遠程抄表的人工智能設(shè)計

胡媛媛

摘要：近些年，我國的科技水平快速進步，目前，基于人工智能的卷積神經(jīng)網(wǎng)絡(luò)框架，對電表采用輪廓分析進行特征提取，實現(xiàn)0到9的電表數(shù)字識別。步驟是先通過設(shè)備拍攝電表讀數(shù)，獲得圖像后對圖像進行灰度化和二值化處理，然后進行字符分割、圖像識別和相應(yīng)的特征值提取，最后識別出電表的讀數(shù)。

關(guān)鍵詞：人工智能;抄表;卷積網(wǎng)絡(luò);分割

引言：

電費電價核算（以下簡稱核算）作為供電企業(yè)經(jīng)營管理當中的一項周期性工作，需要人工核算大量的數(shù)據(jù)，在抄表、收費已實現(xiàn)自動化的條件下，提升中間環(huán)節(jié)的電費電價核算人工智能化水平勢在必行。人工智能是研究使計算機來模擬人的某些思維過程和智能行為的學科，人工智能的“機器學習”需要不斷從解決一類問題的經(jīng)驗中獲取知識，學習策略，在遇到類似的問題時，運用經(jīng)驗知識解決問題并積累新的經(jīng)驗，就像普通人一樣。人工智能是基于大數(shù)據(jù)的支持和采集，運用于人工設(shè)定的特定性能和運算方式來實現(xiàn)的，由于數(shù)據(jù)采集技術(shù)的發(fā)展，我們開始擁有以往難以想象的海量數(shù)據(jù)，同時，也開始在某一領(lǐng)域擁有深度的、細致的數(shù)據(jù)。而電力企業(yè)恰恰在數(shù)據(jù)資源和數(shù)據(jù)采集技術(shù)兩個方面具備充分的條件。

1、人工智能簡介

人工智能是由計算機科學、控制論、信息理論、神經(jīng)生理學、心理學、語言學和其他學科開發(fā)的綜合學科，從目前的技術(shù)發(fā)展來看，人工智能以機器學習、數(shù)據(jù)挖掘為兩大技術(shù)核心，機器學習又包含對抗學習等諸多種類，其中備受矚目的就是深度學習。深度學習又可分為卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)，并通過算法框架實現(xiàn)深度學習過程。通過機器學習與數(shù)據(jù)挖掘技術(shù)，實現(xiàn)了目前最常見的三大技術(shù)應(yīng)用：計算機視覺、智能語音技術(shù)、自然語音處理，除此之外，人工智能技術(shù)的實現(xiàn)，還要依托處理器、傳感器等硬件的支持以及云平臺提供的存儲與計算，其基本技術(shù)框架如圖1所示。

2、卷積神經(jīng)網(wǎng)絡(luò)識別電表數(shù)字

深度學習常用架構(gòu)分為深度神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)等。深度神經(jīng)網(wǎng)絡(luò)是基于感知機的擴展，有很多層或很多感知機的神經(jīng)網(wǎng)絡(luò)。英文名字叫multi-Layerperceptron或者deepneuralnetwork。初始的深度神經(jīng)網(wǎng)絡(luò)存在一些問題，采用的是全連接的形式，隱藏層可以用很多層，每相鄰的兩層之間是全連接的。導(dǎo)致出現(xiàn)數(shù)量巨大的權(quán)值參數(shù)，容易過擬合。

隨著神經(jīng)網(wǎng)絡(luò)的加深，優(yōu)化函數(shù)易陷入局部最優(yōu)解，與真正的最優(yōu)解偏離太多，性能甚至不如淺層網(wǎng)絡(luò)。選用sigmoid來激活傳遞函數(shù)，梯度會衰減，隨著層數(shù)的增加衰減累積，最后梯度基本為0。關(guān)于數(shù)值為1的元素，在舉行反向傳播梯度運算時，每傳送一層，梯度衰減為本來的1/4。梯度指數(shù)衰減后低層基本上接受不到有效的信息，進而無法對時間序列上的變化進行建模。卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetwork），適合處理高維的大數(shù)據(jù)。因為不是全部的上下層神經(jīng)元都直接連接，而是通過卷積核進行操作。同一個卷積核在所有圖像內(nèi)是同享的，圖像經(jīng)過卷積操縱后仍然可保留原先的位置干系。對于圖像，若是沒有卷積操縱，學習的參數(shù)量將龐大無比。由于卷積神經(jīng)網(wǎng)絡(luò)縮小了參數(shù)的個數(shù)并突出了局部結(jié)構(gòu)的這個特點。

基于深度學習框架的卷積神經(jīng)網(wǎng)絡(luò)，包括卷積層，激活層，池化層，全連接層等。卷積層主要的功能是進行提取特征，我們通過卷積核進行特征提取與映射，在卷積層中它的內(nèi)部包含一個或者多個卷積核，同時，構(gòu)成卷積核的每一個元素都會同時對應(yīng)一個權(quán)重系數(shù)w和一個偏差量b，類似于一個前向傳播神經(jīng)網(wǎng)絡(luò)的神經(jīng)元。與此同時，卷積層中的每一個神經(jīng)元都與前一層中地方靠近區(qū)域的多個神經(jīng)元連接。最重要的是，區(qū)域的大小取決于卷積核的大小。在我們研習的過程中，卷積層包含卷積核大小、步長和填充三個元素，三者協(xié)同決定了卷積層輸出特征圖的大小。我們在對圖像特征提取的過程中，時常會使用按0填充或重復(fù)邊界值填充。由于卷積是一種線性的運算，所以我們需要增加一些非線性的映射，比如卷積層中包含激勵函數(shù)來幫助表達其復(fù)雜的特征。在這里要說明一點，激勵函數(shù)的操作通常在卷積層之后，但是激勵函數(shù)在一些預(yù)激活技術(shù)的算法中是位于卷積層之前使用的。

通過卷積層和激活層后，我們將使用池化層來進行下采樣，對切割后的電表表盤圖做一些稀疏處理，因為這樣可以減少一些數(shù)據(jù)運算量。在卷積層做特征提取后，輸出的特征圖會被傳送到池化層進行信息過濾和特征揀選。其中，池化層包含預(yù)設(shè)定好的池化函數(shù)，預(yù)設(shè)定好的池化函數(shù)的功能是將特征圖中的單個點結(jié)果替換為它的相鄰區(qū)域的特征圖統(tǒng)計量。池化層選擇池化區(qū)域與卷積核掃描特征圖的過程一致，由池化大小、步長和填充控制三個元素共同來確定。

3、圖片切割處理

電表數(shù)字是連在一起的，需要進行分割，然后對單個數(shù)字進行識別處理。圖像分割，可以看作是通過圖像的某些特征或者某些特征的相關(guān)集合，例如灰度，顏色，紋理等等的相似性原則，從而對某些圖像的像素進行分類，把圖像的平面分成具有一些一致性的不重疊的區(qū)域。圖像分割的常用方法有基于閾值的分割方法，基于邊緣的分割方法，基于區(qū)域的分割方法，基于圖論的分割方法，基于能量泛函的分割方法等。閾值法的主要原理是通過圖像的灰度特征從而得到計算灰度相關(guān)閾值，然后把每一個像素的灰度值和規(guī)定好的閾值進行數(shù)值上的比較，并且通過相關(guān)的計算機語言算法把比較的結(jié)果放入到較合適的組中。足以可見，閾值的確定是關(guān)鍵，因為可以通過閾值將我們獲取的圖像進行合理切割。而如今在圖像切割問題上，有許多高效的切割方法為我們提供了有效的解決方案。比如邊緣法、區(qū)域法、圖論法、能量泛函法等等。

4、結(jié)語

人工智能是新發(fā)展起來的一門學科，在各個領(lǐng)域的應(yīng)用都非常廣泛，目前已有部分人工智能的研究成果進入到人們的日常生活之中。但是像所有學科一樣，人工智能的發(fā)展也會經(jīng)歷各種各樣的挫折，我們應(yīng)當加大力度對人工智能學科進行深入的研究，讓人工智能與人類生產(chǎn)生活結(jié)合，使其為改善人類生產(chǎn)生活做出更大的貢獻，讓其更好的為人類服務(wù)。我們相信，在不久的將來，人工智能理論將會有更大的突破與發(fā)展，人工智能技術(shù)也會給人們的工作、生活、教育等帶來更大的便利。

參考文獻：

[1] ?賈開，蔣余浩.人工智能治理的三個基本問題 ：技術(shù)邏輯、風險挑戰(zhàn)與公共政策選擇[J] .中國行政管理，2017年10期.

[2] ?張軍國，馮文釗，胡春鶴.無人機航拍林業(yè)蟲害圖像分割復(fù)合梯度分水嶺算法[J].農(nóng)業(yè)工程學報，2017.33（14）：93-99

[3] ?曾鋒，曾碧卿，韓旭麗.基于雙層注意力循環(huán)神經(jīng)網(wǎng)絡(luò)的方面級情感分析[J].中文信息學報，2019.33（6）.

（作者單位：國網(wǎng)無極縣供電公司）