李敏

摘要：进入二十一世纪以来，在我国高速发展下，科学技术水平不断进步，其中，智能识别技术属于科技发展的重要产物，它广泛应用于社会生活的各个领域，由于电力现场运行的危险系数较高，有必要利用智能识别技术对其开展有效的管控。在电力现场作业中，极为容易产生事故问题，不断提升电力现场作业的规范性与标准性是保证电力作业安全生产和管理的重要根基。

关键词：智能识别技术;电力现场;作业管控

引言

电力企业中的客户缴费信息在业务系统中存有记录，电费核查是将客户缴费转账凭证中的电费账务数据与业务系统数据进行比对，检查电费到账数据的真实性、准确性。传统的电费核查手段主要依靠人力逐户检查凭证信息并与业务系统记录数据进行比对，但由于数据量大、信息庞杂，该手段的人力成本很高，且效率无法满足现实工作要求。

1绪论

随着我国智能技术的不断发展，电力智能化系统日益完善。变压器是整个电力系统运行枢纽，变压器的运行效率直接关系整个电网的运行质量。由于变压器在日常运行中受环境、具体工况以及人为破坏等因素的影响而导致其容易诱发故障。

2电力现场作业管理和控制的现状

2.1不能确保现场视频违章判定的准确性

由于电力建筑现场范围较大，操作人员数量较多并且十分复杂，施工现场通常包括了项目管理者、技术人员、监理者、施工人员等，在传统的视频监控和现场采集中包括了多专业与类型的工作人员，其信息极为复杂，仅仅依靠人工远程不能对其操作的违法性进行正确、全面的判断。

2.2视频监控数量较多，监管者利用视频收集对现场进行检查

通常在对现场查看完成后的10分钟以后，由于疲劳和注意力不集中，将会导致工作人员错过90%的视频信息，使得远程视频监控失去了自身的可操作性。例如在省级电力公司中，三千多台视频终端设备通常每个月平均产生的视频容量为150T，视频时长可达768小时。这些数据通常是依靠人工进行整理，因此工作量较大并且容易出现差错。

3智能识别技术在电力运行现场控制中的应用

3.1图像识别

图像识别是人工智能的一个重要领域，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，最大的特点是速度快、信息量大，在导航、自然资源分析、环境监测等许多领域具有广泛应用。

图像识别是采用OCR技术识别缴费转账凭证图像中的文字、数字等内容。图像识别主要包括图片布局分析、字符分割和识别，图片布局分析是通过基于制表位检测的页面布局分析方法，对图像中的表格、文本、图片等内容进行区分。字符分割和识别是利用字符间隔对文本进行切分得到字符，通过字符区域类型判定，根据判定结果对比字符库识别字符。基于开源的OCR引擎Tesseract框架构建图像识别模块，实现缴费转账凭证图像种类判定以及凭证图像文字内容的自动识别，图像识别流程如图1所示。

图像识别处理流程如下：

（1）分析连通区域：检测出字符区域的字符轮廓和子轮廓。（2）查找块区域：连通区域分析得到的轮廓线集成为块区域，大致确定文本区域和文本尺寸。（3）查找文本行和单词：采用最小二乘法拟合文本行的形状，通过间隔识别出单词。（4）分类器识别单词：采用自适应分类器依次对每个单词进行分析，分类器具有学习能力，先分析且满足条件的单词也作为训练样本，所以后面的字符识别更准确。对于识别不准确的字符，分类器会再次识别使其精度得到提高。（5）得出文本：对识别出的文本进行组合并输出。采用基于Tesseract框架的图像识别方法对缴费转账凭证进行识别存在两个问题，一是无法兼容识别所有类型的凭证图像、对于个别凭证图像出现部分内容识别错误的情况，二是对于大体积图像的识别速度较慢。神经网络算法在计算机视觉领域比較有影响力，为缴费转账凭证图像的识别提供了新的思路。考虑到不同类型凭证图像的内容排版差异，基于神经网络设计图像识别模块对某一类凭证图像进行内容识别，以提高内容识别的准确性。神经网络识别凭证图像内容的流程主要分为3个阶段：（1）基于卷积神经网络模型VGG16训练文本方向检测网络，可以对文本进行0、90、180、270°检测。（2）基于CTPN文字检测算法设计文字区域检查网络，CTPN结合CNN与LSTM深度网络能够定位文字的位置，检测出复杂场景的横向分布的文字。

3.2个人防护装备智能识别研究

按照输变电工程安全文明施工规则，以图像和监控视频数据为基础，对安全帽、安全绳、绝缘手套等防护装备进行智能识别研究。落实个人防护装备的模型化管理，使得监控系统了解个人防护装备，为施工人员操作行为的识别打下良好基础。卷积神经网络（CNN）：20世纪中叶，Hubel与Wiesel经过研究猫的脑皮层神经元，首次发现猫大脑皮层具有特色的网络结构能够显著减少反馈神经网络的复杂度，并在此基础上提出了卷积神经网络。CNN在图像处理与识别、语音识别等各个方面都得到了极大的成就，在人们的实际生活中得到了广泛的应用。

SSD算法属于一种多目标检测算法，可以直接预测目标类别和不同大小的boundingbox的目标检测。与传统的分别检测变换后图像的大小然后综合结果（NMS）的方法相比，SSD算法经过各种不同的卷积层对图像实施卷积和采样，提取特点图实施全连接，然后对其进行分类。在电力运行现场经常使用防护设备，采取在深度学习的分类与目标识别相结合的方法的基础上，对作业场景实行分类，识别现场的安全防护设备。在实践中，应用了CNN与SSD统一结合的方式：利用摄像头收集现场的视频片段，筛选出3.8万张图像，其中包括了其中不同的作业现场。按照不同作业现场，将其中的3万张图片实行分类，并制作成Caffe数据库，使用AlexNet网络数据集开展训练，完善网络参数调整，结合中间的结果，得到的最佳使用训练数据集训练神经网络分类模型，使用的模型操作场景图像实施分类，来划分各种类型的工作。剩余的八千张图片被用来测试模型，准确率高达96.7%。各种工作现场所需求的防护用具都是不同是，使用SSD目标识别的方式对各种场景的防护用具开展识别。

首先应对现场工作者进行识别，选选择3万张图片充当训练集，并对人员进行标记。利用完善后的SSD网络对数据集的网络模型开展训练，利用网络模型筛选图像中人员的特征。利用SSD网络开展对防护装备数据库的培训，按照中间结果对网络参数实行完善与调整。利用这一网络来完成对数据集的培训，提出防护装备的特点，获得网络模型。并利用网络模型开展图像识别，并对视频中的个人防护装备进行识别。进行效果如图2所示：

结语

伴随智能电网建设的不断发展，将来电力作业现场管理控制的发展将以智能化、网络化为基础，实现违章事件的自动识别和报警。上述研究为输变电工程施工现场的智能监控打下了坚实的基础，与此同时，智能识别技术处理了复杂电力运行环境的适应性，完善了高效算法，减少了误报率以及漏报率，有效提高了电力行业智能应用的水准，减少了作业现场的安全隐患与风险，确保电力生产作业能够安全开展，拥有极为强大的社会效益与经济效益。

参考文献

[1]李本锌.智能算法在油浸式变压器故障诊断中的应用研究[D].华东交通大学，2015.

[2]王永辉，朱红岷，赖峰.电力系统作业监护中的视频智能分析应用研究[J].电力安全技术，2017，019（012）：39-44.