基于目标检测与跟踪的配网带电作业安全检测

王腾　刘瑞萍　张天宇　武雅洁　孔维

关键词：目标检测；跟踪；电力；配网；安全检测

中图分类号：TM84；TP391.41 文献标识码：A

0 引言

电力配网带电作业是电力系统运维中不可或缺的一项任务，它包括在电网运行过程中对设备进行检修、维护和更换等操作。这些作业通常在电力系统运行时进行，以确保电力供应的连续性[1]。然而，由于带电作业本身涉及高电压环境和复杂的电力设备，其安全性一直是电力行业关注的焦点。在传统的带电作业中，运维人员需要直接接触电力设备，存在触电、电弧闪、设备故障等多种安全风险。由于带电作业通常依赖于人工巡视，运维人员因主观判断和工作疲劳等因素也可能导致不安全行为的发生[2]。因此，如何提高带电作业的安全性成为电力配网领域迫切需要解决的问题。引入先进的目标检测与跟蹤技术，可使带电作业的安全检测更具自动性和实时性，从而提高整个电力系统的安全水平。本研究将有助于降低人工巡视的负担，及时发现潜在的安全隐患，推动电力系统向智能化和安全化方向发展。

1 配网介绍

配网是电力系统的重要组成部分，其主要任务是将从发电厂输送来的高压电能分配到各个用户。通过变电站、变压器以及配电线路，电能逐级降压并分配到不同电压等级的用户，以满足不同层次、不同规模的用电需求。配网包括各种基础设施，如电缆、架空线路、杆塔、配电变压器、隔离开关、无功补偿器等[3]。电缆和架空线路是电能在配网中传输的两种主要方式。电缆通常用于城市和高密度居住区，而架空线路则常见于乡村和郊区。杆塔用于支撑架空线路，起到稳定和保护的作用。配电变压器负责将电能从高压输电线路降到适合低压配网的水平，以供应给终端用户。隔离开关是为了在发生故障时能够快速切断故障部分，确保系统的安全运行。无功补偿器用于调节电网中的功率因数，提高电能的质量[4]。

2 目标检测与跟踪算法

目标检测与跟踪算法是计算机视觉领域中的重要研究方向，用于在图像或视频中检测和跟踪特定对象或目标，在视频监控、自动驾驶、人机交互等许多领域得到广泛应用[5-6]。常见的算法包括YOLO、Faster R-CNN、SSD 等。YOLO 是一种端到端的目标检测算法，主要原理是将目标检测任务视为回归问题，并通过一个神经网络直接在输入图像上进行检测。YOLO 的优点是速度快，适合实时应用。Faster R-CNN 采用两个阶段的检测流程，先生成候选区域，然后对每个候选区域进行分类和边界框回归。Faster R-CNN 在精度上通常比YOLO高，但速度较慢。SSD 是一种结合了YOLO 和FasterR-CNN 的目标检测算法，在单个神经网络中同时进行目标类别分类和边界框回归，从而实现了较快的检测速度和较高的准确率。

在目标检测领域，YOLO 算法系列以其快速且准确的特点备受关注。本文选用YOLO 算法系列中的YOLOv3 算法，针对复杂视觉场景进行目标检测和定位研究。图1 为YOLOv3 网络结构。YOLOv3 使用了Darknet-53 的骨干网络，相较于之前的Darknet-19，Darknet-53 能够提取更丰富的特征信息，它由53个卷积层组成，并采用残差块结构，有助于加深网络同时减少梯度消失问题。YOLOv3 在网络的不同层次进行目标检测，分别是最终输出层、中等特征图层和较大特征图层，这种多尺度预测有助于检测不同大小的目标。该算法最终输出的是一个三维张量，其中每个格子对应于图像的一个区域，并预测了该区域内的目标数量、位置以及类别信息。在输出处理阶段，通过阈值筛选和非极大值抑制得到最终的目标检测结果。

3 基于YOLOv3的配网带电作业安全检测

本文通过YOLOv3 目标检测算法进行电力配网带电作业场景下的安全检测。检测情况有3 种，分别为安全帽检测、现场作业人员跟踪、现场作业人员误入危险区域检测，其配网作业安全检测流程如图2 所示。

第一步，进行YOLOv3 算法的初始化，包括训练集的建立与训练，以及检测区域地面坐标系的建立。

第二步，获取视频信息，读取图像，利用训练好的模型进行安全帽佩戴状态检测、行人多目标跟踪检测、行人轨迹记录、危险区域误入检测。

第三步，如果作业人员未佩戴安全帽或者误入危险区域，算法识别后会记录违规操作，并发出报警信息。

第四步，依次循环读取视频下一帧，利用模型按序检测，直至视频最后一帧结束。

4 实验结果与分析

4.1 安全帽检测结果分析

本文对不同的场景下安全帽检测结果（表1）进行分析。结果显示，在配网带电作业安全检测中，基于目标检测与跟踪的安全帽检测取得了良好的效果。使用YOLOv3 作为目标检测算法，在人员静止的场景中，获得了高达96.10% 的安全帽检测准确率；在人员移动的场景中，准确率也达到了90.84%，表现出良好的潜力和可行性。

4.2 现场作业人员跟踪检测结果分析

本文对不同的场景下现场作业人员跟踪检测结果（表2）进行分析。结果表明，所使用方法在追踪现场作业人员方面表现出良好的准确率。跟踪算法能够有效地将人员从视频序列中标识出来，并在不同帧之间保持稳定的跟踪。跟踪算法在不同场景下的稳定性得到了验证，即使在目标出现遮挡的情况下，跟踪算法也能够对现场作业人员保持有效的跟踪。

4.3 现场作业人员误入危险区域检测结果分析

本文对现场作业人员误入危险区域进行检测，结果如表3 所示。通过分析检测结果，发现模型能够准确地识别现场的作业人员和危险区域，确保了其对关键目标的有效监测。

5 结语与展望

在电力配网作业中，安全管理一直是至关重要的问题，特别是在带电作业环境下，事故可能导致严重的人员伤害和设备损坏。本文提出了一种基于目标检测与跟踪的配网带电作业安全检测方法，以YOLOv3 目标检测算法为基础，在安全帽检测、现场作业人员跟踪检测以及现场作业人员误入危险区域检测方面进行实验。实验结果表明，该方法能够准确地检测安全帽的佩戴情况，实时跟踪现场作业人员的位置，并及时发现并警示误入危险区域的情况，为配网带电作业提供了可靠的安全保障。未来，期待该方法能够在提高检测精度、加强实时监测、优化算法性能等方面取得进一步突破，为电力行业的安全生产和智能化管理带来新的发展机遇。