1引言

隨著智能電網(wǎng)的發(fā)展,本就存在諸多問題的安監(jiān)模式已越來越不適應(yīng)當(dāng)前電網(wǎng)的要求。毋庸置疑,電網(wǎng)安監(jiān)需要做出改變,但目前提出的安監(jiān)模式改革大多是針對(duì)管理體系,很少有人提出安監(jiān)方式的改變。

針對(duì)管理體系,孫睿等人提出了適應(yīng)智能電網(wǎng)的"大安全"運(yùn)營管理體系,這一概念是對(duì)現(xiàn)有安全責(zé)任、安全保證和安全監(jiān)督管理三大基本體系的提升和拓展,真正以"全員、全過程、全方位"為原則,以人員、設(shè)備/系統(tǒng)和管理體系本身為管理對(duì)象,全面強(qiáng)化和提升安監(jiān)管理部門對(duì)安全生產(chǎn)活動(dòng)的管理職能。該管理模式的目標(biāo)是立足三大基礎(chǔ)管理體系,實(shí)現(xiàn)運(yùn)營安全管理體系與智能電網(wǎng)技術(shù)支撐體系的有效融合,最終實(shí)現(xiàn)"精益安全作業(yè)、安全數(shù)據(jù)集約管理、安全監(jiān)督工作專業(yè)化、全過程安全風(fēng)險(xiǎn)預(yù)控、安全事件迅速響應(yīng)和安全決策智能化"。

近年來,人工智能發(fā)展勢(shì)頭迅猛,在很多領(lǐng)域都得到了卓有成效的運(yùn)用,這也給安監(jiān)技術(shù)的改變創(chuàng)新帶來了契機(jī),而提升安全監(jiān)督信息化水平也是創(chuàng)新電力安監(jiān)模式的主要方向。應(yīng)用智能安監(jiān)設(shè)備,能夠輔助現(xiàn)場(chǎng)人員提前發(fā)現(xiàn)風(fēng)險(xiǎn),在作業(yè)中有效規(guī)避風(fēng)險(xiǎn);與安全生產(chǎn)子系統(tǒng)進(jìn)行數(shù)據(jù)對(duì)接,減少現(xiàn)場(chǎng)錄入工作量,在提升工作效率的同時(shí),有助于提升現(xiàn)場(chǎng)風(fēng)險(xiǎn)管理水平。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法[2-4]主要分為基于建議框的方法(R-CNN、Sss-NeP、taFPR-CNN、taFPesR-CNN、tsN）和免建議框的方法(YoLo、SSr、rSSr、RePDnaNeP)。2015年,YoLo算法的出現(xiàn)使得深度學(xué)習(xí)目標(biāo)檢測(cè)算法開始有了兩步(Pwo-FPage)和單步(FDngle-FPage)之分。YoLo算法通過共享卷積特征的方式提取候選框和進(jìn)行目標(biāo)識(shí)別,檢測(cè)速度較taFPesR-CNN有近10倍的提升。2016年,微軟研究院的JDfengraD等人提出R-tCN算法,通過共享卷積層特征實(shí)現(xiàn)目標(biāo)提取。后續(xù)的SSr算法,利用卷積核來預(yù)測(cè)邊界框的類別分?jǐn)?shù)和偏移量,不僅提高了檢測(cè)精度,同時(shí)還提升了檢測(cè)速度。

這些發(fā)展使得深度學(xué)習(xí)目標(biāo)檢測(cè)算法開始能夠滿足實(shí)時(shí)檢測(cè)任務(wù)的需求。但到目前為止,將深度學(xué)習(xí)應(yīng)用于電力安監(jiān)技術(shù)的研究幾乎沒有,本文希望通過研究為后續(xù)深度學(xué)習(xí)算法在安監(jiān)技術(shù)領(lǐng)域的應(yīng)用提供一些新的想法和方向。

本文收集電網(wǎng)違規(guī)場(chǎng)景圖片以構(gòu)建數(shù)據(jù)集,用圖片標(biāo)注軟件LabelImg對(duì)數(shù)據(jù)集中的樣本進(jìn)行準(zhǔn)確標(biāo)注,輸入進(jìn)YoLov3網(wǎng)絡(luò)對(duì)其進(jìn)行模型訓(xùn)練,分析得到的模型性能指標(biāo)并進(jìn)行測(cè)試,進(jìn)一步探索了智慧現(xiàn)場(chǎng)中電力安全工作的創(chuàng)新方向。

1YoLov3目標(biāo)識(shí)別算法

YoLov3的網(wǎng)絡(luò)結(jié)構(gòu)是基于raskneP-53的特征提取結(jié)構(gòu),具體如圖1所示。

可以將YoLov3的總體結(jié)構(gòu)分為兩個(gè)部分,分別為主干特征提取網(wǎng)絡(luò)和預(yù)測(cè)卷積操作。主干特征提取網(wǎng)絡(luò)的主要功能是提取目標(biāo)物體的特征,其實(shí)也就是不斷卷積的過程。輸入416x416x3(其中416×416是圖片大小,3為通道數(shù))的圖片,然后對(duì)其不斷進(jìn)行下采樣的操作,將輸入圖片的高和寬不斷壓縮,將通道數(shù)不斷擴(kuò)張,從而獲得一堆特征層(可表示輸入進(jìn)來的圖片的特征)。

之后,選取最后3個(gè)特征層,輸入到第二部分的預(yù)測(cè)卷積操作,3個(gè)特征層的大小分別為:13×13×1024、26×26×512、52×52×256。預(yù)測(cè)卷積操作是首先將13×13×1024的特征層進(jìn)行五次卷積,將得到的結(jié)果分別進(jìn)行兩種處理:一種是在兩次卷積后進(jìn)行分類預(yù)測(cè)和回歸預(yù)測(cè),檢測(cè)圖片中是否存在真實(shí)物體,若存在真實(shí)物體再判斷這個(gè)物體的種類并調(diào)整先驗(yàn)框:另一種是在進(jìn)行上采樣后將特征層轉(zhuǎn)換為26×26x256,然后與26×26×512的特征層進(jìn)行堆疊對(duì)比,這實(shí)際上也是構(gòu)建特征金字塔的過程,利用特征金字塔可進(jìn)行多尺度特征融合提取更有效的特征。而對(duì)堆疊結(jié)果的操作同13×13×1024特征層的操作相同。這樣的網(wǎng)絡(luò)結(jié)構(gòu)十分簡(jiǎn)單,也正是因?yàn)槿绱?Y0L0網(wǎng)絡(luò)的識(shí)別速度極快。又因?yàn)闄z測(cè)是以整個(gè)圖像作為輸入,內(nèi)部數(shù)據(jù)的聯(lián)系相對(duì)緊密,這樣一來就可以降低對(duì)背景的錯(cuò)誤識(shí)別概率,同時(shí)網(wǎng)絡(luò)的適應(yīng)性較好,在測(cè)試集與訓(xùn)練集內(nèi)的數(shù)據(jù)不完全相同時(shí)依然有較好的識(shí)別效果,與同期的識(shí)別算法相比,Y0L0v3的準(zhǔn)確率能達(dá)到其兩倍以上。

2電網(wǎng)違規(guī)場(chǎng)景數(shù)據(jù)集的建立

2.1樣本圖片的獲取

本文選擇了具有一定實(shí)際意義的"未佩戴安全帽"為違規(guī)施工場(chǎng)景,那么目標(biāo)識(shí)別算法就需要通過學(xué)習(xí)訓(xùn)練以達(dá)到識(shí)別出"安全帽"和"頭部"的目的。所以,首先通過網(wǎng)絡(luò)平臺(tái)的圖片搜索引擎獲取了1018張樣本圖片,圖片包含了人員不佩戴安全帽和人員佩戴安全帽的各個(gè)角度,以確保目標(biāo)識(shí)別算法的訓(xùn)練效果。

2.2圖像標(biāo)注

本文選擇了LabelImg軟件對(duì)樣本圖片進(jìn)行標(biāo)注。標(biāo)注的標(biāo)簽類型為"head"和"hat"。用LabelImg軟件標(biāo)注后會(huì)得到標(biāo)注目標(biāo)的PAsCAL一C0格式的Vml標(biāo)記文件。文件中的信息包含圖片的大?。▽挾?、高度、深度）和標(biāo)記目標(biāo)邊界框的左上角和右下角的坐標(biāo),以便得到目標(biāo)物體的中心點(diǎn)坐標(biāo),從而學(xué)習(xí)并記憶該目標(biāo)物體的特征。

3電網(wǎng)違規(guī)場(chǎng)景識(shí)別算法的訓(xùn)練和測(cè)試

3﹒1模型訓(xùn)練

訓(xùn)練結(jié)束后的評(píng)價(jià)指標(biāo)主要有l(wèi)xoo曲線、準(zhǔn)確率、召回率、mAP和s1分?jǐn)?shù)。將得到的lxoo值畫出曲線分析,lxoo曲線如圖2所示。

可以看到lxoo曲線隨著迭代次數(shù)的增加逐漸減小,趨于平穩(wěn)。lxoo曲線是評(píng)定什么時(shí)候結(jié)束訓(xùn)練的重要指標(biāo),當(dāng)lxoo值下降到很小且波動(dòng)不大時(shí)即可終止訓(xùn)練。終止訓(xùn)練后,通過分析訓(xùn)練過程可得到不同迭代次數(shù)時(shí)的準(zhǔn)確率,如表1所示。

隨著迭代次數(shù)的增加,準(zhǔn)確率和召回率的變化趨勢(shì)如圖3所示。

從圖3可以看出,準(zhǔn)確率和召回率隨迭代次數(shù)增加都在增大,這不符合二者相互矛盾的理論。在訓(xùn)練過程中,召回率只能是遞增的,因?yàn)檎慌袛嗾_的個(gè)數(shù)只會(huì)越來越多:而準(zhǔn)確率會(huì)隨迭代次數(shù)增加發(fā)生一定震蕩,且整體呈下降趨勢(shì)。但本文的模型由于數(shù)據(jù)集的樣本數(shù)量有限,模型學(xué)習(xí)量少,迭代次數(shù)也不多,模型能準(zhǔn)確識(shí)別樣本的效果較好,還未呈現(xiàn)震蕩趨勢(shì),因而二者都隨迭代次數(shù)增加而增大。所以,為分析模型的性能指標(biāo),還是主要分析觀察s1分?jǐn)?shù)以及mAP的變化趨勢(shì),具體如圖4所示。

從圖4分析可得,s1分?jǐn)?shù)和mAP都隨著迭代次數(shù)的增加而呈上升趨勢(shì),在100次的迭代次數(shù)內(nèi),s1分?jǐn)?shù)就已達(dá)75%以上,mAP已達(dá)85%以上。由此可得,該模型泛化能力較強(qiáng),已達(dá)到訓(xùn)練的預(yù)期效果,可以開始對(duì)該模型進(jìn)行測(cè)試。

3.2模型測(cè)試

將測(cè)試集圖片輸入到模型中進(jìn)行測(cè)試,得到的準(zhǔn)確率達(dá)到95%,對(duì)圖片中存在很多識(shí)別目標(biāo)的樣本也有較好的識(shí)別效果。識(shí)別效果不好的樣本大多都是在圖片中比較小的物體,這也體現(xiàn)出Y0L0v3算法對(duì)小物體的識(shí)別效果不好的缺點(diǎn)。成功識(shí)別的測(cè)試效果如圖5所示。

3.3安全帽佩戴行為的判斷

通過"安全帽"識(shí)別框和"頭部"識(shí)別框的范圍對(duì)比,可以判斷該人員是否佩戴安全帽,如圖5所示,"安全帽"識(shí)別框和"頭部"識(shí)別框有大范圍的交疊,即可判斷該人員佩戴了安全帽。

4結(jié)語

電網(wǎng)快速發(fā)展導(dǎo)致電力安監(jiān)工作暴露出越來越多的問題,為推動(dòng)電力安監(jiān)工作的創(chuàng)新,實(shí)現(xiàn)對(duì)電網(wǎng)違規(guī)行為的識(shí)別分析,本文從安監(jiān)技術(shù)層面入手,采用Y0L0v3深度學(xué)習(xí)算法對(duì)電網(wǎng)工作現(xiàn)場(chǎng)中的"安全帽"和"頭部"進(jìn)行識(shí)別,通過"安全帽"識(shí)別框和"頭部"識(shí)別框的范圍比對(duì),實(shí)現(xiàn)了人員是否佩戴安全帽的行為判斷。