架空输电线路视频监控图像智能分析与识别技术

3识别技术分类

3.1传统特征识别技术

基于图像分析的目标识别技术指在通过特定的算法，对摄像头图像进行分析，从中获取感兴趣目标所在位置坐标(目标所在区域矩形框)，并且获取各类大型机械，如吊车、挖掘机、泵车等，从图像中分析获得各种机械的所在位置和类别信息，以供后续业务逻辑进行分析和处理。

3.2深度学习识别技术

基于深度学习的多目标图像检测与分析算法实现的关键，在于对经过预处理的图像进行深度学习特征提取+滑动窗口目标匹配，结合事先提取过的特征模型进行匹配分析，从而可以在整幅图像中得到感兴趣目标的位置和类别信息。

相比起传统算法而言，深度学习解决方案的优 势在于通过大量场景图像的预训练，可以做到很高的检出率极低的误报率，并且检测过程是完全场景无关的，有着非常强的可扩展和可复制性。目标检出能力不会因为场景的更换而降低。另外，一般基于深度学习的算法支持采用GPU进行加速，可以通过带GPU的服务器实现很快的处理速度，达到实时处理的要求。

4技术原理与应用策略

该识别技术采用了目前国际流行的“深度学习”与传统的“动态识别”相结合的技术路线，本质上是一种图像的“特征识别”技术。对图像的识别大体可分为三步:图像预处理、识别目标选取、特征比对。

4.1图像预处理

主要目的是背景处理，剔除干扰因素，主要关键技术是:光线的处理;阴影的处理;舞动的导线;风吹的树木;其它类似物的处理。

4.2识别目标选取

主要目的是选出可疑目标，提取目标特征集。主要关键技术是:目标的像素点大小;目标的远近导致大小的变化;目标是否为运动区域。

4.3特征对比确认

主要目的是将可疑目标与标准特征库“判据”。以吊车为例，它的图像特征有:颜色特征;纹理特征;形状特征;空间关系特征。

4.4应用策略

在不改装前端硬件装置的情况下，通过后台集 成算法服务器的方式，通过图像的智能识别算法，实现防外破预警识别，代替人工查看的方式，解放人力资源，实现输电视频监视业务的自动化、智能化。

算法识别能力成长性分析:预期年底样本数量可达到10000个，识别率可达到99.9%，算法正判率可达到至92%。

算法应用策略:夜间因识报率高，算法日出启动，日落暂停，每日约16小时。可识别的目标:吊车、挖掘机、铲车。

选取8个典型场景(摄像头)对识别算法进行完整样本测试，数据量约3个月的运行数据，共76803张样本图片，其中包含目标样本(有大型机械图片)18003张，识别结果:

最新算法经过8个场景(摄像头)3个月的运行数据76803张样本图片测试，其中包含目标样本(有大型机械图片)18003张，算法识别率99.8%，误报率0.2%，正判率81.7%，漏报率18.3%。

5识别应用系统集成

输电线路通道环境，可提供的素材主要为图片。 图片来源于目前视频主站平台接入的约800路摄像头，平均每天约产生10～20万幅电力线场景监控图像。智能视频分析应用系统，即对输变电反外力实际应用场景下摄像头接入实时图像数据进行汇总、预处理、分析，获取目标信息并产生告警结果的应用程序。智能视频分析应用所实现的功能主要有:摄像头接入，摄像头实时图片获取;摄像头图片有效应验证，图像预处理;调用算法服务，分析图像，获取目标信息;据应用策略，对场景目标信息进行过滤，产生告警数据;日志记录，告警推送。

6应用效果

目前已通过数据挖掘技术对历年876万张海量运行图片进行分类筛查形成信息样本，并通过无人机对大型机械进行高空多角度拍摄来加速样本收集工作，目前该识别系统已嵌入北京视频监控系统，报警正确率已达到85%以上，误报率控制在2‰以下，利用智能识别技术代替人工查看的方式，该技术手段可有效释放人员承载力，实现输电视频监视业务的自动化、智能化，为下一步公司大规模加大输电视频投入力度奠定了基础。

(国网北京市电力公司检修分公司 王闯 邱建军 闫春江 刘正义 李洋 王彦卿 李上国 戴瑞成 徐烨 杜觉晓)