温州市龙湾永强供电公司 浙江省温州市 325000
摘要：现阶段，人工抄表不仅会提升整体的复杂效果，同时也会增加工作人员的任务量，公司对其前期的人力资源投资量增大，并且因为人工的抄表会增加数据错误的概率，为保证总体的工作质量，应当采用智能电表的方式开展对数据的统计。
关键词：智能电能表；数字识别算法；数据分割
引言：因为城市化发展较为迅速，促使当前的用电量正在不断的提升，为保证整体的运行质量，就应当在当前的使用环节中，采用电能表的方式，强化对数据的统计和记录。在电能表识别算法的分析过程中，要想确保其可以实现高质量的运行，并确保图像的处置方式能够更加满足当前的社会需求，应当强化对细节的管控。
1.基础理论支撑
第一，残差网络的设定中是一种较为具备深度卷积的网络构建，经常会被使用在针对图像的识别以及目标的管理环节中。残差网络能够决定一般情况下深层网络在研究过程中的梯度爆炸管控，高效解决梯度消失的情况。梯度爆炸能够借助标准化的程度运行来解决实际的问题。在网络的管制中，其出现退化的核心原因是因为在处理一个问题的情况下可以摆脱深层网络的约束，以便于深层的网络运行可以在此环节中转变为浅层网络系统，并结合学习恒的映射问题予以对现实问题的处理和解决。第二，Faster R-CNN网络的构造中，因为RPN网络以及Roi pooling往往会统一使用一种feature maps，促使需要兼顾RPN网络的运算以及Roi pooling层并展开相对应关联层之间的运算，此类方式有利于降低运转环节中的鲁棒性，促使内部会存在一层或者两层的运算阶段中出现较为严重的偏差管制情况。为保证上述问题可以被有效解决，需要全方位分析Roi pooling之后，并研究连接层的早期阶段中，明确增加层的网络构造特点，经过改进的研究之后，提升整体运转的可靠性。较为科学的改进方式往往是在原有的Faster R-CNN中分析内部的VGG16以及ZF，上述两类网络层数和相对应的参数量往往会低于ResNet50，并且VGG16以及ZF能够实现高质量的运行状态，因此可以研究将ResNet50划分为两类，实现不同程度上的提取效果[1]。
2.液晶屏检测
针对液晶屏的检验主要是在电能表的图像显示环节中读取液晶屏的显示数据，为保证能够有效分析液晶屏的显示状况，往往在检测模型中采用EFaster R-CNN的网络训练方式，并在网络的帮助之下实现Python的方式实现语言环节上的展现。针对经过网络训练的信息管控中，应当结合实地的电能表运行视频明确相对应的运转信息，视频的长度应当在十秒上下，有利于工作人员逐帧分析信息的图形数据，采用此类方式有助于高质量的提升实际的管制质量和效率。在获取信息之后，应当及时标明液晶屏的显示区域，及时明确照片中的实际位置信息，并利用对多种信息的分析研究之后获取相对应的XML文件。利用工具Labellmg的方式实现对图像的注解，仅仅可以借助工具在图像的管制环节上实现对矩阵的绘画，详细填写较为可靠的数据信息，对应的工具就可以在此环节中自动生成完整的XML文件，整个流程较为简便，运行的质量较为高效。
将生成3XML文件转变为CSV文件之后，借助CSV文件就可以获取tfrecord文件，此类文件能够被当做网络训练的主要数据集，其中涉及目标框的具体位置信息、种类以及二进制的编码图像。
3.数字分割和识别
3.1数字分割
数字分割通常情况下是指对液晶屏图像的划分处理，后期所获取的图像往往会涉及到单一的数据图像归总，有助于实现对对象的高质量管理。第一，要想实现高效的处置，就应当将彩色的图像调整为灰度图片，并采用增加对比度的方式强化图像的显示效果，将灰度值延展到[0-256]之间，有助于降低曝光对图像的干预性，促使整体的对比度经过拉伸处理之后，原图像能够被降低到100灰度值也会不断的提高到100。采用迭代法的方式获取相对应的阙值，经过对图像的二值化处置，在经过系统化的绘制管理之后，就能获得图形的轮廓，延展其总体的面积，最大的轮廓面积能够和图像的实际面积比例在出现大于0.5的状况下，轮廓就会显示较为精准的区域，以便于在后期开展较为可靠的分辨效果。第二，液晶屏会有旋转变化的状况，通过获取较大的面积轮廓之后获取最小的外界矩形，促使最小的外接矩形自身的旋转能够调节液晶屏的图像。第三，在针对图像开展灰度的对比和对比度的提升之后，就会出现低于90的灰度值增强到90的状况，通过缩减背景的和接近灰度值的方式，促使灰度值能够直接提高到256，只有在此步骤之后，才会增加邻近灰度值和前景之间存在的数据对比，有利于在后期开展canny边缘检验措施，降低背景众多因素的干预，强化前景的总体效果[2]。
3.2数字识别
数字识别往往是指在规定的工作前提下所运行的工作，主要在于分辨数据分割之后所获得的单一数字图形，并明确液晶屏内部存在的精准性数据。在此环节中，往往是利用resnet50网络训练的方式，在python语言的辅助之下得以实现管制。经过统一化训练管制的数据主要是来源于利用液晶屏检验过程中从视频中获取的图形状况，经过Labellmg的工具方式标清数据的图像状况，可以设定0-9数字的方式实现对类别的划分，结合后期生成的xml文件内部存在的坐标信息和种类数据了解图像存在的数字区分，并实现分种类的存储。经过上述处理之后的数字往往会保证自身大小的不一致性，但是由于resnet在经过训练的环节中需要保持图形的一致性，因此应当控制图像的大小相同性，在缩放处理之后的图像宽高是数据集中管制环节中具备图形的宽高比值，将RESIZE处理之后的数据打乱之后，可以生成相对应的tfrecord文件，其中会涉及到类别以及二进制编码图像等一系列的数据。在经过系统化的网络训练管制之后的模型文件会以pb文件格式予以导出，以便于创造较为科学的模型，在此文件的规划中，可以不采用网络训练的架构代码，能够实现单独化的使用和运行，此类pb文件自身存在的模型变量较为可靠，能够在识别的阶段中还会保障数据信息的稳定。
结论：综上所述，为确保当前的智能电表使用效率和质量，就需要采用上述的方式分析其运行的步骤和细节，加强对关键点的把控，以便于在后期的使用中，保证稳定高质量的运行。
参考文献：
[1]李勇.智能电能表计量故障分析及处理措施探讨[J].科技风,2020(04):142.
[2]巩晶晶,李鑫.智能电能表电量异常原因与检测方法探究[J].中国设备工程,2020(02):114-116.