1、 视频信息采集位置

　　基于对风电场现场各种复杂生产环境的现场勘察，并与相关领导、专工充分沟通算法能力、依赖及需求后，确定三处视频信息采集关键点。分别为：塔基、机舱及箱变（如下图）。

　　2、 算法分析标准

　　风机机舱作为一个相对密闭环境，并位于风机塔顶位置，非工作人员难以进入，所以在算法选择上主要侧重于对工作人员的日常工作的规范性、以及机舱环境的安全性。风机机舱监测摄像头使用算法为安全帽识别、短袖识别、安全带识别、抽烟识别、烟雾识别、火焰识别。违规行为产生警告。

　　塔基作为风电场主要工作环境工作人员维护相对频繁，并且非工作人员难以进入，所以在算法选择上主要侧重于对工作人员的日常工作的规范性、以及塔基环境的安全性。塔基监测摄像头使用算法对安全帽识别、短袖识别、抽烟识别、烟雾识别、火焰识别等存在违规行为进行警告。

　　箱变所在位置相对空旷，要求非工作人员禁止入内，但安全防护上，仅有传统的物理栅栏与警示牌，难以满足防护要求存在被恶意破坏以及非工作人员闯入后的安全风险问题。所以在算法选择上除工作人员规范要求、箱变环境安全监测外增加了区域入侵、人员聚集、人员徘徊识别。箱变监测摄像头使用算法为安全帽识别、抽烟识别、短袖识别、区域入侵识别、人员聚集识别、人员徘徊识别、烟雾识别、火焰识别。

　　3、 部署方式

　　本案例根据业务和客户的需求，在风机机舱、风机塔基和风机箱变处各部署1台摄像头，每台风机共计3台。主要监测识别进入风机内部工作人员行为、操作的合规性，以及风机内部环境状态。箱变侧摄像机主要用于监测设备状态。

　　在中控室分别部署1台NVR视频录像机服务器、1台算法服务器和1台智能安全分析系统，可以对生产区各摄像机监控数据进行汇总、处理，并对违章行为和生产安全现象进行告警。

　　四、关键技术

　　1、 深度学习的图像识别技术

　　深度神经网络模型自主学习图像的高阶语义特征，相比于传统图像识别的人工设计特征，算法更具有鲁棒性。同时克服了深度学习模型训练中小样本训练、小目标检测、光照敏感性等难题。

　　2、 模型剪枝技术

　　通过知识蒸馏、通道剪枝等技术，使图像识别模型不仅可以适配云端服务器部署也可以在边缘计算设备部署，同时可以增强模型的推理能力，使相同配置的服务器或者边缘设备可以同时接入更多的视频路数。

　　3、 生成对抗技术

　　通过生成对抗技术，可以根据需求生成各种模拟数据，来解决小样本和零样本的问题，同时模拟数据能使图像识别模型能有更强的环境适应能力。

　　4、 孪生网络模型技术

　　孪生网络模型的数据对比学习模式，是通过构建数据对的原理，使其对微小异常检测具有优秀的敏感性。

　　五、 收效与价值

　　通过建立智能安全分析系统，实现人员、设备、环境的智能安全分析检测和异常告警。帮助风电场的监管从人工监管向智能监管模式的转变，提高设备运行与检修工作的安全性，减少人员事故发生、设备非停，帮助企业实现年均提升风电场设备利用小时数超过96h以上，并大幅降低检修成本超过30万。

　　预期项目完成后，更有效减少人员的事故伤亡情况、有效预防设备非计划停止，有效提升工作人员的作业规范与设备平稳运行水平。本项目的成功运转，有效的满足了国家智慧电厂发展方向与风电场安全生产需求；同时针对应急突发事件可以有效的、及时的反馈实时现场告警信息，对于推动企业产业结构调整、助力企业加强生产安全、助力企业服务风险管理能力的提高、深化全生命周期资产运用水平具有重要意义。