基于全卷積網絡的配電線下魚塘垂釣識別方法

唐冬來，楊 平，劉秋輝，黃 璞，楊 俏，葉鴻飛

（四川中電啟明星信息技術有限公司，四川成都 610041）

隨著中國經濟的迅猛發展，電網建設規模不斷擴大[1]，輸配電線路跨越農村魚塘的情況逐年增多[2]。垂釣者在輸配電線路下方的魚塘釣魚時，若不慎將魚桿或魚線拋到魚塘附近的輸配電線路上，將造成垂釣者觸電燒傷或死亡[3-5]。

供電公司輸配電線路下魚塘垂釣管理分為被動阻攔方式和主動檢測方式，被動阻攔方式采取對垂釣者進行宣傳與設置警示裝置等措施禁止垂釣[6-7]，但垂釣者的安全意識不強，仍有垂釣者觸電事故發生。主動檢測是通過無人機攝魚塘圖像的方式進行垂釣者圖像識別，采用語義分割模型提取垂釣者的特征[8-9]，但上述方法對魚竿的特征檢測不明顯，不能區分普通行人和垂釣者。

為解決輸配電線路下垂釣者發生觸電風險隱患的問題，提出了一種基于全卷積網絡(Full Convolutional Network,FCN)的配電線下魚塘垂釣識別方法。該方法采用全卷積網絡對圖像進行了精準分析，過濾噪聲數據的影響，從而提高輸配電線路下垂釣者識別的準確性。

1 輸配電線下魚塘防釣觸電框架

文中所述的基于全卷積網絡的配電線下魚塘垂釣識別方法主要包括輸配電線路下的魚塘特征檢測、垂釣者行為檢測和垂釣行為告警三部分內容，框架如圖1 所示。

圖1 輸配電線路下魚塘防釣觸電框架圖

由圖1 可知，在魚塘特征檢測環節，首先，通過安裝在輸配電線路旁桿塔上的視頻攝像頭獲取魚塘視頻圖像數據；然后，對魚塘圖像區域進行分割，劃分魚塘和周圍陸地的圖像區塊；在此基礎上，進行魚塘的邊緣檢測，檢測出魚塘的地理范圍；最后，構建魚塘的圖像特征。在垂釣者行為檢測環節，首先提取途徑魚塘的人員特征；然后對人員的特征進行分析，判斷該人員是否攜帶魚竿，若攜帶魚竿，則認為是垂釣者；在此基礎上，檢測垂釣者的魚竿是否處于拉伸狀態；最后，判斷垂釣者是否有揮魚竿的行為。在垂釣行為告警方面，首先接收垂釣者闖入輸配電線路下方的圖像檢測行為信息；然后，調用語音庫中的告警語音，輸出到輸配電桿塔上的揚聲器和警示燈進行告警。

2 輸配電線下魚塘防釣觸電模型

2.1 魚塘特征檢測

2.1.1 魚塘視頻輸入

輸配電線路的導線距離下方魚塘的垂直距離在6～30 m 之間，準確地檢測魚塘的范圍，是輸配電線路下魚塘防釣觸電模型的關鍵。輸配電線路下魚塘視頻監測裝置由球機視頻攝像頭、太陽能光伏板供電單元、視頻邊緣計算節點、揚聲器和警示燈構成，可將其安裝在距離魚塘最近的自立桿塔上，實現對于魚塘范圍內的圖像監測。輸配電線路視頻監測裝置安裝圖如圖2 所示。

圖2 輸配電線路視頻監測裝置安裝圖

為減少魚塘垂釣告警平臺服務器的計算壓力，在邊緣計算節點中內置文中所提方法的算法模型。通過邊緣計算識別出垂釣者的魚塘闖入行為，并將結果通過4G 模塊發送到后臺監控主站。文中通過視頻攝像頭中的電荷耦合器件（Charge-Coupled Device，CCD)[10]將采集到的魚塘圖像數據提取到邊緣計算節點單元。

2.1.2 魚塘圖像區域分割

語義分割算法是對圖像中的所有像素點進行分類，確定每個像素點的所屬類別，從而進行圖像區域的劃分，通過語義分割可以提取到輸配電線路下方魚塘的區塊。

全卷積網絡(FCN)是一種圖像語義分割算法，該方法包括了全卷積和反卷積兩個部分，避免了對圖像進行復雜的前期處理，可實現對輸配電線路下方魚塘原始的分割。因此，文中采用FCN 網絡進行魚塘圖像區域分割[11-12]。

FCN 分割魚塘圖像區域過程中，在全卷積部分，模型提取輸配電線路魚塘圖像中行人的特征信息，通過檢測行人是否有攜帶釣魚竿的特征，判斷行人是否為垂釣者，并形成輸電線路下魚塘的熱點圖；在反卷積部分，在輸電線路下魚塘的小尺寸熱點圖上進行采樣，通過框線方式描述垂釣者的圖像范圍，并獲得標準輸電線路下魚塘的垂釣者語義分割圖像。通過FCN 網絡后分割的圖像Yb為：

式中，Ya為輸入的原始輸配電線路下方魚塘圖像像素矩陣；ja為魚塘圖像的卷積核大小；la為魚塘圖像的步幅；ea為魚塘圖像的補零層數。由式（1）可獲得分割后的魚塘圖像數據。

2.1.3 魚塘邊緣檢測及特征構建

索貝爾(Sobel)邊緣檢測算法是一種計算機視覺的圖像特征提取方法，該方法通過圖像的亮度及景深度來判斷圖像邊緣，具有圖像邊緣檢測準確的特點[13-14]。因此，文中采用索貝爾邊緣檢測算法進行魚塘邊緣檢測。

在魚塘圖像邊緣檢測過程中，通過魚塘圖像中亮度變化差異大的點、圖像景深不連續的點、圖像表面方向不連續及圖像物質屬性不連續的點和圖像場景變化差異大的點提取魚塘圖像的邊緣特征。在判斷魚塘圖像區域的邊緣特征后，建立魚塘邊緣范圍內的區域屬性。圖像的灰度大小Ha為：

式中，魚塘圖像邊緣的橫向坐標為Hx；縱向坐標為Hy。圖像的方向梯度Fa為：

由式（3）生成輸配電線路下的魚塘邊緣檢測信息后，構建出魚塘的邊緣特征。

2.2 垂釣者行為檢測

尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）算法是一種圖像檢測算法，該算法具有空間尺度不變的特征，可較好地識別圖像中的移動目標。因此，文中選擇SIFT 算法進行垂釣者行為識別。

在輸配電線路下魚塘的圖像中，采用SIFT 算法對魚塘闖入者的關鍵信息進行檢測。首先判斷魚塘圖像中是否有闖入者；其次，判斷闖入者是否攜帶魚竿，若闖入者攜帶魚竿則為垂釣者，若闖入者未攜帶魚竿，則為普通人員。在此基礎上，判斷垂釣者的魚竿是否有拉伸、揮桿等行為，識別垂釣者的危險行為。

可變尺度的輸配電線路下方魚塘移動物體的高斯函數W(ai,bi,β)為：

式中，a、b為移動物體的縱橫坐標；ai、bi為移動物體上的不同一點；β為不同尺度的核參數。尺度不變換特征Z(a,b,β)為：

式中，R(a,b)為輸入的輸配電線路下方魚塘分割出的移動物體信息，然后，進行輸配電線路下方魚塘響應值圖像(Difference of Gaussians,DOG)檢測，DOG函數魚塘的極值檢測J(a,b,β)為：

式中，DOG 函數為θ。通過式（6）可檢測出垂釣者行為。具體行為列表如表1 所示。

表1 輸配電線路下方魚塘垂釣行為列表

2.3 垂釣行為告警

垂釣行為告警首先接收垂釣者闖入輸配電線路下方的圖像檢測行為信息，然后，調用語音庫中預先錄制的告警語音信息，輸配電線路下方魚塘語音告警如表2 所示。

表2 輸配電線路下方魚塘語音告警

同時，針對L1-L3 級別的垂釣行為，輸配電線路下魚塘視頻監測裝置啟動警示燈，提示垂釣者離開。

3 算例分析

3.1 場景與參數設定

為驗證文中所提基于全卷積網絡的配電線下魚塘垂釣識別方法的有效性，在某地區的輸配電線路魚塘進行實例驗證。該地區共有輸配電線路下方魚塘125 個，面積小于5 000 平方米的魚塘安裝一個魚塘視頻監測裝置，面積大于5 000 平方米的魚塘安裝魚塘視頻監測裝置兩個，共安裝預測視頻監測裝置163 個。魚塘視頻監測裝置中，邊緣計算節點的處理器為ARM10E，內存為3 GB，存儲硬盤為1 TB，操作系統環境為安卓9.0。

在訓練集中，首先選擇魚塘垂釣者圖片17 264張進行模型訓練，圖像的格式為1 920×1 080像素，驗證集中，選取某地區隨機的1 000張圖片進行驗證。

文中用于比對的方法是文獻[16]中的深度神經網絡(Deep Neural Networks,DNN)方法，該方法在圖像識別領域被廣泛應用，具有通用性。

3.2 算例運行結果與分析

3.2.1 全卷積網絡擬合精度

全卷積網絡用于輸配電線路下方魚塘的分塊，由于魚塘視頻球機可以旋轉，并可以從不同角度拍攝魚塘的全景，所以需要使用全卷積網絡對不同角度的魚塘圖像進行擬合與校準，擬合的精度越高，則輸入到模型的圖片質量也越好。

為驗證文中所基于全卷積網絡的配電線下魚塘垂釣識別方法，對文中模型訓練300 次，獲取到誤差直方圖，結果如圖3 所示。

圖3 全卷積網絡擬合精度圖

由圖3 可知，通過對全卷積網絡的訓練，模型誤差隨著訓練次數的增加而逐漸減少，當訓練次數在180 次左右時，誤差穩定在0.20%左右。

3.2.2 輸配電線路下魚塘垂釣告警時長

輸配電線路下魚塘垂釣告警時長是反映魚塘告警響應時間的核心指標，該指標的計算方式是從垂釣者闖入魚塘的圖像識別區域到魚塘視頻監測裝置揚聲器和警示燈發出告警信號的時間，該時間越短越好。

選擇魚塘垂釣者的視頻圖片樣本個數為50、100、200、300、400、500、800、1 000 個，分別采用文中所提基于全卷積網絡的配電線下魚塘垂釣識別方法與業界廣泛使用的DNN 方法進行魚塘垂釣告警時長比較，對比結果如表3 所示。

表3 輸配電線路下魚塘垂釣告警時長表

由表3 可知，文中所提基于全卷積網絡的配電線下魚塘垂釣識別方法的魚塘垂釣告警時長短于DNN 方法。

3.2.3 輸配電線路下魚塘垂釣告警準確率

輸配電線路下魚塘垂釣告警準確率是反映魚塘垂釣者闖入告警是否準確的核心指標，該指標的計算方式為魚塘實際告警的垂釣者數量與闖入魚塘的垂釣者數量的比值，該比值越小越好。

選擇魚塘垂釣者的視頻圖片樣本個數為100、200、400、500、800、1 000 個，采用文中所提基于全卷積網絡的配電線下魚塘垂釣識別方法與DNN 方法進行比較，魚塘垂釣告警準確率對比結果如圖4所示。

圖4 輸配電線路下魚塘垂釣告警準確率圖

由圖4 可見，文中所提基于全卷積網絡的配電線下魚塘垂釣識別方法魚塘垂釣告警準確率平均約為99.2%，高于DNN 方法[17]，因此文中所提方法魚塘垂釣告警準確率更高。

4 結論

為解決輸配電線路下垂釣者發生觸電風險隱患的問題，文中提出了一種基于全卷積網絡的配電線下魚塘垂釣識別方法。該方法通過視頻攝像頭采集魚塘視頻圖像，然后采用全卷積網絡語義分割算法進行魚塘原始圖像分割，通過Sobel 邊緣檢測算法標識出魚塘邊緣范圍。在此基礎上，采用SIFT 算法檢測垂釣者闖入魚塘區域，并通過揚聲器、警示燈進行告警。最后，將文中所提方法應用在某地區的魚塘，其結果驗證了該方法的有效性。

下一步，將拓展該方法的應用范圍，在跨越河流的輸電線路中進行垂釣者識別。