基于RT-DETR的变电站作业人员误入带电区域检测算法研究

0引言

变电站是电力系统中关键的枢纽节点,承担着电能的转换、控制与分配任务,其运行安全直接关系到整个电网的稳定性和供电可靠性。在实际运维过程中,变电站内电压等级高、设备密集、空间复杂,作业人员若误入带电区域,极易引发触电、烧伤等人身事故,甚至可能造成设备跳闸、区域性停电等严重后果。因此,如何高效、准确地识别并预警作业人员误入带电区域,已成为提升变电站本质安全水平的关键课题。

当前,变电站主要依赖物理围栏、标识警示、人工监控与巡视等手段对作业行为进行管控。然而,面对非授权进入、作业疏忽、路径混淆等动态高风险场景,传统方法普遍存在识别滞后、误报漏报频繁、响应效率低等问题,难以满足新型智能变电站对全过程、全空间、高精度安全防控的需求。近年来,随着电力 自动化和人工智能技术的快速发展,基于视频监控的行为识别与实时定位技术逐渐应用于现场安全监控。部分学者尝试引入YOLO模型识别作业人员动态行为,实现初步误入判断[1];也有研究基于LSTM建模作业轨迹,实现对人和物的越界分析[2]。然而,实际场景下的挑战仍然显著。变电站环境光照复杂、人员着装不统一、行为类别细粒度划分困难,且带电区域划定标准具有差异性,致使传统算法在精准识别方面效果不佳。

近年来,Transformer架构因其出色的全局建模能力和并行计算优势,在视觉领域表现出强大的检测与识别能力。基于此,本文提出一种基于RT—DETR (Real—Time Detection Transformer,实时检测转化器)的变电站作业人员误入带电区域检测算法,通过引入轻量化转换器结构对视频帧中作业人员进行实时多尺度检测,配合电力作业工作票制度,可有效识别人员的误入行为并快速触发预警,为构建“少人值守”乃至“无人值守”的智能化变电站提供了技术支撑。

1 基于RT—DETR的变电站作业人员误入带电区域检测算法

1.1RT—DETR理论

RT—DETR是一种融合了Transformer架构与实时目标检测技术的新型算法模型,具备高精度目标识别、全局语义建模及并行处理能力,尤其适用于视频监控场景中动态目标的识别与行为分析。模型架构如图1所示。

图1中,Backbone为主干网络,负责从原始输入视频帧中提取多尺度空间语义特征。

Efficient Hybrid Encoder是高效混合编码器。其中,AIFI(AdaptiveIntra—FeatureInteraction)为级内特征交互模块,通过引入空间注意力机制与通道注意力机制的融合方式, 自适应增强关键目标区域(如人员形态、穿戴装备、动作姿态)的表示能力,同时抑制背景噪声的干扰,以强化每一尺度特征图中的上下文建模能力。CCFM(Cross—scaleContextFusionModule)为跨尺度上下文融合模块,变电站场景中,作业人员可能在远、中、近景快速移动, 目标尺寸变化剧烈,而CCFM采用的残差连接与动态注意力融合机制,可实现对空间连续性与上下文线索的感知,提升人员误入行为的连续跟踪能力。此外,CCFM的设计融合了不同尺度特征层(如图1中S3、S4、F5)之间的上下文信息,进一步提升了模型对多尺度目标的检测能力。

为提升目标检测中Query与 目标之间的匹配质量,RT—DETR引入了IoU—aware Query Selection策略。该机制通过对候选框与真实目标框之间的IoU值进行评估,筛选出一组与目标具有较高重叠度的ToP—K候选框作为解码器(Decoder)的Query输入,从而有效避免了Query分配不合理、定位误差大的问题。由于作业人员误入带电区域检测时需要实时响应的场景,RT—DETR在解码器上进行了轻量化重构,采用层间共享权重方式减少参数冗余,并配合动态门控机制快速聚焦风险区域。

1.2 基于RT—DETR的变电站作业人员误入带电区域检测流程

调用视频流,RT—DETR实时识别画面中是否存在作业人员 目标,并判断其是否位于预定义的带电高危区域内,将检测结果自动与电力作业工作票数据库进行对比,核验该人员是否具备当前时间段的带电区域作业权限。如检测到无票进入、越界靠近等行为,系统将自动触发预警机制(声光报警、云端推送、控制台提示等),实现对误入行为的秒级响应。

2 案例分析

2.1 案例背景

本案例以安徽省滁州市琅琊区110 kv变电站为主体,该站地处城区核心区域,运维频次高、人工流动密集,站内设有多个高压带电区域,如主变区、母线室、配电装置区,安全风险突出, 目前依赖工作票制度进行人员安全管控,存在作业人员进出带电区域监管滞后、事后追溯难、隐患发现周期长等问题。

为了提升该站点的本质安全水平,在现有的视频监控系统和 电力作业工作票系统中部署基于RT—DETR的变电站作业人员误入带电区域检测算法。首先,采集带电区域内不同气候、白昼黑夜、遮挡等各种难易场景下的图像共计1 000张,其中500张图像包含一个或多个作业人员,500张图像不包含作业人员目标。随机抽取70%的图像作为RT—DETR的训练集,10%的图像作为验证集,20%的图像作为测试集,训练RT—DETR模型,并评测 目标检测效果。其次,截取变电站带电区域3天视频流,应用本文算法,对误入管控效果进行连续评估。

2.2 评价指标

为了全面评估所提出的基于RT—DETR的变电站作业人员误入带电区域检测算法的有效性与实用性,本文从两个层面设计评价指标:一是目标检测性能指标,二是误入行为识别与管控效果指标。

2.2.1目标检测性能指标

目标检测的性能评估采用精度P、召回率R、平均精度mAP衡量,精度P表示检测出的正样本中实际为正的比例,反映模型识别的准确性;召回率R表示实际正样本中被模型正确检测的比例,衡量模型的漏检能力;mAP表示不同类别目标检测精度的平均值,反映模型整体检测效果。计算公式如下:

式中:TP为真正类;FP为假正类;FN为假负类。

2.2.2误入行为识别与管控效果指标

将RT—DETR部署至视频监控系统后,为检验系统对作业人员误入带电区域行为的响应能力,设计以下行为管控类指标:

2.3 实验结果

在完成模型训练与系统部署后,本文分别从 目标检测性能与误入行为管控效果两个方面对基于RT—DETR的变电站作业人员误入带电区域检测算法进行了实验评估,其结果如下所示。

2.3.1目标检测性能分析

在测试集上评估RT—DETR模型的目标检测效果,检测效果如图2所示。此外,与YOLOv8[3]、YOLOv9[4]、 DETR[5]等主流的目标检测模型进行对比分析,结果如表1所示。

由图2和表1可见,RT—DETR在各项指标上均优于YOLO系列模型与DETR模型,精度高达0.993,召回率为0.985,这说明模型即便是在面对带电区域内不同姿态、不同遮挡条件下的作业人员时,也能极为稳定且准确地检测出人员 目标,这对保障作业人员安全意义重大。且mAP较其余3种检测模型有着显著提升,这也得益于AIFI模块对人物关键区域的 自适应强化以及CCFM模块对多尺度目标的有效融合,使模型在任何背景下仍具备强鲁棒性。

2.3.2误入行为管控效果分析

在连续3天的视频监控中,累计模拟并记录了87次作业人员误入、靠近带电区域的真实与伪造事件,系统识别和响应情况如表2所示。

经测试,算法可在0.73 s完成作业人员误入行为检测与推送预警,极大提高了变电站现场的响应效率;同时误报与漏报均控制在较低水平,可满足实际工程部署需求。

3 结束语

本文提出了一种基于RT—DETR的变电站作业人员误入带电区域检测算法,通过采集和标注不同光照、遮挡、目标尺寸变化等复杂环境下的作业人员图片,训练并验证RT—DETR模型的有效性。同时,配合电力作业工作票系统,复核作业人员的进入作业权限。实验结果表明,该算法对作业人员误入带电区域的识别准确率达到96.6%,响应时间仅为0.73 s,误报率和漏报率均低于2.5%,有效解决了传统管控手段滞后的问题。该研究为变电站智能化安全管控提供了可靠的技术支持,对提升电力系统本质安全水平具有重要意义。

[参考文献]

[1]张豪,高林,龚宇翔,等.YOLO系列算法在电力行业目标检测领域的应用与发展趋势[J].湖北民族大学学报(自然科学版),2025,43(1):86—93.

[2]宋鸽,曹建福,曹晔,等.基于LsTM网络的机器人自适应轨迹跟踪控制方法[J].工业控制计算机,2025,38 (1):94—96.

[3] wang Y,zhang K H,wangL,etal.AnimprovedYOLOv8algorithm forrailsurfacedefectdetection [J].IEEEAccess,2024(12):44984—44997.

[4] wang c Y,Yeh IH,MarkL.Yolov9: Learning WhatyouWant to learnusingprogrammable gradient information[c]//European conference on computer vision.cham:springer Nature sWitzerland.2024: 1—21.

[5] 宫昊宇.基于DETR模型的小目标检测方法研究[D].成都:电子科技大学,2025.

《机电信息》2025年第21期第13篇