基于图像检测和分析技术在配电设备中的应用方法与流程

本发明涉及配电设备监测技术领域，特别涉及基于图像检测和分析技术在配电设备中的应用方法。

背景技术：

近些年，由于深度神经网络的出现，人工智能在图像增强、目标检测、姿态分析等领域取得了很大的成功。这些技术的准确率和实时性已经能够达到和人相当甚至超过人的水平，并且这些技术依托智能摄像头等设备对数据进行采集和处理，已经被广泛的应用于自动驾驶、高铁站人流管理等应用场景中。

一直以来，我国对于配电主要通过人工值守和视频监控两种方式。对于人工值守的配电设备管理方式，由于配电设备数量众多且分布较广，人工值守需要耗费了极大的人工成本。对于采用视频监控的配电设备管理方式，由于配电设备分布区域广泛以及对于视频处理的效率较差，主要使用人工处理，对各配电设备发生的情况无法做到实时处理，并且处理存在大量纰漏。同时由于许多配电设备位于室外，采用视频监控的管理方式受天气、光照等因素的影响较大。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供了基于图像检测和分析技术在配电设备中的应用方法。

本发明的目的是通过以下技术方案来实现的：

基于图像检测和分析技术在配电设备中的应用方法，包括以下步骤：

s1:在配电设备周围安装若干个智能摄像头，并利用智能摄像头对配电设备周围进行实时监测并形成视频；

s2:将s1中的视频进行逐帧分离形成图像，并对分离后的每帧图像中的雾以及明暗情况进行判断，如果判断图像需要处理，那么需要先对图像进行处理后才能进入下一步，如果判断图像不需要处理就可直接进入下一步；

s3:利用目标检测模型yolov3对s2中输出后的视频中的目标进行检测，当检测到视频中存在人时，将标定人所在的位置进行锚点以及在相应边框的长宽值进行，得到只包含人的连续序列图像；

s4:将s3中输出的连续序列图像输入到openpose算法中进行姿态分析，并根据姿态分析得出的结果作出相应的响应；

s5:将姿态分析的结果以及响应的结果都传输至监测用户端，并对配电设备周围的人进行提示。

进一步地，所述s2中，图像需要去雾采用暗通道处理方法进行去雾；

对于任何输入的图像j，其暗通道可以用公式①来表示：

其中，j^c表示彩色图像每个通道，ω(x)是以x为中心的一块方形区域；

所以，对于一张待处理的图像，可以通过公式②来表示：

i(x)＝j(x)t(x)+a(1-t(x))②

其中，j(x)是去雾后的图像，t(x)为透射率，a为全球的大气光成分；通过公式②，我们可以推导出图像去雾公式如公式③所示：

其中，t0为预设的透射率的下限值，通过使用公式③建立的算法，可以成功的去除图像中的雾。

进一步地，所述s2中，图像需要增强采用直方图均衡算法的原理，对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量控制在一个小的区间内。

进一步地，所述s3中，利用目标检测模型yolov3对目标进行检测，包括以下步骤：

s3.1：将图像输入到目标检测模型yolov3中；

s3.2：利用目标检测模型yolov3中的特征提取模块的对图像中的特征信息进行快速提取；

s3.3：利用目标检测模型yolov3中的全连接层对图像中非线性特征信息进行提取；

s3.4利用目标检测模型yolov3中的检测模块对有特征的图像设置一个置信度，对本置信度高的人进行坐标及长宽比例标记；

s3.5：从目标检测模型yolov3中输出图像。

进一步地，所述s3.4中，人或物体的坐标以输入图像的边框为基准，输入图像的下侧边为x轴，输入图像左边为y轴。

进一步地，所述s4中，利用openpose算法进行姿态分析，包括以下步骤：

s4.1：输入带有标记的图像；

s4.2：将所述s4.1中的图像输入到特征提取模块中，并对图像中的特征进行提取；

s4.3：将s4.2中提取的特征输入到两个并行的卷积网络中，一个分支的卷积网络用来预测包含有多个关节的关节置信图，另一个分支的卷积网络用来预测包含有多个关节仿射场的集合；

s4.4：优化每个分支的特征，使关节置信图每个关节对之间连接形成二分匹配图；

s4.5：使用paf值将二分匹配图里较弱的关节对之间的连接删除；

s4.6：检出图像中所有人的人体姿态骨架，得到解析结果，并对测到的人的图像进行姿态评估。

进一步地，所述s5中，所述提示包括对路过的人进行安全提醒，对偷盗和破坏的人进行警告并将信息报送相关人员。

本发明的有益效果是：

本发明采用搭载高效的目标检测神经网络模型yolov3的智能摄像头对配电设备进行监测，本目标检测模型具有推理速度快、检测准确率高、内存和计算资源占用小等特点，能够在几毫秒的时间内准确地完成对采集到视频中出现的物体进行检测，能够对配电设备附近所出现的各种情况进行实时地和准确地处理，同时由于本模型对于内存和计算资源需求低，使用本模型进行采集视频的处理可以降低配电设备管理的成本。通过改进的openpose算法对检测模型检测到的目标的行为进行实时姿态分析，将目标的行为判定为正常接近、破坏设备、偷盗设备等行为，对正常接近的目标播放带电勿靠近的语言提醒，对破防和偷盗行为的目标播放警报并反馈给相关人员进行处理。采用图像去雾技术和低光照图像增强技术对摄像头采集的视频进行逐帧增强，以在雾天和夜晚等环境下对配电设备进行有效的管理。

附图说明

图1为本发明流程图；

图2为图像去雾效果图；

图3为低光照图像增强效果图；

图4为yolo模型检测过程图；

图5为姿态评估流程图；

图6为姿态评估效果图。

具体实施方式

下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1-6，本发明提供一种技术方案：

基于图像检测和分析技术在配电设备中的应用方法，包括以下步骤：

(1)在配电设备周围安装若干个智能摄像头，并利用智能摄像头对配电设备周围进行实时监测，并将监测的过程形成视频。

(2)将步骤(1)中的视频进行逐帧分离形成图像，并对分离后的每帧图像中的雾以及明暗情况进行判断，如果判断图像需要处理，那么需要先对图像进行处理后才能进入下一步，如果判断图像不需要处理就可直接进入下一步。本阶段为图像增强阶段，是将摄像头采集到的视频进行逐帧的图像增强，对雾天图像进行去雾，对低光照图像进行光照增强，通用图像增强阶段，可以使后续的目标检测和姿态分析阶段适用于各种复杂环境。此步骤先判断是否去雾，如果需要就先去雾，如果不需要就进入到图像明暗检测，如果图像较暗，那就需要进行低光照图像增强，如果图像不暗，就直接进入到目标检测模型中。

(3)利用目标检测模型yolov3对步骤(2)中输出后的视频中的目标进行检测，当检测到视频中存在人时，将标定人所在的位置进行锚点以及在相应边框的长宽值进行，得到只包含人的连续序列图像。本阶段为目标检测阶段，是将通过目标检测模型yolov3对检测视频中的目标进行检测，当检测到视频中存在人时，将标定人所在位置的锚点(achor)和相应边框的长宽值以得到只包含人的连续图像序列。

(4)将步骤(3)中输出的连续序列图像输入到openpose算法中进行姿态分析，并根据姿态分析得出的结果作出相应的响应。

(5)将姿态分析的结果以及响应的结果都传输至监测用户端，并对配电设备周围的人进行提示。

在一些实施例中，在步骤(2)中，图像需要去雾采用暗通道处理方法进行去雾；对于任何输入的图像j，其暗通道可以用公式①来表示：

其中，j^c表示彩色图像每个通道，ω(x)是以x为中心的一块方形区域；

所以，对于一张待处理的图像，可以通过公式②来表示：

i(x)＝j(x)t(x)+a(1-t(x))②

其中，j(x)是去雾后的图像，t(x)为透射率，a为全球的大气光成分；通过公式②，我们可以推导出图像去雾公式如公式③所示：

其中，t0为预设的透射率的下限值，通过使用公式③建立的算法，可以成功的去除图像中的雾。图像去雾效果如图2所示。

在一些实施例中，在步骤(2)中，图像需要增强采用直方图均衡算法的原理，对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量控制在一个小的区间内。在实际应用中，配电设备需要长时间在低光照的环境下工作，本技术基于直方图均衡算法对低光照图像进行增强。直方图均衡算法的原理是对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量大致相等。在通过直方图均衡算法处理的直方图中，其中间的峰顶部分对比度会得到增强，而两侧的谷底部分对比度降低。在直方图中，如果输出数据分段值较小的话，会产生粗略分类的视觉效果。采用直方图均衡算法进行低光照图像增强的效果如图3所示。

在一些实施例中，在步骤(3)中，利用目标检测模型yolov3对目标进行检测包括以下步骤：(3.1)将图像输入到目标检测模型yolov3中；(3.2)利用目标检测模型yolov3中的特征提取模块的对图像中的特征信息进行快速提取；(3.3)利用目标检测模型yolov3中的全连接层对图像中非线性特征信息进行提取；(3.4)利用目标检测模型yolov3中的检测模块对有特征的图像设置一个置信度，对本置信度高的人进行坐标及长宽比例标记；(3.5)从目标检测模型yolov3中输出图像。yolo模型检测过程如图4所示，yolov3是一种的基于深度神经网络轻量级目标检测模型，yolov3模型以端到端的方式进行目标检测。与传统的目标检测模型相比，yolov3的检测准确率与传统模型相当，但是其推理速度远快于传统模型。同时其对计算资源和内存的需求也远低于传统模型，非常适合部署于摄像头等设备。本技术将yolov3模型部署于智能摄像头上用于配电设备管理，一是可以降低对摄像头的计算和内存资源需求，二是可以加速目标检测速度，对配电设备出现的各种情况及时做出反应。

在一些实施例中，在步骤(3.4)中，人或物体的坐标以输入图像的边框为基准，输入图像的下侧边为x轴，输入图像左边为y轴。输入图像输入到yolo模型中，yolo模块从左到右依次为特征提取模块、全连接层、检测模块。特征提取模块：由先进的预训练卷积神经网络组成，本模型性能优越且内存和计算量负担较少，能够快速有效地提取出输入图像中的特征信息。全连接层：包含连个全连接卷积神经网络，本部分的作用是提升提取的特征的非线性，以提升图像检测的效果。检测模块：有一组卷积神经网络组成，输出为一个置信度和边框的四个坐标值。置信度是对本边框预测的确定性分数，分数越高则越肯定本边框内存在物体。四个坐标值分布为本边框相对于输入图像的x和y轴的相对值以及长宽比例，已经检测边框相对于整个输入图像的长宽比例。通过将摄像头采集到的视频中的逐帧的图像输入到yolo模型中，可以检测出图像中出现的人，同时将包含人的区域分离出来用于后续的姿态评估。

在一些实施例中，在步骤(4)中，利用openpose算法进行姿态分析包括以下步骤：(4.1)输入带有标记的图像；(4.2)将步骤(4.1)中的图像输入到特征提取模块中，并对图像中的特征进行提取；(4.3)将步骤(4.2)中提取的特征输入到两个并行的卷积网络中，一个分支的卷积网络用来预测包含有多个关节的关节置信图，另一个分支的卷积网络用来预测包含有多个关节仿射场的集合；(4.4)优化每个分支的特征，使关节置信图每个关节对之间连接形成二分匹配图；(4.5)使用paf值将二分匹配图里较弱的关节对之间的连接删除；(4.6)检出图像中所有人的人体姿态骨架，得到解析结果，并对测到的人的图像进行姿态评估。本发明的目的是进行实时的、准确的配电设备管理，所以本发明改进了openpose算法进行实时姿态评估，姿态评估过程如图5所示。首先输入图像会先经过特征提取模块经过特征提取，接下来，提取的特征会被输入到两个并行的卷积网络中，第一个分支用来预测18个置信图，每个图代表人体骨架中的一个关节。第二个分支预测一个集合，本集合中包含38个关节仿射场(partaffinityfields，pafs)，描述各关节之间的连接程度。然后，通过用一连串的步骤来优化每个分支的特征。使用关节置信图每个关节对之间形成二分匹配图。最后，使用paf值将二分匹配图里较弱的连接被删除，检出图中所有人的人体姿态骨架，姿态评估效果图如图6所示。

在一些实施例中，在步骤(5)中，所述提示包括对路过的人进行安全提醒，对偷盗和破坏的人进行警告并将信息报送相关人员。通过将配电设备附近检测到的人的图像进行姿态评估，可以分析出其行为是正常路过、偷盗还是破坏，从而有效的、准确度做出反应，对路过的人进行安全预警，对偷盗和破坏的人进行防盗警报并将信息报送相关人员。

本发明的目的是基于目标检测、姿态分析和图像增强技术构建一种低成本的、高准确率的，且能够适用于各种复杂环境下的配电设备管理技术。本发明中首先使用yolov3目标检测技术对以能够精确地从摄像头采集的视频中检测定位出人、狗、车等目标，并提取为只包含人的部分的连续图像序列。然后通过改进的openpose算法对提取出的连续图像序列进行分析，针对不同的分析结果进行不同的措施。同时为了使本发明能够适用于各种天气和环境，本发明使用图像去雾和低光照图像增强技术对摄像头的视频进行逐帧处理。本发明对设备硬件需求较低，程序推理速度较快，推理准确性较高，适用性强，可以很大程度上推动配电设备管理朝着低成本化、高适应性、高准确性的方向发展。

本发明将基于深度学习的人工智能模型部署于智能摄像头等设备对配电设备进行管理。本发明使用图像增强技术来克服传统室外配电设备的视频监控受天气和环境干扰的问题，拓宽了本配电设备管理技术的适用性。同时本发明还考虑了智能摄像头计算和内存资源有限的问题，使用了轻量级的人工智能模型，在保证能够准确地检测配电设备附近的目标的同时具有快速的推理能力。并且本发明使用的目标检测模型对计算和内存资源的需求较低，能够降低配电设备管理的硬件成本。本发明也克服了传统配电设备管理中需要人工现场值守或视频值守的问题，本发明使用姿态评估技术对配电设备附近检测到的目标姿态进行自动地分析并准确地判定其行为，然后做出相应措施，极大地降低了配电设备管理的人工成本。本技术将图像增强技术、目标检测技术、姿态评估技术融合应用，构建了一个完整的配电设备管理模型。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。