电网资产实物ID特高频RFID标签三码一致性验证应用研究

赵建利，耿 茜，冯海燕，包小千

(国网河北省电力有限公司电力科学研究院，石家庄 050021)

1 概述

国家电网公司自2016年启动电网实物资产身份ID建设[1]，以实物ID[2]为核心关联贯通业务编码，集成资产规划设计、采购建设、运行维护以及报废处置各阶段信息，以实现资产信息全维度收集、全过程追踪、全方位共享。目前实物ID的2种实现方式分别为二维码标签[3]和RFID标签[4-5]，而RFID标签以其灵敏度高、距离远、多目标识别等特点，能够更好的适应电网资产种类庞杂、分布较广的特殊工作环境，得到了较多的应用。

常用RFID标签样式如图1所示，芯片内部存储了一定位数的实物ID编码，在芯片外壳表面附着数字编码及其对应的二维码，现场业务执行过程中，由于实物ID的RFID识别与标签表面二维码扫码识别并行应用，若芯片内码与二维码不一致，将直接造成实物ID关联业务信息的混乱，影响后期资产全寿命关联信息追溯[6-8]的成效。

图1 RFID标签样式

2 图像处理与二维码识别

因本文所研究的RFID标签表面二维码与数字编码是相邻排放，所以采用一次取像技术，具体流程如图2所示。

2.1 图像预处理

图2 RFID标签表面二维码和数字编码的识别流程

为提高图像特征提取、分割、匹配与识别的可靠性，系统采用了灰度化和基于灰度直方图的多阈值法的二值化等方法进行图像预处理[9-11]。

2.1.1 灰度化

fk(i，j)(k=1，2，3)为转换后的灰度图像在(i，j)处的灰度值，即将彩色图像中的三分量的亮度作为3个灰度图像的灰度值，分别为 R(i，j)、G(i，j)、B(i，j)，根据实际应用需要选取一种灰度图。

接着求出原图的直方图h={xi}(i=0，1，…，255)，计算灰度分布概率。设图像总体像素N=lw，每个灰度的像素个数在整个图像中的占比为:

则灰度级的累计分布hp的计算方法如下:

式中:i=0，1，…，255。然后计算新图像的灰度值，如式(3)所示。

式中:hp(k)为f(i，j)的累计概率分布。

2.1.2 二值化

由于该装置主要应用在变电站中，现场光线环境复杂，系统根据图像直方图的形状选取不同的二值化处理过程，可有效去除光线不均的影响。

若灰度直方图呈现双峰结构(正常光照)，则直接对图像进行二值化；若呈现单峰或弱双峰结构(偏暗或偏亮)，则应用动态Otsu算法[12]计算最大类间方差作为全局阈值，将图像进行二值化；若直方图呈现N峰结构(光照不均)，则对图像进行分块直方图均衡化后再用动态Otsu算法进行二值化处理。

2.2 图像畸变校正及二维码解码

因为本装置处理的二维码和数字编码都是附着在RFID标签外壳表面，不存在摄取到曲面图像的情况，所以为简化处理过程，先对畸变图像进行透视变换，然后使用线性插值对透视变换后的图像进行插值，完成图像的畸变校正。

设(x，y)为非畸变的图像，(u，v)是斜视畸变的图像，M为变换矩阵，通用变换公式为:

对上式进行求解并进行归一化可得:

由于校正后的图像中有些区域在畸变图像中无对应像素点，为了消除对应灰度值的缝隙，提高校正后图像识别的准确度，应用双线性插值法[13]对灰度值进行插值，即根据待插像素点近邻域内的4个已知像素点的加权平均来求得最终像素值，该算法保证了像素点的灰度连续性。定位3个或者3个以上的位置探测图形进行二维码区域定位，应用Zbar开源库对校正后的二维码进行解码，获取实物ID编码。

3 基于卷积神经网络的数字编码识别

3.1 卷积神经网络

卷积神经网络是一种带有卷积运算的前馈神经网络，主要由输入层、卷积层、池化层和全连接输出层构成[14]，其采用局部感知域和权值共享的方法，不仅降低了网络模型的复杂度，而且缓解了网络模型过拟合问题，近年来被广泛应用于人脸识别、目标检测等图像识别领域。采用LeNet-5模型的卷积神经网络对RFID标签表面数字编码进行识别，其结构示意如图3所示，使用MNIST数据集对网络进行训练。

图3 LeNet-5模型结构示意

3.2 RFID标签表面数字编码识别

3.2.1 数字编码区域定位

根据RFID标签表面数字编码的特点(数字编码在二维码下方，都包含“ID:”，且为一长条区域)，定义小模板“ID:”，利用基于灰度的匹配方法在获取图像的二维码下方区域，移动小魔板进行图像匹配，定位“ID:”的起始坐标ST、以及高度h、宽度w。根据要系统设置的数字编码长度N，计算数字编码区的总体长度w*N/3，从而获得数字编码区域图像A，长度为Wa，高度为Ha。

3.2.2 数字分割

由于RFID标签表面数字编码位数较多，为降低学习网络的训练复杂度，可将一连串编码进行分割，然后对分割后的单个数字图像进行识别。

设A为定位后的数字编码区域图像，A[i，j]表示像素点(i，j)的值，为0表示黑色，为1表示白色。计算一维分割向量:j](j=1，2，…，Wa)。

X[j]为1表示该位置为数字之间的间隔区域。从左向右扫描X[j]，用一个游标pp来记录数字图像中扫描的变化，如果游标遇到0，则表明该处为黑点，表示该位置为第一个数字的左边界，标记为col1；继续向右扫描，若遇到1，且第一次遇到1，则表示该位置为第一个数字的右边界，记录该数字图像为number1。以前一个数字的右边界为扫描起点，重复前面的步骤，直到把所有的数字都分割出来。数字编码分割完成后，应用训练好的LeNet-5网络进行数字识别。

4 三码一致性验证装置设计与实现

4.1 系统设计

本研究根据前述功能要求完成了一款特高频RFID标签三码一致性验证装置，其硬件系统框架如图4所示。

图4 硬件系统框架结构

系统以嵌入式微处理器为核心，辅助以超高频RFID读卡芯片、无线网络通信模块、图像采集模块，以及按键输入、显示屏和音频输出模块。系统功能主要包括原始图像采集、读取RFID芯片编码、标签表面二维码识别、数字编码识别和三码一致性判定逻辑。具体的一致性验证流程如图5所示。

图5 RFID标签三码一致性验证判定流程

当将待检测RFID标签置入待检区后，超高频读卡模块识别出芯片内部实物ID编码，接着启动摄像头为标签表面进行拍照，获取同时包含标签表面二维码和数字编码的图像，并以二维码为核心进行图像预处理(包括灰度化、自适应中值滤波和基于灰度直方图的自适应多阈值动态Otsu法二值化)；随后分别调用二维码识别模块和数字编码识别模块进行识别。判定时，如果三码一致，则无线通信模块调用云端服务器，进一步确定待测实物ID对应设备所处工作状态，最后进行验证结果的显示及语音播报。

4.2 实验分析

图6展示了应用本装置在光线不均情况下二维码及数字码识别图像的预处理过程及效果。应用本装置采集现场光线不均情况下的图像1000例，对比不同处理方法的识别率及识别速度，见表1。通过比较可以看出，文中所采用的对图像分块进行直方图均衡化后应用Otsu算法的识别效率，要明显优于未进行直方图均衡化，而图像分块后直接应用Otsu算法的处理过程，并且随着图像分块数目的增加，识别效率也随之增加，说明图像分块数目的增加可有效消除光照不均对二值化的影响。但分块数目的增加也增加了图像预处理的时间，影响了识别速度，所以分块要适量。

图6 光照不均情况下不同图像二值化方法应用对比

表1 不同图像二值化方法识别效率对比

4.3 装置性能

本装置应用基于灰度直方图的自适应多阈值动态Otsu法处理采集到的图像存在一定的复杂背景干扰、光照不均和斜视畸变等情况，二维码和数字编码识别更灵敏；本装置采用基于Let Net-5模型的卷积神经网络对标签表面数字串进行智能识别，数字编码识别正确率达到99.5%；本装置便于携带、操作简单、交互友好，由于功率可调节，可防止在RFID阅读器有效工作范围内出现多个RFID应答器的碰撞，保证待验证RFID标签的唯一性。

4.4 应用场景

该装置的应用场景主要有以下3种。

a.设备贴签之前的实验室检测。由于标签供应商与设备供应商不是同一家，可应用本装置在实验室对RFID标签生产厂家提供的标签进行实验室检测，因为一致性检测响应时间≤1.5 s，单个装置的日检测量可达2 000个标签。

b.设备贴标后物资到货验收环节的抽检。物资到货后，RFID标签已被设备供应商装贴在设备铭牌附近，由物资专业进行到货验收，可应用本装置对设备上的RFID标签进行三码一致性验证抽检，结果数据可作为评价设备供应商贴签质量的重要依据。

c.设备贴标运行后应用抽检。本装置也可用于运行中设备RFID标签一致性验证的抽检工作。

5 结论

国网公司在《资产统一身份编码建设推广实施方案》中明确，2018年8月后实现主网8类、配网2类设备所有招标批次的增量设备源头赋码贴标，到2020年实现主网14类、配网2类50%存量设备标签制作安装及信息关联追溯，届时贴标设备数量将达到千万级别。这也意味着RFID标签三码一致性检测工作在入网前后的检测数量将达到上亿级别。本装置可在国网公司系统内得到广泛应用，为保证RFID标签入网前的正确率、提高电网资产实物ID信息追溯的一致性与完备性提供重要的解决方案。