基于现场可编程门阵列的智能配电站安防巡检系统设计与实现

在我国电力系统中，配电站属于电力网络边缘节点，是电力系统中的重要环节。然而，人工巡检或一些传统硬件设备的数据采集手段，由于成本及效率等问题，已经无法匹配当下的安防巡检需求。针对此问题，福州大学物理与信息工程学院、闽江学院计算机与控制工程学院的研究人员陈标发、陈传东、魏榕山、罗海波，在2022年第5期《电气技术》上撰文，提出一种基于现场可编程门阵列（FPGA）的智能配电站安防巡检解决方案。

他们首先利用YOLOv4-tiny网络实现安全帽佩戴检测、工作服着装检测、越界预警识别等功能，其准确率可达93.5%；其次针对配电站的应用场景，利用FPGA在边缘设备上实现实时检测的效果，并从并行展开及流水线等方面进行加速优化。实验结果表明，该系统可在ZCU102平台上实现每秒传输帧数为68的检测速度，整体平均性能达到228十亿次运算/秒。

在我国电力系统中，配电站作为电网末端与用电设备相连的关键节点，与输电、变电同样是电力系统中的重要环节。随着社会经济的高速发展，以及配电站在整个电力网络中的特殊地位，其数量也日益增加。

人工巡检或一些传统硬件设备的数据采集手段，由于成本或效率等问题，已经无法完美匹配当下数以万计的配电站安防巡检需求。并且，配电站属于高电压、高危场所，如何高效、安全地监管进入站房的工作人员及其施工区域是否合规等，更是一个重要问题。

当前的主流做法是采用安装相关传感器的方式进行监管，该方案存在成本高、无法存证等问题。因此，有必要研究与设计新的监管方法，在低成本的条件下实现证据链的保存和违规识别的高准确率。

在传统硬件设备环境感知的基础上，本文提出一种基于机器视觉的智能配电站安防巡检解决方案。此方案可通过视频监控设备，实现对配电站房内视频流的视觉分析，通过YOLO（you only look once）卷积神经网络进行目标检测，从而实现安全帽佩戴检测、工作服着装检测、越界预警识别等功能。

在实际应用中，绝大部分卷积神经网络都是部署在中央处理器（central processing unit, CPU）和图形处理器（graphics processing unit, GPU）上，然而CPU的高延时、低效率，GPU的高成本、高功耗的缺点决定了其难以在边缘设备上实现。张量处理器（tense processing unit, TPU）、网络处理器（neural- network processing unit, NPU）作为特殊的专用集成电路（application specific integrated circuit, ASIC）方案，研发成本高，研发周期长，且完成后难以更改，难以适应更新迭代较快的神经网络算法。因此，本文利用现场可编程门阵列（field programmable gate array, FPGA）的可定制性、可重构性及高并行度的独特优势，设计一套基于FPGA的快速推理模型。

1 YOLO卷积神经网络

1.1 YOLO模型

近些年来，有关目标检测算法的研究取得了一定的进展。目前比较流行的算法可以分为基于候选区域的两阶段（two stage）目标检测算法和单阶段（one stage）目标检测算法，包括YOLO、SSD（single shot multibox detector）等。相较于两阶段目标检测算法，单阶段目标检测算法虽然在精度上略有不及，但其在模型参数量及检测速度上均有一定优势。

YOLO是一种基于深度神经网络的对象识别和定位算法，是较为优秀的目标检测架构之一，其在检测实时性方面具有较大优势。YOLO将生成候选区和对象识别这两个阶段合二为一，利用整张图片作为网络的输入，直接在输出层回归边界框的位置和所属类别。

YOLOv4-tiny是在YOLOv4算法的基础上进行压缩设计的，其结构更为简单，参数量只有原来的十分之一，这使YOLOv4-tiny的检测速度获得较大提升，使之部署在移动和嵌入式设备上成为可能。因此本文采取YOLOv4-tiny网络进行目标检测。而对于部分对速度、功耗、资源不敏感，对精度有较高要求的场景，可使用YOLOv4或其他卷积神经网络。

1.2 数据集采集

由于配电站环境复杂多变，通过监控摄像头和公开数据集获取更为丰富的数据集。利用监控摄像头进行视频采集，并经过筛选及处理共获得12928张图片。此外，还从公开数据集中获得9 873张图像文件。完成图像采集后，使用开源项目LabelImg进行标定工作。

数据集各类标签比例如图1所示，通过对数据集标签文件的分析可知，本次采集的数据集中共四种检测目标，即穿着工作服的行人、未穿着工作服的行人、已佩戴安全帽的头部、未佩戴安全帽的头部。

图1 数据集各类标签比例

1.3 训练结果

利用本次采集的数据集对YOLOv4-tiny模型进行训练，训练结果各项指标见表1。其中，Precision为准确率；Recall为召回率；MAP.5为将IOU（intersection over union）设置为0.5时，每个类别的AP（average precision）的平均值。

表1 模型训练结果指标

利用训练好的模型对验证集图片进行检测，如图2所示，能够准确识别画面中所出现的工作人员是否佩戴了安全帽，以及是否穿着工作服。若正确佩戴安全帽且穿着工作服，则不出现提示信息，使用绿框框出工作人员；若错误佩戴或未佩戴安全帽，则使用黄框框出对应工作人员头部，并使用“Helmet”在头部进行标注；若未穿着工作服，则使用黄框框出对应工作人员，并使用“Dress”在头部进行标注。

图2 效果展示

2 FPGA加速器设计

2.1 量化方案

神经网络的训练一般采用浮点数进行计算，然而浮点运算在硬件平台上的实现比定点计算更加复杂，运算效率更低。为减少硬件资源消耗，提高系统推理速度，对YOLOv4-tiny模型进行8bits对称线性量化。对称线性量化具有高效、易于硬件实现的优势，其具体量化公式为

2.2 系统架构设计

系统架构如图3所示。CPU负责统筹协调任务并发送指令。PL端主要负责YOLOv4-tiny网络的加速实现。由于片上存储资源有限，采用片外数据方向寄存器（data direction register, DDR）协同存储数据。

图3 系统架构

PL端可通过配置直接存储器访问（direct memory access, DMA）实现输入输出数据的传输。指令存储于随机块存储器（block random access memory, BRAM），其中包括操作模式、配置参数、存储位置等指令。

Command Analyzer作为核心控制模块，负责解析指令，并输出相应的控制信号。池化模块、上采样模块、卷积模块等计算单元，从输入缓冲区读取输入特征图，利用数字信号处理（digital signal processing, DSP）资源进行相应计算，中间数据缓存于输出缓冲区，计算完成后进行量化、激活，最终存入输入缓冲区。

2.3 加速器优化设计

YOLO网络经历多次的卷积和池化层，其中包含大量的重复循环操作，因此需对数据排布与存储、计算过程等方面进行优化与改进。本文考虑采用并行展开与流水线技术来提高并行度，增加系统吞吐量。并行展开是一种用面积换速度的设计方法，通过在硬件上重复设计多个计算单元，可以实现一定数量计算单元的并行运算。

卷积优化架构如图4所示，卷积过程中，考虑到随着网络层数的增加，特征图尺寸越来越小，而通道数越来越大，故若直接按照特征图宽度和高度进行并行展开，当宽度和高度小于并行度时则无法充分利用重复设计的硬件单元，造成资源的浪费且无法达到加速的目的。因此选择对输入通道及输出通道进行并行展开。充分利用DSP资源，提高系统并行度，从而增大系统吞吐量。

图4 卷积优化架构

流水线技术广泛运用于硬件架构设计中，它可以缩短运行周期并有效提升系统效率。本文对循环中的任务采取流水线技术优化，将原有卷积操作进行细分，以周期为单位细分读数据、乘法、累加、写数据等操作，使每个环节在每个周期都可以有连续的输入与输出。以卷积中的累加操作为例，如图4中PE所示，通过加法器树的设计，使每个周期并行展开的乘法结果都可以开始累加操作而不互相依赖，从而实现流水线设计。

3 结果与分析

为了评估本文的优化策略，使用Xilinx公司的ZCU102开发板进行验证。性能评估见表2，DSP资源主要用于进行乘法运算，BRAM资源主要用于存储输入图片、权重、量化参数等数据。为了提升并行度、加快检测速度，各逻辑模块消耗了较多的触发器和查找表（look up table, LUT）资源。

系统时钟频率150MHz的情况下，整体平均性能达到228十亿次运算/秒（giga operations per second, GOPS），峰值性能达到307GOPS，系统实现每秒传输帧数（frames per second, FPS）为68的检测速度。

表2 性能评估

4 结论

本文针对当下配电站存在的缺陷及其需求，设计了一套基于FPGA的智能配电站安防巡检系统。

通过YOLOv4-tiny网络实现安全帽佩戴检测、工作服着装检测、越界预警识别等功能，达到了危险预警和异常告警的目的。在ZCU102 FPGA开发板上进行了加速器的实现与优化，通过并行展开及流水线操作两方面进行加速优化，最终实现68FPS的检测速度，整体平均性能达到228GOPS，峰值性能可达307GOPS。

考虑到配电网络结构庞大多变，配电站环境较为复杂，可通过增加、修改数据集，利用神经网络的自学习、自适应能力，重新训练获得网络模型，并更新硬件系统相关参数本，以适应新场景的需求。

因此，本文提出的解决方案具备较强的通用性，能够大幅降低整个电力网络在配电站环节针对安防巡检的投入成本，并有效提高整个电力网络的运行效率，最大限度保障人员、设施安全，为配电站安防巡检的智能化发展提供参考。