胡媛媛

摘要：近些年，我國的科技水平快速進步，目前，基于人工智能的卷積神經(jīng)網(wǎng)絡(luò)框架，對電表采用輪廓分析進行特征提取，實現(xiàn)0到9的電表數(shù)字識別。步驟是先通過設(shè)備拍攝電表讀數(shù)，獲得圖像后對圖像進行灰度化和二值化處理，然后進行字符分割、圖像識別和相應(yīng)的特征值提取，最后識別出電表的讀數(shù)。

關(guān)鍵詞：人工智能;抄表;卷積網(wǎng)絡(luò);分割

引言：

電費電價核算（以下簡稱核算）作為供電企業(yè)經(jīng)營管理當(dāng)中的一項周期性工作，需要人工核算大量的數(shù)據(jù)，在抄表、收費已實現(xiàn)自動化的條件下，提升中間環(huán)節(jié)的電費電價核算人工智能化水平勢在必行。人工智能是研究使計算機來模擬人的某些思維過程和智能行為的學(xué)科，人工智能的“機器學(xué)習(xí)”需要不斷從解決一類問題的經(jīng)驗中獲取知識，學(xué)習(xí)策略，在遇到類似的問題時，運用經(jīng)驗知識解決問題并積累新的經(jīng)驗，就像普通人一樣。人工智能是基于大數(shù)據(jù)的支持和采集，運用于人工設(shè)定的特定性能和運算方式來實現(xiàn)的，由于數(shù)據(jù)采集技術(shù)的發(fā)展，我們開始擁有以往難以想象的海量數(shù)據(jù)，同時，也開始在某一領(lǐng)域擁有深度的、細致的數(shù)據(jù)。而電力企業(yè)恰恰在數(shù)據(jù)資源和數(shù)據(jù)采集技術(shù)兩個方面具備充分的條件。

1、人工智能簡介

人工智能是由計算機科學(xué)、控制論、信息理論、神經(jīng)生理學(xué)、心理學(xué)、語言學(xué)和其他學(xué)科開發(fā)的綜合學(xué)科，從目前的技術(shù)發(fā)展來看，人工智能以機器學(xué)習(xí)、數(shù)據(jù)挖掘為兩大技術(shù)核心，機器學(xué)習(xí)又包含對抗學(xué)習(xí)等諸多種類，其中備受矚目的就是深度學(xué)習(xí)。深度學(xué)習(xí)又可分為卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)，并通過算法框架實現(xiàn)深度學(xué)習(xí)過程。通過機器學(xué)習(xí)與數(shù)據(jù)挖掘技術(shù)，實現(xiàn)了目前最常見的三大技術(shù)應(yīng)用：計算機視覺、智能語音技術(shù)、自然語音處理，除此之外，人工智能技術(shù)的實現(xiàn)，還要依托處理器、傳感器等硬件的支持以及云平臺提供的存儲與計算，其基本技術(shù)框架如圖1所示。

2、卷積神經(jīng)網(wǎng)絡(luò)識別電表數(shù)字

深度學(xué)習(xí)常用架構(gòu)分為深度神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)等。深度神經(jīng)網(wǎng)絡(luò)是基于感知機的擴展，有很多層或很多感知機的神經(jīng)網(wǎng)絡(luò)。英文名字叫multi-Layerperceptron或者deepneuralnetwork。初始的深度神經(jīng)網(wǎng)絡(luò)存在一些問題，采用的是全連接的形式，隱藏層可以用很多層，每相鄰的兩層之間是全連接的。導(dǎo)致出現(xiàn)數(shù)量巨大的權(quán)值參數(shù)，容易過擬合。

隨著神經(jīng)網(wǎng)絡(luò)的加深，優(yōu)化函數(shù)易陷入局部最優(yōu)解，與真正的最優(yōu)解偏離太多，性能甚至不如淺層網(wǎng)絡(luò)。選用sigmoid來激活傳遞函數(shù)，梯度會衰減，隨著層數(shù)的增加衰減累積，最后梯度基本為0。關(guān)于數(shù)值為1的元素，在舉行反向傳播梯度運算時，每傳送一層，梯度衰減為本來的1/4。梯度指數(shù)衰減后低層基本上接受不到有效的信息，進而無法對時間序列上的變化進行建模。卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetwork），適合處理高維的大數(shù)據(jù)。因為不是全部的上下層神經(jīng)元都直接連接，而是通過卷積核進行操作。同一個卷積核在所有圖像內(nèi)是同享的，圖像經(jīng)過卷積操縱后仍然可保留原先的位置干系。對于圖像，若是沒有卷積操縱，學(xué)習(xí)的參數(shù)量將龐大無比。由于卷積神經(jīng)網(wǎng)絡(luò)縮小了參數(shù)的個數(shù)并突出了局部結(jié)構(gòu)的這個特點。

基于深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)，包括卷積層，激活層，池化層，全連接層等。卷積層主要的功能是進行提取特征，我們通過卷積核進行特征提取與映射，在卷積層中它的內(nèi)部包含一個或者多個卷積核，同時，構(gòu)成卷積核的每一個元素都會同時對應(yīng)一個權(quán)重系數(shù)w和一個偏差量b，類似于一個前向傳播神經(jīng)網(wǎng)絡(luò)的神經(jīng)元。與此同時，卷積層中的每一個神經(jīng)元都與前一層中地方靠近區(qū)域的多個神經(jīng)元連接。最重要的是，區(qū)域的大小取決于卷積核的大小。在我們研習(xí)的過程中，卷積層包含卷積核大小、步長和填充三個元素，三者協(xié)同決定了卷積層輸出特征圖的大小。我們在對圖像特征提取的過程中，時常會使用按0填充或重復(fù)邊界值填充。由于卷積是一種線性的運算，所以我們需要增加一些非線性的映射，比如卷積層中包含激勵函數(shù)來幫助表達其復(fù)雜的特征。在這里要說明一點，激勵函數(shù)的操作通常在卷積層之后，但是激勵函數(shù)在一些預(yù)激活技術(shù)的算法中是位于卷積層之前使用的。

通過卷積層和激活層后，我們將使用池化層來進行下采樣，對切割后的電表表盤圖做一些稀疏處理，因為這樣可以減少一些數(shù)據(jù)運算量。在卷積層做特征提取后，輸出的特征圖會被傳送到池化層進行信息過濾和特征揀選。其中，池化層包含預(yù)設(shè)定好的池化函數(shù)，預(yù)設(shè)定好的池化函數(shù)的功能是將特征圖中的單個點結(jié)果替換為它的相鄰區(qū)域的特征圖統(tǒng)計量。池化層選擇池化區(qū)域與卷積核掃描特征圖的過程一致，由池化大小、步長和填充控制三個元素共同來確定。

3、圖片切割處理

電表數(shù)字是連在一起的，需要進行分割，然后對單個數(shù)字進行識別處理。圖像分割，可以看作是通過圖像的某些特征或者某些特征的相關(guān)集合，例如灰度，顏色，紋理等等的相似性原則，從而對某些圖像的像素進行分類，把圖像的平面分成具有一些一致性的不重疊的區(qū)域。圖像分割的常用方法有基于閾值的分割方法，基于邊緣的分割方法，基于區(qū)域的分割方法，基于圖論的分割方法，基于能量泛函的分割方法等。閾值法的主要原理是通過圖像的灰度特征從而得到計算灰度相關(guān)閾值，然后把每一個像素的灰度值和規(guī)定好的閾值進行數(shù)值上的比較，并且通過相關(guān)的計算機語言算法把比較的結(jié)果放入到較合適的組中。足以可見，閾值的確定是關(guān)鍵，因為可以通過閾值將我們獲取的圖像進行合理切割。而如今在圖像切割問題上，有許多高效的切割方法為我們提供了有效的解決方案。比如邊緣法、區(qū)域法、圖論法、能量泛函法等等。

4、結(jié)語

人工智能是新發(fā)展起來的一門學(xué)科，在各個領(lǐng)域的應(yīng)用都非常廣泛，目前已有部分人工智能的研究成果進入到人們的日常生活之中。但是像所有學(xué)科一樣，人工智能的發(fā)展也會經(jīng)歷各種各樣的挫折，我們應(yīng)當(dāng)加大力度對人工智能學(xué)科進行深入的研究，讓人工智能與人類生產(chǎn)生活結(jié)合，使其為改善人類生產(chǎn)生活做出更大的貢獻，讓其更好的為人類服務(wù)。我們相信，在不久的將來，人工智能理論將會有更大的突破與發(fā)展，人工智能技術(shù)也會給人們的工作、生活、教育等帶來更大的便利。

參考文獻：

[1] ?賈開，蔣余浩.人工智能治理的三個基本問題 ：技術(shù)邏輯、風(fēng)險挑戰(zhàn)與公共政策選擇[J] .中國行政管理，2017年10期.

[2] ?張軍國，馮文釗，胡春鶴.無人機航拍林業(yè)蟲害圖像分割復(fù)合梯度分水嶺算法[J].農(nóng)業(yè)工程學(xué)報，2017.33（14）：93-99

[3] ?曾鋒，曾碧卿，韓旭麗.基于雙層注意力循環(huán)神經(jīng)網(wǎng)絡(luò)的方面級情感分析[J].中文信息學(xué)報，2019.33（6）.

（作者單位：國網(wǎng)無極縣供電公司）