張鴿++廉靜如++胡欣宇

摘 要：在帶電作業(yè)實訓項目中，作業(yè)人員進出電場需要保持正確的姿態(tài)，以保證自身的組合間隙小于最小組合間隙，避免引起安全事故，傳統的帶電作業(yè)培訓中主要依靠現場教練的主觀經驗判斷作業(yè)人員的實時組合間隙，判斷的標準具有較強的主觀性，從而導致一定的安全隱患。文中針對現有問題，創(chuàng)新性的提出了一種基于視頻的智能檢測算法，運用了自適應混合高斯背景建模、團塊檢測、前景融合等模式識別算法。該算法以500 kV輸電線塔架為實驗對象，實驗表明該算法能夠準確檢測出作業(yè)人員的實時組合間隙，并在發(fā)生違規(guī)操作時，可及時準確的給予警示，有助于規(guī)范作業(yè)人員的操作，可有效提高帶電作業(yè)的安全系數。

關鍵詞：帶電作業(yè)；組合間隙；視頻；混合高斯模型；團塊檢測；模式識別

中圖分類號：TM84；TP393 文獻標識碼：A 文章編號：2095-1302（2016）12-00-04

0 引 言

在開展專業(yè)化的帶電作業(yè)中，如何最大程度的保證作業(yè)人員的人身安全是首要解決的問題。所以帶電作業(yè)中最為關注的一個問題即安全距離，尤其是安全距離中的一項指標即最小組合間隙。最小組合間隙是指在組合間隙中的作業(yè)人員處于最低的操作沖擊放電電壓位置時，人體對接地體與帶電體兩者應保持的距離之和。

目前國內關于組合間隙的研究重點包括各級別輸電線帶電作業(yè)組合間隙的操作沖擊放電特性[1]；研究確定輸電線路帶電作業(yè)最小組合間隙[2]；帶電作業(yè)中的工具服裝等屏蔽防護措施[3-5]以及進入電場的位置[6]與方式[7]等。而在帶電作業(yè)實際操作中，人們更關心的是如何智能判斷作業(yè)人員的實時組合間隙，規(guī)范作業(yè)人員的操作以降低帶電作業(yè)的危險系數。

對組合間隙的監(jiān)控能夠保證實訓人員從地電位進入等電位，或者從等電位回到地電位的過程中保持正確的姿態(tài)，防止人體過于舒展導致自身的組合間隙小于最小組合間隙，從而引起安全事故。

對于電力行業(yè)而言，其存在場地內塔架高、走線復雜、強電場環(huán)境等影響因素，因此如何智能檢測組合間隙是電力行業(yè)專業(yè)化的難點。

在目前的帶電作業(yè)人員培訓過程中，作業(yè)人員的實時組合間隙大小主要依靠培訓指導教師的現場仰視觀察并指導，依賴于培訓指導教師的工作經驗和直觀感知，適時對參訓學員進行安全警示，但這種方式對于高處帶電作業(yè)實訓中的動作是否規(guī)范合理，其組合間隙距離是否符合要求的判斷存在一定的誤差，從而增加了作業(yè)人員的危險系數。針對上述問題，本文創(chuàng)新性的提出了一種基于視頻的帶電作業(yè)組合間隙智能檢測算法，并結合了自適應混合高斯背景建模、團塊檢測、前景融合等模式識別算法。

相對于傳統方法而言，采用基于視頻的方法進行組合間隙檢測，能夠智能化的給出直觀明了的結果顯示，并從根本上克服強電場的不利因素，具有很強的擴展性，易于移植到其他類似場合，可有效減輕教練的負擔。

1 組合間隙算法的框架

針對客觀環(huán)境存在的室外光線，我們采取多種模式識別算法相結合的方法，即利用混合高斯背景建模、團塊檢測、前景融合，結合帶電作業(yè)相關知識和攝像頭圖像確定作業(yè)人員實時組合間隙及其安全信息。算法流程圖如圖1所示。其中高斯背景建模、團塊檢測、前景融合及組合間隙計算是整個算法的核心步驟。

2 組合間隙算法

2.1 確定前景框

首先通過攝像頭采集數據，當有作業(yè)人員準備在絕緣子上作業(yè)時，同時啟動攝像頭并開始檢測。

由于實訓人員是由絕緣子串進入電場，絕緣子串帶電作業(yè)區(qū)被認為是人員活動的主要區(qū)域，所以我們以此作為檢測的主要區(qū)域，計算這一區(qū)域的人員實時組合間隙值。

提取攝像頭拍攝的一幀圖像，根據絕緣子串所在位置劃定前景檢測區(qū)，并分別記錄圖片中對應區(qū)域的寬度Wimage及前景區(qū)高度Hfore Region，攝像頭對應的檢測區(qū)域如圖2所示。

3 算法結果及分析

本文以在四川電力職業(yè)學院帶電作業(yè)實訓場地拍攝的通過絕緣子進入500 kV塔架電場的一段視頻作為實驗樣本，利用上文提出的基于視頻的組合間隙檢測算法進行智能測試，并在發(fā)生違規(guī)操作時現場給予聲光警示。最后，對組合間隙檢測算法與傳統教練經驗的判斷結果進行對比分析。

首先對選取的視頻片段進行算法分析，視頻大小格式為320×240，實驗環(huán)境為Visual Studio 2010 and OpenCv2.3?；旌细咚贡尘敖Ｋ惴ǖ膮颠x取了最優(yōu)化的值，分別為k=3，T=0.8，a=0.02，V0=50，W0=0.33，根據式（9）可知實驗中人員的最小寬度閾值為：

（10）

分別得到每一幀圖像的實訓人員的實時寬度Dcomgap，并與500 kV電壓等級規(guī)定的最小人員寬度閾值Dmini相比較。

取實驗結果中攝像頭對應的10個不同時段的檢測結果作為樣本，圖5所示為組合間隙檢測算法的實驗結果，其中圖片上方數字代表人員最小寬度閾值，下方數值代表作業(yè)人員實時寬度值。通過人員框定的不同顏色來體現作業(yè)人員實時組合間隙的安全信息。

由表1所列的基于單一視頻的最小組合間隙的實驗結果可知，當作業(yè)人員身體寬度小于四片絕緣子寬度之和時，本文介紹的基于視頻的組合間隙檢測算法結果與傳統的教練經驗一致判斷人員狀態(tài)為安全；當作業(yè)人員身體寬度明顯大于四片絕緣子寬度之和時，本文介紹的基于視頻的組合間隙檢測算法結果與傳統的教練經驗一致判斷人員狀態(tài)為違規(guī)。

在10個樣本中，第4、6號樣本幀現場教練實時判斷結果與現場聲光報警系統判斷結果不一致，記錄后，經教練后期查看，存儲好的第4、6號樣本幀經分析，人員寬度大于四片絕緣子寬度之和，判斷為危險狀態(tài)，而現場漏判或誤判為安全狀態(tài)，進而說明了本文提出的基于視頻的組合間隙檢測算法的優(yōu)越性。

本算法在四川電力職業(yè)學院實訓場地進行了多次500 kV輸電線塔架帶電作業(yè)實時測試，實驗表明，基于視頻的組合間隙檢測算法沒有漏報，偶爾存在誤報，且誤報次數遠低于現場教練實時判斷的誤報次數。經分析，引起算法誤報的原因為絕緣子串的抖動以及人員佩戴的繩索抖動。

4 結 語

本文創(chuàng)新性的提出了一種基于視頻的帶電作業(yè)的組合間隙檢測算法，這種方式不受強電場影響，成本低廉，操作簡便，能夠有效減輕人力負擔，并能根據國家相關標準和現場情況對危險情況給予警示，達到了系統的設計目的，并且填補了帶電作業(yè)組合間隙智能檢測方面的研究空白，具有極大的實際意義和廣泛的應用前景。

但由于視頻及輸電線塔架攝像頭安裝等的局限性，本文算法存在一定的缺陷。首先基于視頻的算法結果與角度的耦合性非常大，所以角度變化對算法結果影響十分顯著。而且由于絕緣子串、繩索的抖動導致目標框定的不夠準確。

綜上所述，如何進一步提高算法準確率，降低抖動、光線等因素對檢測結果的影響，都將是今后研究的重點。

參考文獻

[1]胡毅，王力農，劉凱，等.750KV輸電線路帶電作業(yè)組合間隙的研究[J].電力設備，2006，7（1）：29-32.

[2]胡毅，王力農，劉凱，等.1000KV交流輸電線路帶電作業(yè)組合間隙研究[J].電力設備，2007，8（8）：1-5.

[3]舒印彪，胡毅，王力農.500KV緊湊型線路帶電作業(yè)用保護間隙[J].中國電力，2003，36（5）：48-50.

[4]Shu Y B， Hu Y. Maintenance and Live Working Technology for Ultra High Voltage Transmission Line[J]. High Voltage Engineering， 2007， 33（6）： 1-5.

[5]HU Yi， LN Wang， GW Shao， et al. An Experimental Investigation on Live Line Work for 750kV Transmission Line[J]. Power System Technology， 2006， 30（2）： 14-18.

[6]肖坤，馬寧，涂超.500KV線路耐張串組合間隙放電電壓問題的分析與探討[J].東北電力技術，2003，24（7）：22-24.

[7]肖賓，胡毅，劉凱，等.1000KV交流緊湊型輸電線路等電位進入方式[J].高電壓技術，2011，37（8）：1868-1874.

[8]TangYinggan， LiuDong. Multi-resolution image segmentation based on Gaussian mixture model[J]. Systems Engineering and Electronics， 2006， 17（4）： 870-874.

[9]STAUFFER C， GRIMSON W E L. Adaptive background mixture models for real-time tracking [C]. Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition. Fort Collins， Colorado， USA， June 23-25， 1999. [S.1]： IEEE Computer Society， 2：246-252（1999）

[10]PLM Bouttefroy， A Bouzerdoum， SL Phung， et al. On the analysis of background subtraction techniques using Gaussian mixture models[C]. Acoustics Speech and Signal Processing （ICASSP）， 2010 IEEE International Conference on. IEEE， 2010： 4042-4045.

[11]Nguyen T B， Chung S T. An improved real-time blob detection for visual surveillance[C]. Image and Signal Processing， 2009. CISP'09. 2nd International Congress on. IEEE， 2009： 1-5.

[12]趙志剛，蘇永杰，許文廣.“坐二短四”進出強電場帶電作業(yè)方法的應用[C].2012年供電企業(yè)帶電作業(yè)技術研討會論文集，2012.