基于視頻技術的小型變電站智能監控系統*

劉 楊 楊盼盼 尚 寧

(阜陽職業技術學院 安徽阜陽 236000)

智能變電站是提高電網智能化水平、確保其安全運行的保障。傳統視頻監控方式下，需依靠工作人員實時關注監控畫面來發現監控圖像中異常情況，這會造成運行成本高昂、工作效率低等問題，還可能遺漏很多重要信息，加大了變電站運行風險[1]。機器視覺的運用，使得智能視頻技術獲得了前所未有的發展空間，智能視頻監控系統也在業界受到廣泛關注與好評[2]。

文章提出構建基于視頻技術的小型變電站智能監控系統，利用改進的RetinaNet網絡模型對變電站闖入人員進行檢測，利用其強大的特征提取能力，獲得具有豐富語義信息的特征圖，以達到提升目標識別精度的目的。

1小型變電站智能監控系統

1.1小型變電站智能視頻監控系統總體框架

對變電站進行智能化監控是保障變電站安全運行的重要手段[3]，文章設計基于視頻技術的變電站智能監控系統，以滿足小型變電站的安全監控需求，變電站出入口、視野廣闊之地、變電站設備所在位置是布置系統前端視頻采集裝置的最佳場所，有利于變電站環境信息以及各種變電設備運行狀態信息的全面、及時地獲取，經智能分析算法的高效處理分析后，利用光纖網絡將處理結果呈現給監控中心，完成小型變電站環境與設備的智能監測，其框架結構如圖1所示。

圖1 視頻技術的小型變電站智能監控系統總體框架

采集層是變電站智能監控系統的前端，用于變電站視頻數據的采集、壓縮、存儲與處理。該層由視頻采集模塊和傳感器采集模塊構成，其中前者由視頻采集卡、高清網絡球機等組成，視頻采集卡的功能是對模擬攝像機采集數據進行轉換處理，將其變為數字信號后，再對其作編碼壓縮操作，為視頻圖像的進一步分析處理作準備。高清網絡球機可實現出入變電站人員、車輛以及各種設備運行狀態監測；后者包含溫濕度傳感器、煙霧傳感器等，可實現變電站環境信息的感知，對保障變電站消防安全具有重要作用。數據處理層對采集后的視頻圖像進行去噪、圖像增強等處理后，將其傳輸至數據分析層。數據分析層是變電站智能監控系統的核心，由異常目標檢測模塊、變電站設備運行狀態檢測模塊、設備故障檢測模塊、安全裝備檢測模塊等構成，各模塊通過調用相關算法完成變電站監控視頻的智能化分析。變電站監控視頻分析結果通過數據傳輸層的光纖網絡傳輸至監控層，以保證數據遠距離傳輸的實時性，數據的近距離傳輸通過以太網實現，最后利用監控層實現變電站監控視頻分析結果的可視化呈現。

1.2采集層網絡球機硬件設計

變電站出入口處架設高清網絡球機，可對進出變電站人員與車輛進行近、遠距離監控。該設備配置了20倍以上變焦鏡頭，可進行360°水平轉動外，能夠在(-2，270)度區間內垂直轉動，同時支持180°自動翻轉，其幀率超過25幀，不僅具有曝光控制能力，而且可實現背光補償，因此，有利于視頻圖像質量的提升；高壓設備、主控設備、各種開關、儀表等是變電站內的重要設備，將標清網絡球機部署于各類設備上方，可實現其運行狀態的有效監測。文章采用的網絡一體化數字球機，具備變倍變焦功能之外，還可實現解碼及3D定位，能夠應用于大面積、大規模目標檢測中，它能夠自主響應控制中心下達的指令，完成目標的定位與追蹤。獲取的變電站視頻信號可通過磁盤錄像機進行存儲。網絡球機的基本結構如圖2所示。

變電站視頻信號經由CCD傳輸至DM6437處理器，通過運行于其上的智能算法實現視頻信號的初步處理，處理的視頻信號傳送至視頻采集卡上，由其執行編碼、壓縮操作，監控中心可根據報警提示信息向網絡球機發出控制命令，視頻采集卡利用RS485信號對PTZ云臺進行控制，在視頻采集卡與DM6437的協作下實現目標的自動追蹤。DM6437處理器為C64X+核，因引入了可實現視頻流處理的指令，因此變電站視頻處理能力獲得顯著提高。因其指令字結構為特長、加強設計，且采用600MHz主頻芯片，提高了每一個時鐘周期內指令處理效率。

1.3數據傳輸層光纖網絡設計

變電站視頻數據在遠距離傳輸過程中，需滿足數據傳輸的實時性要求[4]，文章設計基于FPGA的雙路千兆以太網光纖網絡應用到變電站智能監控系統數據傳輸層中，其基本結構如圖3所示。

圖3 雙路千兆以太網光纖網絡結構

由圖3可見，基于FPGA的雙路千兆以太網光纖網絡共由三個主要部分構成，分別為千兆以太網電路、FPGA以及光模塊，文章選取的千兆以太網接口芯片型號為BCM53115，來自博通公司，FPGA型號為XC6SLX25T，由XILINX公司生產，光模塊為SFP系列，由intel公司生產。變電站監控視頻數據傳輸過程中，利用網線建立兩臺PC機網絡端口與板卡1間的關聯，通過接口芯片BCM53115獲取千兆以太網傳輸數據后，將其發送給FPGA單元，經兩個GMII接口分別接收數據后，由集成的GTP單元進行處理，再傳輸給光模塊，通過電/光轉換后，再利用光纖發送至板卡2上。經由其上光模塊的轉換以及GTP單元的處理后，將數據傳輸給上位機。

1.4改進RetinaNet的異常目標智能檢測模型

視頻圖像質量對變電站異常目標檢測效果具有一定影響[5]，為獲取高質量視頻圖像，處理層對采集的變電站監控視頻進行預處理，采用中值濾波算法去除視頻圖像中的椒鹽噪聲后，利用Gamma校正算法濾除視頻圖像中的無關信息，將數據增強后的變電站監控視頻圖像作為分析層變電站異常目標檢測模型的輸入，實現異常目標的定位及識別，降低變電站運行風險。

1.4.1改進RetinaNet網絡結構 RetinaNet是一種深度學習網絡模型，結構如圖4所示。

圖4 RetinaNet網絡模型結構

由圖4可見，左側的骨架網絡采用的是ResNet50殘差網絡，中間部分為特征金字塔網絡(FPN)，右側是檢測頭結構。該網絡模型利用ResNet50網絡獲取圖像特征，將5層特征圖作為FPN網絡輸入，實現深層特征與低層特征的融合處理，獲得具有完整語義的5層特征圖后，再利用兩路檢測頭實現目標分類及其位置的預測，通過各層特征圖可完成各種尺寸目標的檢測。該網絡模型雖然可達到較好的目標檢測效果，但卷積過程產生過多的冗余，為提高模型的計算效率，降低計算難度。文章對其作改進處理，改進后的RetinaNet網絡模型結構如圖5所示。

圖5 改進后的RetinaNet網絡模型結構

選用輕量級神經網絡MobileNet v2作為骨架網絡，替代原有的ResNet50網絡，通過分離卷積和逐點卷積有效減少模型參數，達到模型計算難度降低的目的。將3個雙向特征金字塔網絡進行串行處理，實現圖像上下文語義信息的多次融合，以獲取更加豐富語義信息的特征圖。圖5紅色矩形框標記的即是BiFPN結構，特征圖通過各個圓圈進行表征，各行特征圖存在尺寸差異。各特征按照箭頭所示方向進行融合，相鄰特征圖的差值上采樣過程通過向下箭頭進行反映，最大池化過程則通過向上箭頭進行體現。通過權重反映各個特征圖的重要程度，根據權重的高低進行特征的篩選，最終實現特征圖的融合處理，以實現目標特征的精確描述。在檢測頭結構中，設計深度可分離卷積對原卷積進行替換，以達到降低冗余的目的，另外，通過對其通道數進行縮減，降低了卷積運算數量，保證在不影響模型檢測精度的情況下，達到降低運算復雜度的作用。

1.4.2損失函數設計 損失函數的作用除可對變電站異常目標檢測模型訓練效果的好壞進行評價外，還可實現網絡權重的實時調整。文章網絡模型的損失函數可通過下式進行描述：

L=Lloc+Lconf+Lclass

(1)

式(1)中：Lloc、Lconf、Lclass分別描述位置、置信度以及分類損失函數。

依據CLOU損失計算機制，基于預測框與真實框之間的重疊程度、二者中心點坐標間的距離以及長寬比值實現Lloc函數的計算，其公式描述為：

(2)

式(2)中，預測框的位置通過A進行描述，其中心點坐標為Actr，真實框的位置用B描述，其中心點坐標為Bctr，Actr、Bctr間的歐式距離表示為ρ，對預測框與真實框具有最小重合度的包圍框進行搜索，其對角線長度表示為δ，寬高比代價項表示為α·v，其計算公式為：

(3)

(4)

式(3)中：預測框、真實框的寬度分別為wA、wB，對應的高度分別為hA、hB。

文章通過交叉熵函數獲得Lconf的運算結果，將變電站目標特征圖劃分成K×K個網格，各網格產生的候選框數量為M，通過下式即可完成Lconf損失函數的確定：

(5)

只有在候選框中檢測到異常目標才需確定分類損失Lclass，文章通過交叉熵實現其運算，公式描述為：

(6)

式(6)中，變電站異常目標檢測模型的輸出類別表示為C，候選框檢測到目標的概率表示為p，未檢測到目標的概率表示為q，且p+q=1。

2實驗結果與分析

以某地區的一個小型變電站為研究對象，應用文章系統對該變電站進行視頻監控，獲取1000張變電站視頻監控視頻圖像，構建實驗數據集，按4∶1比例劃分訓練樣本、測試樣本，采用文章系統對變電站異常目標進行檢測，分析文章系統的應用性能。

對變電站監控視頻原始圖像進行預處理是實現圖像質量增強的有效手段，圖6(a)為采集的變電站監控視頻圖像，采用文章系統對其進行預處理，通過對比預處理前后圖像的視覺效果驗證文章系統的圖像處理能力，實驗結果如圖6(b)、(c)所示。

(a)變電站監控視頻原始圖像

分析圖6可知，采集的變電站監控視頻原始圖像質量較差，圖像顏色暗淡、清晰度不夠，對比度較低，圖像模糊，并且存在明顯的椒鹽噪聲；對其進行去噪處理后，圖像中含有的大量椒鹽噪聲得以去除，圖像質量獲得明顯提升；增強后的變電站監控視頻圖像，色彩明亮、圖像清晰、視覺效果進一步獲得提升。因此，采用文章系統可有效解決圖像噪聲大、圖像模糊等問題，對圖像質量的改善具有突出作用。

檢測模型性能對變電站異常目標檢測效果起決定性作用，采用文章系統對數據集中的監控視頻圖像進行檢測，并與改進前的RetinaNet網絡模型進行對比，通過分析改進前后模型在訓練、測試過程中的損失值的變化，驗證文章系統的優越性，實驗結果如圖7所示。

圖7 改進前后異常目標檢測模型性能分析

分析圖7可知，檢測模型損失隨著迭代次數的增加呈下降趨勢變化，RetinaNet網絡模型訓練損失最大，在迭代280次后其值基本穩定在0.3左右，其測試損失值在迭代200次后慢慢趨于平穩，其值大約為0.1；文章系統對其進行改進后，檢測模型損失值略有下降，經200次迭代訓練損失降至0.2，而測試損失僅通過100次迭代即可穩定于0.06左右。實驗結果表明，對RetinaNet網絡模型進行改進，可有效提升檢測模型性能，有利于闖入目標檢測精度的提升。

運行速度也是影響網絡模型性能的一個重要因素，通過對改進前后網絡模型的檢測時間分析，驗證文章系統所用檢測模型的優越性，實驗結果如表1所示。

表1 改進前后檢測模型耗時對比分析

分析表1可知，采用RetinaNet網絡模型對變電站異常目標進行檢測，需要耗時177.94ms，對該模型進行改進處理后，僅需要36.97ms即可完成檢測，檢測時間降低了79.2%，檢測效率大幅度提升。實驗結果表明，對RetinaNet網絡模型進行改進，可有效降低模型的計算難度，提升運行效率，文章系統的異常檢測性能突出。

采用文章系統對處理后的變電站監控視頻圖像進行異常目標檢測，通過對檢測結果進行分析，驗證文章系統的檢測性能，實驗結果如圖8所示。

圖8 檢測結果分析

分析圖8可知，將文章系統應用到變電站異常目標檢測中，能夠完成變電站闖入人員的智能識別，并將闖入人員識別結果用紅色矩形框進行標記。實驗結果表明，文章系統具有變電站異常目標檢測能力，應用性較好。

平均傳輸速率是評價系統性能的重要指標，設定文章系統信噪比分別為25dB、45dB、70dB時，通過對比分析三種信噪比下數據丟包率與平均傳輸速率的關系，驗證文章系統的數據傳輸能力，實驗結果如圖9所示。

圖9 文章系統數據傳輸性能分析

分析圖9可知，在三種信噪比下，文章系統的平均傳輸速度均隨著數據丟包率的不斷增大而呈下降趨勢變化，其中信噪比為25dB時，文章系統的平均傳輸速率下降幅度最大，當丟包率為20%時，網絡傳輸速率也可達到13MB/s，當信噪比為70dB時，文章系統的平均傳輸速率最大。實驗結果表明，文章系統在大丟包率、低信噪比條件下也可保持較高的平均傳輸速率，因此，文章系統可實現數據的快速傳輸，數據傳輸能力突出。

3結論

應用文章系統對某小型變電站進行智能視頻監控，通過對其視頻圖像處理能力、異常目標檢測能力、檢測結果以及系統數據傳輸能力進行分析，驗證文章系統的應用性能。實驗結果表明：

(1)可有效去除變電站視頻監控圖像噪聲、提高圖像質量。

(2)改進后的異常檢測模型損失值低于0.1。

(3)文章系統可實現異常目標檢測，檢測時間較改進前減少79.2%。

(4)文章系統具有更高效的數據抗干擾傳輸能力。