丁俊峰,肖文韜,李明遠(yuǎn),吳德勇,顧德?lián)P,陳 軒,陳 蕾*

(1.國(guó)網(wǎng)江蘇省電力有限公司,江蘇 南京 211102;2.南京郵電大學(xué),江蘇 南京 210023;3.國(guó)網(wǎng)江蘇省電力有限公司超高壓分公司,江蘇 南京 211102)

0 引 言

近年來(lái),隨著中國(guó)國(guó)民經(jīng)濟(jì)的快速發(fā)展和居民生活水平的不斷提高,一些老舊變電站無(wú)法滿足居民生產(chǎn)生活的用電需求,對(duì)這些老舊變電站進(jìn)行改建或擴(kuò)建也逐步提上日程。不同于民用施工場(chǎng)景,變電站改擴(kuò)建施工作業(yè)現(xiàn)場(chǎng)帶電設(shè)備眾多,并且在改擴(kuò)建施工時(shí)仍需滿足正常的供電需求,因此只能采用局部斷電的改擴(kuò)建方案,而未斷電的變電站區(qū)域則成為施工人員禁止進(jìn)入的危險(xiǎn)區(qū)域。但是在變電站改擴(kuò)建施工過(guò)程中,施工活動(dòng)范圍往往難以控制,傳統(tǒng)防護(hù)方案是設(shè)置物理圍欄,然而該方案不僅無(wú)法實(shí)時(shí)預(yù)警,而且由于圍欄高度所限僅能防護(hù)地面周界越界,高空高程越界則難以防護(hù)。為了克服物理圍欄防護(hù)方案的不足,一些電子圍欄防護(hù)方案被提出,常見(jiàn)的電子圍欄防護(hù)方案包括脈沖電子圍欄[1]、紅外電子圍欄[2]、張力式電子圍欄[3]等,然而這些電子圍欄防護(hù)方案也僅能防護(hù)地面周界越界,不能有效防護(hù)高空高程越界,且同時(shí)存在部署代價(jià)高、設(shè)備易損壞、難以維護(hù)的諸多不足,不能很好地適用于變電站改擴(kuò)建場(chǎng)景。

為了克服上述缺陷,基于近年來(lái)流行的輕量級(jí)目標(biāo)檢測(cè)模型YOLOv5及載波相位差分實(shí)時(shí)動(dòng)態(tài)定位技術(shù)(real-time kinematic,RTK),提出一種融合視覺(jué)感知與RTK定位的變電站越界違章檢測(cè)算法代替?zhèn)鹘y(tǒng)的物理圍欄和電子圍欄。該算法不僅繼承了YOLOv5目標(biāo)檢測(cè)模型實(shí)時(shí)性高和部署靈活的優(yōu)點(diǎn),而且通過(guò)引入RTK定位技術(shù)彌補(bǔ)了視覺(jué)定位精度不足的缺陷。此外,為了提升變電站改擴(kuò)建場(chǎng)景中用于輔助計(jì)算機(jī)視覺(jué)與RTK定位融合的特定小目標(biāo)檢測(cè)精度,算法在YOLOv5模型中引入了注意力模塊CBAM[4],使重要的小目標(biāo)特征占有更大的網(wǎng)絡(luò)處理比重,增強(qiáng)了網(wǎng)絡(luò)對(duì)感興趣區(qū)域的特征學(xué)習(xí)能力。另一方面,由于實(shí)際應(yīng)用中難以采集到分布完備的配準(zhǔn)參照物,導(dǎo)致訓(xùn)練數(shù)據(jù)量往往偏少,為此算法還在YOLOv5模型中引入了alpha-IoU[5]度量邊框框回歸損失,以增強(qiáng)對(duì)此類長(zhǎng)尾小目標(biāo)數(shù)據(jù)的魯棒性。最后,真實(shí)場(chǎng)景中的實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出的越界違章檢測(cè)算法能有效檢測(cè)出變電站改擴(kuò)建施工地面周界及高空高程的越界違章行為。

1 相關(guān)工作

傳統(tǒng)變電站改擴(kuò)建場(chǎng)景下的安全防護(hù)方式是人工搭建物理圍欄,該方法不僅費(fèi)時(shí)費(fèi)力,而且即使施工人員跨越圍欄也無(wú)法做到實(shí)時(shí)預(yù)警,且更為重要的是該方法無(wú)法防護(hù)高空高程越界違章行為。為了克服物理圍欄的上述缺陷,虛擬圍欄技術(shù)如脈沖電子圍欄、紅外電子圍欄、張力式電子圍欄等應(yīng)運(yùn)而生。脈沖電子圍欄可無(wú)視地形隨意架設(shè),且不受氣候、環(huán)境等變化的影響,但易受電磁干擾,因此不適用于變電站改擴(kuò)建施工場(chǎng)景。紅外電子圍欄是一種不易受電磁干擾的虛擬圍欄技術(shù),然而卻容易受到環(huán)境和遮擋影響,具有高誤警率。張力式電子圍欄通過(guò)拉力探測(cè)器、合金線等一系列部件組成虛擬電子圍欄,雖然其檢測(cè)性能較好,但場(chǎng)景布置極為復(fù)雜,且部件容易損壞,不適用于變電站改擴(kuò)建場(chǎng)景。因此,研究者又提出將無(wú)線定位技術(shù)[6]引入電力施工場(chǎng)景,劉等人依據(jù)RSSI模型計(jì)算原理建立RSSI信號(hào)傳輸模型,有效降低了無(wú)線傳感器網(wǎng)絡(luò)定位的平均誤差[7]。黃等人在SRP-PHAT定位算法中引入TDOA,有效提升了三維定位的實(shí)時(shí)性[8]。這些定位算法雖然定位精度較高,但僅能進(jìn)行單點(diǎn)定位,無(wú)法獲取定位目標(biāo)的周身位置信息,不能適用于變電站施工應(yīng)用場(chǎng)景中的越界違章檢測(cè)需求。

為此,研究者們提出將基于目標(biāo)檢測(cè)的視覺(jué)感知越界違章檢測(cè)方法引入電力施工場(chǎng)景。杜等人采用像素級(jí)的視覺(jué)背景提取算法首先提取前景目標(biāo),再結(jié)合人體的幾何特點(diǎn)識(shí)別出安全帽目標(biāo),克服了變電站環(huán)境復(fù)雜干擾性強(qiáng)的問(wèn)題[9]。吳等人針對(duì)工人衣著安全帽顏色相近、ViBE算法對(duì)運(yùn)動(dòng)目標(biāo)會(huì)產(chǎn)生殘影、安全帽目標(biāo)較小等問(wèn)題提出了卡爾曼濾波、多特征融合和支持向量機(jī)相結(jié)合的方法,并通過(guò)計(jì)算前景及背景區(qū)域的差異消除殘影[10]。許等人針對(duì)牽引變電站內(nèi)靜態(tài)場(chǎng)景監(jiān)視的特殊情況,研究了一種差值區(qū)域分類識(shí)別法,通過(guò)對(duì)感興趣目標(biāo)的前景背景作進(jìn)一步細(xì)分并提取差值范圍的圖像,從而提取出HOG特征并加以分類[11]。Kang等人提出了一種基于計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)和圖像處理的新穎實(shí)用的安全帽檢測(cè)框架,采用ViBE背景建模算法,基于運(yùn)動(dòng)物體分割的結(jié)果,將實(shí)時(shí)人體分類框架C4應(yīng)用到變電站行人的準(zhǔn)確快速定位[12]。這些傳統(tǒng)的視覺(jué)感知方法都是針對(duì)感興趣目標(biāo)結(jié)合上下文環(huán)境進(jìn)行人工判別特征提取,在一些施工環(huán)境較為穩(wěn)定的場(chǎng)景下檢測(cè)效果較好。然而真實(shí)的電力施工場(chǎng)景環(huán)境錯(cuò)綜復(fù)雜,特別是在面對(duì)天氣變化、光照改變等情況時(shí),傳統(tǒng)視覺(jué)感知方法效果往往急劇下降。

近年來(lái),隨著深度學(xué)習(xí)技術(shù)的日益成熟,研究者們先后提出了多個(gè)性能魯棒的基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測(cè)模型,如R-CNN[13]、FastR-CNN[14]、Faster-RCNN[15]、SSD[16]和YOLO[17]等,這些深度目標(biāo)檢測(cè)模型有效解決了人工特征過(guò)于依賴場(chǎng)景的問(wèn)題。受深度學(xué)習(xí)領(lǐng)域魯棒目標(biāo)檢測(cè)模型的驅(qū)動(dòng),一些基于深度學(xué)習(xí)目標(biāo)檢測(cè)的越界違章檢測(cè)方法也開(kāi)始出現(xiàn),以實(shí)現(xiàn)在電力施工場(chǎng)景下對(duì)譬如安全帽、異物侵入[18]等感興趣目標(biāo)的監(jiān)測(cè)。陳等人采用深度卷積網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò),增加特征金字塔模塊融合淺層與深層語(yǔ)義信息,并引入SE-Ghost模塊進(jìn)行輕量化,提高了檢測(cè)速度[19]。鄭等將YOLOv4[20]模型與DeepSORT[21]目標(biāo)跟蹤算法相結(jié)合,使得監(jiān)控人員隨時(shí)都能觀察到人員的安全帽佩戴狀態(tài)[22]。楊等人基于YOLOv3進(jìn)行改進(jìn),利用變電站巡檢機(jī)器人開(kāi)展電力巡檢工作[23]。房等人基于二維和三維卷積提取時(shí)序和空間特征,提出一種智能化的圍欄跨越違章檢測(cè)與識(shí)別方法[24]。王等人利用目標(biāo)檢測(cè)算法結(jié)合幀差判斷法識(shí)別施工現(xiàn)場(chǎng)的違規(guī)動(dòng)作,提出一種基于Faster RCNN的跨越圍欄違規(guī)行為檢測(cè)方法[25]。然而,上述基于深度學(xué)習(xí)目標(biāo)檢測(cè)的越界違章方法雖然克服了單點(diǎn)定位方法無(wú)法獲取感興趣目標(biāo)周身位置信息的缺陷,也克服了傳統(tǒng)目標(biāo)檢測(cè)方法人工提取特征穩(wěn)定性差的不足,但是,這類視覺(jué)感知方法也存在因視覺(jué)畸變導(dǎo)致定位精度不足的固有缺陷。為此,該文基于輕量級(jí)目標(biāo)檢測(cè)模型YOLOv5提出一類融合視覺(jué)感知與RTK定位的變電站越界違章檢測(cè)方法,該方法不僅繼承了YOLOv5目標(biāo)檢測(cè)模型實(shí)時(shí)性高和部署靈活的優(yōu)點(diǎn),而且通過(guò)引入RTK定位技術(shù)彌補(bǔ)了視覺(jué)定位精度不足的缺陷,還克服了傳統(tǒng)物理圍欄和電子圍欄硬件成本高、場(chǎng)景布置復(fù)雜、易受環(huán)境影響等缺點(diǎn),能滿足變電站改擴(kuò)建施工越界違章行為的實(shí)際檢測(cè)需求。

2 問(wèn)題建模

該文提出將變電站改擴(kuò)建越界違章檢測(cè)問(wèn)題建模為一類計(jì)算機(jī)視覺(jué)應(yīng)用問(wèn)題,如圖1所示,移動(dòng)端視頻攝像頭正交擺放在所監(jiān)控區(qū)域的前方與側(cè)方,實(shí)時(shí)拍攝并檢測(cè)作業(yè)區(qū)域的工況,以三角錐檢測(cè)框底部?jī)?nèi)側(cè)端點(diǎn)連線圍成的多邊形區(qū)域作為安全區(qū)域,多邊形區(qū)域外的區(qū)域均為帶電危險(xiǎn)區(qū)域,以此判斷地面作業(yè)人員是否在安全區(qū)域內(nèi)。

圖1 變電站改擴(kuò)建越界違章檢測(cè)問(wèn)題建模示意圖

對(duì)于高空作業(yè)人員,通過(guò)施工區(qū)域檢測(cè)攝像頭、輔助攝像頭獲取圖像中高空作業(yè)人員在地面的投影點(diǎn),并將高空作業(yè)人員投影至地面,以此判斷作業(yè)人員是否在作業(yè)區(qū)域內(nèi)。根據(jù)上述高空作業(yè)人員在地面的投影,計(jì)算高空作業(yè)人員在圖像中的視覺(jué)高度,并結(jié)合RTK人員定位模塊測(cè)得的單點(diǎn)物理坐標(biāo)、RTK設(shè)備(該設(shè)備置于安全帽中)在圖像中的視覺(jué)高度生成比例尺,根據(jù)比例尺計(jì)算高空作業(yè)人員的真實(shí)高度,并判斷作業(yè)人員是否高程越界。

3 改進(jìn)的YOLOv5骨干檢測(cè)網(wǎng)絡(luò)

該文采用改進(jìn)的YOLOv5目標(biāo)檢測(cè)模型作為越界違章核心檢測(cè)算法,該算法綜合了YOLO算法及其他視覺(jué)感知算法的優(yōu)點(diǎn),既保證了檢測(cè)精度,又能夠保證檢測(cè)速度,且權(quán)重較小,訓(xùn)練時(shí)間更短。YOLOv5總體上分為四個(gè)部分,輸入端負(fù)責(zé)處理圖像的輸出,包括圖像預(yù)處理等,骨干網(wǎng)絡(luò)負(fù)責(zé)圖像特征的提取,Neck負(fù)責(zé)多層次特征的融合,檢測(cè)頭負(fù)責(zé)網(wǎng)絡(luò)的輸出?？紤]到變電站改擴(kuò)建越界違章行為檢測(cè)應(yīng)用中安全帽和三角錐均屬于小目標(biāo)檢測(cè)問(wèn)題,在YOLOv5模型中引入注意力模塊CBAM,使重要的目標(biāo)特征占有更大的網(wǎng)絡(luò)處理比重,增強(qiáng)網(wǎng)絡(luò)對(duì)目標(biāo)區(qū)域的特征學(xué)習(xí)能力。CBAM模塊同時(shí)關(guān)注了空間和通道信息,通過(guò)通道注意力模塊CAM(Channel Attention Module)和空間注意力模塊SAM(Spatial Attention Module)對(duì)網(wǎng)絡(luò)中間的特征圖進(jìn)行重構(gòu),強(qiáng)調(diào)重要特征,抑制一般特征,達(dá)到提升小目標(biāo)檢測(cè)效果的目的,其結(jié)構(gòu)如圖2所示。

圖2 CBAM模塊

CAM模塊流程如圖3所示,輸入的特征圖長(zhǎng)為H,寬為W,通道數(shù)為C。首先,進(jìn)行最大池化,提取每一通道最重要的信息;其次,進(jìn)行平均池化,提取每一通道的綜合信息;然后,將它們送入全連接層,進(jìn)行信息的進(jìn)一步提取;最后,將這兩部分信息融合,生成通道注意力模塊。

圖3 CAM模塊

SAM流程如圖4所示,獲取添加了空間注意力模塊CAM后的特征圖F'先在通道上做最大池化,提取最重要的通道信息,然后在通道上做平均池化,提取通道的綜合信息,再將兩部分提取出來(lái)的特征圖拼接,送入卷積層進(jìn)一步提取空間信息,得到空間注意力模塊。

圖4 SAM模塊

改進(jìn)后的YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示,部分層間添加了CBAM模塊。此外,改進(jìn)后的YOLOv5還引入Alpha-IoU作為邊界框回歸的損失函數(shù),此前的IoU、GIoU、CIoU、DIoU雖然解決了多種問(wèn)題,但收斂速度不快。

圖5 融合CBAM的YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

該文引入Alpha-IoU,如公式(1)所示,當(dāng)Alpha等于2,IoU大于0.5的時(shí)候,收斂速度更快,并且Alpha-IoU能有效增強(qiáng)模型對(duì)長(zhǎng)尾小目標(biāo)的魯棒性。

La-IoU=1-IoUa/a,a>0

(1)

4 融合視覺(jué)感知與RTK定位的變電站越界違章檢測(cè)算法

該文擬采用PNPOLY算法[26]快速地根據(jù)定位信息判斷目標(biāo)是否越界,該算法的基本原理為:從任一目標(biāo)點(diǎn)水平向右引出一條射線,與凸多邊形邊界的交點(diǎn)個(gè)數(shù)可以被用來(lái)判斷該點(diǎn)是否在凸多邊形區(qū)域內(nèi),若交點(diǎn)個(gè)數(shù)為奇數(shù),則該點(diǎn)在凸多邊形內(nèi);若交點(diǎn)個(gè)數(shù)為0或?yàn)榕紨?shù),則該點(diǎn)在凸多邊形外。有兩點(diǎn)需要特別說(shuō)明的是:(1)當(dāng)射線與多邊形相交于多邊形頂點(diǎn)(如圖6中的ABDE)時(shí),此時(shí)應(yīng)將該頂點(diǎn)提升至射線水平面上方(如圖6所示,將頂點(diǎn)A提升至射線x上方后變成頂點(diǎn)A'),然后再重新計(jì)算射線與多邊形邊界的交點(diǎn),以圖6中目標(biāo)點(diǎn)xyz為例,頂點(diǎn)ABED提升后交點(diǎn)個(gè)數(shù)分別為21

南城县| 盘锦市| 潍坊市| 刚察县| 内黄县| 呼图壁县| 钦州市| 肃宁县| 堆龙德庆县| 浏阳市| 建水县| 皮山县| 新竹县| 丰镇市| 黄浦区| 商河县| 岳阳县| 济南市| 天台县| 石城县| 溧阳市| 旅游| 深泽县| 砚山县| 龙海市| 万荣县| 噶尔县| 洞头县| 华池县| 仙游县| 卓尼县| 翼城县| 苍山县| 汕尾市| 新乐市| 新建县| 麻栗坡县| 滦平县| 共和县| 常德市| 长葛市|