配网不停电作业全流程安全监测与预警系统

2022-05-30谢世朋

计算机技术与发展 2022年5期

张冬，谢世朋

(1.国网江苏省电力有限公司淮安供电分公司，江苏淮安 223002;2.南京邮电大学，江苏南京 210069)

1 概述

1.1 课题背景

随着中国电网的持续快速发展，对于中国目前的输配电线路的维修、电网设备检测和维护等工作，不停电作业技术已经成为一种重要手段。但是不停电作业对于作业人员也是一项极其危险的工作，在这种作业环境下存在的高强度的电场、暂态电击和稳态电击以及作业过程中对误操作短接空气间隙放电，都对不停电作业人员的安全造成了很大的威胁，因此不停电作业安全防护问题也就成为不停电作业顺利实施的关键。目前，国内开展配网不停电作业时，有时会出现作业人员不规范穿戴绝缘安全帽、不穿绝缘防护服与绝缘防护手套就进行不停电作业，在作业过程中极有可能出现安全事故。作业过程中，即使穿戴了绝缘防护装备，如作业动作不当，不能与带电体保持安全距离，也会存在被高压电击穿触电的风险。目前国内不停电作业中安全监控及预警手段和方法缺乏，很难实时精准度量现场作业人员与带电体之间的距离，并监控现场作业人员的行为，进行主动预警。目前，中国输配电线路不停电作业的人员安全问题主要从两方面共同解决，一是依靠具有丰富经验的专责监护人，二是作业人员的自觉性。在实际的作业过程当中，由于现场作业点多面广，作业人员工作任务繁重，容易疲劳，精力无法持续集中，作业人员很容易发生违反操作规程、忽视安全距离等危险行为，从而导致安全事故的发生。

因此，亟需一种智能化的不停电作业全流程安全监测与预警系统，依靠此系统减少在不停电作业工作中的安全隐患，保证作业人员的人身安全。

1.2 相关工作

关于“不停电作业”的安全监测系统的研发从2013年来就有了相关研究，近年来随着计算机视觉、人工智能技术的飞速发展，此安全监测系统又有了众多设计与实现方案。

文献[1-6]进行了不停电作业中工作环境的数据收集与研究，文献[7-10]收集与研究了不停电作业中作业人员的健康数据，文献[1-2,6-7,10-12]涉及不停电作业中作业人员的工作轨迹研究。上述文献都涉及了不停电作业安全距离预警系统相关的数据收集研究，但未涉及有关开工安全检查系统方面的研究。

2013年，Yuan[13]提出了一个基于双目视觉的输电网带电作业安全监测方法测距技术。2014年，国家电网公司[14]提出了使用图像处理的方式进行带电作业现场着装的安全检测。2015年，Fan等人[15]提出基于高斯混合模型的视频图像分析的输电高压线安全距离检测技术。2019年，广东电网有限责任公司[16]提出了障碍物与带电体之间安全距离测量的方法。2020年Ruan等人[17]使用了深度相机测量输电网带电作业的安全距离。文献[13,16-17]提出了使用深度相机计算安全距离的概念，但是均没有区分人与带电体，实践起来会受到很多限制，很难在配电网不停电作业上实施。Zhou等人[18]提出一种组合式高压电场测量装置来实现安全预警，但是由于物体入侵引起高压电场变形，使得这种方法测量精度不高。

文献[1-2,4]和该文针对不停电作业安全距离预警系统研究，都运用了实时监控技术，但采用的方法不同。文献[1-2,4]采用的是基于TOF摄像机实时监测作业人员与带电体的距离来进行安全预警，而该文是通过激光雷达、RGB相机对不停电作业环境进行3D建模，使用基于语义分割模型识别周围带电体进行安全检测与预警；文献[3,5,7-8,14]都研究了基于实时监控技术的穿戴于作业人员身上的安全预警装置，与该文基于激光雷达和RGB相机的静止/运动平台式预警系统不同。在基于智能空间测距的带电作业安全防护技术研究方面，文献[6,11-12]采用的是实时定位的智能监控预警系统，文献[10]采用的是作业轨迹流程的监测系统，文献[16]是监测障碍物与带电物之间的距离的预警方法，而该文研究的预警系统既实时监测作业人员的工作轨迹，也对作业人员与带电体之间的安全距离进行预警。

1.3 主要设计内容

本系统应用于不停电作业的全流程安全监测，旨在预防或减少不停电作业人员人身伤害等事故的发生，实现不停电作业全流程管控智能化，并实时监测人与带电体的安全距离并进行主动预警。具体应用目标表现在：

(1)开工准备检查。系统自动识别现场作业人员是否召开开工会；系统自动判断现场作业人员是否进行风速、温度和湿度的测量。系统自动判断作业现场围栏是否规范；系统自动识别作业人员是否正确穿戴安全帽、绝缘防护服、绝缘防护手套；系统自动识别作业人员是否对绝缘斗臂车添加绝缘垫片、是否可靠接地。

(2)作业过程监测。当作业人员进行作业时，通过人体关键点识别系统、带电体识别系统和空间位置判断系统对作业人员的身体与带电体之间的距离进行自动判断，及时进行安全距离预警。

2 系统设计与实现

本项目将激光雷达与摄像头图像相融合，通过三维点云匹配算法快速建立局部三维场景地图。然后，利用深度学习算法精准定位目标，精准判断人体部位和电缆的距离，实现主动预警功能。之后，构建基于惯导系统的运动误差补偿算法。通过视频与数据传输模块，建立远程动态可视化监控系统，实现实时不停电作业现场监控。搭建支持边缘计算框架及弹性动态汇聚功能的云服务系统，实现分布式、多网格、多传感器的有效数据采集、存储以及可视化。同时，利用深度学习技术，通过作业人员动作识别和穿戴绝缘防护用具识别来完成不停电作业全流程安全监测。

2.1 基于人工智能的开工准备检查

本模块的目的是实现在不停电作业中的开工准备检查，包括：系统自动识别现场作业人员是否召开开工会；系统自动判断现场作业人员是否进行风速、温度和湿度的测量。系统自动判断作业现场围栏是否正常；系统自动识别作业人员是否正确穿戴安全帽、绝缘防护服、绝缘防护手套；系统自动识别作业人员是否对绝缘斗臂车添加绝缘垫片、是否可靠接地。

本项目选择了YOLO模型作为检测基础模型，联合网络DensetNet和ResNet的特点，采用迁移学习方法构建了新型、高效的目标识别网络。与传统检测算法相比，它们的主要区别是传统检测算法把检测问题划归为图像分类问题，整个检测过程利用的是滑动窗口技术，其原理是首先采用不同的窗口在图片上以特定步长滑动，然后对窗口内的图像进行分类。但是这种方法存在窗口大小设置和步长选择等问题，且计算量相对较大，不能够实现快速检测。而本项目则将检测问题划归为回归问题，检测图片被划分为若干单元块，由各个单元块独自完成检测任务，分析落在其中心点的目标，并给出预测类型结果、边界框以及置信度等参数。本项目模型检测的优点主要有：检测速度快，实时性强；预测时会完整分析单位块内整个图片信息，没有对网格数进行限制；可以获得目标图像的普适化特征，泛化能力强。

(1)YOLO算法流程。

YOLO网络结构把目标分类、目标定位结合在一起，放置于单个卷积神经网络模型中。其YOLO作业过程如下：

Step1：输入视频流图像，将每帧图像划分为M×N个单元格，从每个单元格提取得到W个初始候选框。

Step2：对W个初始候选框分别进行目标识别，计算出W个候选框中存在目标的预测置信度。若候选框中无目标物体，则候选置信度值为零，若含有目标物体，置信度即为预测框与真实框的比值。并对存在目标物体的候选框识别其目标对象类别。

Step3：候选框中包含了目标对象的置信度和边界框的位置信息，即YOLO网络的输出向量为(X、Y、W、H、C)，其中X、Y表示相对预测框的中心点坐标，W、H分别表示预测框的长和宽，置信度C(confidence)表示的是存在目标对象的候选框为真实样本的概率。

Step4：通过作业人员的运动轨迹解决头部与身体部位的遮挡问题，给出遮挡部位的虚拟的识别判断结果。

Step5：给出全部识别结果：是否带有安全帽、是否穿戴绝缘防护服以及是否穿戴绝缘防护手套。

(2)基于YOLO的半监督学习识别算法。

基于YOLO的半监督学习识别算法，在确保准确率不变的情况下，使样本标注与收集作业更加简化，同时提高了小目标的准确率和模型的泛化能力，使其能适用于现场的实时识别。基于YOLO的半监督学习识别算法的总框架主要包括以下三个步骤：

Step1：设计作业人员识别网络与具体网络结构，该网络是一种级联网络结构，此过程由粗到精，这对捕捉作业人员未穿戴安全的不安全行为效率有明显提高，对于远景监控镜头的小目标对象有比较好的应用效果；

Step2：选取大型公共数据集和一些真实施工现场图像集对网络模型进行离线训练，对网络模型的参数进行确定并微调，进而得到一个泛化模型；

Step3：应用半监督学习方式在线学习，增强目标单目相机在一些特定场景下的泛化能力，并分析作业人员的运动轨迹处理解决头部与身体等部位的遮挡问题。

2.2 基于人工智能的作业过程监测

基于人工智能的作业过程监测系统，包括以激光雷达、高精度惯性传感器(IMU)和摄像头为数据采集源，通过人体关键点识别系统、带电体识别系统、数据融合系统以及空间位置判断系统判断人与带电体之间的距离，并给出主动预警。

2.2.1 人体关键点识别系统

人体关键点识别系统包括人体肢体关键点位置识别模块、关键点安全防护判断模块，人体肢体关键点位置识别模块接收摄像头图像并基于改进后的卷积位姿机网络对人体肢体关键点位置快速识别。关键点安全防护判断模块接收摄像头图像以及人体肢体关键点位置识别模块的输出数据，判断作业人员是否穿戴安全帽、是否穿戴绝缘防护服与绝缘防护手套，其中设有安全帽识别模块、绝缘防护服和绝缘防护手套识别模块。当判断作业人员未穿戴安全帽，则会通过主动预警系统进行报警。同时对作业人员是否穿戴绝缘防护服和绝缘防护手套进行检测，当摄像头检测到不良现象或者作业人员未穿戴绝缘防护服和绝缘防护手套则会通过主动预警系统进行报警。本项目通过设置人体关键点识别系统，当作业人员需要进行不停电作业时，人体关键点识别系统则会对作业人员的肢体位置进行识别，及时提醒人员肢体与带电体之间的距离。

本项目人体关键点识别系统的人体肢体关键点位置识别模块进行基于改进后的卷积位姿机网络对人体肢体关键点位置快速识别。本项目针对不停电作业上场景的特殊要求，对原始的卷积位姿机网络主要做了以下两点改进：

(1)将原卷积位姿机的六阶段网络变为四阶段网络，有效地减少了网络迭代次数、网络参数量和网络模型大小。

(2)原网络每一阶段的输入仅来自于其直接相连的上一阶段的输出和直接从原图中提取的特征，通过引入不同阶段间的跳跃连接，使得更多的图像底层细节在处理高层细节时得以保留，增强了不同阶段间数据的共享，提高了网络的表达能力。

改进后的网络结构如图1所示。其中，中心图为获取的摄像头图像原图与高斯函数模板进行卷积操作，生成的中心图，中心图池化后为小中心图。

改进后的卷积位姿机网络对人体肢体关键点位置快速识别的具体步骤为：

Step1：获取的摄像头图像原图与高斯函数模板进行卷积操作，生成中心图。

Step2：中心图池化为小中心图，并送入第二、三和四阶段网络。

Step3：获取的摄像头图像原图经过MultiBlock_1操作后，送入第二、第三和第四阶段网络。

Step4：获取的摄像头图像原图经过MultiBlock_0操作后，送入第二和第三阶段网络。

Step5：第二阶段网络操作后的特征数据，送入第三和第四阶段网络。

Step6：在第四阶段网络，特征数据经过汇合后，经过ConvBlock操作后输出64*64*18的特征数据。

图1 改进卷积位姿机网络结构

从图1可见，改进后的网络共有四个阶段，第三、第四阶段网络的输入来源除了MultiBlock_1、小中心图和直接与其相连的第二、第三阶段外，还分别有来自第一、第二阶段的输出。这样的四阶段跳跃连接设计结构使得在不损失太多原卷积位姿机检测性能的基础上实现了原网络的简化，有效减少了网络迭代次数、网络参数量和网络模型大小，以满足不停电作业对实时性的要求。

2.2.2 带电体识别系统

带电体识别系统包括带电体图像识别模块和带电体测量仪器，带电体图像识别模块通过人工智能神经网络对带电体进行语义分割和识别并结合带电体测量仪器辅助判断其是否带电。

带电体识别系统首先通过人工智能神经网络对带电体进行语义分割和识别，然后带电体测量仪器辅助判断其是否带电。本项目使用Mask RCNN[19]进行带电体的语义分割识别。通过设置带电体识别系统，当作业人员需要不停电作业时，在带电体识别系统的配合下，从而得以对带电体位置进行判断。后期空间位置判断系统结合激光雷达产生的空间位置点云数据，计算得出带电体的空间位置信息，及时对人员肢体与带电体之间的距离进行预警，以避免不停电作业人员的安全隐患，提高了不停电作业的安全性。

2.2.3 数据融合系统

激光雷达与摄像头数据融合，其实相当于是激光雷达发挥激光雷达的优势，摄像头发挥摄像头的优势。激光雷达能获取点云位置信息，摄像头能获取更丰富的细节信息。本项目考虑融合激光雷达、摄像头和高精度惯性传感器进行高精度空间位置的定位。数据融合系统获取摄像头与激光雷达位置内参和外参，将点云三维坐标系下的点投影到相机三维坐标系下，通过建立点云和图像像素点之间的对应关系，实现激光雷达与摄像头的融合。实际施工现场会出现工程车辆抖动、作业斗抖动、人体运动抖动和装置碰撞的情况，对定位准确性影响较大。为了增加空间位置数据的精度，本项目结合惯性传感器数据对激光雷达-摄像头融合数据进一步补偿运动误差。

2.2.4 空间位置判断系统

空间位置判断系统分别通过摄像头、激光雷达以及惯性传感器并经人体关键点识别系统、带电体识别系统、数据融合系统获取带电体空间位置以及作用人员空间位置，判断空间位置是否正常。

人体关键点识别系统、带电体识别系统以及空间位置判断系统均与主动预警系统连接，分别用于控制主动预警系统进行报警。

3 测试及结果分析

目前项目已开始在淮安市不停电作业中心试点应用，实现了20次现场作业的全流程安全监测与预警，规避了2次危险作业风险。使得作业人员作业更加规范，更加安全。

通过现场实地实验，本项目可实现不停电作业全流程管控智能化；通过人体关键点监测系统可以判断作业前是否进行开工会及天气检测，保证作业前准备工作全部进行(如图2所示)；通过作业人员穿戴绝缘防护用具检查系统可以保证作业人员进行不停电作业前穿戴好全套的绝缘防护用具，当系统检测带工作人员为穿戴相应的绝缘防护用具时，系统会通过语音提示其穿戴相应绝缘防护用具(如图3和图4所示)；通过安全距离监测及预警系统可以保证工作人员进行不停电作业时与带电体(如图5所示)保持安全距离，当工作距离接近安全距离时，系统会进行语音提示，保证工作人员的安全。