摘要：在社会用电量不断增加的趋势下，智能电网的建设能够增强电力系统运行的安全性与可靠性，满足社会生产生活的用电需求。变电站作为电力系统的重要组成部分，决定着电力企业的供电服务质量，也与人们的用电体验密切相关。视频监控系统被逐步应用于变电站生产当中，应该实现监控视频数据结构化，实现对有价值信息的充分挖掘，提升视频检索的工作效率，及时发现并消除变电站运行中存在的安全隐患。本文将通过分析视频数据结构化的基本方法，探索基于机器视觉的变电站监控视频数据结构化方法。
关键词：机器视觉；变电站；监控视频数据；结构化；方法
大数据时代的来临，使得变电站在生产运行中产生的数据量越来越丰富，只有加强数据挖掘技术的运用，才能实现有价值信息的快速提取，保障变电站的正常运转。视频监控系统在变电站中的应用越来越广泛，其非结构化数据量的增加，给工作人员开展监督管理工作带来了一定的困难。但是在实际运行当中，对于数据信息的利用率较低，限制了变电站生产效率的提升，也不利于增强电力系统运行的安全性和可靠性。在视频监控系统的运行当中，还是需要工作人员的手动干预和跟踪，由于多种因素的影响，导致该系统的价值与优势未能得到充分开发。而智能视觉监控的运用，为变电站监控视频数据结构化提供了充足的动力，能够在智能分析的基础上，充分发挥视频数据的价值。
一、视频数据结构化方法
（一）视频数据结构化处理系统
非结构化是视频数据的主要特征，该数据是变电站开展运行监控与管理工作的基础。运用视频结构化技术，能够对其中的特征属性进行提取，比如场景、关注目标和行为等等。在目标信息的分析与识别当中，应该结合行为识别、目标检测、迁移学习和深度学习等，确保语义信息的可理解性与可处理性，为语义查询、存储、检索和事件查询等提供保障。结构化提取服务器、视频结构化数据和源视频数据等，是视频结构化描述系统的主要组成【1】。在描述高层语义和提取关键信息时，主要是通过结构化描述实现，其较小的数据量能够促进变电站视频监控系统运行效率的提升。
（二）视频结构化关键技术
在表示视频数据时以帧为基础，通过结构化处理，能够使其转变为以内容为基础，能够增强预警、监控和搜索功能。检测与识别目标、提取底层特征、分析场景、行为和建立模型等，是视频结构化的主要过程。全局特征与局部特征，是图像底层特征的主要组成，轮廓特征、颜色特征和纹理特征等属于全局特征；梯度、角点和尺度不变特征转换等属于局部特征【2】。在描述特征时，应该确保具有较高的运行效率和较低的内存消耗。与此同时，应该确保其较强的鲁棒性和抗造性。对象、对象特征和联系构建，是描述视频图像方案的主要内容。一组对象可以对一个视频进行描述，他们之间的联系主要是依靠实体关系图和对象层次。
二、基于机器视觉的变电站监控视频数据结构化方法
（一）目标检测
光流法是摄像机运动中的常用算法，但是容易受到噪声的影响，其具有较高的硬件要求和复杂性。帧间差分法、背景差分法、Adaboost方法和边缘检测法等，是在静止摄像机中的常用算法。在变电站的运行当中，由场景大都处于静止不动状态，因此应该加强对变化图像的重视。在检测工作当中，应该防止出现漏检问题。因此，在检测运动目标的过程中，可以通过改进高斯背景建模的方式实现。首先应该对图像进行灰度化处理，并对处理完成后的图像做混合高斯背景建模。通过上述两个步骤可以实现运动目标图像fgmask的获取，为了使其转换为运动目标图像mask，应该对其进行降噪处理，在此过程中包括了形态学腐蚀、膨胀和阈值二值化、模糊处理等等。对于图像像素点中运动像素点的所占比例进行科学化计算，抖动帧主要是指该比例在30%以上的情况。当该比例在30%以下时，应该有效清空轮廓结构体C【3】。
期刊文章分类查询,尽在期刊图书馆最后，还应该对运动目标轮廓合并问题进行处理。分裂问题通常存在于静止团块当中，应该采用运动目标轮廓进行及时处理。在对判断阈值进行调整时，应该以视频分辨率为基础。
（二）场景识别
以计算机视觉技术作为基础，能够在归类图像的过程中严格以相关分类标准为依据，这是图像特定场景检测的基本原理与内容，充分发挥了计算机的自动分析功能。将变电站当中的安全操作区域、树木、高空作业区、高压区和天空等特定场景，在视觉数据当中进行筛选的难度较大，需要对不同场景的共同点与差异点进行分析。该过程主要是模式识别，应该通过离线的判别模型训练过程和视频图像场景检测过程实现【4】。在工作过程当中，应该保障正负样本的完备性，并对样本的特征向量进行有效提取，时空特征和语义特征是其主要组成。标注特征向量的类别，时空特征向量、语义特征向量和类别标注等，包含于样本当中。完成上述步骤后，还应该迭代训练所采集的样本，以确保离线训练模型的合理性，在此过程中主要是以深度学习模型框架作为基础。在检测视频图像场景时，应该对监控视频源进行有效获取，在对视频进行采样时应该明确其采样的方式，确定检测目标【5】。与此同时，应该提取短视频当中的特征，并在模型当中完成输入，检测、判别相应的特征，对指定场景进行有效判定。
（三）行为识别
行为识别涉及了多种算法，包括了迁移学习、深度学习和增强学习等等，能够对相关数据进行深入分析，包括了深度传感器图像和视频图像等等，能够有效检测并分析人的行为。在过往行为识别的应用当中，背景、外界环境因素、光照强度和摄像头抖动程度等，都会对其产生较大的影响，对人体运动的描述缺乏精确性。在当前行为识别的发展过程当中，主要是以人体骨架作为基础，结合了人体骨架关键点估计算法和深度传感器，在对人体运动进行分析时，主要是以关键点坐标序列为依据。深度摄像机和关节点估计，是当前获取人体骨架的两种主要方法，骨架信息可以通过关节点位置信息进行表示，其中行为检测和识别是两个主要过程，能够在时域定位行为动作的同时，判断序列的类型。较强的判别性和鲁棒性，是行为识别的主要优势，在识别过程中能够以序列分析算法作为主要算法类型【6】。循环神经网络是一种常见的行为识别算法，该算法以长短期记忆作为基础，能够通过语句预测、语义分析、行为识别和语言翻译等，保障建模过程的动态化。有效设计目标函数，是样本训练的关键点。
结语
在变电站监控视频数据结构化当中，应该对该处理系统的组成及运行原理进行分析，同时严格控制其关键技术，满足数据结构化处理要求。在运用机器视觉时，应该通过目标检测、场景识别和行为识别等，实现有价值数据信息的获取与分析，为视频监控系统的良好运行提供保障。同时，能够对安全帽的佩戴情况和高空作业情况等进行严格监控，以保障变电站的安全运行，防止严重电力事故的发生。
参考文献：
[1]刘鹏翼.智能视频分析技术及应用[J].网络安全技术与应用，2018（12）：127.
[2]许慕鸿，刘小红.视频监控行业智能化进程分析[J].信息通信技术与政策，2018（11）：61-67.
[3]张春凤，徐文峰，刘进峰.基于机器视觉的变电站监控视频数据结构化方法研究[J].电力信息与通信技术，2018，16（05）：18-23.
[4]高靖.视频结构化技术 视频数据的“赋能者”[J].中国公共安全，2018（05）：155-158.
[5]李永恒.基于Hadoop的智能变电站数据管理系统设计[D].吉林大学，2017.
[6]刘保纲.电力系统视频监控系统中的视频数据库技术研究[D].郑州大学，2009
论文作者:景永良,刘亚荣,祁保留,杜振军
论文发表刊物:《电力设备》2019年第9期
论文发表时间:2019/10/14
标签：视频论文; 变电站论文; 结构化论文; 数据论文; 特征论文; 图像论文; 目标论文; 《电力设备》2019年第9期论文;