基于圖像識別與邊緣計算的電力作業智能安監技術研究

王桂林，康繼光，向佳霓，劉 瑋

（1.國網上海市電力公司，上海 200030；2.普天信息技術有限公司，北京 100080）

在電力生產中，正確的操作規程與完善的安全防護體系是保障電力運維、檢修及搶修人員生命安全的重要防線。為了督促電力生產參與者依照規范履行安全生產的相關措施，電力生產場所逐步實現了攝像頭、移動巡檢終端等采集設備的無死角布控[1-4]。但由于這些設備所采集的圖像與視頻體積較大，若全部回傳至電力數據云計算(Cloud Computing)中心將會占用大量的通信傳輸網帶寬。對于攝像頭等采集設備而言，由于受自身體積、重量的限制，其計算能力也相對較弱，故無法在終端完成違章行為的智能化識別。在此種場景下，邊緣計算(Edge Computing,EC)技術提供了一套可行的解決方案。即電力安監部門通過部署云端服務器與攝像頭等采集設備，組成邊緣網絡。由此既可避免終端采集設備直接與云服務器通信，同時又能規避采集設備算力不足的缺點，進而保證違章檢測的效率[5-11]。

基于以上分析，該文對圖像識別(Image Recognition)的相關技術進行了研究。同時，還對電力生產等復雜網絡環境中圖像技術在云計算體系下的邊端協同部署方案進行了設計。通過合理分配計算資源，以提升電力作業智能化的安全監測效率。

1 理論基礎

1.1 圖像識別技術

深度學習(Deep Learning,DL)算法是當前圖像識別領域使用的主流算法[12-13]，圖1 給出了卷積神經網絡(Convolutional Neural Networks,CNN)的基本結構。在該網絡中，主要包括卷積層、池化層及全連接層[14-16]。

圖1 CNN網絡結構

在卷積層(Conv)中，使用卷積運算對輸入的圖像進行特征提取。記卷積層輸入為尺寸m×m的圖像M，卷積核則為尺寸n×n的矩陣C。當卷積步長為1時，卷積運算輸出特征圖矩陣F的尺寸為(m-n+1)×(m-n+1)。具體的計算表達式如下：

其中，B為偏置矩陣，Conv(·)為卷積運算，sigmoid為核函數。卷積運算的具體方式如圖2 所示。

圖2 卷積運算示意圖

池化層(Pool)的作用在于歸并特征圖譜的冗余信息，并提升算法的魯棒性，從而避免在網絡訓練過程中出現過擬合現象。該文主要使用了平均值池化(AverPool)和最大值池化(MaxPool)兩種池化運算，具體如圖3 所示。

圖3 池化運算示意圖

圖像在經過卷積層、池化層的傳遞后進入全連接層。最終在該層完成對輸出結果的映射：

式中，No、NG分別為全連接層的輸出和輸入矩陣，而WN、BN則分別為全連接層的權重和偏置矩陣。

1.2 邊端調度策略算法設計

雖然深度學習網絡在圖像識別上效率較高，但由于其網絡層數偏多，故在訓練時將消耗巨大的計算資源。因此，需要將采集終端的部分計算任務分配給邊緣服務器。同時，還要設計合理的邊緣-采集端任務調度策略。

該策略的設計主要考慮兩個方面：1）緩解采集端的計算壓力；2）降低采集端到邊緣服務器之間的傳輸時延損耗。邊端系統策略示意圖，如圖4所示。

圖4 邊端系統策略示意圖

從圖中可看出，邊端協同策略在采集端與邊緣端分別部署了兩個CNN 網絡。其中，采集端的Little-CNN 網絡結構相對簡單，參數較少。其作用在于對采集到的圖像進行預分類，以降低網絡的傳輸耗時。而邊緣端部署的Big-CNN 網絡結構則較為復雜，參數多且訓練耗時長，其作用主要是為了提升系統的識別精度。邊端系統策略算法流程如圖5 所示。

圖5 邊端系統策略算法流程

對于CNN 網絡模型，通常在網絡的輸出層為輸入至不同類別的置信度打分，且將置信度最大的類別判定為該輸入。該文將該置信度作為邊緣端對采集端模型推理效果的判別標準，即為：

由式（3）所確定的極值為閾值α，對于第i張圖片的輸入，定義C_collect、C_edge 分別為采集端、邊緣端的第i次推理結果函數。當推理值與實際值相符時，函數值取1；而當推理值與實際值不符時，函數值則取0。此時對于第i次推理的準確率，可表示為：

邊端調度系統總體識別率的計算方式，具體如下：

采集端至邊緣端每次的圖像傳輸均會增大網絡的負載，根據通信傳輸損耗，可定義損失函數為：

其中，G(α)為第i幅圖像的傳輸判別函數。當推理分數小于閾值α時，進行圖像傳輸，此時G(α)=1；而當推理分數大于閾值α時，則不進行圖像傳輸，此時G(α)=0。Delay(i)表示該圖像在采集端到邊緣端的傳輸時間。

邊端調度算法需在系統識別精度與網絡傳輸延遲間取得合理平衡，因此系統的最終優化函數為：

其中，μ是調節因子。且當μ取值較大時，系統對識別精度的要求較小，對傳輸速度的要求則較高；而當μ較小時，系統對精度的要求較高，對傳輸速度的要求則較低。LM的計算方法如下：

2 方法實現

2.1 實驗設計

為了測試文中所設計的邊端協同策略在圖像識別上的精度，基于實際的電力生產安全監控場景進行了圖像采集。并對采集圖像所包含的典型電力違章行為進行了標注，進而形成了如表1所示的數據集。

表1 數據集的參數信息

在仿真過程中，采用了基于Linux內核的Android手機來模擬視頻的采集終端，并利用筆記本電腦模擬邊緣服務器。相關軟硬件環境如表2 所示。

表2 算法仿真軟硬件環境

根據圖4 可知，需分別在采集端與邊緣服務器上部署Little-CNN 和Big-CNN 網絡。該文設計的兩種網絡結構，分別如表3、4 所示。

表3 Little-CNN網絡結構

表4 Big-CNN網絡結構

為了評估上文策略在實際生產環境下的可行性，需合理設計該策略的對照實驗組。在設計對照實驗時，不僅需要評估Little-CNN 網絡、Big-CNN 網絡的實際精度及運行耗時；還需要計算出圖像在采集端到邊緣服務器間的傳輸耗時。根據上述兩個原則，設計了如表5 所示的部署策略。其中實驗四是根據該文邊端協同策略所設置的實驗組，而實驗一至實驗三則作為該實驗組的對照組。

表5 實驗部署策略

2.2 系統測試結果

在評估所構建邊緣計算框架的效果時，采用了模型精度、采集端計算耗時、邊緣端計算耗時與網絡傳輸時延這四個指標。根據云邊協同策略，Little-CNN 網絡在采集端對圖像進行初始識別，而無法被識別的圖像則需要通過通信網絡傳輸給Big-CNN 網絡。在進行實驗前，需要合理設定因網絡傳輸造成的Big-CNN 網絡下降的閾值。

圖6 給出了Big-CNN 網絡中，score 函數值在不同閾值下的變化曲線，文中將Big-CNN 網絡性能下降的粒度設為0.005，而此時所對應的閾值為0.950。在該條件下，得到的實驗結果如表6 所示。

表6 閾值為0.950時的實驗數據

圖6 閾值-函數值曲線

從表中可以看出，Little-CNN 和Big-CNN 網絡在進行電力作業安監識別時的準確率分別為81.35%和90.52%。由于網絡規模不同，二者在采集端上的運行時間分別為4.02 ms 和87.54 ms。同時因硬件計算能力的提升，Big-CNN 網絡在邊緣端上的計算用時為13.25 ms。而對比實驗三及實驗四的數據可發現，通過實施邊端調度策略，網絡的傳輸時延由84.35 ms 下降至27.54 ms，系統的總耗時由97.60 ms下降至44.81 ms。綜上所述，系統在圖像識別精度下降0.15%的條件下，計算耗時與傳輸時延損耗下降了54.09%。由此說明該算法可顯著提升系統的圖像識別效率。

3 結束語

為了提升電力生產現場違章行為的檢測效率，該文對電力實際生產環境下的智能安全監察技術進行了研究。并在評估現場采集終端、邊緣服務的計算水平及通信傳輸效率的基礎上，設計了邊端系統策略算法。仿真結果證明，該算法可在保證圖像識別精度的前提下，盡可能地降低了計算耗時與傳輸耗時。隨著更多高清采集終端的部署，該算法將大幅降低電力通信網絡的運行壓力。