國(guó)網(wǎng)陜西省超高壓公司 王一青 國(guó)網(wǎng)西安市鄠邑區(qū)供電公司 馬恒凱
為保證電力施工現(xiàn)場(chǎng)的作業(yè)安全,除了需要提供相應(yīng)的安全輔助設(shè)備以外,還需要對(duì)工作人員的行為規(guī)范進(jìn)行監(jiān)管[1]。在電力生產(chǎn)工作的過(guò)程中,若工作在帶有高壓電的帶電體周?chē)?,任何操作行為的不?guī)范,都會(huì)帶來(lái)嚴(yán)重的安全隱患[2]。
關(guān)于電網(wǎng)作業(yè)現(xiàn)場(chǎng)的風(fēng)險(xiǎn)研究目前處于發(fā)展階段,有研究學(xué)者針對(duì)電網(wǎng)現(xiàn)場(chǎng)作業(yè)的風(fēng)險(xiǎn)建立評(píng)價(jià)指標(biāo)體系,從人的影響、設(shè)備的影響、環(huán)境的影響和管理的影響等四個(gè)方面對(duì)電網(wǎng)現(xiàn)場(chǎng)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià),確定不同電網(wǎng)現(xiàn)場(chǎng)的風(fēng)險(xiǎn)等級(jí)。但是此種辦法具有較強(qiáng)的主觀性,在評(píng)價(jià)過(guò)程中引入的專(zhuān)家打分法并不能較好地體現(xiàn)統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)。還有研究學(xué)者通過(guò)對(duì)現(xiàn)場(chǎng)電網(wǎng)作業(yè)的參數(shù)采集建立風(fēng)險(xiǎn)預(yù)測(cè)模型,將BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相結(jié)合,利用BPSVM預(yù)測(cè)模型預(yù)測(cè)電網(wǎng)作業(yè)的風(fēng)險(xiǎn)程度,但是此種預(yù)測(cè)模型并沒(méi)有對(duì)獲取到的參數(shù)數(shù)據(jù)進(jìn)行統(tǒng)一化的處理,因此得到的預(yù)測(cè)結(jié)果準(zhǔn)確性較低。
還有研究人員針對(duì)電網(wǎng)作業(yè)的隱患圖像進(jìn)行識(shí)別,分析隱患具體風(fēng)險(xiǎn)點(diǎn)位,建立圖像特征提取模型,但是由于圖像特征識(shí)別和數(shù)據(jù)特征識(shí)別的過(guò)程和方法差別較大,所以圖像識(shí)別的準(zhǔn)確率低于特征識(shí)別得到的結(jié)果,還有專(zhuān)家學(xué)者從理論上分析違章識(shí)別算法的研究,對(duì)電網(wǎng)作業(yè)風(fēng)險(xiǎn)識(shí)別的意義,認(rèn)為通過(guò)識(shí)別算法可有效地識(shí)別風(fēng)險(xiǎn),但是前提是可以搭建有效的識(shí)別風(fēng)險(xiǎn)模型。
同時(shí),有研究人員利用物聯(lián)網(wǎng)技術(shù),通過(guò)對(duì)電網(wǎng)現(xiàn)場(chǎng)的部分風(fēng)險(xiǎn)指標(biāo)的監(jiān)測(cè),通過(guò)物聯(lián)網(wǎng)傳輸手段,將數(shù)據(jù)進(jìn)行采集獲取,再利用相關(guān)的數(shù)據(jù)挖掘或機(jī)器學(xué)習(xí)的算法實(shí)現(xiàn)風(fēng)險(xiǎn)的預(yù)測(cè)。同時(shí),對(duì)于操作違章的情況,目前主要采用的方法包括前端智能感應(yīng)技術(shù),通過(guò)監(jiān)督系統(tǒng)實(shí)現(xiàn)全程操作監(jiān)控,提高安全監(jiān)督。也可以基于智能圖像處理技術(shù),通過(guò)視頻識(shí)別的方法對(duì)施工圖像信息進(jìn)行鑒別,避免安全隱患。
本文基于AI邊緣計(jì)算的方法,通過(guò)對(duì)物聯(lián)網(wǎng)中邊緣計(jì)算架構(gòu)的研究,引入云計(jì)算對(duì)電網(wǎng)作業(yè)現(xiàn)場(chǎng)的違章情況進(jìn)行判斷,建立違章判定規(guī)則與識(shí)別算法,提高作業(yè)現(xiàn)在的違章監(jiān)管能力,有效保障工作人員的生命安全,實(shí)現(xiàn)可以在復(fù)雜的電網(wǎng)施工現(xiàn)場(chǎng)中應(yīng)用的目的。
在了解邊緣計(jì)算整體架構(gòu)的基礎(chǔ)上,通過(guò)對(duì)安全帽佩戴的檢測(cè)與判定,并利用人臉識(shí)別技術(shù),構(gòu)建基于邊緣計(jì)算的人臉識(shí)別算法。
安全帽的檢測(cè)是對(duì)于電網(wǎng)現(xiàn)場(chǎng)作業(yè)違章判定里的重要部分,作業(yè)工人不按規(guī)定佩戴安全帽造成事故的事情不勝枚舉。對(duì)于安全帽的檢測(cè)除了包括工人是否規(guī)范佩戴外,還需要有快速的檢測(cè)能力,對(duì)工人的工作情況能夠?qū)崟r(shí)監(jiān)控,從而有效保證工人的人身安全。
對(duì)于安全帽的檢測(cè),其核心問(wèn)題在于檢測(cè)模型的構(gòu)建,主要通過(guò)目標(biāo)檢測(cè)算法來(lái)完成該任務(wù)。利用YOLO v3網(wǎng)絡(luò)的準(zhǔn)確率高、速度快的特點(diǎn),可以有效完成安全帽的檢測(cè)工作,利用其作為基礎(chǔ)網(wǎng)絡(luò),識(shí)別過(guò)程中加入注意力機(jī)制,可以有效提高在復(fù)雜背景下的安全帽識(shí)別問(wèn)題。
圖1 安全帽檢測(cè)流程圖
1.1.1 基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法
神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層和數(shù)據(jù)運(yùn)算隱藏層,其最小單位為神經(jīng)元。設(shè)輸入層節(jié)點(diǎn)個(gè)數(shù)為m;輸出層的節(jié)點(diǎn)個(gè)數(shù)取決于數(shù)據(jù)標(biāo)簽中的編碼規(guī)則;隱藏層節(jié)點(diǎn)的確定通過(guò)經(jīng)驗(yàn)公式中的常數(shù)的設(shè)定。確定隱藏層節(jié)點(diǎn)的個(gè)數(shù):,式中:m代表隱藏層節(jié)點(diǎn)數(shù),n代表輸入層輸入的節(jié)點(diǎn)個(gè)數(shù),L代表標(biāo)簽編碼規(guī)則,a代表常數(shù),取值為1~10。
神經(jīng)網(wǎng)絡(luò)算法的主要數(shù)據(jù)傳播方式為對(duì)上一層神經(jīng)元對(duì)應(yīng)的數(shù)值進(jìn)行加權(quán)處理,求和后通過(guò)一定的偏置處理,進(jìn)而獲得線性數(shù)據(jù),線性數(shù)值經(jīng)過(guò)激活函數(shù)處理后可以獲得下一層神經(jīng)元的對(duì)應(yīng)數(shù)據(jù)。經(jīng)過(guò)數(shù)據(jù)的層層迭代,最終獲得輸出層的數(shù)據(jù)輸出。計(jì)算過(guò)程如為:,式中:wij為神經(jīng)元之間的權(quán)重,對(duì)應(yīng)于節(jié)點(diǎn)i與節(jié)點(diǎn)j之間,xi為上一層節(jié)點(diǎn)i的數(shù)值大小,bj為該節(jié)點(diǎn)對(duì)應(yīng)的偏置大小,Sj為節(jié)點(diǎn)數(shù)據(jù)累加運(yùn)算后獲得的線性數(shù)據(jù),act為激活函數(shù),xj為激活后的數(shù)據(jù)。
1.1.2 ReLU激活函數(shù)
ReLU激活函數(shù)可使得該神經(jīng)元的數(shù)據(jù)輸出具有非線性表征的能力,從而與各種曲線進(jìn)行相應(yīng)的擬合,從而提高整個(gè)神經(jīng)網(wǎng)絡(luò)的泛化能力。ReLU激活函數(shù)的計(jì)算過(guò)程,對(duì)于輸入小于0的情況取值為0,對(duì)于輸入大于0的數(shù)據(jù),其函數(shù)值取決于輸入值。ReLU激活函數(shù)可以有效解決計(jì)算過(guò)程中的梯度消失問(wèn)題,同時(shí)計(jì)算速度得到大大提高。因此,在神經(jīng)網(wǎng)絡(luò)的計(jì)算過(guò)程中被廣泛使用。ReLU激活函數(shù)表達(dá)式為:f(x)=max(0,x)。
1.1.3 YOLO v3網(wǎng)絡(luò)
將YOLO v3網(wǎng)絡(luò)與CBAM注意力算法有機(jī)結(jié)合,通過(guò)在每個(gè)網(wǎng)絡(luò)的輸出層前端加入注意力機(jī)制,使得圖像的特征層中對(duì)于在聚焦區(qū)域位置可以獲得更高的注意力,有效提升細(xì)節(jié)獲取能力,通過(guò)對(duì)于物體權(quán)重的增加,可以進(jìn)一步提升該位置的信息識(shí)別精度,提高安全帽的識(shí)別能力。在此基礎(chǔ)上,為了提高注意力算法的效果,更好地獲取算法空間特征,本文采取7x7卷積核作為注意力機(jī)制的過(guò)濾器。CBAM的特征層表示式為:
式(1)中,MLP函數(shù)為全連接層,AvgPool函數(shù)為全局平均池化,MaxPool的意義為全局最大池化,F(xiàn)為函數(shù)的特征層輸入,σ為激活函數(shù),r為運(yùn)算中的減少率,此處取值0.5;式(2)中,F(xiàn)avgs與Fmaxs的意義分別為全局平均池化和全局最大池化的通道特征,f7×7函數(shù)表示卷積核尺寸為7x7的卷積計(jì)算。
對(duì)于電網(wǎng)現(xiàn)場(chǎng)的作業(yè),人臉識(shí)別系統(tǒng)是其重要監(jiān)測(cè)內(nèi)容,主要作用在于防止外來(lái)人員的闖入,以及有效控制工人的工作時(shí)間,避免出現(xiàn)工作超時(shí),可以利用人臉識(shí)別系統(tǒng)防止一些安全隱患問(wèn)題的發(fā)生。
在人臉識(shí)別的過(guò)程中,主要是利用FaceNet網(wǎng)絡(luò)實(shí)現(xiàn)人臉識(shí)別的功能,并通過(guò)MT-CNN網(wǎng)絡(luò)實(shí)現(xiàn)人臉的檢測(cè)。整體的流程如圖2所示:圖像數(shù)據(jù)的獲取。電網(wǎng)現(xiàn)場(chǎng)作業(yè)中的視頻主要來(lái)源于工地的攝像設(shè)備,利用攝像頭可以獲得監(jiān)控現(xiàn)場(chǎng)的視頻幀。通過(guò)電網(wǎng)工人的人臉數(shù)據(jù)庫(kù),可以對(duì)其進(jìn)行數(shù)據(jù)對(duì)比和身份確認(rèn);關(guān)于圖像的人臉檢測(cè)。通過(guò)MTCNN網(wǎng)絡(luò)可以有效獲得圖像中的人臉位置坐標(biāo),根據(jù)坐標(biāo)情況將視頻對(duì)應(yīng)數(shù)據(jù)進(jìn)行剪裁,獲得人臉數(shù)據(jù);識(shí)別人臉數(shù)據(jù)。通過(guò)FaceNet網(wǎng)絡(luò)可以有效獲得剪裁后圖片中的人臉特征數(shù)據(jù),將其映射至特征空間便于進(jìn)一步處理;根據(jù)人臉的特征數(shù)據(jù),通過(guò)判斷其在特征空間中的歐氏距離,對(duì)于人臉數(shù)據(jù)對(duì)應(yīng)工作人員的身份進(jìn)行辨識(shí)和確認(rèn)。
圖2 人臉識(shí)別流程圖
本文采用MT-CNN網(wǎng)絡(luò)來(lái)完成人臉位置以及人臉信息關(guān)鍵點(diǎn)的檢測(cè)獲取。通過(guò)借鑒Adaboost的級(jí)聯(lián)結(jié)構(gòu),提取圖像中的FPN特征,其次通過(guò)P-Net、R-Net和O-Net三個(gè)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò),分別完成識(shí)別候選框生成、候選框篩選和人臉框與關(guān)鍵點(diǎn)位置判定。為了提高M(jìn)T-CNN網(wǎng)絡(luò)的精度,在不影響系統(tǒng)性能的前提下,將傳統(tǒng)的加分類(lèi)器的方法改成區(qū)域框選取與回歸的方式,主要是利用模型在圖片中生成候選窗口,利用較復(fù)雜模型對(duì)于候選窗口進(jìn)行篩選,提高候選框選擇精度,對(duì)非人臉區(qū)域由P-Net、R-Net進(jìn)行快速過(guò)濾,最后保留位置由O-Net進(jìn)行邊框和人臉關(guān)鍵點(diǎn)的回歸確認(rèn)。
由于邊緣服務(wù)器的效率遠(yuǎn)高于云服務(wù)器,因此將邊緣計(jì)算與AI技術(shù)相互結(jié)合,不僅可以實(shí)現(xiàn)邊緣計(jì)算過(guò)程的人工智能化,也可以提高邊緣服務(wù)器的服務(wù)能力,提高整體資源的利用效率。同時(shí),針對(duì)復(fù)雜的圖像數(shù)據(jù),利用深度學(xué)習(xí)強(qiáng)大的學(xué)習(xí)效果和推理運(yùn)算能力,總結(jié)數(shù)據(jù)中有價(jià)值的信息,對(duì)于邊緣服務(wù)器的決策判斷提供有效的幫助。因此,在電網(wǎng)現(xiàn)場(chǎng)作業(yè)的違章判定中,邊緣計(jì)算違章識(shí)別算法的整體步驟如下:將圖像識(shí)別的特征提取部分布置在邊緣服務(wù)器中,從而有效對(duì)于人臉特征和安全帽特征進(jìn)行有效的辨別;在邊緣服務(wù)器中運(yùn)行回歸模型,并進(jìn)行人臉特征概率判斷;根據(jù)兩個(gè)結(jié)果的運(yùn)行結(jié)果一致性情況,來(lái)決定是否交由云服務(wù)器復(fù)查。
云計(jì)算中心的參數(shù)為:Intel(R) Core(TM)i5 4570;四核CPU,頻率為3.20GHz;運(yùn)行內(nèi)存為8GB;操作系統(tǒng)選擇為Windows7 64位系統(tǒng)。邊緣設(shè)備參數(shù)主要包括有:BCM 2863;CPU為ARM Cortex A8;運(yùn)行內(nèi)存2GB。數(shù)據(jù)為相關(guān)電網(wǎng)現(xiàn)場(chǎng)作業(yè)測(cè)試視頻1000例,其中包含多種類(lèi)型的視頻:存在安全隱患的視頻、存在違章操作視頻、存在不規(guī)范著裝等的視頻和安全視頻。根據(jù)識(shí)別結(jié)果情況,對(duì)系統(tǒng)的操作進(jìn)行數(shù)據(jù)庫(kù)記錄。
為了驗(yàn)證本文邊緣計(jì)算方法在數(shù)據(jù)接收方面的效率,分別使用不同的組網(wǎng)方式進(jìn)行數(shù)據(jù)接收對(duì)比,主要的數(shù)據(jù)接收方式包括光纖接收、終端接收和邊緣接收。其網(wǎng)絡(luò)延遲的數(shù)據(jù)對(duì)比情況如圖3所示。
圖3 不同數(shù)據(jù)接收方式的影響
從圖3中可以看到,通過(guò)邊緣計(jì)算的方式其數(shù)據(jù)接收的延遲更小,當(dāng)接收節(jié)點(diǎn)數(shù)據(jù)量達(dá)到350MB時(shí),終端接收數(shù)據(jù)延遲時(shí)間為42ms、光纖接收數(shù)據(jù)延遲時(shí)間為29ms、邊緣接收數(shù)據(jù)延遲時(shí)間為18ms。由此證明,本文方法的數(shù)據(jù)計(jì)算時(shí)間快,辨識(shí)運(yùn)行效率高。為了進(jìn)一步表明本文算法的優(yōu)勢(shì),將本文算法模型與文獻(xiàn)方法和文獻(xiàn)方法對(duì)比,通過(guò)輸入視頻數(shù)據(jù),驗(yàn)證不同模型的效果優(yōu)劣。其對(duì)比結(jié)果如圖4所示。
圖4 不同研究方法的誤差曲線對(duì)比
從圖4中可以看到,對(duì)于不同的研究方法,其誤差曲線的趨勢(shì)類(lèi)似,均是隨著視頻量輸入的增加,其誤差率呈一定的上升趨勢(shì),但是從結(jié)果上看,本文算法明顯由于其他兩種算法誤差更低,更適合用于電網(wǎng)作業(yè)中的違章判定,具有一定的應(yīng)用優(yōu)勢(shì)。