分布式智能摄影测量预启动人工智能匹配器.docx

Anton Ivaschenko et al. / Procedia Computer Science 186 (2021) 538–545 PAGE 545 PAGE 544 Anton Ivaschenko et al. / Procedia Computer Science 186 (2021) 538–545 分布式智能摄影测量预启动人工智能匹配器 摘要 提出了一种解决移动手持设备在设备视觉状态监测过程中，对巡检人员拍摄的电表照片图像进行流式处理的方法。这个问题涉及分布式智能摄影测量领域，需要一种新的方法来提供高精度和高效率。提出的解决方案基于多智能体技术和使用神经网络的图像识别。为了提高图像识别的质量和性能，设计了一种分布式体系结构。补充了额外的“发射前匹配器”，以确定各种对象的范围，并将它们分配给最对应的人工智能模块。识别模块的解决方案实现了分布式体系结构。实现、测试和实际使用的结果说明了智能移动应用程序对照片图像进行自主预处理的好处。 关键词:多智能体技术；数据分析；图像识别；电表数据处理 1。 介绍 尽管自动化测量和检查设备广泛使用，但一些问题领域仍然需要手动监控仪表读数。例如，到目前为止，电表或煤气表测量与各种计数器的分析有关。这项工作通常由专业巡逻人员执行，旨在检查系统的视觉状态，获取读数并拍摄照片进行验证。为了成功，他们大多数人使用智能手机或平板电脑。 考虑到要识别的符号类型数量有限，这个问题似乎是使用人工神经网络进行图像分析的一个有趣的挑战。同时形象的环境 识别度差异很大，不同仪表设备的指示器看起来不一样，在实际情况下会被灰尘覆盖，并被良好的闪电遮挡。 神经网络在实际应用中的主要困难是由于过滤特性导致的通用性低，从而导致缺乏多任务处理。系统需要处理各种各样的电气和模拟仪表，对一种类型的计数器读数进行更好的处理会导致其他情况下的故障。除此之外，神经网络经常被特别训练以减少受周围环境影响的噪声，这对于识别环境是有用的。 为了填补这一空白，开发了一个“预启动匹配器”软件解决方案，实现了分布式智能的多代理架构。每个软件代理代表一个专门处理某种类型仪表的自主识别器。补充了额外的匹配器代理，以确定各种对象的范围，并将它们分配给最对应的人工智能模块。它可以基于一个额外的神经网络本身，或者实现初步定义的规则或推理。更多细节如下。 2。 材料和方法 绝大多数最常见的电子和气体计数器不能以电子方式传输数值，需要进行照片测量。目前市场上有各种类型的仪表(图。1)模拟和数字。通过使用带有预装软件的移动手持设备实现智能图像识别，可以显著改善测量过程。因此，为手持设备、平板电脑和智能手机开发了专门的软件，支持操作员在收集和进一步分析特定地区人口能耗水平的过程框架内识别读数。 该任务必须在各种条件下成功执行，包括弱光和变暗、遮蔽、模糊、遮挡和其他故障。为了克服这些困难，它被分成几个子任务，包括a)显示面板的识别和b)指示评估的数字识别。主要针对第二子任务提高了神经网络应用的质量，但限制了其实际应用的前景。用一个神经网络来确定两个子任务的目标会导致训练困难和效率低下。 图。1.模拟和数字计数器示例 使用多个神经网络作为自主协作模块可以提高上下文相关识别的效率。因此，研究方法是基于两种现代技术的结合:神经网络和多智能体系统。神经网络提供具体类型仪表指示的专门化，多代理协商提供多任务和自适应。 人工神经网络是一个众所周知的模型，用于充分和稳定地识别具有复杂形状的真实物体和物品[1，2]。即使在图片模糊或褪色的情况下，也能以足够高的准确度识别不同语言的文本数据和单词[3，4]。 以下对象检测模型传统上用于查找和分类图像中对象的位置:基于区域的卷积神经网络(RCNN)、单镜头多盒检测器(SSD)和您只看一次(YOLO) [5-7]。RCNN及其导数将图像分割成多个区域，每个区域分别进行分类。YOLO和固态硬盘解决了回归和分类的问题。YOLOv2更符合分布式智能摄影测量的要求，因为它提供了最高的图像处理速度，这对移动应用至关重要。 多代理技术也是一种广泛使用的软件开发范式，它使用并行计算、行为建模和分布式决策支持的方法来帮助实时提高数据处理的性能[8-10]。多智能体技术可以显著丰富智能系统的适应性，使其能够添加新组件，从而增加考虑的选项数量。如此广泛的开发不需要改变已经部署的组件的现有逻辑。根据一些经验[11，12]，这方面的另一个步骤如下。 3。 考虑的解决方案备选方案 过去，开发并推出了集中式体系结构，但经过一段时间后，很明显，与中央服务器的不稳定通信使检查员的工作变得非常困难。在大规模审计期间，当爬虫应管理层的要求得到公司其他部门的协助时，也会出现性能问题。由于请求数量的爆炸性增长，识别时间可能达到