基于人工智能的图像识别技术在抽水蓄能电站中的应用研究

王 凯，王小军，马 娜，张菊梅

（1.国网新源控股有限公司，北京市 100761；2.北京国电通网络技术有限公司，北京市 100070）

0 引言

2019年国家电网公司提出打造“三型两网，世界一流”的建设目标，在建设坚强智能电网基础上，打造状态全面感知、信息高效处理、应用便捷灵活的泛在电力物联网。抽水蓄能电站作为坚强智能电网的重要组成部分，应通过提升终端感知能力和分析能力，进一步推动基建智能管控系统建设。

本文通过研究抽水蓄能电站智慧安监的图像识别关键技术，利用机器视觉对现场作业情况进行深度分析，有效应用于施工现场中人脸识别、安全帽识别、危险源识别和人员移动、跨越等场景；同时结合历史案例视频库、相近场景视频、关联场景视频等信息对可能发生的风险进行预判，并推送到相关参建单位，能有效弥补传统方法和技术在监管中的缺陷和不足，变传统“监督”为智慧“监控”，真正体现安全第一、预防为主、综合管理的理念[1]-[5]。

1 图像识别技术

1.1 图像识别概述

图像识别是以智能设备采集的基础元素图像为前提，通过计算机进行处理、分析和理解，对不同形式的目标及对象进行识别判断的技术。图像识别是模式识别技术在图像领域中的具体应用，过程主要包括信息的获取、图像预处理、图像分割、特征抽取、判断匹配、分类器设计和分类决策。图像识别的核心就是通过借助计算机手段，达到人类认知理解图片内容的效果。图像识别技术在各领域的充分利用，可以帮助我们通过上传采集的图片更快地获取有效信息，还可以利用图像识别产生全新的信息交互方式，让生活和工作更加智能地运转。随着社会的进步，人类的识别能力不断提升，但是对于当今高速发展的社会而言，人类本身识别能力的发展已经远远无法满足工作生活的需求，因此基于计算机的图像识别技术应需而生。

1.2 图像识别原理

图像识别技术原理主要是依托计算机来实现的，计算对图像的识别技术和人类自身的图像识别技术在原理上是相通的，只是计算机的图像识别更为客观，无感情及视觉的额外影响。人类对图像识别是依靠图像自身的特征先进行分类，然后通过理解和对比各个类别所具有的特征将图像识别出来的。当我们看到一张图片时会迅速在大脑中判断是否见过相同或类似图片。其实在“看到”与“判断”的中间存在着一个快速识别过程，这个快速识别的过程和我们运用搜索引擎类似，我们的大脑会根据存储记忆中已经分好的类别进行识别比对，查看是否有与该图像具有相同或类似特征的存储记忆，从而识别出是否见过该图像。而计算机的图像识别技术也是如此，在获取信息后进行自动分类并提取重要特征来进行识别图像。计算机提取的特征通常是多样的，既有关键性明显特征，又有一般性普通特征，这点将在一定程度上影响计算机识别的准确率。总之，计算机的图像识别，一般是利用图像特征来描述图像内容。

2 基于图像识别技术的视频与安保监控系统设计

抽水蓄能电站中视频与安保监控系统针对主要洞室出入口、上下库区域、地下洞室群及主要施工区域实时24h不间断监视，便于管理人员及时掌握各施工区域的安全情况和工程进度；对于重要区域利用人工智能图像识别技术，可有效提升传统的监控功能，提升视频识别过程中的准确率，变“被动监控”为“主动预警”[6]。

2.1 系统架构

视频与安保监控系统由前端采集设备、传输网络和中心控制设备组成，中心控制设备包括存储、中心管理控制和大屏显示3部分的内容（见图1）。其中前端采集层位于电站内洞室出入口、上下库等主要施工区域，用于采集、识别入场施工人员、施工作业的图像信息；网络层基于TCP/IP协议，通过以太网为传输媒介，考虑传输过程中的信息安全，一般采用有线方式连接至监控中心。中心管理控制和大屏展示是整个系统架构的核心，基于图像识别技术，可实现视频监控过程中的人脸识别、物体识别、数据分析等功能，并通过平台进行风险及隐患的主动告警。

2.2 功能模块设计

作为智慧安监的视频与安保监控系统在功能上可以划分为五个层面，即图像的采集、处理、分析和理解以及智能决策（见图2）。

2.2.1 图像采集模块

图像采集是图像识别过程中的最初环节，通过电站现场的前端摄像机对施工人员及施工环境进行数据采集，利用计算机对采集的图像或视频数据进行分析，获取关键性特征。如人脸识别需要通过摄像机对人员进行面部数据采集，且需采集多种面部姿态以降低图像识别过程中的处理难度，提高面部识别的运算速度和准确率；再如危险源识别，需对施工现场进行多种危险因素采集，丰富图像识别的学习库以提高风险识别的准确率。

图1 视频与安保监控系统架构图Figure 1 Video and Security Monitoring System Architecture

2.2.2 图像处理模块

图像处理主要是运用计算机进行图像转换、图像分割、区域形态学处理等手段，使图像达到所需的结果。如由于电站地下洞室群环境恶劣，由于施工、噪声、光照、运动等诸多因素的影响，采集的原始图像很可能存在模糊、暗淡等质量不高现象，通过图像处理模块可以改变原始图像的亮度、颜色、轮廓等，从而强化图像质量，为后期图像分析、图像理解提供可靠保障。

2.2.3 图像分析模块

图像分析主要是对经过预处理的图像进行图像分割、图像编码、图像滤波等因素的研究，侧重于研究图像本身的内容，利用数学模型结合图像处理提取来分析图像内容的特征及因素，具有一定智能性。如在针对施工现场中的车辆，会根据采集的车辆图片信息分析出车辆的外形、类别、颜色等信息。

图2 图像识别的过程Figure 2 The Process of Image Recognition

2.2.4 图像理解模块

图像理解就是在图像分析的基础上对图像进行语义的理解，即计算机学习和推理的过程，通过研究目标图像的内容、性质、相互关系等，得出对图像内容的解释，从而为智能决策提供依据。图像理解模块中涉及面较广，需建立强大的知识库作为支撑。如在电站环境中，通过图像分析可得到车辆的外形、颜色等信息，但是通过图像理解就可以得到车辆的用途及是否违规操作等。

2.2.5 智能决策模块

智能决策模块是视频与安保监系统中的核心功能，基于图像的采集、处理、分析、理解，通过逻辑推理及判断解决事件存在的问题，综合得出最优处理建议，协助管理人员快速响应处理。如电站施工人员在执行工作期间，由于未按规定佩戴响应的防护装备，通过前端抓拍、分析后，智能决策模块就可以快速做出判断，在平台做出响应提示，并记录不合规作业情况，作为决策依据。

3 业务应用

图形智慧分析和预警作为视频与安保监控系统的深度应用，主要是通过图像识别技术，识别抽水蓄能电站施工现场的违章作业和安全隐患，并作出快速预警。主要业务应用体现为人脸识别、安全帽（带）佩戴检测、危险源识别和人员移动/跨越等常见场景[7]。

3.1 人脸识别

利用安装在电站洞室出入口等关键区域的摄像机采集施工人员的面部图像，系统对获取到的图像进行必要的预处理，通过建立人脸黑白名单库，将获取的人脸图像与人脸数据库进行比对及数据计算，当比对结果为合理值时，即为白名单人员系统准许通行；当比对结果超过合理值则系统锁定此人，即为黑名单人员，对非授权人员进行告警和记录，并将告警信息推送至系统，需通过人工复合后才能解除禁止。此外还可通过对进场人员的身份验证确保到岗人员的真实性以及作业票的人票符合性等问题，从而有效解决洞室的出入口、竖井/斜井的进出口、施工变电站等重点区域内人员管理问题。

3.2 安全帽（带）佩戴检测

通过应用图像识别模块能够自动调取像素点的直方图通过数学模型自动计算出安全帽（带）佩戴形态分析，从而判断是否穿戴安全帽（带）等劳保用品，对电站施工人员、监理人员和业主人员进行实时分析识别、跟踪和报警，对未佩戴安全帽的危险行为进行预警，并将报警截图和视频保存到数据库形成报表，同时将报警信息推送给相关管理人员。

3.3 危险源识别

危险源识别可利用摄像机的点位布设全面覆盖电站施工现场，通过图像的处理及智能分析对电站施工现场发生的事件如山火、物品违规存放等加以判断，有效捕捉施工过程中的风险因素，并将危险信息发送至平台，对施工区存在的危害或可能产生的风险提前预警，时刻保证电站施工的稳定和安全。

3.4 人员移动/跨越识别

在电站带电区和重点风险实施管理区域内可进行围栏式电子监控，根据实际情况形成警戒区域地图，在区域内设置人员及物体禁令，当摄像机检测到有人员移动、跨越或其他违规动作时，通过图像识别及分析将自动识别告警，并推动至系统管理人员，可有效提升对危险区域的人员管控。

4 结束语

基于人工智能的图像识别技术在抽水蓄能电站中有很好的运用空间和使用价值，特别是随着国家电网公司“三型两网”的推进和人工智能向深度发展，代表了抽水蓄能电站智慧安监的未来趋势和发展方向。在看到优势的同时更需要正视图像识别技术在视频与安保监控系统应用中存在的问题：一是图像识别基于数据模型库的反复训练，目前抽水蓄能电站的模型库尚需强化及完善，只有学习训练准确率提升，才能有效降低图像识别的误差；二是具有智能操作系统的物联终端对信息安全有较高要求，一旦遭遇黑客攻击将直接影响整个系统甚至电站的正常运行，如何解决信息安全问题是重中之重。

总之，基于人工智能的图像识别技术在抽水蓄能电站中的应用代表了未来数字化电站智慧安监的发展方向，也是“五系统一中心”功能优化提升的主要方向。随着科学技术的不断进步，图像识别技术将在抽水蓄能电站智慧安监中得到广泛应用，在提升工程本质安全方面将发挥出巨大作用。