電網(wǎng)資產(chǎn)實物ID特高頻RFID標(biāo)簽三碼一致性驗證應(yīng)用研究

趙建利，耿 茜，馮海燕，包小千

(國網(wǎng)河北省電力有限公司電力科學(xué)研究院，石家莊 050021)

1 概述

國家電網(wǎng)公司自2016年啟動電網(wǎng)實物資產(chǎn)身份ID建設(shè)[1]，以實物ID[2]為核心關(guān)聯(lián)貫通業(yè)務(wù)編碼，集成資產(chǎn)規(guī)劃設(shè)計、采購建設(shè)、運行維護以及報廢處置各階段信息，以實現(xiàn)資產(chǎn)信息全維度收集、全過程追蹤、全方位共享。目前實物ID的2種實現(xiàn)方式分別為二維碼標(biāo)簽[3]和RFID標(biāo)簽[4-5]，而RFID標(biāo)簽以其靈敏度高、距離遠(yuǎn)、多目標(biāo)識別等特點，能夠更好的適應(yīng)電網(wǎng)資產(chǎn)種類龐雜、分布較廣的特殊工作環(huán)境，得到了較多的應(yīng)用。

常用RFID標(biāo)簽樣式如圖1所示，芯片內(nèi)部存儲了一定位數(shù)的實物ID編碼，在芯片外殼表面附著數(shù)字編碼及其對應(yīng)的二維碼，現(xiàn)場業(yè)務(wù)執(zhí)行過程中，由于實物ID的RFID識別與標(biāo)簽表面二維碼掃碼識別并行應(yīng)用，若芯片內(nèi)碼與二維碼不一致，將直接造成實物ID關(guān)聯(lián)業(yè)務(wù)信息的混亂，影響后期資產(chǎn)全壽命關(guān)聯(lián)信息追溯[6-8]的成效。

圖1 RFID標(biāo)簽樣式

2 圖像處理與二維碼識別

因本文所研究的RFID標(biāo)簽表面二維碼與數(shù)字編碼是相鄰排放，所以采用一次取像技術(shù)，具體流程如圖2所示。

2.1 圖像預(yù)處理

圖2 RFID標(biāo)簽表面二維碼和數(shù)字編碼的識別流程

為提高圖像特征提取、分割、匹配與識別的可靠性，系統(tǒng)采用了灰度化和基于灰度直方圖的多閾值法的二值化等方法進行圖像預(yù)處理[9-11]。

2.1.1 灰度化

fk(i，j)(k=1，2，3)為轉(zhuǎn)換后的灰度圖像在(i，j)處的灰度值，即將彩色圖像中的三分量的亮度作為3個灰度圖像的灰度值，分別為 R(i，j)、G(i，j)、B(i，j)，根據(jù)實際應(yīng)用需要選取一種灰度圖。

接著求出原圖的直方圖h={xi}(i=0，1，…，255)，計算灰度分布概率。設(shè)圖像總體像素N=lw，每個灰度的像素個數(shù)在整個圖像中的占比為:

則灰度級的累計分布hp的計算方法如下:

式中:i=0，1，…，255。然后計算新圖像的灰度值，如式(3)所示。

式中:hp(k)為f(i，j)的累計概率分布。

2.1.2 二值化

由于該裝置主要應(yīng)用在變電站中，現(xiàn)場光線環(huán)境復(fù)雜，系統(tǒng)根據(jù)圖像直方圖的形狀選取不同的二值化處理過程，可有效去除光線不均的影響。

若灰度直方圖呈現(xiàn)雙峰結(jié)構(gòu)(正常光照)，則直接對圖像進行二值化；若呈現(xiàn)單峰或弱雙峰結(jié)構(gòu)(偏暗或偏亮)，則應(yīng)用動態(tài)Otsu算法[12]計算最大類間方差作為全局閾值，將圖像進行二值化；若直方圖呈現(xiàn)N峰結(jié)構(gòu)(光照不均)，則對圖像進行分塊直方圖均衡化后再用動態(tài)Otsu算法進行二值化處理。

2.2 圖像畸變校正及二維碼解碼

因為本裝置處理的二維碼和數(shù)字編碼都是附著在RFID標(biāo)簽外殼表面，不存在攝取到曲面圖像的情況，所以為簡化處理過程，先對畸變圖像進行透視變換，然后使用線性插值對透視變換后的圖像進行插值，完成圖像的畸變校正。

設(shè)(x，y)為非畸變的圖像，(u，v)是斜視畸變的圖像，M為變換矩陣，通用變換公式為:

對上式進行求解并進行歸一化可得:

由于校正后的圖像中有些區(qū)域在畸變圖像中無對應(yīng)像素點，為了消除對應(yīng)灰度值的縫隙，提高校正后圖像識別的準(zhǔn)確度，應(yīng)用雙線性插值法[13]對灰度值進行插值，即根據(jù)待插像素點近鄰域內(nèi)的4個已知像素點的加權(quán)平均來求得最終像素值，該算法保證了像素點的灰度連續(xù)性。定位3個或者3個以上的位置探測圖形進行二維碼區(qū)域定位，應(yīng)用Zbar開源庫對校正后的二維碼進行解碼，獲取實物ID編碼。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字編碼識別

3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種帶有卷積運算的前饋神經(jīng)網(wǎng)絡(luò)，主要由輸入層、卷積層、池化層和全連接輸出層構(gòu)成[14]，其采用局部感知域和權(quán)值共享的方法，不僅降低了網(wǎng)絡(luò)模型的復(fù)雜度，而且緩解了網(wǎng)絡(luò)模型過擬合問題，近年來被廣泛應(yīng)用于人臉識別、目標(biāo)檢測等圖像識別領(lǐng)域。采用LeNet-5模型的卷積神經(jīng)網(wǎng)絡(luò)對RFID標(biāo)簽表面數(shù)字編碼進行識別，其結(jié)構(gòu)示意如圖3所示，使用MNIST數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練。

圖3 LeNet-5模型結(jié)構(gòu)示意

3.2 RFID標(biāo)簽表面數(shù)字編碼識別

3.2.1 數(shù)字編碼區(qū)域定位

根據(jù)RFID標(biāo)簽表面數(shù)字編碼的特點(數(shù)字編碼在二維碼下方，都包含“ID:”，且為一長條區(qū)域)，定義小模板“ID:”，利用基于灰度的匹配方法在獲取圖像的二維碼下方區(qū)域，移動小魔板進行圖像匹配，定位“ID:”的起始坐標(biāo)ST、以及高度h、寬度w。根據(jù)要系統(tǒng)設(shè)置的數(shù)字編碼長度N，計算數(shù)字編碼區(qū)的總體長度w*N/3，從而獲得數(shù)字編碼區(qū)域圖像A，長度為Wa，高度為Ha。

3.2.2 數(shù)字分割

由于RFID標(biāo)簽表面數(shù)字編碼位數(shù)較多，為降低學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練復(fù)雜度，可將一連串編碼進行分割，然后對分割后的單個數(shù)字圖像進行識別。

設(shè)A為定位后的數(shù)字編碼區(qū)域圖像，A[i，j]表示像素點(i，j)的值，為0表示黑色，為1表示白色。計算一維分割向量:j](j=1，2，…，Wa)。

X[j]為1表示該位置為數(shù)字之間的間隔區(qū)域。從左向右掃描X[j]，用一個游標(biāo)pp來記錄數(shù)字圖像中掃描的變化，如果游標(biāo)遇到0，則表明該處為黑點，表示該位置為第一個數(shù)字的左邊界，標(biāo)記為col1；繼續(xù)向右掃描，若遇到1，且第一次遇到1，則表示該位置為第一個數(shù)字的右邊界，記錄該數(shù)字圖像為number1。以前一個數(shù)字的右邊界為掃描起點，重復(fù)前面的步驟，直到把所有的數(shù)字都分割出來。數(shù)字編碼分割完成后，應(yīng)用訓(xùn)練好的LeNet-5網(wǎng)絡(luò)進行數(shù)字識別。

4 三碼一致性驗證裝置設(shè)計與實現(xiàn)

4.1 系統(tǒng)設(shè)計

本研究根據(jù)前述功能要求完成了一款特高頻RFID標(biāo)簽三碼一致性驗證裝置，其硬件系統(tǒng)框架如圖4所示。

圖4 硬件系統(tǒng)框架結(jié)構(gòu)

系統(tǒng)以嵌入式微處理器為核心，輔助以超高頻RFID讀卡芯片、無線網(wǎng)絡(luò)通信模塊、圖像采集模塊，以及按鍵輸入、顯示屏和音頻輸出模塊。系統(tǒng)功能主要包括原始圖像采集、讀取RFID芯片編碼、標(biāo)簽表面二維碼識別、數(shù)字編碼識別和三碼一致性判定邏輯。具體的一致性驗證流程如圖5所示。

圖5 RFID標(biāo)簽三碼一致性驗證判定流程

當(dāng)將待檢測RFID標(biāo)簽置入待檢區(qū)后，超高頻讀卡模塊識別出芯片內(nèi)部實物ID編碼，接著啟動攝像頭為標(biāo)簽表面進行拍照，獲取同時包含標(biāo)簽表面二維碼和數(shù)字編碼的圖像，并以二維碼為核心進行圖像預(yù)處理(包括灰度化、自適應(yīng)中值濾波和基于灰度直方圖的自適應(yīng)多閾值動態(tài)Otsu法二值化)；隨后分別調(diào)用二維碼識別模塊和數(shù)字編碼識別模塊進行識別。判定時，如果三碼一致，則無線通信模塊調(diào)用云端服務(wù)器，進一步確定待測實物ID對應(yīng)設(shè)備所處工作狀態(tài)，最后進行驗證結(jié)果的顯示及語音播報。

4.2 實驗分析

圖6展示了應(yīng)用本裝置在光線不均情況下二維碼及數(shù)字碼識別圖像的預(yù)處理過程及效果。應(yīng)用本裝置采集現(xiàn)場光線不均情況下的圖像1000例，對比不同處理方法的識別率及識別速度，見表1。通過比較可以看出，文中所采用的對圖像分塊進行直方圖均衡化后應(yīng)用Otsu算法的識別效率，要明顯優(yōu)于未進行直方圖均衡化，而圖像分塊后直接應(yīng)用Otsu算法的處理過程，并且隨著圖像分塊數(shù)目的增加，識別效率也隨之增加，說明圖像分塊數(shù)目的增加可有效消除光照不均對二值化的影響。但分塊數(shù)目的增加也增加了圖像預(yù)處理的時間，影響了識別速度，所以分塊要適量。

圖6 光照不均情況下不同圖像二值化方法應(yīng)用對比

表1 不同圖像二值化方法識別效率對比

4.3 裝置性能

本裝置應(yīng)用基于灰度直方圖的自適應(yīng)多閾值動態(tài)Otsu法處理采集到的圖像存在一定的復(fù)雜背景干擾、光照不均和斜視畸變等情況，二維碼和數(shù)字編碼識別更靈敏；本裝置采用基于Let Net-5模型的卷積神經(jīng)網(wǎng)絡(luò)對標(biāo)簽表面數(shù)字串進行智能識別，數(shù)字編碼識別正確率達(dá)到99.5%；本裝置便于攜帶、操作簡單、交互友好，由于功率可調(diào)節(jié)，可防止在RFID閱讀器有效工作范圍內(nèi)出現(xiàn)多個RFID應(yīng)答器的碰撞，保證待驗證RFID標(biāo)簽的唯一性。

4.4 應(yīng)用場景

該裝置的應(yīng)用場景主要有以下3種。

a.設(shè)備貼簽之前的實驗室檢測。由于標(biāo)簽供應(yīng)商與設(shè)備供應(yīng)商不是同一家，可應(yīng)用本裝置在實驗室對RFID標(biāo)簽生產(chǎn)廠家提供的標(biāo)簽進行實驗室檢測，因為一致性檢測響應(yīng)時間≤1.5 s，單個裝置的日檢測量可達(dá)2 000個標(biāo)簽。

b.設(shè)備貼標(biāo)后物資到貨驗收環(huán)節(jié)的抽檢。物資到貨后，RFID標(biāo)簽已被設(shè)備供應(yīng)商裝貼在設(shè)備銘牌附近，由物資專業(yè)進行到貨驗收，可應(yīng)用本裝置對設(shè)備上的RFID標(biāo)簽進行三碼一致性驗證抽檢，結(jié)果數(shù)據(jù)可作為評價設(shè)備供應(yīng)商貼簽質(zhì)量的重要依據(jù)。

c.設(shè)備貼標(biāo)運行后應(yīng)用抽檢。本裝置也可用于運行中設(shè)備RFID標(biāo)簽一致性驗證的抽檢工作。

5 結(jié)論

國網(wǎng)公司在《資產(chǎn)統(tǒng)一身份編碼建設(shè)推廣實施方案》中明確，2018年8月后實現(xiàn)主網(wǎng)8類、配網(wǎng)2類設(shè)備所有招標(biāo)批次的增量設(shè)備源頭賦碼貼標(biāo)，到2020年實現(xiàn)主網(wǎng)14類、配網(wǎng)2類50%存量設(shè)備標(biāo)簽制作安裝及信息關(guān)聯(lián)追溯，屆時貼標(biāo)設(shè)備數(shù)量將達(dá)到千萬級別。這也意味著RFID標(biāo)簽三碼一致性檢測工作在入網(wǎng)前后的檢測數(shù)量將達(dá)到上億級別。本裝置可在國網(wǎng)公司系統(tǒng)內(nèi)得到廣泛應(yīng)用，為保證RFID標(biāo)簽入網(wǎng)前的正確率、提高電網(wǎng)資產(chǎn)實物ID信息追溯的一致性與完備性提供重要的解決方案。