基于深度學習的風場關口計量表圖像識別系統研究

摘要：文章對基于深度學習的風場關口計量表圖像識別系統進行了研究，主要是識別關口計量表上參數，無須對儀器進行改造。文章以先進的云計算和數據分析為輔助并結合關口計量表采集數據，開發一套簡單方便的微信小程序輕應用系統。該系統識別目標準確率高，圖片處理時間快，且不直接與計量表計對接，具有完備的電力生產系統網絡安全性，且通過光學圖片采集信息，可屏蔽生產場所產生的電磁干擾，對發電企業起到挖掘數據能效、開發運維潛力、提升管理質量的效果。

關鍵詞：深度學習；關口計量表；圖像識別系統

中圖分類號：TP391.41 文獻標志碼：A文獻標志碼

0 引言

關口電能計量表是電網公司和新能源發電企業之間最重要的一類計量表。對于電網公司，它是計量發電企業發電量，購電核算的重要工具［1］。對于發電企業，它用于計量該線路上的總供電量。是否可用該計量值參與考核線損等問題，是新能源發電企業關注的重點。

目前，國內外針對關口計量表的監測研究問題主要集中在以下2點：（1）計量表數據的遠程采集和遠程校驗；（2）智能感知和數據挖掘實現對電能表運行狀況的實時監測。由于計量表由電網安裝校正，通信接口已被實施鉛封，不允許其他電子設備接入。發電企業在運維過程中，只能由人工定時讀表，手動記錄。該方式工作效率低，數據時效性差，不易形成結構化數據，進而進行深度分析，在很大程度上阻礙了發電企業與電網之間的貿易結算，特別是在以新能源為主體的新型電力系統極具時效要求的現貨交易流程中。

隨著人工智能技術的發展，圖像識別技術早已被廣泛運用到如物聯網二維碼中的字符識別等各個方面，其核心技術也愈加趨于成熟。利用圖像處理進行遠程采集儀表數據的技術也開始發展起來［2］，這種遠程圖像識別參數的方法相較于傳統的遠程抄表技術，具備不受電表本身硬件限制的優點，無須對電表進行改裝或更換就能被大量應用，減少了資金的消耗。目前已有很多關于圖像處理識別數字儀表的研究［3］，表明該技術實現了數字提取、分割、識別，并能在各種約束條件下得到較理想的識別效果。

鑒于國家電網對關口計量表通信接口進行鉛封，發電企業須要實時了解關口電量表數據以支撐現場和經營層面的決策，本文創新性地研發了智能的關口計量數據監控系統。該系統具有廣闊的社會前景和經濟效益。

1 研究內容

新能源發電行業均積極從傳統運維向智能運維模式轉變。傳統運維依靠經驗和制度規章驅動，形成靜態模糊決策，再依規開票實施；智能運維則依靠電力生產過程中產生的實時數據驅動，通過信息系統的強大數據分析能力精準把握動態，從而快速決策。實現轉變的關鍵就是以新一代信息論、系統論為基石的人工智能技術的發展和應用。電能關口計量表是電網公司和發電企業之間購售電核算的主要工具，大部分國有企業類發電廠目前仍使用人工抄表、手動收集數據的方式，讀數的實時性差，準確性不可控，嚴重減弱了生產數據的分析效果，影響發電過程的整體決策。

針對當前關口計量表存在的問題，企業應運用工業相機在關口計量表處采集液晶屏幕圖像，再應用以Tensorflow/Keras為框架的YOLOv5網絡圖像分割和OCR圖像識別技術進行處理，還原成文本并發送到數據中心，最后進行結構化存儲與分析。結果最終以微信小程序輕量化展示給用戶，以實現數據的實時讀取與分析，盤活數字資產，達到提高決策效率的目的。

研究內容主要有：

（1）關口計量表圖像采集，以Linux為核心的SoC系統驅動工業相機拍攝計量表液晶屏區域圖像信息，利用物聯感知網和升壓站信息承載網絡將圖片傳輸到云服務器。

（2）圖像識別與數據存儲，由云服務器對圖片采用深度學習聯系YOLOv5網絡圖像定位分割和OCR機器學習方式對圖片進行識別，解析的字符串生成結構化文本數據，通過TCP/IP或RS-485等協議，傳輸到集控中心數據庫。

（3）數據展示，采取直連數據庫的方式實時傳輸數據，開發一套簡單方便的微信小程序輕應用系統實時傳輸風場相關數據（上/下網電量和相關生產經營信息），為設備精細化運行和維護人力資源調度提供科學可靠的決策支撐。

2 系統結構

風場關口計量表識別系統的結構如圖1所示。

2.1 關口計量表圖像采集設備

圖像采集由工業相機對電表液晶屏幕進行拍攝。將相機貼在屏柜玻璃外壁，在柜外對單個關口計量表進行拍攝，采用照明方式提高亮度及清晰度。前置工控機采用以Linux為核心的SoC系統，通過執行定時程序驅動照明電路和攝像頭拍攝圖片，配置開關電源為其供電，設置路徑存儲程序將拍攝的照片存儲到相應目錄中，驅動socket通信將其傳到云服務器中，采用無連接的數據傳輸方式SOCK_DGRAM，保證計算機只傳輸數據不做數據局校驗，提升數據傳輸速度，將發送的數據存入接收緩存區。

2.2 圖像識別與數據存儲

本研究結合傳統圖像處理和深度學習技術實現計量表智能讀數算法，如圖2所示。

首先，本文采用YOLOv5網絡圖像分割技術分割出計量表LCD液晶屏區域，根據先驗知識在液晶屏區域中裁切出有效數字所在的大致區域，減少背景噪聲影響，提升讀取的準確率，通過圖像特征采用SENet算法對圖像進行分割。

采用LSTM+CTC+CNN架構的OCR圖像識別技術結合深度學習技術識別出液晶屏中前述數字區域中的數字進行識別解碼，將圖片解析成字符串，送入云端數據庫，再在云端服務器上搭建Web服務器，將已存入數據庫的計量數據通過Web服務發布到頁面。外網可通過Web頁面獲取關口計量表的碼表數據。另外，在數據庫形成的結構化數據可供系統隨時調用，為發電運營和風場生產的相關決策提供支撐。

2.3 數據展示

本文通過微信公眾平臺申請小程序并對界面進行設計開發，經過后臺程序計算后的生產相關數據，直連數據庫的傳輸方式對數據實時顯示。

3 技術路線

本研究的實施技術路線與成果規劃如圖3所示。通過查閱文件、實地調研，首先設計關口計量表圖像采集設備，然后在TensorFlow/Keras平臺上采用YOLOv5網絡模型、SENet算法對圖像進行分割，利用OCR圖像識別技術對圖片進行識別解碼，對數字字符區域分割生成結構化文本數據，并傳輸至集控中心數據庫，最后以微信小程序的形式展示。

3.1 YOLOv5網絡圖像分割技術

本文對LCD屏定位采用YOLOv5算法，利用整張圖片作為網絡的輸入，直接在輸出層回歸位置和所屬類別，對除去所需監測數據圖片的其他噪聲進行預處理，精準定位到設備數據圖片位置。

本文對定位圖片中的數據進行識別，采用SENet算法，在原圖像中找到符合閾值的部分，之后再對每一部分進行2次投影分割，并篩選出符合讀數區域長寬比的部分。該方法比較容易實現，在處理電表圖像時能得到一個較為良好的結果。

YOLOv5通過形態學操作和減法可以實現獲取圖像的邊界，設置為8位單通道的二值圖像，將攝像頭所拍圖像處理為二值圖像后再將其作為image的參數，最后返回當前圖片中的輪廓層次關系。上述代碼對檢測到的輪廓建立等級關系，依次遍歷，然后壓縮水平、垂直對角線方向的元素，只保留該方向的終點坐標，通過該方式定位到圖片中的數字位置。接下來對定位到的矩形邊框中的信息進行擬合，依次縮進所取范圍直到鎖定所需數字輪廓。

SENet中的SE模塊如圖4所示，圖中的Ftr是傳統的卷積結構；X和U是Ftr的輸入（C’×H’×W’）和輸出（C×H×W），這些都是以往結構中已存在的。SENet增加的部分是U后的結構：對U先做一個Global Average Pooling，輸出的1×1×C數據再經過兩級全連接，最后用Sigmoid限制到［0，1］的范圍，把這個值作為scale乘到U的C個通道上，作為下一級的輸入數據。該方式控制scale的大小，把所需的數字特征增強，不需要的其他特征減弱，讓鎖定輪廓中的數據信息指向性更強。

3.2 OCR圖像識別技術

對所識別數據進行處理，首先利用OCR算法以字符形態為分析樣本，確定在圖像中字符特征邊緣區域的選擇，然后找出每個字符的特征特性，通過大量試驗得出每個字符的特征規律，最后通過相似性概率統計方法實現字符的識別。

將圖片中的數字區域位置鎖定后，還須對區域內的數字進行識別。該項目使用LSTM+CTC+CNN架構，通過采用標準CNN模型（去除全連接層）中的卷積層和最大池化層來構造卷積層的組件，用于從輸入圖像中提取序列特征表示。在進入網絡之前，所有的圖像須要縮放到相同的高度，然后從卷積層組件產生的特征圖中提取特征向量序列，這些特征向量序列作為循環層的輸入。長短時記憶（LSTM）存儲單元存儲過去的上下文，輸入和輸出門允許單元長時間地存儲上下文，單元中的存儲可以被遺忘門清除，擴大存儲的上下文范圍，給訓練過程減負，得到更加精確的結果。轉錄采用CTC算法，用于處理序列標注問題中的輸入與輸出標簽的對齊問題，CTC擴展了標簽集合，添加空元素，使用擴展標簽集合對序列進行標注后，所有可以通過映射函數轉換為真實序列的預測序列，都是正確的預測結果，也就是無需數據對齊處理即可得到預測序列。該方法檢索過程結合額外的信息，提高搜索的準確度。

所有模型和算法均是基于TensorFlow/Keras平臺進行有效性驗證，在驗證通過的基礎上基于Python語言架構開發用于實際環境的應用程序。

4 特色與創新

針對發電企業關口計量數據采用“非接觸”采集方案，確保網絡安全的同時屏蔽相關干擾，獲取準確表計讀數。設計基于Linux內核的前置終端作為物聯網感知節點采集圖片信號，利用發電場站信息承載網將信息傳入位于云終端的深度學習模型進行識別和處理。

在云端建立基于深度學習的字符識別模型，并針對關口計量表特定字符進行訓練，獲得結果形成結構化數據存儲到相關的云數據庫，發布到生產平臺和相關終端。貫通生產平臺數據，深入挖掘關口計量表相關經營數據，為實際生產提供決策支撐。

應用移動互聯網小程序輕應用，采集和發布生產一線發電計量、設備運維情況，形成扁平化管理體系，為生產事務安排和現貨電量交易提供決策支撐，開發運維潛力，提升精細化管理水平。

5 應用前景

本文研究的基于深度學習的風場關口計量表圖像識別系統，識別目標準確率高，對發電企業起到挖掘數據能效，開發運維潛力，提升管理質量效果具有顯著成效。此套系統也可運用到輻射、極端溫度等危險行業中所用到的儀表監測，對保障人員安全以及穩定社會發展具有巨大作用。

參考文獻

［1］張鼎衢，楊路，宋強，等.一種用于關口電能計量裝置遠程校驗的多路模擬采集器的研制［J］.電測與儀表，2022（9）：181-187.

［2］馬學文.基于圖像識別的指針式工業儀表遠程抄錄技術研究［D］.西安：西安電子科技大學，2021.

［3］王麗芳.基于圖像處理的數字儀表字符自動識別研究［J］.電子世界，2020（15）：60-61.

Research on image recognition system of wind pass meter based on deep learning

Abstract： This research mainly focuses on the image recognition system of wind field pass meter based on deep learning， which is mainly to identify parameters on the pass meter without the need to transform the instrument. Assisted by advanced cloud computing and data analysis， combined with the pass meter to collect data， a set of simple and convenient wechat mini program light application system is developed， with high target identification accuracy and fast image processing time. And does not directly docking with the metering meter， with a complete power production system network security， and through the optical picture collection of information， can shield the electromagnetic interference in the production site， the power generation enterprises to tap data energy efficiency， development of operation and maintenance potential， improve the quality of management effect.

Key words： deep learning gateway; metrology meter; image recognition system