陳標發(fā) 陳傳東 魏榕山 羅海波

基于現(xiàn)場可編程門陣列的智能配電站安防巡檢系統(tǒng)設計與實現(xiàn)

陳標發(fā)1陳傳東1魏榕山1羅海波2

（1. 福州大學物理與信息工程學院，福州 350108； 2. 閩江學院計算機與控制工程學院，福州 350121）

在我國電力系統(tǒng)中，配電站屬于電力網絡邊緣節(jié)點，是電力系統(tǒng)中的重要環(huán)節(jié)。然而，人工巡檢或一些傳統(tǒng)硬件設備的數據采集手段，由于成本及效率等問題，已經無法匹配當下的安防巡檢需求。針對此問題，本文提出一種基于現(xiàn)場可編程門陣列（FPGA）的智能配電站安防巡檢解決方案。首先利用YOLOv4-tiny網絡實現(xiàn)安全帽佩戴檢測、工作服著裝檢測、越界預警識別等功能，其準確率可達93.5%；其次針對配電站的應用場景，本文利用FPGA在邊緣設備上實現(xiàn)實時檢測的效果，并從并行展開及流水線等方面進行加速優(yōu)化。實驗結果表明，該系統(tǒng)可在ZCU102平臺上實現(xiàn)每秒傳輸幀數為68的檢測速度，整體平均性能達到228十億次運算/秒。

智能配電站；YOLO；現(xiàn)場可編程門陣列（FPGA）；安防巡檢

0 引言

在我國電力系統(tǒng)中，配電站作為電網末端與用電設備相連的關鍵節(jié)點，與輸電、變電同樣是電力系統(tǒng)中的重要環(huán)節(jié)。隨著社會經濟的高速發(fā)展，以及配電站在整個電力網絡中的特殊地位，其數量也日益增加。人工巡檢或一些傳統(tǒng)硬件設備的數據采集手段[1]，由于成本或效率等問題，已經無法完美匹配當下數以萬計的配電站安防巡檢需求。并且，配電站屬于高電壓、高危場所，如何高效、安全地監(jiān)管進入站房的工作人員及其施工區(qū)域是否合規(guī)等，更是一個重要問題。當前的主流做法是采用安裝相關傳感器的方式進行監(jiān)管，該方案存在成本高、無法存證等問題。因此，有必要研究與設計新的監(jiān)管方法，在低成本的條件下實現(xiàn)證據鏈的保存和違規(guī)識別的高準確率[2-3]。

在傳統(tǒng)硬件設備環(huán)境感知的基礎上，本文提出一種基于機器視覺的智能配電站安防巡檢解決方案。此方案可通過視頻監(jiān)控設備，實現(xiàn)對配電站房內視頻流的視覺分析，通過YOLO（you only look once）卷積神經網絡進行目標檢測，從而實現(xiàn)安全帽佩戴檢測、工作服著裝檢測、越界預警識別等功能。

在實際應用中，絕大部分卷積神經網絡都是部署在中央處理器（central processing unit, CPU）和圖形處理器（graphics processing unit, GPU）上，然而CPU的高延時、低效率，GPU的高成本、高功耗的缺點決定了其難以在邊緣設備上實現(xiàn)。張量處理器（tense processing unit, TPU）、網絡處理器（neural- network processing unit, NPU）作為特殊的專用集成電路（application specific integrated circuit, ASIC）方案，研發(fā)成本高，研發(fā)周期長，且完成后難以更改，難以適應更新迭代較快的神經網絡算法。因此，本文利用現(xiàn)場可編程門陣列（field programmable gate array, FPGA）的可定制性、可重構性及高并行度[4]的獨特優(yōu)勢，設計一套基于FPGA的快速推理模型。

1 YOLO卷積神經網絡

1.1 YOLO模型

近些年來，有關目標檢測算法的研究取得了一定的進展。目前比較流行的算法可以分為基于候選區(qū)域的兩階段（two stage）目標檢測算法[5]和單階段（one stage）目標檢測算法[6]，包括YOLO、SSD（single shot multibox detector）等。相較于兩階段目標檢測算法，單階段目標檢測算法雖然在精度上略有不及，但其在模型參數量及檢測速度上均有一定優(yōu)勢。

YOLO[7]是一種基于深度神經網絡的對象識別和定位算法，是較為優(yōu)秀的目標檢測架構之一，其在檢測實時性方面具有較大優(yōu)勢。YOLO將生成候選區(qū)和對象識別這兩個階段合二為一，利用整張圖片作為網絡的輸入，直接在輸出層回歸邊界框的位置和所屬類別。YOLOv4-tiny[8]是在YOLOv4算法的基礎上進行壓縮設計的，其結構更為簡單，參數量只有原來的十分之一，這使YOLOv4-tiny的檢測速度獲得較大提升，使之部署在移動和嵌入式設備上成為可能。因此本文采取YOLOv4-tiny網絡進行目標檢測。而對于部分對速度、功耗、資源不敏感，對精度有較高要求的場景，可使用YOLOv4或其他卷積神經網絡。

1.2 數據集采集

由于配電站環(huán)境復雜多變，通過監(jiān)控攝像頭和公開數據集獲取更為豐富的數據集。利用監(jiān)控攝像頭進行視頻采集，并經過篩選及處理共獲得12 928張圖片。此外，還從公開數據集中獲得9 873張圖像文件。完成圖像采集后，使用開源項目LabelImg進行標定工作。數據集各類標簽比例如圖1所示，通過對數據集標簽文件的分析可知，本次采集的數據集中共四種檢測目標，即穿著工作服的行人、未穿著工作服的行人、已佩戴安全帽的頭部、未佩戴安全帽的頭部。

圖1 數據集各類標簽比例

1.3 訓練結果

利用本次采集的數據集對YOLOv4-tiny模型進行訓練，訓練結果各項指標見表1。其中，Precision為準確率；Recall為召回率；MAP.5為將IOU（intersection over union）設置為0.5時，每個類別的AP（average precision）的平均值。

表1 模型訓練結果指標

利用訓練好的模型對驗證集圖片進行檢測，如圖2所示，能夠準確識別畫面中所出現(xiàn)的工作人員是否佩戴了安全帽，以及是否穿著工作服。若正確佩戴安全帽且穿著工作服，則不出現(xiàn)提示信息，使用綠框框出工作人員；若錯誤佩戴或未佩戴安全帽，則使用黃框框出對應工作人員頭部，并使用“Helmet”在頭部進行標注；若未穿著工作服，則使用黃框框出對應工作人員，并使用“Dress”在頭部進行標注。

圖2 效果展示

2 FPGA加速器設計

2.1 量化方案

神經網絡的訓練一般采用浮點數進行計算，然而浮點運算在硬件平臺上的實現(xiàn)比定點計算更加復雜，運算效率更低。為減少硬件資源消耗，提高系統(tǒng)推理速度，對YOLOv4-tiny模型進行8bits對稱線性量化[9]。對稱線性量化具有高效、易于硬件實現(xiàn)的優(yōu)勢，其具體量化公式為

式中：為輸入浮點數據；Q為量化后的定點數據。

2.2 系統(tǒng)架構設計

系統(tǒng)架構如圖3所示。CPU負責統(tǒng)籌協(xié)調任務并發(fā)送指令。PL端主要負責YOLOv4-tiny網絡的加速實現(xiàn)。由于片上存儲資源有限，采用片外數據方向寄存器（data direction register, DDR）協(xié)同存儲數據。

PL端可通過配置直接存儲器訪問（direct memory access, DMA）實現(xiàn)輸入輸出數據的傳輸。指令存儲于隨機塊存儲器（block random access memory, BRAM），其中包括操作模式、配置參數、存儲位置等指令。Command Analyzer作為核心控制模塊，負責解析指令，并輸出相應的控制信號。池化模塊、上采樣模塊、卷積模塊等計算單元，從輸入緩沖區(qū)讀取輸入特征圖，利用數字信號處理（digital signal processing, DSP）資源進行相應計算，中間數據緩存于輸出緩沖區(qū)，計算完成后進行量化、激活，最終存入輸入緩沖區(qū)。

圖3 系統(tǒng)架構

2.3 加速器優(yōu)化設計

YOLO網絡經歷多次的卷積和池化層，其中包含大量的重復循環(huán)操作，因此需對數據排布與存儲、計算過程等方面進行優(yōu)化與改進。本文考慮采用并行展開[10]與流水線技術[11]來提高并行度，增加系統(tǒng)吞吐量。

并行展開是一種用面積換速度的設計方法，通過在硬件上重復設計多個計算單元，可以實現(xiàn)一定數量計算單元的并行運算。卷積優(yōu)化架構如圖4所示，卷積過程中，考慮到隨著網絡層數的增加，特征圖尺寸越來越小，而通道數越來越大，故若直接按照特征圖寬度和高度進行并行展開，當寬度和高度小于并行度時則無法充分利用重復設計的硬件單元，造成資源的浪費且無法達到加速的目的。因此選擇對輸入通道及輸出通道進行并行展開。充分利用DSP資源，提高系統(tǒng)并行度，從而增大系統(tǒng)吞吐量。

流水線技術廣泛運用于硬件架構設計中，它可以縮短運行周期并有效提升系統(tǒng)效率。本文對循環(huán)中的任務采取流水線技術優(yōu)化，將原有卷積操作進行細分，以周期為單位細分讀數據、乘法、累加、寫數據等操作，使每個環(huán)節(jié)在每個周期都可以有連續(xù)的輸入與輸出。以卷積中的累加操作為例，如圖4中PE所示，通過加法器樹的設計，使每個周期并行展開的乘法結果都可以開始累加操作而不互相依賴，從而實現(xiàn)流水線設計。

圖4 卷積優(yōu)化架構

3 結果與分析

為了評估本文的優(yōu)化策略，使用Xilinx公司的ZCU102開發(fā)板進行驗證。性能評估見表2，DSP資源主要用于進行乘法運算，BRAM資源主要用于存儲輸入圖片、權重、量化參數等數據。為了提升并行度、加快檢測速度，各邏輯模塊消耗了較多的觸發(fā)器和查找表（look up table, LUT）資源。系統(tǒng)時鐘頻率150MHz的情況下，整體平均性能達到228十億次運算/秒（giga operations per second, GOPS），峰值性能達到307GOPS，系統(tǒng)實現(xiàn)每秒傳輸幀數（frames per second, FPS）為68的檢測速度。

表2 性能評估

4 結論

本文針對當下配電站存在的缺陷及其需求，設計了一套基于FPGA的智能配電站安防巡檢系統(tǒng)。

通過YOLOv4-tiny網絡實現(xiàn)安全帽佩戴檢測、工作服著裝檢測、越界預警識別等功能，達到了危險預警和異常告警的目的。在ZCU102 FPGA開發(fā)板上進行了加速器的實現(xiàn)與優(yōu)化，通過并行展開及流水線操作兩方面進行加速優(yōu)化，最終實現(xiàn)68FPS的檢測速度，整體平均性能達到228GOPS，峰值性能可達307GOPS。考慮到配電網絡結構龐大多變，配電站環(huán)境較為復雜，可通過增加、修改數據集，利用神經網絡的自學習、自適應能力，重新訓練獲得網絡模型，并更新硬件系統(tǒng)相關參數本，以適應新場景的需求。因此，本文提出的解決方案具備較強的通用性，能夠大幅降低整個電力網絡在配電站環(huán)節(jié)針對安防巡檢的投入成本，并有效提高整個電力網絡的運行效率，最大限度保障人員、設施安全，為配電站安防巡檢的智能化發(fā)展提供參考。

[1] 朱志偉. 基于大數據的35kV變配電站智能監(jiān)控整體解決方案的實現(xiàn)[J]. 電氣技術, 2018, 19(7): 63-67.

[2] 趙凱, 孫豪文. 10kV配電物聯(lián)網智慧臺區(qū)關鍵技術與實踐[J]. 電氣技術, 2020, 21(7): 80-84.

[3] 周國亮, 朱永利, 王桂蘭, 等. 實時大數據處理技術在狀態(tài)監(jiān)測領域中的應用[J]. 電工技術學報, 2014, 29(增刊1): 432-437.

[4] DING Ru, SU Guangda, BAI Guoqiang, et al. A FPGA-based accelerator of convolutional neural network for face feature extraction[C]//2019 IEEE International Conference on Electron Devices and Solid-State Circuits (EDSSC), Xi’an, China, 2019.

[5] ZHANG Yang, SONG Chenglong, ZHANG Dongwen. Deep learning-based object detection improvement for tomato disease[J]. IEEE Access, 2020, 8: 56607- 56614.

[6] ALGABRI M, MATHKOUR H, BENCHERIF M A, et al. Towards deep object detection techniques for phoneme recognition[J]. IEEE Access, 2020, 8: 54663- 54680.

[7] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016: 779-788.

[8] JIANG Zicong, ZHAO Liquan, LI Shuaiyang, et al. Realtime object detection method based on improved YOLOv4-tiny[EB/OL]. [202011]. https://arxiv.org/abs/ 2011.04244v1.

[9] JACOB B, KLIGYS S, CHEN B, et al. Quantization and training of neural networks for efficient integer- arithmetic-only inference[C]//IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, US, 2018.

[10] 黃兆偉. 基于FPGA的深度卷積神經網絡硬件加速方法研究[D]. 長春: 東北師范大學, 2020.

[11] 朱建鑫, 胡海兵, 陸道榮, 等. 應用于級聯(lián)STATCOM的高精度低成本全FPGA實時仿真模型研究[J]. 電工技術學報, 2019, 34(4): 777-785.

[12] ZHANG Shiguang, CAO Jian, ZHANG Quan, et al. An FPGA-based reconfigurable CNN accelerator for YOLO[C]//2020 IEEE 3rd International Conference on Electronics Technology (ICET), Chengdu, 2020: 74-78.

[13] ADIONO T, PUTRA A, SUTISNA N, et al. Low latency YOLOv3-tiny accelerator for low-cost FPGA using general matrix multiplication principle[J]. IEEE Access, 2021, 9: 141890-141913.

[14] PESTANA D G, MIRANDA P R, LOPES J D, et al. A full featured configurable accelerator for object detection with YOLO[J]. IEEE Access, 2021, 9: 75864-75877.

Design and implementation of security inspection system for ntelligent distribution station based on field programmable gate array

CHEN Biaofa1CHEN Chuandong1WEI Rongshan1LUO Haibo2

(1. School of Physics and Information Engineering, Fuzhou University, Fuzhou 350108; 2. School of Computer and Control Engineering, Minjiang University, Fuzhou 350121)

In Chinese power system, distribution station belongs to the edge node of power network and is a key link in power system. However, manual patrol inspection or data acquisition methods of traditional hardware equipment can not match the current security patrol inspection requirements due to problems such as cost and efficiency. To solve this problem, this paper proposes a security inspection solution of intelligent distribution station based on FPGA. Firstly, YOLOv4 tiny network is used to realize the functions of helmet wearing detection, work clothes wearing detection and cross-border early warning identification, with an accuracy of 93.5%. Secondly, for the application scenario of power distribution station, this paper uses FPGA to realize the effect of real-time detection on edge devices, and optimizes from the aspects of parallel deployment and pipeline. The results of the experiment show that the system realizes the detection speed of 68 frames per second on ZCU102 platform, and the overall average performance reaches 228 giga operations per second.

intelligent distribution station；YOLO；field programmable gate array (FPGA)；security inspection

2022-01-18

2022-02-25

陳標發(fā)（1996—），男，浙江臺州人，碩士研究生，主要研究方向為深度學習及硬件加速。

國家自然科學基金青年項目（61902167）

福建省自然科學基金面上項目（2021J011015）