唐冬来，杨 平，刘秋辉，黄 璞，杨 俏，叶鸿飞

（四川中电启明星信息技术有限公司，四川成都 610041）

随着中国经济的迅猛发展，电网建设规模不断扩大[1]，输配电线路跨越农村鱼塘的情况逐年增多[2]。垂钓者在输配电线路下方的鱼塘钓鱼时，若不慎将鱼杆或鱼线抛到鱼塘附近的输配电线路上，将造成垂钓者触电烧伤或死亡[3-5]。

供电公司输配电线路下鱼塘垂钓管理分为被动阻拦方式和主动检测方式，被动阻拦方式采取对垂钓者进行宣传与设置警示装置等措施禁止垂钓[6-7]，但垂钓者的安全意识不强，仍有垂钓者触电事故发生。主动检测是通过无人机摄鱼塘图像的方式进行垂钓者图像识别，采用语义分割模型提取垂钓者的特征[8-9]，但上述方法对鱼竿的特征检测不明显，不能区分普通行人和垂钓者。

为解决输配电线路下垂钓者发生触电风险隐患的问题，提出了一种基于全卷积网络(Full Convolutional Network,FCN)的配电线下鱼塘垂钓识别方法。该方法采用全卷积网络对图像进行了精准分析，过滤噪声数据的影响，从而提高输配电线路下垂钓者识别的准确性。

1 输配电线下鱼塘防钓触电框架

文中所述的基于全卷积网络的配电线下鱼塘垂钓识别方法主要包括输配电线路下的鱼塘特征检测、垂钓者行为检测和垂钓行为告警三部分内容，框架如图1 所示。

图1 输配电线路下鱼塘防钓触电框架图

由图1 可知，在鱼塘特征检测环节，首先，通过安装在输配电线路旁杆塔上的视频摄像头获取鱼塘视频图像数据；然后，对鱼塘图像区域进行分割，划分鱼塘和周围陆地的图像区块；在此基础上，进行鱼塘的边缘检测，检测出鱼塘的地理范围；最后，构建鱼塘的图像特征。在垂钓者行为检测环节，首先提取途径鱼塘的人员特征；然后对人员的特征进行分析，判断该人员是否携带鱼竿，若携带鱼竿，则认为是垂钓者；在此基础上，检测垂钓者的鱼竿是否处于拉伸状态；最后，判断垂钓者是否有挥鱼竿的行为。在垂钓行为告警方面，首先接收垂钓者闯入输配电线路下方的图像检测行为信息；然后，调用语音库中的告警语音，输出到输配电杆塔上的扬声器和警示灯进行告警。

2 输配电线下鱼塘防钓触电模型

2.1 鱼塘特征检测

2.1.1 鱼塘视频输入

输配电线路的导线距离下方鱼塘的垂直距离在6～30 m 之间，准确地检测鱼塘的范围，是输配电线路下鱼塘防钓触电模型的关键。输配电线路下鱼塘视频监测装置由球机视频摄像头、太阳能光伏板供电单元、视频边缘计算节点、扬声器和警示灯构成，可将其安装在距离鱼塘最近的自立杆塔上，实现对于鱼塘范围内的图像监测。输配电线路视频监测装置安装图如图2 所示。

图2 输配电线路视频监测装置安装图

为减少鱼塘垂钓告警平台服务器的计算压力，在边缘计算节点中内置文中所提方法的算法模型。通过边缘计算识别出垂钓者的鱼塘闯入行为，并将结果通过4G 模块发送到后台监控主站。文中通过视频摄像头中的电荷耦合器件（Charge-Coupled Device，CCD)[10]将采集到的鱼塘图像数据提取到边缘计算节点单元。

2.1.2 鱼塘图像区域分割

语义分割算法是对图像中的所有像素点进行分类，确定每个像素点的所属类别，从而进行图像区域的划分，通过语义分割可以提取到输配电线路下方鱼塘的区块。

全卷积网络(FCN)是一种图像语义分割算法，该方法包括了全卷积和反卷积两个部分，避免了对图像进行复杂的前期处理，可实现对输配电线路下方鱼塘原始的分割。因此，文中采用FCN 网络进行鱼塘图像区域分割[11-12]。

FCN 分割鱼塘图像区域过程中，在全卷积部分，模型提取输配电线路鱼塘图像中行人的特征信息，通过检测行人是否有携带钓鱼竿的特征，判断行人是否为垂钓者，并形成输电线路下鱼塘的热点图；在反卷积部分，在输电线路下鱼塘的小尺寸热点图上进行采样，通过框线方式描述垂钓者的图像范围，并获得标准输电线路下鱼塘的垂钓者语义分割图像。通过FCN 网络后分割的图像Yb为：

式中，Ya为输入的原始输配电线路下方鱼塘图像像素矩阵；ja为鱼塘图像的卷积核大小；la为鱼塘图像的步幅；ea为鱼塘图像的补零层数。由式（1）可获得分割后的鱼塘图像数据。

2.1.3 鱼塘边缘检测及特征构建

索贝尔(Sobel)边缘检测算法是一种计算机视觉的图像特征提取方法，该方法通过图像的亮度及景深度来判断图像边缘，具有图像边缘检测准确的特点[13-14]。因此，文中采用索贝尔边缘检测算法进行鱼塘边缘检测。

在鱼塘图像边缘检测过程中，通过鱼塘图像中亮度变化差异大的点、图像景深不连续的点、图像表面方向不连续及图像物质属性不连续的点和图像场景变化差异大的点提取鱼塘图像的边缘特征。在判断鱼塘图像区域的边缘特征后，建立鱼塘边缘范围内的区域属性。图像的灰度大小Ha为：

式中，鱼塘图像边缘的横向坐标为Hx；纵向坐标为Hy。图像的方向梯度Fa为：

由式（3）生成输配电线路下的鱼塘边缘检测信息后，构建出鱼塘的边缘特征。

2.2 垂钓者行为检测

尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）算法是一种图像检测算法，该算法具有空间尺度不变的特征，可较好地识别图像中的移动目标。因此，文中选择SIFT 算法进行垂钓者行为识别。

在输配电线路下鱼塘的图像中，采用SIFT 算法对鱼塘闯入者的关键信息进行检测。首先判断鱼塘图像中是否有闯入者；其次，判断闯入者是否携带鱼竿，若闯入者携带鱼竿则为垂钓者，若闯入者未携带鱼竿，则为普通人员。在此基础上，判断垂钓者的鱼竿是否有拉伸、挥杆等行为，识别垂钓者的危险行为。

可变尺度的输配电线路下方鱼塘移动物体的高斯函数W(ai,bi,β)为：

式中，a、b为移动物体的纵横坐标；ai、bi为移动物体上的不同一点；β为不同尺度的核参数。尺度不变换特征Z(a,b,β)为：

式中，R(a,b)为输入的输配电线路下方鱼塘分割出的移动物体信息，然后，进行输配电线路下方鱼塘响应值图像(Difference of Gaussians,DOG)检测，DOG函数鱼塘的极值检测J(a,b,β)为：

式中，DOG 函数为θ。通过式（6）可检测出垂钓者行为。具体行为列表如表1 所示。

表1 输配电线路下方鱼塘垂钓行为列表

2.3 垂钓行为告警

垂钓行为告警首先接收垂钓者闯入输配电线路下方的图像检测行为信息，然后，调用语音库中预先录制的告警语音信息，输配电线路下方鱼塘语音告警如表2 所示。

表2 输配电线路下方鱼塘语音告警

同时，针对L1-L3 级别的垂钓行为，输配电线路下鱼塘视频监测装置启动警示灯，提示垂钓者离开。

3 算例分析

3.1 场景与参数设定

为验证文中所提基于全卷积网络的配电线下鱼塘垂钓识别方法的有效性，在某地区的输配电线路鱼塘进行实例验证。该地区共有输配电线路下方鱼塘125 个，面积小于5 000 平方米的鱼塘安装一个鱼塘视频监测装置，面积大于5 000 平方米的鱼塘安装鱼塘视频监测装置两个，共安装预测视频监测装置163 个。鱼塘视频监测装置中，边缘计算节点的处理器为ARM10E，内存为3 GB，存储硬盘为1 TB，操作系统环境为安卓9.0。

在训练集中，首先选择鱼塘垂钓者图片17 264张进行模型训练，图像的格式为1 920×1 080像素，验证集中，选取某地区随机的1 000张图片进行验证。

文中用于比对的方法是文献[16]中的深度神经网络(Deep Neural Networks,DNN)方法，该方法在图像识别领域被广泛应用，具有通用性。

3.2 算例运行结果与分析

3.2.1 全卷积网络拟合精度

全卷积网络用于输配电线路下方鱼塘的分块，由于鱼塘视频球机可以旋转，并可以从不同角度拍摄鱼塘的全景，所以需要使用全卷积网络对不同角度的鱼塘图像进行拟合与校准，拟合的精度越高，则输入到模型的图片质量也越好。

为验证文中所基于全卷积网络的配电线下鱼塘垂钓识别方法，对文中模型训练300 次，获取到误差直方图，结果如图3 所示。

图3 全卷积网络拟合精度图

由图3 可知，通过对全卷积网络的训练，模型误差随着训练次数的增加而逐渐减少，当训练次数在180 次左右时，误差稳定在0.20%左右。

3.2.2 输配电线路下鱼塘垂钓告警时长

输配电线路下鱼塘垂钓告警时长是反映鱼塘告警响应时间的核心指标，该指标的计算方式是从垂钓者闯入鱼塘的图像识别区域到鱼塘视频监测装置扬声器和警示灯发出告警信号的时间，该时间越短越好。

选择鱼塘垂钓者的视频图片样本个数为50、100、200、300、400、500、800、1 000 个，分别采用文中所提基于全卷积网络的配电线下鱼塘垂钓识别方法与业界广泛使用的DNN 方法进行鱼塘垂钓告警时长比较，对比结果如表3 所示。

表3 输配电线路下鱼塘垂钓告警时长表

由表3 可知，文中所提基于全卷积网络的配电线下鱼塘垂钓识别方法的鱼塘垂钓告警时长短于DNN 方法。

3.2.3 输配电线路下鱼塘垂钓告警准确率

输配电线路下鱼塘垂钓告警准确率是反映鱼塘垂钓者闯入告警是否准确的核心指标，该指标的计算方式为鱼塘实际告警的垂钓者数量与闯入鱼塘的垂钓者数量的比值，该比值越小越好。

选择鱼塘垂钓者的视频图片样本个数为100、200、400、500、800、1 000 个，采用文中所提基于全卷积网络的配电线下鱼塘垂钓识别方法与DNN 方法进行比较，鱼塘垂钓告警准确率对比结果如图4所示。

图4 输配电线路下鱼塘垂钓告警准确率图

由图4 可见，文中所提基于全卷积网络的配电线下鱼塘垂钓识别方法鱼塘垂钓告警准确率平均约为99.2%，高于DNN 方法[17]，因此文中所提方法鱼塘垂钓告警准确率更高。

4 结论

为解决输配电线路下垂钓者发生触电风险隐患的问题，文中提出了一种基于全卷积网络的配电线下鱼塘垂钓识别方法。该方法通过视频摄像头采集鱼塘视频图像，然后采用全卷积网络语义分割算法进行鱼塘原始图像分割，通过Sobel 边缘检测算法标识出鱼塘边缘范围。在此基础上，采用SIFT 算法检测垂钓者闯入鱼塘区域，并通过扬声器、警示灯进行告警。最后，将文中所提方法应用在某地区的鱼塘，其结果验证了该方法的有效性。

下一步，将拓展该方法的应用范围，在跨越河流的输电线路中进行垂钓者识别。