基于改進Densenet的配電設備儀表識別方法研究

國網上海市電力公司閘北發電廠 葛海華 鄒鈺潔 陸建成 上海電力大學電子與信息工程學院 崔昊楊

隨著配電物聯網的發展，傳感器及配電設備廣泛接入至電力物聯網平臺，如何實時、準確、高效地采集如此海量的配用電數據成為了當前亟待解決的核心問題。以分鐘、小時為周期進行監測數據、運行數據常采取運維人員收集的方式，該方法不僅效率低下，還會由于人為因素出現干擾。目前配電設備以液晶顯示屏及數碼管顯示屏居多，由于存在種類多樣化、環境復雜化等影響，如何實現儀表信息的準確識別依存在較大困難。為提高配網設備數據采集的實時性、準確率，發展自適應環境視頻監測數字識別技術成為提升本行業信息化、數字化亟待解決的問題。

環境自適應視頻監測數字識別技術，主要包括以模板匹配為代表的模式識別方法[1-2]和以Densenet 為代表的深度學習方法[3]。模板匹配通過待識別數字與模板庫的比對進行識別，具有抗環境干擾能力強、無需訓練的優勢，因此在小樣本情況下的簡單數字識別中得到廣泛應用，但該方法對模板數字與待識別數字的大小要求較為嚴苛。而以Densenet 網絡為代表的機器學習方法采用特征傳播和特征重復使用的方式克服了VGG16[4]和fasterR-CNN[5]不同層之間的正則化效果較差的問題，訓練成功便可對不同大小的數字進行識別，且在復雜背景下識別的準確率遠高于模板匹配算法，但該模型對樣本特征提取要求嚴苛，環境光照變化較大時的液晶顯示屏數字灰度特征難以完整獲取，從而降低了數字識別的準確率。

針對顯示屏光強與背景環境光照度不同導致識別困難的問題，本文提出了基于改進Densenet 網絡的電力儀表識別方法。該方法通過模板匹配的方式定位設備儀表數字區域，通過自適應wallner[6]二值化方法克服背景光照變化的影響，將數字與背景進行分離。為避免不完整分割對識別的影響，采取“特征預置”的方法對Densenet 的dense blocks進行改進，補全不同光照下的數字特征。實驗結果表明：本文方法對液晶儀表數字識別準確率比傳統Densenet、VGG16和模板匹配方法分別提高了1.125倍、1.28倍和2.25倍；在發光數碼管識別時，不需改變參數的本文模型識別效率比改變參數后的VGG116、傳統Densenet 分別提高了37%、30%。

1 改進Densenet 的電力儀表數字識別模型

常見配電設備儀表中，數碼管式儀表是自發光光源，其灰度與背景有明顯差距，通過圖像分割的方法易于數字與背景分離。液晶儀表發光強度弱，與背景對比度較差且受背景光照影響大，難以對數字進行有效分割，數字分割殘缺、數字與背景重疊、背景污染等情況常出現。為此本文從3個部分進行改進，分別為基于模板匹配的目標區域進行剪切、基于自適應wallner 二值化的數字分割、以及基于改進Densenet 的數字識別。

以顯示屏區域識別代替全局搜索識別的方法不僅具有較快的識別速度，還可根據顯示屏當前灰度情況進行閾值自適應分割。故本文采取了模板匹配的歸一化互相關匹配法(Normalized Cross Correlation,NCC)[7]進行顯示屏區域剪切。設輸入圖像I(x’,y’)的尺寸為w×h，模板圖像為T(x’,y’)。T(x’,y’)從I(x’,y’)的左上角以一個像素點(x,y)為單位進行移動，計算每個新位置點的模板和當前位置圖像塊的相似程度，直到找出NCC 中相關系數R(x,y)最大值的位置，對該區域進行剪切以獲取目標區域：

式中-m/2≤x’’≤m/2，-h/2≤y’’≤h/2切取顯示屏區域后的圖像記為I’(x’,y’’)。

1.1 自適應wallner 二值化分割

為克服環境光照變化對液晶顯示數字檢測的影響，以及高斯二值化[8]、OTSU[9]二值化等方法由于邊緣光照不均勻導致邊緣分割失效的不足，本文采取了wallner 方法對I’(x’,y’)進行圖像分割。wallner 二值化分割方法采用灰度值之和gs(n)的方式，即通過提高當前第n 個像素點附近像素點比重、降低偏遠像素點比重的方式提高I’(x’,y’)的像素顏色、光照等光學特性描述能力：，式中pn為I’(x’,y’)中第n 個點的灰度值。

1.2 改進Densenet 網絡識別

Densenet 網絡的dense blocks 層不僅避免了傳統深度學習方法梯度消失、參數量大的問題，還采取加強特征傳遞的方法充分利用特征信息(圖1)[3,10]。第lth層接受到的特征圖為之前所有層特征，即fl=Hl（[f0,f1,…,fl-1]）（1），式中[f0,f1,…fl-1]為第0層到第l-1層的特征合并。但是，光照影響下的液晶顯示屏數字在自適應wallner 二值化分割之后分割數字不完整、背景遮蓋數字等情況，造成了dense blocks 第一層難以完整的提取數字特征，并且后續每一層都可對第一層的特征進行調用，第一層特征不完整的情況將嚴重影響識別的準確率。

圖1 Densenet 網絡dense blocks 的特征傳遞示意圖

針對環境干擾造成傳統Densenet 識別準確率較低的問題，本文采取“特征預置”進行改進。如圖2所示，本文提取了殘缺的數字和背景污染數字的特征點，將其作為特征集用于數字輔助識別，則公式（1）修改為fl=Hl（[f0,f1,…,fl-1,F]），F={[F(0),F’(0)],[F(1),F’(1)],…,[[F(9),F’(9)],]}。式中F(0)、F’(0)分別為殘缺情況下0的特征集和背景污染情況下0的特征集，F(1)、F’(1)等以此類推。

圖2 本文改進Densenet 網絡dense blocks 的特征傳遞示意圖

2 實驗分析

為了驗證本文模型的性能，選取200幅液晶顯示屏和20幅數碼管屏的配電設備儀表進行識別，部分實驗結果如圖3。從圖3（1）a 和圖3（1）b 中可見，配電設備的液晶屏在環境光照變化的影響下，顯示屏不同區域的光照強度差異較大分割困難，本文通過相鄰像素點灰度值對當前個像素點灰度值進行估算，實現了自適應閾值進行分割，降低了環境光照不均勻的影響，分割質量高于二維OTSU。此外從圖3（1）a 和圖3（1）c 中可看出，即使wallner分割后的數字存在背景污染，傳統的Densenet 的第一層dense blocks 難以準確、完整的獲取數字特征，影響了第二層及之后層特征的選取，無法識別出數字。但通過“特征預置”方法將數字可能出現的殘缺、不完整情況的特征進行對應式預置，解決了數字殘缺、污染造成的數字特征不完整的問題，光照不均勻情況下識別準確率得到了顯著提升。更進一步，從圖3（2）還可知，由于進行了自適應分割和特征預置，相比于模板匹配、VGG16和傳統的Densenet 網絡，本文模型可在不改變參數的前提下可直接對數碼管數字進行識別。

圖3 本文方法對液晶顯示屏和數碼管的識別效果

另一方面從表1可知，盡管本文方法相對于傳統Densenet 方法多了特征預置，每層dense blocks都進行調用，使得特征識別過程存在一定耗時，但采取區域識別代替全局識別的方式使得整體識別效率得到了顯著提高。200幅液晶顯示屏實驗結果表明，本文方法識別效率相對于VGG16、傳統Densenet提高了44%、36%，識別準確率分別是模板匹配、VGG16和傳統Densenet 的2.25倍、1.28倍和1.125倍。在20幅數碼管識別中，不改變參數情況下本文模型識別率達到了100%，模板匹配勉強完成部分識別，而VGG16和傳統Densenet 必須對參數進行適當調整，否則不能進行識別。相較于改變參數后的模板匹配、VGG16、和傳統Densenet 識別準確率的提高，本文方法在效率方面比VGG16、傳統Densenet 分別高了37%、30%。

表1 本文方法與模板匹配、VGG16、傳統Densenet 網絡

通過區域匹配代替全局匹配、自適應閾值分割以及特征預置方法對Densenet 改進，復雜光照情況下的準確率得到了顯著提升。但本文方法對液晶屏識別率不能像數碼管一樣達到近乎100%，其原因主要是強光直照到液晶顯示屏時儀表數字被強光大面積污染，即使有特征預置可以進行稍微補救，但數字8與數字9、數字3與數字9、數字3與數字8會由于相似性較高而導致誤識別。

綜上，針對配電設備儀表數字自動化識別過程中遇到液晶儀表數字對比度差、環境光照干擾等問題，提出了基于改進Densenet 的電力儀表識別模型。該模型利用模板匹配的方法將儀表區域識別代替全局識別，從而提高整體識別效率；其次，采用wallner 自適應法分割閾值以降低數字分割在光照不均勻的條件下所受影響；最后使用特征閾值的方式對Densenet 的dense blocks 進行改進，提高不同光照情況下數字特征的完整性。實驗結果表明，本文方法較常見的3種識別算法的運算速度及準確程度有所提升，可滿足配電物聯網數據采集高效、準確、自動化的要求。