人工智能技术在智慧电力仓储系统中的应用

随着更多的数据接入电力物联网网络，一方面大量异构化的数据对数据安全、协议转换、数据分发等提出了更高的要求；另一方面经过几年发展，云计算存在的带宽消耗大、实时性差、安全风险、能耗大等问题日益明显，边缘侧数据就地处理在业务实时性、数据的优化、应用的智能等方面体现出了更大的优势。

针对电力物资仓储智能化管控的场景，当前管控系统初步实现了自动识别、智能干预、全景监控，但是在数据处理细节上依然存在着安全加密不足、数据转发效率低下、边缘侧数据处理压力大等问题。本文将先对智慧仓储系统硬件架构和系统流程进行讨论，然后再讨论人工智能算法如何在智慧仓储系统中应用，可以实现仓储监控数据多种通讯方式集中接入，自动数据协议转换，内外网数据打通，边缘数据加速处理等功能，提高数据处理实时性、数据传输安全性和数据利用效率。

基于边缘物联代理技术的仓储系统是新时代的智慧仓储系统，它以泛在感知连接为手段，利用各类传感器、终端设备，集合不同通信网络线路、接入方式、安全防护手段，采用功能构造和部署应用模式，汇聚不同集成模式数据源，通过人工智能进行数据分析，实现分级式的数据处理和传递，使仓储系统具备实时性和可扩展复制，解决上述现有仓储系统的种种不足。

典型智慧仓储系统的硬件架构如图1所示，它一般由5个硬件系统组成。

包括监控摄像头阵列，通过网络接入。

包括温湿度、光照传感器，通过RS485串口接入，边缘物联代理平台。

包括UWB定位系统，巡视机器人，无人机。

包括灯光控制，风扇控制。

包括短信告警与声光告警。

图1 典型智慧仓储系统的硬件架构  下载原图
 

典型智慧仓储系统的主要工作流程如图2所示。

图2 典型智慧仓储系统的主要工作流程示意图  下载原图
 

其流程如下。

(1) 全景监控系统布点由枪机摄像头阵列与多个球机摄像头组成，实时采集库区的视频数据，可通过边缘物联代理上传至上级平台，同时也可通过大屏幕展示。物联代理装置可对收到的视频进行智能分析，包括人脸识别、安全帽和工装识别、区域周界监测、叉车位置识别等，并将实时分析的结果和告警上报给上级平台展示。

(2) 环境数据、定位数据直接接入边缘物联代理平台。物联代理通过环境监测数据发现环境异常，并结合定位数据分析得到异常点位，继而控制机器人到相应位置巡检。

(3) 边缘物联代理平台可对环境数据进行处理分析，根据相应逻辑，自动控制灯光、风扇等设备。

(4) 边缘物联代理平台可直接控制巡视机器人，为其下达任务，也可处理相关巡视图像数据。

对于人工智能(AI)技术在智慧仓储系统的应用，下面将主要在算法设计/应用和数据处理平台两方面进行探讨。由于深度学习已经比较成熟且成为主要应用，所以这里AI技术主要围绕深度学习技术进行展开。

在智慧仓储系统中，主要围绕以下几个核心算法进行讨论。

人脸检测/定位技术实际上是基于图像分类+检测框架基础上，围绕人脸的小目标特性进行优化设计的算法，从2016年流行的多任务框架概念起，将人脸检测(分类)和人脸框位置矫正(回归)以及人脸关键点定位、姿态、表情等属性的检测相结合统一进行设计。目前，人脸检测算法如RetinaFace[1]、BlazeFace[2]、基于轻量型神经网络，已经实现在移动CPU上对人脸的实时检测。国内人脸识别技术水平也非常高。根据美国国家标准与技术研究院(NIST)的2018年全球人脸识别算法测试(FRVT)结果，共有39家企业和机构参与本次竞赛，前5名算法被中国公司包揽，其中依图科技算法包揽前两名，商汤科技获得第三第四名，中科院深圳先进技术研究院获得第五名。模型容量也是应用关注的关键问题，目前已经出现模型容量仅为1MB[3],效果不弱于主流算法的人脸检测算法。另外，对10×10像素的小目标人脸检测，目前检测精度也达到实用水平。

行人检测(又称人体识别)一直是计算机视觉研究中的热点和难点。由于人体具有相当的柔性，因此会有各种姿态和形状，其外观受穿着、姿态、视角等影响非常大，另外还面临遮挡、光照等因素的影响。基于深度学习的通用目标检测框架，如Faster-RCNN[4]、SSD[5]、FPN[6]、YOLO[7]等，这些算法都可以直接应用到行人检测的任务中。最近，国防大学/自动化所及其联合团队将行人检测问题转化为高级语义特征检测问题，提出CSP算法[8],在Caltech和CityPersons数据集上都取得最好的结果。CSP算法使用了ResNet-50的主干网络，推理时间为0.33秒/图像。人体检测同时可以增加对人体属性的检测和识别，例如工作服穿戴的问题，这在智能仓储应用中有着比较重要现实需求。

车辆管理是智慧库区对于库区内部秩序管理、安全管理的重要组成部分。通过车辆检测可以获取车辆进入库区外围的行驶情况。车辆检测由于车辆钢体的性质，相对于人体/人脸检测难度要低，对于追求实时性的边缘计算应用场景中，基于诸如MobileNet V1/2/3轻量网络结构的SSD算法实现是一个非常不错的选择。

车辆违停为库区交通安全、货物运输安全带来隐患。通过违停检测模块对违停车辆进行记录惩罚，可以有效降低库区内的事故隐患风险。目标检测算法可以给出车辆的位置信息。对于人工设定的违停区域检测到的车辆，通过目标检测常用的IoU跟踪方法可以快速准确地识别车辆违停检测与识别。

对于数据处理平台设计，这里只探讨应用中2个非常重要的共性问题。

边缘计算只完成深度学习的前向推理工作，所以只关注主干网络的设计。主干神经网络设计通常为深度学习算法设计的一部分，而在实际应用中，主干神经网络的设计及选择与边缘计算的数据处理硬件平台设计的关系更加紧密。另外，现有的很多通用深度学习算法框架可以使用不同的神经网络框架设计。

近几年，各种轻量神经网络结构不断涌现。神经网络框架设计可以先采用自上而下的设计，首先从现有主流的轻量神经网络结构中选择，作为初步候选的神经网络。现有主流的轻量神经网络结构包括SqueezeNet系列、MobileNet系列、ShuffleNet系列、Xception系列、最新的GhostNet等，最初主要通过高效新颖的卷积方式和合理轻小的卷积核模块设计实现高效的轻量神经网络。而最新的MobileNetV3和EfficientNet则直接采用自动神经网络架构搜索方法和策略设计出来的。最近，华为诺亚方舟实验室提出了轻量网络GhostNet[9],在ImageNet分类任务Top-1正确率75.7%,高于MobileNetV3的75.2%。

如果初始选择的主干网络通过训练给出的系统性能相对于应用需求还有一定的余量，那么这个神经网络还可以采用现有成熟的各种剪枝方法进行优化设计。

类似智能仓储系统的深度学习硬件平台属于工作环境相对恶劣的工业应用场景，如果采用云平台常用的CPU或GPU集群，一般需要附加更多的外设/维护部件，系统成本比较高。而现有的基于ARM CPU芯片的系统算力较低，只适合完成整个仓储系统主控系统的实现。目前，市场上已经出现一些面向边缘计算的AI芯片产品，基于这些AI芯片的硬件平台应该是智能仓储系统中实现深度学习算法的硬件平台比较理想的选择。

智能仓储边缘计算的应用更接近于嵌入式工业环境应用。在实际系统中，深度学习使用AI芯片进行推理计算，在追求计算效率提升的同时，不仅要考虑存储空间的效率提升和制约，还要考虑功耗的效率提升和制约。所以，在芯片选择中，更倾向于整数计算能力这一指标。这在系统应用中还要考虑神经网络模型系数量化带来的性能损失。

以人工智能的前向推理应用为核心的边缘计算技术已经基本成熟，基于边缘计算代理的智能仓储系统可以为国家电网公司实现“三型两网”的战略目标。