)義解析等，在安全監(jiān)管領(lǐng)域中主動(dòng)辨識(shí)逐漸將傳統(tǒng)被動(dòng)式監(jiān)管取而代之，AI技術(shù)對(duì)安全監(jiān)管工作智能化發(fā)展過程形成了強(qiáng)大的驅(qū)動(dòng)作用[4]。

2.2 智慧化安全管控算法設(shè)計(jì)

2.2.1 明確營(yíng)銷業(yè)務(wù)智慧識(shí)別場(chǎng)景模型

通過機(jī)器視覺和深度學(xué)習(xí)技術(shù)能夠?qū)崿F(xiàn)海量監(jiān)控視頻特征數(shù)據(jù)的智能化提取和識(shí)別，智慧化安全管控算法主要針對(duì)作業(yè)現(xiàn)場(chǎng)的安全防護(hù)用品、安全防護(hù)措施以及施工人員作業(yè)行為進(jìn)行智能感知、判別、標(biāo)記及預(yù)警，加強(qiáng)和改進(jìn)各類電網(wǎng)現(xiàn)場(chǎng)安全智能化管理，主要識(shí)別內(nèi)容有以下5點(diǎn)。（1）安全帽識(shí)別模型，智能辨別作業(yè)場(chǎng)區(qū)人員是否規(guī)范佩戴安全帽，算法主要用于營(yíng)銷計(jì)量輪換和裝拆等作業(yè)區(qū)域，可對(duì)進(jìn)入作業(yè)區(qū)域的人員進(jìn)行自動(dòng)識(shí)別，若檢測(cè)到人員未佩戴安全帽則可立即報(bào)警，報(bào)警信號(hào)同步推送至管理人員。（2）工服識(shí)別模型，算法主要用于營(yíng)銷計(jì)量輪換和裝拆等作業(yè)區(qū)域，可對(duì)進(jìn)入作業(yè)區(qū)域的人員進(jìn)行自動(dòng)識(shí)別，若檢測(cè)到人員未規(guī)范著裝工作服則可立即報(bào)警，報(bào)警信號(hào)同步推送至管理人員。（3）圍蔽和遮攔識(shí)別，當(dāng)指定區(qū)域存在人員作業(yè)時(shí)，識(shí)別作業(yè)區(qū)域內(nèi)是否布設(shè)了圍蔽和遮攔標(biāo)志，這是維護(hù)現(xiàn)場(chǎng)作業(yè)環(huán)境安全的重要舉措。（4）辨識(shí)安全帶，針對(duì)高空作業(yè)下的員工，算法智能識(shí)別其是否佩戴了安全帶等防墜落裝備，若沒有佩戴則就會(huì)即可發(fā)出報(bào)警信號(hào)。（5）工作梯作業(yè)識(shí)別，人員在工作梯作業(yè)時(shí)，算法智能識(shí)別工作梯下方是否有人幫扶，若下方?jīng)]有人員幫扶，即可發(fā)出報(bào)警信號(hào)。

2.2.2 定義深度學(xué)習(xí)工作流程

智慧化安全管控圖像識(shí)別的工作流程節(jié)點(diǎn)主要包含數(shù)據(jù)采集、數(shù)據(jù)標(biāo)注、數(shù)據(jù)預(yù)處理、模型訓(xùn)練、模型優(yōu)化以及模型部署6個(gè)環(huán)節(jié)，通過科學(xué)合理的工作流程將實(shí)現(xiàn)AI數(shù)據(jù)、算力以及模型的協(xié)同運(yùn)作，發(fā)揮最優(yōu)效力。AI圖像識(shí)別流程如圖1所示。

圖1 AI圖像識(shí)別流程

2.2.3 選型算法模型網(wǎng)絡(luò)

YOLOv3是目前為止在目標(biāo)檢測(cè)領(lǐng)域的可靠性、識(shí)別精度以及計(jì)算速度方面有較高領(lǐng)先優(yōu)勢(shì)[5]。本次算法研究采用YOlOv3作為模型網(wǎng)絡(luò)結(jié)構(gòu)，基礎(chǔ)平臺(tái)包括Ubuntu 18.04和Python等，算法模型網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 算法模型網(wǎng)絡(luò)結(jié)構(gòu)圖

YOLOv3共計(jì)有107層，其中0～74層是卷積層和res層，75～105層對(duì)應(yīng)的是yolo層，功能以檢測(cè)為主，基于邏輯回歸預(yù)測(cè)box。各小卷積層內(nèi)容為conv2d+BatchNorm2d+LeakyRELU，shortcuts對(duì)應(yīng)的即為skip步驟。為應(yīng)對(duì)網(wǎng)絡(luò)的梯度彌散或梯度爆炸情況，將深層神經(jīng)網(wǎng)絡(luò)的逐層訓(xùn)練整改為逐階段訓(xùn)練，具體是將深層神經(jīng)網(wǎng)絡(luò)細(xì)化為子段，各小段涵蓋較為淺顯的網(wǎng)絡(luò)層數(shù)，而后基于shortcut銜接形式使各小段訓(xùn)練殘差，實(shí)現(xiàn)整體偏小loss，實(shí)現(xiàn)對(duì)梯度傳播過程的有效調(diào)控，規(guī)避出現(xiàn)梯度被消除或爆炸等對(duì)訓(xùn)練過程形成不良影響的情況。75～105層是yolo網(wǎng)絡(luò)的特征交互層，其被細(xì)化為3個(gè)尺度，在各尺度中均采用卷積核形式達(dá)到局部的特征交互[6,7]。

2.3 樣本采集與標(biāo)注

2.3.1 樣本采集

深度學(xué)習(xí)是數(shù)據(jù)驅(qū)動(dòng)的模型，需要具備大量樣本數(shù)據(jù)，而且樣本數(shù)據(jù)對(duì)場(chǎng)景的覆蓋度需要足夠完善，深度學(xué)習(xí)模型的效果完全依賴樣本數(shù)據(jù)表現(xiàn)，如果出現(xiàn)樣本數(shù)據(jù)以外的情況，模型的推廣性會(huì)變差。本項(xiàng)目進(jìn)行了多場(chǎng)景樣本采集，采集場(chǎng)景包含室內(nèi)、室外、強(qiáng)光、弱光、培訓(xùn)室、地下室以及居民小區(qū)等，通過多種方式驗(yàn)證提升場(chǎng)景適應(yīng)及識(shí)別準(zhǔn)確率。

2.3.2 樣本識(shí)別標(biāo)注

對(duì)于深度學(xué)習(xí)算法，數(shù)據(jù)只有通過算法識(shí)別加上標(biāo)簽才能提供給安全督查人員進(jìn)行使用。通過對(duì)各類場(chǎng)景制定詳細(xì)的樣本識(shí)別標(biāo)注規(guī)范和要求，同時(shí)開展嚴(yán)格的標(biāo)注審核機(jī)制，確保在數(shù)據(jù)輸入環(huán)節(jié)減少出現(xiàn)臟數(shù)據(jù)和錯(cuò)誤標(biāo)注。樣本標(biāo)注細(xì)分為工服、圍欄、安全帶、工作梯以及安全帽等5個(gè)場(chǎng)景功能，各類場(chǎng)景詳細(xì)的樣本識(shí)別標(biāo)注如表1所示。

表1 各類場(chǎng)景詳細(xì)的樣本識(shí)別標(biāo)注

續(xù)表1

2.4 模型訓(xùn)練與驗(yàn)證

2.4.1 檢測(cè)指標(biāo)

目標(biāo)檢測(cè)算法中衡量識(shí)別精度的指標(biāo)是mAP（mean Average Precision）。多個(gè)類別物體檢測(cè)中，每一個(gè)類別都可以根據(jù)Recall和Precision繪制一條曲線，AP是該曲線下的面積，mAP是多個(gè)類別AP的平均值。檢測(cè)指標(biāo)方面，TP代表正樣本檢測(cè)為正的數(shù)量，F(xiàn)P代表負(fù)樣本檢測(cè)為正的數(shù)量，F(xiàn)N代表負(fù)樣本檢測(cè)為正的數(shù)量，e表示類別，N0表示該類別圖像數(shù)量，結(jié)果的計(jì)算公式如下。

訓(xùn)練過程中，重點(diǎn)檢測(cè)mAP（多類別平均精確度）和Recall（召回率），根據(jù)訓(xùn)練可視化曲線進(jìn)行網(wǎng)絡(luò)模型參數(shù)調(diào)整和迭代。本項(xiàng)目模型mAP曲線如圖3所示。

圖3 模型mAP曲線

2.4.2 模型場(chǎng)景驗(yàn)證

本項(xiàng)目通過室外環(huán)境和室內(nèi)環(huán)境分別對(duì)安全帽、工服、安全帶、工作梯以及圍蔽算法進(jìn)行現(xiàn)場(chǎng)場(chǎng)景測(cè)試，該模型能夠較好進(jìn)行多場(chǎng)景適應(yīng)性檢測(cè)，漏檢和誤檢率較低，運(yùn)行數(shù)據(jù)模型驗(yàn)證的具體效果如圖4所示。

圖4 數(shù)據(jù)模型驗(yàn)證的具體效果

3種場(chǎng)景驗(yàn)證結(jié)果如表2，滿足智慧算法安全管控要求。

表2 3 種場(chǎng)景驗(yàn)證結(jié)果

3 結(jié) 論

綜上所述，智慧可視化算法對(duì)電力安全監(jiān)管關(guān)注的重點(diǎn)違規(guī)作業(yè)有較好的識(shí)別準(zhǔn)確性，將智慧可視化應(yīng)用于電力項(xiàng)目建設(shè)過程中能構(gòu)建出智能化、數(shù)字化、精益化以及標(biāo)準(zhǔn)化的安全管控模式，有利于提升現(xiàn)場(chǎng)作業(yè)安全管理體系的完善性，增強(qiáng)對(duì)現(xiàn)場(chǎng)作業(yè)風(fēng)險(xiǎn)的防控能力，及時(shí)發(fā)現(xiàn)現(xiàn)場(chǎng)作業(yè)中的各類危險(xiǎn)因素，智能采用各種防控措施，保證了現(xiàn)場(chǎng)作業(yè)人員的生命安全，降低了現(xiàn)場(chǎng)事故發(fā)生率，規(guī)范了現(xiàn)場(chǎng)人員的作業(yè)行為，保障了電力現(xiàn)場(chǎng)作業(yè)安全。