王騰　劉瑞萍　張?zhí)煊睢∥溲艥崱】拙S

關鍵詞：目標檢測；跟蹤；電力；配網；安全檢測

中圖分類號：TM84；TP391.41 文獻標識碼：A

0 引言

電力配網帶電作業(yè)是電力系統(tǒng)運維中不可或缺的一項任務，它包括在電網運行過程中對設備進行檢修、維護和更換等操作。這些作業(yè)通常在電力系統(tǒng)運行時進行，以確保電力供應的連續(xù)性[1]。然而，由于帶電作業(yè)本身涉及高電壓環(huán)境和復雜的電力設備，其安全性一直是電力行業(yè)關注的焦點。在傳統(tǒng)的帶電作業(yè)中，運維人員需要直接接觸電力設備，存在觸電、電弧閃、設備故障等多種安全風險。由于帶電作業(yè)通常依賴于人工巡視，運維人員因主觀判斷和工作疲勞等因素也可能導致不安全行為的發(fā)生[2]。因此，如何提高帶電作業(yè)的安全性成為電力配網領域迫切需要解決的問題。引入先進的目標檢測與跟蹤技術，可使帶電作業(yè)的安全檢測更具自動性和實時性，從而提高整個電力系統(tǒng)的安全水平。本研究將有助于降低人工巡視的負擔，及時發(fā)現(xiàn)潛在的安全隱患，推動電力系統(tǒng)向智能化和安全化方向發(fā)展。

1 配網介紹

配網是電力系統(tǒng)的重要組成部分，其主要任務是將從發(fā)電廠輸送來的高壓電能分配到各個用戶。通過變電站、變壓器以及配電線路，電能逐級降壓并分配到不同電壓等級的用戶，以滿足不同層次、不同規(guī)模的用電需求。配網包括各種基礎設施，如電纜、架空線路、桿塔、配電變壓器、隔離開關、無功補償器等[3]。電纜和架空線路是電能在配網中傳輸?shù)膬煞N主要方式。電纜通常用于城市和高密度居住區(qū)，而架空線路則常見于鄉(xiāng)村和郊區(qū)。桿塔用于支撐架空線路，起到穩(wěn)定和保護的作用。配電變壓器負責將電能從高壓輸電線路降到適合低壓配網的水平，以供應給終端用戶。隔離開關是為了在發(fā)生故障時能夠快速切斷故障部分，確保系統(tǒng)的安全運行。無功補償器用于調節(jié)電網中的功率因數(shù)，提高電能的質量[4]。

2 目標檢測與跟蹤算法

目標檢測與跟蹤算法是計算機視覺領域中的重要研究方向，用于在圖像或視頻中檢測和跟蹤特定對象或目標，在視頻監(jiān)控、自動駕駛、人機交互等許多領域得到廣泛應用[5-6]。常見的算法包括YOLO、Faster R-CNN、SSD 等。YOLO 是一種端到端的目標檢測算法，主要原理是將目標檢測任務視為回歸問題，并通過一個神經網絡直接在輸入圖像上進行檢測。YOLO 的優(yōu)點是速度快，適合實時應用。Faster R-CNN 采用兩個階段的檢測流程，先生成候選區(qū)域，然后對每個候選區(qū)域進行分類和邊界框回歸。Faster R-CNN 在精度上通常比YOLO高，但速度較慢。SSD 是一種結合了YOLO 和FasterR-CNN 的目標檢測算法，在單個神經網絡中同時進行目標類別分類和邊界框回歸，從而實現(xiàn)了較快的檢測速度和較高的準確率。

在目標檢測領域，YOLO 算法系列以其快速且準確的特點備受關注。本文選用YOLO 算法系列中的YOLOv3 算法，針對復雜視覺場景進行目標檢測和定位研究。圖1 為YOLOv3 網絡結構。YOLOv3 使用了Darknet-53 的骨干網絡，相較于之前的Darknet-19，Darknet-53 能夠提取更豐富的特征信息，它由53個卷積層組成，并采用殘差塊結構，有助于加深網絡同時減少梯度消失問題。YOLOv3 在網絡的不同層次進行目標檢測，分別是最終輸出層、中等特征圖層和較大特征圖層，這種多尺度預測有助于檢測不同大小的目標。該算法最終輸出的是一個三維張量，其中每個格子對應于圖像的一個區(qū)域，并預測了該區(qū)域內的目標數(shù)量、位置以及類別信息。在輸出處理階段，通過閾值篩選和非極大值抑制得到最終的目標檢測結果。

3 基于YOLOv3的配網帶電作業(yè)安全檢測

本文通過YOLOv3 目標檢測算法進行電力配網帶電作業(yè)場景下的安全檢測。檢測情況有3 種，分別為安全帽檢測、現(xiàn)場作業(yè)人員跟蹤、現(xiàn)場作業(yè)人員誤入危險區(qū)域檢測，其配網作業(yè)安全檢測流程如圖2 所示。

第一步，進行YOLOv3 算法的初始化，包括訓練集的建立與訓練，以及檢測區(qū)域地面坐標系的建立。

第二步，獲取視頻信息，讀取圖像，利用訓練好的模型進行安全帽佩戴狀態(tài)檢測、行人多目標跟蹤檢測、行人軌跡記錄、危險區(qū)域誤入檢測。

第三步，如果作業(yè)人員未佩戴安全帽或者誤入危險區(qū)域，算法識別后會記錄違規(guī)操作，并發(fā)出報警信息。

第四步，依次循環(huán)讀取視頻下一幀，利用模型按序檢測，直至視頻最后一幀結束。

4 實驗結果與分析

4.1 安全帽檢測結果分析

本文對不同的場景下安全帽檢測結果（表1）進行分析。結果顯示，在配網帶電作業(yè)安全檢測中，基于目標檢測與跟蹤的安全帽檢測取得了良好的效果。使用YOLOv3 作為目標檢測算法，在人員靜止的場景中，獲得了高達96.10% 的安全帽檢測準確率；在人員移動的場景中，準確率也達到了90.84%，表現(xiàn)出良好的潛力和可行性。

4.2 現(xiàn)場作業(yè)人員跟蹤檢測結果分析

本文對不同的場景下現(xiàn)場作業(yè)人員跟蹤檢測結果（表2）進行分析。結果表明，所使用方法在追蹤現(xiàn)場作業(yè)人員方面表現(xiàn)出良好的準確率。跟蹤算法能夠有效地將人員從視頻序列中標識出來，并在不同幀之間保持穩(wěn)定的跟蹤。跟蹤算法在不同場景下的穩(wěn)定性得到了驗證，即使在目標出現(xiàn)遮擋的情況下，跟蹤算法也能夠對現(xiàn)場作業(yè)人員保持有效的跟蹤。

4.3 現(xiàn)場作業(yè)人員誤入危險區(qū)域檢測結果分析

本文對現(xiàn)場作業(yè)人員誤入危險區(qū)域進行檢測，結果如表3 所示。通過分析檢測結果，發(fā)現(xiàn)模型能夠準確地識別現(xiàn)場的作業(yè)人員和危險區(qū)域，確保了其對關鍵目標的有效監(jiān)測。

5 結語與展望

在電力配網作業(yè)中，安全管理一直是至關重要的問題，特別是在帶電作業(yè)環(huán)境下，事故可能導致嚴重的人員傷害和設備損壞。本文提出了一種基于目標檢測與跟蹤的配網帶電作業(yè)安全檢測方法，以YOLOv3 目標檢測算法為基礎，在安全帽檢測、現(xiàn)場作業(yè)人員跟蹤檢測以及現(xiàn)場作業(yè)人員誤入危險區(qū)域檢測方面進行實驗。實驗結果表明，該方法能夠準確地檢測安全帽的佩戴情況，實時跟蹤現(xiàn)場作業(yè)人員的位置，并及時發(fā)現(xiàn)并警示誤入危險區(qū)域的情況，為配網帶電作業(yè)提供了可靠的安全保障。未來，期待該方法能夠在提高檢測精度、加強實時監(jiān)測、優(yōu)化算法性能等方面取得進一步突破，為電力行業(yè)的安全生產和智能化管理帶來新的發(fā)展機遇。