钟立华，罗智青

（广东电网有限责任公司东莞供电局，广东 东莞 523129）

0 引 言

由于电力企业现场作业有任务繁重、时间紧迫、点位繁多、分布广泛以及风险大等特征，因此东莞供电局难以实现整体监管下属单位及外委作业单位生产现场安全，部分小型、分散以及临时工作现场安全管控力度普遍偏弱，很可能形成安全监督的盲区，以致监管中心无法全面掌握作业现场安全风险控制情况，无法督导安全防控措施有效落实过程。鉴于电力生产作业现场丧失有效的监督是诱导安全事故主要因素，综合提升作业现场的安全监督力度成为电力安全生产活动顺利推进的重要保障[1]。

1 电力营销现场作业及安全监控现状分析

1.1 电力营销现场作业现状

电力企业营销现场作业任务量较大，作业人员多，其中外包工程作业工作量占比大，现场作业风险管控压力较大。营销作业具有作业现场分散、地点分布广以及工作方式多样等特点，作业过程中的安全隐患和风险较大。电力建设市场主体多元化，工程承包模式多样化，施工单位、分包单位以及监理单位等单位安全履约能力不一，在标准作业流程规范执行、安全生产教育培训以及施工安全风险管控等方面仍存在短板，此外安全文化素养参差不齐，部分工作人员安全意识淡薄，违章违规操作时有发生，安全知识和技能有待进一步提高。

1.2 安全监管现状分析

电力监管单位的安全监管主要依托两种形式开展。第一种是安全监管人员传统现场巡视督查，通过手工记录对现场问题进行整改的形式。该方式由于无法同时监察多个项目点，无法实现全方位安全监督，一次只能监管一个项目点，作业安全风险无法及时监管，导致安全监管变为事后监管，不能及时发现和规避安全风险。第二种是从2018年起，部分供电企业开始探索并推广智慧安监可视化监控技术，初步实现远程安监督查。但在实际应用中，仍存在识别功能集中在设备前端、不完整、需要采购定制化摄像头以及实施推广成本高等问题，适合基建主网大型固定作业，在营销作业难以大量普及推广。因此，亟需通过基于深度学习的现场作业智慧化安全管控研究，为营销作业类型量身定制智能监控算法，实现可兼容大部分网络摄像头，并可以识别安全带、安全帽、工服、工作梯、周界以及围栏等现场安全作业要素，具有识别能力强、集成后端识别、平台统一建设以及前端设备采购成本和整体推广实施成本低的特点，推动营销现场作业智慧化安全管控转型[2]。

2 基于深度学习的现场作业智慧化可视化技术研究及开发

2.1 可视化监管技术应用背景

深度学习技术用于解决很多现实问题，如深蓝机器人和谷歌的AlphaGo等案例均已经证实，深度学习能明显提升工作质量与效率，目前其在自然语言处置、人机对话及计算机视觉领域中均有广泛应用[3]。在整个人工智能范畴中，技术层面上计算机视觉的应用占比达到了34.9%，在很多行业业务推进阶段起到了强大的支撑作用。在安全监管领域中，计算机视觉技术的应用成熟度已经达到较高水平，常见的人脸识别、图像识别、物体检测以及视频语义解析等，在安全监管领域中主动辨识逐渐将传统被动式监管取而代之，AI技术对安全监管工作智能化发展过程形成了强大的驱动作用[4]。

2.2 智慧化安全管控算法设计

2.2.1 明确营销业务智慧识别场景模型

通过机器视觉和深度学习技术能够实现海量监控视频特征数据的智能化提取和识别，智慧化安全管控算法主要针对作业现场的安全防护用品、安全防护措施以及施工人员作业行为进行智能感知、判别、标记及预警，加强和改进各类电网现场安全智能化管理，主要识别内容有以下5点。（1）安全帽识别模型，智能辨别作业场区人员是否规范佩戴安全帽，算法主要用于营销计量轮换和装拆等作业区域，可对进入作业区域的人员进行自动识别，若检测到人员未佩戴安全帽则可立即报警，报警信号同步推送至管理人员。（2）工服识别模型，算法主要用于营销计量轮换和装拆等作业区域，可对进入作业区域的人员进行自动识别，若检测到人员未规范着装工作服则可立即报警，报警信号同步推送至管理人员。（3）围蔽和遮拦识别，当指定区域存在人员作业时，识别作业区域内是否布设了围蔽和遮拦标志，这是维护现场作业环境安全的重要举措。（4）辨识安全带，针对高空作业下的员工，算法智能识别其是否佩戴了安全带等防坠落装备，若没有佩戴则就会即可发出报警信号。（5）工作梯作业识别，人员在工作梯作业时，算法智能识别工作梯下方是否有人帮扶，若下方没有人员帮扶，即可发出报警信号。

2.2.2 定义深度学习工作流程

智慧化安全管控图像识别的工作流程节点主要包含数据采集、数据标注、数据预处理、模型训练、模型优化以及模型部署6个环节，通过科学合理的工作流程将实现AI数据、算力以及模型的协同运作，发挥最优效力。AI图像识别流程如图1所示。

图1 AI图像识别流程

2.2.3 选型算法模型网络

YOLOv3是目前为止在目标检测领域的可靠性、识别精度以及计算速度方面有较高领先优势[5]。本次算法研究采用YOlOv3作为模型网络结构，基础平台包括Ubuntu 18.04和Python等，算法模型网络结构如图2所示。

图2 算法模型网络结构图

YOLOv3共计有107层，其中0～74层是卷积层和res层，75～105层对应的是yolo层，功能以检测为主，基于逻辑回归预测box。各小卷积层内容为conv2d+BatchNorm2d+LeakyRELU，shortcuts对应的即为skip步骤。为应对网络的梯度弥散或梯度爆炸情况，将深层神经网络的逐层训练整改为逐阶段训练，具体是将深层神经网络细化为子段，各小段涵盖较为浅显的网络层数，而后基于shortcut衔接形式使各小段训练残差，实现整体偏小loss，实现对梯度传播过程的有效调控，规避出现梯度被消除或爆炸等对训练过程形成不良影响的情况。75～105层是yolo网络的特征交互层，其被细化为3个尺度，在各尺度中均采用卷积核形式达到局部的特征交互[6,7]。

2.3 样本采集与标注

2.3.1 样本采集

深度学习是数据驱动的模型，需要具备大量样本数据，而且样本数据对场景的覆盖度需要足够完善，深度学习模型的效果完全依赖样本数据表现，如果出现样本数据以外的情况，模型的推广性会变差。本项目进行了多场景样本采集，采集场景包含室内、室外、强光、弱光、培训室、地下室以及居民小区等，通过多种方式验证提升场景适应及识别准确率。

2.3.2 样本识别标注

对于深度学习算法，数据只有通过算法识别加上标签才能提供给安全督查人员进行使用。通过对各类场景制定详细的样本识别标注规范和要求，同时开展严格的标注审核机制，确保在数据输入环节减少出现脏数据和错误标注。样本标注细分为工服、围栏、安全带、工作梯以及安全帽等5个场景功能，各类场景详细的样本识别标注如表1所示。

表1 各类场景详细的样本识别标注

续表1

2.4 模型训练与验证

2.4.1 检测指标

目标检测算法中衡量识别精度的指标是mAP（mean Average Precision）。多个类别物体检测中，每一个类别都可以根据Recall和Precision绘制一条曲线，AP是该曲线下的面积，mAP是多个类别AP的平均值。检测指标方面，TP代表正样本检测为正的数量，FP代表负样本检测为正的数量，FN代表负样本检测为正的数量，e表示类别，N0表示该类别图像数量，结果的计算公式如下。

训练过程中，重点检测mAP（多类别平均精确度）和Recall（召回率），根据训练可视化曲线进行网络模型参数调整和迭代。本项目模型mAP曲线如图3所示。

图3 模型mAP曲线

2.4.2 模型场景验证

本项目通过室外环境和室内环境分别对安全帽、工服、安全带、工作梯以及围蔽算法进行现场场景测试，该模型能够较好进行多场景适应性检测，漏检和误检率较低，运行数据模型验证的具体效果如图4所示。

图4 数据模型验证的具体效果

3种场景验证结果如表2，满足智慧算法安全管控要求。

表2 3 种场景验证结果

3 结 论

综上所述，智慧可视化算法对电力安全监管关注的重点违规作业有较好的识别准确性，将智慧可视化应用于电力项目建设过程中能构建出智能化、数字化、精益化以及标准化的安全管控模式，有利于提升现场作业安全管理体系的完善性，增强对现场作业风险的防控能力，及时发现现场作业中的各类危险因素，智能采用各种防控措施，保证了现场作业人员的生命安全，降低了现场事故发生率，规范了现场人员的作业行为，保障了电力现场作业安全。