“

简 介： 电度表上的数字具有标准，通过图片识别相对比较容易。但对于最后一位的数字识别，由于它是旋转，有可能会读到处于上下两位交替状态，所以往往会造成识别错误。好在这一位是最后计量单位，即使发生错误也不会对整个计量数字造成很大的差异。
关键词： 旋转木马，LeNet，数字识别，电能表

01 电能表

??早期的 机械电能表[1] 由于本身存在损耗、精度相对低、不易联网，现在逐步被电子电能表替代。

??在去年寒假前，工作办公室所在的主楼统一将原有的机械电能表进行了升级改造。拆卸下来很多不同规格（单相、三相）电能表。虽说以前它是司空见惯，但现在越来越难以觅其踪影了。

▲ 图1.1 淘汰下的单项机械式电能表

1.1 机械电能表原理

??自从机械式电能表被发明之后，就一起皮实可靠、价格低廉被广泛应用在工业和个人家庭中。它的工作原理在很多电气教科书中都有介绍。在 电能表原理[2] 博文中，则根据异步电机驱动的原理，介绍了电度表中驱动指针转动感应电磁力的原理。下面将其中的动图摘录如下。

▲ 图1.2 单相电度表工作原理示意图

▲ 图1.3 电能表内部驱动计数轮转动的铝盘在转动

▲ 图1.4 如果不清楚电度表的工作原理，就很难解释为什么在电度表中的转动铝盘上有折磨多的小凹坑

▲ 图1.5 电度表核心电路和磁路

??由于在内部主磁路的磁靴上有一个磁路短路贴片，它会产生一个感应电流超前主磁路变化90°相位，虽然不是很大，但正是这个超前的电流分量使得磁极缝隙中的磁场变化不再是同步。

▲ 图1.6 电能表中磁极上磁场变化。请注意，这些词场变化并不是同步的

??由于磁极中的变化磁场在空间和时间上都有错位，因此其中存在一个分量是在磁极缝隙中周期的单向滑动。正是这个滑动的分量，在转动铝盘表面产生涡流，进而推动铝盘转动。这一点与异步感应鼠笼电机工作原理相似。

▲ 图1.7 由于磁场中存在着相位差，所以其中有一个很小的分量是滑动的磁场

1.2 电子电能表

??现在还有一些 电子电能表[2] ，虽然使用电子电路计量电能，但现实上，通过单向步进电机驱动机械计数轮来显示电能。由于机械计数轮本身具有掉电数据保存，显示与传统电表相同，所以在一些场合还被使用。

▲ 图1.2.1 电子式电表带有机械计数转轮

▲ 图1.2.2 相比于机械式电能表，这种电子电能表内部结构非常简单了

??电能表中的机械计数轮：

▲ 图1.2.3 电能表中的机械计数轮

??驱动计数轮的单向步进电机：

▲ 图1.2.4 驱动计数轮的单向步进电机

??计数轮在转动：

▲ 图1.2.5 计数轮在转动

02 数字识别

??电度表上的数字具有标准，通过图片识别相对比较容易。但对于最后一位的数字识别，由于它是旋转，有可能会读到处于上下两位交替状态，所以往往会造成识别错误。好在这一位是最后计量单位，即使发生错误也不会对整个计量数字造成很大的差异。

2.1 旋转数字

??电能表的最后一位数字是连续旋转的。

▲ 图2.1.1 最后一位数字是连续旋转的

??而其它位置的数字，虽然也旋转，但仅仅发生在计数进位的时候。

??其它位置的数字旋转发生在进位的时候。这个是倒数第二个数字旋转的情况：

▲ 图2.1.2 其它位置的数字旋转发生在进位的时候。这个是倒数第二个数字旋转的情况

2.2 数字识别

??在本学期人工神经网络课程的第四次作业中有一个小题是对这些旋转数字进行识别。其中采集了不同位置、不同旋转状态下的数字3400多个。要求通过设计人工神经网络完成字符的分类识别。

??用于数字识别的字符集合：

▲ 图2.2.1 用于数字识别的字符集合

2.2.1 训练数据集合

??本质上，数字的信息都包含在它的亮度上，所以在训练网络之前，将所有的字符都转换成灰度图像。

??变成灰度集合的数字训练集合：

▲ 图2.2.2 变成灰度集合的数字训练集合

? ● 合并图片集合参数：
???个数：3415
???色彩：灰度
???结构：（3415,1,45，35）
???种类：List,Item=array

2.2.2 构建网络训练

??构建一个标准的LeNet网络。使用前面数据集合的80%作为训练稽核，20%作为测试集合。

??下面是网络的参数：

---------------------------------------------------------------------------
 Layer (type)       Input Shape          Output Shape         Param #    
*************************************=
   Conv2D-51     [[100, 1, 45, 35]]    [100, 6, 41, 31]         156      
 MaxPool2D-51    [[100, 6, 41, 31]]    [100, 6, 20, 15]          0       
   Conv2D-52     [[100, 6, 20, 15]]   [100, 16, 16, 11]        2,416     
 MaxPool2D-52   [[100, 16, 16, 11]]    [100, 16, 8, 5]           0       
   Linear-76        [[100, 640]]          [100, 120]          76,920     
   Linear-77        [[100, 120]]          [100, 86]           10,406     
   Linear-78        [[100, 86]]           [100, 10]             870      
*************************************=
Total params: 90,768
Trainable params: 90,768
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.60
Forward/backward pass size (MB): 9.99
Params size (MB): 0.35
Estimated Total Size (MB): 10.94
---------------------------------------------------------------------------

{'total_params': 90768, 'trainable_params': 90768}

??网络训练过程中的Loss，Acc，TestAcc变化情况：

▲ 图2.2.3 网络训练过程中的Loss，Acc，TestAcc变化情况

2.2.3 观察错误样本

??网络训练完之后，在683个测试样本上，出现错误的数字为34个。

??训练模型出现错误的样本：

▲ 图2.2.4 训练模型出现错误的样本

??在出现错误的样本中，绝大部分是上下相连的数字出现的错误。也有的是训练样本标注错误。如果去掉这些转换过程中识别相差为1的错误样本，剩下的只有五个是识别错误。

??五个识别值与实际值相差超过1 的错误样本：

▲ 图2.2.5 五个识别值与实际值相差超过1 的错误样本

2.3 网络改进

??为了能够获得更可靠的网络，需要在上面的基础上：

• 选择更小的结构，对于网络进行简化。
• 对于训练的图片进行合适的增加，使其对于平移，旋转，亮度以及缺损等情况能够适应。

参考资料

[1]

机械电能表: https://zhuoqing.blog.csdn.net/article/details/104133804

[2]

电子电能表: https://blog.csdn.net/zhuoqingjoking97298/article/details/104134708?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163989951016780264046055%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=163989951016780264046055&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_v2~rank_v29-2-104134708.pc_v2_rank_blog_default&utm_term=%E7%94%B5%E5%BA%A6%E8%A1%A8&spm=1018.2226.3001.4450