基于改进Densenet的配电设备仪表识别方法研究

国网上海市电力公司闸北发电厂 葛海华 邹钰洁 陆建成 上海电力大学电子与信息工程学院 崔昊杨

随着配电物联网的发展，传感器及配电设备广泛接入至电力物联网平台，如何实时、准确、高效地采集如此海量的配用电数据成为了当前亟待解决的核心问题。以分钟、小时为周期进行监测数据、运行数据常采取运维人员收集的方式，该方法不仅效率低下，还会由于人为因素出现干扰。目前配电设备以液晶显示屏及数码管显示屏居多，由于存在种类多样化、环境复杂化等影响，如何实现仪表信息的准确识别依存在较大困难。为提高配网设备数据采集的实时性、准确率，发展自适应环境视频监测数字识别技术成为提升本行业信息化、数字化亟待解决的问题。

环境自适应视频监测数字识别技术，主要包括以模板匹配为代表的模式识别方法[1-2]和以Densenet 为代表的深度学习方法[3]。模板匹配通过待识别数字与模板库的比对进行识别，具有抗环境干扰能力强、无需训练的优势，因此在小样本情况下的简单数字识别中得到广泛应用，但该方法对模板数字与待识别数字的大小要求较为严苛。而以Densenet 网络为代表的机器学习方法采用特征传播和特征重复使用的方式克服了VGG16[4]和fasterR-CNN[5]不同层之间的正则化效果较差的问题，训练成功便可对不同大小的数字进行识别，且在复杂背景下识别的准确率远高于模板匹配算法，但该模型对样本特征提取要求严苛，环境光照变化较大时的液晶显示屏数字灰度特征难以完整获取，从而降低了数字识别的准确率。

针对显示屏光强与背景环境光照度不同导致识别困难的问题，本文提出了基于改进Densenet 网络的电力仪表识别方法。该方法通过模板匹配的方式定位设备仪表数字区域，通过自适应wallner[6]二值化方法克服背景光照变化的影响，将数字与背景进行分离。为避免不完整分割对识别的影响，采取“特征预置”的方法对Densenet 的dense blocks进行改进，补全不同光照下的数字特征。实验结果表明：本文方法对液晶仪表数字识别准确率比传统Densenet、VGG16和模板匹配方法分别提高了1.125倍、1.28倍和2.25倍；在发光数码管识别时，不需改变参数的本文模型识别效率比改变参数后的VGG116、传统Densenet 分别提高了37%、30%。

1 改进Densenet 的电力仪表数字识别模型

常见配电设备仪表中，数码管式仪表是自发光光源，其灰度与背景有明显差距，通过图像分割的方法易于数字与背景分离。液晶仪表发光强度弱，与背景对比度较差且受背景光照影响大，难以对数字进行有效分割，数字分割残缺、数字与背景重叠、背景污染等情况常出现。为此本文从3个部分进行改进，分别为基于模板匹配的目标区域进行剪切、基于自适应wallner 二值化的数字分割、以及基于改进Densenet 的数字识别。

以显示屏区域识别代替全局搜索识别的方法不仅具有较快的识别速度，还可根据显示屏当前灰度情况进行阈值自适应分割。故本文采取了模板匹配的归一化互相关匹配法(Normalized Cross Correlation,NCC)[7]进行显示屏区域剪切。设输入图像I(x’,y’)的尺寸为w×h，模板图像为T(x’,y’)。T(x’,y’)从I(x’,y’)的左上角以一个像素点(x,y)为单位进行移动，计算每个新位置点的模板和当前位置图像块的相似程度，直到找出NCC 中相关系数R(x,y)最大值的位置，对该区域进行剪切以获取目标区域：

式中-m/2≤x’’≤m/2，-h/2≤y’’≤h/2切取显示屏区域后的图像记为I’(x’,y’’)。

1.1 自适应wallner 二值化分割

为克服环境光照变化对液晶显示数字检测的影响，以及高斯二值化[8]、OTSU[9]二值化等方法由于边缘光照不均匀导致边缘分割失效的不足，本文采取了wallner 方法对I’(x’,y’)进行图像分割。wallner 二值化分割方法采用灰度值之和gs(n)的方式，即通过提高当前第n 个像素点附近像素点比重、降低偏远像素点比重的方式提高I’(x’,y’)的像素颜色、光照等光学特性描述能力：，式中pn为I’(x’,y’)中第n 个点的灰度值。

1.2 改进Densenet 网络识别

Densenet 网络的dense blocks 层不仅避免了传统深度学习方法梯度消失、参数量大的问题，还采取加强特征传递的方法充分利用特征信息(图1)[3,10]。第lth层接受到的特征图为之前所有层特征，即fl=Hl（[f0,f1,…,fl-1]）（1），式中[f0,f1,…fl-1]为第0层到第l-1层的特征合并。但是，光照影响下的液晶显示屏数字在自适应wallner 二值化分割之后分割数字不完整、背景遮盖数字等情况，造成了dense blocks 第一层难以完整的提取数字特征，并且后续每一层都可对第一层的特征进行调用，第一层特征不完整的情况将严重影响识别的准确率。

图1 Densenet 网络dense blocks 的特征传递示意图

针对环境干扰造成传统Densenet 识别准确率较低的问题，本文采取“特征预置”进行改进。如图2所示，本文提取了残缺的数字和背景污染数字的特征点，将其作为特征集用于数字辅助识别，则公式（1）修改为fl=Hl（[f0,f1,…,fl-1,F]），F={[F(0),F’(0)],[F(1),F’(1)],…,[[F(9),F’(9)],]}。式中F(0)、F’(0)分别为残缺情况下0的特征集和背景污染情况下0的特征集，F(1)、F’(1)等以此类推。

图2 本文改进Densenet 网络dense blocks 的特征传递示意图

2 实验分析

为了验证本文模型的性能，选取200幅液晶显示屏和20幅数码管屏的配电设备仪表进行识别，部分实验结果如图3。从图3（1）a 和图3（1）b 中可见，配电设备的液晶屏在环境光照变化的影响下，显示屏不同区域的光照强度差异较大分割困难，本文通过相邻像素点灰度值对当前个像素点灰度值进行估算，实现了自适应阈值进行分割，降低了环境光照不均匀的影响，分割质量高于二维OTSU。此外从图3（1）a 和图3（1）c 中可看出，即使wallner分割后的数字存在背景污染，传统的Densenet 的第一层dense blocks 难以准确、完整的获取数字特征，影响了第二层及之后层特征的选取，无法识别出数字。但通过“特征预置”方法将数字可能出现的残缺、不完整情况的特征进行对应式预置，解决了数字残缺、污染造成的数字特征不完整的问题，光照不均匀情况下识别准确率得到了显著提升。更进一步，从图3（2）还可知，由于进行了自适应分割和特征预置，相比于模板匹配、VGG16和传统的Densenet 网络，本文模型可在不改变参数的前提下可直接对数码管数字进行识别。

图3 本文方法对液晶显示屏和数码管的识别效果

另一方面从表1可知，尽管本文方法相对于传统Densenet 方法多了特征预置，每层dense blocks都进行调用，使得特征识别过程存在一定耗时，但采取区域识别代替全局识别的方式使得整体识别效率得到了显著提高。200幅液晶显示屏实验结果表明，本文方法识别效率相对于VGG16、传统Densenet提高了44%、36%，识别准确率分别是模板匹配、VGG16和传统Densenet 的2.25倍、1.28倍和1.125倍。在20幅数码管识别中，不改变参数情况下本文模型识别率达到了100%，模板匹配勉强完成部分识别，而VGG16和传统Densenet 必须对参数进行适当调整，否则不能进行识别。相较于改变参数后的模板匹配、VGG16、和传统Densenet 识别准确率的提高，本文方法在效率方面比VGG16、传统Densenet 分别高了37%、30%。

表1 本文方法与模板匹配、VGG16、传统Densenet 网络

通过区域匹配代替全局匹配、自适应阈值分割以及特征预置方法对Densenet 改进，复杂光照情况下的准确率得到了显著提升。但本文方法对液晶屏识别率不能像数码管一样达到近乎100%，其原因主要是强光直照到液晶显示屏时仪表数字被强光大面积污染，即使有特征预置可以进行稍微补救，但数字8与数字9、数字3与数字9、数字3与数字8会由于相似性较高而导致误识别。

综上，针对配电设备仪表数字自动化识别过程中遇到液晶仪表数字对比度差、环境光照干扰等问题，提出了基于改进Densenet 的电力仪表识别模型。该模型利用模板匹配的方法将仪表区域识别代替全局识别，从而提高整体识别效率；其次，采用wallner 自适应法分割阈值以降低数字分割在光照不均匀的条件下所受影响；最后使用特征阈值的方式对Densenet 的dense blocks 进行改进，提高不同光照情况下数字特征的完整性。实验结果表明，本文方法较常见的3种识别算法的运算速度及准确程度有所提升，可满足配电物联网数据采集高效、准确、自动化的要求。