基于深度学习的电网图像识别平台的设计与实现

余里程 宁柏锋 张国昌

摘要：本文介绍了基于深度学习框架和“微服务”架构实现图像识别的设计方案，在实践应用中，能识别设备状态并将数据传输到信息系统，从而减少用户数据录入的工作量，提高了准确率和员工满意度。

关键词：深度学习；电网图像识别；平台

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2018）06-0146-01

1 引言

电力企业经过多年的信息系统建设，信息系统已经覆盖了生产、营销、基建、财务、人资等各个业务领域，其中生产系统已经覆盖变电、输电和安监三大专业。为了提升生产现场作业效率，各专业班组已全部采用平板电脑加作业表单的工作模式，实现了现场作业信息化，辅助各专业班组高效完成现场作业，但是现场作业仍存在一些问题，有些业务场景班组人员仍需要进行大量机械式采集、归档的工作，如压板核查业务等；有些业务场景需要同时拍照及人工填写表单数据，如设备台账数据的核查等。针对这些问题拟进行图像识别平台的建设，通过图像识别技术快速完成大量机械式采集的工作，提高班组现场作业数据采集效率。

目前国内外利用图像识别技术在电力行业也取得了不少成就，然而由于分开研究和建设，各产品对图像识别算法以及电力模型的理解和应用参差不齐，严重阻碍了图像识别技术在国内电力行业的发展速度，再加上图像识别应用一般是应用于移动终端，独立的应用很多时候无法满足快速识别和终端兼容性的要求，所以有必要搭建一套基于深度学习的电网图像识别平台，封装先进的图像识别算法，形成电力行业特有的图像识别引擎，结合最新图像识别模型构建方法，构建标准的电力设备特征模型，统一为其他系统应用功能提供图形识别服务，让业务系统研发者摆脱复杂的图像识别算法和模式构建，专注于应用功能的开发，同时也为以后图形识别引擎的升级和扩展提供便利，让图形识别技术更好的服务于电力行业。

2 系统架构与功能

2.1 系统业务定位

基于深度学习的电网图像识别平台的业务定位：（1）集成深度学习框架，以便能够快捷实现深度学习图像识别服务。（2）用“微服务+Docker”架构，实现图像识别服务的组件化，实现可插拔式管理，能够独立开发、部署、维护和弹性扩缩容，使平台具备高速运算、分布式、易扩展、跨平台。（3）通过服务网关为其他系统业务应用功能和终端提供统一标准的图形识别服务。

2.2 系统功能设计

根据系统业务定位，基于深度学习的电网图像识别平台的主要业务需求是：能够快捷方便实现深度学习图像识别功能；实现图像识别服务的组件化，为其他业务应用功能和终端提供统一标准的图形识别服务。系统主要包含图像识别基础服务、业务服务和服务网关三部分功能。

2.3 系统架构设计

基于深度学习的电网图像识别平台系统架构设计遵循“微服务”架构风格進行设计，采用了Docker技术，使平台具备高速运算、分布式、易扩展、跨平台。

2.4 系统技术架构

（1）服务集成层：使用Spring Cloud构建服务集成层。Spring Cloud为基于JVM应用的配置管理、服务发现、断路器、智能路由、微代理、控制总线、全局锁、决策竞选、分布式会话和集群状态管理等操作提供了一种简单的开发方式。（2）业务服务层：以jdk1.7为基础通过Spring MVC轻量级组合构建业务服务。（3）基础服务层：运用JAVA、C++和Python编程语言，以OpenCV和TensorFlow为基础实现并封装电力行业图像识别服务，使用coherence构建网格缓存提升数据访问效率。（4）数据访问服务层：通过JDBC2.0访问Oracle数据库，通过TCP访问mongoDB，使用FTP协议访问文件系统。（5）资源层：关系型数据存储在Oracle数据库中，非结构化数据存储在MongoDB中，图档存储在文件系统中。

3 采用的关键技术

3.1 深度学习框架TensorFlow

TensorFlowTM是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

3.2 微服务架构

微服务架构（Microservice Architecture）是一种架构模式，它提倡将单块架构的应用划分成一组小的服务，服务之间互相协调、互相配合，为用户提供最终价值。每个服务运行在其独立的进程中，服务与服务间采用轻量级的通信机制互相沟通。每个服务都围绕着具体业务进行构建，并且能够被独立的部署到生产环境、类生产环境等。

4 在电力企业中应用

4.1 构建统一电网图像识别平台

能够为南方电网一体化“6+1”系统的业务应用和多终端提供统一标准的图形识别服务，让业务系统研发者摆脱复杂的图像识别算法和模式构建，专注于应用功能的开发，提高资源合理利用和信息共享。

4.2 应用场景

将图像识别技术与变电站运行维护工作有机结合起来，实现对变电站压板核查等日常运维工作的高效处理，主要应用在以下变电站日常运维工作场景。

（1）变电站保护装置的压板投退状态巡检。保护屏柜压板核查的方式为人工检查方式，一人读取压板位置，一人按照压板核查作业指导书与要求压板位置的标准库进行对照，来检查压板位置是否匹配。基于图像识别技术，变电站值班人员核查保护装置的压板投退状态时，使用移动终端设备对保护屏柜压板拍照摄像，通过图像识别技术与压板投退位置标准库进行比较，辅助值班人员快速采集保护屏柜压板投退状态，值班人员再对与正确位置不符的压板核查结果进行复查并分析原因。（2）铭牌信息核查。检修运行人员在日常巡视或维护检修过程需要对设备信息进行核查，目前主要通过人工现场手动采集的方式进行，效率比较低。通过计算机图像处理技术对设备铭牌信息进行自动提取，可以省去班组人员手动记录的工作量，大幅提高工作效率。

5 结语

搭建统一的基于深度学习的电网图像识别平台，通过电力设备铭牌图像识别服务，提升数据质量专项治理的工作效率；通过站内压板等识别服务，实现一线班组敏捷巡视。本平台可拓展到其他领域的图像识别的应用，如：基于银行卡识别的营销业务应用等。此外，本平台也可接入智能终端采集的信息，扩展图像识别技术在电力系统业务中的应用范围，促进图像识别技术在电力行业的应用。

Abstract：This paper introduces the design of image recognition based on the depth learning framework and the "micro service" architecture. In practical application， it can identify the state of the equipment and transmit the data to the information system， thus reducing the workload of the user data entry， improving the accuracy and the job satisfaction.

Key words：deep learning； power grid image recognition； platform