摘 要：隨著社會的飛速發(fā)展和經(jīng)濟(jì)水平的日益提高，人們對電力資源的使用需求量也在逐步增加。電力工程施工安全與電力系統(tǒng)的正常穩(wěn)定運(yùn)行有直接關(guān)系，提高電力施工的安全水平和管理效率一直都是電力領(lǐng)域研究和探索的熱門話題。電力施工安全涉及方方面面的內(nèi)容，其中施工人員的著裝規(guī)范是十分重要的一部分，然而由于施工環(huán)境的復(fù)雜性，監(jiān)管人員對施工人員著裝的監(jiān)督往往存在著一定的困難，很難實(shí)現(xiàn)實(shí)時(shí)有效的監(jiān)督。近年來，人工智能、深度學(xué)習(xí)技術(shù)成為科學(xué)領(lǐng)域研究的熱門話題，本項(xiàng)目試圖基于人工智能技術(shù)和Tensorflow深度學(xué)習(xí)框架，對施工人員著裝進(jìn)行識別，并最終實(shí)現(xiàn)智能化管理系統(tǒng)，為打造運(yùn)行穩(wěn)定、安全的綜合電網(wǎng)奠定良好的基礎(chǔ)。

關(guān)鍵詞：電力施工安全；著裝識別；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2018）09-0073-04

Abstract：With the rapid development of society and the improvement of economic level，the demand for power resources is gradually increasing. There is a direct relationship between the safety of power engineering construction and the normal and stable operation of power system. Improving the safety level and management efficiency of electric power construction has always been a hot topic in the field of electric power research and exploration. The safety of electric power construction involves all aspects of the construction personnel，which is a very important part of the construction personnel’s dress code. However，because of the complexity of the construction environment，the supervisors often have some difficulties in the supervision of the builders’ dress，which is difficult to achieve in real time and effective supervision. In recent years，artificial intelligence and deep learning technology have become a hot topic in the field of science. Based on artificial intelligence technology and Tensorflow deep learning framework，this project identifies the construction personnel’s dress，and finally realizes the intelligent management system，laying a good foundation for building a stable and safe integrated power grid.

Keywords：power construction safety；dress identification；deep learning；convolution neural network

0 引 言

隨著人工智能和大數(shù)據(jù)時(shí)代的到來，各行各業(yè)都在積極地進(jìn)行產(chǎn)業(yè)升級和轉(zhuǎn)型，希望向智能化方向探索和發(fā)展，電力行業(yè)作為傳統(tǒng)工業(yè)行業(yè)，更需要智能科學(xué)和機(jī)器學(xué)習(xí)等先進(jìn)的技術(shù)為其帶來新鮮的血液和活力。

Tensorflow作為目前最流行的深度學(xué)習(xí)框架，以其特有的快速、靈活，以及適合產(chǎn)品級大規(guī)模應(yīng)用等特點(diǎn)受到世界各國研究者和開發(fā)者的廣泛研究和使用。特別是谷歌公司發(fā)布的基于Tensorflow的Object Detection API，開放給了十分方便的物體識別訓(xùn)練接口，讓開發(fā)者可以訓(xùn)練自己的物體識別模型?；诖薃PI，本文訓(xùn)練了用于識別電力系統(tǒng)施工人員著裝的模型，并將其用于電力系統(tǒng)施工過程中的智能現(xiàn)場監(jiān)督。

1 著裝識別系統(tǒng)概述

1.1 選題背景與意義

電力承載著全國人民的生產(chǎn)和生活，因此電力系統(tǒng)已成為全國的經(jīng)濟(jì)命脈，其平穩(wěn)安全運(yùn)行對于廣大人民群眾有著重大意義。隨著社會的不斷發(fā)展和時(shí)代的進(jìn)步，電力施工安全管理受到了更多關(guān)注，給現(xiàn)階段的電力施工安全管理工作提出了更高的要求。

近幾年，雖然電力施工安全管理工作受到了高度重視，電力施工安全管理的技術(shù)有很大的進(jìn)步，但是由于施工環(huán)境非常復(fù)雜，施工的安全管理面臨著巨大的壓力，管理監(jiān)督人員往往付出巨大的精力也無法保障施工的萬無一失。隨著信息化進(jìn)程的快速發(fā)展，人工智能技術(shù)為電力施工管理提供了新的出路，利用信息化手段可以使電力施工過程中的每一步得到智能化的監(jiān)管，從而有效降低管理成本，對于電網(wǎng)的建設(shè)、維護(hù)和改造升級具有重要的意義。因此，本項(xiàng)目試圖基于Tensorflow深度學(xué)習(xí)框架對施工人員著裝進(jìn)行識別，并最終實(shí)現(xiàn)智能化管理系統(tǒng)，為打造運(yùn)行穩(wěn)定、安全的綜合電網(wǎng)奠定良好的基礎(chǔ)。

1.2 著裝智能識別系統(tǒng)設(shè)計(jì)思路

要實(shí)現(xiàn)對電力施工人員著裝的無人化、智能化管理，首先必須對施工人員的服裝進(jìn)行識別。傳統(tǒng)的物體識別算法有SIFT/SURF、Haar特征、廣義hough變換，它們主要對圖像的特征進(jìn)行篩選和匹配，但這些方法泛化性能都不高，對于那些容易發(fā)生形變的物體識別率均不高。目前流行的物體識別算法有卷積神經(jīng)網(wǎng)絡(luò)（CNN）、支持向量機(jī)（SVM）等，而卷積神經(jīng)網(wǎng)絡(luò)，特別是深度卷積神經(jīng)網(wǎng)絡(luò)，以其高度的泛化和學(xué)習(xí)能力成為近年來物體識別領(lǐng)域的翹楚。

Tensorflow是一個(gè)功能強(qiáng)大且簡單實(shí)用的機(jī)器學(xué)習(xí)框架，使用此框架可以較簡單地實(shí)現(xiàn)CNN算法，特別是使用Object Detection API可以較輕松地訓(xùn)練出自己的物體識別模型。

訓(xùn)練出滿意的模型之后，將模型投入實(shí)際的監(jiān)督場景將是另一個(gè)大問題。解決思路是首先將場景中的所有工人識別出來，在對其著裝進(jìn)行識別，若著裝不符合規(guī)則，則服務(wù)器向前端設(shè)備報(bào)警，提示施工工人將裝備穿戴整齊。系統(tǒng)具體的工作流程如圖1所示。

2 卷積神經(jīng)網(wǎng)絡(luò)算法（CNN）及其基于Tensorflow的實(shí)現(xiàn)

本節(jié)內(nèi)容主要介紹有關(guān)卷積神經(jīng)網(wǎng)絡(luò)算法（CNN）的相關(guān)理論知識，并且介紹在Tensorflow框架下的Object Detection API搭建CNN訓(xùn)練模型的過程。

2.1 卷積神經(jīng)網(wǎng)絡(luò)算法（CNN）

卷積神經(jīng)網(wǎng)絡(luò)因其對圖像特征具備強(qiáng)大提取能力，目前已成為圖像處理領(lǐng)域最常見的算法，通過局部連接、權(quán)值共享、池化等技巧，可以使網(wǎng)絡(luò)深度大大加深，從而使得識別結(jié)果更為準(zhǔn)確和高效。

卷積層與池化層結(jié)構(gòu)示意圖如圖2所示，卷積層與池化層是卷積神經(jīng)網(wǎng)絡(luò)有別于其他神經(jīng)網(wǎng)絡(luò)的最為顯著的特稱，圖像的特征經(jīng)過這兩者的處理可以被很容易地提取出來，并且實(shí)現(xiàn)特征的稀疏化。

2.2 Tensorflow深度學(xué)習(xí)框架介紹

Tensorflow是谷歌公司發(fā)布的開源深度學(xué)習(xí)框架，盡管已經(jīng)發(fā)布了兩年多，如今Tensorflow已憑借自身的兼容性、易用性、分布式能力和能夠在海量數(shù)據(jù)集上進(jìn)行訓(xùn)練的特點(diǎn)成為最受世界開發(fā)者和研究人員歡迎的深度學(xué)習(xí)框架。

由于Python有大量用于機(jī)器學(xué)習(xí)的簡單易用的工具包，使Tensorflow與Python平臺變得十分契合，因此，該項(xiàng)目使用Python+Tensorflow的架構(gòu)進(jìn)行學(xué)習(xí)和訓(xùn)練，從而保證訓(xùn)練的高效性和準(zhǔn)確性。同時(shí)，值得一提的是此項(xiàng)目基于Win10操作系統(tǒng)，硬件平臺是基于i7 6700處理器，16G內(nèi)存，以及GTX 1080 8G顯卡。

3 識別系統(tǒng)設(shè)計(jì)及優(yōu)化

本節(jié)將介紹著裝辨識系統(tǒng)的設(shè)計(jì)模型訓(xùn)練以及后期的優(yōu)化工作，最終會展示系統(tǒng)工作的效果。

3.1 模型的選取和訓(xùn)練

3.1.1 前期準(zhǔn)備

要設(shè)計(jì)此系統(tǒng)，必須先實(shí)現(xiàn)對著裝各部分的單獨(dú)識別，比如安全帽、工作服等。這一部分我們將借助于Tensorflow的Object Detection API來實(shí)現(xiàn)。谷歌于2017年6月發(fā)布了基于Tensorflow的Object Detection API，用于開發(fā)者訓(xùn)練自己的物體辨識模型。此API提供了多種預(yù)訓(xùn)練的模型供開發(fā)者選擇，比如ssd_mobilenet、ssd_inception、faster_rcnn等，這些模型在訓(xùn)練速度或準(zhǔn)確率上略有不同，考慮到對施工工人著裝監(jiān)督的實(shí)時(shí)性，我們選取了兩種速度較快的模型作為備選方案，分別是，ssdlite_mobilenet_v2_coco和ssd_inception_v2_coco。

確定好預(yù)訓(xùn)練模型之后，就要開始準(zhǔn)備訓(xùn)練數(shù)據(jù)，我們從現(xiàn)場監(jiān)督視頻中截取了1000多幀畫面，使用LabelIMG經(jīng)過標(biāo)注后形成了原始的訓(xùn)練數(shù)據(jù)，數(shù)據(jù)包括“helmet”、“uniform”、“safetyBelt”和“worker”四類，分別代表安全帽、制服、安全帶和工人這四類在辨識中需要用到的物體。接下來使用腳本將這些訓(xùn)練數(shù)據(jù)轉(zhuǎn)化為Tensorflow能夠識別的.record數(shù)據(jù)，與原始圖片一起放入Object Detection API的目錄結(jié)構(gòu)，完成訓(xùn)練數(shù)據(jù)的準(zhǔn)備工作。

3.1.2 數(shù)據(jù)訓(xùn)練

接下來就要進(jìn)行數(shù)據(jù)的訓(xùn)練，由于訓(xùn)練中涉及大量的數(shù)據(jù)計(jì)算過程，使用并行計(jì)算的技巧可以大大縮短訓(xùn)練的時(shí)間，Tensorflow的GPU版本可以很好地完成并行計(jì)算的任務(wù)，因此，使用此版本大大縮短了訓(xùn)練的時(shí)間。

由于上面選擇的訓(xùn)練模型是基于CNN的深度學(xué)習(xí)模型，在訓(xùn)練之前要對模型中大量的參數(shù)進(jìn)行配置，選出最合適的參數(shù)搭配，這一步驟叫做調(diào)參。在配置文件中，以下幾個(gè)參數(shù)比較重要：

（1）num_classes：4#表示要是別的物體種類；

（2）activation：RELU_6#表示使用的激活函數(shù)；

（3）l2_regularizer {weight：0.00004}#表示使用的正則化參數(shù)的系數(shù)；

（4）truncated_normal_initializer {stddev：0.03 mean：0.0}#表示參數(shù)初始化類型；

（5）batch_size：24#表示批處理的數(shù)據(jù)量大小；

（6）initial_learning_rate：0.004#表示初始的學(xué)習(xí)率。

配置好參數(shù)后調(diào)用命令：

“python train.py --logtostderr --train_dir=training/ --pipeline_congig_path=training/ssd_inception_V2_coco.config”

計(jì)算機(jī)收到上述命令便會對模型開始訓(xùn)練，訓(xùn)練過程中CNN模型的損失函數(shù)值會不斷減少，損失函數(shù)值在下降到一個(gè)比較小的范圍在之后便不再變化，此時(shí)便可以停止訓(xùn)練，進(jìn)行下一步操作。

使用上述命令可以生成“frozen_inference_graph.pb”文件，后期的識別程序中便是使用這個(gè)文件中保存的各項(xiàng)參數(shù)來進(jìn)行識別。

至此，可以對模型進(jìn)行測試了，測試結(jié)果如圖4所示?？梢钥闯?，在工人衣著整齊，且身體姿勢不太扭曲的情況下，識別效果還是比較理想的。接下來可以設(shè)計(jì)識別的系統(tǒng)。

3.2 系統(tǒng)設(shè)計(jì)和優(yōu)化

正如圖1所表示的，我們的識別系統(tǒng)由兩大部分組成，一部分是前端數(shù)據(jù)采集和反饋接受部分，一部分是后臺服務(wù)器，前一部分可以采用網(wǎng)絡(luò)攝像頭實(shí)時(shí)向后臺發(fā)送視頻數(shù)據(jù)，也可以是手機(jī)等移動終端，主要作用是將現(xiàn)場作業(yè)的圖像視頻數(shù)據(jù)傳送至后臺。后臺在獲得前端發(fā)送的數(shù)據(jù)后，首先將視頻逐幀分解，對每一幀圖像進(jìn)行操作，獲得一幀圖像后，為了提高速度，我們采用多線程的思路，將識別的服務(wù)寫入一個(gè)進(jìn)程中，這個(gè)進(jìn)程不斷讀取緩存中的圖像并進(jìn)行檢測，這樣不會影響主進(jìn)程對數(shù)據(jù)的獲取，效率大大提高。識別服務(wù)要識別兩大部分的內(nèi)容：由于施工現(xiàn)場一般環(huán)境復(fù)雜，為了避免誤識別，需要先將工人識別出來，在這里使用“ssd_inception_v2_coco_2017_11_17”這個(gè)模型，由于采用的訓(xùn)練數(shù)據(jù)量十分大，此模型對人物的識別已有很高的準(zhǔn)確度；在獲得工人所在的區(qū)域后，我們對這一區(qū)域進(jìn)行切割，并將其單獨(dú)作為一張圖片再進(jìn)行識別，這次識別的就是工人的著裝。如果工人著裝齊全，則不會發(fā)出警告。

但實(shí)際使用該系統(tǒng)的過程中會出現(xiàn)一些問題，其中最嚴(yán)重的便是誤識別的問題，這是由于鏡頭晃動較大，以及人物在做出不同的動作和操作時(shí)的變形造成的。為了解決這個(gè)問題，我們創(chuàng)建了緩存區(qū)，緩沖以上劇烈變化對識別效果造成的影響，提高了系統(tǒng)的穩(wěn)定性。

4 結(jié) 論

信息化、自動化、智能化是電力行業(yè)未來發(fā)展的必要趨勢，很多企業(yè)都在積極做出這方面的嘗試，希望有所突破，此次我們提出的基于Tensorflow的電力系統(tǒng)施工人員著裝智能識別系統(tǒng)便是新興的智能科技與電力行業(yè)的一次有機(jī)結(jié)合，它不僅是電力施工過程中的施工安全的有力保障，同時(shí)也大大降低了監(jiān)督和管理人員的成本，使電力行業(yè)向智能化方向邁出的重要一步。然而該系統(tǒng)仍不完美，仍存在如下的不足之處需要改進(jìn)。

經(jīng)過模型訓(xùn)練與系統(tǒng)設(shè)計(jì)，電力系統(tǒng)施工人員著裝智能識別系統(tǒng)已收到較為理想的結(jié)果，基于現(xiàn)場視頻和網(wǎng)絡(luò)攝像頭的識別效果也較為滿意，但實(shí)地測試較為匱乏，系統(tǒng)潛在的不穩(wěn)定性尚不明確。在未來進(jìn)行實(shí)測的過程中，我們可以對系統(tǒng)性能做出更好的判斷，同時(shí)結(jié)合實(shí)際工作環(huán)境特點(diǎn)，可以對程序進(jìn)行更有針對性地優(yōu)化。

另外，由于訓(xùn)練數(shù)據(jù)較少，對于著裝的識別準(zhǔn)確度尚未達(dá)到最佳水準(zhǔn)，要進(jìn)一步提高識別準(zhǔn)確度，必須在今后的工作中繼續(xù)采集數(shù)據(jù)，進(jìn)行更為龐大和復(fù)雜的訓(xùn)練。同時(shí)，在接下來的工作中，我們可以增加更多的線程來處理需要識別的數(shù)據(jù)，以提高識別效率，爭取實(shí)現(xiàn)更為流暢和實(shí)時(shí)的識別。

參考文獻(xiàn)：

[1] A.G.Howard，et.al. MobileNets：Efficient Convolutional Neural Networks for Mobile Vision Applications [C].Computer Vision and Pattern Recognition 2017.

[2] 加日拉·買買提熱衣木.TensorFlow在人名識別中的應(yīng)用前景 [J].數(shù)字技術(shù)與應(yīng)用，2017（12）：215-216.

[3] 汪浩.電力施工安全管理探析 [J].中國新技術(shù)新產(chǎn)品，2017（15）：146-147.

[4] 馬慶林.電力施工中存在的安全隱患 [J].建筑安全，2011，26（9）：21-23.

[5] 李云啟.電力系統(tǒng)變電運(yùn)行安全管理與設(shè)備維護(hù)探討 [J].科技創(chuàng)業(yè)家，2012（20）：142.

[6] 蔣曉光.電力系統(tǒng)自動化技術(shù)安全管理 [J].中國電力教育，2013（8）：182-183.

[7] 章敏敏，徐和平，王曉潔，等.谷歌TensorFlow機(jī)器學(xué)習(xí)框架及應(yīng)用 [J].微型機(jī)與應(yīng)用，2017，36（10）：58-60.

[8] 楊振杰.基于CNN的交通標(biāo)志識別方法研究 [D].天津：天津工業(yè)大學(xué)，2017.

[9] 金釗.基于TensorFlow的不同深層卷積神經(jīng)網(wǎng)絡(luò)的對比與分析 [J].電子世界，2018（6）：25-26.

[10] 宋倩，黃昶，余慧瑤.基于TensorFlow的交通標(biāo)志形狀識別 [J].信息通信，2017（12）：286-288.

[11] 姜新猛.基于TensorFlow的卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究 [D].武漢：華中師范大學(xué)，2017.

[12] 徐忠成.基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測與識別研究 [D].武漢：華中師范大學(xué)，2015.

[13] 周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述 [J].計(jì)算機(jī)學(xué)報(bào)，2017，40（6）：1229-1251.

作者簡介：李文輝（1984.09-），漢族，男，廣東新會人，高級工程師，碩士研究生。研究方向：安全監(jiān)管方向。