翁凌雯，王 棟，潘 丹，謝乾武，胡東升

（1.國網(wǎng)福建信通公司，福建 福州 350013；2.安徽南瑞繼遠電網(wǎng)技術(shù)有限公司，安徽 合肥 230601）

電力生產(chǎn)包括發(fā)電、變電、輸電及配電四個環(huán)節(jié)，其中變電是電網(wǎng)中連接發(fā)電與輸電的重要樞紐，變電站安全、穩(wěn)定地運行對于電力生產(chǎn)、經(jīng)濟發(fā)展與社會穩(wěn)定均具有重要的意義。所以在電網(wǎng)公司的日常工作中，變電站的巡視、變電設備的維護及檢修是保障其安全運行的重要手段[1-3]。隨著智能電網(wǎng)建設進程的加快，變電站的運行維護面臨著嚴峻的挑戰(zhàn)，作業(yè)人員的資格準入、典型違章行為的及時發(fā)現(xiàn)及重要電力設施的狀態(tài)監(jiān)測均需運維人員的實時跟蹤和全流程監(jiān)管，而傳統(tǒng)依靠人力的運維模式已無法滿足電力生產(chǎn)的需求。因此，借助視頻系統(tǒng)實現(xiàn)變電站的智能安全監(jiān)控迫在眉睫[4-9]。

現(xiàn)階段，變電站中已建立了較為完善的視頻監(jiān)控系統(tǒng)，視頻探頭逐漸成為了保衛(wèi)變電站安全生產(chǎn)環(huán)境的有效手段，且部分變電站已實現(xiàn)了攝像頭的無死角覆蓋。但目前的變電站視頻系統(tǒng)仍局限于監(jiān)視的階段，無法及時識別視頻中的危險信息，并實現(xiàn)對全流程智能化的安全監(jiān)管?；谏鲜龇治?，該文基于機器視覺與動作識別技術(shù)針對變電站的智能安全監(jiān)管問題展開研究，通過引入深度學習算法(Deep Learning,DL)，完成了視頻信息的特征提取，進而實現(xiàn)了對危險行為的快速判別。

1 理論基礎

1.1 機器視覺算法

卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)是機器視覺領(lǐng)域中常用的識別算法[10-13]，其包括卷積、池化和全連接這三種運算。而以Two-Stream CNN 為代表的傳統(tǒng)CNN 網(wǎng)絡能夠?qū)幼鞣纸獬伞翱臻g+時間”的“物理量+動作量”組合，且分別從空間通道、時域通道進行學習，并以此獲得良好的動作識別效果。但隨著視頻信息的引入，該種結(jié)構(gòu)的CNN 網(wǎng)絡忽略了空間通道及時域通道間的關(guān)聯(lián)，從而影響了其在視頻信息處理中的應用。因此，該文充分考慮到動作的三維特性，將Two-Stream CNN的時域通道擴展為局部時域和全局時域，并提出了一種三通道的卷積網(wǎng)絡結(jié)構(gòu)。該算法的基本流程如圖1 所示。

圖1 三通道卷積網(wǎng)絡算法流程

由圖可知，文中所使用的三通道神經(jīng)網(wǎng)絡從空間、局部時域及全局時域進行動作序列的特征提取，從而完成動作識別。

空間通道的輸入是靜態(tài)圖像，對于此種圖像的處理主要包括卷積與池化兩種運算。二者是CNN網(wǎng)絡中的基礎運算，其中卷積運算的原理如下：

其中，f(x,y)是靜態(tài)圖像的特征，h(k,l)是卷積所使用的卷積核。圖2 給出了卷積運算的示意圖。

圖2 卷積運算原理示意圖

池化是一種將原始圖像的特征值進行降采樣的運算，其能夠有效避免深度學習網(wǎng)絡訓練過程中的維度爆炸現(xiàn)象。常用的池化方法有最大值池化、最小值池化及均值池化。文中使用的是均值池化，其基本原理如圖3 所示。

圖3 池化運算原理

在局部時域通道中，使用圖像的光流特征作為CNN 網(wǎng)絡的輸入，其提取方法如下[14-16]。

首先保留圖像在RGB 顏色空間內(nèi)的所有成像值E，并在該圖像空間內(nèi)按照顏色、梯度及速度三個維度建立如式（2）所示的約束方程：

式中，I1、I2是圖像序列的鄰域，、分別是圖像像素點的成像值和光流值，u和v是圖像橫縱兩個方向的速度，Ψ為圖像的核函數(shù)。接著，在式（2）上引入方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征約束：

其中，δ和ρ是調(diào)節(jié)函數(shù)。在對全局時域通道空間進行特征處理時，采用亮度值的時間差分值作為CNN 網(wǎng)絡的輸入。記圖像在像素點(x，y)的亮度值為I，則其差分結(jié)果D為：

接著，可得到全局時域特征：

如此便可得到三通道卷積網(wǎng)絡在3 個卷積通道內(nèi)的特征構(gòu)造方法，而各個特征均需進行如圖2-3所示的卷積、池化操作。此外，對于CNN 網(wǎng)絡中的每個神經(jīng)元，還需定義非線性激活函數(shù)。由于網(wǎng)絡結(jié)構(gòu)復雜，為避免算法在參數(shù)估計時出現(xiàn)梯度消失的現(xiàn)象，該文選擇ReLU 函數(shù)作為激勵函數(shù)：

1.2 算法的參數(shù)估計

在完成三通道CNN 網(wǎng)絡的特征提取后，需對網(wǎng)絡參數(shù)加以訓練。采用誤差反向傳播算法(Back Proragation,BP)進行網(wǎng)絡的參數(shù)估計，首先定義網(wǎng)絡在訓練時所使用的代價函數(shù)：

其中，h為隱藏層函數(shù)，θ表征模型的集合參數(shù)，其迭代更新的方法如下：

計算J(θ)的偏導數(shù)：

此時，可得到模型在第j次迭代后的參數(shù)集合：

在進行樣本迭代的過程中，式（11）實現(xiàn)了批量樣本的梯度下降，但由于該文使用的樣本集規(guī)模龐大，容易使訓練陷入局部最優(yōu)。因此，在訓練過程中基于部分樣本(Mini-Batch)，從規(guī)模為m的全體樣本集中選擇規(guī)模為n的Mini-Batch，以避免訓練的過擬合。此時，式（8）可改進為：

根據(jù)式（8）-（11）的方法，能夠得到CNN 網(wǎng)絡中W、b的迭代更新方法：

2 方法實現(xiàn)

2.1 實驗設計

為驗證所提算法的有效性，首先在開放數(shù)據(jù)集上對算法在動作識別方面的精度進行驗證。然后基于實際的變電站生產(chǎn)數(shù)據(jù)，驗證算法在實際生產(chǎn)環(huán)境下的智能安全監(jiān)控效果。文中所使用的開放數(shù)據(jù)集為UCF101，該數(shù)據(jù)集的相關(guān)信息如表1 第2 列所示。使用開放數(shù)據(jù)集的優(yōu)勢為便于和現(xiàn)有動作識別算法進行對比。此外，表1 第3 列還給出了該文自行采集的變電站內(nèi)實際場景下的視頻數(shù)據(jù)集。這些數(shù)據(jù)集包含了電力生產(chǎn)環(huán)境下的危險動作類別，如未佩戴安全帽、跨越危險區(qū)等10 種違規(guī)告警。

表1 數(shù)據(jù)集信息

結(jié)合數(shù)據(jù)集的規(guī)模，在3 個通道內(nèi)均使用表2 所示CNN 網(wǎng)絡，該網(wǎng)絡包括5 個卷積層、3 個池化層及兩個全連接層。且網(wǎng)絡輸出層神經(jīng)元的個數(shù)與數(shù)據(jù)集中動作類別的個數(shù)一致。

表2 CNN網(wǎng)絡結(jié)構(gòu)

表3 算法仿真環(huán)境

表4 網(wǎng)絡的訓練參數(shù)

仿真所使用的硬件環(huán)境參數(shù)及網(wǎng)絡訓練時使用的訓練參數(shù)，如表3-4 所示。

2.2 實驗結(jié)果

如上文所述，該文提出的三通道CNN 網(wǎng)絡先在UCF101上驗證其分類性能，再應用于變電站的生產(chǎn)數(shù)據(jù)集中。算法在UCF101上的識別效果如表5所示。

表5 UCF上的仿真結(jié)果

從表5 的識別結(jié)果看，當將三通道CNN 網(wǎng)絡中的3 個通道分別作為CNN 網(wǎng)絡的特征提取通道時，算法的平均識別率在80%左右。其中，局部時域所在的通道平均識別率較高；當使用現(xiàn)有的Two-Stream 算法進行動作識別時，識別率較單通道方法具有顯著提升，且提高了5%以上；而當使用該文提出的三通道識別算法時，算法的識別精度可達到88.38%，較雙通道算法提升了3.09%。這證明了通道數(shù)增加后，特征并未產(chǎn)生冗余，故第3 個特征通道的引入仍對算法識別率的提升產(chǎn)生了積極作用。

隨后，該文在實際的電力生產(chǎn)環(huán)境下進行了仿真實驗。圖4 給出了算法在對于未佩戴安全帽這一電力生產(chǎn)違規(guī)行為的識別效果。經(jīng)過對大量識別結(jié)果的統(tǒng)計，文中所提算法的識別精度為93.45%，而Two-Stream CNN 算法的識別精度為88.28%，因此識別精度提升了5.17%。綜合來看，算法在電力生產(chǎn)環(huán)境下的識別效果較UCF101 具有顯著提升。這主要是由于UCF101 的樣本中動作類別較多，且部分動作較為接近而導致的。

圖4 算法在電力生產(chǎn)環(huán)境下的識別效果

3 結(jié)束語

文中設計了一種三通道卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，通過在開放數(shù)據(jù)集和實際電力生產(chǎn)數(shù)據(jù)集上的仿真，驗證了該算法可有效提升變電站生產(chǎn)中對于危險行為的識別精度。該算法增加了視頻信號中的時空域關(guān)聯(lián)，并對機器視覺領(lǐng)域中的空域、時域信號的融合處理提供了新的思路。在未來，隨著智能電網(wǎng)建設進程的推進，變電站的安全智能監(jiān)控技術(shù)將成為服務變電站運維的重要手段，且更廣泛地應用于電力生產(chǎn)中。