3識別技術分類

3.1傳統特征識別技術

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，以供后續業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的關鍵，在于對經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。

相比起傳統算法而言，深度學習解決方案的優 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”與傳統的“動態識別”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”。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，實現防外破預警識別，代替人工查看的方式，解放人力資源，實現輸電視頻監視業務的自動化、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，數據量約3個月的運行數據，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:

最新算法經過8個場景(攝像頭)3個月的運行數據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識別應用系統集成

輸電線路通道環境，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控圖像。智能視頻分析應用系統，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據進行匯總、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;據應用策略，對場景目標信息進行過濾，產生告警數據;日志記錄，告警推送。

6應用效果

目前已通過數據挖掘技術對歷年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，目前該識別系統已嵌入北京視頻監控系統，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，實現輸電視頻監視業務的自動化、智能化，為下一步公司大規模加大輸電視頻投入力度奠定了基礎。

(國網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)