摘要
电线杆标识牌作为供电部门进行电网管理的重要参考标识，记录着电线杆编号、所属线路、供电公司等信息，是设备风险排查定位及输电线路优化的重要依据;准确、高效地提取电线杆标识牌信息是电力基础设施信息采集和后续数据分析的重要基础;基于移动智能终端自动化、轻量化、智能化采集方式成为提高电网运营管理作业效率的重要手段，对于降低电网运营管理成本、促进国家电网智能化建设均具有重要意义。 目前，电线杆标识牌图像字符识别难点主要在柱面类型电线杆标识牌识别多出现边缘字符漏检、误识的问题，字符识别正确率较差;深度学习模型参数量和计算量较大，无法满足移动智能终端轻量化、实时化作业需求。本文采用几何图像矫正和深度神经网络，研究并实现了面向柱面电线杆标识牌的轻量级文本检测和字符识别模型，并搭建原型系统完成实际场景实验测试。主要研究成果如下: (1)构建了特定识别数据集并设计了一种基于反投影的柱面图像矫正预处理方法。采用实地拍摄、网络爬取和权威发布三种方式构建真实柱面电线杆标识牌数据集并完成标注;针对柱面电线杆标识牌边缘两侧像素压缩问题，提出了一种基于反投影的柱面图像矫正预处理方法，在水平方向和垂直方向上投影建模，设计了投影矫正方程，按像素将柱面图像转化为平面图像。矫正后电线杆标识牌字符识别正确率相比直接识别提升了40.3％。 (2)提出了基于分割的轻量级电线杆标识牌文本检测模型Tiny-DBNet。利用深度可分离卷积，融合注意力机制构建轻量级特征提取网络，不同层级特征融合后再连接DBNet可微分二值化模块，按照可学习方式获取自适应阈值，进行文本和非文本的分割。采用真实柱面电线杆标识牌数据和公开数据集进行实验验证，Tiny-DBNet在下降0.60％的微小识别精度损失下，检测速度提升3倍，参数规模上总体下降45.15％，满足轻量化手持端快速检测的需求。 (3)优化改进了基于CRNN的字符识别模型。研究特征提取网络、文本检测网络、字符识别网络最优组合方案，实现了轻量级电线杆标识牌识别融合模型Tiny-DBNet-CRNN，改变了模块零散、低耦合的结构，降低了训练层次与冗余操作。在单处理和批处理模式下识别一张电线杆标识牌耗时达到1s量级，识别准确率达到95％以上，为实现系统模块集成和手持端图像采集应用提供了核心算法支撑。 (4)搭建电线杆标识牌字符识别原型系统并进行场景验证分析。设计“现场采集模式、后台处理模式、单处理模式、批处理模式”四种模式和“数据层-算法层-集成层-展示层”四层架构的电线杆标识牌信息采集原型系统，并在以“H5小程序”的形式部署。取50张柱面和平面电线杆标识牌，在实际街道上进行效果验证，有48张标识牌数据文本字符全部输出，形成了场景应用普适性强、算法识别精准度高、字符识别速度快的电线杆标识牌集成系统。 综上所述，本文针对柱面电线杆标识牌字符识别，设计了包括柱面矫正、文本检测、字符识别算法，通过实验验证了模型的可靠性，通过了实际场景验证与应用，有效提高电线杆标牌采集作业效率与识别精度，降低了电网运营管理成本，促进了国家电网智能化建设。
NETL