唐冬來(lái)，楊 平，劉秋輝，黃 璞，楊 俏，葉鴻飛

（四川中電啟明星信息技術(shù)有限公司，四川成都 610041）

隨著中國(guó)經(jīng)濟(jì)的迅猛發(fā)展，電網(wǎng)建設(shè)規(guī)模不斷擴(kuò)大[1]，輸配電線路跨越農(nóng)村魚(yú)塘的情況逐年增多[2]。垂釣者在輸配電線路下方的魚(yú)塘釣魚(yú)時(shí)，若不慎將魚(yú)桿或魚(yú)線拋到魚(yú)塘附近的輸配電線路上，將造成垂釣者觸電燒傷或死亡[3-5]。

供電公司輸配電線路下魚(yú)塘垂釣管理分為被動(dòng)阻攔方式和主動(dòng)檢測(cè)方式，被動(dòng)阻攔方式采取對(duì)垂釣者進(jìn)行宣傳與設(shè)置警示裝置等措施禁止垂釣[6-7]，但垂釣者的安全意識(shí)不強(qiáng)，仍有垂釣者觸電事故發(fā)生。主動(dòng)檢測(cè)是通過(guò)無(wú)人機(jī)攝魚(yú)塘圖像的方式進(jìn)行垂釣者圖像識(shí)別，采用語(yǔ)義分割模型提取垂釣者的特征[8-9]，但上述方法對(duì)魚(yú)竿的特征檢測(cè)不明顯，不能區(qū)分普通行人和垂釣者。

為解決輸配電線路下垂釣者發(fā)生觸電風(fēng)險(xiǎn)隱患的問(wèn)題，提出了一種基于全卷積網(wǎng)絡(luò)(Full Convolutional Network,FCN)的配電線下魚(yú)塘垂釣識(shí)別方法。該方法采用全卷積網(wǎng)絡(luò)對(duì)圖像進(jìn)行了精準(zhǔn)分析，過(guò)濾噪聲數(shù)據(jù)的影響，從而提高輸配電線路下垂釣者識(shí)別的準(zhǔn)確性。

1 輸配電線下魚(yú)塘防釣觸電框架

文中所述的基于全卷積網(wǎng)絡(luò)的配電線下魚(yú)塘垂釣識(shí)別方法主要包括輸配電線路下的魚(yú)塘特征檢測(cè)、垂釣者行為檢測(cè)和垂釣行為告警三部分內(nèi)容，框架如圖1 所示。

圖1 輸配電線路下魚(yú)塘防釣觸電框架圖

由圖1 可知，在魚(yú)塘特征檢測(cè)環(huán)節(jié)，首先，通過(guò)安裝在輸配電線路旁桿塔上的視頻攝像頭獲取魚(yú)塘視頻圖像數(shù)據(jù)；然后，對(duì)魚(yú)塘圖像區(qū)域進(jìn)行分割，劃分魚(yú)塘和周圍陸地的圖像區(qū)塊；在此基礎(chǔ)上，進(jìn)行魚(yú)塘的邊緣檢測(cè)，檢測(cè)出魚(yú)塘的地理范圍；最后，構(gòu)建魚(yú)塘的圖像特征。在垂釣者行為檢測(cè)環(huán)節(jié)，首先提取途徑魚(yú)塘的人員特征；然后對(duì)人員的特征進(jìn)行分析，判斷該人員是否攜帶魚(yú)竿，若攜帶魚(yú)竿，則認(rèn)為是垂釣者；在此基礎(chǔ)上，檢測(cè)垂釣者的魚(yú)竿是否處于拉伸狀態(tài)；最后，判斷垂釣者是否有揮魚(yú)竿的行為。在垂釣行為告警方面，首先接收垂釣者闖入輸配電線路下方的圖像檢測(cè)行為信息；然后，調(diào)用語(yǔ)音庫(kù)中的告警語(yǔ)音，輸出到輸配電桿塔上的揚(yáng)聲器和警示燈進(jìn)行告警。

2 輸配電線下魚(yú)塘防釣觸電模型

2.1 魚(yú)塘特征檢測(cè)

2.1.1 魚(yú)塘視頻輸入

輸配電線路的導(dǎo)線距離下方魚(yú)塘的垂直距離在6～30 m 之間，準(zhǔn)確地檢測(cè)魚(yú)塘的范圍，是輸配電線路下魚(yú)塘防釣觸電模型的關(guān)鍵。輸配電線路下魚(yú)塘視頻監(jiān)測(cè)裝置由球機(jī)視頻攝像頭、太陽(yáng)能光伏板供電單元、視頻邊緣計(jì)算節(jié)點(diǎn)、揚(yáng)聲器和警示燈構(gòu)成，可將其安裝在距離魚(yú)塘最近的自立桿塔上，實(shí)現(xiàn)對(duì)于魚(yú)塘范圍內(nèi)的圖像監(jiān)測(cè)。輸配電線路視頻監(jiān)測(cè)裝置安裝圖如圖2 所示。

圖2 輸配電線路視頻監(jiān)測(cè)裝置安裝圖

為減少魚(yú)塘垂釣告警平臺(tái)服務(wù)器的計(jì)算壓力，在邊緣計(jì)算節(jié)點(diǎn)中內(nèi)置文中所提方法的算法模型。通過(guò)邊緣計(jì)算識(shí)別出垂釣者的魚(yú)塘闖入行為，并將結(jié)果通過(guò)4G 模塊發(fā)送到后臺(tái)監(jiān)控主站。文中通過(guò)視頻攝像頭中的電荷耦合器件（Charge-Coupled Device，CCD)[10]將采集到的魚(yú)塘圖像數(shù)據(jù)提取到邊緣計(jì)算節(jié)點(diǎn)單元。

2.1.2 魚(yú)塘圖像區(qū)域分割

語(yǔ)義分割算法是對(duì)圖像中的所有像素點(diǎn)進(jìn)行分類，確定每個(gè)像素點(diǎn)的所屬類別，從而進(jìn)行圖像區(qū)域的劃分，通過(guò)語(yǔ)義分割可以提取到輸配電線路下方魚(yú)塘的區(qū)塊。

全卷積網(wǎng)絡(luò)(FCN)是一種圖像語(yǔ)義分割算法，該方法包括了全卷積和反卷積兩個(gè)部分，避免了對(duì)圖像進(jìn)行復(fù)雜的前期處理，可實(shí)現(xiàn)對(duì)輸配電線路下方魚(yú)塘原始的分割。因此，文中采用FCN 網(wǎng)絡(luò)進(jìn)行魚(yú)塘圖像區(qū)域分割[11-12]。

FCN 分割魚(yú)塘圖像區(qū)域過(guò)程中，在全卷積部分，模型提取輸配電線路魚(yú)塘圖像中行人的特征信息，通過(guò)檢測(cè)行人是否有攜帶釣魚(yú)竿的特征，判斷行人是否為垂釣者，并形成輸電線路下魚(yú)塘的熱點(diǎn)圖；在反卷積部分，在輸電線路下魚(yú)塘的小尺寸熱點(diǎn)圖上進(jìn)行采樣，通過(guò)框線方式描述垂釣者的圖像范圍，并獲得標(biāo)準(zhǔn)輸電線路下魚(yú)塘的垂釣者語(yǔ)義分割圖像。通過(guò)FCN 網(wǎng)絡(luò)后分割的圖像Yb為：

式中，Ya為輸入的原始輸配電線路下方魚(yú)塘圖像像素矩陣；ja為魚(yú)塘圖像的卷積核大??；la為魚(yú)塘圖像的步幅；ea為魚(yú)塘圖像的補(bǔ)零層數(shù)。由式（1）可獲得分割后的魚(yú)塘圖像數(shù)據(jù)。

2.1.3 魚(yú)塘邊緣檢測(cè)及特征構(gòu)建

索貝爾(Sobel)邊緣檢測(cè)算法是一種計(jì)算機(jī)視覺(jué)的圖像特征提取方法，該方法通過(guò)圖像的亮度及景深度來(lái)判斷圖像邊緣，具有圖像邊緣檢測(cè)準(zhǔn)確的特點(diǎn)[13-14]。因此，文中采用索貝爾邊緣檢測(cè)算法進(jìn)行魚(yú)塘邊緣檢測(cè)。

在魚(yú)塘圖像邊緣檢測(cè)過(guò)程中，通過(guò)魚(yú)塘圖像中亮度變化差異大的點(diǎn)、圖像景深不連續(xù)的點(diǎn)、圖像表面方向不連續(xù)及圖像物質(zhì)屬性不連續(xù)的點(diǎn)和圖像場(chǎng)景變化差異大的點(diǎn)提取魚(yú)塘圖像的邊緣特征。在判斷魚(yú)塘圖像區(qū)域的邊緣特征后，建立魚(yú)塘邊緣范圍內(nèi)的區(qū)域?qū)傩?。圖像的灰度大小Ha為：

式中，魚(yú)塘圖像邊緣的橫向坐標(biāo)為Hx；縱向坐標(biāo)為Hy。圖像的方向梯度Fa為：

由式（3）生成輸配電線路下的魚(yú)塘邊緣檢測(cè)信息后，構(gòu)建出魚(yú)塘的邊緣特征。

2.2 垂釣者行為檢測(cè)

尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）算法是一種圖像檢測(cè)算法，該算法具有空間尺度不變的特征，可較好地識(shí)別圖像中的移動(dòng)目標(biāo)。因此，文中選擇SIFT 算法進(jìn)行垂釣者行為識(shí)別。

在輸配電線路下魚(yú)塘的圖像中，采用SIFT 算法對(duì)魚(yú)塘闖入者的關(guān)鍵信息進(jìn)行檢測(cè)。首先判斷魚(yú)塘圖像中是否有闖入者；其次，判斷闖入者是否攜帶魚(yú)竿，若闖入者攜帶魚(yú)竿則為垂釣者，若闖入者未攜帶魚(yú)竿，則為普通人員。在此基礎(chǔ)上，判斷垂釣者的魚(yú)竿是否有拉伸、揮桿等行為，識(shí)別垂釣者的危險(xiǎn)行為。

可變尺度的輸配電線路下方魚(yú)塘移動(dòng)物體的高斯函數(shù)W(ai,bi,β)為：

式中，a、b為移動(dòng)物體的縱橫坐標(biāo)；ai、bi為移動(dòng)物體上的不同一點(diǎn)；β為不同尺度的核參數(shù)。尺度不變換特征Z(a,b,β)為：

式中，R(a,b)為輸入的輸配電線路下方魚(yú)塘分割出的移動(dòng)物體信息，然后，進(jìn)行輸配電線路下方魚(yú)塘響應(yīng)值圖像(Difference of Gaussians,DOG)檢測(cè)，DOG函數(shù)魚(yú)塘的極值檢測(cè)J(a,b,β)為：

式中，DOG 函數(shù)為θ。通過(guò)式（6）可檢測(cè)出垂釣者行為。具體行為列表如表1 所示。

表1 輸配電線路下方魚(yú)塘垂釣行為列表

2.3 垂釣行為告警

垂釣行為告警首先接收垂釣者闖入輸配電線路下方的圖像檢測(cè)行為信息，然后，調(diào)用語(yǔ)音庫(kù)中預(yù)先錄制的告警語(yǔ)音信息，輸配電線路下方魚(yú)塘語(yǔ)音告警如表2 所示。

表2 輸配電線路下方魚(yú)塘語(yǔ)音告警

同時(shí)，針對(duì)L1-L3 級(jí)別的垂釣行為，輸配電線路下魚(yú)塘視頻監(jiān)測(cè)裝置啟動(dòng)警示燈，提示垂釣者離開(kāi)。

3 算例分析

3.1 場(chǎng)景與參數(shù)設(shè)定

為驗(yàn)證文中所提基于全卷積網(wǎng)絡(luò)的配電線下魚(yú)塘垂釣識(shí)別方法的有效性，在某地區(qū)的輸配電線路魚(yú)塘進(jìn)行實(shí)例驗(yàn)證。該地區(qū)共有輸配電線路下方魚(yú)塘125 個(gè)，面積小于5 000 平方米的魚(yú)塘安裝一個(gè)魚(yú)塘視頻監(jiān)測(cè)裝置，面積大于5 000 平方米的魚(yú)塘安裝魚(yú)塘視頻監(jiān)測(cè)裝置兩個(gè)，共安裝預(yù)測(cè)視頻監(jiān)測(cè)裝置163 個(gè)。魚(yú)塘視頻監(jiān)測(cè)裝置中，邊緣計(jì)算節(jié)點(diǎn)的處理器為ARM10E，內(nèi)存為3 GB，存儲(chǔ)硬盤(pán)為1 TB，操作系統(tǒng)環(huán)境為安卓9.0。

在訓(xùn)練集中，首先選擇魚(yú)塘垂釣者圖片17 264張進(jìn)行模型訓(xùn)練，圖像的格式為1 920×1 080像素，驗(yàn)證集中，選取某地區(qū)隨機(jī)的1 000張圖片進(jìn)行驗(yàn)證。

文中用于比對(duì)的方法是文獻(xiàn)[16]中的深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks,DNN)方法，該方法在圖像識(shí)別領(lǐng)域被廣泛應(yīng)用，具有通用性。

3.2 算例運(yùn)行結(jié)果與分析

3.2.1 全卷積網(wǎng)絡(luò)擬合精度

全卷積網(wǎng)絡(luò)用于輸配電線路下方魚(yú)塘的分塊，由于魚(yú)塘視頻球機(jī)可以旋轉(zhuǎn)，并可以從不同角度拍攝魚(yú)塘的全景，所以需要使用全卷積網(wǎng)絡(luò)對(duì)不同角度的魚(yú)塘圖像進(jìn)行擬合與校準(zhǔn)，擬合的精度越高，則輸入到模型的圖片質(zhì)量也越好。

為驗(yàn)證文中所基于全卷積網(wǎng)絡(luò)的配電線下魚(yú)塘垂釣識(shí)別方法，對(duì)文中模型訓(xùn)練300 次，獲取到誤差直方圖，結(jié)果如圖3 所示。

圖3 全卷積網(wǎng)絡(luò)擬合精度圖

由圖3 可知，通過(guò)對(duì)全卷積網(wǎng)絡(luò)的訓(xùn)練，模型誤差隨著訓(xùn)練次數(shù)的增加而逐漸減少，當(dāng)訓(xùn)練次數(shù)在180 次左右時(shí)，誤差穩(wěn)定在0.20%左右。

3.2.2 輸配電線路下魚(yú)塘垂釣告警時(shí)長(zhǎng)

輸配電線路下魚(yú)塘垂釣告警時(shí)長(zhǎng)是反映魚(yú)塘告警響應(yīng)時(shí)間的核心指標(biāo)，該指標(biāo)的計(jì)算方式是從垂釣者闖入魚(yú)塘的圖像識(shí)別區(qū)域到魚(yú)塘視頻監(jiān)測(cè)裝置揚(yáng)聲器和警示燈發(fā)出告警信號(hào)的時(shí)間，該時(shí)間越短越好。

選擇魚(yú)塘垂釣者的視頻圖片樣本個(gè)數(shù)為50、100、200、300、400、500、800、1 000 個(gè)，分別采用文中所提基于全卷積網(wǎng)絡(luò)的配電線下魚(yú)塘垂釣識(shí)別方法與業(yè)界廣泛使用的DNN 方法進(jìn)行魚(yú)塘垂釣告警時(shí)長(zhǎng)比較，對(duì)比結(jié)果如表3 所示。

表3 輸配電線路下魚(yú)塘垂釣告警時(shí)長(zhǎng)表

由表3 可知，文中所提基于全卷積網(wǎng)絡(luò)的配電線下魚(yú)塘垂釣識(shí)別方法的魚(yú)塘垂釣告警時(shí)長(zhǎng)短于DNN 方法。

3.2.3 輸配電線路下魚(yú)塘垂釣告警準(zhǔn)確率

輸配電線路下魚(yú)塘垂釣告警準(zhǔn)確率是反映魚(yú)塘垂釣者闖入告警是否準(zhǔn)確的核心指標(biāo)，該指標(biāo)的計(jì)算方式為魚(yú)塘實(shí)際告警的垂釣者數(shù)量與闖入魚(yú)塘的垂釣者數(shù)量的比值，該比值越小越好。

選擇魚(yú)塘垂釣者的視頻圖片樣本個(gè)數(shù)為100、200、400、500、800、1 000 個(gè)，采用文中所提基于全卷積網(wǎng)絡(luò)的配電線下魚(yú)塘垂釣識(shí)別方法與DNN 方法進(jìn)行比較，魚(yú)塘垂釣告警準(zhǔn)確率對(duì)比結(jié)果如圖4所示。

圖4 輸配電線路下魚(yú)塘垂釣告警準(zhǔn)確率圖

由圖4 可見(jiàn)，文中所提基于全卷積網(wǎng)絡(luò)的配電線下魚(yú)塘垂釣識(shí)別方法魚(yú)塘垂釣告警準(zhǔn)確率平均約為99.2%，高于DNN 方法[17]，因此文中所提方法魚(yú)塘垂釣告警準(zhǔn)確率更高。

4 結(jié)論

為解決輸配電線路下垂釣者發(fā)生觸電風(fēng)險(xiǎn)隱患的問(wèn)題，文中提出了一種基于全卷積網(wǎng)絡(luò)的配電線下魚(yú)塘垂釣識(shí)別方法。該方法通過(guò)視頻攝像頭采集魚(yú)塘視頻圖像，然后采用全卷積網(wǎng)絡(luò)語(yǔ)義分割算法進(jìn)行魚(yú)塘原始圖像分割，通過(guò)Sobel 邊緣檢測(cè)算法標(biāo)識(shí)出魚(yú)塘邊緣范圍。在此基礎(chǔ)上，采用SIFT 算法檢測(cè)垂釣者闖入魚(yú)塘區(qū)域，并通過(guò)揚(yáng)聲器、警示燈進(jìn)行告警。最后，將文中所提方法應(yīng)用在某地區(qū)的魚(yú)塘，其結(jié)果驗(yàn)證了該方法的有效性。

下一步，將拓展該方法的應(yīng)用范圍，在跨越河流的輸電線路中進(jìn)行垂釣者識(shí)別。