前言

       人工智能（Artificial Intelligence，英文缩写AI），是新一轮科技革命和产业变革的重要驱动力量，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，包括机器人、语言识别、图像识别、自然语言处理、专家系统、机器学习，计算机视觉等。人工智能（AI）技术的快速发展为制造业带来了革命性的变革。输电线路铁塔作为电力基础设施的重要组成部分，其生产制造过程的智能化、自动化水平直接关系到电网建设的效率和质量。本文通过分析AI在输电线路铁塔生产制造中的应用，旨在探讨AI技术如何助力企业提升生产效率、降低成本、提高产品质量，并为企业经营决策提供技术支持。

1、AI文本图像识别技术

       1.1 AI文本识别技术

       文本图像识别是AI的一个重要应用场景，文本识别过程一般由图像输入、预处理、文本检测、文本识别、结果输出等环节组成。通过图像处理技术，提取出文字图像的关键特征，将提取到的特征与预先存储在字体库中的字体特征进行比对，通过计算特征之间的相似度，找出最匹配的字体，再利用深度学习技术，对大量字体图像进行训练，使其能够自动识别和分类字体。

       文本识别根据待识别文本形状分为规则文本识别和不规则文本识别两大类（见图1）。规则文本主要指印刷字体、扫描文本等，文本大致处在水平线位置；不规则文本往往不在水平位置，存在弯曲、遮挡、模糊等问题，不规则文本场景具有很大的挑战性，也是目前文本识别领域的主要研究方向。

       规则文本识别的算法根据解码方式的不同可以大致分为基于CTC和Attention两种（见图2），结合网络学习的序列特征，根据不同的处理方式，转化为最终的识别结果。基于CTC的算法以经典的CRNN为代表，基于Attention的算法以Seq2seq+attention为代表。而不规则文本的识别算法相比更为丰富，一是基于STAR-Net等方法通过加入TPS等矫正模块，将不规则文本矫正为规则的矩形后再进行识别；二是采用RARE等基于Attention的方法增强了对序列之间各部分相关性的关注；三是基于分割的方法将文本行的各字符作为独立个体，相比与对整个文本行做矫正后识别，分割出的单个字符更加容易识别。

       1.2 文本识别检测

       文本识别检测前需要对检测的图片预处理，及关键点定位。一般采用了四点定位，利用YOLOv5识别模型进行检测需要识别的区域。Yolov5识别模型是一种高效、准确的目标检测算法，它在模型结构和训练策略上进行了改进并取得了很好的性能，它已经成为目标检测领域的研究热点，并得到了广泛的应用和推广。Yolov5识别模型核心基础内容主要由输入端、Backbone、Neck、Prediction四部分组成。

       YOLOv5是一种轻量级目标检测模型，适用于移动端部署，具备较小的模型尺寸和快速的推理速度。在YOLOv5官方代码中该模型系列包括YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x四个版本，它们的结构基本相同，区别在于深度和宽度参数的调整。其中YOLOv5s是深度和特征图宽度最小的模型，而其他三种模型则在此基础上逐渐增加深度和宽度。

       由于识别检测多数采用手持移动端设备进行，为了在移动端应用中提供更小的模型参数量和更高的精度，在YOLOv5识别模型引入了YOLOv5n6、YOLOv5s6、YOLOv5I6和YOLOv5x6四种改进版本。这些版本在保持原有模型性能的基础上，进一步减少了参数，提高了模型的精度和速度，不同版本的YOLOv5改进版在COCO数据集上和GPU平台上的模型精度和速度实验结果曲线如图3所示。通过优化和改进，YOLOv5模型在目标检测任务中表现出较高的性能和效率，适用于移动端和嵌入式设备等资源受限环境，为实时目标检测提供了可靠的解决方案。

       1.3 识别算法

       CRNN算法（卷积递归神经网络）是一种深度学习方法，专门设计用于解决钢印文字识别的挑战。它充分利用了卷积神经网络（CNN）和循环神经网络（RNN）的优势，旨在直接从图像中学习并识别不定长度的文本序列，而无需事先对单个字符进行切割，从而实现了端到端的文字识别，其推理流程见图4。

       卷积循环神经网络结构CRNN的整体结构包含三个核心组成部分：

       卷积层（CNN）：这一部分负责对输入的钢印图像进行特征提取。通过卷积操作和池化操作，卷积层将图像转换为高度抽象的特征序列，以便捕捉文字在不同尺度和方向上的特征信息。

       循环层（RNN）：在卷积层的输出基础上，CRNN采用了双向循环神经网络（BLSTM）来对特征序列进行建模和识别。BLSTM能够有效地处理序列数据，并结合了上下文信息进行推断，从而提高了对钢印文字的识别准确性。

       连接层（CTC Loss）：CRNN利用连接时间分类（CTC）损失函数，将RNN输出的标签分布与真实标签序列进行对齐，从而实现文字的识别和训练。CTC损失函数能够有效处理不定长序列的标注数据，使得模型能够直接从图像到文本的映射，避免了对标签和预测结果进行对齐操作的繁琐过程。

       CRNN卷积循环神经网络结构算法在文字识别领域取得了显著的成功，尤其在文本识别场景方面具有广泛应用。它能够处理不同字体、大小、角度和背景的文字，并且具有一定的语言通用性。作为一种融合了CNN和RNN的深度学习架构，CRNN能够有效处理序列数据和空间信息，为处理结构性数据提供了一种高效的解决方案。

2、AI识别技术在铁塔制造过程中实践应用

       2.1 AI技术在钢印识别中的应用

       输电线路铁塔是由角钢、钢板、焊接件、螺栓等零部件组成，制造过程中每个零件号都需要压制钢印号便于区分。压制钢印号时通常由工人操作设备将字符打印在铁塔零部件上，再由下道工序的工人进行识别和处理。这种方式存在效率低下、易出错、难以追溯等问题。通过AI技术实现对钢印的自动识别和处理，能够有效解决这一难题。通过充分利用AI技术在文字图像识别方面的显著优势，采用图像识别、算法处理等技术手段，对铁塔零部件钢印号进行智能识别，便于零部件加工过程转序和分类打捆包装，并简化流程，减少对人工的依赖，提高工作效率及数据准确性。

       作为AI技术在输电线路铁塔生产制造中的一个重要应用，AI技术识别钢印的实现过程可以分为以下几个步骤：首先通过移动端或高清摄像头等设备获取铁塔上的钢印图像；其次对钢印图像进行预处理，减少由于钢材表面杂质、锈蚀等影响钢印质量的因素，包括去噪、增强、二值化等操作，提取出钢印图像的关键特征；第三根据识别钢印的形状、大小、文字等信息，利用(CRNN)图像识别算法（即将CNN于RNN网络结合）共同训练；第四通过模板匹配对提取到的特征进行识别，并结合信息化系统中该零件号信息判断钢印的真伪和相关零部件信息。钢印识别示例见图5。

       获取钢印数据后将这些信息自动传输到信息化系统中，也为利用钢印号打包发货提供了基础数据支撑，真正实现生产过程的实物信息和信息化数据一致性。通过钢印号识别，不仅提高了生产效率，还可以减少人为因素导致的误判和遗漏钢印等问题。

       2.2 AI技术在检测数据识别中应用

       国家电网公司电工装备智慧物联平台（EIP）要求铁塔供应商原材料检验数据通过直接采集的方式获取，并推送至EIP平台。由于部分检测设备不具备数据接口，只能依靠人工手工记录试验数据，手工录入信息化系统中存储，无法实现数据接口直接对接采集。AI图像识别技术提供了很好的路径方法，通过与检测设备联机，铁塔原材料检验试验后，在电脑检测窗口抓取屏幕，利用AI识别技术对图表数据进行自动分析和处理（见图6），采用Seq2Seq算法，提取出其中的关键信息，以HTML格式输出，推送数据至信息化系统，将其存储到数据库中，供后续的生产和管理使用，实现端到端数据交互对接。

       通过AI识别试验检测数值，分析处理后与ERP系统自动交互对接，实现数据自动采集，无需人工干预，自动汇总，为后续生产产品质量追溯提供有效数据支撑。该技术的应用提高了原材料试验数据的繁杂录入工作效率，减少人为因素导致的试验数据误判和填错等问题，提高产品质量和试验效率。

3、总结及展望

       AI技术在输电铁塔制造中的应用已经取得了显著的成效，通过钢印号识别的应用提高了生产效率约10%，提升了产品包装质量。通过铁塔原材料检测数据的识别应用，实现了原材料试验数据质量可追溯，减少因原材料不良品的损失从而降低生产成本。目前AI技术在输电铁塔制造中的应用还处于初级阶段，还有很多领域和方面有待进一步探索和应用。

       未来，随着AI技术的不断发展和进步，AI将与云计算、大数据等技术相结合，在输电铁塔制造中将会形成更加智能化、高效化的生产管理模式，其应用也将更加广泛和深入。一方面可以利用更先进的3D图像算法识别技术，实现对铁塔图纸放样过程中的自动化和智能化，更高效更准确的完成图纸放样任务，从而实现对生产数据的更快速、更准确的处理和分析；还可以利用AI技术，实现对铁塔制造过程的更精细、更全面的监控和管理，进一步提高生产效率和产品质量。另一方面通过对AI技术对大量生产数据进行分析和挖掘，为企业提供更加精准的决策支持和市场分析，帮助企业更好地应对市场变化和竞争挑战。未来AI技术在输电铁塔制造中的应用前景会更加广阔，将成为推动该行业发展的重要力量。需要通过不断探索和创新，充分发挥AI技术的优势和作用，为输电铁塔制造的智能化和高效化做出更大的贡献。