深度學習技術及圖像識別技術在水電站的應用研究

國能大渡河猴子巖發電有限公司 邱 華 李天智 郝亞鵬 王魯川

猴子巖水電站作為宏觀智慧電廠的基本構成，其終端數據處理與人工智能感知能力也隨著終端感知能力和分析能力提升而不斷進步。多維導向下的智能化生產運行也要去現場運維巡檢具備一定程度的異物識別、佩戴識別、設備外觀辨識以及人員違章情況識別。將歷史案例視頻庫、相近場景視頻、關聯場景視頻等信息進行歸一化比對，在及時警告、現場留痕的基礎上將傳統的視頻“監督”轉換為人機體驗更強的智慧“監控”，做到數據共享化、現場嚴管化、安全本質化的優化生產。作者在此基于多年工作經驗提出建設性意見。

1 深度學習與圖像識別概述

深度學習是機器學習的一種。他的概念來源于人工神經網絡（ANN），它從信息處理的角度模擬了人腦神經元之間信息傳遞和處理的方式。2006年Hinton等人提出了深度學習的概念，它是一種具有多個隱藏層的神經網絡結構，可以更抽象、更深入地描述目標對象的特征[1]。深度學習一般可以分為有監督學習和無監督學習，分類基于數據是否包含標記。在監督學習過程中，會發現訓練數據的特征與成績的映射關系，通過成績不斷修正學習過程中的偏差，修正學習預測率，不斷提高監督學習主要包括卷積神經網絡（CNN）、循環神經網絡（RNN）和深度堆疊網絡（DSN）[2]，無監督學習的訓練數據沒有標記。常用的算法包括受限玻爾茲曼機（RBM）和深度信念網絡（DBN）。

圖像識別技術可智能提取圖像特征、完成圖像分類，已應用于醫療、交通、安防等各種生活場景。圖像識別一般包括三個步驟：圖像預處理、圖像特征提取和圖像分類。圖像預處理旨在通過消除圖像中的噪聲和干擾，增強有用信息來提高圖像識別精度。圖像特征提取包括將圖像轉換為“非圖像”描述，例如數字表示或向量描述。其基本思想是將高維空間中的原始圖像映射或變換為低維特征描述。圖像識別是根據提取圖像的特征，根據分類決策得到待識別圖像所屬的類別。

2 深度學習技術分析

識別方法的設計。通過遷移學習，大大提高了學習性能，ImageNet訓練的參數提取能力更強。通過特征提取進行數據集特征縮減包括三種典型網絡：一種是VGG網絡、一種是ResNet殘差網絡，第三種是密集連接的DenseNet網絡[3]。使用交叉熵函數作為損失函數，選擇自適應矩估計方法作為模型的優化器。選擇Softmax回歸算法進行分類，使用微平均F1分數、準確率和回收率進行輔助評估，提高你的準確率。

數據集的建立。捕獲圖像后，將其壓縮到一定的像素大小。專業人員將記錄數據并將相同類型的文件放在同一文件夾中。比如提取3000張圖片、分成24組，你會用8:1:1的比例作為訓練數據集、驗證數據集、測試數據集。由于每個類別的數據數量不均衡，必須使用旋轉、平移、切片、縮放和翻轉等方法進行數據增強。

識別模型的壓縮。執行更深、更復雜的網絡挖掘功能并提高其準確性，因此數據消耗非常大，因此必須優化網絡以減少資源消耗。本研究采用可分離的深度卷積壓縮方法來減少計算量并壓縮模型。此外，可以使用網絡修剪和模型量化壓縮方法來減少參數數量并跳過不必要的計算[4]。

3 圖像識別技術的優缺點

優勢：自然性。運用圖像識別最簡便的自然特征和面部生物特性進行身份的快速驗證，無需進行特定擺放和額外的證件識別；不易察覺性。需求者和終端圖像信息能夠進行主動獲取，在受體未察覺的前提下完成數據采集。特別是人臉識別可以在不同光線先進行不同數據量的人臉圖像信息比對，并在紅外線與可見光融合的前提下完成多光源人臉圖像識別數據歸一化，讓受體體驗性和數據采集的隱蔽性更佳；非接觸性，相比其他測量、識別碼錄入、生物信息采集等傳統識別技術，運用圖像識別更具有高效性。圖像設備無需接觸就能完成圖像信息的識別和分揀。并在特定大小下進行不同物體幾何形狀繪制與識別。區分生物體和機械設備大體運行狀態，做到動態表征。

缺點：圖像識別技術其精度有限，在特定燈光前提下無法捕捉更多細節。同時因為設備和生物形態可能存在相似性，所以在不同個體之間的區別特征較少時無法進行精確識別，特別是在人臉識別范疇，在人臉結構特征相似，在加上化妝掩蓋和光線角度的制約下加大了識別的難度。加之不同表情下的人臉存在易變性，所以很難在大幅度運動前提下通過臉部視覺圖像進行識別。多重要素弱化了該種方式的識別效率。

4 深度學習技術及圖像識別技術在水電站的應用

水電站的運行需要強有力的安全防護，該種方面需要進行機電設備的長效巡檢，同時要求安保系統較高。避免外來入侵者破壞相應設備、同時實時監控相關設備正常運行、確保施工現場無違章作業和施工質量不達標帶來的安全運行隱患。其主要圖像識別要點有人員信息碼識別、安全帽（帶）佩戴檢測、危險源識別、設備完整性識別以及人員跨越危險區等違章操作[5]。

異物識別。異物包括關鍵設備緊固部件完善性以及人員工具異物、火種和違規違章操作等。系統可以將實現錄用的歷史視頻以信息流的形式進行存儲。將攝像機進行定點部署，做到施工現場全覆蓋。然后將獲取的圖像進行原始信息比對，在智能分析前提下及時發現關鍵要害部位零部件缺失、物品違規以及違章操作等，然后通過預設專家庫風險因素進行信息平臺數據共享，及時預判危險，并將風險預警情況進行有限提示，必要時還可進行視頻切換至指揮系統人工評判。

佩戴識別。應用圖像識別模塊自動檢索像素直方圖，數學模型自動計算頭盔（帶）佩戴形態分析，判斷是否佩戴頭盔（帶）等勞保產品。工作人員進行實時分析、識別、監控和報警，在不戴頭盔的情況下提前預警危險行為，將截圖和報警視頻保存在數據庫中形成報告，并將報警信息發送給管理人員。

設備外觀識別。安裝在大壩泄洪出入口等重點區域的攝像頭用于采集施工人員的面部圖像。數據的比較和計算。當比較結果為合理值時，允許白名單人員通過；當比對結果超過合理值時，系統會屏蔽此人，即黑名單上的人，并對未授權人員進行警告和警告。記錄報警信息并發送給系統，人工合成后可解除禁令。此外，通過對進場人員的身份進行身份驗證，可以確保值班人員的真實性和操作票的合規性，以有效解決出入口等重點區域，水電站建設內部人員管理問題。

人員移動及跨越識別。可在電廠生活區和重點風險管理區進行電子圍欄監控。根據實際情況制作警戒區地圖，該地區禁止人員和物品。當攝像機檢測到有人移動、穿越或其他違法行為時，通過圖像識別分析自動識別報警并發送給系統管理人員，可有效提高對危險區域人員的管理和控制。