摘 要：随着社会的飞速发展和经济水平的日益提高，人们对电力资源的使用需求量也在逐步增加。电力工程施工安全与电力系统的正常稳定运行有直接关系，提高电力施工的安全水平和管理效率一直都是电力领域研究和探索的热门话题。电力施工安全涉及方方面面的内容，其中施工人员的着装规范是十分重要的一部分，然而由于施工环境的复杂性，监管人员对施工人员着装的监督往往存在着一定的困难，很难实现实时有效的监督。近年来，人工智能、深度学习技术成为科学领域研究的热门话题，本项目试图基于人工智能技术和Tensorflow深度学习框架，对施工人员着装进行识别，并最终实现智能化管理系统，为打造运行稳定、安全的综合电网奠定良好的基础。
关键词：电力施工安全；着装识别；深度学习；卷积神经网络
中图分类号：TP183 文献标识码：A 文章编号：2096-4706（2018）09-0073-04
Abstract：With the rapid development of society and the improvement of economic level，the demand for power resources is gradually increasing. There is a direct relationship between the safety of power engineering construction and the normal and stable operation of power system. Improving the safety level and management efficiency of electric power construction has always been a hot topic in the field of electric power research and exploration. The safety of electric power construction involves all aspects of the construction personnel，which is a very important part of the construction personnels dress code. However，because of the complexity of the construction environment，the supervisors often have some difficulties in the supervision of the builders dress，which is difficult to achieve in real time and effective supervision. In recent years，artificial intelligence and deep learning technology have become a hot topic in the field of science. Based on artificial intelligence technology and Tensorflow deep learning framework，this project identifies the construction personnels dress，and finally realizes the intelligent management system，laying a good foundation for building a stable and safe integrated power grid.
Keywords：power construction safety；dress identification；deep learning；convolution neural network
0 引 言
随着人工智能和大数据时代的到来，各行各业都在积极地进行产业升级和转型，希望向智能化方向探索和发展，电力行业作为传统工业行业，更需要智能科学和机器学习等先进的技术为其带来新鲜的血液和活力。
Tensorflow作为目前最流行的深度学习框架，以其特有的快速、灵活，以及适合产品级大规模应用等特点受到世界各国研究者和开发者的广泛研究和使用。特别是谷歌公司发布的基于Tensorflow的Object Detection API，开放给了十分方便的物体识别训练接口，让开发者可以训练自己的物体识别模型。基于此API，本文训练了用于识别电力系统施工人员着装的模型，并将其用于电力系统施工过程中的智能现场监督。
1 着装识别系统概述
1.1 选题背景与意义
电力承载着全国人民的生产和生活，因此电力系统已成为全国的经济命脉，其平稳安全运行对于广大人民群众有着重大意义。随着社会的不断发展和时代的进步，电力施工安全管理受到了更多关注，给现阶段的电力施工安全管理工作提出了更高的要求。
近几年，虽然电力施工安全管理工作受到了高度重视，电力施工安全管理的技术有很大的进步，但是由于施工环境非常复杂，施工的安全管理面临着巨大的压力，管理监督人员往往付出巨大的精力也无法保障施工的万无一失。随着信息化进程的快速发展，人工智能技术为电力施工管理提供了新的出路，利用信息化手段可以使电力施工过程中的每一步得到智能化的监管，从而有效降低管理成本，对于电网的建设、维护和改造升级具有重要的意义。因此，本项目试图基于Tensorflow深度学习框架对施工人员着装进行识别，并最终实现智能化管理系统，为打造运行稳定、安全的综合电网奠定良好的基础。
1.2 着装智能识别系统设计思路
要实现对电力施工人员着装的无人化、智能化管理，首先必须对施工人员的服装进行识别。传统的物体识别算法有SIFT/SURF、Haar特征、广义hough变换，它们主要对图像的特征进行筛选和匹配，但这些方法泛化性能都不高，对于那些容易发生形变的物体识别率均不高。目前流行的物体识别算法有卷积神经网络（CNN）、支持向量机（SVM）等，而卷积神经网络，特别是深度卷积神经网络，以其高度的泛化和学习能力成为近年来物体识别领域的翘楚。
Tensorflow是一个功能强大且简单实用的机器学习框架，使用此框架可以较简单地实现CNN算法，特别是使用Object Detection API可以较轻松地训练出自己的物体识别模型。
训练出满意的模型之后，将模型投入实际的监督场景将是另一个大问题。解决思路是首先将场景中的所有工人识别出来，在对其着装进行识别，若着装不符合规则，则服务器向前端设备报警，提示施工工人将装备穿戴整齐。系统具体的工作流程如图1所示。
2 卷积神经网络算法（CNN）及其基于Tensorflow的实现
本节内容主要介绍有关卷积神经网络算法（CNN）的相关理论知识，并且介绍在Tensorflow框架下的Object Detection API搭建CNN训练模型的过程。
2.1 卷积神经网络算法（CNN）
卷积神经网络因其对图像特征具备强大提取能力，目前已成为图像处理领域最常见的算法，通过局部连接、权值共享、池化等技巧，可以使网络深度大大加深，从而使得识别结果更为准确和高效。
卷积层与池化层结构示意图如图2所示，卷积层与池化层是卷积神经网络有别于其他神经网络的最为显著的特称，图像的特征经过这两者的处理可以被很容易地提取出来，并且实现特征的稀疏化。
2.2 Tensorflow深度学习框架介绍
Tensorflow是谷歌公司发布的开源深度学习框架，尽管已经发布了两年多，如今Tensorflow已凭借自身的兼容性、易用性、分布式能力和能够在海量数据集上进行训练的特点成为最受世界开发者和研究人员欢迎的深度学习框架。
由于Python有大量用于机器学习的简单易用的工具包，使Tensorflow与Python平台变得十分契合，因此，该项目使用Python+Tensorflow的架构进行学习和训练，从而保证训练的高效性和准确性。同时，值得一提的是此项目基于Win10操作系统，硬件平台是基于i7 6700处理器，16G内存，以及GTX 1080 8G显卡。
3 识别系统设计及优化
本节将介绍着装辨识系统的设计模型训练以及后期的优化工作，最终会展示系统工作的效果。
3.1 模型的选取和训练
3.1.1 前期准备
要设计此系统，必须先实现对着装各部分的单独识别，比如安全帽、工作服等。这一部分我们将借助于Tensorflow的Object Detection API来实现。谷歌于2017年6月发布了基于Tensorflow的Object Detection API，用于开发者训练自己的物体辨识模型。此API提供了多种预训练的模型供开发者选择，比如ssd_mobilenet、ssd_inception、faster_rcnn等，这些模型在训练速度或准确率上略有不同，考虑到对施工工人着装监督的实时性，我们选取了两种速度较快的模型作为备选方案，分别是，ssdlite_mobilenet_v2_coco和ssd_inception_v2_coco。
确定好预训练模型之后，就要开始准备训练数据，我们从现场监督视频中截取了1000多帧画面，使用LabelIMG经过标注后形成了原始的训练数据，数据包括“helmet”、“uniform”、“safetyBelt”和“worker”四类，分别代表安全帽、制服、安全带和工人这四类在辨识中需要用到的物体。接下来使用脚本将这些训练数据转化为Tensorflow能够识别的.record数据，与原始图片一起放入Object Detection API的目录结构，完成训练数据的准备工作。
3.1.2 数据训练
接下来就要进行数据的训练，由于训练中涉及大量的数据计算过程，使用并行计算的技巧可以大大缩短训练的时间，Tensorflow的GPU版本可以很好地完成并行计算的任务，因此，使用此版本大大缩短了训练的时间。
由于上面选择的训练模型是基于CNN的深度学习模型，在训练之前要对模型中大量的参数进行配置，选出最合适的参数搭配，这一步骤叫做调参。在配置文件中，以下几个参数比较重要：
（1）num_classes：4#表示要是别的物体种类；
（2）activation：RELU_6#表示使用的激活函数；
（3）l2_regularizer {weight：0.00004}#表示使用的正则化参数的系数；
（4）truncated_normal_initializer {stddev：0.03 mean：0.0}#表示参数初始化类型；
（5）batch_size：24#表示批处理的数据量大小；
（6）initial_learning_rate：0.004#表示初始的学习率。
配置好参数后调用命令：
“python train.py --logtostderr --train_dir=training/ --pipeline_congig_path=training/ssd_inception_V2_coco.config”
计算机收到上述命令便会对模型开始训练，训练过程中CNN模型的损失函数值会不断减少，损失函数值在下降到一个比较小的范围在之后便不再变化，此时便可以停止训练，进行下一步操作。
使用上述命令可以生成“frozen_inference_graph.pb”文件，后期的识别程序中便是使用这个文件中保存的各项参数来进行识别。
至此，可以对模型进行测试了，测试结果如图4所示。可以看出，在工人衣着整齐，且身体姿势不太扭曲的情况下，识别效果还是比较理想的。接下来可以设计识别的系统。
3.2 系统设计和优化
正如图1所表示的，我们的识别系统由两大部分组成，一部分是前端数据采集和反馈接受部分，一部分是后台服务器，前一部分可以采用网络摄像头实时向后台发送视频数据，也可以是手机等移动终端，主要作用是将现场作业的图像视频数据传送至后台。后台在获得前端发送的数据后，首先将视频逐帧分解，对每一帧图像进行操作，获得一帧图像后，为了提高速度，我们采用多线程的思路，将识别的服务写入一个进程中，这个进程不断读取缓存中的图像并进行检测，这样不会影响主进程对数据的获取，效率大大提高。识别服务要识别两大部分的内容：由于施工现场一般环境复杂，为了避免误识别，需要先将工人识别出来，在这里使用“ssd_inception_v2_coco_2017_11_17”这个模型，由于采用的训练数据量十分大，此模型对人物的识别已有很高的准确度；在获得工人所在的区域后，我们对这一区域进行切割，并将其单独作为一张图片再进行识别，这次识别的就是工人的着装。如果工人着装齐全，则不会发出警告。
但实际使用该系统的过程中会出现一些问题，其中最严重的便是误识别的问题，这是由于镜头晃动较大，以及人物在做出不同的动作和操作时的变形造成的。为了解决这个问题，我们创建了缓存区，缓冲以上剧烈变化对识别效果造成的影响，提高了系统的稳定性。
4 结 论
信息化、自动化、智能化是电力行业未来发展的必要趋势，很多企业都在积极做出这方面的尝试，希望有所突破，此次我们提出的基于Tensorflow的电力系统施工人员着装智能识别系统便是新兴的智能科技与电力行业的一次有机结合，它不仅是电力施工过程中的施工安全的有力保障，同时也大大降低了监督和管理人员的成本，使电力行业向智能化方向迈出的重要一步。然而该系统仍不完美，仍存在如下的不足之处需要改进。
经过模型训练与系统设计，电力系统施工人员着装智能识别系统已收到较为理想的结果，基于现场视频和网络摄像头的识别效果也较为满意，但实地测试较为匮乏，系统潜在的不稳定性尚不明确。在未来进行实测的过程中，我们可以对系统性能做出更好的判断，同时结合实际工作环境特点，可以对程序进行更有针对性地优化。
另外，由于训练数据较少，对于着装的识别准确度尚未达到最佳水准，要进一步提高识别准确度，必须在今后的工作中继续采集数据，进行更为庞大和复杂的训练。同时，在接下来的工作中，我们可以增加更多的线程来处理需要识别的数据，以提高识别效率，争取实现更为流畅和实时的识别。
参考文献：
[1] A.G.Howard，et.al. MobileNets：Efficient Convolutional Neural Networks for Mobile Vision Applications [C].Computer Vision and Pattern Recognition 2017.
[2] 加日拉·买买提热衣木.TensorFlow在人名识别中的应用前景 [J].数字技术与应用，2017（12）：215-216.
[3] 汪浩.电力施工安全管理探析 [J].中国新技术新产品，2017（15）：146-147.
[4] 马庆林.电力施工中存在的安全隐患 [J].建筑安全，2011，26（9）：21-23.
[5] 李云启.电力系统变电运行安全管理与设备维护探讨 [J].科技创业家，2012（20）：142.
[6] 蒋晓光.电力系统自动化技术安全管理 [J].中国电力教育，2013（8）：182-183.
[7] 章敏敏，徐和平，王晓洁，等.谷歌TensorFlow机器学习框架及应用 [J].微型机与应用，2017，36（10）：58-60.
[8] 杨振杰.基于CNN的交通标志识别方法研究 [D].天津：天津工业大学，2017.
[9] 金钊.基于TensorFlow的不同深层卷积神经网络的对比与分析 [J].电子世界，2018（6）：25-26.
[10] 宋倩，黄昶，余慧瑶.基于TensorFlow的交通标志形状识别 [J].信息通信，2017（12）：286-288.
[11] 姜新猛.基于TensorFlow的卷积神经网络的应用研究 [D].武汉：华中师范大学，2017.
[12] 徐忠成.基于卷积神经网络的行人检测与识别研究 [D].武汉：华中师范大学，2015.
[13] 周飞燕，金林鹏，董军.卷积神经网络研究综述 [J].计算机学报，2017，40（6）：1229-1251.
作者简介：李文辉（1984.09-），汉族，男，广东新会人，高级工程师，硕士研究生。研究方向：安全监管方向。
