智能视频分析技术在电力设备监控中的应用徐群陈琛王雨摘要：由于电力设施的增多，发生电力设备故障、失窃甚至人为破坏的绝对风险正逐年增加，如何利用智能手段，让机器来代替人实现对电力生产风险的预防预警，成为目前亟待解决的问题。关键词：智能视频；分析技术；电力设备；监控DOI：10.16640/j.cnki.37-1222/t.2017.20.1811引言近年来，随着国家基础建设的深入开展，电力基础设施的建设密度和地理分布的广度得到了迅猛的提升。另一方面，国内劳动力的薪资水平呈现明显的逐年增长趋势。两种趋势的叠加使得越来越多的电力基础设施进入无人值守或少人值守的状态。2问题及研究现状电力行业的基础设施大致包括输电线路、电力隧道、有人值守变电站、无人值守变电站、开闭所、配电室。根据电力行业的安全规范，对于输电线路、隧道、无人值守变电站、开闭所、配电室都需要进行定期安全巡视。然而随着电力基础建设的密度和广度的增加，無人值守变电站、开闭所、电力隧道往往难以保证得到及时、合规的安全巡查。自08年以来，伴随全国性的基础监控系统的建设，电力基础设施也建立了相应的常规视频监控系统，由于监控点位众多，值班人员无法有效监看。为此，人们开始研究自动预警技术。例如，利用前背景建模的机器视觉算法，实现对无人值守区域的运动物体入侵检测，常见的包括区域、绊线等。以及在分辨出前景物体的基础上，进一步对相应位置的颜色和纹理进行判断，尝试进行对人员是否佩戴安全帽、或是否发生火灾的进行检测。但经过实践检验，上述方案往往由于误报率偏高而难以达到人们预期的效果。3基于深度学习的智能视频分析技术简介使机器能够像人脑一样观察外界情况并做出正确的决策判断一直是人工智能追求的目标。经过近60年的研究，机器视觉的智能水平在深度学习出现后进入了革命性的时期，这种颠覆性的突破基于以下几个重要的原因。第一，深度学习使得智能算法的特征空间不再依赖领域专家来设计，实现了由机器自动选择，从而使得到的智能算法能够探索更多未知的可能：从模式识别的角度，任何视觉识别问题的实质是寻找一个合适的特征空间，使原始图像空间的数据经过映射后，能够在特征空间中截然的分开，从而可以轻易的被分类超平面所分割。在深度学习之前的视觉智能算法，依赖人工专家进行特征的选择，使得所选的特征往往具有场景上的局限性，在实际项目实用时往往难以达到实用要求。而深度学习从原理上避免了人工对特征的干预，使智能算法能够探索更多的可能性。第二，自动选择特征之所以比人工专家更有优势，依赖于更大量的实际数据被提供给深度学习算法进行学习。这在监控视频高清化、数字化完成之前是难以实现的。因此，虽然大规模基础监控的建设无法直接解决大量无人值守的电力设备的自动预警问题，但可以为深度学习算法的训练提供足够数量、足够分辨率的训练数据。这也是深度学习要等到今天才能发挥真正作用的关键因素。第三，相比于以往传统上使用的基于前背景模型的视觉算法，深度学习算法的智能识别层次大大加深。传统的前背景算法实际上只能检测运动物体，而无法直接判断物体的类别（比如是行人？车辆还是动物？），现有的基于前背景的人员检测或安全帽检测是依赖经验性的规则来确定运动物体是不是人，已经人体头部的位置。这类算法并没有学习能力和场景的适应能力可言。而深度学习算法从原理上就是经过大量数据的训练，对视频数据中出现的物体进行自动分类，例如它可以直接检测出视频中哪里是普通行人，那里是戴安全帽的人，哪里是车辆等。基于大量实际数据训练的深度学习算法具有传统算法不能比拟的场景泛化能力，能够真正意义上解决过去智能视频分析的误报问题。4基于深度学习的电力设施智能视频分析方案4.1方案设计由于目前电力基础设施在地理上分布的跨度很大，因此在考虑整体智能视频分析方案时，如果将所有监控点位回传到后端中心，不但编解码的压力大，而且对于安全事件发生时智能视频分析的时效性也会造成影响。因此对于地域分布较分散的电力基础设施，例如隧道、无人值守变电站、开闭所等，应使用低功耗、小体积、集成了小型GPU的嵌入式智能分析盒。其优势在于：...