机器视觉技术在电力安全监控中的应用综述

王刘旺

（国网浙江省电力有限公司电力科学研究院，杭州 310014）

电力系统的突发故障会给社会生产生活带来严重影响，造成重大经济损失，甚至可能给人民的生命和财产安全带来威胁。确保电力系统安全稳定运行，本质上是确保电力系统发、变、输、配、用各环节电力设备的安全稳定运行，远程测量系统和远程监视系统在其中发挥了重要作用。

随着网络传输技术的发展，视频监控的覆盖面和清晰度不断提高，其在电网安全监控中的应用越来越广泛。目前，电网中视频监控范围主要包括以下几方面：一是设备状态，包括架空输电线路和变电站内设备，输电线路上主要关注杆塔、绝缘子、金具、导线等部件的外观缺陷，变电站设备主要关注漏油、外观破损、过热等异常状态以及断路器、隔离开关、信号灯、表计等信息状态。二是人员状态，主要是对作业现场人员行为的监管，包括人员身份信息、着装情况以及行为状态。三是电网重要区域环境状态，包括输电线路区域和变电站区域，这部分监控目的是安防，关注线路外力破坏、植被安全距离、山火、导线覆冰厚度、鸟巢和变电站内明火、烟雾、异物入侵等异常情况。从监控设备上来看，本质上都是可见光或红外摄像头，但不同应用场景在搭载方式上有所差异，架空输电线路上主要使用巡线机器人和无人机，变电站内主要依靠固定式摄像头、轨道式摄像头和巡检机器人，作业现场则主要依托临时架设的布控球和工作负责人所佩戴的作业记录仪。

对电网重要场景及对象可采用远程监控替代人工现场巡检巡查，但监控视频的处理和利用仍依靠人工，存在工作量大、受主观影响大、人员易疲劳等问题。随着电力视觉技术概念［1］的提出，机器视觉技术在电力监控视频智能处理中的实际应用成为可能，识别准确率和鲁棒性在不断提升。

本文简要介绍了机器视觉技术概念及其在电力场景中常用的关键技术；
从输变电设备状态检测、电网重要区域环境状态监测、电力作业现场人员状态判别3个方面分别阐述了机器视觉技术的应用研究进展；
在此基础上，对机器视觉技术在电力安全监控领域落地应用所面临的问题进行了分析讨论。

视觉是人类强大的感知方式，也是人类获取外界信息的最主要方式。顾名思义，机器视觉就是指利用机器模拟人的视觉对事物进行度量和描述的技术，包括借助于硬件实现的表征度量和基于软件实现的信息描述两方面，但关键是对信息的描述，因此，目前机器视觉技术的发展多集中于算法软件层面，其主要任务聚焦在目标检测、目标分割和目标跟踪3个方面。

1.1 目标检测

目标检测的任务是从图像中检测某一类或某几类受关注的语义对象的实例目标，获取该实例的类别信息和在图像中的位置信息。在深度学习出现之前，传统的目标检测通常包括区域选取、特征提取和特征分类3个阶段，将目标检测问题转化为感兴趣区域的图像分类问题。基于深度学习的目标检测方法提升了传统算法中的区域选取效率，替代了手工特征提取步骤，优化了特征分类准确性，成为目前主流方法。基于深度学习的目标检测可以分为单阶段检测和两阶段检测两类方法。单阶段检测方法是直接回归得到目标位置，代表性算法有YOLO［2］、SSD［3］等。两阶段检测方法是在生成的候选框上进行回归得到目标位置，代表性算法有Fast R-CNN［4］、Faster R-CNN［5］等。

1.2 目标分割

目标分割需要确定图像中物体的边界，具体做法是对图像中归属同一个物体的所有像素添加同一标签，在视觉上呈现分割效果。目标分割分为语义分割和实例分割，前者只要求在类别上进行分割，而后者需要精确到个体。传统的目标分割主要分为基于像素相似性和基于像素邻域关系两种，代表算法分别是阈值分割［6］、K-means 分割［7］和区域生长［8］、分水岭［9］。相较于传统方法，基于深度学习的目标分割方法在准确率上得到极大提升，主要有Mask R-CNN［10］、DeepLab［11］等。

1.3 目标跟踪

目标跟踪的目的是确定一段视频序列中某一个或多个目标的大小和位置并将目标关联起来，形成目标在视频序列中的运动轨迹。根据建模方式不同，目标跟踪算法分为生成模型和判别模型。生成模型提取目标特征构建表现模型，在图像中搜索与模型最匹配的区域作为跟踪结果，如Mean-shift［12］、卡尔曼滤波［13］等。判别模型将目标跟踪转化为二分类问题，将目标和背景看成两个类别进行特征提取和分类，如相关滤波［14］、深度学习等。生成模型仅对目标建模，忽略了背景信息，鲁棒性不如判别模型。

深度学习的发展使得机器视觉技术的准确性和鲁棒性大幅提升，其在电力安全监控中的应用研究越来越受关注，输变电设备状态监控、人员状态监控和重要区域环境状态监控的智能化水平不断提升。

2.1 输变电设备状态监控

输电设备和变电设备在所处地理位置、环境及监控方式等方面都存在较大差异，因此监控重点有所不同。

2.1.1 输电线路状态检测

架空输电线路由杆塔、绝缘子、金具、导线等部件构成，具有分布点多面广、长期暴露于自然环境中、地理位置偏僻复杂等特点，因此主要借助无人机、直升机、巡线机器人等设备搭载摄像头进行移动式监控，目前无人机巡线已经成为我国架空输电线路巡检的主要手段。

表1给出了输电线路中常见的部件缺陷，下文分别介绍各部件的缺陷检测研究进展。

表1 输电线路常见缺陷

1）杆塔是输电线路中尺度最大的部件，针对杆塔的检测目的是发现倒杆、断杆，排除杆塔倾斜、塔材弯曲、锈蚀等杆塔异常情况，同时定位杆塔上尺度更小的部件，进行更小尺度上的缺陷检测。传统方法主要通过模板匹配、边缘检测等方法对杆塔进行检测。文献［15］采用LSD 方法检测并提取图像中的直线段特征，与预先建立的杆塔三维模型的投影进行匹配，从而实现杆塔检测。文献［16］在线段特征基础上进行杆塔主轮廓提取并计算中轴，根据中轴和地面法线的夹角来判断倾斜程度。传统方法过于依赖人工设计特征，局限性很大，仅适用于特定条件下。引入机器学习技术后，涌现出更多杆塔特征提取和模式识别方法，包括HOG 特征法［17］、Harris 角点检测法［18］、支持向量机、极限学习机等。近期，基于深度学习的目标检测方法被用于杆塔检测，包括Faster-RCNN［19-20］、YOLOv3［21-22］等常见目标检测模型。在相同的检测速度下，YOLOv3 的平均准确率比Faster R-CNN更高，而且更适用于无人机巡检的应用场景。

2）绝缘子是输电线路上的电气绝缘和机械固定元件，主要材质是陶瓷、玻璃或其他复合材料，易发生自爆、掉串、破损、脏污等异常。绝缘子尺度适中，较易被检测出，异常状态是在本体检测基础上进一步判别，存在难点。传统方法基于绝缘子的外观和色差，主要有模板匹配法［23-24］、特征识别法［25］、图像分割法［26］、轮廓提取法［27］等，然而绝缘子所处背景复杂，存在杆塔和线路等其他目标，极大影响了传统方法的适用性。近年来基于深度学习的目标检测模型层出不穷，主要以YOLO［28-30］、Faster-RCNN［31-32］等热门模型为主，其研究重点均是对原模型进行改造以提高检测准确率。由于缺乏异常样本，同时深度方法对样本量要求较高，样本不平衡问题也成为研究的关注点，解决思路分为扩充样本和改进算法两种。扩充样本包括图像增强方式［33］、3D建模方式［34］和基于生成对抗网络的方式［35-36］。改进算法一般从迁移学习［37］、代价敏感学习［38］和集成学习等方面考虑。

3）金具作为输电线路中支撑、连接、固定和防护其他部件的金属附件，其种类和尺寸各异，分布广泛，存在的缺陷也各不相同，属于小目标检测问题。在本体及缺陷检测方法上同样有早期的传统机器学习方法和近期的深度学习方法，前者需要针对每一种金具类型及其缺陷种类进行人工特征设计及提取，工作量大且适用性差；
后者虽然在特征提取方面具备很大优势，同时具备多目标检测功能，但需要大量缺陷样本支撑，其样本标注工作量也较大。文献［15］采用生成对抗网络丰富样本集，利用Faster-RCNN 检测缺销钉、脱销、缺垫片和销钉未开口等缺陷。文献［39］提出了一种基于改进Cascade R-CNN 的典型金具检测方法，涉及线夹、挂环等10 种金具本体和均压环损坏、防震锤交叉2种缺陷检测。金具及其缺陷检测所应用的模型主要包括Faster R-CNN［40-41］、YOLO［42］和SSD［43-44］。

4）导线承担传输电能的任务，然而针对导线的检测研究并不多，大多采用的是图像处理方法。文献［45］采用自适应Canny 边缘检测实现导线提取。文献［46］利用加权色差法、最大类间方差法以及形态学滤波实现导线分割，并设计提取纹理特征用于缺陷状态识别。文献［47］基于DeepLab v3+模型初步识别导线。导线断股在配电网中出现得较多，文献［48］通过LSD 和形变物体检测算法进行导线断股检测。文献［49］采用FCN 网络进行导线分割，并设计图像特征进行断股检测。

2.1.2 变电设备状态检测

变电设备主要包括变压器、断路器、隔离开关、仪表设备、电压互感器、电流互感器、避雷器等，其状态估计主要依靠带电检测和在线监测等手段，而变电设备的视频监控主要关注可视化的缺陷和开关表计等指示状态。表2给出了变电设备监控重点。

表2 变电设备监控重点

发热是变电设备最受关注的严重缺陷，进一步可发展为更严重的设备故障，因此，对设备敏感区域进行温度监测显得格外重要。红外热成像一直以来都是设备测温应用最广泛且最有效的手段，基于红外图像的设备发热故障诊断一直是研究热点。发热诊断的任务是确定发热位置和发热严重程度，涉及到定位和分类，和目标检测任务契合。因此，目前主流的方法都是基于目标检测技术，采用的模型主要是Faster R-CNN［50-52］和YOLO［53-55］。然而仅是对设备本体或异常发热区域进行目标检测，发热性质、重要程度及温度值都需要借助图像处理技术进一步分析。通过目标分割方法也能定位发热区域，常用的模型包括Mask R-CNN［56］、DeepLabv3+［57］等。目标分割提取的区域是像素级别的，比目标检测的边界框更精细。

由于变电设备大多在变电站内，自然环境优于输电线路，因此，变电设备在外观破损和元件缺失方面的检测需求低于输电线路，而对锈蚀和漏油关注更多。文献［58］首先采用SSD 算法检测变压器目标，然后用卷积神经网络进行锈蚀和漏油的判别。文献［59］使用轻量化的mobilenet-SSD模型进行充油设备的油液渗漏识别，提升了计算效率。文献［60］提出一种直方图均衡化的样本增强方法，在此基础上采用循环训练RetinaNet 模型的方法提高阴影与漏油的识别度。

变电站中存在大量的指示类状态信息，包括断路器/隔离开关的分合状态、数字型和指针型表计的读数、信号灯状态、压板位置等几大类。

组合电器式隔离开关分合状态用“分”“合”两个汉字牌来表示，是机器视觉识别的对象，在图像清晰的前提下通过识别汉字和底色能轻易判别。而隔离开关的分合状态则是由开关臂的位置及是否连通来判断，易受拍摄角度和背景影响。主要方法包括模板匹配［61］、机器学习［62-63］方法，两者都需要针对分合两种状态下的隔离开关图像人工构造特征，针对性强，通用性不足。文献［61］采用差分算法和OTSU 二值化算法提取隔离开关的三相触头轮廓，通过当前状态和标准合闸的轮廓面积比对实现分合状态判别。文献［63］在区域分割的基础上，针对合闸、分闸不到位、分闸到位3种状态提取了投影长度之比作为特征。而目标检测和目标分割方法仅是对刀闸及区域的识别［64］，分合状态依然是靠图像处理设计特征来判断。

仪表分为数字型和指针型两种显示方式，仪表读数并非电力场景独有，水表、气表等计量表均有远程智能抄表的需求。数字表的识别本质上是对数字的识别，但需要考虑字轮式仪表中出现的双半字符情况，采用深度学习方法能达到99%的准确率［65］。指针表的读数识别方法主要分为基于仪表指针检测［66-68］和基于图像特征映射两类［69］。前者步骤较多，依次为表盘目标检测、表盘校准、指针提取、读数识别，受影响因素较多，各环节均易产生误差。后者直接训练从图像特征到读数的映射模型，通过回归得到读数，简化了流程，但方法准确性取决于图像特征的质量。文献［66-68］属于仪表指针检测类方法，区别在于各环节所使用的算法，在表盘指针区域检测方面，Faster-RCNN 和YOLO 等深度模型是主流方法，指针提取有OSTU 阈值分割、霍夫变换、U-Net 分割等方法，读数计算主要有角度法和距离法两种。图像特征映射类方法较少，文献［69］采用融合了卷积注意力机制的双路异构卷积神经网络提取仪表图像特征，将指针读数识别转化为识别指针区间分布的分类问题。变电站内仪表种类繁多、监控图像质量低，因此算法的鲁棒性和适用性是工程应用的关键。

保护压板投退状态的校核是一项重要巡检工作，它关系到保护系统能否正确动作。目前，基于视频监控的智能校核方法主要包括数字图像处理［70-72］、机器学习特征识别［73］、深度学习［74-78］3类。前两类方法的关键是检测并分割目标压板区域和构造反映压板不同状态的图像特征。在特征构造上均是围绕“投”“退”两种状态下的压板形态进行设计，包括方向、面积、尺寸、形状等，可解释性强。文献［70］融合多阈值和K均值聚类分割压板区域，提取方向角和宽长比作为判别特征。文献［78］采用改进后的双线性卷积神经网络实现了压板状态端到端的识别，省去了人工设计特征的环节，但是可解释性弱。

2.2 人员状态监控

虽然电力场景中的很多巡视类工作已通过视频监控完成，但大部分电力作业还是依靠人工，管住人员是管住作业现场安全的关键。传统的电力作业现场安全监督主要依靠现场作业负责人和作业稽查人员，无法实现全程监督，尤其是对瞬时和短时违章行为监督力度不够。

近年来，以智能安全帽、布控球、电子围栏等为主的数字化安全管控智能终端逐渐推广应用，使得移动式的作业现场纳入视频监控，对违章行为的智能识别需求不断增强。

从作业人员行为状态的识别方法角度，可以将人员状态分为静态和动态两种，区别在于能否采用单帧图像进行判别。表3列出了作业人员典型违章行为。

表3 作业人员典型违章行为

2.2.1 人员静态判别

人员静态状态可利用单帧图像完成判别，主要包括人员的身份状态、着装状态以及抽烟、倒地、打手机、梯上作业无人扶梯、登高作业无人监护等状态类违章行为。

作业人员的身份识别是人员资质校核、外来人员闯入、违章行为绑定等相关后续功能的基础。由于作业人员着装统一，开工前的人脸主动识别和工作中的人脸抓拍识别是目前最主要的手段。

规范着装是电力作业人员的基础要求，具体着装包括安全帽、工作服、马甲、绝缘鞋/靴、绝缘手套、安全带、护目镜等穿戴类用品。安全着装的视觉特征明显，其中基于目标检测方法的安全帽佩戴的识别精度已满足工程应用需求［79-81］。而工作服、马甲、绝缘鞋/靴、绝缘手套、安全带和护目镜的智能识别成果并不多，因外观不统一、种类繁多而给智能识别模型的构建增加了难度。着装检测方法通常都是在人体目标检测的基础上对关注区域进行特征提取和分类。文献［82］采用深度学习检测人体关键点，以此进行区域定位，然后利用基于注意力机制的分类模型识别各区域的着装情况。文献［80，83］均在检测模型的轻量化上进行了改进。文献［84］为了提高安全帽、护目镜等极低分辨率目标的检测精度，采用稀疏表示模型提高图像分辨率，并且对SSD 算法的特征提取层进行了改进。然而，安全带、绝缘手套、护目镜等特种作业专用工具需要结合对应作业场景进行判断。文献［85］在电焊作业场景下，利用YOLOv3 算法检测出特定对象后引入交并比构造逻辑判断函数判断是否安全作业。

抽烟、倒地、打手机等较常见的异常行为［86］和电力作业场景关联性不大，属于状态类行为，可以采用图像识别的方式对图像帧进行判别，且样本较易获取，其他场景的算法模型可以轻易迁移到电力作业场景应用。

梯上作业无人扶梯、登高作业无人监护等与现场作业相关联的状态类违章行为是电力作业现场监控的重点，同时也是难点。此类状态类违章行为可以借鉴文献［85］的思路，从目标检测结合逻辑判断的方式进行综合判别，但如何提高鲁棒性是挑战。

2.2.2 人员动态判别

人员动态状态无法利用单帧图像进行判别，需要在时序图像或视频流基础上进行分析识别，主要包括人员跟踪以及投掷物体、打架、翻越围栏等动作类违章行为。

大型复杂作业场景中作业人员较多，作业范围广大，对作业人员进行跟踪对于差异化作业任务下的个体安全十分必要。实现人员跟踪需要持续完成人体检测、人员身份识别、人员实时定位等多个任务。目前，针对电力作业场景的人员跟踪研究较少，一方面可以借鉴其他场景的人员跟踪成果，另一方面可以将任务分解。文献［87］针对人员身份识别引入了步态特征作为人脸特征的补充，弥补了人脸难以获取的应用场景。人员实时定位单纯借助视频监控难以实现，前提需要建立场景坐标模型，通过多摄像头与坐标关联映射的方法实现粗定位，然后通过单视角下的目标跟踪及坐标映射实现精细定位。这对于变电站等固定场景具有可行性，但对于临时作业场景成本太大，不具备实施条件，基于非视频的定位方式更合适，如北斗、UWB（超宽带）。

投掷物体、打架、翻越围栏等动作类违章行为的智能识别是难点，尤其是电力作业场景特有的动作，一是因为样本缺乏，二是因为电力作业中的动作包含复杂的人物交互信息，动作合规性有严格的定义。总体上，电力作业场景中的动作类违章识别还停留在对打架、投掷物体等较为普遍的动作识别上，具体应用尚处在初级起步阶段。文献［88］采用长效递归卷积网络同时提取视频帧中的外观信息和动态信息，对攀岩施工、进入某区域、开会讨论和检修记录4 类行为进行了识别。文献［89］与文献［88］思路类似，构建了一种基于双流卷积神经网络的电力生产安全动作识别网络架构，采用两个卷积网络分别从单帧图像和多帧密集光流中学习人体外观、姿态等静态信息和动态运动信息，并进行融合分类。

2.3 重要区域环境状态监控

对于输电线路和变电站等电网重要设施来说，除了来自设备本身和人员的风险因素之外，环境因素也是需要关注的风险源。

2.3.1 输电线路周界环境监测

输电线路覆盖范围广，跨越里程量大，所处的自然环境和社会环境十分复杂。线路周界环境异动会对电力输送的安全性产生风险，可能导致线路故障甚至区域停电。其中能靠视频监测的较大风险包括山火、导线覆冰、植被生长、异物入侵等。

预防山火主要有3个方面：一是部署传感器进行监测，但成本较高，且可靠性不高；
二是根据卫星遥感数据建立山火风险评估模型，对山火进行动态评估和预警；
三是部署固定摄像头，对山火隐患进行实时监控。文献［90］借助遥感影像，利用随机森林模型选取植被类型、绿度指数、高程、坡度、坡向和月份共6个预警指标预测山火发生概率，但山火发生的影响因素非常复杂，文章未考虑全面。文献［91］根据固定摄像机的实时监控画面，通过图像帧差值的方法检测异常点进而判断早期山火烟雾。文献［92］构建Mobilenet-SSD 模型并进行边缘部署识别山火，准确率达到81%。

覆冰会增加导线自重、产生弧垂、加剧导线舞动，造成断线、倒塔等严重故障。视觉方法是覆冰厚度监测主流手段之一，又分为传统图像处理方法和深度学习方法。传统方法通过边缘检测技术提取覆冰后的导线轮廓，与覆冰前进行比较得出覆冰厚度［93-95］，对图像质量要求较高。深度学习方法目前应用还较少，处于探索研究阶段。文献［96］采用卷积神经网络建立从覆冰图像到覆冰厚度等级的映射模型，并引入IBP 自调整机制进行优化提升泛化能力。文献［97］面向边缘计算需求采用轻量化卷积神经网络MobileNetV3 提取覆冰图像特征，并引入多感受野模块增强特征表达能力，通过SSD模型实现特征到覆冰等级的映射，然而边缘计算装置在覆冰气候下的可靠性有待研究。

植被因生长过快接近高压线路，容易造成线路短路、断线等故障继而引发跳闸、停电，被称为树障。植被覆盖范围广，目前普遍依托卫星影像［98-99］和航拍图像［100-101］进行树障监测，通过建立模型实现树高的检测和线树距离的测量。文献［102］基于挂线运行的双目摄像头，建立树木兴趣区域模型，通过可变窗口块匹配法拟合树障隐患边缘，实现测距。

部分输电线路临近城市、村庄等地区，存在大量异物入侵的风险，主要包括大型机械施工造成的外力破坏和鸟巢、蜂巢、风筝、塑料垃圾等悬挂异物造成的线路故障。针对机械施工的外破预警不仅要检测出施工机械，还需要判断是否对线路造成风险。文献［103］采用目标分割模型Mask R-CNN 替代常用的目标检测模型进行施工机械轮廓分割，提升外破预警的准确性。对于悬挂异物，目前的思路分为图像分类和目标检测两种。前者对图像提取特征后进行分类识别，提取特征环节多采用深度学习方法［104-107］。后者直接对出现的异物进行目标检测，采用的模型主要有Faster-RCNN［108-109］、SSD［110-111］、YOLO［112-113］，比图像分类方法更准确。随着深度网络模型越来越成熟，提升异物入侵检测智能化水平的关键在于样本，文献［108-109，113］分别采用条件生成对抗网络和图像合成扩充样本。

2.3.2 变电站环境监测

变电站属于半封闭场所，其自然环境虽没有输电线路恶劣，但站内设备的种类和数量都较多，环境较为特殊。站内环境监测重点包括温湿度、电磁场、风力、气体成分、异物入侵、烟雾与明火等。其中，温湿度、电磁场、风力及气体均有相应的传感器，且无法通过视觉方式感知，因此视觉监控主要用于站内的异物入侵、烟雾和明火的检测上。

变电站内的异物入侵和输电线路类似，由于变电站半封闭的环境特性，其异物入侵也较输电线路少，目前这方面研究成果也不多，但需求并无区别，输电线路上所用方法可以直接迁移过来使用。文献［114］采用改进后的Faster-RCNN 模型对变电站内的鸟巢和悬挂物等小目标异物进行检测。文献［115］对YOLOv5模型的锚框尺寸和特征提取改进后用于鸟巢和风飘物检测，提升了识别率。

变电站内设备众多，环境复杂，易发生电气火灾。目前，烟雾和明火预警主要还是依靠温度、烟雾传感器，存在滞后性。视觉方法实时性较高，可作为烟雾和火灾检测的补充手段，在变电站内的应用也早有研究。早期的检测方法是通过数字图像处理技术对烟雾和明火进行特征描述和提取，根据特征参数识别烟雾和明火。文献［116］结合运动特征和颜色特征进行变电站内的烟雾检测，但未在变电站内进行应用检验。基于深度学习的方法将烟雾和火灾检测作为目标检测任务，从大量样本中自动学习特征，避免了人工设计特征的局限性，泛化能力更强。文献［117］采用Mobile-Netv3-Large 网络对YOLOv3 模型进行改进轻量化改进，减小了模型大小，提升了检测效率，便于在无人机、机器人等边缘侧部署。

前文从输变电设备状态监控、人员状态监控、重要区域环境状态监控3种应用场景，整体分析了机器视觉技术在电力安全监控中的应用研究进展，可以看出，现有研究仍存在诸多问题，应用水平还有待提高，电力视觉向电力智能视觉演进还需时间。

3.1 缺乏统一标准样本集

算法模型、数据样本和算力资源是影响机器视觉技术应用落地的3个重要要素，其中，数据样本问题最为突出。无人机、机器人、固定摄像头等监控终端及其应用系统每天获取大量的数据，但绝大多数都是正常数据，异常状态下的成熟样本成为稀缺资源。由数据驱动的深度学习方法对训练样本的数量有较高要求，高质量统一标准样本集的缺乏，一方面限制了基于深度学习的机器视觉应用，另一方面也制约了电力安全监控领域机器视觉方法的性能评估与对比，间接阻碍了技术的革新发展。

通过图像增强和图像融合等方法可以实现样本的扩充，但并未从根本上解决样本缺乏问题。目前，电网公司正在进行样本库建设，试图从管理层面推动样本汇集，然而在技术层面上并未建成一条从数据产生、采集、预处理、标注到成熟样本及样本利用的完整链路。需要依托视频监控系统本身，将识别到的异常情况作为样本来源，并研发智能标注工具辅助人工标注，提升标注效率，从而扩充样本，促进模型更新，形成良性循环。

3.2 安全监控系统之间存在孤立

现有的安全监控系统由于解决的问题存在差异，在电网公司中所属业务部门不同，因此基础架构、系统功能和数据接口都不统一。同时，由于安全监控需求的碎片化，很多系统自成一体，相互孤立，存在业务和数据壁垒，甚至所用的监控设备都存在重复建设问题。

一方面，需要对输电线路、变电站等重要区域的监控点进行规划研究，综合考虑风险因素、建设成本、基础条件、环境因素，对安全监控的设备选型、布点位置进行统一规划，形成可推广的标准化建设模板。

另一方面，需要打通所有安全监控系统，建立一套视觉终端运行管理系统，不仅实现重点区域的全景感知，同时对所有视觉终端的运行状态进行实时监测，对视觉终端所运行的算法模型进行动态管理。

3.3 算法的泛化和迁移能力弱

基于深度学习的机器视觉技术在泛化能力和迁移能力上较传统方法有了大幅提升，然而场景或需求的变化在一定程度上同样能影响深度方法的实际表现，甚至可能导致方法失效。这是由于深度方法对于样本集的强依赖性使得其在碎片化和专业化应用场景中的泛化能力和迁移能力取决于样本集的数量和质量。场景或需求的变化最终都会反映到样本集的变化上，样本集的变化则直接导致算法需要重新训练甚至重新设计。

为了提升机器视觉算法在实际应用中的泛化能力和适配能力，除了提升样本集数量和质量之外，还需要对算法模型进行两方面优化。一方面，在训练方式上进行优化，采用支持样本类别和数量增加的增量学习方式，减少模型迭代更新的成本，提高易用性。另一方面，根据业务场景特点，明确深度方法在场景中的用途，同时借鉴传统的特征构造思路，选取物理含义明确的特征，增强算法的整体可解释性，提升算法的泛化能力。

随着近年人工智能技术的突破发展，机器视觉技术也由传统数字图像处理方式转入深度学习方式，这对电力安全监控领域带来了颠覆性的影响。智能化视觉系统将成为未来电力系统的眼睛，在保障电网输变电设备、作业人员及重点区域环境安全方面发挥越来越重要的作用。本文综述了机器视觉技术的概念及其在电力安全监控领域的典型应用场景与研究进展，对目前存在的问题进行分析并提出了相关建议。

猜你喜欢 样本文献状态 Hostile takeovers in China and Japan速读·下旬(2021年11期)2021-10-12Cultural and Religious Context of the Two Ancient Egyptian Stelae An Opening Paragraph大东方(2019年12期)2019-10-20状态联想小学生作文(低年级适用)(2019年5期)2019-07-26规划·样本领导决策信息(2018年16期)2018-09-27生命的另一种状态读友·少年文学(清雅版)(2018年12期)2018-04-04The Application of the Situational Teaching Method in English Classroom Teaching at Vocational Colleges科学与财富(2017年22期)2017-09-10The Role and Significant of Professional Ethics in Accounting and Auditing商情(2017年1期)2017-03-22随机微分方程的样本Lyapunov二次型估计数学学习与研究(2017年3期)2017-03-09坚持是成功前的状态山东青年(2016年3期)2016-02-28“官员写作”的四个样本西南学林(2011年0期)2011-11-12推荐访问:综述 监控 视觉