基于深度學習的電力工程現場動作識別研究

　　摘要：近幾年市場上出現了許多智能可穿戴設備，它們可以監測用戶的步數、心率等情況，從而推算出用戶的運動量、睡眠質量、作息習慣等，并根據這些數據給用戶提供健康建議。但是在這些產品中，很少有產品可以識別用戶的運動姿態，即使有，識別的姿態種類也比較單一。隨著邊緣計算的不斷發展，傳統的機器學習運行也逐漸從云端下沉到邊緣端，在嵌入式微控制器上運行深度學習網絡模型進行結果預測成為了可能。在此背景下，本文針對基于深度學習的電力工程現場動作識別進行詳細探究。

　　關鍵詞：深度學習;電力工程;現場;動作識別

　　1 引言

　　隨著互聯網技術的發展和視頻獲取設備的普及，視頻已成為信息的主要載體。視頻數據的數量呈爆炸式增長，如何分析和理解視頻的內容顯得越來越重要。人體動作識別作為視頻理解的重要課題之一，已經成為了計算機視覺領域研究的焦點。動作識別通過對預先分割好的時域序列進行時空信息建模，進而學習視頻中所包含的表象和運動信息，以此來建立視頻內容與動作類別之間的映射關系，使得計算機能夠有效地勝任視頻理解的任務。

　　電力工程論文范例：電力工程設計的電力系統規劃設計淺談

　　2 基于深度學習的人體動作識別概述

　　目前視頻架構之間主要有以下區別：網絡的輸入只包含RGB視頻還是包含了預處理的光流，卷積核是采用2D(基于圖像)還是3D(基于視頻)，以及在2D網絡的基礎上幀間信息如何整合。雙流神經網絡(Two-Stream ConvNet)在動作識別領域是一類很常用的方法，該方法簡單卻有相當優異的效果。雙流網絡顧名思義由時間流與空間流兩路網絡組成，空間流網絡將視頻單幀或堆疊幀輸入卷積網絡學習空間域上的視頻信息，時間流網絡將光流圖以多通道的形式輸入卷積網絡學習時間域上的視頻信息[1]。

　　兩路網絡各自對視頻輸出屬于各類的概率，最后平均兩個概率向量得到最終的分類結果。3D神經網絡是另一類很常用的方法。隨著近年來計算力的進一步提升以及數據集規模的進一步增加，3D神經網絡發展迅速，從最開始的不如傳統方法到如今與雙流網絡并駕齊驅。3D網絡在設計之初就是一種端到端的網絡架構，它可以直接將視頻作為輸入，并輸出最終分類類別。由于網絡結構復雜，3D網絡需要很大的數據集才能得到較好的結果，并且網絡層數不能過深。

　　3 基于深度學習的電力工程現場動作識別

　　3.1 結構模型

　　為了對視頻中的動作進行時空建模，本文設計時序差異殘差網絡( Temporal Difference ResNet，ResTD)。

　　ResTD 主要分為3階段。輸入采樣階段、時空特征提取階段、特征分類階段。(1)在輸入采樣階段，為了覆蓋輸入視頻的整體時序，對輸入視頻沿時間維度展開，進行稀疏時序采樣，組成具有時序順序的序列圖像，作為網絡訓練輸入。(2)在時空特征提取階段，主要完成空間特征與時序特征的統一提取。其中空間特征提取通過殘差模塊( ResNet Block) 實現，利用短路連接機制，使網絡加深時無損地進行梯度傳播，并且通過下采樣操作，使特征圖空間大小減半。時序特征的提取通過時序建模層( Temporal Model， TM) 實現，利用特征級別的時序差異計算得到激活圖，用于增強特征的運動信息[2]。(3)在特征分類階段，通過全連接層實現特征映射，將時空特征提取階段已編碼好的高維特征映射為具有動作類別數目的分類特征，應用Softmax激活函數將分類特征轉化為概率表示，與真實目標類別計算損失。

　　3.2 自編碼

　　自編碼器是一種無監督的學習算法，其網絡結構類似連接編碼器和解碼器的沙漏。通過對編碼器的輸入數據進行降維，獲得壓縮后的輸入數據特征值。解碼器的主要任務是使重建損失最小化，以便重建盡可能多的原始數據。首先，自編碼器輸入向量x∈[0，1]d，通過非線性映射函數y=σ(Wx+b)將輸入向量映射至潛在空間，表示為y∈[0，1]d'。其映射函數中的W是權重矩陣，b是相應的偏差矢量，σ是激活函數。每個神經元連接到具有相應權重和偏差的下一層，并且為建立魯棒的模型而對每個神經元的權重和偏差值進行迭代訓練。

　　3.3 非局域時間段網絡

　　雙流神經網絡的一個很明顯的問題是其現有形式在建模長期時序結構的羸弱能力。這主要歸咎于其對時序上下文的處理方法有限，因為它本身是為單幀(空間域網絡)或一小段時間內的堆疊幀(時間域網絡)而設計。然而復雜行為例如運動包含相當長時間內的多個階段。如若無法將利用這些動作的長期時序結構訓練卷積網絡，那將產生相當大的損失。為了處理這個情況，使用時間段網絡，一個視頻級別的框架，可建模整個視頻的動態變化。特別地，時間段網絡是為了利用整個視頻的時序信息來進行視頻級別的預測。它也是由空間流卷積網絡和時間流卷積網絡組成。并非處理單幀和堆疊幀，時間段網絡處理從整個視頻中進行稀疏采樣所得的切片序列。序列的每個切片會對動作類進行初步預測，然后對這些預測進行整合得到整個視頻級的預測。在訓練過程中，迭代優化視頻級預測的損失值，而不是切片級的預測。

　　3.4 長短期記憶網絡( LSTM)

　　在數據模式隨時間變化的情況下，神經網絡難以處理時序數據之間的關聯。處理時序依賴性的一個常見辦法是應用遞歸神經網絡(RNN)。RNN利用內部存儲器存儲先前的數據狀態，然后輸出引用此類先前狀態的順序信息。但是由于梯度問題的消失和爆炸，RNN網絡難以收斂，訓練難度較大[3]。因此，具有門控機制的長短期記憶網絡(LSTM)被提出來以克服RNN的缺陷。LSTM包含不同的存儲塊。每個存儲塊包含三個門：LSTM中的一個輸入門、一個忘記門和一個輸出門。這三個門具有各自的權重，可以指明何時學習、確定哪些參數、更新內存狀態或何時忘記先前的內存狀態。LSTM在自然語言處理、圖像字幕識別等領域得到廣泛運用。

　　3.5 生物傳感器

　　它是一種將物質濃度轉變成電信號的一種測量儀器。生物傳感器既可以作為轉換器，也可以作為接收器來使用。傳統傳感器作為可以獲得環境信息并按照一定規律轉換為電信號輸出的技術，其應用已經相當廣泛，一定程度上減少了人工勘測的成本。但是傳統傳感器也存在缺點：其一，單個傳感器檢測的物理量有限，故通常需要多種傳感器協同合作，這便增加了設備部署的復雜度;其二，價格相對便宜的傳感器則存在容易受到環境干擾的問題，而應用在特殊場景下的傳感器價格昂貴，不利于推廣;其三，傳統傳感器是一種物理介質的實物，存在攜帶不方便，易丟失等缺點，這些潛在的問題在一定程度上制約了基于傳感器應用的發展。

　　4 結束語

　　隨著社會的發展和科技的進步，人們對不同工作場景中通過技術的應用提高效率、降低成本的要求顯著提高，技術的應用方向專業化、應用形式多樣化、環境部署簡易化已成為研究目標。針對基于深度學習的電力工程現場動作識別進行詳細探究，旨在通過動作識別，及時發現和糾正電力工程現場的違章操作，并對不同的違章行為進行分類分析，為施工人員的教育培訓提供方向。

　　參考文獻：

　　[1] 桑海峰, 趙子裕, 何大闊. 基于循環區域關注和視頻幀關注的視頻行為識別網絡設計[J] . 電子學報, 2020, 48( 6) : 1052 - 1061.

　　[2] 鄭勇峰, 張小俊, 王志鵬. 一種輕量化卷積神經網絡的行為識別模型[J] . 機械設計, 2020, 37( 5) : 111 - 116.

　　[3] 呂潔, 李洪奇, 趙艷紅, 等. 基于關節空時特征融合的人體行為識別[J] . 計算機工程與設計, 2020, 41( 1) : 246 - 252.

　　作者：張新峰 1 賈艾靜 2

轉載請注明來自發表學術論文網：http://www.zpfmc.com/dzlw/26380.html