概述

    电网公司所部署的电力设施在大型机械施工过程中遭到损害，不但每年给国家电网公司带来巨大的损失，而且人工调监控画面查出肇事画面的效率非常低下、人工实时监测耗费巨大的时间成本，因此发展机器检测提高甚至代替人工已经成为一种趋势。

输电线路受反外力破坏的情况中机械外力破坏占有极大比例。例如，吊车、泵车等“高个”作业机械触碰、刮倒电线的场景时有发生，带来严重的安全隐患和财产损失。针对这一现状，通常的应对措施是在室外输变电场景下安装反外力监控摄像头，然后安排工作人员通过实时观看监控画面来发现并处理大型作业器械。但是，外力破坏场景的出现有着很大的随机性，并且在实际应用中，监控场景数量繁多、情况复杂，难以仅靠有限的值班人员来实现对所有场景全覆盖无遗漏的监视。

输电线路背景（包括山林、河流、农田、道路、雨雪等）复杂，且随着四季的更迭背景外观会随时改变，通信环境对图像、视频等数据传输影响也较大，因此目标提取非常困难，必须提出适应性强的图像处理算法来解决该问题。由于野外图像采集设备拍摄角度和视距的变化，同一目标的拍摄图像会呈现不同的形状或形式，这给目标识别带来了困难，需根据目标特征采用神经网络技术、证据理论、模糊算法等信息融合方法进行目标识别。

1 目的和意义

1.1 目的

    输变电反外力监控场景图像智能分析的相关技术，以更高效、自动化的方式识别场景中的感兴趣目标，用来代替人工监视的手段。使用计算机进行智能分析的优势，在于一是计算机有着庞大的计算资源，能够以极快的速度和效率完成通常情况下大量人员和时间才能完成的工作；二是计算机的业务处理更加精准，完全没有人员工作中出现的疲累导致的效率降低，误差增多的情况。通过计算机实现对输变电智能监控场景画面图像的分析，从中识别对输变电路有威胁的大型器械（如：吊车、挖掘机、泵车等），并按照一定条件，产生告警信息，通过某种方式推送给变电站值班人员,进而解决人工实时监视画面效率低，减少国家电网电力设施损失的问题。

1.2 意义

    精准识别图像中的特定目标，提高人工筛查、识别图像目标的效率，弥补人工在准确率和速度效率上的不足，最终代替人工，推动各行各业在原有传统图像处理的基础上的发展。技术成果可提高了值班人员对报警信号上报的效率，可推动全国有相关需求的电力公司部署此次研究的新系统

2 技术应用难点与关键点
2.1 技术应用难点

    北京市电力公司摄像头运行策略是：每个摄像头的图片回传频率为5分钟/张。按照日间10小时计算，以800个摄像头为例计算，一天图片量高达96000张。平均下来，每秒钟传回超过3张高清图片。这种数据量和频度，纯靠值班人员的人工查看，需耗费大量人力，效率很低。现实环境下，值班人员也难以长期高效的完成监视工作。

2.2 技术应用关键点

    1、精准检测图像中的目标(吊车、挖掘机等)以及分类;

    2、针对场景特性进行通用性的过滤重复报警图像

    3、背景特征与目标特征相似,造成误报

    4、目标特征过小，造成漏报

    5、背景特征强(多)于目标特征，导致目标区域被识别成非目标，以至于检测不到，也会造成漏报。

3 识别技术分类
3.1 传统特征识别技术

    基于图像分析的目标识别技术指在通过特定的算法，对摄像头图像进行分析，从中获取感兴趣目标所在位置坐标（目标所在区域矩形框），并且获取各类大型机械，如：吊车，挖掘机，泵车等，从图像中分析获得各种机械的所在位置和类别信息，以供后续业务逻辑进行分析和处理。

3.2 深度学习识别技术

    基于深度学习的多目标图像检测与分析算法实现的关键，在于对经过预处理的图像进行深度学习特征提取+滑动窗口目标匹配，结合事先提取过的特征模型进行匹配分析，从而可以在整幅图像中得到感兴趣目标的位置和类别信息。相比起传统算法而言，深度学习解决方案的优势在于通过大量场景图像的预训练，可以做到很高的检出率极低的误报率，并且检测过程是完全场景无关的，有着非常强的可扩展和可复制性。目标检出能力不会因为场景的更换而降低。另外，一般基于深度学习的算法支持采用GPU进行加速，可以通过带GPU的服务器实现很快的处理速度，达到实时处理的要求。

4 技术原理与应用策略

    该识别技术采用了目前国际流行的“深度学习”与传统的“动态识别”相结合的技术路线，本质上是一种图像的“特征识别”技术。对图像的识别大体可分为三步：图像预处理-识别目标选取-特征比对。

4.1 图像预处理

    主要目的是背景处理，剔除干扰因素，主要关键技术是：

    光线的处理；

    阴影的处理；

    舞动的导线；

    风吹的树木；

    其它类似物的处理。

4.2 识别目标选取

    主要目的是选出可疑目标，提取目标特征集。主要关键技术是：

    目标的像素点大小；

    目标的远近导致大小的变化；

    目标是否为运动区域；

4.3 特征对比确认

    主要目的是将可疑目标与标准特征库“判据”。以吊车为例，它的图像特征有：

    颜色特征；

    纹理特征；

    形状特征；

    空间关系特征；

4.4 应用策略

    在不改装前端硬件装置的情况下，通过后台集成算法服务器的方式，通过图像的智能识别算法，实现防外破预警识别，代替人工查看的方式，解放人力资源，实现输电视频监视业务的自动化、智能化。

    算法识别能力成长性分析：预期年底样本数量可达到10000个，识别率可达到99.9%，算法正判率可达到至92%。 。

    算法应用策略：夜间因识报率高，算法日出启动，日落暂停，每日约16小时。可识别的目标：吊车、挖掘机、铲车

    选取8个典型场景（摄像头）对识别算法进行完整样本测试，数据量约3个月的运行数据，共76803张样本图片，其中包含目标样本（有大型机械图片）18003张，识别结果：

    最新算法经过8个场景（摄像头）3个月的运行数据76803张样本图片测试，其中包含目标样本（有大型机械图片）18003张，算法识别率99.8% ，误报率0.2%，正判率81.7% ，漏报率18.3%。（见下表）

    识别率表示：正确处理的图片占全部样本图片的比率

    误报率表示：错误报警的图片占全部样本图片的比率

    (正确处理包括含有机械图片被已报警和不含机械图片不报警)

    识别率＝正确识别数/样本总数

    76617/76803=99.8%

    误报率＝误报数/样本总数

    186/76803=0.2%

    识别率+误报率=100%

    正判率表示：正确识别的目标样本数占应识别的目标样本数的比率

    漏报率表示：未识别的目标样本数占应识别的目标样本数的比率

    正判率＝识别的目标数/目标样本数

    17967/18003=81.7%

    漏报率＝漏报的目标数/目标样本数

    3291/18003=18.3%

    正判率+漏报率=100%

5 识别应用系统集成 

    输电线路通道环境，可提供的素材主要为图片。图片来源于目前视频主站平台接入的约800路摄像头，平均每天约产生10万-20万幅电力线场景监控图像。

    智能视频分析应用系统，即对输变电反外力实际应用场景下摄像头接入实时图像数据进行汇总，预处理，分析，获取目标信息并产生告警结果的应用程序。智能视频分析应用所实现的功能主要有：

    1、摄像头接入；摄像头实时图片获取

    2、摄像头图片有效应验证；图像预处理

    3、调用算法服务，分析图像，获取目标信息

    4、据应用策略，对场景目标信息进行过滤，产生告警数据

    5、日志记录；告警推送

6 应用效果

    目前已通过数据挖掘技术对历年876万张海量运行图片进行分类筛查形成信息样本，并通过无人机对大型机械进行高空多角度拍摄来加速样本收集工作，目前该识别系统已嵌入北京视频监控系统，报警正确率已达到85%以上，误报率控制在2‰以下，利用智能识别技术代替人工查看的方式，该技术手段可有效释放人员承载力，实现输电视频监视业务的自动化、智能化。为下一步公司大规模加大输电视频投入力度奠定的基础。

主创人员：王  闯、邱建军、闫春江、刘正义、李  洋、王彦卿、李上国、戴瑞成、徐  烨、杜觉晓