案例简介

该案例主要运用在电力行业中，处理端子排接线检测问题。传统的OCR识别技术并不能完成在非平面上字符的准确识别，因此需使用深度学习技术提升准确率。在对比了众多深度学习模型后，最终采用百度飞桨开源深度学习平台开发AI方案中OCR技术，替代技术人员进行扫描检测、分析任务，提高流程的智能化程度，实现AI技术的落地应用。

相关产品

PaddleOCR

合作伙伴简介

国机智能技术研究院有限公司是世界500强大型央企“国机集团”下智能制造旗舰“国机智能”的所属公司。公司以打造自主可控的央企智造品牌为己任，致力于开展智能制造领域关键平台技术及产品的研发工作。公司在研发共性技术基础上，开发面向市场、应用性较强的系列化产品，为客户提供以智能装备及工业软件为核心的智能制造整体解决方案。

业务挑战

随着经济社会发展，人们对工业产品也提出了越来越高的要求，生产自动化、高效化需求日益增加，安全生产更是备受重视。在接线机柜场景下，有大量的设备间端子排接线，而这些端子排接线的正确与否直接关系到生产安全甚至是人身安全，对其进行检测是企业生产的必要环节；然而大量的生产需求使得检测工作越来越繁重。

目前，对接线柜的检查主要依靠人眼目检或者人工手持扫描设备扫描检测。这两种检查方式都离不开人员作业，消耗大量人力资源，无法适应自动化生产的要求。人眼目检不仅效率低，而且随着人眼的作业疲劳，检测准确性大大降低。人工手持设备扫描效率低、误检、漏检率高。

流程中存在的问题可以总结为三点：

1、单试验件检测时间长：人工检测对照检测效率低，平均一个控制柜的检测需15-30分钟。

2、检测准确率低：人为对照线号管字符容易出现误检、漏检等现象。

3、安全性低：检测时箱体为带电工作状态，人为检测存在触电风险。

综上所述，传统的依靠人员作业的检测方式大大增加了企业生产成本、严重阻碍企业的生产效率，已经不能满足企业对高效、自动化生产的需求。

在捕获到人工检测效率比较低的问题之后，国机智能技术研究院有限公司对检测中的几种方法也进行了比较：人工检测存在成本高、效率低、检测标准不统一的问题；传统机器视觉技术的辨别能力比较差，抗干扰能力弱，对圆柱面上的字符识别效果不佳，算法无法复用。深度学习技术的适应能力强，算法精度高，模型可复用，意义可迭代，具有很强的产业升级的潜力。

解决方案

针对深度学习落地中面临的问题，国机智能技术研究院有限公司找到了解决方案，就是使用百度飞桨PaddleOCR进行线号管上英文字符及数字的检测。PaddleOCR具有轻量化、准确率高等特点，可以很好地解决以上问题，有效的帮助传统行业的技术人员进行AI算法的开发。整体结构图：

第一阶段：数据采集测试

通过高清矩阵相机对控制柜进行拍照，获取高清图像。采用不同的拍照角度、光纤环境进行图像收集。获取图像后对其进行一定的滤波处理。

第二阶段：模型选择

PaddleOCR配置示例十分简单，根据需求选用相应的模型。由于我们的设备可作为服务端，选用了服务端大模型，识别效果更佳。

第三阶段：测试及评估

经过多次测试，识别成功率较别的OCR方法已经相对较高，且实现操作简便，代码量小。在不同光纤环境、线号管平整度下也识别较好。

第四阶段：业务上线

当识别完成后，可对识别结果进行导出，并通过开发的软件界面进行结果展示。 至此，基于飞桨的端子排接线检测就完成了。下图为开发好的软件工具，界面简单、应用效果很好，可以有效地提高端子排接线的检测效率。

价值成果

经过试验验证，本设备取得以下成果：

1、大大提高检测效率：系统运行稳定，图像采集、处理和识别效率高，可快速完成端子排接线的检测，大大降低检测时间，有效提高检测效率。

2、检测准确：依靠图像处理和视觉检测技术，能够准确的识别出端子排字符，误检、漏检率低，可靠性高。

3、安全性好：利用相机采集图像，利用图像处理技术实现检测，检测方式为非接触检测，可在箱体带电状态下工作，避免触电事故发生，安全性能好。

4、经济效益好：本设备代替人工检测，实现自动化检测。检测效率高，检测准确。为企业减少生产成本、降低误检、漏检率，避免损失，有效提高了企业经济效益。