MeterEye：基于NB-IoT和圖像處理的普適遠程抄表系統

王杜毅，常相茂

(南京航空航天大學 計算機科學與技術學院，南京 211106)

1 引 言

儀表深入生產生活的方方面面，被用于計量或監控各種數據的變化，例如水表、壓力表和轉速表，而抄表則是生產供應方了解統計數據變化的必備手段.傳統的人工抄表方式是一種非常低效的手段，存在著人工成本高、管理難和易出錯的問題.基于M-Bus、RS485總線的有線抄表技術通過有線信道對一定區域內的儀表進行集中讀數，雖然解決了低效的問題，但是還有著部署成本高、維護困難的缺點[1，2].無線遠程抄表技術的出現在一定程度上解決了人工抄表存在的問題，但是基于GRPS、ZigBee等無線技術的抄表方案仍然存在低覆蓋、欠穩定和高功耗的不足[3，4].窄帶物聯網(NB-IoT)由第3代合作伙伴計劃(3GPP)委員會制定，被認為是最有前途的低功耗廣域網(LPWA)技術之一[5].NB-IoT技術具有低功耗、廣覆蓋和大容量的特點，為低流量的物聯網應用提供了一種更適合的無線傳輸解決方案[6].已有多種基于NB-IoT的無線抄表系統被提出和應用[7-12].然而，現有的NB-IoT遠程抄表系統通常需要對老式表頭進行改裝或更換，有著較高的安裝成本[13]，并局限于一種儀表數據的采集，應用范圍有限.同時系統功耗較高，遠不能達到NB-IoT協議所設計的10年工作壽命.因此，有必要設計一種普適的低功耗抄表系統來滿足不同表頭的抄表需求.

本文提出并實現了一種基于NB-IoT和圖像處理技術的普適遠程抄表系統MeterEye.MeterEye通過讀取表盤圖像避免了對原有表頭的改裝，只傳輸包含讀數信息的圖像變化量，并利用壓縮感知技術[14，15]降低圖像傳輸功耗.本文對指針式和字輪式表頭的傳輸圖像都進行了圖像重建質量分析，并采用基于卷積神經網絡(CNN)的數字識別系統的準確率作為衡量圖像重建質量的標準[16-18].以水表應用為例，本文對MeterEye的系統功耗和識別準確率進行了實驗分析.

本文提出的MeterEye抄表系統具有以下優勢：

1)應用廣泛.MeterEye采用圖像作為讀數手段，因此適用于不同種類的表頭.實驗結果表明，MeterEye在指針式和字輪式表頭上都有良好的表現.

2)安裝便捷.MeterEye只需在原表基礎上安裝一個表蓋，不需要對原表內部進行改動，因此系統的安裝非常便捷.

3)低功耗.MeterEye采用低功耗的NB-IoT作為無線傳輸方案，降低了系統無線模塊的功耗.在確保抄表圖像能夠識別讀數信息的前提下，使用并行壓縮感知盡可能的壓縮抄表圖像.實驗結果表明，壓縮感知的應用能夠降低功耗.

2 系統硬件設計

2.1 系統結構

智能抄表節點由微處理器(MCU)、NB-IoT模塊、數據采集模塊和時鐘模塊組成，結構如圖1所示.MCU負責操控整個節點的工作和抄表數據的處理；NB-IoT模塊負責抄表數據的發送和服務器信息的接收；數據采集模塊采集抄表圖像并通過UART接口發送給MCU進行處理；時鐘模塊為MCU提供時鐘信息和定時喚醒功能.硬件節點的外形如圖2(a)(正面)和圖2(b)(背面)所示，一個同表頭相匹配的塑料外殼用于固定和安裝抄表節點，如圖2(c)所示.

圖1 智能抄表節點結構

圖2 智能抄表節點

2.2 模塊設計

2.2.1 MCU

MCU主要負責數據的處理以及NB-IoT模塊的控制.MCU開機初始化完成后，會建立兩個進程，進程1用于接收和處理數據，進程2用于控制NB-IoT模塊發送數據.進程1通過UART接口接收攝像頭或其他傳感器采集到的數據，處理后以Blob數據格式存入本地SQLite數據庫中.進程2檢索數據庫中未發送的數據，通過AT指令控制NB-IoT模塊發送數據.我們采用具有32MB DDR2的NuvoTon N32905U1DN(ARM926EJ-S@200MHz)作為抄表節點的MCU.

2.2.2 NB-IoT模塊

智能節點中采用的NB-IoT模塊是配備海思Hi115芯片的中移物聯M5310A模組.模塊的運行由MCU通過AT指令進行控制，當不工作時，會進入PSM待機模式節省功耗.當有數據需要發送時，從省電模式(PSM)中被喚醒并通過UDP協議將數據發送至服務器.

2.2.3 數據采集模塊

該模塊由閃光燈和攝像頭組成，如果表頭安裝在陰暗的地方，需要閃光燈來保證攝像頭采集到的抄表圖像清晰可辨.采集到的數據通過UART接口傳輸到MCU進行進一步的處理.

2.2.4 時鐘模塊

為MCU提供時鐘服務，使節點在需要傳輸數據時通電，其余時間為休眠狀態.時鐘模塊的工作電流為微安級，遠小于節點的待機電流，因此可以有效的延長節點的工作壽命.我們選用的時鐘模塊為PCF8563，在3.0V電壓和25攝氏度溫度下，典型電流值為0.25μA.

3 抄表圖像處理

儀表通常安裝于陰暗偏僻的環境中，因此由固定位置攝像頭拍攝的抄表圖像變化很小，相似度很高.抄表圖像的變化通常是由環境光和數字讀數的變化引起.當環境光發生變化時，圖像上像素值的變化量比較連貫，在頻域上也非常稀疏.如果采集過程中使用閃光燈作為穩定光源，環境光引起的變化量則可以忽略.數字讀數引起的像素值變化在頻域上的表現也比原始圖像稀疏.

以水表圖像為例，我們將先前采集的抄表圖像作為模板，用原始圖像的像素值與模板圖像相減，來求得原始圖像上像素值的變化情況，圖3(c-d)顯示了原始圖片與模板圖片之間的差異.灰度圖像的像素值范圍為[0，255]，其中0為純黑色，255為純白色.像素值的正值變化量表示原始圖像中消失的數字，負值變化量表示圖像中出現的數字.在圖像的離散余弦變化(DCT)系數圖像中，白色表示非零系數，黑色表示零系數.我們可以從圖3(e-g)中發現，差值圖像的DCT系數圖像中白色比原始圖像少，說明差值圖像在DCT域中比原始圖像更稀疏.因為壓縮感知是利用數據的稀疏性對數據進行大幅度的壓縮，所以差值圖像會比原始圖像在壓縮感知中表現更好.

圖3 原始圖像和模板圖像之間的差異以及DCT系數圖像

如果將模板圖像中的數字抹去，那么負值變化量主要包含表盤讀數，而正值變化只包含少量可以忽略的信息，修改后的模板圖片如圖3(h)所示.從圖3(k-l)中可以發現，此時負值圖像在DCT域中仍然比原始圖像稀疏.因此，可以忽略正值變化量，只發送壓縮包含讀數信息的負值圖像，實現更高程度的壓縮.

為了放寬圖像的有限等距性質(RIP)，來提高并行壓縮感知的性能[19]，我們選擇將之字形掃描應用于圖像的DCT系數圖像，之字形掃描按照“之”字形的路徑，從圖像的左上角向右下角進行掃描.在DCT系數圖像中，因為圖像的能量主要集中在低頻上，所以非零系數常聚集在圖像的左上角.經過之字形掃描置換后，非零系數會較為均勻的分布在圖像的上方，這是因為之字形掃描首先掃描到的是能量聚集的低頻，按照從低頻到高頻，從密集到稀疏的順序掃描.置換后的系數圖像各列之間的非零系數分布更加均勻，有助于提高并行壓縮感知的性能.這種方法同樣適用于長寬不等的圖像.

4 圖像傳輸機制

4.1 測量矩陣生成

使用壓縮感知進行圖像壓縮，需要通信雙方共享壓縮時使用的測量矩陣.為了避免直接存儲體積較大的測量矩陣，我們選擇由一維混沌系統Logistic映射生成壓縮感知的測量矩陣，這樣就只需要存儲體積很小的Logistic映射的初始值和參數.一維Logistic映射的定義如下所示：

xn+1=μxn(1-xn)，x∈(0，1)

(1)

當μ∈[3.57，4]時，一維Logistic映射是一個混沌系統.

假設測量矩陣Φ的大小為N×M.當初始值、參數和采樣距離分別為x0、μ0和d0時，Logistic映射生成一串長度為d0+N的序列，其中前d0個元素被拋棄，得到序列s=[s1，s2，…，sN].序列s作為測量矩陣的初始行向量用于構建循環矩陣.測量矩陣Φ的構造方式如下[20]：

(2)

其中2≤i≤M，λ>1用于消除矩陣行向量之間的相關性.

4.2 圖像壓縮傳輸

假設抄表圖像的X大小為N×P，壓縮過程如下所示：

1.求差.原始圖像X同模板圖像X0相減得到負值圖像X′.模板圖像由服務器直接發送給節點或者由節點根據服務器反饋自行生成.

2.置換.通過DCT變化得到負值圖像X′的稀疏系數矩陣S，對系數矩陣S進行之字形掃描置換得到加擾矩陣S′.

3.生成測量矩陣.設定初始值和參數分別為x0和μ0，Logistic映射進行d0+N次迭代獲得序列s，其中x0、μ0和d0由服務器同節點事先分享，之后根據上述方法生成測量矩陣Φ.

4.測量壓縮.使用測量矩陣Φ對加擾矩陣S′進行測量，得到測量矩陣Y=ΦS′.

5.量化.Y′是測量矩陣Y中元素根據以下方式映射量化到[0，255]的量化矩陣.

(3)

其中，y和y′分別表示矩陣Y和Y′中的元素，ymax和ymin則表示Y中的最大值和最小值，函數round(x)是將x舍入到最近的整數.量化的目的是將元素從64bits大小的double類型轉化到8bits大小的unit8類型，便于數據傳輸.

壓縮完成后，節點將ymax、ymin和量化矩陣Y′通過NB-IoT一同發送給服務器.

4.3 解壓重建圖像

服務器接收到ymax、ymin和量化矩陣Y′后，執行逆量化操作得到測量矩陣Y*.根據與節點共享的x0、μ0和d0，生成測量矩陣Φ，之后使用Sl0算法對矩陣Y*進行還原[20，21]，重建得到加擾矩陣S′*.最后對加擾矩陣S′*進行逆置換和DCT逆變換就得到重建的負值圖像X′*，并從中讀取儀表讀數.

5 基于CNN的水表圖像數字識別

圖像數字識別服務是服務器云端的常見應用，我們以字輪式水表抄表圖像數字識別應用為例說明MeterEye的云端應用.系統定位并提取抄表圖像中的數字，將提取到的數字大小統一調整為28×28，作為CNN分類網絡的輸入進行數字識別.

由于照片拍攝存在一定角度，首先需要對圖像進行傾斜校正.使用Canny邊緣檢測算法提取圖像邊緣，再用霍夫直線變換檢測出圖像的傾斜角度，圖像傾斜校正后如圖4(a)所示.之后，根據自適應閾值化算法對圖片進行閾值化處理，以便于后續的數字定位處理，如圖4(b)所示.數字定位使用輪廓查找算法定位提取出數字(圖4(c))，調整數字大小為28×28后(圖4(d))輸入CNN網絡進行數字識別.

圖4 抄表圖像處理

所采用的CNN網絡包含3層卷積層和兩層全連接層，前兩層卷積層后各接一層最大池化層.最后一層全連接層使用softmax函數作為激活函數，其余卷積層和全連接層使用RELU函數.

6 實驗分析

在本章節中，使用CNN數字識別系統的準確率來評判分析重建圖像的質量，并以水表應用為例，測量評估了MeterEye的系統功耗和數字識別準確率.實驗所使用的水表圖像都是從實際水表抄表應用中獲取，圖像大小為100×317.仿真實驗測試都是在配置為Intel Core i3-4160 CPU @ 3.60 GHz，8 GB RAM的64位Dell計算機上進行的.

6.1 數字識別準確率

在本實驗中，數字提取和CNN分類網絡的程序實現分別基于OpenCV和TensorFlow的Python包.共4790張水表抄表圖像按照4：1的比例劃分為訓練集和測試集，每張抄表圖片中包含5個數字.訓練使用的優化器為Adam，學習率設置為1e-4，損失函數選擇稀疏分類交叉熵.CNN網絡的數字識別準確率如表1中所示，達到了98.35%，表明系統能夠準確的識別出數字.

表1 樣本數量和數字識別精確率

6.2 重建圖像質量分析

峰值信噪比(PSNR)和結構相似度(SSIM)兩個指標被用于量化原始圖像和重建圖像之間的相似度.PSNR的數學定義如下：

(4)

其中，H和W分別表示圖像X、Y的高和寬，n代表圖像中每個像素值的比特位數，對于灰度圖像，n=8.SSIM的數學定義如下：

(5)

圖5顯示了原始圖像和負值圖像重建之后的PSNR和SSIM對比.結果表明，在相同壓縮率下，負值圖像重建之后的圖像質量要高于原始圖像，這說明負值圖像在壓縮感知中表現更好.由于量化過程會丟失一部分信息，因此未量化圖像的重建圖像質量會更好.但是隨著壓縮率的上升，圖像像素數量減少，量化丟失的信息量也減少，量化與未量化圖像的重建圖像之間差距也逐漸減小.因為原始圖像在頻域中更加的稠密，量化造成的損失也更大，所以量化與未量化之間的差距更明顯.

圖5 原始圖像和負值圖像的重建圖像質量對比

為了量化不同壓縮率下重建圖像中數字的清晰可辨程度，我們比較了在同一字輪式水表上收集的294張圖片在不同壓縮率下CNN網絡數字識別的準確率，結果如圖6所示.壓縮率下降到7%之前，數字的識別準確率的下降較緩，為94.09%，在可接受范圍內.當壓縮率達到6%時，準確率下降增大，到達5%時，準確率急劇下降到76.44%.

圖6 壓縮率與數字識別準確率之間的關系

由于缺少數據集，我們選擇如圖7中所示的10張指針式儀表圖片為例，來分析指針式儀表重建圖像的質量.

圖7 指針式儀表圖像

指針式儀表重建圖像的PSNR和SSIM如圖8所示.同上述294張字輪式儀表圖片的平均值相比，指針式儀表重建圖像有著更高的PSNR和SSIM，這意味著指針式儀表重建圖像質量比字輪式儀表更好，可以進行更高壓縮率的壓縮，說明MeterEye同樣適用于指針式儀表.

圖8 指針式儀表重建圖像的PSNR和SSIM

6.3 功耗分析

為了確定壓縮感知對功耗的影響，我們測量了在不同壓縮率下，節點工作一次的功耗，即喚醒后立刻處理發送圖片，圖片發送完成立即休眠，實驗結果如圖9所示.實驗結果表明，當壓縮率達到10%時，所提方案的功耗就低于直接傳輸原始圖片的方式，可以節約8.59%.當壓縮率為7%時，功耗最多可以降低15.99%.因此可以根據實際情況，將壓縮率設置到10%以下來節約節點功耗，延長工作壽命.

圖9 功耗分析

7 總 結

本文針對抄表難、管理難的問題提出了一種基于圖像處理和NB-IoT的普適遠程抄表系統MeterEye，適用于字輪式和指針式儀表.MeterEye通過采集抄表圖像的方式避免了對原有表的改裝，只傳輸包含讀數信息的差值圖像，并利用并行壓縮感知大幅度壓縮圖像體積，實現傳輸功耗的降低.我們使用基于CNN網絡數字識別系統的準確率來衡量不同壓縮率下重建圖像的可分辨程度.實驗結果表明，到壓縮率達到7%時，仍能以94.09%的準確率的從水表抄表重建圖像中識別出數字.但是當壓縮率為6%時，準確率有較大幅度的下降，壓縮率為5%時，壓縮率急劇下降到76.44%.實驗對比了系統在指針式和字輪式儀表上的表現，結果表明指針式儀表重建圖像質量高于字輪式儀表，說明系統同樣適用于指針式儀表.本文對MeterEye的系統功耗進行了測試，結果表明當壓縮率設置為10%以下時，可以節約8.59%功耗，當壓縮率為7%時，功耗最高可以節約15.99%.