复杂环境下的电能表计轮换示数识别研究

作     者：陈培钦 

作者单位：广东工业大学 

学位级别：硕士

导师姓名：袁浩亮;何东升

授予年度：2022年

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：深度学习 电能表计轮换 示数区域检测 示数识别 

摘      要：随着国家电力行业的高速发展,电网的智能化给电力公司和个人用户都带来了巨大的便利,智能电表等设备逐渐融入我们的日常生活中。因此,为了保证电能表计能够正常工作,避免由于设备老旧导致出错给企业或个人带来经济利益上的损失,电网公司会按照国家相关规定对达到年限的旧电能表计进行轮换作业。轮换过程中工作人员需要用移动设备对待更换的电能表计进行拍照上传留底,然后再由后台工作人员将表号、资产号和电能表计示数等信息进行采集并录入系统。其中,旧表的示数信息需要通过眼睛观察的方式来手动输入。然而由于电能表计常安装在户外,位置偏僻且周围环境较复杂,拍出来的电表图像会存在倾斜、反光、曝光、阴影和表面有污渍等问题,通过眼睛来观察再录入的方式容易导致错读、漏读示数,给轮换作业带来麻烦。针对上述问题并结合近年来深度学习文本检测与识别算法的快速发展和成熟,本文将电能表计的示数识别任务当作自然场景文本中的一种,通过对相关的文本检测和识别算法进行研究和改进,提出了一种电能表计示数区域检测和示数识别算法,并开发一个电能表计示数识别系统界面。本文的工作内容如下:(1)本文基于DBNet文本检测算法进行改进,通过对骨干特征提取网络进行轻量化来降低网络的复杂度,提高检测速度,引入空间与通道注意力机制模块来让网络关注信息量更大、更重要的特征,抑制权重占比较小的特征,使用融合多个扩张率卷积核的Atrous Spatial Pyramid Pooling(ASPP)模块来提取特征图更多的语义信息,增强示数区域的分割效果,在特征融合阶段采用带权重系数的双向特征融合网络来融合不同尺度的特征图信息,提高示数区域检测效果。通过模型训练和实验对比,表明我们改进后的算法能够更好地检测到复杂环境下的电能表计示数区域。(2)针对示数倾斜和变形,以及数据集不够大等问题,本文对数据集图像进行了矫正和增强处理。然后基于CRNN文本识别算法进行改进,提出了一种轻量化的FeatureFusion CRNN算法,对特征提取网络轻量化的同时将多个尺度的特征图进行融合,避免了仅靠单个特征图进行预测容易造成信息遗漏的问题,还引入了Spatial Pyramid Pooling(SPP)模块并对其网络结构进行改进,可以进一步丰富特征图的信息表达能力。在电能表计数据集上的实验结果表明本文提出的Feature-Fusion CRNN算法能够快速准确地识别出示数区域内的数字。(3)基于上述示数区域检测与示数识别算法,本文设计并开发了一个基于C#语言和SQL Server数据库的电能表计示数识别系统界面,实现电能表计图像示数的自动识别、结果可视化和存储到数据库等功能,验证了本文研究工作的有效性和可行性。