基于卷积神经网络的电网变压器铭牌识别技术研究

王元峰 龙思璇 曾惜 王宏远 林家杰 陈华彬

摘要：针对现有的CNN网络模型在电网变压器铭牌识别应用中容易发生过拟合，训练速度慢等问题，为提高变压器铭牌识别准确率，提升训练效率，基于传统CNN算法理论提出一种I_CNN算法。首先设计全局池化层来代替传统CNN网络中的全连接层，降低过拟合风险;然后引入一种改进的softmax分类器构建softmax分类层，有效提高训练效率;最后使用实地采集的变压器铭牌图片数据集上训练I_CNN网络模型，识别准确率达96.21%，并通过对比实验表明，本文提出的I_CNN算法具有较高的准确率和训练效率。

关键词：卷积神经网络;图片识别;变压器;铭牌识别

中图分类号：TP391.4 文献标识码：A 文章编号：1007-9416（2020）07-0113-03

0 引言

电网变压器是供配电系统中关键的一个环节，起到电力系统中电压等级的变换的作用，是电能输送、分配和使用的关键设备。所以，对电网变压器的运维工作显得尤为重要。电网变压器的运维工作一般从变压器的铭牌出发，铭牌就类似于变压器的一张“身份证”，从铭牌上可以获取变压器的编号和主要技术参数，为运维工作的开展提供更加充足的信息支持。但由于铭牌贴附在变压器表面，而变压器投入使用后基本都处于带电工作状态，而且相对位置都较高，加之雨水腐蚀、自然风化等条件影响，对变压器铭牌信息的采集和整理都十分困难。

图像识别是近几年人工智能领域的主要研究方向之一，在配电网络运维领域，图像识别可以根据现场采集的图像数据进行模型训练，从而对图像数据中提取出关键信息，为运维工作提供指导。因此，越来越多学者将图像识别技术结合到电力变压器等设备的运维工作中。文献[1]采用一种并行结构优化的卷积神经网络模型与增强现实技术相结合对变压器图像进行识别，与传统神经网络算法相比，该方法具有较高的识别准确率;文献[2]充分利用线性修正函数与柔性光滑函数的优势设计了一种神经元激励的方法应用于卷积神经网络中对变电站监控图像进行异常识别，识别效果良好;文献[3]提出一种M_CNN算法，该算法根据网络对小样本的识别情况设置置信度判决函数，并对识别率低的样本重新进行特征提取用于训练下一层网络，从而构造多层卷积神经网络，与传统CNN模型相比，M_CNN模型在变电站异常场景识别中具有更高的准确率。上述学者研究都是基于卷积神经网络（Convolutional Neural Network，CNN）开展图像识别应用研究，但上述方法都未考虑过拟合现象和模型训练速度，限制了模型在变压器铭牌识别应用中的实用性。

本文在传统CNN网络基础上，设计全局池化层来代替传统CNN网络中的全连接层，并引入一种改进的softmax分类器构建softmax分类层，提出一种I_CNN（Improved CNN，I_CNN）算法。将I_CNN应用于真实变压器铭牌图片数据集中进行模型训练，结果表明，本文提出的I_CNN模型具有更高的准确率和训练速度。

1 传统卷积神经网络算法

CNN网络是深度学习模型的一种，也是当前图像识别应用领域的热门研究方向[4]。CNN模型是一种端到端的学习模式，其网络中所有参数都可以在迭代过程中通过梯度下降法优化求解，训练好的CNN模型能够对输入图像的特征进行提取，从而完成图像分类、内容检测、识别等任务[5]。

CNN网络由经典神经网络模型发展而来，保留了神经网络模型中的输入层、全连接层和输出层，在此基础上新增了卷积层、下采样层。CNN网络基本结构如图1所示。

卷积层是CNN网络的特征提取层，每一个卷积层中节点通过一个卷积核与前一层小范围的节点相连接，进行特征提取，对于上一层中的特征图，使用不同的卷积核提取到不同的卷积图像。下采样层作用是将卷积层中卷积后的特征进行抽样，也就是将输入的特征图划分为不重叠的子区域，对每个子区域进行池化操作，所以下采样层也被称为池化层。因为卷积层和下采样层局部连接和权值共享的特点，整个网络模型更加接近于生物神经网络，因此在语音识别和图像处理等领域CNN网络模型能够得到越来越多的应用[6-7]。

2 改进的卷积神经网络算法

传统CNN网络结构包含多个卷积层和多个下采样层，这使得网络中相邻层节点直接可以局部连接和权值共享，这是CNN网络的两大功能特色。但这也造成了CNN网络结构的复杂性，降低了CNN网络模型的训练效率。为此，本文在传统CNN模型基础上进行优化，提出一种I_CNN（Improved CNN）模型。如图2所示，I_CNN模型由1个输入层、3个卷积层、2个池化层以及1个全局池化层和1个softmax分类层组成。

在傳统CNN模型中，图像数据经过卷积和池化操作后以长特征向量的形式传入到全连接层，在全连接层中，各层节点之间是完全连接的，这种方式不仅参数量大，训练效率低，且容易导致过拟合，降低模型准确率。针对这一问题，在I_CNN模型中用一个全局池化层来代替全连接层，这里的全局池化层可以将上层中传递过来的特征图所有像素用平均值替代，获得一个更低维度的特征向量。通过全局池化层后输出的特征向量可以理解为图像数据类别的置信图，且在全局池化层中没有需要优化的参数，从而降低过拟合风险，达到减少参数量、提高训练效率的目的。

全局池化层之后是softmax分类层，传统CNN模型softmax分类层完成的是一个回归操作，输出属于各个类别的概率，但在这一层参数求解时存在大量参数冗余，使得模型结构更加复杂，降低训练效率。为此，在I_CNN算法中，本文引入一种改进的softmax分类器构建softmax分类层[8]，损失函数为：

3 实验结果与分析

3.1 实验环境

本文实验均在CentOS 7.5系统，Inter（R） Core（TM） i7-6500U CPU，8GB内存计算机中进行，模型均采用Python开发实现。

3.2 数据预处理

本文使用的图片数据集是贵州电网贵阳供电局城北分局实地采集的电网变压器铭牌数据，如图3所示是从变压器上采集的两张铭牌图片，图片上包含变压器名称、型号等信息，本文主要目标就是对铭牌上的信息就行识别。

圖3所示的铭牌图片并不能直接使用模型进行识别，需要先进行一系列的预处理操作。 本文采用文献[9]中的图片处理方法对铭牌图片进行预处理：首先对图片中的铭牌进行定位，然后以铭牌作为整体进行角度矫正、灰值化等处理，最后对铭牌中的字符进行定位并切割，输出包含单个字符的图像。

3.3 实验对比分析

为验证本文提出的I_CNN算法性能，分别使用本文提出的I_CNN算法、传统CNN算法、文献[3]的M_CNN算法分别构建变压器铭牌识别模型，3种模型都采用按3.1所述预处理方法获得的同一图片数据集进行训练。为更好的分析比较模型性能，每种模型训练20次，分别比较每种模型20次训练的平均准确率和平均收敛时间，实验结果如表1所示。

表1实验结果表明，在识别准确率上，本文提出的I_CNN模型要优于传统CNN模型和M_CNN模型;在模型训练效率上，I_CNN模型平均收敛时间为28.69秒，远小于M_CNN模型的34.53秒和传统CNN模型的32.85秒，具有更高效率，收敛速度更快。实验证明，本文提出的I_CNN模型不仅在铭牌识别准确率较传统CNN模型和M_CNN模型有一定优势，且模型收敛速度更快。

4 结语

针对现有的CNN网络模型在电网变压器铭牌识别应用中容易发生过拟合，训练速度慢等问题，本文基于传统CNN模型理论提出了一种I_CNN网络模型。通过在真实变压器图片数据集上的对比实验验证表明，I_CNN算法具有较高的识别准确率和收敛速度，在变压器运维工作中具有较高的实用性。

参考文献

[1] 李军锋，何双伯，冯伟夏，等.基于改进CNN的增强现实变压器图像识别技术[J].现代电子技术，2018，41（7）：29-32.

[2] 廖家齐，钱科军，方华亮，等.基于泛在电力物联网的电动汽车充电站运维关键技术[J].电力建设，2019（9）：20-26.

[3] 赵继生.基于卷积神经网络的变电站监控图像识别方法研究[D].北京：华北电力大学，2016.

[4] 高昆仑，杨帅，刘思言，等.基于一维卷积神经网络的电力系统暂态稳定评估[J].电力系统自动化，2019，43（12）：18.

[5] Zhaoye Zhou，Gengyan Zhao，Richard Kijowski，etc.Deep Convolutional Neural Network for Segmentation of Knee Joint Anatomy[J].Magnetic Resonance in Medicine，2018（6）：2759-2770.

[6] 刘万军，梁雪剑，曲海成.自适应增强卷积神经网络图像识别[J].中国图象图形学报，2019，22（12）：1723-1736.

[7] Rocco，Ignacio， Arandjelovi， Relja， Sivic， Josef. Convolutional neural network architecture for geometric matching[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2019，41（11）：2553-2567.

[8] 冉鹏，王灵，李昕，等.改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J].上海大学学报：自然科学版，2018，24（3）：26-40.

[9] 刘波.变电站设备铭牌识别系统设计与实现[D].成都：电子科技大学，2013.