3識別技術分類

3.1傳統(tǒng)特征識別技術

基于圖像分析的目標識別技術指在通過特定的算法，對攝像頭圖像進行分析，從中獲取感興趣目標所在位置坐標(目標所在區(qū)域矩形框)，并且獲取各類大型機械，如吊車、挖掘機、泵車等，從圖像中分析獲得各種機械的所在位置和類別信息，以供后續(xù)業(yè)務邏輯進行分析和處理。

3.2深度學習識別技術

基于深度學習的多目標圖像檢測與分析算法實現(xiàn)的關鍵，在于對經(jīng)過預處理的圖像進行深度學習特征提取+滑動窗口目標匹配，結合事先提取過的特征模型進行匹配分析，從而可以在整幅圖像中得到感興趣目標的位置和類別信息。

相比起傳統(tǒng)算法而言，深度學習解決方案的優(yōu) 勢在于通過大量場景圖像的預訓練，可以做到很高的檢出率極低的誤報率，并且檢測過程是完全場景無關的，有著非常強的可擴展和可復制性。目標檢出能力不會因為場景的更換而降低。另外，一般基于深度學習的算法支持采用GPU進行加速，可以通過帶GPU的服務器實現(xiàn)很快的處理速度，達到實時處理的要求。

4技術原理與應用策略

該識別技術采用了目前國際流行的“深度學習”與傳統(tǒng)的“動態(tài)識別”相結合的技術路線，本質上是一種圖像的“特征識別”技術。對圖像的識別大體可分為三步:圖像預處理、識別目標選取、特征比對。

4.1圖像預處理

主要目的是背景處理，剔除干擾因素，主要關鍵技術是:光線的處理;陰影的處理;舞動的導線;風吹的樹木;其它類似物的處理。

4.2識別目標選取

主要目的是選出可疑目標，提取目標特征集。主要關鍵技術是:目標的像素點大小;目標的遠近導致大小的變化;目標是否為運動區(qū)域。

4.3特征對比確認

主要目的是將可疑目標與標準特征庫“判據(jù)”。以吊車為例，它的圖像特征有:顏色特征;紋理特征;形狀特征;空間關系特征。

4.4應用策略

在不改裝前端硬件裝置的情況下，通過后臺集 成算法服務器的方式，通過圖像的智能識別算法，實現(xiàn)防外破預警識別，代替人工查看的方式，解放人力資源，實現(xiàn)輸電視頻監(jiān)視業(yè)務的自動化、智能化。

算法識別能力成長性分析:預期年底樣本數(shù)量可達到10000個，識別率可達到99.9%，算法正判率可達到至92%。

算法應用策略:夜間因識報率高，算法日出啟動，日落暫停，每日約16小時。可識別的目標:吊車、挖掘機、鏟車。

選取8個典型場景(攝像頭)對識別算法進行完整樣本測試，數(shù)據(jù)量約3個月的運行數(shù)據(jù)，共76803張樣本圖片，其中包含目標樣本(有大型機械圖片)18003張，識別結果:

最新算法經(jīng)過8個場景(攝像頭)3個月的運行數(shù)據(jù)76803張樣本圖片測試，其中包含目標樣本(有大型機械圖片)18003張，算法識別率99.8%，誤報率0.2%，正判率81.7%，漏報率18.3%。

5識別應用系統(tǒng)集成

輸電線路通道環(huán)境，可提供的素材主要為圖片。 圖片來源于目前視頻主站平臺接入的約800路攝像頭，平均每天約產生10～20萬幅電力線場景監(jiān)控圖像。智能視頻分析應用系統(tǒng)，即對輸變電反外力實際應用場景下攝像頭接入實時圖像數(shù)據(jù)進行匯總、預處理、分析，獲取目標信息并產生告警結果的應用程序。智能視頻分析應用所實現(xiàn)的功能主要有:攝像頭接入，攝像頭實時圖片獲取;攝像頭圖片有效應驗證，圖像預處理;調用算法服務，分析圖像，獲取目標信息;據(jù)應用策略，對場景目標信息進行過濾，產生告警數(shù)據(jù);日志記錄，告警推送。

6應用效果

目前已通過數(shù)據(jù)挖掘技術對歷年876萬張海量運行圖片進行分類篩查形成信息樣本，并通過無人機對大型機械進行高空多角度拍攝來加速樣本收集工作，目前該識別系統(tǒng)已嵌入北京視頻監(jiān)控系統(tǒng)，報警正確率已達到85%以上，誤報率控制在2‰以下，利用智能識別技術代替人工查看的方式，該技術手段可有效釋放人員承載力，實現(xiàn)輸電視頻監(jiān)視業(yè)務的自動化、智能化，為下一步公司大規(guī)模加大輸電視頻投入力度奠定了基礎。

(國網(wǎng)北京市電力公司檢修分公司 王闖 邱建軍 閆春江 劉正義 李洋 王彥卿 李上國 戴瑞成 徐燁 杜覺曉)