張航?戴志敏

摘要：電力生產(chǎn)作業(yè)涉及到的工作內(nèi)容較多，且生產(chǎn)作業(yè)流程復(fù)雜性強，導(dǎo)致工作的危險性有所提高。為保證現(xiàn)場工作人員的安全性，需確保人員遠離處于高壓實驗等環(huán)境中的電力設(shè)備，為實現(xiàn)以上目標，安全監(jiān)督工作必不可少，通過利用HOG特征提取以及SVM算法，并結(jié)合OpenCV圖像處理技術(shù)，能夠進一步實現(xiàn)電力作業(yè)現(xiàn)場安全監(jiān)督的自動化及智能化，準確識別安全區(qū)域及境界區(qū)域的人員進入情況，有效提升電力行業(yè)的安全生產(chǎn)水平。

關(guān)鍵詞：機器學習;圖像識別;現(xiàn)場安全監(jiān)督

開展電力作業(yè)的過程中，受到電力系統(tǒng)運行環(huán)境、高壓設(shè)備及人為操作等因素的影響，會增加工作人員的安全風險。為保證電力生產(chǎn)人員的人身安全，降低安全事故的發(fā)生概率，需要合理劃分危險區(qū)域，嚴禁現(xiàn)場人員隨意進出，工作人員應(yīng)增強安全防護意識，加強研究和探索基于機器學習和圖像識別的檢測方法，提高電力作業(yè)現(xiàn)場的安全監(jiān)督能力，促進電力行業(yè)穩(wěn)定有序發(fā)展。

1.HOG特征提取的實際應(yīng)用原理

文中針對電力作業(yè)現(xiàn)場開展安全監(jiān)督工作時，主要利用HOG特征進行人員檢測，HOG特征具有光學不變形以及幾何形狀不變的基本特點，與此同時，配合使用SVM方法完成分類識別任務(wù)。工作人員需將電力作業(yè)現(xiàn)場特定的樣本集引入訓練分類器中，從而在一定程度上提高檢測工作的準確性。當完全幀的人員檢測工作結(jié)束后，將OpenCV圖像處理技術(shù)作為主要依托，合理處理得到的數(shù)據(jù)信息，針對設(shè)定的警戒區(qū)域而言，應(yīng)做好合理劃分及提取工作，明確在以上區(qū)域內(nèi)是否有無關(guān)人員闖入，為安全監(jiān)督提供科學依據(jù)。

2.SVM算法的熟練掌握

SVM具體指支持向量機，是一種以統(tǒng)計學習理論為基礎(chǔ)的機器學習方法。為了讓低維空間能夠達到線性可分的目的，應(yīng)合理選擇核函數(shù)幫助其完成向高維空間的轉(zhuǎn)換。在以上工作得到全面落實的前提下，尋找相應(yīng)的最優(yōu)超平面，從而實現(xiàn)二分類目標，通常情況下，應(yīng)用于劃分超平面的線性方程如式（1）所示：

（1）

在（1）中，=（ω1 ， ω2 ， …ωd ）表示法向量，實際作用是明確超平面的方向，其中b表示位移項，用來明確超平面和原點之間的距離。

3.人員闖入檢測算法在電力作業(yè)現(xiàn)場安全監(jiān)督中的實際應(yīng)用

3.1人員闖入檢測算法的應(yīng)用原理

為實現(xiàn)人員闖入檢測，需合理運用基于OpenCV的圖像處理技術(shù)。結(jié)合實際需求設(shè)置相應(yīng)的程序，并嚴格按照程序要求合理劃分警戒區(qū)域，通常在獲取同原視頻幀相同像素尺寸參數(shù)的掩模圖像過程中，利用漫水填充算法，在所有的警戒區(qū)域內(nèi)進行白色填充，而將警戒區(qū)域外填充為黑色，明確是否有人闖入警戒區(qū)的主要依據(jù)為得到的掩模圖像。通過分析人員闖入的實際情況，結(jié)合對識別點在掩模圖像中同坐標點的像素取值關(guān)系的分析，為人員矩形框是否進入警戒區(qū)域提供依據(jù)。當識別點的像素值為（0，0，0）時，則說明人員未闖入警戒區(qū)域，而識別點像素值為（255，255，255）時，說明有人員進入警戒區(qū)域內(nèi)。

3.2正確選取識別點

選取識別點時，要求在完全幀背景下完成，開展人員信息的檢測工作，利用矩形框表示檢測人員。由于在實際檢測過程中，矩形框與人相比，整體面積較大，為保證檢測的準確性及可靠性，需合理明確矩形框與人體之間存在的誤差值，設(shè)定為矩形框長或者寬的?。在矩形框中合適的位置設(shè)置四個識別點，對人員闖入情況進行簡單模擬，一旦在警戒區(qū)內(nèi)發(fā)現(xiàn)任何一個識別點，可以判定有人員闖入警戒區(qū)內(nèi)。

4.基于機器學習和圖像識別的電力作業(yè)現(xiàn)場安全監(jiān)督實驗流程

4.1SVM分類器訓練具體環(huán)節(jié)及要點

在本次實驗過程中，實際運行環(huán)境為VS2017+OpenCV2.4.1，利用SVM分類器的過程中，將INRIA樣本集作為訓練集，樣本集包含很多樣本圖像，主要有正樣本圖像及負樣本圖像兩大類，數(shù)量分別為2416及1218。SVM分類器訓練流程如下：首先，獲取樣本，即正樣本圖像及負樣本圖像，做好樣本HOG特征的提取工作，之后進行統(tǒng)一保存;其次，合理調(diào)整SVM參數(shù)，通過相應(yīng)的訓練得到SVM分類器;再次，在系統(tǒng)中載入需要檢測的圖像，如果準確率能夠符合預(yù)期要求，及時保存檢測結(jié)果，若出現(xiàn)不符合規(guī)定標準的情況，需分析誤檢范圍，并做好該區(qū)域內(nèi)的圖像提取工作，將得到的圖像作為負樣本調(diào)整SVM參數(shù)、訓練以及獲得SVM分類器，直到準確率達到要求為止。

4.2人員檢測實驗結(jié)果初步分析

工作人員應(yīng)充分利用得到的分類器開展檢測工作，主要檢測電力作業(yè)現(xiàn)場的圖像。在本次實驗中，利用綠色框代表檢測到的人員信息，通過分析檢測結(jié)果可以發(fā)現(xiàn)，會得到很多誤檢的綠色矩形框，影響檢測結(jié)果的可靠性。為降低一些偶然因素帶來的不良影響，可以選擇50張現(xiàn)場圖開展相應(yīng)的測試工作，經(jīng)過專業(yè)統(tǒng)計，得到最終的檢測準確率可達76%。

4.3提高檢測準確率得到最終結(jié)果

因為電力作業(yè)現(xiàn)場環(huán)境的變化很小，可以對誤檢結(jié)果進行重復(fù)利用，在誤檢結(jié)果中加入負樣本集，重新進行訓練。針對電力作業(yè)現(xiàn)場而言，具備較強的特定性，將得到的分類器應(yīng)用在此類場景中，能夠體現(xiàn)較高的魯棒性。將以上理論作為主要依托，可以單獨截取誤檢區(qū)的圖像，共200張，結(jié)合負樣本進行訓練，針對得到的分類器開展檢測工作，得到最終的檢測結(jié)果，通過分析檢測結(jié)果可以發(fā)現(xiàn)，人員檢測準確率較高。實驗人員針對選取的50張現(xiàn)場圖再次進行測試，得到準確率為92%。最后進行人員闖入檢測實驗，利用綠色框表示安全區(qū)域人員，紅色框表示警戒區(qū)域人員，黑色框表示警戒區(qū)域范圍，可以得到最終檢測結(jié)果。

結(jié)語：為提升電力作業(yè)現(xiàn)場的安全監(jiān)督水平，需做好基于機器學習和圖像識別的學習和應(yīng)用。通過HOG與SVM的有機結(jié)合，開展人員檢測工作，在此基礎(chǔ)上合理運用OpenCV圖像處理技術(shù)明確在警戒區(qū)域內(nèi)是否有人員闖入。電力作業(yè)現(xiàn)場安全監(jiān)督人員應(yīng)了解和掌握HOG特征提取以及SVM分類器工作流程，熟練掌握相關(guān)的算法，采用以上方式可以有效簡化計算程序，為安全監(jiān)督工作的順利開展提供充足依據(jù)。

參考文獻

[1]羅世剛、安旭東、周盛成、黎啟明、羅景鴻.基于機器學習的圖像識別技術(shù)在電能表中的應(yīng)用[J].電子世界，2020（20）：3.

[2]王敬平、姜鑫、黃子君、周潔.基于機器學習的SAR圖像目標識別方法[J].電子技術(shù)與軟件工程，2020（17）：2.