人工智能技術在智慧電力倉儲系統中的應用

施敏達， 仲立軍， 張騰， 俞涯， 顧君佳， 黃震宇

(國網嘉興供電公司,浙江，嘉興 314000)

0 引言

隨著更多的數據接入電力物聯網網絡，一方面大量異構化的數據對數據安全、協議轉換、數據分發等提出了更高的要求；另一方面經過幾年發展，云計算存在的帶寬消耗大、實時性差、安全風險、能耗大等問題日益明顯，邊緣側數據就地處理在業務實時性、數據的優化、應用的智能等方面體現出了更大的優勢。

針對電力物資倉儲智能化管控的場景，當前管控系統初步實現了自動識別、智能干預、全景監控，但是在數據處理細節上依然存在著安全加密不足、數據轉發效率低下、邊緣側數據處理壓力大等問題。本文將先對智慧倉儲系統硬件架構和系統流程進行討論，然后再討論人工智能算法如何在智慧倉儲系統中應用，可以實現倉儲監控數據多種通訊方式集中接入，自動數據協議轉換，內外網數據打通，邊緣數據加速處理等功能，提高數據處理實時性、數據傳輸安全性和數據利用效率。

1 基于邊緣物聯代理的智慧倉儲系統

基于邊緣物聯代理技術的倉儲系統是新時代的智慧倉儲系統，它以泛在感知連接為手段，利用各類傳感器、終端設備，集合不同通信網絡線路、接入方式、安全防護手段，采用功能構造和部署應用模式，匯聚不同集成模式數據源，通過人工智能進行數據分析，實現分級式的數據處理和傳遞，使倉儲系統具備實時性和可擴展復制，解決上述現有倉儲系統的種種不足。

1.1 智慧倉儲系統的硬件架構

典型智慧倉儲系統的硬件架構如圖1所示，它一般由5個硬件系統組成。

圖1 典型智慧倉儲系統的硬件架構

(1)全景監控系統

包括監控攝像頭陣列，通過網絡接入。

(2)環境監控系統

包括溫濕度、光照傳感器，通過RS485串口接入，邊緣物聯代理平臺。

(3)智能無人終端

包括UWB定位系統，巡視機器人，無人機。

(4)環境控制終端

包括燈光控制，風扇控制。

(5)告警系統

包括短信告警與聲光告警。

1.2 智慧倉儲系統的主要工作流程

典型智慧倉儲系統的主要工作流程如圖2所示。

圖2 典型智慧倉儲系統的主要工作流程示意圖

其流程如下。

(1)全景監控系統布點由槍機攝像頭陣列與多個球機攝像頭組成，實時采集庫區的視頻數據，可通過邊緣物聯代理上傳至上級平臺，同時也可通過大屏幕展示。物聯代理裝置可對收到的視頻進行智能分析，包括人臉識別、安全帽和工裝識別、區域周界監測、叉車位置識別等，并將實時分析的結果和告警上報給上級平臺展示。

(2)環境數據、定位數據直接接入邊緣物聯代理平臺。物聯代理通過環境監測數據發現環境異常，并結合定位數據分析得到異常點位，繼而控制機器人到相應位置巡檢。

(3)邊緣物聯代理平臺可對環境數據進行處理分析，根據相應邏輯，自動控制燈光、風扇等設備。

(4)邊緣物聯代理平臺可直接控制巡視機器人，為其下達任務，也可處理相關巡視圖像數據。

2 人工智能技術在智慧倉儲系統的應用

對于人工智能(AI)技術在智慧倉儲系統的應用，下面將主要在算法設計/應用和數據處理平臺兩方面進行探討。由于深度學習已經比較成熟且成為主要應用，所以這里AI技術主要圍繞深度學習技術進行展開。

2.1 人工智能算法設計/應用

在智慧倉儲系統中，主要圍繞以下幾個核心算法進行討論。

(1)人臉識別

人臉檢測/定位技術實際上是基于圖像分類+檢測框架基礎上，圍繞人臉的小目標特性進行優化設計的算法，從2016年流行的多任務框架概念起，將人臉檢測(分類)和人臉框位置矯正(回歸)以及人臉關鍵點定位、姿態、表情等屬性的檢測相結合統一進行設計。目前，人臉檢測算法如RetinaFace[1]、BlazeFace[2]、基于輕量型神經網絡，已經實現在移動CPU上對人臉的實時檢測。國內人臉識別技術水平也非常高。根據美國國家標準與技術研究院(NIST)的2018年全球人臉識別算法測試(FRVT)結果，共有39家企業和機構參與本次競賽，前5名算法被中國公司包攬，其中依圖科技算法包攬前兩名，商湯科技獲得第三第四名，中科院深圳先進技術研究院獲得第五名。模型容量也是應用關注的關鍵問題，目前已經出現模型容量僅為1MB[3]，效果不弱于主流算法的人臉檢測算法。另外，對10×10像素的小目標人臉檢測，目前檢測精度也達到實用水平。

(2)行人檢測、人體姿態檢測和行為識別

行人檢測(又稱人體識別)一直是計算機視覺研究中的熱點和難點。由于人體具有相當的柔性，因此會有各種姿態和形狀，其外觀受穿著、姿態、視角等影響非常大，另外還面臨遮擋、光照等因素的影響。基于深度學習的通用目標檢測框架，如Faster-RCNN[4]、SSD[5]、FPN[6]、YOLO[7]等，這些算法都可以直接應用到行人檢測的任務中。最近，國防大學/自動化所及其聯合團隊將行人檢測問題轉化為高級語義特征檢測問題，提出CSP算法[8]，在Caltech和CityPersons數據集上都取得最好的結果。CSP算法使用了ResNet-50的主干網絡，推理時間為0.33秒/圖像。人體檢測同時可以增加對人體屬性的檢測和識別，例如工作服穿戴的問題，這在智能倉儲應用中有著比較重要現實需求。

(3)車輛檢測與識別

車輛管理是智慧庫區對于庫區內部秩序管理、安全管理的重要組成部分。通過車輛檢測可以獲取車輛進入庫區外圍的行駛情況。車輛檢測由于車輛鋼體的性質，相對于人體/人臉檢測難度要低，對于追求實時性的邊緣計算應用場景中，基于諸如MobileNet V1/2/3輕量網絡結構的SSD算法實現是一個非常不錯的選擇。

車輛違停為庫區交通安全、貨物運輸安全帶來隱患。通過違停檢測模塊對違停車輛進行記錄懲罰，可以有效降低庫區內的事故隱患風險。目標檢測算法可以給出車輛的位置信息。對于人工設定的違停區域檢測到的車輛，通過目標檢測常用的IoU跟蹤方法可以快速準確地識別車輛違停檢測與識別。

2.2 數據處理平臺設計

對于數據處理平臺設計，這里只探討應用中2個非常重要的共性問題。

2.2.1 神經網絡設計

邊緣計算只完成深度學習的前向推理工作，所以只關注主干網絡的設計。主干神經網絡設計通常為深度學習算法設計的一部分，而在實際應用中，主干神經網絡的設計及選擇與邊緣計算的數據處理硬件平臺設計的關系更加緊密。另外，現有的很多通用深度學習算法框架可以使用不同的神經網絡框架設計。

近幾年，各種輕量神經網絡結構不斷涌現。神經網絡框架設計可以先采用自上而下的設計，首先從現有主流的輕量神經網絡結構中選擇，作為初步候選的神經網絡。現有主流的輕量神經網絡結構包括SqueezeNet系列、MobileNet系列、ShuffleNet系列、Xception系列、最新的GhostNet等，最初主要通過高效新穎的卷積方式和合理輕小的卷積核模塊設計實現高效的輕量神經網絡。而最新的MobileNetV3和EfficientNet則直接采用自動神經網絡架構搜索方法和策略設計出來的。最近，華為諾亞方舟實驗室提出了輕量網絡GhostNet[9],在ImageNet分類任務Top-1正確率75.7%，高于MobileNetV3的75.2%。

如果初始選擇的主干網絡通過訓練給出的系統性能相對于應用需求還有一定的余量，那么這個神經網絡還可以采用現有成熟的各種剪枝方法進行優化設計。

2.2.2 深度學習硬件平臺選擇

類似智能倉儲系統的深度學習硬件平臺屬于工作環境相對惡劣的工業應用場景，如果采用云平臺常用的CPU或GPU集群，一般需要附加更多的外設/維護部件，系統成本比較高。而現有的基于ARM CPU芯片的系統算力較低，只適合完成整個倉儲系統主控系統的實現。目前，市場上已經出現一些面向邊緣計算的AI芯片產品，基于這些AI芯片的硬件平臺應該是智能倉儲系統中實現深度學習算法的硬件平臺比較理想的選擇。

智能倉儲邊緣計算的應用更接近于嵌入式工業環境應用。在實際系統中，深度學習使用AI芯片進行推理計算，在追求計算效率提升的同時，不僅要考慮存儲空間的效率提升和制約，還要考慮功耗的效率提升和制約。所以，在芯片選擇中，更傾向于整數計算能力這一指標。這在系統應用中還要考慮神經網絡模型系數量化帶來的性能損失。

3 總結

以人工智能的前向推理應用為核心的邊緣計算技術已經基本成熟，基于邊緣計算代理的智能倉儲系統可以為國家電網公司實現“三型兩網”的戰略目標。