深度学习技术及图像识别技术在水电站的应用研究

国能大渡河猴子岩发电有限公司 邱 华 李天智 郝亚鹏 王鲁川

猴子岩水电站作为宏观智慧电厂的基本构成，其终端数据处理与人工智能感知能力也随着终端感知能力和分析能力提升而不断进步。多维导向下的智能化生产运行也要去现场运维巡检具备一定程度的异物识别、佩戴识别、设备外观辨识以及人员违章情况识别。将历史案例视频库、相近场景视频、关联场景视频等信息进行归一化比对，在及时警告、现场留痕的基础上将传统的视频“监督”转换为人机体验更强的智慧“监控”，做到数据共享化、现场严管化、安全本质化的优化生产。作者在此基于多年工作经验提出建设性意见。

1 深度学习与图像识别概述

深度学习是机器学习的一种。他的概念来源于人工神经网络（ANN），它从信息处理的角度模拟了人脑神经元之间信息传递和处理的方式。2006年Hinton等人提出了深度学习的概念，它是一种具有多个隐藏层的神经网络结构，可以更抽象、更深入地描述目标对象的特征[1]。深度学习一般可以分为有监督学习和无监督学习，分类基于数据是否包含标记。在监督学习过程中，会发现训练数据的特征与成绩的映射关系，通过成绩不断修正学习过程中的偏差，修正学习预测率，不断提高监督学习主要包括卷积神经网络（CNN）、循环神经网络（RNN）和深度堆叠网络（DSN）[2]，无监督学习的训练数据没有标记。常用的算法包括受限玻尔兹曼机（RBM）和深度信念网络（DBN）。

图像识别技术可智能提取图像特征、完成图像分类，已应用于医疗、交通、安防等各种生活场景。图像识别一般包括三个步骤：图像预处理、图像特征提取和图像分类。图像预处理旨在通过消除图像中的噪声和干扰，增强有用信息来提高图像识别精度。图像特征提取包括将图像转换为“非图像”描述，例如数字表示或向量描述。其基本思想是将高维空间中的原始图像映射或变换为低维特征描述。图像识别是根据提取图像的特征，根据分类决策得到待识别图像所属的类别。

2 深度学习技术分析

识别方法的设计。通过迁移学习，大大提高了学习性能，ImageNet训练的参数提取能力更强。通过特征提取进行数据集特征缩减包括三种典型网络：一种是VGG网络、一种是ResNet残差网络，第三种是密集连接的DenseNet网络[3]。使用交叉熵函数作为损失函数，选择自适应矩估计方法作为模型的优化器。选择Softmax回归算法进行分类，使用微平均F1分数、准确率和回收率进行辅助评估，提高你的准确率。

数据集的建立。捕获图像后，将其压缩到一定的像素大小。专业人员将记录数据并将相同类型的文件放在同一文件夹中。比如提取3000张图片、分成24组，你会用8:1:1的比例作为训练数据集、验证数据集、测试数据集。由于每个类别的数据数量不均衡，必须使用旋转、平移、切片、缩放和翻转等方法进行数据增强。

识别模型的压缩。执行更深、更复杂的网络挖掘功能并提高其准确性，因此数据消耗非常大，因此必须优化网络以减少资源消耗。本研究采用可分离的深度卷积压缩方法来减少计算量并压缩模型。此外，可以使用网络修剪和模型量化压缩方法来减少参数数量并跳过不必要的计算[4]。

3 图像识别技术的优缺点

优势：自然性。运用图像识别最简便的自然特征和面部生物特性进行身份的快速验证，无需进行特定摆放和额外的证件识别；不易察觉性。需求者和终端图像信息能够进行主动获取，在受体未察觉的前提下完成数据采集。特别是人脸识别可以在不同光线先进行不同数据量的人脸图像信息比对，并在红外线与可见光融合的前提下完成多光源人脸图像识别数据归一化，让受体体验性和数据采集的隐蔽性更佳；非接触性，相比其他测量、识别码录入、生物信息采集等传统识别技术，运用图像识别更具有高效性。图像设备无需接触就能完成图像信息的识别和分拣。并在特定大小下进行不同物体几何形状绘制与识别。区分生物体和机械设备大体运行状态，做到动态表征。

缺点：图像识别技术其精度有限，在特定灯光前提下无法捕捉更多细节。同时因为设备和生物形态可能存在相似性，所以在不同个体之间的区别特征较少时无法进行精确识别，特别是在人脸识别范畴，在人脸结构特征相似，在加上化妆掩盖和光线角度的制约下加大了识别的难度。加之不同表情下的人脸存在易变性，所以很难在大幅度运动前提下通过脸部视觉图像进行识别。多重要素弱化了该种方式的识别效率。

4 深度学习技术及图像识别技术在水电站的应用

水电站的运行需要强有力的安全防护，该种方面需要进行机电设备的长效巡检，同时要求安保系统较高。避免外来入侵者破坏相应设备、同时实时监控相关设备正常运行、确保施工现场无违章作业和施工质量不达标带来的安全运行隐患。其主要图像识别要点有人员信息码识别、安全帽（带）佩戴检测、危险源识别、设备完整性识别以及人员跨越危险区等违章操作[5]。

异物识别。异物包括关键设备紧固部件完善性以及人员工具异物、火种和违规违章操作等。系统可以将实现录用的历史视频以信息流的形式进行存储。将摄像机进行定点部署，做到施工现场全覆盖。然后将获取的图像进行原始信息比对，在智能分析前提下及时发现关键要害部位零部件缺失、物品违规以及违章操作等，然后通过预设专家库风险因素进行信息平台数据共享，及时预判危险，并将风险预警情况进行有限提示，必要时还可进行视频切换至指挥系统人工评判。

佩戴识别。应用图像识别模块自动检索像素直方图，数学模型自动计算头盔（带）佩戴形态分析，判断是否佩戴头盔（带）等劳保产品。工作人员进行实时分析、识别、监控和报警，在不戴头盔的情况下提前预警危险行为，将截图和报警视频保存在数据库中形成报告，并将报警信息发送给管理人员。

设备外观识别。安装在大坝泄洪出入口等重点区域的摄像头用于采集施工人员的面部图像。数据的比较和计算。当比较结果为合理值时，允许白名单人员通过；当比对结果超过合理值时，系统会屏蔽此人，即黑名单上的人，并对未授权人员进行警告和警告。记录报警信息并发送给系统，人工合成后可解除禁令。此外，通过对进场人员的身份进行身份验证，可以确保值班人员的真实性和操作票的合规性，以有效解决出入口等重点区域，水电站建设内部人员管理问题。

人员移动及跨越识别。可在电厂生活区和重点风险管理区进行电子围栏监控。根据实际情况制作警戒区地图，该地区禁止人员和物品。当摄像机检测到有人移动、穿越或其他违法行为时，通过图像识别分析自动识别报警并发送给系统管理人员，可有效提高对危险区域人员的管理和控制。