国网上海市电力公司闸北发电厂 葛海华 邹钰洁 陆建成 上海电力大学电子与信息工程学院 崔昊杨

随着配电物联网的发展，传感器及配电设备广泛接入至电力物联网平台，如何实时、准确、高效地采集如此海量的配用电数据成为了当前亟待解决的核心问题。以分钟、小时为周期进行监测数据、运行数据常采取运维人员收集的方式，该方法不仅效率低下，还会由于人为因素出现干扰。目前配电设备以液晶显示屏及数码管显示屏居多，由于存在种类多样化、环境复杂化等影响，如何实现仪表信息的准确识别依存在较大困难。为提高配网设备数据采集的实时性、准确率，发展自适应环境视频监测数字识别技术成为提升本行业信息化、数字化亟待解决的问题。

环境自适应视频监测数字识别技术，主要包括以模板匹配为代表的模式识别方法[1-2]和以Densenet 为代表的深度学习方法[3]。模板匹配通过待识别数字与模板库的比对进行识别，具有抗环境干扰能力强、无需训练的优势，因此在小样本情况下的简单数字识别中得到广泛应用，但该方法对模板数字与待识别数字的大小要求较为严苛。而以Densenet 网络为代表的机器学习方法采用特征传播和特征重复使用的方式克服了VGG16[4]和fasterR-CNN[5]不同层之间的正则化效果较差的问题，训练成功便可对不同大小的数字进行识别，且在复杂背景下识别的准确率远高于模板匹配算法，但该模型对样本特征提取要求严苛，环境光照变化较大时的液晶显示屏数字灰度特征难以完整获取，从而降低了数字识别的准确率。……