李安昌
国网河北省电力有限公司电力科学研究院， 河北 石家庄 050000
摘要：图像识别处理技术基于人工智能技术，其构图原理主要是处理不同类型的图像。通过积累大量的数据，可以对图像和实际事物进行准确的分析和判断。人工智能可以识别的对象可以虚拟化。在平面图的基础上，无需对真实物体进行分析即可实现三维显示。本文基于图像识别技术，构建具备装配识别及操作的辅助装配系统。
关键词：图像识别；辅助装配系统；人工智能
1 引言
人眼可以通过以往的经验快速感知二维图像，从而实现从二维图像到三维图像的转换。随着多媒体通信时代的到来，出现了一种结合上述人眼识别的方式，一种人工智能图像识别技术，已经广泛应用于人们的日常生活中，例如在卫星定位、生物医学等领域当中，均应用了人工智能识别技术。但当前，随着人们对图像识别要求的不断提高，在使用传统的图像识别方法时，容易出现识别精度不符合要求、识别时间过长、识别结果与实际情况差异较大等问题。因此，当前该领域研究人员逐渐将研究重点转向对有效识别方法的研究当中。
2 概述
随着计算机视觉技术和数码相机技术的飞速发展，红外热像、高清视频等智能监控技术逐渐应用于电力系统。通过在机器人和无人机上安装红外成像仪和摄像机，我们可以快速有效地检查电力设备。但当前图像及视频监控系统仅是将数据简单的传送到调度端，无法实现数据的智能化分析，需工作人员对接收数据进行分析识别。人工长时间单调工作将产生疲劳，导致判断结果精度低、客观性差。因此，实现海量非结构化图像及视频数据的自动分析，并从中提取、识别电力设备，对于实时监控电力设备的工作情况，提高管理、运行及维护能力具有重要意义。
3 辅助装配系统主要技术内容
3.1 物体跟踪算法
目标跟踪算法受到了广泛的关注，涌现出了许多优秀的算法。跟踪算法的研究主要解决三个问题：（1）解决快速移动问题。主要是解决算法的速度问题，通常的方法是在搜索区域内进行跟踪，但对快速移动的目标鲁棒性较差，如果搜索区域较大，算法耗时，如何在两者间权衡成了一个研究热点。（2）解决遮挡、形变问题。当对象被遮挡或变形时，很难对其进行跟踪。实验证明，深度学习的效果优于传统算法，因此现在大部分采用深度学习的方式来对物体进行跟踪。（3）解决速度问题。虽然深度学习算法在跟踪遮挡方面优于传统算法，但其耗时较长，速度无法与传统跟踪算法相比。本课题中，采用了深度学习与传统算法结合的方式，在物体定位上采用训练好的ResNet神经网络，在跟踪上采用传统的均值偏移跟踪算法，在不影响图像定位识别速度的基础上，使得跟踪效果及速度达到了一个基本的权衡。
3.2 图像识别算法
电力设备缺陷的红外图像主要由电力相关企业多年采集的典型缺陷图像，设备缺陷的红外图像中的包含有彩虹、铁红等较多类型的伪彩色，且背景复杂多变，噪声干扰较多，采集角度多变，从而使得传统的图像识别算法对缺陷的红外图像处理性能不足。图像的模式识别是人工智能领域应用的基础，是指利用计算机和光学仪器来识别计算机“看到”的图像信息，模拟人的视觉。图像识别目的是利用图像处理技术与图像识别算法设计信息系统代替人去完成图像分类及辨识的任务。传统图像识别技术中的图像预处理是对图像的特征进行增强，根据特征差异对图像进行分割，将要识别的目标从整个图像中分离，再针对分离出的目标进行特征提取。与传统技术不同的是，本文采用基于FPGA的图像扫描引擎代替传统结构中图像预处理等步骤，对图像进行全局特征提取。
识别系统包含学习和识别两个部分，其中系统学习部分主要包括图像预处理以及学习环境设置。当一张图片输入进学习系统中首先被转换成Bitmap单色灰度图，之后需要手动截取取景范围。学习系统支持对图片进行截取、放大、缩小、平移等操作。系统识别部分主要包括图像输入、图像预处理和系统识别参数设定。用户在图中确定识别目标后，可对识别结果进行逻辑组合，使得识别结果更加精准。
例如，通过在杆塔上加装摄像机的方式，实时对杆塔本体进行监控，监控影像通过电力专网回传至数字孪生系统中，通过系统内置的人工智能图像识别算法，分析杆塔上是否存在鸟巢，若存在则发出告警，并在杆塔的数字孪生模型中标出，提示用户进行处理。
3.3 卷积神经网络
卷积神经网络是受生物神经学启发而产生的。一个典型的卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成，其中输入层为遥感影像；卷积层为上一层的局部卷积结果，用以提取特征，越深的卷积神经网络提取的特征越具体；池化层主要用于特征降维，压缩数据和参数的数量，包括最大池化和平均池化，卷积层和池化层也称隐藏层；全连接层用于对已取得的特征信息作加权和，在网络中扮演“分类器”的角色；输出层为分类结果。卷积神经网络的工作流程为：首先对输入影像进行卷积运算，再通过池化层对卷积特征图进行降采样，然后重复进行卷积与池化操作，最后通过全连接层对最终的特征进行分类，并输出结果。
卷积神经网络的训练过程主要分前进方向的训练与反向的传播两部分。在前进方向主要是完成对输入向量的特征提取和分类计算，而在反向传播中，是根据网络的输出向量和真实向量的差值进行反方向的网络参数更新。在故障点发生的前后，因为网架结构的变化会导致网络节点信息发生变化，同时会产生将近半个周期的电流电压波动，因此选取故障点前后各一周期的电压和电流信息。发生故障后，先对数据进行预处理，生成一个包含全部节点信息的二维矩阵：将收集到的节点三相电压电流按照时间和节点号进行排列进而得到一个二维矩阵，以此作为卷积神经网络的输入，卷积神经网络采用二维卷积。卷积神经网络的输出选择故障区段的下游节点号，因为有的节点会存在分支，若选择上游节点则会造成区段不明确，而故障区段的下游节点是唯一的。
4 基于图像识别的辅助装配系统
该系统分为四个部分：图像采集、工件箱定位、目标识别与跟踪和实时显示。在图像采集部分，采用摄像机作为采集模块，采集实时场景的图像和视频。采集的图像将进入物体识别跟踪和工件盒定位部分进行加工和并行处理。实时显示部分使用显示器实时显示采集的图像和图像处理结果。操作员通过实时显示的图像和提示信息组装工件。工件箱定位主要是定位工件装配区域，划分每个工件需要装配的区域。在此阶段，使用传统的Suzuki算法跟踪工件盒的边界，利用Suzuki算法，可方便的提取出图像的拓扑结构，并且无需对原始图像进行再次存储，通过图像的拓扑结构，获得外边界和型腔边界，然后确定每个工件箱的边界坐标，得到工件箱的位置，从而达到工件箱定位的效果。在目标识别阶段，通过RESNET卷积神经网络对各种工件进行分类和训练。采集图像后，进入训练好的RESNET神经网络模型，快速识别目标分类，并在图像中标记工件的位置。识别对象类别后，将其与工件箱定位中获得的结果进行比较，以获得待装配工件箱的位置，并在显示屏上进行提示。
5 结束语
综上所述，本文构建图像识别的辅助装配系统，对形成的规则集开展探究，包括对相关技术及影像提取，探索规则集需调整的内容，以提高规则集的通用性，为基础地理信息的快速更新提供有效手段。
参考文献：
[1] 李国良, 周煊赫, 孙佶, 等. 基于机器学习的数据库技术综述[J].计算机学报, 2020, 43(11): 2019–2049.
[2] 刘方园, 王水花, 张煜东. 深度置信网络模型及应用研究综述[J].计算机工程与应用, 2018, 54(1): 11–18, 47.