基于Nanodet-Plus 的智能抄表系統研究與設計

蔣善旗，康兵，倪嘉豪，鄧小珍，丁貴立，許志浩，黃智軒

（南昌工程學院，江西南昌 330099）

為實現“雙碳”目標，電動汽車作為緩解能源危機與環境污染的重要手段受到廣泛的關注[1]。隨著電動汽車的不斷普及，大規模充電負荷將對小區或園區的供電造成巨大壓力，進一步增加電網負荷峰谷差。考慮臺區負荷曲線因用戶用電峰谷時段差異而具有峰谷特征，其實際負荷用電只占額定負荷的40%左右，因此，如何將“間歇性電動車負載”轉變成具有“移峰填谷”能力的“智能負荷”以實現電動汽車的有序充電規劃，是一個急需解決的問題[2]。

文獻[3]提出了基于改進布谷鳥算法的電動汽車換電站有序充電策略研究。文獻[4]提出了考慮多方利益的居民小區電動汽車有序充電策略。文獻[5]提出了基于多目標優化模型的電動汽車充電調度策略。然而以上方法均是在已知變壓器容量或調度容量的基礎上建立的充電模型，但是對于第三方充電管理平臺而言，容量信息卻是未知的。因此，為解決這一問題提出了基于機器學習的電能表信息識別方案。對于電能表識別算法，文獻[6]結合深度神經網絡和多閾值軟切分的方法來識別電能表內的信息。文獻[7]結合模板匹配和深度神經網絡的方法來識別電能表內的信息。文獻[8]采用Faster R-CNN 和U-Net相結合的方法來實現指針式儀表的讀數識別。上述文獻均提出了有效的儀表讀數識別方法，但是其目標檢測模型均在PC 端部署，且目標檢測模型較大，占用內存過多，識別速度較慢，因此無法部署在嵌入式設備之中，依舊存在圖片從采集端到云端的傳輸過程。

1 系統總體設計

該智能抄表系統采用面向嵌入式設備的圖像信息識別方案，系統的整套圖片識別流程均在樹莓派內完成，無需將圖片發送至云端進行圖片識別，可以有效避免圖片傳輸過程中數據丟失以及傳輸速度慢等問題。智能抄表系統的總體功能框架如圖1 所示。該智能抄表系統所涉及的硬件部分主要有核心控制板（樹莓派4B）、OV5647 攝像頭模塊、電源模塊、攝像頭補光模塊、4G 無線通信模塊等。軟件部分則主要包括電能表識別算法以及后臺終端軟件的設計[9]。智能抄表系統的識別算法采用圖像識別的方式完成，通過調用樹莓派4B 內的ncnn 模型來實現對電能表信息的識別。后臺終端軟件將對樹莓派識別出的電量信息進行整合，并以特定的報文格式將整合得到的信息存儲至MySQL 數據庫中。

圖1 智能抄表系統的總體功能框架

圖2 FOCS的網絡架構

2 系統硬件設計

2.1 主控模塊

智能抄表系統的核心控制單元為樹莓派4B，其控制芯片采用博通BCM2711，其運行內存為4 GB。樹莓派4B 作為一款開源的人工智能開發板，其運行速度以及系統性能比起以往的樹莓派系列開發板以及其他類型的人工智能開發板均占有較大的優勢，網絡上有關的開發資料也更為豐富。樹莓派4B 作為核心控制單元，主要功能是控制智能抄表系統的各項硬件外設，對捕獲的目標圖片進行預處理，搭載ncnn 模型的運行環境，對ncnn 模型進行推理及部署，最后調用ncnn 模型來識別輸入圖片的信息[10]。

2.2 電源模塊

由于樹莓派外設引腳自帶的5 V 電源功率較小，對于整個智能抄表系統而言，需要設計一個獨立的電源模塊為各項額定電壓為5 V 的硬件模塊提供電源。因此智能抄表系統的總輸入電源選用12 V-3 A的適配器進行供電，通過MP2315 芯片將12 V 電源轉為5 V 電源，并利用輸出端的5 V 電源為整個系統供電。

2.3 圖像采集模塊

圖像采集模塊包括攝像頭補光模塊以及OV5647攝像頭模塊，圖片的有效輸入依賴于攝像頭模塊以及補光模塊，補光模塊可以根據實際環境的光線強弱調整補光燈的亮度，再根據安裝位置適當調節攝像頭焦距，可達到獲取高質量目標圖片的效果，有利于ncnn 模型對電能表圖片的識別。

攝像頭模塊內置OV5647 圖像傳感器，該圖像傳感器擁有500 萬像素，其數據傳輸方式選用并聯傳輸，通過FPC 連接線與樹莓派連接，可通過樹莓派調節攝像頭的曝光模式、快門速度、飽和度等多項參數，并通過樹莓派驅動來完成圖片的拍攝。

2.4 數據傳輸模塊

智能抄表系統的數據傳輸功能通過4G 無線通信模塊完成，智能抄表系統中使用的4G 模塊型號為合宙Air724，其輸入電源的范圍為5～12 V，瞬間功率為7.5 W，平均功率為0.15 W。通過向4G 模塊中燒錄AT 固件，樹莓派可利用串口通信向4G 模塊內寫入AT 指令來驅動4G 模塊工作。4G 模塊根據不同的AT 指令可以選擇不同的數據傳輸協議，而系統最終以TCP 協議來傳輸數據。4G 模塊將樹莓派4B 識別出的電能表數據以字節流的形式發送至后臺終端軟件，其具體的發送方式為報文加密模式，其報文的具體組成內容為報文頭、待發送數據、CRC-16 校驗碼、報文尾。與此同時，后臺終端軟件只有采用相同的報文格式方可成功接收數據內容。

3 系統軟件設計

3.1 電能表信息識別算法設計

Nanodet 是在FOCS 算法的基礎上發展而來的一種速度超快且輕量級的移動端Anchor-free 目標檢測模型，而Nanodet-Plus 則是在Nanodet 的基礎上對標簽匹配策略、模型結構、訓練Trick 等進行了優化。相較Nanodet 而言，Nanodet-Plus 訓練得到的模型文件的識別精度與速度均有較大的提升[11]。

FCOS 算法可直接通過逐像素點回歸的方法對目標進行檢測，這種檢測方式無需錨框和建議框，性能高于大多數基于錨框的檢測算法。在上述目標檢測的基礎上，FCOS 采用類似于多級特征金字塔網絡（Feature Pyramid Networks，FPN）的預測，能有效提高召回率，進而解決訓練過程中重疊預測框導致的預測結果報錯問題，提高目標檢測的精度[12]。FOCS的網絡架構如圖1 所示。該網絡主要由主干網絡、多級特征金字塔網絡、檢測頭三部分組成，其中C3、C4 和C5 表示主干網絡的特征映射，即主干網絡對輸入圖像進行特征提取所得到的特征圖。P3-P7 是用于最終預測的特征級別。H、W分別為特征圖的高度和寬度。例如，所有電能表圖片的輸入大小都是512×512。

Nanodet-Plus 網絡架構如圖3 所示。其中，預測類別中的C 表示類別數。相較于FCOS 網絡架構，Nanodet-Plus 最大的不同是增加了輔助訓練模塊（Assign Guidance Module，AGM），同時摒棄了FCOS的標簽分配策略，進而轉向動態軟標簽分配。其網絡層neck 使用了Ghost-PAN 架構，Ghost-PAN 中的Ghost 模塊是一種實現輕量級神經網絡的方法，使得深度神經網絡可以在保證算法表現能力的基礎上，將網絡移植到一些計算能力相對較弱的移動設備上。Ghost-PAN 架構能夠更好地融合不同尺度的特征[13]。頭部的回歸和標簽預測仍然繼承文獻[14]提出的Generalized Focal Loss，該函數能夠去掉FCOS的中心度分支，省去這一分支上的大量卷積，從而減少檢測頭的計算，非常適合移動端的輕量化部署。

圖3 Nanodet-Plus網絡架構

上述的AGM 僅由四個3×3 的卷積組成，使用深度學習歸一化方式[15]（Group Normbalization，GN）作為Normalize 層，并在不同尺度的Feature Map 間共享參數。由于共享參數，且并非是深度可分離卷積，因此AGM 所消耗的訓練資源非常少。

使用AGM 預測的分類概率和檢測框會輸入到動態軟標簽分配策略[16]（Dynamic Soft Label Assigner，DSLA）中計算Matching Cost。代價函數由classification cost、regression cost 以及distance cost 三部分組成，最終的代價函數如式（1）所示:

其中，λ為regression cost 的調制系數，Ccls=CE(P,Ysoft)×(Ysoft-P)2，Creg=-lnIou，Cdis=。

基于以上改進，Nanodet-Plus 由于其輕量化的設計和非常小的參數量，在邊緣設備（嵌入式設備）和CPU 設備上擁有可觀的推理速度。

以電能表信息識別為例，對于該識別算法的實現，首先需要獲取初始樣本數據集；構建由ShuffleNet V2 主干網絡、Ghost-PAN 網絡、回歸分類預測頭構成的Nanodet-Plus 目標檢測網絡；以初始樣本數據集作為訓練樣本，訓練目標檢測網絡；得到目標檢測網絡的pth 模型，將其轉換為onnx 模型，再轉換為nccn 模型。將得到的ncnn 模型在樹莓派4B上進行部署與推理；最后在樹莓派4B 內調用ncnn 模型檢測電能表圖片。識別算法引入輕量級ShuffleNet V2 主干網絡特征提取方式能獲得更多的目標特征，同時引入Ghost-PAN 網絡來更好地融合不同尺度的特征，且將訓練獲得的pth 模型轉換為更適合在嵌入式設備中部署的ncnn 模型，可以在資源緊張、算力有限的樹莓派4B 等嵌入式設備中有效實現電能表信息的識別。

3.2 后臺軟件設計

后臺終端軟件采用C#編程語言進行設計，基于TCP/IP 協議、Socket 通信搭建控制臺應用程序。該軟件的主要功能是對臺區電表內的信息進行收集并存儲，并通過4G 模塊與采集設備建立聯系，每臺設備對應一個臺區考核電表，采集設備獲取到電能表內的有效信息后，借助4G 模塊，通過TCP 協議將采集到的信息發送至終端軟件上。最后該軟件會將收集到的所有信息都保存至MySQL 數據庫中，以待Web 端或手機APP 讀取所獲得的電能表數據。后臺終端軟件的可視化界面如圖4 所示。

圖4 后臺終端軟件可視化界面

4 系統功能測試

智能抄表系統設計完成后需要進行整體的系統功能測試，系統功能測試主要包括識別算法的測試以及后臺終端軟件數據接收測試。使用支架將智能抄表裝置固定在電能表正前方，通過定時拍照來獲取電能表圖片，并識別出所獲取圖片上的電量信息。最終4G 模塊將識別出的電量信息、拍照時間、電能表ID 等數據傳輸至后臺終端軟件中。后臺終端軟件成功接收數據后將數據存至MySQL 數據庫中，以供智慧充電管理平臺讀取相應的數據。經驗證，智能抄表裝置可實現閉環操作，軟件及硬件運行正常，后臺終端軟件能正常接收到數據。圖像識別算法的運行效果如圖5 所示。后臺終端軟件數據接收情況如圖6 所示。測試次數與識別率的關系曲線圖如圖7 所示。

圖5 圖像識別算法的實際效果

圖6 后臺終端軟件數據接收情況

圖7 測試次數與識別率的關系曲線圖

5 結論

經過實際的系統功能測試，該智能抄表系統的識別算法能夠在不同角度、不同光照環境下實現對電能表信息的提取，即便電能表表面存有灰塵或存在反光，該算法依舊有效；該算法可在嵌入式設備（樹莓派4B）中運行，無需將圖片上傳至云端識別，可有效減少圖片傳輸過程中需要的時間以及數據傳輸過程中數據“丟包”的風險。最終的文字識別準確率平均可達95%，數字識別的準確率平均可達98%。