潘世一

(國能長源十堰水電開發(fā)有限公司，湖北 十堰 442000)

0 引 言

隨著當今社會能源的廣泛應用，能源短缺已成為現(xiàn)今社會需要面臨的嚴重問題[1]。其中電力消耗就是最需解決的主要問題之一，因此通過建立水力發(fā)電廠來改善電力能源稀缺這一重要問題。水力發(fā)電廠是依據水流的壓力將重力勢能、動能等變?yōu)闄C械能，采用機械能帶動發(fā)電機運轉。水力發(fā)電廠內部的水力機械、發(fā)電、變電等一系列控制設備給水力發(fā)電廠的發(fā)電環(huán)境帶來一定潛在危險。為保障水力發(fā)電廠內安全作業(yè)，避免因人員的入侵行為危害生命財產安全，對水力發(fā)電廠入侵人員精準檢測與定位研究十分必要[2-3]。

眾多學者為此展開激烈討論，馬靜怡等[4]研究小尺度入侵人員定位，通過深度卷積網絡運算入侵人員語義特征，并融合入侵人員位置數據，得出入侵人員的定位區(qū)域，再通過雙線性差值完成入侵人員精準定位，該方法定位精度高，但該方法計算參數過多，定位計算時間較長。何文玉等[5]研究深度學習的入侵人員定位，采用機器學習對入侵人員圖像預處理，得出入侵區(qū)域，通過YOLO-V3網絡經入侵區(qū)域不斷訓練，完成入侵人員定位，該方法可持續(xù)不間斷進行入侵人員定位，有效實現(xiàn)對入侵人員的入侵行為預警，但存在測量誤差，匹配時間較長。

雙目視覺技術可依據人體雙眼視覺成像獲取同一目標的不同坐標，并通過視覺差獲取目標信息；超寬帶(UWB)技術是一種可根據較小的脈沖信號完成無線通信的技術，可將定位精度達到厘米。因此本文提出基于視覺定位技術的水力發(fā)電廠入侵人員UWB定位方法，實現(xiàn)入侵人員高精度定位。

1 水力發(fā)電廠入侵人員UWB視覺定位

1.1 雙目視覺的成像原理

雙目視覺技術通過模擬人體雙眼角度觀測三維空間內目標物體，根據幾何光學投影原理，人雙眼的像點可在人眼視網膜中出現(xiàn)不同位置[6]。這些不同位置產生視覺的視差，依據視覺差理論，將兩臺攝像機放置在不同位置采集一個目標的圖像，獲取該目標的視覺差并將視覺差代入視差測距中，從而獲取目標物體的三維坐標信息[7]。雙目視覺技術的圖像采集如圖1所示。

圖1 雙目視覺技術成像原理

圖1中，雙目視覺技術圖像采集的基線距離為2臺攝像機中心位置的連線，基線距離設為b，將攝像機鏡頭內光心處作為左右相機的坐標系原點O1、O2，由于兩個攝像機左右形成的像平面均在鏡頭光心后側，不便于計算，因此在距離鏡頭光心前側g處，將攝像機左右成像平面放置到g點，保證左右圖像坐標系與左右攝像頭坐標系位置平行且方向一致。鏡頭光心處原點與左右圖像的原點呈垂直相交關系。將水力發(fā)電廠入侵人員作為該方法的目標物體，設目標物體的圖像點為p，點p位置與攝像機坐標系原點呈相交線，該相交線在左右像平面上產生交點，點p在左右像平面交點的二維坐標分別為p1(u1，v1)、p2(u2，v2)，其中，u、v為圖像平面的橫縱坐標。設2臺攝像機位于相同平面，則點p在左右像平面交點的Y軸相同，即為v1=v2，依據相似三角定義計算點p的三維坐標，公式為

(1)

式中，(xc，yc，zc)為點p在左側攝像機坐標系中的坐標。

通過目標物體p點左右圖像的位置差計算p點在左邊圖像的坐標為

(2)

式中，d為目標物體p點左右圖像的位置差。

依據雙目視覺技術中攝像機采集水力發(fā)電廠入侵人員圖像。為了更精準有效檢測定位水力發(fā)電廠入侵人員，需結合適當的算法進行處理。

1.2 基于深度學習的水力發(fā)電廠入侵人員檢測

深度學習算法的圖像識別是一個回歸問題，可將視頻流進行實時處理，將1.1節(jié)中經雙目視覺技術采集到的水力發(fā)電廠入侵人員圖像代入到深度學習中，實現(xiàn)水力發(fā)電廠入侵人員檢測[8-9]。深度學習(Cascade Mask R-CNN，CMR)網絡的輸入是水力發(fā)電廠入侵人員的全部圖像，并在網絡中加入了金字塔和空洞卷積，用于融合水力發(fā)電廠入侵人員圖像內多尺度特征與圖像上下文數據，獲取更好的水力發(fā)電廠入侵人員檢測效果。深度學習的水力發(fā)電廠入侵人員檢測結構如圖2所示。

圖2 深度學習的水力發(fā)電廠入侵人員檢測

基礎網絡層：水力發(fā)電廠入侵人員圖像經基礎網絡resnet101的前向計算獲取多尺度圖像特征{F1，F(xiàn)2，F(xiàn)3，F(xiàn)4}。

金字塔網絡層(FPN)：對水力發(fā)電廠入侵人員圖像特征按照從F1到F4的順序進行上采樣，并將其進行橫向連接與融合，最終實現(xiàn)多尺度圖像特征增強的效果。如，將采樣次數為2倍以上的Q2和1×1卷積的先采用圖像像素間進行加法運算，再將加法結果進行融合，最終得到Q1。通過從F1到F4的順序和Q5到Q1的方式得到水力發(fā)電廠入侵人員圖像的特征圖為{Q1，Q2，Q3，Q4，Q5}。Q1為最終融合多尺度特征的特征圖，將Q1作為FPN模塊的輸出結果。

空洞卷積層(ASPP)：空洞卷積也是擴張卷積，其本質是增加深度學習中網絡識別視線范圍，且學習參數的個數保持不變?？斩淳矸e可有效避免池化層中數據丟失現(xiàn)象，將經基礎網絡與FPN獲取水力發(fā)電廠入侵人員圖像的特征圖Q1作為ASPP的輸入數據，將差異化擴張率帶入深度學習網絡中的卷積層、最大池化層內，獲取該圖像的多尺度特征。為了高效捕捉水力發(fā)電廠入侵人員的圖像多尺度特征，將水力發(fā)電廠入侵人員圖像的特征圖通過并行的不同擴張率的空洞卷積進行處理。最后依據深度學習的方法獲取水力發(fā)電廠入侵人員圖像的特征圖。

CMR-CNN層：Mask R-CNN與Cascade R-CNN相結合的結構為CMR-CNN，該層屬于級聯(lián)結構，上一層的輸出結果就是下一層的輸入數據，得出精度更高的水力發(fā)電廠入侵人員圖像檢測結果[10-11]。深度學習網絡通過基礎網絡層、FPN層、ASPP層得到水力發(fā)電廠入侵人員圖像的最終特征圖，通過CMR-CNN層輸出水力發(fā)電廠入侵人員檢測結果[12-13]。雙目視覺技術與深度學習共同完成水力發(fā)電廠入侵人員檢測，以此為基礎結合超寬帶(UWB)定位技術完成水力發(fā)電廠入侵人員定位。

1.3 水力發(fā)電廠入侵人員UWB定位

為實現(xiàn)水力發(fā)電廠入侵人員定位，將1.2節(jié)得出的水力發(fā)電廠入侵人員檢測結果作為UWB定位中的標簽。UWB定位是先將基站和標簽的距離信息經雙向飛行時間法(TW-TOF)進行計算，并約束多數量基站和標簽的距離信息，最后依據基站的指定位置進行求解得出標簽位置。UWB定位原理如圖3所示。

圖3 UWB定位原理

為精準計算標簽的三維位置，UWB中基站的數量需至少設置3個及以上，才能獲取更好的標簽定位效果。設已知基站數量為4個。標簽三維位置定位可通過基站的指定位置、基站與標簽間距信息完成?；局付ㄎ恢每赏ㄟ^測量獲取精確數據，因此標簽定位的精度直接被基站與標簽的間距影響。由于環(huán)境和遮擋物等因素的存在，基站與標簽之間的距離可能會受到干擾。因此，需要先判定UWB的標定位置和異常測距值，再利用優(yōu)化的UWB定位算法獲取水力發(fā)電廠入侵人員定位結果。

1.3.1 判定UWB的標定位置和異常測距值

(3)

式中，TAT為UWB信號發(fā)送與接收的時間間隔；c為光速；Δt為當UWB信號處理延遲時產生的時間偏置；nAT為隨機測距誤差，隨著環(huán)境與遮擋物的變化而變化；dAT=TATc為基站與標簽間距的真實距離；d0=Δt·c為依據時間偏置的穩(wěn)定性，距離上的常值偏置。

(4)

(5)

(6)

1.3.2 UWB定位設計

(7)

(8)

(9)

(10)

式中，(jx、jy、jz)為標簽位置的坐標。

通過最小二乘法計算標簽位置為

(11)

(12)

(13)

式中，η為最小二乘法的系數。

通過最小二乘法得出的標簽位置與UWB測量值、4個基站位置差值最小。

1.3.3 優(yōu)化UWB定位

優(yōu)化定位的UWB方法與最小二乘法相同。具體如下：通過上述UWB基站位置、測距信息及需要計算的標簽位置，建立殘差，公式為

(14)

(15)

優(yōu)化公式(15)可表述為當標簽位置處于任何時間時，基站與標簽間距測量值均能夠約束標簽位置，但當測量值不精準時，標簽位置定位精度會隨著測量精度降低而降低。為避免上述情況可將標簽移動速度變?yōu)橐粋€弱約束，增加兩個連續(xù)時間內標簽定位的約束，結合約束的優(yōu)化方程為

(16)

(17)

通過上述方法，利用優(yōu)化UWB定位技術計算標簽位置，即可完成水力發(fā)電廠入侵人員定位。

2 實驗分析

為驗證視覺定位技術的水力發(fā)電廠入侵人員UWB定位方法有效性，選取某地區(qū)水力發(fā)電廠為實驗對象。采用HIKROBOT雙目視覺相機，該視覺相機內具有高質量芯片，可有效覆蓋30萬到6.04億像素，成像質量高，設置該相機基線長度是200 mm，焦距是3 mm，采集圖像尺寸均為480×640像素；在該水力發(fā)電廠500 m2的區(qū)域內設置5個USW基站。選取該水力發(fā)電廠內某一位作業(yè)人員為該水力發(fā)電廠的入侵人員進行模擬實驗，利用本文方法采集入侵人員圖像，并對采集到的入侵人員圖像進行檢測，結果如圖4所示。

圖4 入侵人員圖像采集與入侵人員檢測

根據圖4可知，本文方法可清晰準確采集到水力發(fā)電廠入侵人員圖像，將其作為深度學習網絡輸入，完成入侵人員檢測，獲取入侵人員的邊緣輪廓信息。實驗說明：本文方法采集的入侵人員圖像清晰精準，可從中檢測出入侵人員身體目標，為后續(xù)入侵人員定位提供良好實驗基礎。

實驗分析不同干擾下本文方法的入侵人員圖像定位精度。設置該作業(yè)人員距離基站50 m，將相機抖動、作業(yè)人員處于動態(tài)背景下兩種情況作為入侵人員圖像檢測干擾，本文方法的入侵人員圖像定位結果如圖5所示。

圖5 不同干擾下入侵人員圖像定位結果

通過圖5可知，當相機出現(xiàn)抖動時，本文方法的入侵人員定位結果與實際值誤差上下浮動不超過0.06 m，當入侵人員在動態(tài)背景干擾下，本文方法圖像定位結果與實際值誤差上下浮動不超過0.12 m，實驗說明：動態(tài)背景的干擾比相機抖動干擾產生的誤差大，但誤差值均符合入侵人員圖像定位標準，本文方法在干擾情況下依舊能提供高精度入侵人員定位數據。

實驗分析本文方法對入侵人員的定位結果。選取該水力發(fā)電廠內一名作業(yè)人員作為入侵人員進行定位模擬實驗。通過本文方法對該入侵人員行動軌跡進行定位，將定位采集的數據通過MATLAB數學編輯軟件進行處理，將入侵人員行動軌跡共分為A、B、C、D、E點進行分析，入侵人員定位效果如圖6所示。

圖6 入侵人員定位情況

根據圖6可知，本文方法可有效、實時跟蹤入侵人員的行動軌跡。當入侵人員行動軌跡處于A、B點時，水力發(fā)電廠內部未發(fā)生報警現(xiàn)象，說明入侵人員處于非工作區(qū)域和工作區(qū)域；當入侵人員行動軌跡處于C、D點時，水力發(fā)電廠內部發(fā)生黃色報警現(xiàn)象，說明入侵人員已進入該水力發(fā)電廠核心工作區(qū)域；當入侵人員行動軌跡處于E點時，水力發(fā)電廠內部發(fā)生紅色報警現(xiàn)象，說明入侵人員已進入該水力發(fā)電廠危險區(qū)域，入侵人員可能存在人身安全，需要對入侵人員進行驅逐。實驗說明：本文方法可高效實現(xiàn)入侵人員定位，實時反饋入侵人員定位信息，并實現(xiàn)入侵人員的定位信息預警。

3 結 論

研究基于視覺定位技術的水力發(fā)電廠入侵人員UWB定位方法，實現(xiàn)水力發(fā)電廠入侵人員精準定位。依據雙目視覺技術與深度學習完成水力發(fā)電廠入侵人員圖像采集與入侵人員檢測，以水力發(fā)電廠入侵人員檢測結果為基礎，結合優(yōu)化UWB實現(xiàn)水力發(fā)電廠入侵人員定位。實驗說明：本文方法對入侵人員圖像采集的清晰度較高，可有效檢測到入侵人員，且入侵人員定位精度高，可通過定位獲取入侵人員行動軌跡，規(guī)避入侵人員人身危險，提高水力發(fā)電廠安全作業(yè)程度。