基于深度学习的风场关口计量表图像识别系统研究

摘要：文章对基于深度学习的风场关口计量表图像识别系统进行了研究，主要是识别关口计量表上参数，无须对仪器进行改造。文章以先进的云计算和数据分析为辅助并结合关口计量表采集数据，开发一套简单方便的微信小程序轻应用系统。该系统识别目标准确率高，图片处理时间快，且不直接与计量表计对接，具有完备的电力生产系统网络安全性，且通过光学图片采集信息，可屏蔽生产场所产生的电磁干扰，对发电企业起到挖掘数据能效、开发运维潜力、提升管理质量的效果。

关键词：深度学习；关口计量表；图像识别系统

中图分类号：TP391.41 文献标志码：A文献标志码

0 引言

关口电能计量表是电网公司和新能源发电企业之间最重要的一类计量表。对于电网公司，它是计量发电企业发电量，购电核算的重要工具［1］。对于发电企业，它用于计量该线路上的总供电量。是否可用该计量值参与考核线损等问题，是新能源发电企业关注的重点。

目前，国内外针对关口计量表的监测研究问题主要集中在以下2点：（1）计量表数据的远程采集和远程校验；（2）智能感知和数据挖掘实现对电能表运行状况的实时监测。由于计量表由电网安装校正，通信接口已被实施铅封，不允许其他电子设备接入。发电企业在运维过程中，只能由人工定时读表，手动记录。该方式工作效率低，数据时效性差，不易形成结构化数据，进而进行深度分析，在很大程度上阻碍了发电企业与电网之间的贸易结算，特别是在以新能源为主体的新型电力系统极具时效要求的现货交易流程中。

随着人工智能技术的发展，图像识别技术早已被广泛运用到如物联网二维码中的字符识别等各个方面，其核心技术也愈加趋于成熟。利用图像处理进行远程采集仪表数据的技术也开始发展起来［2］，这种远程图像识别参数的方法相较于传统的远程抄表技术，具备不受电表本身硬件限制的优点，无须对电表进行改装或更换就能被大量应用，减少了资金的消耗。目前已有很多关于图像处理识别数字仪表的研究［3］，表明该技术实现了数字提取、分割、识别，并能在各种约束条件下得到较理想的识别效果。

鉴于国家电网对关口计量表通信接口进行铅封，发电企业须要实时了解关口电量表数据以支撑现场和经营层面的决策，本文创新性地研发了智能的关口计量数据监控系统。该系统具有广阔的社会前景和经济效益。

1 研究内容

新能源发电行业均积极从传统运维向智能运维模式转变。传统运维依靠经验和制度规章驱动，形成静态模糊决策，再依规开票实施；智能运维则依靠电力生产过程中产生的实时数据驱动，通过信息系统的强大数据分析能力精准把握动态，从而快速决策。实现转变的关键就是以新一代信息论、系统论为基石的人工智能技术的发展和应用。电能关口计量表是电网公司和发电企业之间购售电核算的主要工具，大部分国有企业类发电厂目前仍使用人工抄表、手动收集数据的方式，读数的实时性差，准确性不可控，严重减弱了生产数据的分析效果，影响发电过程的整体决策。

针对当前关口计量表存在的问题，企业应运用工业相机在关口计量表处采集液晶屏幕图像，再应用以Tensorflow/Keras为框架的YOLOv5网络图像分割和OCR图像识别技术进行处理，还原成文本并发送到数据中心，最后进行结构化存储与分析。结果最终以微信小程序轻量化展示给用户，以实现数据的实时读取与分析，盘活数字资产，达到提高决策效率的目的。

研究内容主要有：

（1）关口计量表图像采集，以Linux为核心的SoC系统驱动工业相机拍摄计量表液晶屏区域图像信息，利用物联感知网和升压站信息承载网络将图片传输到云服务器。

（2）图像识别与数据存储，由云服务器对图片采用深度学习联系YOLOv5网络图像定位分割和OCR机器学习方式对图片进行识别，解析的字符串生成结构化文本数据，通过TCP/IP或RS-485等协议，传输到集控中心数据库。

（3）数据展示，采取直连数据库的方式实时传输数据，开发一套简单方便的微信小程序轻应用系统实时传输风场相关数据（上/下网电量和相关生产经营信息），为设备精细化运行和维护人力资源调度提供科学可靠的决策支撑。

2 系统结构

风场关口计量表识别系统的结构如图1所示。

2.1 关口计量表图像采集设备

图像采集由工业相机对电表液晶屏幕进行拍摄。将相机贴在屏柜玻璃外壁，在柜外对单个关口计量表进行拍摄，采用照明方式提高亮度及清晰度。前置工控机采用以Linux为核心的SoC系统，通过执行定时程序驱动照明电路和摄像头拍摄图片，配置开关电源为其供电，设置路径存储程序将拍摄的照片存储到相应目录中，驱动socket通信将其传到云服务器中，采用无连接的数据传输方式SOCK_DGRAM，保证计算机只传输数据不做数据局校验，提升数据传输速度，将发送的数据存入接收缓存区。

2.2 图像识别与数据存储

本研究结合传统图像处理和深度学习技术实现计量表智能读数算法，如图2所示。

首先，本文采用YOLOv5网络图像分割技术分割出计量表LCD液晶屏区域，根据先验知识在液晶屏区域中裁切出有效数字所在的大致区域，减少背景噪声影响，提升读取的准确率，通过图像特征采用SENet算法对图像进行分割。

采用LSTM+CTC+CNN架构的OCR图像识别技术结合深度学习技术识别出液晶屏中前述数字区域中的数字进行识别解码，将图片解析成字符串，送入云端数据库，再在云端服务器上搭建Web服务器，将已存入数据库的计量数据通过Web服务发布到页面。外网可通过Web页面获取关口计量表的码表数据。另外，在数据库形成的结构化数据可供系统随时调用，为发电运营和风场生产的相关决策提供支撑。

2.3 数据展示

本文通过微信公众平台申请小程序并对界面进行设计开发，经过后台程序计算后的生产相关数据，直连数据库的传输方式对数据实时显示。

3 技术路线

本研究的实施技术路线与成果规划如图3所示。通过查阅文件、实地调研，首先设计关口计量表图像采集设备，然后在TensorFlow/Keras平台上采用YOLOv5网络模型、SENet算法对图像进行分割，利用OCR图像识别技术对图片进行识别解码，对数字字符区域分割生成结构化文本数据，并传输至集控中心数据库，最后以微信小程序的形式展示。

3.1 YOLOv5网络图像分割技术

本文对LCD屏定位采用YOLOv5算法，利用整张图片作为网络的输入，直接在输出层回归位置和所属类别，对除去所需监测数据图片的其他噪声进行预处理，精准定位到设备数据图片位置。

本文对定位图片中的数据进行识别，采用SENet算法，在原图像中找到符合阈值的部分，之后再对每一部分进行2次投影分割，并筛选出符合读数区域长宽比的部分。该方法比较容易实现，在处理电表图像时能得到一个较为良好的结果。

YOLOv5通过形态学操作和减法可以实现获取图像的边界，设置为8位单通道的二值图像，将摄像头所拍图像处理为二值图像后再将其作为image的参数，最后返回当前图片中的轮廓层次关系。上述代码对检测到的轮廓建立等级关系，依次遍历，然后压缩水平、垂直对角线方向的元素，只保留该方向的终点坐标，通过该方式定位到图片中的数字位置。接下来对定位到的矩形边框中的信息进行拟合，依次缩进所取范围直到锁定所需数字轮廓。

SENet中的SE模块如图4所示，图中的Ftr是传统的卷积结构；X和U是Ftr的输入（C’×H’×W’）和输出（C×H×W），这些都是以往结构中已存在的。SENet增加的部分是U后的结构：对U先做一个Global Average Pooling，输出的1×1×C数据再经过两级全连接，最后用Sigmoid限制到［0，1］的范围，把这个值作为scale乘到U的C个通道上，作为下一级的输入数据。该方式控制scale的大小，把所需的数字特征增强，不需要的其他特征减弱，让锁定轮廓中的数据信息指向性更强。

3.2 OCR图像识别技术

对所识别数据进行处理，首先利用OCR算法以字符形态为分析样本，确定在图像中字符特征边缘区域的选择，然后找出每个字符的特征特性，通过大量试验得出每个字符的特征规律，最后通过相似性概率统计方法实现字符的识别。

将图片中的数字区域位置锁定后，还须对区域内的数字进行识别。该项目使用LSTM+CTC+CNN架构，通过采用标准CNN模型（去除全连接层）中的卷积层和最大池化层来构造卷积层的组件，用于从输入图像中提取序列特征表示。在进入网络之前，所有的图像须要缩放到相同的高度，然后从卷积层组件产生的特征图中提取特征向量序列，这些特征向量序列作为循环层的输入。长短时记忆（LSTM）存储单元存储过去的上下文，输入和输出门允许单元长时间地存储上下文，单元中的存储可以被遗忘门清除，扩大存储的上下文范围，给训练过程减负，得到更加精确的结果。转录采用CTC算法，用于处理序列标注问题中的输入与输出标签的对齐问题，CTC扩展了标签集合，添加空元素，使用扩展标签集合对序列进行标注后，所有可以通过映射函数转换为真实序列的预测序列，都是正确的预测结果，也就是无需数据对齐处理即可得到预测序列。该方法检索过程结合额外的信息，提高搜索的准确度。

所有模型和算法均是基于TensorFlow/Keras平台进行有效性验证，在验证通过的基础上基于Python语言架构开发用于实际环境的应用程序。

4 特色与创新

针对发电企业关口计量数据采用“非接触”采集方案，确保网络安全的同时屏蔽相关干扰，获取准确表计读数。设计基于Linux内核的前置终端作为物联网感知节点采集图片信号，利用发电场站信息承载网将信息传入位于云终端的深度学习模型进行识别和处理。

在云端建立基于深度学习的字符识别模型，并针对关口计量表特定字符进行训练，获得结果形成结构化数据存储到相关的云数据库，发布到生产平台和相关终端。贯通生产平台数据，深入挖掘关口计量表相关经营数据，为实际生产提供决策支撑。

应用移动互联网小程序轻应用，采集和发布生产一线发电计量、设备运维情况，形成扁平化管理体系，为生产事务安排和现货电量交易提供决策支撑，开发运维潜力，提升精细化管理水平。

5 应用前景

本文研究的基于深度学习的风场关口计量表图像识别系统，识别目标准确率高，对发电企业起到挖掘数据能效，开发运维潜力，提升管理质量效果具有显著成效。此套系统也可运用到辐射、极端温度等危险行业中所用到的仪表监测，对保障人员安全以及稳定社会发展具有巨大作用。

参考文献

［1］张鼎衢，杨路，宋强，等.一种用于关口电能计量装置远程校验的多路模拟采集器的研制［J］.电测与仪表，2022（9）：181-187.

［2］马学文.基于图像识别的指针式工业仪表远程抄录技术研究［D］.西安：西安电子科技大学，2021.

［3］王丽芳.基于图像处理的数字仪表字符自动识别研究［J］.电子世界，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