基于目標檢測與跟蹤的配網帶電作業安全檢測

王騰　劉瑞萍　張天宇　武雅潔　孔維

關鍵詞：目標檢測；跟蹤；電力；配網；安全檢測

中圖分類號：TM84；TP391.41 文獻標識碼：A

0 引言

電力配網帶電作業是電力系統運維中不可或缺的一項任務，它包括在電網運行過程中對設備進行檢修、維護和更換等操作。這些作業通常在電力系統運行時進行，以確保電力供應的連續性[1]。然而，由于帶電作業本身涉及高電壓環境和復雜的電力設備，其安全性一直是電力行業關注的焦點。在傳統的帶電作業中，運維人員需要直接接觸電力設備，存在觸電、電弧閃、設備故障等多種安全風險。由于帶電作業通常依賴于人工巡視，運維人員因主觀判斷和工作疲勞等因素也可能導致不安全行為的發生[2]。因此，如何提高帶電作業的安全性成為電力配網領域迫切需要解決的問題。引入先進的目標檢測與跟蹤技術，可使帶電作業的安全檢測更具自動性和實時性，從而提高整個電力系統的安全水平。本研究將有助于降低人工巡視的負擔，及時發現潛在的安全隱患，推動電力系統向智能化和安全化方向發展。

1 配網介紹

配網是電力系統的重要組成部分，其主要任務是將從發電廠輸送來的高壓電能分配到各個用戶。通過變電站、變壓器以及配電線路，電能逐級降壓并分配到不同電壓等級的用戶，以滿足不同層次、不同規模的用電需求。配網包括各種基礎設施，如電纜、架空線路、桿塔、配電變壓器、隔離開關、無功補償器等[3]。電纜和架空線路是電能在配網中傳輸的兩種主要方式。電纜通常用于城市和高密度居住區，而架空線路則常見于鄉村和郊區。桿塔用于支撐架空線路，起到穩定和保護的作用。配電變壓器負責將電能從高壓輸電線路降到適合低壓配網的水平，以供應給終端用戶。隔離開關是為了在發生故障時能夠快速切斷故障部分，確保系統的安全運行。無功補償器用于調節電網中的功率因數，提高電能的質量[4]。

2 目標檢測與跟蹤算法

目標檢測與跟蹤算法是計算機視覺領域中的重要研究方向，用于在圖像或視頻中檢測和跟蹤特定對象或目標，在視頻監控、自動駕駛、人機交互等許多領域得到廣泛應用[5-6]。常見的算法包括YOLO、Faster R-CNN、SSD 等。YOLO 是一種端到端的目標檢測算法，主要原理是將目標檢測任務視為回歸問題，并通過一個神經網絡直接在輸入圖像上進行檢測。YOLO 的優點是速度快，適合實時應用。Faster R-CNN 采用兩個階段的檢測流程，先生成候選區域，然后對每個候選區域進行分類和邊界框回歸。Faster R-CNN 在精度上通常比YOLO高，但速度較慢。SSD 是一種結合了YOLO 和FasterR-CNN 的目標檢測算法，在單個神經網絡中同時進行目標類別分類和邊界框回歸，從而實現了較快的檢測速度和較高的準確率。

在目標檢測領域，YOLO 算法系列以其快速且準確的特點備受關注。本文選用YOLO 算法系列中的YOLOv3 算法，針對復雜視覺場景進行目標檢測和定位研究。圖1 為YOLOv3 網絡結構。YOLOv3 使用了Darknet-53 的骨干網絡，相較于之前的Darknet-19，Darknet-53 能夠提取更豐富的特征信息，它由53個卷積層組成，并采用殘差塊結構，有助于加深網絡同時減少梯度消失問題。YOLOv3 在網絡的不同層次進行目標檢測，分別是最終輸出層、中等特征圖層和較大特征圖層，這種多尺度預測有助于檢測不同大小的目標。該算法最終輸出的是一個三維張量，其中每個格子對應于圖像的一個區域，并預測了該區域內的目標數量、位置以及類別信息。在輸出處理階段，通過閾值篩選和非極大值抑制得到最終的目標檢測結果。

3 基于YOLOv3的配網帶電作業安全檢測

本文通過YOLOv3 目標檢測算法進行電力配網帶電作業場景下的安全檢測。檢測情況有3 種，分別為安全帽檢測、現場作業人員跟蹤、現場作業人員誤入危險區域檢測，其配網作業安全檢測流程如圖2 所示。

第一步，進行YOLOv3 算法的初始化，包括訓練集的建立與訓練，以及檢測區域地面坐標系的建立。

第二步，獲取視頻信息，讀取圖像，利用訓練好的模型進行安全帽佩戴狀態檢測、行人多目標跟蹤檢測、行人軌跡記錄、危險區域誤入檢測。

第三步，如果作業人員未佩戴安全帽或者誤入危險區域，算法識別后會記錄違規操作，并發出報警信息。

第四步，依次循環讀取視頻下一幀，利用模型按序檢測，直至視頻最后一幀結束。

4 實驗結果與分析

4.1 安全帽檢測結果分析

本文對不同的場景下安全帽檢測結果（表1）進行分析。結果顯示，在配網帶電作業安全檢測中，基于目標檢測與跟蹤的安全帽檢測取得了良好的效果。使用YOLOv3 作為目標檢測算法，在人員靜止的場景中，獲得了高達96.10% 的安全帽檢測準確率；在人員移動的場景中，準確率也達到了90.84%，表現出良好的潛力和可行性。

4.2 現場作業人員跟蹤檢測結果分析

本文對不同的場景下現場作業人員跟蹤檢測結果（表2）進行分析。結果表明，所使用方法在追蹤現場作業人員方面表現出良好的準確率。跟蹤算法能夠有效地將人員從視頻序列中標識出來，并在不同幀之間保持穩定的跟蹤。跟蹤算法在不同場景下的穩定性得到了驗證，即使在目標出現遮擋的情況下，跟蹤算法也能夠對現場作業人員保持有效的跟蹤。

4.3 現場作業人員誤入危險區域檢測結果分析

本文對現場作業人員誤入危險區域進行檢測，結果如表3 所示。通過分析檢測結果，發現模型能夠準確地識別現場的作業人員和危險區域，確保了其對關鍵目標的有效監測。

5 結語與展望

在電力配網作業中，安全管理一直是至關重要的問題，特別是在帶電作業環境下，事故可能導致嚴重的人員傷害和設備損壞。本文提出了一種基于目標檢測與跟蹤的配網帶電作業安全檢測方法，以YOLOv3 目標檢測算法為基礎，在安全帽檢測、現場作業人員跟蹤檢測以及現場作業人員誤入危險區域檢測方面進行實驗。實驗結果表明，該方法能夠準確地檢測安全帽的佩戴情況，實時跟蹤現場作業人員的位置，并及時發現并警示誤入危險區域的情況，為配網帶電作業提供了可靠的安全保障。未來，期待該方法能夠在提高檢測精度、加強實時監測、優化算法性能等方面取得進一步突破，為電力行業的安全生產和智能化管理帶來新的發展機遇。