配網不停電作業全流程安全監測與預警系統

2022-05-30 04:29:40謝世朋

計算機技術與發展 2022年5期

張冬，謝世朋

(1.國網江蘇省電力有限公司淮安供電分公司，江蘇淮安 223002;2.南京郵電大學，江蘇南京 210069)

1 概述

1.1 課題背景

隨著中國電網的持續快速發展，對于中國目前的輸配電線路的維修、電網設備檢測和維護等工作，不停電作業技術已經成為一種重要手段。但是不停電作業對于作業人員也是一項極其危險的工作，在這種作業環境下存在的高強度的電場、暫態電擊和穩態電擊以及作業過程中對誤操作短接空氣間隙放電，都對不停電作業人員的安全造成了很大的威脅，因此不停電作業安全防護問題也就成為不停電作業順利實施的關鍵。目前，國內開展配網不停電作業時，有時會出現作業人員不規范穿戴絕緣安全帽、不穿絕緣防護服與絕緣防護手套就進行不停電作業，在作業過程中極有可能出現安全事故。作業過程中，即使穿戴了絕緣防護裝備，如作業動作不當，不能與帶電體保持安全距離，也會存在被高壓電擊穿觸電的風險。目前國內不停電作業中安全監控及預警手段和方法缺乏，很難實時精準度量現場作業人員與帶電體之間的距離，并監控現場作業人員的行為，進行主動預警。目前，中國輸配電線路不停電作業的人員安全問題主要從兩方面共同解決，一是依靠具有豐富經驗的專責監護人，二是作業人員的自覺性。在實際的作業過程當中，由于現場作業點多面廣，作業人員工作任務繁重，容易疲勞，精力無法持續集中，作業人員很容易發生違反操作規程、忽視安全距離等危險行為，從而導致安全事故的發生。

因此，亟需一種智能化的不停電作業全流程安全監測與預警系統，依靠此系統減少在不停電作業工作中的安全隱患，保證作業人員的人身安全。

1.2 相關工作

關于“不停電作業”的安全監測系統的研發從2013年來就有了相關研究，近年來隨著計算機視覺、人工智能技術的飛速發展，此安全監測系統又有了眾多設計與實現方案。

文獻[1-6]進行了不停電作業中工作環境的數據收集與研究，文獻[7-10]收集與研究了不停電作業中作業人員的健康數據，文獻[1-2,6-7,10-12]涉及不停電作業中作業人員的工作軌跡研究。上述文獻都涉及了不停電作業安全距離預警系統相關的數據收集研究，但未涉及有關開工安全檢查系統方面的研究。

2013年，Yuan[13]提出了一個基于雙目視覺的輸電網帶電作業安全監測方法測距技術。2014年，國家電網公司[14]提出了使用圖像處理的方式進行帶電作業現場著裝的安全檢測。2015年，Fan等人[15]提出基于高斯混合模型的視頻圖像分析的輸電高壓線安全距離檢測技術。2019年，廣東電網有限責任公司[16]提出了障礙物與帶電體之間安全距離測量的方法。2020年Ruan等人[17]使用了深度相機測量輸電網帶電作業的安全距離。文獻[13,16-17]提出了使用深度相機計算安全距離的概念，但是均沒有區分人與帶電體，實踐起來會受到很多限制，很難在配電網不停電作業上實施。Zhou等人[18]提出一種組合式高壓電場測量裝置來實現安全預警，但是由于物體入侵引起高壓電場變形，使得這種方法測量精度不高。

文獻[1-2,4]和該文針對不停電作業安全距離預警系統研究，都運用了實時監控技術，但采用的方法不同。文獻[1-2,4]采用的是基于TOF攝像機實時監測作業人員與帶電體的距離來進行安全預警，而該文是通過激光雷達、RGB相機對不停電作業環境進行3D建模，使用基于語義分割模型識別周圍帶電體進行安全檢測與預警；文獻[3,5,7-8,14]都研究了基于實時監控技術的穿戴于作業人員身上的安全預警裝置，與該文基于激光雷達和RGB相機的靜止/運動平臺式預警系統不同。在基于智能空間測距的帶電作業安全防護技術研究方面，文獻[6,11-12]采用的是實時定位的智能監控預警系統，文獻[10]采用的是作業軌跡流程的監測系統，文獻[16]是監測障礙物與帶電物之間的距離的預警方法，而該文研究的預警系統既實時監測作業人員的工作軌跡，也對作業人員與帶電體之間的安全距離進行預警。

1.3 主要設計內容

本系統應用于不停電作業的全流程安全監測，旨在預防或減少不停電作業人員人身傷害等事故的發生，實現不停電作業全流程管控智能化，并實時監測人與帶電體的安全距離并進行主動預警。具體應用目標表現在：

(1)開工準備檢查。系統自動識別現場作業人員是否召開開工會；系統自動判斷現場作業人員是否進行風速、溫度和濕度的測量。系統自動判斷作業現場圍欄是否規范；系統自動識別作業人員是否正確穿戴安全帽、絕緣防護服、絕緣防護手套；系統自動識別作業人員是否對絕緣斗臂車添加絕緣墊片、是否可靠接地。

(2)作業過程監測。當作業人員進行作業時，通過人體關鍵點識別系統、帶電體識別系統和空間位置判斷系統對作業人員的身體與帶電體之間的距離進行自動判斷，及時進行安全距離預警。

2 系統設計與實現

本項目將激光雷達與攝像頭圖像相融合，通過三維點云匹配算法快速建立局部三維場景地圖。然后，利用深度學習算法精準定位目標，精準判斷人體部位和電纜的距離，實現主動預警功能。之后，構建基于慣導系統的運動誤差補償算法。通過視頻與數據傳輸模塊，建立遠程動態可視化監控系統，實現實時不停電作業現場監控。搭建支持邊緣計算框架及彈性動態匯聚功能的云服務系統，實現分布式、多網格、多傳感器的有效數據采集、存儲以及可視化。同時，利用深度學習技術，通過作業人員動作識別和穿戴絕緣防護用具識別來完成不停電作業全流程安全監測。

2.1 基于人工智能的開工準備檢查

本模塊的目的是實現在不停電作業中的開工準備檢查，包括：系統自動識別現場作業人員是否召開開工會；系統自動判斷現場作業人員是否進行風速、溫度和濕度的測量。系統自動判斷作業現場圍欄是否正常；系統自動識別作業人員是否正確穿戴安全帽、絕緣防護服、絕緣防護手套；系統自動識別作業人員是否對絕緣斗臂車添加絕緣墊片、是否可靠接地。

本項目選擇了YOLO模型作為檢測基礎模型，聯合網絡DensetNet和ResNet的特點，采用遷移學習方法構建了新型、高效的目標識別網絡。與傳統檢測算法相比，它們的主要區別是傳統檢測算法把檢測問題劃歸為圖像分類問題，整個檢測過程利用的是滑動窗口技術，其原理是首先采用不同的窗口在圖片上以特定步長滑動，然后對窗口內的圖像進行分類。但是這種方法存在窗口大小設置和步長選擇等問題，且計算量相對較大，不能夠實現快速檢測。而本項目則將檢測問題劃歸為回歸問題，檢測圖片被劃分為若干單元塊，由各個單元塊獨自完成檢測任務，分析落在其中心點的目標，并給出預測類型結果、邊界框以及置信度等參數。本項目模型檢測的優點主要有：檢測速度快，實時性強；預測時會完整分析單位塊內整個圖片信息，沒有對網格數進行限制；可以獲得目標圖像的普適化特征，泛化能力強。

(1)YOLO算法流程。

YOLO網絡結構把目標分類、目標定位結合在一起，放置于單個卷積神經網絡模型中。其YOLO作業過程如下：

Step1：輸入視頻流圖像，將每幀圖像劃分為M×N個單元格，從每個單元格提取得到W個初始候選框。

Step2：對W個初始候選框分別進行目標識別，計算出W個候選框中存在目標的預測置信度。若候選框中無目標物體，則候選置信度值為零，若含有目標物體，置信度即為預測框與真實框的比值。并對存在目標物體的候選框識別其目標對象類別。

Step3：候選框中包含了目標對象的置信度和邊界框的位置信息，即YOLO網絡的輸出向量為(X、Y、W、H、C)，其中X、Y表示相對預測框的中心點坐標，W、H分別表示預測框的長和寬，置信度C(confidence)表示的是存在目標對象的候選框為真實樣本的概率。

Step4：通過作業人員的運動軌跡解決頭部與身體部位的遮擋問題，給出遮擋部位的虛擬的識別判斷結果。

Step5：給出全部識別結果：是否帶有安全帽、是否穿戴絕緣防護服以及是否穿戴絕緣防護手套。

(2)基于YOLO的半監督學習識別算法。

基于YOLO的半監督學習識別算法，在確保準確率不變的情況下，使樣本標注與收集作業更加簡化，同時提高了小目標的準確率和模型的泛化能力，使其能適用于現場的實時識別。基于YOLO的半監督學習識別算法的總框架主要包括以下三個步驟：

Step1：設計作業人員識別網絡與具體網絡結構，該網絡是一種級聯網絡結構，此過程由粗到精，這對捕捉作業人員未穿戴安全的不安全行為效率有明顯提高，對于遠景監控鏡頭的小目標對象有比較好的應用效果；

Step2：選取大型公共數據集和一些真實施工現場圖像集對網絡模型進行離線訓練，對網絡模型的參數進行確定并微調，進而得到一個泛化模型；

Step3：應用半監督學習方式在線學習，增強目標單目相機在一些特定場景下的泛化能力，并分析作業人員的運動軌跡處理解決頭部與身體等部位的遮擋問題。

2.2 基于人工智能的作業過程監測

基于人工智能的作業過程監測系統，包括以激光雷達、高精度慣性傳感器(IMU)和攝像頭為數據采集源，通過人體關鍵點識別系統、帶電體識別系統、數據融合系統以及空間位置判斷系統判斷人與帶電體之間的距離，并給出主動預警。

2.2.1 人體關鍵點識別系統

人體關鍵點識別系統包括人體肢體關鍵點位置識別模塊、關鍵點安全防護判斷模塊，人體肢體關鍵點位置識別模塊接收攝像頭圖像并基于改進后的卷積位姿機網絡對人體肢體關鍵點位置快速識別。關鍵點安全防護判斷模塊接收攝像頭圖像以及人體肢體關鍵點位置識別模塊的輸出數據，判斷作業人員是否穿戴安全帽、是否穿戴絕緣防護服與絕緣防護手套，其中設有安全帽識別模塊、絕緣防護服和絕緣防護手套識別模塊。當判斷作業人員未穿戴安全帽，則會通過主動預警系統進行報警。同時對作業人員是否穿戴絕緣防護服和絕緣防護手套進行檢測，當攝像頭檢測到不良現象或者作業人員未穿戴絕緣防護服和絕緣防護手套則會通過主動預警系統進行報警。本項目通過設置人體關鍵點識別系統，當作業人員需要進行不停電作業時，人體關鍵點識別系統則會對作業人員的肢體位置進行識別，及時提醒人員肢體與帶電體之間的距離。

本項目人體關鍵點識別系統的人體肢體關鍵點位置識別模塊進行基于改進后的卷積位姿機網絡對人體肢體關鍵點位置快速識別。本項目針對不停電作業上場景的特殊要求，對原始的卷積位姿機網絡主要做了以下兩點改進：

(1)將原卷積位姿機的六階段網絡變為四階段網絡，有效地減少了網絡迭代次數、網絡參數量和網絡模型大小。

(2)原網絡每一階段的輸入僅來自于其直接相連的上一階段的輸出和直接從原圖中提取的特征，通過引入不同階段間的跳躍連接，使得更多的圖像底層細節在處理高層細節時得以保留，增強了不同階段間數據的共享，提高了網絡的表達能力。

改進后的網絡結構如圖1所示。其中，中心圖為獲取的攝像頭圖像原圖與高斯函數模板進行卷積操作，生成的中心圖，中心圖池化后為小中心圖。

改進后的卷積位姿機網絡對人體肢體關鍵點位置快速識別的具體步驟為：

Step1：獲取的攝像頭圖像原圖與高斯函數模板進行卷積操作，生成中心圖。

Step2：中心圖池化為小中心圖，并送入第二、三和四階段網絡。

Step3：獲取的攝像頭圖像原圖經過MultiBlock_1操作后，送入第二、第三和第四階段網絡。

Step4：獲取的攝像頭圖像原圖經過MultiBlock_0操作后，送入第二和第三階段網絡。

Step5：第二階段網絡操作后的特征數據，送入第三和第四階段網絡。

Step6：在第四階段網絡，特征數據經過匯合后，經過ConvBlock操作后輸出64*64*18的特征數據。

圖1 改進卷積位姿機網絡結構

從圖1可見，改進后的網絡共有四個階段，第三、第四階段網絡的輸入來源除了MultiBlock_1、小中心圖和直接與其相連的第二、第三階段外，還分別有來自第一、第二階段的輸出。這樣的四階段跳躍連接設計結構使得在不損失太多原卷積位姿機檢測性能的基礎上實現了原網絡的簡化，有效減少了網絡迭代次數、網絡參數量和網絡模型大小，以滿足不停電作業對實時性的要求。

2.2.2 帶電體識別系統

帶電體識別系統包括帶電體圖像識別模塊和帶電體測量儀器，帶電體圖像識別模塊通過人工智能神經網絡對帶電體進行語義分割和識別并結合帶電體測量儀器輔助判斷其是否帶電。

帶電體識別系統首先通過人工智能神經網絡對帶電體進行語義分割和識別，然后帶電體測量儀器輔助判斷其是否帶電。本項目使用Mask RCNN[19]進行帶電體的語義分割識別。通過設置帶電體識別系統，當作業人員需要不停電作業時，在帶電體識別系統的配合下，從而得以對帶電體位置進行判斷。后期空間位置判斷系統結合激光雷達產生的空間位置點云數據，計算得出帶電體的空間位置信息，及時對人員肢體與帶電體之間的距離進行預警，以避免不停電作業人員的安全隱患，提高了不停電作業的安全性。

2.2.3 數據融合系統

激光雷達與攝像頭數據融合，其實相當于是激光雷達發揮激光雷達的優勢，攝像頭發揮攝像頭的優勢。激光雷達能獲取點云位置信息，攝像頭能獲取更豐富的細節信息。本項目考慮融合激光雷達、攝像頭和高精度慣性傳感器進行高精度空間位置的定位。數據融合系統獲取攝像頭與激光雷達位置內參和外參，將點云三維坐標系下的點投影到相機三維坐標系下，通過建立點云和圖像像素點之間的對應關系，實現激光雷達與攝像頭的融合。實際施工現場會出現工程車輛抖動、作業斗抖動、人體運動抖動和裝置碰撞的情況，對定位準確性影響較大。為了增加空間位置數據的精度，本項目結合慣性傳感器數據對激光雷達-攝像頭融合數據進一步補償運動誤差。

2.2.4 空間位置判斷系統

空間位置判斷系統分別通過攝像頭、激光雷達以及慣性傳感器并經人體關鍵點識別系統、帶電體識別系統、數據融合系統獲取帶電體空間位置以及作用人員空間位置，判斷空間位置是否正常。

人體關鍵點識別系統、帶電體識別系統以及空間位置判斷系統均與主動預警系統連接，分別用于控制主動預警系統進行報警。

3 測試及結果分析

目前項目已開始在淮安市不停電作業中心試點應用，實現了20次現場作業的全流程安全監測與預警，規避了2次危險作業風險。使得作業人員作業更加規范，更加安全。

通過現場實地實驗，本項目可實現不停電作業全流程管控智能化；通過人體關鍵點監測系統可以判斷作業前是否進行開工會及天氣檢測，保證作業前準備工作全部進行(如圖2所示)；通過作業人員穿戴絕緣防護用具檢查系統可以保證作業人員進行不停電作業前穿戴好全套的絕緣防護用具，當系統檢測帶工作人員為穿戴相應的絕緣防護用具時，系統會通過語音提示其穿戴相應絕緣防護用具(如圖3和圖4所示)；通過安全距離監測及預警系統可以保證工作人員進行不停電作業時與帶電體(如圖5所示)保持安全距離，當工作距離接近安全距離時，系統會進行語音提示，保證工作人員的安全。