其他
【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
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
◀【精彩论文】基于改进Faster RCNN的小尺度入侵目标识别及定位
◀【精彩论文】馈线功率控制下的主动配电网信息物理风险演化分析
◀【精彩论文】基于函数挖掘的能源信息物理系统数据安全风险识别算法
◀【征稿启事】“交通-能源耦合互联复杂网络理论与技术”专栏征稿启事
◀【征稿启事】“面向‘双高’电力系统的电、热、氢储能应用与协同”专题征稿启事
◀【征稿启事】“含大规模储能的高比例新能源电力系统协调规划与优化调度技术”专题
编辑：杨彪
审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。