基于AI边缘计算电网现场作业典型违章判定规则与识别算法

国网陕西省超高压公司 王一青 国网西安市鄠邑区供电公司 马恒凯

为保证电力施工现场的作业安全，除了需要提供相应的安全辅助设备以外，还需要对工作人员的行为规范进行监管[1]。在电力生产工作的过程中，若工作在带有高压电的带电体周围，任何操作行为的不规范，都会带来严重的安全隐患[2]。

关于电网作业现场的风险研究目前处于发展阶段，有研究学者针对电网现场作业的风险建立评价指标体系，从人的影响、设备的影响、环境的影响和管理的影响等四个方面对电网现场风险进行评价，确定不同电网现场的风险等级。但是此种办法具有较强的主观性，在评价过程中引入的专家打分法并不能较好地体现统一的评价标准。还有研究学者通过对现场电网作业的参数采集建立风险预测模型，将BP神经网络和支持向量机相结合，利用BPSVM预测模型预测电网作业的风险程度，但是此种预测模型并没有对获取到的参数数据进行统一化的处理，因此得到的预测结果准确性较低。

还有研究人员针对电网作业的隐患图像进行识别，分析隐患具体风险点位，建立图像特征提取模型，但是由于图像特征识别和数据特征识别的过程和方法差别较大，所以图像识别的准确率低于特征识别得到的结果，还有专家学者从理论上分析违章识别算法的研究，对电网作业风险识别的意义，认为通过识别算法可有效地识别风险，但是前提是可以搭建有效的识别风险模型。

同时，有研究人员利用物联网技术，通过对电网现场的部分风险指标的监测，通过物联网传输手段，将数据进行采集获取，再利用相关的数据挖掘或机器学习的算法实现风险的预测。同时，对于操作违章的情况，目前主要采用的方法包括前端智能感应技术，通过监督系统实现全程操作监控，提高安全监督。也可以基于智能图像处理技术，通过视频识别的方法对施工图像信息进行鉴别，避免安全隐患。

本文基于AI边缘计算的方法，通过对物联网中边缘计算架构的研究，引入云计算对电网作业现场的违章情况进行判断，建立违章判定规则与识别算法，提高作业现在的违章监管能力，有效保障工作人员的生命安全，实现可以在复杂的电网施工现场中应用的目的。

1 违章判定规则与识别算法

在了解边缘计算整体架构的基础上，通过对安全帽佩戴的检测与判定，并利用人脸识别技术，构建基于边缘计算的人脸识别算法。

1.1 安全帽佩戴的检测与判定

安全帽的检测是对于电网现场作业违章判定里的重要部分，作业工人不按规定佩戴安全帽造成事故的事情不胜枚举。对于安全帽的检测除了包括工人是否规范佩戴外，还需要有快速的检测能力，对工人的工作情况能够实时监控，从而有效保证工人的人身安全。

对于安全帽的检测，其核心问题在于检测模型的构建，主要通过目标检测算法来完成该任务。利用YOLO v3网络的准确率高、速度快的特点，可以有效完成安全帽的检测工作，利用其作为基础网络，识别过程中加入注意力机制，可以有效提高在复杂背景下的安全帽识别问题。

图1 安全帽检测流程图

1.1.1 基于深度学习的神经网络算法

神经网络包括输入层、输出层和数据运算隐藏层，其最小单位为神经元。设输入层节点个数为m；输出层的节点个数取决于数据标签中的编码规则；隐藏层节点的确定通过经验公式中的常数的设定。确定隐藏层节点的个数：，式中：m代表隐藏层节点数，n代表输入层输入的节点个数，L代表标签编码规则，a代表常数，取值为1～10。

神经网络算法的主要数据传播方式为对上一层神经元对应的数值进行加权处理，求和后通过一定的偏置处理，进而获得线性数据，线性数值经过激活函数处理后可以获得下一层神经元的对应数据。经过数据的层层迭代，最终获得输出层的数据输出。计算过程如为：，式中：wij为神经元之间的权重，对应于节点i与节点j之间，xi为上一层节点i的数值大小，bj为该节点对应的偏置大小，Sj为节点数据累加运算后获得的线性数据，act为激活函数，xj为激活后的数据。

1.1.2 ReLU激活函数

ReLU激活函数可使得该神经元的数据输出具有非线性表征的能力，从而与各种曲线进行相应的拟合，从而提高整个神经网络的泛化能力。ReLU激活函数的计算过程，对于输入小于0的情况取值为0，对于输入大于0的数据，其函数值取决于输入值。ReLU激活函数可以有效解决计算过程中的梯度消失问题，同时计算速度得到大大提高。因此，在神经网络的计算过程中被广泛使用。ReLU激活函数表达式为：f（x）=max（0,x）。

1.1.3 YOLO v3网络

将YOLO v3网络与CBAM注意力算法有机结合，通过在每个网络的输出层前端加入注意力机制，使得图像的特征层中对于在聚焦区域位置可以获得更高的注意力，有效提升细节获取能力，通过对于物体权重的增加，可以进一步提升该位置的信息识别精度，提高安全帽的识别能力。在此基础上，为了提高注意力算法的效果，更好地获取算法空间特征，本文采取7x7卷积核作为注意力机制的过滤器。CBAM的特征层表示式为：

式（1）中，MLP函数为全连接层，AvgPool函数为全局平均池化，MaxPool的意义为全局最大池化，F为函数的特征层输入，σ为激活函数，r为运算中的减少率，此处取值0.5；式（2）中，Favgs与Fmaxs的意义分别为全局平均池化和全局最大池化的通道特征，f7×7函数表示卷积核尺寸为7x7的卷积计算。

1.2 人脸识别

对于电网现场的作业，人脸识别系统是其重要监测内容，主要作用在于防止外来人员的闯入，以及有效控制工人的工作时间，避免出现工作超时，可以利用人脸识别系统防止一些安全隐患问题的发生。

在人脸识别的过程中，主要是利用FaceNet网络实现人脸识别的功能，并通过MT-CNN网络实现人脸的检测。整体的流程如图2所示：图像数据的获取。电网现场作业中的视频主要来源于工地的摄像设备，利用摄像头可以获得监控现场的视频帧。通过电网工人的人脸数据库，可以对其进行数据对比和身份确认；关于图像的人脸检测。通过MTCNN网络可以有效获得图像中的人脸位置坐标，根据坐标情况将视频对应数据进行剪裁，获得人脸数据；识别人脸数据。通过FaceNet网络可以有效获得剪裁后图片中的人脸特征数据，将其映射至特征空间便于进一步处理；根据人脸的特征数据，通过判断其在特征空间中的欧氏距离，对于人脸数据对应工作人员的身份进行辨识和确认。

图2 人脸识别流程图

本文采用MT-CNN网络来完成人脸位置以及人脸信息关键点的检测获取。通过借鉴Adaboost的级联结构，提取图像中的FPN特征，其次通过P-Net、R-Net和O-Net三个级联神经网络，分别完成识别候选框生成、候选框筛选和人脸框与关键点位置判定。为了提高MT-CNN网络的精度，在不影响系统性能的前提下，将传统的加分类器的方法改成区域框选取与回归的方式，主要是利用模型在图片中生成候选窗口，利用较复杂模型对于候选窗口进行筛选，提高候选框选择精度，对非人脸区域由P-Net、R-Net进行快速过滤，最后保留位置由O-Net进行边框和人脸关键点的回归确认。

1.3 基于边缘计算的违章识别算法

由于边缘服务器的效率远高于云服务器，因此将边缘计算与AI技术相互结合，不仅可以实现边缘计算过程的人工智能化，也可以提高边缘服务器的服务能力，提高整体资源的利用效率。同时，针对复杂的图像数据，利用深度学习强大的学习效果和推理运算能力，总结数据中有价值的信息，对于边缘服务器的决策判断提供有效的帮助。因此，在电网现场作业的违章判定中，边缘计算违章识别算法的整体步骤如下：将图像识别的特征提取部分布置在边缘服务器中，从而有效对于人脸特征和安全帽特征进行有效的辨别；在边缘服务器中运行回归模型，并进行人脸特征概率判断；根据两个结果的运行结果一致性情况，来决定是否交由云服务器复查。

2 数据分析与试验结果

2.1 试验准备

云计算中心的参数为：Intel（R） Core（TM）i5 4570；四核CPU，频率为3.20GHz；运行内存为8GB；操作系统选择为Windows7 64位系统。边缘设备参数主要包括有：BCM 2863；CPU为ARM Cortex A8；运行内存2GB。数据为相关电网现场作业测试视频1000例，其中包含多种类型的视频：存在安全隐患的视频、存在违章操作视频、存在不规范着装等的视频和安全视频。根据识别结果情况，对系统的操作进行数据库记录。

2.2 试验结果与分析

为了验证本文边缘计算方法在数据接收方面的效率，分别使用不同的组网方式进行数据接收对比，主要的数据接收方式包括光纤接收、终端接收和边缘接收。其网络延迟的数据对比情况如图3所示。

图3 不同数据接收方式的影响

从图3中可以看到，通过边缘计算的方式其数据接收的延迟更小，当接收节点数据量达到350MB时，终端接收数据延迟时间为42ms、光纤接收数据延迟时间为29ms、边缘接收数据延迟时间为18ms。由此证明，本文方法的数据计算时间快，辨识运行效率高。为了进一步表明本文算法的优势，将本文算法模型与文献方法和文献方法对比，通过输入视频数据，验证不同模型的效果优劣。其对比结果如图4所示。

图4 不同研究方法的误差曲线对比

从图4中可以看到，对于不同的研究方法，其误差曲线的趋势类似，均是随着视频量输入的增加，其误差率呈一定的上升趋势，但是从结果上看，本文算法明显由于其他两种算法误差更低，更适合用于电网作业中的违章判定，具有一定的应用优势。