精彩论文基于深度学习和图像识别的电力配件智能出入库

Posted 2021-03-28 中国电力

观点凝练

摘要：针对电力配件种类繁多、型号各异，依靠射频识别(radio frequency identification, RFID)技术开展电力配件出入库管理，不能覆盖所有电力配件，容易出现出入库、退库不准确、效率低，以及出入库电力配件质量不满足生产要求的问题，开展基于机器学习和图像识别的电力配件智能识别研究。首先采用灰度处理、二值化等方法对原始图像进行处理，之后通过最小外接矩形校正原始图像，然后以卷积神经网络(convolutional neural networks, CNN)、卷积递归神经网络(convolutional recurrent neural network, CRNN)等深度神经网络为核心，结合CTC损失函数，构建适用于识别电力配件的深度学习模型，并依据图像识别吻合度，同步推荐疑似配件设备。通过智能设备采集电力配件图像，采用上述方法实时识别配件名称、型号，提示外形尺寸、适用范围、产品用途。实验结果表明，基于机器学习和图像识别的电力配件智能识别结果准确率达到95%，显著提升了仓储出入库管理的智能化水平。

结论：本文针对电力配件种类繁多、型号各异，单独依赖RFID技术开展电力配件出入库管理，容易出现出入库、退库不准确、效率低问题，提出基于CNN和CRNN的深度学习网络，结合CTC损失函数，构建电力配件智能图像识别算法模型，实现了电力配件智能出入库管理。本文通过灰度、二值化等方法进行图像特征提取前的预处理，降低计算复杂度，同时通过图像增强和相似性推荐，提升模型的鲁棒性和泛化能力，实验结果表明，所提方法的识别推荐准确率达到95%，能有效辅助仓储管理人员开展出入库管理。同时，该深度学习算法，可对其他行业的出入库配件图像进行训练，得到针对特定行业的出入库图像识别模型，具备可拓展性。

引文信息

赵永良, 付鑫, 郭阳, 等. 基于深度学习和图像识别的电力配件智能出入库[J]. 中国电力, 2021, 54(3): 55-60.

ZHAO Yongliang, FU Xin, GUO Yang, et al. Intelligent storage and retrieval of power accessories based on deep learning and image recognition[J]. Electric Power, 2021, 54(3): 55-60.

 往期回顾 

◀

◀

◀

◀

◀

◀

◀

◀

◀

编辑：杨彪

审核：方彤

声明