基于电力行业的智能读表系统--基于RK3399嵌入式设备部署

2023-10-10 15:35:58

【需求】
1. 电力能源厂区存在很多传统的机械指针表具（原因：成本低，准确度高，工作范围比较广，比如高温等能比较好的工作，纯量占有比较大的数量）。与数字式仪表不同，机械表具无法将表具度数实时发送到监控系统，需要人工进行读数检查。
2. 电力能源厂区需要消耗大量的人力去现场读表巡检，增加了企业的人力成本，巡检周期长、频率低，更是让设备的质检、系统的稳定运行得不到有效保证。
3. 如果在非巡检期间表具度数到达异常区域，表具无法发送告警信息，异常无法被很快发现。

总结：电力能源厂区需要定期监测表计读数，以保证设备正常运行及厂区安全；

【现状】：

厂区分布分散，表计种类多、散
人工巡检耗时长，无法实时；
部分工作环境危险，且难以触达；
人工读表容易产生误差。

二、系统架构

智能云读表系统

服务端推理方案：
终端通过摄像头获取表计图像，通过网络将图像回传到云端服务，由云端服务器进行推理识别。该方案在GPU上推理进行。（如，直接使用Paddle Inference在GPU上进行推理）
以LoRa具体讲解就是：

LoRa终端设备携带摄像头放置在仪表前获取仪表图像，并通过LoRa无线网络传输给普通的LoRa网关。
LoRa网关通过LTE或者广域网络图片传输到CLAA的智能云服务平台，由智能云服务器进行表具读数识别，并将结果发送给各个用户应用服务器。

边缘智能读表系统

移动/嵌入式端推理方案：
终端通过摄像头获取表具图后通过自身附带的AI芯片在嵌入式系统进行推理。（如使用基于Paddle-lite开发对应的推理程序进行推理）
以LoRa具体讲解就是：

LoRa终端设备携带摄像头放置在仪表前获取仪表图像，并通过LoRa无线网络传输给LoRa边缘智能网关设备。
LoRa边缘智能网关内部署智能读表推理进程，输入仪表图片，输出仪表读数，并发送给用户应用服务器。

三、技术方案

面临的问题：

表具种类多（比如圆的、方的等），相似度大，样本采集困难，不易分类
外表高度相似，只有量程不同；
外表一致，刻度数目相同，只有单位不同；
表具单位被指针遮挡无法识别。
在复杂环境下，读数的精确度不容易保证
表具图片过小不清楚；刻度细小，无法完全识别。
表具图像倾斜角度大；指针高度导致读数误差。
室外环境恶劣导致读数难以识别
光源不确定，明暗差别大；
镜面反光或阴影强烈；
雨水或成图尘土；
污泥或异物遮挡。

总体方案

传统机械式指针表具无法将表具读数外传，需要人工进行读取，本项目使用深度学习方法实现传统机械式指针表具读数的自动读取。

针对推理部署，本项目提供了使用C++开发的，可以在RK3399Pro ARM64平台、linux系统上运行程序源码，以及程序运行所需要的针对ARM平台优化过的模型文件。

总体方案：目标检测+语义分割
表计读数方案共分为3个步骤：
第一步【检测表计】：使用目标检测算法检测待识别表具区域
第二步【分割指针&刻度】使用语义分割算法分割出表具的刻度和指针
第三步【计算读数】计算表具读数

三步骤技术实现具体如下：

目标检测：
平衡考虑算法的推理速度和检测效果，目标检测算法采用yolov3检测框架，主干网络使用MobileNetv2实现。目标检测部分只做检测，不对表具进行分类。
语义分割：
根据目标检测的结果，从原图中裁剪出表具区域图像，作为语义分割模型的输入，考虑到刻度和指针均为细小区域，采用分割效果较好的DeepLapv3+模型实现。（不过后来验证，将DeepLapv3+换成了U-Net，原因后续会提到）
读数计算：
预先配置表具相关数据（单位、量程等），结合语意分割结果计算出表具最终读数。即，根据指针的相对位置和预知的量程计算出各表计的读数。
（注，表计多为分散安装，大多数情况每个摄像头只拍摄一个表计。在表计集中安装的情况下，多个表计基本为同类表计。需要识别表计种类（量程和单位）的场景很少。表计的单位量程等信息通过配置的形式输入给推理过程，结合分割结果计算表计读数）（拍摄完表的图片，就知道表的量程等信息了）

得到读数之后就处理业务相关的信息，比如报警等。

目标检测

目标检测方案

目标检测算法采用YOLOv3模型实现，被检测表具基本没有很小目标的情况，所以根据经验，人工重新设计了锚框的尺度，以便更加准确的预测目标区域。
目标检测部分只对表具进行检测，不进行分类识别，原因如下：
- 由于表具的种类繁多，且相似度很高，尤其是同一个厂家的同一种类表具，其只有量程或单位不同，对其进程分类是比较困难的，在单位被指针遮挡情况下根本无法识别到表具的单位。
- 厂矿表具多为分散安装，大多数情况每个摄像头质拍摄一个表具，在表具集中安装的场景下，多个表具基本为同类表具，所以需要识别表具种类（量程和单位）的场景很少。
表具的单位量程等信息，通过匹配的形式输入给推理进程，结合分割结果综合计算表具读数。

目标检测模型训练

模型： YOLOv3
训练：
模型选择： yolov3_darknet53 / MobileNetv2
预训练模型：Darknet53_pretrained.tar

原生YOLOv3效果：

COCO数据集精度33.0
推理速度快于SSD3倍，快于RetinaNet 3.8倍（关于3.8倍，本人没有验证，只是他人告知）

YOLOv3设计：

骨干网络：更优的Darknet53（服务端推理方案）；
MobileNetv2（移动端/嵌入式端，本文基于嵌入式端推理方案）
每个anchor预测单独的类别，即输出通道数由B5+C，增加到为B（5+C）。
3个尺度上检测，提高召回率
分类激活函数：用sigmoid代替softmax

优化YOLOv3：
关于yolo系列的优化，它的主要思想就是利用trick的叠加，我之前有一篇博文分享了关于yolo系列优化的方案，可以参考用在此处，会使得模型精度和速度都会得到提升。

评估：评估程序进行评估。

目标检测结果

语义分割

常见分割模型：DeepLabv3+,U-Net, ICNet, PSPNet, HRNet, Fast-SCNN。

语义分割方案

目标检测表具图像区域作为语义分割模型的输入，避免语义分割的多尺度问题
表具刻度与指针都较为细小，采用效果较好的DeepLapv3+分割模型
如果原图检测出多个表具目标，则将多个表具区域图片以“batchsize=n”输入网络

分割模型在经过卷积之后，输出的特征分辨率比较小，再赋到原图上面，分割的原图的精度就会下降。
解决：
- 采用Atrous Convolution（空洞卷积）（也就是在卷积核上插入0），在不增加计算量的情况下增大感受野；
- 在不同的卷积成中使用不同的Atrous Rate优化多尺度物体的检测效果。

简单的半监督只是蒸馏方案（SSLD）
应用背景：

大模型预测效果好，但预测速度太慢，速度不符合使用需求
小模型预测速度快，但预测效果差，精度不符合使用需求

知识蒸馏

对于需要训练的学生网络（较小），使用一个较大的教师网络（精度更高）去指导学生网络训练
把这两个模型组成一个网络，输出预测的输出，训练的过程中，教师模型梯度固定，学生模型可以反向，进行参数的更新。输出js的散度，就可以知道概率的相似度，使得这个小模型的概率会更好。经过训练之后，这个小模型就会有所提升。

目的

探索模型的性能边界
精度更高的预训练模型
有助于其他视觉任务的提升

考虑因素

教师网络、数据选择
数据分布、损失函数

语义分割模型训练与结果

模型： DeepLapv3+
训练：
模型选择： deeplap3p_xception65
预训练模型：百度Paddle提供的deeplap3p_xception65_bn_coco
评估：评估程序进行评估，DeepLabv3+语义分割算法的评估结果，刻度和指针的IOU达到了70%以上。

结果：

服务端：
考虑到刻度和指针均为细小区域，且主要在有GPU的设备上部署的话，所以语义分割模型选择预测效果更好的DeepLapv3+，骨干网络选择MobileNetV3-SSLD

语义分割训练中解决的问题

问题描述：
1. 刻度识别不全，有时无法识别出任务刻度和指针。
2. 侧向安装的仪表，表盘下方的刻度识别效果不好。
3. 图像尺度小的表盘，刻度识别的宽度很宽。

针对性的分析，提出优化策略：
1. 训练时加大batchsize值，可以明显提升识别效果，优化刻度识别不全问题，减少无法识别出任何刻度和指针的情况。
2. 数据增强，预处理阶段做旋转、裁剪、翻转、模糊颜色扰动等。其中，“旋转和翻转”对”表盘下方的刻度识别效果不好的问题“有很大改善。”模糊“对提高小尺寸图片识别效果作用很大。
3. 针对场景的，更细粒度的标注：开始使用labelme中的line方式对图片进行标注，该方式标注线固定为10个像素宽度，所以对于小尺寸仪表图像的刻度识别就很宽，而大尺寸仪表的识别就很窄，甚至刻度缺失。针对这个问题我们修改了生成真值图的方式，使相同尺寸的图片产生相同宽度的刻度标注线。

问题解决效果

读数后处理

对语义分割的预测类别图进行图像腐蚀操作，以达到刻度细分的目的；
把环形的表盘展开为矩形图像，根据图像中类别信息生成一维的刻度数组和一维的指针数组
计算刻度数组的均值，用均值对刻度数组进行二值化操作
定位指针相对刻度的位置，依据刻度根数获取预知的量程，将指针相对位置与量程做乘积得到读数

圆周长=圆半径×2×π
也就是说，表具外围展开一条直线。

四、边缘部署

总体方案

云端推理方案：非本文重点
该方案对应开遍提到的”智能云读表系统“部署方式，即终端通过摄像头获取表具图像，通过网络（LoRa）将图像回传到云端服务，由云端服务器进行推理识别。
该方案直接使用PaddleFluid在GPU上进行推理（Paddle Inference在GPU上进行推理）
边缘推理方案:
该方案对应开篇提到的”边缘智能读表系统“部署方式，即终端通过摄像头获取表具图像，通过LoRa传送到”智能边缘网关“进行推理识别。（也就是说，终端通过摄像头获取表具图像后，通过自身附带的AI芯片在嵌入式系统基于Paddle-Lite开发对应的推理程序进行推理。）
”智能边缘网关“为ARM平台的嵌入式系统，需要使用Paddle-Lite进行针对平台的优化，并基于Paddle-Lite开发对应的推理程序。
目标平台: RK3399开发环境 CPU（ARMv8）
软件环境：
操作系统： Ubuntu16.04
基础软件： Paddle-Lite、Opencv等
开发语言： C++
推理模型：
PaddleDetection训练的YOLOv3模型
PaddleSeg训练的DeepLabv3+模型

由于需要在ARM环境下进行推理，所以选择使用PaddleLite进行推理部署

总体工作内容

工程结构：

模型优化

如图：

非Paddle模型：其他框架训练的模型 tensorflow、 caffe、onnx

Paddle模型的两种方式：
Combined：多个参数文件，一个模型结构文件
Seqerated: 一个参数文件”params";
一个模型结构文件”model“

opt工具的获取：
1. 在PaddleLite的github上下载编译好的opt工具。
2. 使用PaddleLite源码编译得到。

Paddle模型： model.nb param.nb

Paddle-Lite安装

确定优化目标：
推理平台： x86、 arm、GPU， NPU
优化类型： naive_buffer, protobuf
模型格式： Combined, Seperated
是否量化：待优化模型是否为int8量化模型
查询算子信息：
使用opt工具查看待优化模型中的算子种类和支持这些算子的硬件平台，判断PaddleLite是否支持该模型在目标平台上运行。如下图所示：

优化工具命令：

./opt --model_file=./yolov3_darknet/__model__ --param_file=./yolov3_darknet/__params__ --optimize_out=naive_buffer --optimize_out=./yolov3_darknet_opt --valid_targets=arm

安装Paddle-Lite的最终目的是获取”库文件“和”头文件“，用于推理进程的编译和运行

预编译库：
Paddle-Lite针对常用环境预先编译了Paddle-Lite库以供下载，如果预编译的库符合用户的环境要求，用户可以直接下载使用。
下载预测时，根据需要进行选择时，注意选择”系统种类“、”arm版本“、”编译模式“。

源码编译：
如果用户找不到合适的预编译库，可以下载源码自行编译。Paddle-Lite文档中描述了不同系统下的编译方式。
编译时，注意选择”系统种类“、”arm版本“、”编译器“和”编译模式“，下载以RK3399为例说明编译方式。

./lite/tools/build.sh --arm_os=armlinux --arm_abi=armv8 --arm_lang=gcc tiny_publish

推理程序整体结构

初始化 --> 图像预处理 --> 模型输入与推理 --> 获取推理结果

# include "paddle_api.h"
using namespace paddle::lite_api;

// 初始化
// 1. set MobileConfig, model_file_path is the path to model file
MobileConfig config;
config.set_model_from_file(model_file_path);
// 2. Create PaddlePredictor by MobileConfig
std::shared_ptr<PaddlePredictor> predictor =  CreatePaddlePredictor<MobileConfig>(config);

//图像预处理
std::unique_ptr<Tensor> input_tensor(std::move(predictor->GetInput(0)));
input_tensor->Resize({1, 3, 608, 608});
auto *input_data = input_tensor->mutable_data<float>();
for (int i=0; i< ShareProduction(input_tensor->shape()); i++) {
	data[i] = 1;
}

//模型输入与推理
predictor->run();

// 获取推理结果
std::unique_ptr<const Tensor> output_tensor(std::move(predictor->GetOutput(0)));
// 转化为数据
auto output_data = output_tensor->data<float>();

推理程序开发

1. 初始化：

using namespace paddle::lite_api;

MobileConfig config;
std::shared_ptr<PaddlePredictor> predictor;

void model_init(std::string model_dir)
{
	config.set_model_dir(model_dir);
	config.set_threads(1);
	config.set_power_mode(LITE_POWER_HIGH);
	predictor = CreatePaddlePredictor<MobileConfig>(config); 
	return;
}

模型对应关系

PaddleLite编译模式推理程序配置模式 opt输出模式
tiny_publish ----> MobileConfig ----> naive_buffer
full_publish ----> MobileConfig ----> naive_buffer
full_publish ----> CxxConfig ----> protobuf

2. 图像读取与预处理

图像的读取：
使用Opencv进行图像读取。
需要注意的是，使用Opencv的”cv::Mat“类读取的RGB图像是HWC的，如果训练的模型要求输入图片的格式是CHW的，那么需要进行格式转化。

图像的预处理
预处理主要包括：图像resize、归一化、减均值、除方差
均值和方差要与训练时使用的均值方差保持一致。如果使用预训练模型进行训练，则一般使用预训练数据的均值和方差。

代码如下：

void preprocess(cv::Mat &input_image, 
                const std::vector<float> &input_mean,
                const std::vector<float> &input_std, 
                int width, int height, float *output_data)
{
	cv::Mat im_temp;
	cv::Size resize_size(width, height);
	cv::resize(input_image, im_temp, resize_size, 0, 0, cv::INTER_LINEAR);

	int channels = im_temp.channels();
	int rw = im_temp.cols;
	int rh = im_temp.rows;
	for (int h = 0; h < rh; ++h) {
		const unsigned char* uptr = im_temp.ptr<unsigned char>(h);
		const float* fptr = im_temp.ptr<float>(h);
		int im_index = 0;
		// hwc转chw
		for (int w = 0; w < rw; ++w) {
			for (int c = 0; c < channels; ++c) {
				int top_index = (c * rh + h) * rw + w;
				float pixel;
				// 以下两行为：归一化、减均值、除方差
				pixel = static_cast<float>(uptr[im_index++]) / 255.0;
				pixel = (pixel - input_mean[c]) / input_std[c];
				output_data[top_index] = pixel;
			}
		}
	}
	return;
}

模型的输入和输出
如果时使用PaddleDetection或PaddleSeg训练的模型，建议先使用Netron查看模型结构，确认模型输入和输出的个数、数据类型等，根据查看结果编写输入输出的相关程序。

3. 图像数据输入与推理
3.1 检测模型输入：
先获取模型的输入数据接口，然后将处理后的数据赋值给模型的输入，再进行推理。
第一个数据入口：

std::unique_ptr<Tensor> input_tensor(std::move(predictor->GetInput(0)));
input_tensor->Resize({1, 3, 608, 608});  # 这里写的输入是608为例，实际中，我使用的是416，代表中如果输入将来有变化，可以写成变量传入的。
auto *input_data_1 = input_tensor->mutable_data<float>();

第二个数据入口：

std::unique_ptr<Tensor> input_tensor_2(std::move(predictor->GetInput(1)));
input_tensor->Resize({1, 2});
auto *input_data_2 = input_tensor_2->mutable_data<float>();

3.2 模型的推理
模型输入赋值完成之后，只需要调用接口函数即可实现推理。

predictor->run();

4. 获取推理结果：
与对输入的处理类似，获取推理输出结果也需要先获取模型的输出数据接口，然后能获取到输出数据。

std::unique_ptr<Tensor> output_tensor(std::move(predictor->GetOutput(0)));
//yolov3的输出；output_data：推理结果出口
float *output_data = output_tensor->mutable_data<float>();

5. 推理结果后处理
一般情况下，根据实际的业务需求，都需要对模型的输出结果再进行后处理，尤其时语义分割的识别结果。所以需要清楚模型输出结果的具体含义。
YOLOv3输出结果结构

struct DETECTION_RESULT {
	float classid;
	float score;
	float left;
	float top;
	float right;
	float buttom;
};

后处理计算读数：
首先展开成一维数组，接着二值化，然最后得到表的读数。

总结

模型选择：
1. 适应场景，适配部署环境
2. 多模型的配合与衔接
3. 是配图像的后处理（分割中后处理还是很重要的）

模型调优：
1. 数据集的优化
2. 训练时的数据增强方法
3. 超参数的调整

推理部署：
1. 推理平台与模型的适配
2. 模型优化（包括模型压缩）
3. 模型的输入与输出，推理程序的编写

当然大家也可以选择其他的框架，并非只有PaddleLite，比如说tensorflow-lite。
我的模型是由TF转过来的。关于yolo，我一般使用的训练框架是TF、darknet训练，然后看需要转为各自需要的模型。比如，使用darknet训练的yolo目标检测的模型转为caffe，然后caffe由它自己的量化工具转为海思相机支持的wk格式。方式很多，大家根据自己情况来选择，本文主要目的是为了让大家知道怎么来工业化落地。

码农公寓

基于电力行业的智能读表系统--基于RK3399嵌入式设备部署

目录

智能云读表系统

边缘智能读表系统

面临的问题：

总体方案

目标检测

目标检测方案

目标检测模型训练

目标检测结果

语义分割

语义分割方案

语义分割模型训练与结果

语义分割训练中解决的问题

问题解决效果

读数后处理

总体方案

总体工作内容

模型优化

Paddle-Lite安装

推理程序整体结构

推理程序开发

码农公寓

目录

智能云读表系统

边缘智能读表系统

面临的问题：

总体方案

目标检测

目标检测方案

目标检测模型训练

目标检测结果

语义分割

语义分割方案

语义分割模型训练与结果

语义分割训练中解决的问题

问题解决效果

读数后处理

总体方案

总体工作内容

模型优化

Paddle-Lite安装

推理程序整体结构

推理程序开发

相关文章