人工智能AI 行业应用整体建设解决方案

人工智能 AI+行业应用解决方案2019 年3 月8 日目录第一章计算机视觉发展历程 (3)1.1 当前计算机视觉技术的位置 (4)第二章变电站智能化监控 (5)2.1项目背景 (5)2.2解决方案 (5)2.3系统功能 (5)第三章电力隧道智能化监控 (6)3.1项目背景 (6)3.2解决方案 (6)3.3系统功能 (7)第四章电塔防破智能化监控 (7)4.1项目背景 (7)4.2解决方案 (8)4.3系统功能 (8)第五章加油站智能化监控 (9)5.1项目背景 (9)5.2解决方案 (9)5.3系统功能 (9)第六章配电室智能运维 (10)6.1项目背景 (10)6.2解决方案 (10)6.3系统功能 (10)第七章采油机智能化监控 (11)7.1项目背景 (11)7.2解决方案 (11)7.3系统功能 (12)第八章输油管线 (12)8.1项目背景 (12)8.2解决方案 (13)8.3系统功能 (13)第一章计算机视觉发展历程计算机视觉的发展历史可以追溯到 1966 年，在这一年著名人工智能学家马文·明斯基给他的学生布置了一道作业，让学生在电脑前面连一个摄像头，然后想办法写一个程序，让计算机告诉我们摄像头看到了什么。

这道题代表了计算机视觉的全部，通过一个摄像头让机器告诉我们它到底看到了什么。

所以，1966 年被认为是计算机视觉的起始年。

1970 年代，研究者开始去试图解决这样一个问题，就是让计算机告知他到底看到了什么东西。

当时，大家认为要让计算机认知到底看到了什么，首先要了解人是怎样去理解这个世界的。

当时有一种普遍的认知，认为人之所以理解这个世界，是因为人看到的世界是立体的，能够从立体的形状里面理解世界。

在这种认知情况下，研究者希望先把三维结构从图像里面恢复出来，在此基础上再去做理解和判断。

1980 年代，是人工智能发展的一个非常重要的阶段。

当时，在人工智能界开始做很多类似于现在的专家系统，计算机视觉的方法论也开始在这个阶段产生一些改变。

在这个阶段，人们发现要让计算机理解图像，不一定先要恢复物体的三维结构。

例如：让计算机识别一个苹果，假设计算机事先知道对苹果的形状或其他特征，并且建立了这样一个先验知识库，那么计算机就可以将这样的先验知识和看到物体表征进行匹配。

如果能够匹配上，计算机就算识别或者理解了看到的物体。

所以，80 年代出现了很多方法，包括几何以及代数的方法，将我们已知的物品转化成一些先验表征，然后和计算机看到的物品图像进行匹配。

90 年代，人工智能界又出现了一次比较大的变革，也就是统计方法的出现。

在这个阶段，经历了一些比较大的发展点，比如现在还广泛使用的局部特征。

随着 90年代统计方法的流行，研究者找到了一种统计手段，能够刻画物品最本质的一些局部特征，比如：要识别一辆卡车，通过形状、颜色、纹理，可能并不稳定，如果通过局部特征，即使视角、灯光变化了，也会非常稳定。

我们可以对物品建立一个局部特征索引，通过局部特征可以找到相似的物品。

通过这样一些局部点，可以让匹配更加精准。

到 2000 年左右，机器学习开始兴起。

以前需要通过一些规则、知识或者统计模型去识别图像所代表的物品是什么，但是机器学习的方法和以前完全不一样。

机器学习能够从我们给定的海量数据里面去自动归纳物品的特征，然后去识别它。

在这样一个时间点，计算机视觉界有几个非常有代表性的工作，比如：人脸识别。

你要识别一个人脸，第一步需要从图片里面把待识别的人脸区域给提取出来，我们一般叫做人脸检测。

像在大家拍照的时候，会看到相机上有个小方框在闪，那其实是人脸识别必要的第一步工作，也就是人脸框的检测。

在以前，这是非常困难的工作，但是在 2000 年左右，出现了一种非常好的算法，它能够基于机器学习，非常快速的去检测人脸。

机器学习的出现是伴随着一个必要条件出现的。

在 2000 年左右，整个互联网的出现和爆发，产生了海量的数据，大规模数据集也相伴而生，这为通过机器学习的方法来做计算机视觉提供了很好的土壤。

在这期间，出现了大量学术官方的，针对不同领域评测的数据集。

其中比较有代表性的就是 ImageNet。

这是由著名的斯坦福大学教授李飞飞发起的一个项目，她通过众包的方式，大概标注 1400 万张图片，分了大概 2 万多个类别，这些类别包罗万物，比如像动物，里边可能分为鸟类、鱼类等；植物，里面可能会分为树和花。

她的理想很宏大，就是希望提供这样一个数据集，为计算机视觉算法提供一个数据土壤，让未来的机器能够认识世界上的一切物品。

在 2000 年代，人工智能经历了一个快速发展期以后，整个人工智能在很多行业取得了非常好的应用，比如：视觉之外有搜索引擎排序和计算广告等等，视觉领域人脸检测器也被用在了各种各样的相机里面。

到 2010 年代，进入了深度学习的年代。

深度学习从本质上给整个人工智能带来了一次革命。

在早期多层神经网络经历 2000 年左右的一个低谷后，2006 年Hinton 教授在《科学》发表了对于深层神经网络的训练方法，带来了深度学习的蓬勃发展。

深度学习出现以后，对各种各样的视觉识别任务的精度都进行了大幅度的提升。

以人脸来进行举例，在深度学习出现之前，一个普通的识别算法，如使用颜色、纹理、形状或者局部特征，可以将各种特征糅合在一起，对于人脸识别率最高也只能做到 94%~95%。

在很多的实际系统，如人脸考勤，当时只能做到 90%~92%的识别率。

深度学习出现以后，直接将精度提高到了99.5%上，将错误率降低了 10 倍。

深度学习的出现使得以前视觉方法不太实用的一些应用领域，基本上都可以通过深度学习的方法来获得一个良好的应用。

1.1 当前计算机视觉技术的位置从以上的发展历史可以看到，计算机视觉在深度学习技术引入之前，其局限性很多。

随着大数据和算力的爆发，深度学习技术得以引入计算机视觉领域，将计算机视觉技术推向一个前所未有的高度，计算机视觉技术才真正的被广泛使用在人们的生活中。

纵观计算机视觉技术的发展历程，可以看到，计算机视觉技术目前还处在一个早期阶段。

当下的技术仍然无法解决最初提出的关键问题——像人一样理解图像。

基于图像的认知技术，是计算机视觉技术的极大挑战。

人类可以定义图像中的物体，基于图像中的场景理解其中的物体，根据图像的上下文理解事件，这些能力当前的计算机视觉技术都还不能很好的实现。

计算机视觉今后的一个重要方向，是融合语义理解等技术，让计算机真正理解图像。

第二章变电站智能化监控2.1 项目背景随着我国电网调度自动化的提高，变电站的无人值守运行是电力系统的发展趋势，由于目前变电站安装的各类辅助监控系统处于各自独立的工作状态，没有整合在一起协同工作，更没有实现“智能化”，同时存在以下问题：1、缺失一套对所有辅助系统进行统一管理的平台，无法实现对视频安防设施、变电站内辅助设施的实时监控以及智能化管理；2、变电站天气情况、站内环境及排水管网状况、高压室内六氟化硫、氧气浓度等重要信息无法实时掌握，且无历史记录，运行人员不能根据现场状况快速做出反应；3、变电站内的风机、照明、空调目前都只能现场手动控制或独立实现自动控制，无法实现应急时的联动远程控制；4、目前现有的辅助系统均未直接或间接参与现场安全生产管理工作，如及时发现变电站是否有外部人员入侵、纠正现场工作运维人员着装是否规范的智能化自动监控。

2.2 解决方案针对以上变电站目前所存在问题，建设一套基于人工智能的无人值守变电站智能辅助运维管理平台非常有必要。

本平台对原有视频安防系统进行升级，增加人工智能服务器自动识别检测变电站内是否存在外来人员入侵、对设备区运维人员标准穿戴进行自动检测，发现异常及时报警上传异常画面。

对变电站环境系统进行维护升级，增加变电站现场气象监测、高压室内部环境监测，同时增加水管道水位监测、故障油池水位与油位监测。

对变电站自动化控制系统进行维护升级，实现环境异常时自动排风，同时实现对照明、空调、风机的远程控制与状态反馈。

具体架构图如下：2.3 系统功能1视频监控系统：变电站内主要位置安装视频监控系统，同时搭载人工智能算法利用机器视觉技术进行自动识别，检测变电站内是否有外来人员出侵，电力运维人员在运维过程中是否符合标准着装规范，如有异常自动报警并上传报警截图，运行人员可实时接收数据与报警信息。

减少运行人员工作量，节省人力成本。

2环境检测系统：利用小型气象监测站对变电站风速风向、大气温湿度、大气压力、降雨量进行监测，为变电站运维工作提供有力的数据支撑，防止变电站因被淹而导致设备损坏，减少安全事故发生，保证变电站安全运行。

高压室内新增六氟化硫、温湿度、氧气传感器进行环境监测，实现环境异常自动排风，同时实现对照明、空调、风机的远程控制与状态反馈。

3排水监测系统：对变电站内故障油池新增水油位监测装置，排水管道内水位监测装置，防止变电站排水主管网排水不畅、主变充氮灭火装置向事故油池微渗等情况出现时无法得知。

第三章电力隧道智能化监控3.1 项目背景电力隧道监控领域目前尚处于初级阶段，不同隧道根据自身的需求和特点，配置一种或多种监控装置，每种装置各自独立完成单一的监控功能，相互间缺乏必要的协作，尚未建立起真正意义上的综合性电力隧道监控系统。

目前电力隧道主要存在问题有：管理与运维人员无法实时把控隧道现场的情况，常用定期巡检方式，有隐患时不能及时发现与控制；电力隧道地处偏僻之地，一旦出现非法人员入侵进行破坏时，不能及时发现与告警；安装的视频监控摄像机数量很多，数据量太大且大部分为没有实用价值的数据，当问题出现后才进行历史数据查询，不能及时发现隐患；现场环境监控设备不能实现自动控制，大多设备通过手动实现，现场人员在巡检时的安全得不到保障；电缆在发生火灾时不能及时报警。

3.2 解决方案基于人工智能的电力隧道智能化运行平台，该平台分为环境监测、设备监控与控制、安全防范三个子系统。

环境监测系统主要针对隧道内危险气体、温湿度、液位等参数进行监测和报警，保证进入电力隧道运维人员的安全；设备监测与控制系统实现隧道内环境与集水井液位如有异常，联动风机与水泵控制单元，为电力隧道内设备营造一个健康的运行环境，保障设备安全运行。

安全防范系统系统具有视频监视与控制功能，能够对隧道内部环境、出入口、设备间等重要位置处实时全方位的图像监控。

视频监控系统除了具有数字化视频监控系统自身的视频采集、存储、报警、联动等基本功能外，还具有图像分析处理能力，对进入隧道的外来入侵人员自动识别，对隧道内运维人员着装是否规范进行自动检测，如有异常自动报警。

具体架构图如下：3.3 系统功能本系统分别针对“巡、防、控”三个方面进行设计，主要分为：1视频监控系统：对出入口与主要位置安装视频监控系统，同时搭载人工智能算法利用机器视觉技术进行自动识别检测，检测隧道内是否有外来人员出侵，电力运维人员在运维过程中着装是否符合标准规范，线缆布放是否符合规范，如有异常系统自动报警并上传报警截图进行记录。