基于改進型深度學習算法的電力倉儲庫存管控

郭偉祥, 劉鵬飛

(1.南方電網供應鏈(廣東)有限公司,廣東,廣州 510000; 2.南瑞集團(國網電力科學研究院)有限公司,江蘇,南京 211000)

0 引言

電力操作安全是電力生產的基礎,電力倉儲庫存管理過程中容易出現多種數據信息,比如貨物名稱、貨位、倉庫、批號等數據分類查詢功能和定期盤點或循環數據信息等多種數據信息,專業智能的倉庫庫存系統往往根據在線管理出入庫、庫存報表、合同、財務回款等信息實現數據信息管控。這種方法存在以下技術弊端。

(1)數據量繁多、類型多種、采集困難,常規技術雖然采用RFID射頻識別模塊,但這種模塊采集的數據面積比較窄,無法實現全數據范圍的計算和識別。

(2)由于數據繁多,采集時難免出現信息不準,通過CCD攝像機采集到的數據信息不精確,使用戶在管控時,精確度較低。

(3)數據分析能力滯后,無法實現海量數據的快捷分析。用戶對電力倉儲庫存管理時,困難重重。

針對上述問題,文獻[1]基于B/S技術實現監控,文獻[2]基于前端智能感知實現數據信息監控,仍舊存在上述提到的問題。因此本研究基于圖像識別技術、分層圖像融合技術和改進型YOLO-V4 算法模型的管控技術實現電力倉儲庫存信息管控問題,有效地解決了上述技術問題。

1 基于圖像識別的電力倉儲庫存監控方法

本研究首先通過數據信息采集,繼而完成電力倉儲庫存的類型識別,從而實現視頻輸出,在硬件方案設計中,硬件模塊分為圖像采集模塊、目標識別模塊、視頻輸出模塊、監控模塊等[3-4],通過這些模塊的組合實現電力倉儲庫存監控,圖像識別硬件結構圖如圖1所示。

圖1 圖像識別硬件結構圖

圖2 不同層次圖像數據信息融合架構示意圖

數據采集通過攝像頭采集數據信息,其中的視頻信號輸出通過ADV7181視頻解碼器傳送至DM642中進行圖像識別算法處理,經處理后的視頻信號傳輸到ADV7171芯片進行視頻編碼,圖像采集模塊采用了ADV7181視頻解碼器[5-6],視頻輸出模塊采用了ADV7171視頻編碼芯片,可以實現將數字視頻進行壓縮,并從DM642視頻口的VP0控輸出,同時將數字視頻編碼成電視所能接收和播放的負荷電視信號。電源模塊有5 V電源驅動,兩個MOSFET開關電源分別提供DSP內核電壓CVDD和外圍電壓DVDD,實現高精度穩定的雙電源供應[7]。存儲模塊采用了FLASH存儲器和SDRAM同步動態隨機存儲器。

將采集到的圖像數據信息歸一化處理后,記作為數據信息集合:

PI=(p1,p2,…,pn)

(1)

式(1)中,PI表示采集到的源圖像信息的面片集合,p表示采集到圖像數據信息的圖像面片,n是將采集到的圖像信息劃分為面片的數量。通過平滑閾值將圖像數據信息劃分為平滑和非平滑面片[8-9]。將采集到的粗大圖像數據信息中的圖像向量vi中每個像素kij的梯度值記作為

(2)

通過這種方式,將大圖像數據信息轉換為微小的圖片數據管理信息,然后計算每種類型的電力倉儲管理數據從圖像信息中提取的圖像梯度kij(j=1,2,…,w),i表示提取圖像信息的源圖像編號,i=(1,2,…,n)通過x和y坐標梯度gij(x)和gij(y)組成。

然后分解電力倉儲庫存數據信息中圖像面片的梯度值,其公式為:

(3)

式(3)中,Gi表示圖像面片的梯度,UiSiVi表示Gi的梯度值分解,Si是代表主方向向量的對角線2×2矩陣。當獲得Si時,可以計算主方向量度R,R的計算方法如式(4):

(4)

式(4)中,R越小,相應的圖像向量越隨機。則計算圖像閾值R以區分采集的圖像數據信息隨機和主方向面片。為了提高數據信息的管控能力,在圖像數據信息處理中設置了低通濾波器,將圖像中復雜的數據信息過濾,這里應用了二維高斯模糊函數,通過該函數,能夠實現數據信息的平滑分類,使得輸出的圖像信息更為清楚、可靠,函數模型表示為

(5)

式(5)中,x表示提取圖像數據信息在水平軸上距原點的距離,y表示提取的圖像數據信息在垂直軸上距原點的距離,σ為受到外界環境影響的參數,根據環境情況可以獨立設置。

2 改進型YOLO-V4 算法模型的管控方案

電力倉儲數據信息包括庫存種類、庫存數量、入出庫頻率、訂單等多種數據信息,電力設備輸出的電壓、電流、頻率、波形、紋波等多種數據信息,還包括貨物名稱、貨位、倉庫、批號等數據信息,由于數據信息較多[10],在提取圖像數據特征后,本文采用改進型YOLO-V4 算法模型實現電力倉儲庫存數據信息的分析。方案示意圖如圖3所示。

圖3 改進型YOLO-V4 算法模型的管控方案

該模型應用到改進型YOLO-V4 算法模型中輸入端和計算過程中,假設輸入數據模型記作為

(6)

式(6)表示提取的各種電力倉儲管控數據信息D1與D2在(M+N)×T下的關聯性,通過計算關聯性,進而制定出適當的電力倉儲管控方案,其中關聯矩陣為

(7)

式(7)中,M表示為電力倉儲庫存中出現的多種數據集合{P1,P2,P3,…,PM},T表示獲取更新電力倉儲管理數據樣本的測量次數,則存在以下矩陣關系:

(8)

式(8)中,其中D2表示為在電力倉儲環境下庫存種類、庫存數量、入出庫頻率、訂單等數據信息,數據集合為{Q1,Q2,Q3,…,QN},用字母N表示采集電力倉儲數據信息時,影響數據采集的信息[11],T表示獲取圖像數據樣本的測量次數,則有:

(9)

假設在Ω范圍內采集到的圖像數據信息,則有:

(10)

故障因素數據集合表示為

Dstd=[ω1,ω2,ω3,…,ωM+N]T

(11)

其中的Dstd值為D1和D2之間的關聯性,ω1,ω2,…,ωM+N分別表示矩陣D1和D2中單個元素的集合。因此各種電力數據信息通過數學模型可以直接計算出各種數據之間的關系。然后將這些數據信息導入改進型YOLO-V4 算法模型導入到深度學習算法模型,輸入函數如圖4所示。

圖4 輸入函數

通過輸入上述函數,通過圖2構建出的YOLO-V4算法模型,該模型設置了CSPNet模塊和CSPDarknet-53模塊,構建出的新型網絡架構模型如圖5所示。

圖5 深度學習算法模型示意圖

在圖5中增加了CSPDarknet53+PAnet-SPP+Yolov3 head,在進行多尺度預測時采用3個不同的尺度特征圖預測檢測結果。在設計過程中,還采用SPP模塊,該模塊設置有4個以上的最大池化層,尺寸可以分別為1×1、6×6、9×9以及13×13。在利用深度學習算法模型時,能夠將不同池化中采集到的圖像信息進行不同程度的拼接,進而輸出最佳池化特征圖像[12-13]。

然后對圖像信息進行評估,假設深度學習算法模型包括檢測框、目標評價、類別預測等3種不同形式的信息,則檢測框設置4個參數,目標評價數據設置1個參數,電力倉儲數據信息類別數為80,在信息評估時,假設深度學習算法模型中輸入的尺寸特征單元格為3組,則具有的數據維度為3×(4+1+80)=255。則輸出的不同尺寸信息的張量維度為y1=13×13×255,y2=26×26×255,y3=52×52×255。然后再將這些數據值輸入到YOLO Head分類器進行分類,進而輸出不同電力倉儲數據管控信息。

3 實驗結果與分析

本研究采用如表1所示的試驗環境,仿真模型采用MATLAB軟件仿真采集到的圖像信息。軟硬件試驗平臺如表1所示。

表1 軟硬件試驗平臺

試驗架構示意圖如圖6所示。

圖6 試驗架構示意圖

假設圖6中的數據信息提取庫存種類、庫存數量、入出庫頻率、訂單等不同圖像數據信息1500多個,其中提取庫存種類數據信息包括469個庫存種類數據,庫存數量1004個,27個入出庫頻率數據信息,則對比本文算法的數據采集與常規依靠前端智能感知的電力倉儲庫存管理方法(下文稱為方案1)和基于B/S架構的電力倉儲庫存管控方法(下文稱為方案2)進行對比。通過5個小時的試驗,得出如表2所示的數據信息。

表2 試驗數據信息表

通過表2的試驗,設置8個試驗小組,假設數據采集量為不同的數據信息,在經過5個小時的試驗后,方案1方法和方案2方法都能夠實現數據信息的識別,但是 本研究具有突出的識別能力。為了更形象地對本文方法進行識別,將3種不同的方案形成如圖7所示的試驗對比示意圖。

圖7 實驗準確率對比

在上述實驗架構示意圖中,圖7中的準確率定義方式為準確率=[(實驗總數-誤差數值)/實驗總數]×100%,其中各類數據包含有圖像、文本、表格等,在對這些數據信息進行分析時,首先將這些數據信息進行初始化處理,將宏觀數據信息轉換為微觀數據進行分析,YOLO-V4算法的實驗參數進行設置時,采用具有4個以上的最大池化層,尺寸有1×1、6×6、9×9以及13×13,該算法還能夠將不同池化的圖像信息進行不同程度的拼接,采用的架構形式為CSPDarknet53+PAnet-SPP+Yolov3 head,在進行多尺度預測時采用3個不同的尺度特征圖預測檢測結果。對于某分辨率圖像,其基礎尺度特征圖大小為原分辨率得1/32,剩余2個尺度分別為1/16,1/8等。

數據治理和標注的實驗樣本和數據見表1所示。YOLO-V4算法的實時性測試數據通過實驗前后的個數進行對比。可以看到,本文方法檢測到的電力倉儲數據信息較多,然后再對本研究方法改進型YOLO-V4 算法模型的管控能力進行試驗,在試驗管控能力時,通過對電力倉儲數據信息監測的準確率進行對比。得出如圖8所示的監控力度對比示意圖。

圖8 監控力度對比示意圖

通過圖8的對比示意圖,該研究監測時間為60 min,監測到的數據信息與總數據信息之比則為數據監測百分比,時間越長,監測百分比越大,60 min的試驗時間內,方案1方法和方案2方法都隨著時間的增加,數據監測百分比逐步提高,采用研究改進型YOLO-V4 算法模型實現電力倉儲庫存數據信息分析時,監控能力較強,數據覆蓋范圍比較廣。在應用YOLO-V4 算法模型進行電力倉儲管控時,數據越多,訓練能力越強。

4 總結

為了提高本研究電力倉儲數據管控能力,本研究提出了一種基于圖像識別的電力倉儲庫存監控方法,通過對多種形式的電力倉儲數據信息進行存儲,能夠實現多種信息獲取,通過設置圖像采集模塊、目標識別模塊、視頻輸出模塊、監控模塊等,實現數據信息有效采集。并通過設計不同層次的圖像數據信息融合架構,提高了數據監控能力。本研究還設計了改進型YOLO-V4 算法模型,提高了電力倉儲庫存管理能力。雖然本研究具有一定的技術效果,但仍舊存在一些技術弊端,這需要進一步的研究。