基于改進(jìn)Densenet的配電設(shè)備儀表識(shí)別方法研究

國網(wǎng)上海市電力公司閘北發(fā)電廠 葛海華 鄒鈺潔 陸建成 上海電力大學(xué)電子與信息工程學(xué)院 崔昊楊

隨著配電物聯(lián)網(wǎng)的發(fā)展，傳感器及配電設(shè)備廣泛接入至電力物聯(lián)網(wǎng)平臺(tái)，如何實(shí)時(shí)、準(zhǔn)確、高效地采集如此海量的配用電數(shù)據(jù)成為了當(dāng)前亟待解決的核心問題。以分鐘、小時(shí)為周期進(jìn)行監(jiān)測數(shù)據(jù)、運(yùn)行數(shù)據(jù)常采取運(yùn)維人員收集的方式，該方法不僅效率低下，還會(huì)由于人為因素出現(xiàn)干擾。目前配電設(shè)備以液晶顯示屏及數(shù)碼管顯示屏居多，由于存在種類多樣化、環(huán)境復(fù)雜化等影響，如何實(shí)現(xiàn)儀表信息的準(zhǔn)確識(shí)別依存在較大困難。為提高配網(wǎng)設(shè)備數(shù)據(jù)采集的實(shí)時(shí)性、準(zhǔn)確率，發(fā)展自適應(yīng)環(huán)境視頻監(jiān)測數(shù)字識(shí)別技術(shù)成為提升本行業(yè)信息化、數(shù)字化亟待解決的問題。

環(huán)境自適應(yīng)視頻監(jiān)測數(shù)字識(shí)別技術(shù)，主要包括以模板匹配為代表的模式識(shí)別方法[1-2]和以Densenet 為代表的深度學(xué)習(xí)方法[3]。模板匹配通過待識(shí)別數(shù)字與模板庫的比對(duì)進(jìn)行識(shí)別，具有抗環(huán)境干擾能力強(qiáng)、無需訓(xùn)練的優(yōu)勢，因此在小樣本情況下的簡單數(shù)字識(shí)別中得到廣泛應(yīng)用，但該方法對(duì)模板數(shù)字與待識(shí)別數(shù)字的大小要求較為嚴(yán)苛。而以Densenet 網(wǎng)絡(luò)為代表的機(jī)器學(xué)習(xí)方法采用特征傳播和特征重復(fù)使用的方式克服了VGG16[4]和fasterR-CNN[5]不同層之間的正則化效果較差的問題，訓(xùn)練成功便可對(duì)不同大小的數(shù)字進(jìn)行識(shí)別，且在復(fù)雜背景下識(shí)別的準(zhǔn)確率遠(yuǎn)高于模板匹配算法，但該模型對(duì)樣本特征提取要求嚴(yán)苛，環(huán)境光照變化較大時(shí)的液晶顯示屏數(shù)字灰度特征難以完整獲取，從而降低了數(shù)字識(shí)別的準(zhǔn)確率。

針對(duì)顯示屏光強(qiáng)與背景環(huán)境光照度不同導(dǎo)致識(shí)別困難的問題，本文提出了基于改進(jìn)Densenet 網(wǎng)絡(luò)的電力儀表識(shí)別方法。該方法通過模板匹配的方式定位設(shè)備儀表數(shù)字區(qū)域，通過自適應(yīng)wallner[6]二值化方法克服背景光照變化的影響，將數(shù)字與背景進(jìn)行分離。為避免不完整分割對(duì)識(shí)別的影響，采取“特征預(yù)置”的方法對(duì)Densenet 的dense blocks進(jìn)行改進(jìn)，補(bǔ)全不同光照下的數(shù)字特征。實(shí)驗(yàn)結(jié)果表明：本文方法對(duì)液晶儀表數(shù)字識(shí)別準(zhǔn)確率比傳統(tǒng)Densenet、VGG16和模板匹配方法分別提高了1.125倍、1.28倍和2.25倍；在發(fā)光數(shù)碼管識(shí)別時(shí)，不需改變參數(shù)的本文模型識(shí)別效率比改變參數(shù)后的VGG116、傳統(tǒng)Densenet 分別提高了37%、30%。

1 改進(jìn)Densenet 的電力儀表數(shù)字識(shí)別模型

常見配電設(shè)備儀表中，數(shù)碼管式儀表是自發(fā)光光源，其灰度與背景有明顯差距，通過圖像分割的方法易于數(shù)字與背景分離。液晶儀表發(fā)光強(qiáng)度弱，與背景對(duì)比度較差且受背景光照影響大，難以對(duì)數(shù)字進(jìn)行有效分割，數(shù)字分割殘缺、數(shù)字與背景重疊、背景污染等情況常出現(xiàn)。為此本文從3個(gè)部分進(jìn)行改進(jìn)，分別為基于模板匹配的目標(biāo)區(qū)域進(jìn)行剪切、基于自適應(yīng)wallner 二值化的數(shù)字分割、以及基于改進(jìn)Densenet 的數(shù)字識(shí)別。

以顯示屏區(qū)域識(shí)別代替全局搜索識(shí)別的方法不僅具有較快的識(shí)別速度，還可根據(jù)顯示屏當(dāng)前灰度情況進(jìn)行閾值自適應(yīng)分割。故本文采取了模板匹配的歸一化互相關(guān)匹配法(Normalized Cross Correlation,NCC)[7]進(jìn)行顯示屏區(qū)域剪切。設(shè)輸入圖像I(x’,y’)的尺寸為w×h，模板圖像為T(x’,y’)。T(x’,y’)從I(x’,y’)的左上角以一個(gè)像素點(diǎn)(x,y)為單位進(jìn)行移動(dòng)，計(jì)算每個(gè)新位置點(diǎn)的模板和當(dāng)前位置圖像塊的相似程度，直到找出NCC 中相關(guān)系數(shù)R(x,y)最大值的位置，對(duì)該區(qū)域進(jìn)行剪切以獲取目標(biāo)區(qū)域：

式中-m/2≤x’’≤m/2，-h/2≤y’’≤h/2切取顯示屏區(qū)域后的圖像記為I’(x’,y’’)。

1.1 自適應(yīng)wallner 二值化分割

為克服環(huán)境光照變化對(duì)液晶顯示數(shù)字檢測的影響，以及高斯二值化[8]、OTSU[9]二值化等方法由于邊緣光照不均勻?qū)е逻吘壏指钍У牟蛔?，本文采取了wallner 方法對(duì)I’(x’,y’)進(jìn)行圖像分割。wallner 二值化分割方法采用灰度值之和gs(n)的方式，即通過提高當(dāng)前第n 個(gè)像素點(diǎn)附近像素點(diǎn)比重、降低偏遠(yuǎn)像素點(diǎn)比重的方式提高I’(x’,y’)的像素顏色、光照等光學(xué)特性描述能力：，式中pn為I’(x’,y’)中第n 個(gè)點(diǎn)的灰度值。

1.2 改進(jìn)Densenet 網(wǎng)絡(luò)識(shí)別

Densenet 網(wǎng)絡(luò)的dense blocks 層不僅避免了傳統(tǒng)深度學(xué)習(xí)方法梯度消失、參數(shù)量大的問題，還采取加強(qiáng)特征傳遞的方法充分利用特征信息(圖1)[3,10]。第lth層接受到的特征圖為之前所有層特征，即fl=Hl（[f0,f1,…,fl-1]）（1），式中[f0,f1,…fl-1]為第0層到第l-1層的特征合并。但是，光照影響下的液晶顯示屏數(shù)字在自適應(yīng)wallner 二值化分割之后分割數(shù)字不完整、背景遮蓋數(shù)字等情況，造成了dense blocks 第一層難以完整的提取數(shù)字特征，并且后續(xù)每一層都可對(duì)第一層的特征進(jìn)行調(diào)用，第一層特征不完整的情況將嚴(yán)重影響識(shí)別的準(zhǔn)確率。

圖1 Densenet 網(wǎng)絡(luò)dense blocks 的特征傳遞示意圖

針對(duì)環(huán)境干擾造成傳統(tǒng)Densenet 識(shí)別準(zhǔn)確率較低的問題，本文采取“特征預(yù)置”進(jìn)行改進(jìn)。如圖2所示，本文提取了殘缺的數(shù)字和背景污染數(shù)字的特征點(diǎn)，將其作為特征集用于數(shù)字輔助識(shí)別，則公式（1）修改為fl=Hl（[f0,f1,…,fl-1,F]），F(xiàn)={[F(0),F’(0)],[F(1),F’(1)],…,[[F(9),F’(9)],]}。式中F(0)、F’(0)分別為殘缺情況下0的特征集和背景污染情況下0的特征集，F(xiàn)(1)、F’(1)等以此類推。

圖2 本文改進(jìn)Densenet 網(wǎng)絡(luò)dense blocks 的特征傳遞示意圖

2 實(shí)驗(yàn)分析

為了驗(yàn)證本文模型的性能，選取200幅液晶顯示屏和20幅數(shù)碼管屏的配電設(shè)備儀表進(jìn)行識(shí)別，部分實(shí)驗(yàn)結(jié)果如圖3。從圖3（1）a 和圖3（1）b 中可見，配電設(shè)備的液晶屏在環(huán)境光照變化的影響下，顯示屏不同區(qū)域的光照強(qiáng)度差異較大分割困難，本文通過相鄰像素點(diǎn)灰度值對(duì)當(dāng)前個(gè)像素點(diǎn)灰度值進(jìn)行估算，實(shí)現(xiàn)了自適應(yīng)閾值進(jìn)行分割，降低了環(huán)境光照不均勻的影響，分割質(zhì)量高于二維OTSU。此外從圖3（1）a 和圖3（1）c 中可看出，即使wallner分割后的數(shù)字存在背景污染，傳統(tǒng)的Densenet 的第一層dense blocks 難以準(zhǔn)確、完整的獲取數(shù)字特征，影響了第二層及之后層特征的選取，無法識(shí)別出數(shù)字。但通過“特征預(yù)置”方法將數(shù)字可能出現(xiàn)的殘缺、不完整情況的特征進(jìn)行對(duì)應(yīng)式預(yù)置，解決了數(shù)字殘缺、污染造成的數(shù)字特征不完整的問題，光照不均勻情況下識(shí)別準(zhǔn)確率得到了顯著提升。更進(jìn)一步，從圖3（2）還可知，由于進(jìn)行了自適應(yīng)分割和特征預(yù)置，相比于模板匹配、VGG16和傳統(tǒng)的Densenet 網(wǎng)絡(luò)，本文模型可在不改變參數(shù)的前提下可直接對(duì)數(shù)碼管數(shù)字進(jìn)行識(shí)別。

圖3 本文方法對(duì)液晶顯示屏和數(shù)碼管的識(shí)別效果

另一方面從表1可知，盡管本文方法相對(duì)于傳統(tǒng)Densenet 方法多了特征預(yù)置，每層dense blocks都進(jìn)行調(diào)用，使得特征識(shí)別過程存在一定耗時(shí)，但采取區(qū)域識(shí)別代替全局識(shí)別的方式使得整體識(shí)別效率得到了顯著提高。200幅液晶顯示屏實(shí)驗(yàn)結(jié)果表明，本文方法識(shí)別效率相對(duì)于VGG16、傳統(tǒng)Densenet提高了44%、36%，識(shí)別準(zhǔn)確率分別是模板匹配、VGG16和傳統(tǒng)Densenet 的2.25倍、1.28倍和1.125倍。在20幅數(shù)碼管識(shí)別中，不改變參數(shù)情況下本文模型識(shí)別率達(dá)到了100%，模板匹配勉強(qiáng)完成部分識(shí)別，而VGG16和傳統(tǒng)Densenet 必須對(duì)參數(shù)進(jìn)行適當(dāng)調(diào)整，否則不能進(jìn)行識(shí)別。相較于改變參數(shù)后的模板匹配、VGG16、和傳統(tǒng)Densenet 識(shí)別準(zhǔn)確率的提高，本文方法在效率方面比VGG16、傳統(tǒng)Densenet 分別高了37%、30%。

表1 本文方法與模板匹配、VGG16、傳統(tǒng)Densenet 網(wǎng)絡(luò)

通過區(qū)域匹配代替全局匹配、自適應(yīng)閾值分割以及特征預(yù)置方法對(duì)Densenet 改進(jìn)，復(fù)雜光照情況下的準(zhǔn)確率得到了顯著提升。但本文方法對(duì)液晶屏識(shí)別率不能像數(shù)碼管一樣達(dá)到近乎100%，其原因主要是強(qiáng)光直照到液晶顯示屏?xí)r儀表數(shù)字被強(qiáng)光大面積污染，即使有特征預(yù)置可以進(jìn)行稍微補(bǔ)救，但數(shù)字8與數(shù)字9、數(shù)字3與數(shù)字9、數(shù)字3與數(shù)字8會(huì)由于相似性較高而導(dǎo)致誤識(shí)別。

綜上，針對(duì)配電設(shè)備儀表數(shù)字自動(dòng)化識(shí)別過程中遇到液晶儀表數(shù)字對(duì)比度差、環(huán)境光照干擾等問題，提出了基于改進(jìn)Densenet 的電力儀表識(shí)別模型。該模型利用模板匹配的方法將儀表區(qū)域識(shí)別代替全局識(shí)別，從而提高整體識(shí)別效率；其次，采用wallner 自適應(yīng)法分割閾值以降低數(shù)字分割在光照不均勻的條件下所受影響；最后使用特征閾值的方式對(duì)Densenet 的dense blocks 進(jìn)行改進(jìn)，提高不同光照情況下數(shù)字特征的完整性。實(shí)驗(yàn)結(jié)果表明，本文方法較常見的3種識(shí)別算法的運(yùn)算速度及準(zhǔn)確程度有所提升，可滿足配電物聯(lián)網(wǎng)數(shù)據(jù)采集高效、準(zhǔn)確、自動(dòng)化的要求。