远程抄表的人工智能设计

胡媛媛

摘要：近些年，我国的科技水平快速进步，目前，基于人工智能的卷积神经网络框架，对电表采用轮廓分析进行特征提取，实现0到9的电表数字识别。步骤是先通过设备拍摄电表读数，获得图像后对图像进行灰度化和二值化处理，然后进行字符分割、图像识别和相应的特征值提取，最后识别出电表的读数。

关键词：人工智能;抄表;卷积网络;分割

引言：

电费电价核算（以下简称核算）作为供电企业经营管理当中的一项周期性工作，需要人工核算大量的数据，在抄表、收费已实现自动化的条件下，提升中间环节的电费电价核算人工智能化水平势在必行。人工智能是研究使计算机来模拟人的某些思维过程和智能行为的学科，人工智能的“机器学习”需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。人工智能是基于大数据的支持和采集，运用于人工设定的特定性能和运算方式来实现的，由于数据采集技术的发展，我们开始拥有以往难以想象的海量数据，同时，也开始在某一领域拥有深度的、细致的数据。而电力企业恰恰在数据资源和数据采集技术两个方面具备充分的条件。

1、人工智能简介

人工智能是由计算机科学、控制论、信息理论、神经生理学、心理学、语言学和其他学科开发的综合学科，从目前的技术发展来看，人工智能以机器学习、数据挖掘为两大技术核心，机器学习又包含对抗学习等诸多种类，其中备受瞩目的就是深度学习。深度学习又可分为卷积神经网络、循环神经网络、全连接神经网络，并通过算法框架实现深度学习过程。通过机器学习与数据挖掘技术，实现了目前最常见的三大技术应用：计算机视觉、智能语音技术、自然语音处理，除此之外，人工智能技术的实现，还要依托处理器、传感器等硬件的支持以及云平台提供的存储与计算，其基本技术框架如图1所示。

2、卷积神经网络识别电表数字

深度学习常用架构分为深度神经网络，卷积神经网络等。深度神经网络是基于感知机的扩展，有很多层或很多感知机的神经网络。英文名字叫multi-Layerperceptron或者deepneuralnetwork。初始的深度神經网络存在一些问题，采用的是全连接的形式，隐藏层可以用很多层，每相邻的两层之间是全连接的。导致出现数量巨大的权值参数，容易过拟合。

随着神经网络的加深，优化函数易陷入局部最优解，与真正的最优解偏离太多，性能甚至不如浅层网络。选用sigmoid来激活传递函数，梯度会衰减，随着层数的增加衰减累积，最后梯度基本为0。关于数值为1的元素，在举行反向传播梯度运算时，每传送一层，梯度衰减为本来的1/4。梯度指数衰减后低层基本上接受不到有效的信息，进而无法对时间序列上的变化进行建模。卷积神经网络（convolutionalneuralnetwork），适合处理高维的大数据。因为不是全部的上下层神经元都直接连接，而是通过卷积核进行操作。同一个卷积核在所有图像内是同享的，图像经过卷积操纵后仍然可保留原先的位置干系。对于图像，若是没有卷积操纵，学习的参数量将庞大无比。由于卷积神经网络缩小了参数的个数并突出了局部结构的这个特点。

基于深度学习框架的卷积神经网络，包括卷积层，激活层，池化层，全连接层等。卷积层主要的功能是进行提取特征，我们通过卷积核进行特征提取与映射，在卷积层中它的内部包含一个或者多个卷积核，同时，构成卷积核的每一个元素都会同时对应一个权重系数w和一个偏差量b，类似于一个前向传播神经网络的神经元。与此同时，卷积层中的每一个神经元都与前一层中地方靠近区域的多个神经元连接。最重要的是，区域的大小取决于卷积核的大小。在我们研习的过程中，卷积层包含卷积核大小、步长和填充三个元素，三者协同决定了卷积层输出特征图的大小。我们在对图像特征提取的过程中，时常会使用按0填充或重复边界值填充。由于卷积是一种线性的运算，所以我们需要增加一些非线性的映射，比如卷积层中包含激励函数来帮助表达其复杂的特征。在这里要说明一点，激励函数的操作通常在卷积层之后，但是激励函数在一些预激活技术的算法中是位于卷积层之前使用的。

通过卷积层和激活层后，我们将使用池化层来进行下采样，对切割后的电表表盘图做一些稀疏处理，因为这样可以减少一些数据运算量。在卷积层做特征提取后，输出的特征图会被传送到池化层进行信息过滤和特征拣选。其中，池化层包含预设定好的池化函数，预设定好的池化函数的功能是将特征图中的单个点结果替换为它的相邻区域的特征图统计量。池化层选择池化区域与卷积核扫描特征图的过程一致，由池化大小、步长和填充控制三个元素共同来确定。

3、图片切割处理

电表数字是连在一起的，需要进行分割，然后对单个数字进行识别处理。图像分割，可以看作是通过图像的某些特征或者某些特征的相关集合，例如灰度，颜色，纹理等等的相似性原则，从而对某些图像的像素进行分类，把图像的平面分成具有一些一致性的不重叠的区域。图像分割的常用方法有基于阈值的分割方法，基于边缘的分割方法，基于区域的分割方法，基于图论的分割方法，基于能量泛函的分割方法等。阈值法的主要原理是通过图像的灰度特征从而得到计算灰度相关阈值，然后把每一个像素的灰度值和规定好的阈值进行数值上的比较，并且通过相关的计算机语言算法把比较的结果放入到较合适的组中。足以可见，阈值的确定是关键，因为可以通过阈值将我们获取的图像进行合理切割。而如今在图像切割问题上，有许多高效的切割方法为我们提供了有效的解决方案。比如边缘法、区域法、图论法、能量泛函法等等。

4、结语

人工智能是新发展起来的一门学科，在各个领域的应用都非常广泛，目前已有部分人工智能的研究成果进入到人们的日常生活之中。但是像所有学科一样，人工智能的发展也会经历各种各样的挫折，我们应当加大力度对人工智能学科进行深入的研究，让人工智能与人类生产生活结合，使其为改善人类生产生活做出更大的贡献，让其更好的为人类服务。我们相信，在不久的将来，人工智能理论将会有更大的突破与发展，人工智能技术也会给人们的工作、生活、教育等带来更大的便利。

参考文献：

[1]  贾开，蒋余浩.人工智能治理的三个基本问题 ：技术逻辑、风险挑战与公共政策选择[J] .中国行政管理，2017年10期.

[2]  张军国，冯文钊，胡春鹤.无人机航拍林业虫害图像分割复合梯度分水岭算法[J].农业工程学报，2017.33（14）：93-99

[3]  曾锋，曾碧卿，韩旭丽.基于双层注意力循环神经网络的方面级情感分析[J].中文信息学报，2019.33（6）.

（作者单位：国网无极县供电公司）