针对电力配件种类繁多、型号各异,依靠射频识别(radio frequency identification,RFID)技术开展电力配件出入库管理,不能覆盖所有电力配件,容易出现出入库、退库不准确、效率低,以及出入库电力配件质量不满足生产要求的问题,开展基于机...针对电力配件种类繁多、型号各异,依靠射频识别(radio frequency identification,RFID)技术开展电力配件出入库管理,不能覆盖所有电力配件,容易出现出入库、退库不准确、效率低,以及出入库电力配件质量不满足生产要求的问题,开展基于机器学习和图像识别的电力配件智能识别研究。首先采用灰度处理、二值化等方法对原始图像进行处理,之后通过最小外接矩形校正原始图像,然后以卷积神经网络(convolutional neural networks,CNN)、卷积递归神经网络(convolutional recurrent neural network,CRNN)等深度神经网络为核心,结合CTC损失函数,构建适用于识别电力配件的深度学习模型,并依据图像识别吻合度,同步推荐疑似配件设备。通过智能设备采集电力配件图像,采用上述方法实时识别配件名称、型号,提示外形尺寸、适用范围、产品用途。实验结果表明,基于机器学习和图像识别的电力配件智能识别结果准确率达到95%,显著提升了仓储出入库管理的智能化水平。展开更多