融合視覺感知與RTK定位的變電站越界違章檢測

2023-08-15 02:02:18丁俊峰肖文韜李明遠吳德勇顧德揚

計算機技術與發展 2023年8期

丁俊峰,肖文韜,李明遠,吳德勇,顧德揚,陳軒,陳蕾*

(1.國網江蘇省電力有限公司,江蘇南京 211102;2.南京郵電大學,江蘇南京 210023;3.國網江蘇省電力有限公司超高壓分公司,江蘇南京 211102)

0 引言

近年來,隨著中國國民經濟的快速發展和居民生活水平的不斷提高,一些老舊變電站無法滿足居民生產生活的用電需求,對這些老舊變電站進行改建或擴建也逐步提上日程。不同于民用施工場景,變電站改擴建施工作業現場帶電設備眾多,并且在改擴建施工時仍需滿足正常的供電需求,因此只能采用局部斷電的改擴建方案,而未斷電的變電站區域則成為施工人員禁止進入的危險區域。但是在變電站改擴建施工過程中,施工活動范圍往往難以控制,傳統防護方案是設置物理圍欄,然而該方案不僅無法實時預警,而且由于圍欄高度所限僅能防護地面周界越界,高空高程越界則難以防護。為了克服物理圍欄防護方案的不足,一些電子圍欄防護方案被提出,常見的電子圍欄防護方案包括脈沖電子圍欄[1]、紅外電子圍欄[2]、張力式電子圍欄[3]等,然而這些電子圍欄防護方案也僅能防護地面周界越界,不能有效防護高空高程越界,且同時存在部署代價高、設備易損壞、難以維護的諸多不足,不能很好地適用于變電站改擴建場景。

為了克服上述缺陷,基于近年來流行的輕量級目標檢測模型YOLOv5及載波相位差分實時動態定位技術(real-time kinematic,RTK),提出一種融合視覺感知與RTK定位的變電站越界違章檢測算法代替傳統的物理圍欄和電子圍欄。該算法不僅繼承了YOLOv5目標檢測模型實時性高和部署靈活的優點,而且通過引入RTK定位技術彌補了視覺定位精度不足的缺陷。此外,為了提升變電站改擴建場景中用于輔助計算機視覺與RTK定位融合的特定小目標檢測精度,算法在YOLOv5模型中引入了注意力模塊CBAM[4],使重要的小目標特征占有更大的網絡處理比重,增強了網絡對感興趣區域的特征學習能力。另一方面,由于實際應用中難以采集到分布完備的配準參照物,導致訓練數據量往往偏少,為此算法還在YOLOv5模型中引入了alpha-IoU[5]度量邊框框回歸損失,以增強對此類長尾小目標數據的魯棒性。最后,真實場景中的實驗結果驗證了所提出的越界違章檢測算法能有效檢測出變電站改擴建施工地面周界及高空高程的越界違章行為。

1 相關工作

傳統變電站改擴建場景下的安全防護方式是人工搭建物理圍欄,該方法不僅費時費力,而且即使施工人員跨越圍欄也無法做到實時預警,且更為重要的是該方法無法防護高空高程越界違章行為。為了克服物理圍欄的上述缺陷,虛擬圍欄技術如脈沖電子圍欄、紅外電子圍欄、張力式電子圍欄等應運而生。脈沖電子圍欄可無視地形隨意架設,且不受氣候、環境等變化的影響,但易受電磁干擾,因此不適用于變電站改擴建施工場景。紅外電子圍欄是一種不易受電磁干擾的虛擬圍欄技術,然而卻容易受到環境和遮擋影響,具有高誤警率。張力式電子圍欄通過拉力探測器、合金線等一系列部件組成虛擬電子圍欄,雖然其檢測性能較好,但場景布置極為復雜,且部件容易損壞,不適用于變電站改擴建場景。因此,研究者又提出將無線定位技術[6]引入電力施工場景,劉等人依據RSSI模型計算原理建立RSSI信號傳輸模型,有效降低了無線傳感器網絡定位的平均誤差[7]。黃等人在SRP-PHAT定位算法中引入TDOA,有效提升了三維定位的實時性[8]。這些定位算法雖然定位精度較高,但僅能進行單點定位,無法獲取定位目標的周身位置信息,不能適用于變電站施工應用場景中的越界違章檢測需求。

為此,研究者們提出將基于目標檢測的視覺感知越界違章檢測方法引入電力施工場景。杜等人采用像素級的視覺背景提取算法首先提取前景目標,再結合人體的幾何特點識別出安全帽目標,克服了變電站環境復雜干擾性強的問題[9]。吳等人針對工人衣著安全帽顏色相近、ViBE算法對運動目標會產生殘影、安全帽目標較小等問題提出了卡爾曼濾波、多特征融合和支持向量機相結合的方法,并通過計算前景及背景區域的差異消除殘影[10]。許等人針對牽引變電站內靜態場景監視的特殊情況,研究了一種差值區域分類識別法,通過對感興趣目標的前景背景作進一步細分并提取差值范圍的圖像,從而提取出HOG特征并加以分類[11]。Kang等人提出了一種基于計算機視覺、機器學習和圖像處理的新穎實用的安全帽檢測框架,采用ViBE背景建模算法,基于運動物體分割的結果,將實時人體分類框架C4應用到變電站行人的準確快速定位[12]。這些傳統的視覺感知方法都是針對感興趣目標結合上下文環境進行人工判別特征提取,在一些施工環境較為穩定的場景下檢測效果較好。然而真實的電力施工場景環境錯綜復雜,特別是在面對天氣變化、光照改變等情況時,傳統視覺感知方法效果往往急劇下降。

近年來,隨著深度學習技術的日益成熟,研究者們先后提出了多個性能魯棒的基于深度卷積網絡的目標檢測模型,如R-CNN[13]、FastR-CNN[14]、Faster-RCNN[15]、SSD[16]和YOLO[17]等,這些深度目標檢測模型有效解決了人工特征過于依賴場景的問題。受深度學習領域魯棒目標檢測模型的驅動,一些基于深度學習目標檢測的越界違章檢測方法也開始出現,以實現在電力施工場景下對譬如安全帽、異物侵入[18]等感興趣目標的監測。陳等人采用深度卷積網絡作為基礎網絡,增加特征金字塔模塊融合淺層與深層語義信息,并引入SE-Ghost模塊進行輕量化,提高了檢測速度[19]。鄭等將YOLOv4[20]模型與DeepSORT[21]目標跟蹤算法相結合,使得監控人員隨時都能觀察到人員的安全帽佩戴狀態[22]。楊等人基于YOLOv3進行改進,利用變電站巡檢機器人開展電力巡檢工作[23]。房等人基于二維和三維卷積提取時序和空間特征,提出一種智能化的圍欄跨越違章檢測與識別方法[24]。王等人利用目標檢測算法結合幀差判斷法識別施工現場的違規動作,提出一種基于Faster RCNN的跨越圍欄違規行為檢測方法[25]。然而,上述基于深度學習目標檢測的越界違章方法雖然克服了單點定位方法無法獲取感興趣目標周身位置信息的缺陷,也克服了傳統目標檢測方法人工提取特征穩定性差的不足,但是,這類視覺感知方法也存在因視覺畸變導致定位精度不足的固有缺陷。為此,該文基于輕量級目標檢測模型YOLOv5提出一類融合視覺感知與RTK定位的變電站越界違章檢測方法,該方法不僅繼承了YOLOv5目標檢測模型實時性高和部署靈活的優點,而且通過引入RTK定位技術彌補了視覺定位精度不足的缺陷,還克服了傳統物理圍欄和電子圍欄硬件成本高、場景布置復雜、易受環境影響等缺點,能滿足變電站改擴建施工越界違章行為的實際檢測需求。

2 問題建模

該文提出將變電站改擴建越界違章檢測問題建模為一類計算機視覺應用問題,如圖1所示,移動端視頻攝像頭正交擺放在所監控區域的前方與側方,實時拍攝并檢測作業區域的工況,以三角錐檢測框底部內側端點連線圍成的多邊形區域作為安全區域,多邊形區域外的區域均為帶電危險區域,以此判斷地面作業人員是否在安全區域內。

圖1 變電站改擴建越界違章檢測問題建模示意圖

對于高空作業人員,通過施工區域檢測攝像頭、輔助攝像頭獲取圖像中高空作業人員在地面的投影點,并將高空作業人員投影至地面,以此判斷作業人員是否在作業區域內。根據上述高空作業人員在地面的投影,計算高空作業人員在圖像中的視覺高度,并結合RTK人員定位模塊測得的單點物理坐標、RTK設備(該設備置于安全帽中)在圖像中的視覺高度生成比例尺,根據比例尺計算高空作業人員的真實高度,并判斷作業人員是否高程越界。

3 改進的YOLOv5骨干檢測網絡

該文采用改進的YOLOv5目標檢測模型作為越界違章核心檢測算法,該算法綜合了YOLO算法及其他視覺感知算法的優點,既保證了檢測精度,又能夠保證檢測速度,且權重較小,訓練時間更短。YOLOv5總體上分為四個部分,輸入端負責處理圖像的輸出,包括圖像預處理等,骨干網絡負責圖像特征的提取,Neck負責多層次特征的融合,檢測頭負責網絡的輸出?？紤]到變電站改擴建越界違章行為檢測應用中安全帽和三角錐均屬于小目標檢測問題,在YOLOv5模型中引入注意力模塊CBAM,使重要的目標特征占有更大的網絡處理比重,增強網絡對目標區域的特征學習能力。CBAM模塊同時關注了空間和通道信息,通過通道注意力模塊CAM(Channel Attention Module)和空間注意力模塊SAM(Spatial Attention Module)對網絡中間的特征圖進行重構,強調重要特征,抑制一般特征,達到提升小目標檢測效果的目的,其結構如圖2所示。

圖2 CBAM模塊

CAM模塊流程如圖3所示,輸入的特征圖長為H,寬為W,通道數為C。首先,進行最大池化,提取每一通道最重要的信息;其次,進行平均池化,提取每一通道的綜合信息;然后,將它們送入全連接層,進行信息的進一步提取;最后,將這兩部分信息融合,生成通道注意力模塊。

圖3 CAM模塊

SAM流程如圖4所示,獲取添加了空間注意力模塊CAM后的特征圖F'先在通道上做最大池化,提取最重要的通道信息,然后在通道上做平均池化,提取通道的綜合信息,再將兩部分提取出來的特征圖拼接,送入卷積層進一步提取空間信息,得到空間注意力模塊。

圖4 SAM模塊

改進后的YOLOv5網絡結構如圖5所示,部分層間添加了CBAM模塊。此外,改進后的YOLOv5還引入Alpha-IoU作為邊界框回歸的損失函數,此前的IoU、GIoU、CIoU、DIoU雖然解決了多種問題,但收斂速度不快。

圖5 融合CBAM的YOLOv5網絡結構

該文引入Alpha-IoU,如公式(1)所示,當Alpha等于2,IoU大于0.5的時候,收斂速度更快,并且Alpha-IoU能有效增強模型對長尾小目標的魯棒性。

La-IoU=1-IoUa/a,a>0

(1)

4 融合視覺感知與RTK定位的變電站越界違章檢測算法