國網(wǎng)陜西省超高壓公司 王一青 國網(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，還需要對工作人員的行為規(guī)范進行監(jiān)管[1]。在電力生產(chǎn)工作的過程中，若工作在帶有高壓電的帶電體周圍，任何操作行為的不規(guī)范，都會帶來嚴(yán)重的安全隱患[2]。

關(guān)于電網(wǎng)作業(yè)現(xiàn)場的風(fēng)險研究目前處于發(fā)展階段，有研究學(xué)者針對電網(wǎng)現(xiàn)場作業(yè)的風(fēng)險建立評價指標(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方面對電網(wǎng)現(xiàn)場風(fēng)險進行評價，確定不同電網(wǎng)現(xiàn)場的風(fēng)險等級。但是此種辦法具有較強的主觀性，在評價過程中引入的專家打分法并不能較好地體現(xiàn)統(tǒng)一的評價標(biāo)準(zhǔn)。還有研究學(xué)者通過對現(xiàn)場電網(wǎng)作業(yè)的參數(shù)采集建立風(fēng)險預(yù)測模型，將BP神經(jīng)網(wǎng)絡(luò)和支持向量機相結(jié)合，利用BPSVM預(yù)測模型預(yù)測電網(wǎng)作業(yè)的風(fēng)險程度，但是此種預(yù)測模型并沒有對獲取到的參數(shù)數(shù)據(jù)進行統(tǒng)一化的處理，因此得到的預(yù)測結(jié)果準(zhǔn)確性較低。

還有研究人員針對電網(wǎng)作業(yè)的隱患圖像進行識別，分析隱患具體風(fēng)險點位，建立圖像特征提取模型，但是由于圖像特征識別和數(shù)據(jù)特征識別的過程和方法差別較大，所以圖像識別的準(zhǔn)確率低于特征識別得到的結(jié)果，還有專家學(xué)者從理論上分析違章識別算法的研究，對電網(wǎng)作業(yè)風(fēng)險識別的意義，認(rèn)為通過識別算法可有效地識別風(fēng)險，但是前提是可以搭建有效的識別風(fēng)險模型。

同時，有研究人員利用物聯(lián)網(wǎng)技術(shù)，通過對電網(wǎng)現(xiàn)場的部分風(fēng)險指標(biāo)的監(jiān)測，通過物聯(lián)網(wǎng)傳輸手段，將數(shù)據(jù)進行采集獲取，再利用相關(guān)的數(shù)據(jù)挖掘或機器學(xué)習(xí)的算法實現(xiàn)風(fēng)險的預(yù)測。同時，對于操作違章的情況，目前主要采用的方法包括前端智能感應(yīng)技術(shù)，通過監(jiān)督系統(tǒng)實現(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)，通過視頻識別的方法對施工圖像信息進行鑒別，避免安全隱患。

本文基于AI邊緣計算的方法，通過對物聯(lián)網(wǎng)中邊緣計算架構(gòu)的研究，引入云計算對電網(wǎng)作業(yè)現(xiàn)場的違章情況進行判斷，建立違章判定規(guī)則與識別算法，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，實現(xiàn)可以在復(fù)雜的電網(wǎng)施工現(xiàn)場中應(yīng)用的目的。

1 違章判定規(guī)則與識別算法

在了解邊緣計算整體架構(gòu)的基礎(chǔ)上，通過對安全帽佩戴的檢測與判定，并利用人臉識別技術(shù)，構(gòu)建基于邊緣計算的人臉識別算法。

1.1 安全帽佩戴的檢測與判定

安全帽的檢測是對于電網(wǎng)現(xiàn)場作業(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。對于安全帽的檢測除了包括工人是否規(guī)范佩戴外，還需要有快速的檢測能力，對工人的工作情況能夠?qū)崟r監(jiān)控，從而有效保證工人的人身安全。

對于安全帽的檢測，其核心問題在于檢測模型的構(gòu)建，主要通過目標(biāo)檢測算法來完成該任務(wù)。利用YOLO v3網(wǎng)絡(luò)的準(zhǔn)確率高、速度快的特點，可以有效完成安全帽的檢測工作，利用其作為基礎(chǔ)網(wǎng)絡(luò)，識別過程中加入注意力機制，可以有效提高在復(fù)雜背景下的安全帽識別問題。

圖1 安全帽檢測流程圖

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)運算隱藏層，其最小單位為神經(jīng)元。設(shè)輸入層節(jié)點個數(shù)為m；輸出層的節(jié)點個數(shù)取決于數(shù)據(jù)標(biāo)簽中的編碼規(guī)則；隱藏層節(jié)點的確定通過經(jīng)驗公式中的常數(shù)的設(shè)定。確定隱藏層節(jié)點的個數(shù)：，式中：m代表隱藏層節(jié)點數(shù)，n代表輸入層輸入的節(jié)點個數(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)傳播方式為對上一層神經(jīng)元對應(yīng)的數(shù)值進行加權(quán)處理，求和后通過一定的偏置處理，進而獲得線性數(shù)據(jù)，線性數(shù)值經(jīng)過激活函數(shù)處理后可以獲得下一層神經(jīng)元的對應(yīng)數(shù)據(jù)。經(jīng)過數(shù)據(jù)的層層迭代，最終獲得輸出層的數(shù)據(jù)輸出。計算過程如為：，式中：wij為神經(jīng)元之間的權(quán)重，對應(yīng)于節(jié)點i與節(jié)點j之間，xi為上一層節(jié)點i的數(shù)值大小，bj為該節(jié)點對應(yīng)的偏置大小，Sj為節(jié)點數(shù)據(jù)累加運算后獲得的線性數(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，從而與各種曲線進行相應(yīng)的擬合，從而提高整個神經(jīng)網(wǎng)絡(luò)的泛化能力。ReLU激活函數(shù)的計算過程，對于輸入小于0的情況取值為0，對于輸入大于0的數(shù)據(jù)，其函數(shù)值取決于輸入值。ReLU激活函數(shù)可以有效解決計算過程中的梯度消失問題，同時計算速度得到大大提高。因此，在神經(jīng)網(wǎng)絡(luò)的計算過程中被廣泛使用。ReLU激活函數(shù)表達式為：f（x）=max（0,x）。

1.1.3 YOLO v3網(wǎng)絡(luò)

將YOLO v3網(wǎng)絡(luò)與CBAM注意力算法有機結(jié)合，通過在每個網(wǎng)絡(luò)的輸出層前端加入注意力機制，使得圖像的特征層中對于在聚焦區(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，通過對于物體權(quán)重的增加，可以進一步提升該位置的信息識別精度，提高安全帽的識別能力。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制的過濾器。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的卷積計算。

1.2 人臉識別

對于電網(wǎng)現(xiàn)場的作業(yè)，人臉識別系統(tǒng)是其重要監(jiān)測內(nèi)容，主要作用在于防止外來人員的闖入，以及有效控制工人的工作時間，避免出現(xiàn)工作超時，可以利用人臉識別系統(tǒng)防止一些安全隱患問題的發(fā)生。

在人臉識別的過程中，主要是利用FaceNet網(wǎng)絡(luò)實現(xiàn)人臉識別的功能，并通過MT-CNN網(wǎng)絡(luò)實現(xiàn)人臉的檢測。整體的流程如圖2所示：圖像數(shù)據(jù)的獲取。電網(wǎng)現(xiàn)場作業(yè)中的視頻主要來源于工地的攝像設(shè)備，利用攝像頭可以獲得監(jiān)控現(xiàn)場的視頻幀。通過電網(wǎng)工人的人臉數(shù)據(jù)庫，可以對其進行數(shù)據(jù)對比和身份確認(rèn)；關(guān)于圖像的人臉檢測。通過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)情況將視頻對應(yīng)數(shù)據(jù)進行剪裁，獲得人臉數(shù)據(jù)；識別人臉數(shù)據(jù)。通過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一步處理；根據(jù)人臉的特征數(shù)據(jù)，通過判斷其在特征空間中的歐氏距離，對于人臉數(shù)據(jù)對應(yīng)工作人員的身份進行辨識和確認(rèn)。

圖2 人臉識別流程圖

本文采用MT-CNN網(wǎng)絡(luò)來完成人臉位置以及人臉信息關(guān)鍵點的檢測獲取。通過借鑒Adaboost的級聯(lián)結(jié)構(gòu)，提取圖像中的FPN特征，其次通過P-Net、R-Net和O-Net三個級聯(lián)神經(jīng)網(wǎng)絡(luò)，分別完成識別候選框生成、候選框篩選和人臉框與關(guān)鍵點位置判定。為了提高MT-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)雜模型對于候選窗口進行篩選，提高候選框選擇精度，對非人臉區(qū)域由P-Net、R-Net進行快速過濾，最后保留位置由O-Net進行邊框和人臉關(guān)鍵點的回歸確認(rèn)。

1.3 基于邊緣計算的違章識別算法

由于邊緣服務(wù)器的效率遠(yuǎn)高于云服務(wù)器，因此將邊緣計算與AI技術(shù)相互結(jié)合，不僅可以實現(xiàn)邊緣計算過程的人工智能化，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，針對復(fù)雜的圖像數(shù)據(jù)，利用深度學(xué)習(xí)強大的學(xué)習(xí)效果和推理運算能力，總結(jié)數(shù)據(jù)中有價值的信息，對于邊緣服務(wù)器的決策判斷提供有效的幫助。因此，在電網(wǎng)現(xiàn)場作業(yè)的違章判定中，邊緣計算違章識別算法的整體步驟如下：將圖像識別的特征提取部分布置在邊緣服務(wù)器中，從而有效對于人臉特征和安全帽特征進行有效的辨別；在邊緣服務(wù)器中運行回歸模型，并進行人臉特征概率判斷；根據(jù)兩個結(jié)果的運行結(jié)果一致性情況，來決定是否交由云服務(wù)器復(fù)查。

2 數(shù)據(jù)分析與試驗結(jié)果

2.1 試驗準(zhǔn)備

云計算中心的參數(shù)為：Intel（R） Core（TM）i5 4570；四核CPU，頻率為3.20GHz；運行內(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；運行內(nèi)存2GB。數(shù)據(jù)為相關(guān)電網(wǎng)現(xiàn)場作業(yè)測試視頻1000例，其中包含多種類型的視頻：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)識別結(jié)果情況，對系統(tǒng)的操作進行數(shù)據(jù)庫記錄。

2.2 試驗結(jié)果與分析

為了驗證本文邊緣計算方法在數(shù)據(jù)接收方面的效率，分別使用不同的組網(wǎng)方式進行數(shù)據(jù)接收對比，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，通過邊緣計算的方式其數(shù)據(jù)接收的延遲更小，當(dāng)接收節(jié)點數(shù)據(jù)量達到350MB時，終端接收數(shù)據(jù)延遲時間為42ms、光纖接收數(shù)據(jù)延遲時間為29ms、邊緣接收數(shù)據(jù)延遲時間為18ms。由此證明，本文方法的數(shù)據(jù)計算時間快，辨識運行效率高。為了進一步表明本文算法的優(yōu)勢，將本文算法模型與文獻方法和文獻方法對比，通過輸入視頻數(shù)據(jù)，驗證不同模型的效果優(yōu)劣。其對比結(jié)果如圖4所示。

圖4 不同研究方法的誤差曲線對比

從圖4中可以看到，對于不同的研究方法，其誤差曲線的趨勢類似，均是隨著視頻量輸入的增加，其誤差率呈一定的上升趨勢，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。