[發明專利]一種基于卷積神經網絡的數顯儀表讀數識別方法

在審

• 申請號: 201810607174.2
• 申請日: 2018-06-13
• 公開（公告）號: CN108830271A
• 公開（公告）日: 2018-11-16
• 發明（設計）人: 金連文;高學;孫增輝;羅燦杰
• 申請（專利權）人: 深圳市云識科技有限公司;華南理工大學
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市遠航專利商標事務所(普通合伙) 44276
• 代理人: 田志遠;張朝陽

本發明公開了模式識別與人工智能技術領域中的一種基于卷積神經網絡的數顯儀表讀數識別方法，包括數據獲取、數據處理、深度網絡模型構建及訓練、儀表讀數識別等步驟。本發明通過基于大數據儀表圖像的學習訓練過程，實現一種高精度的數顯儀表讀數自動識別方法，具有識別準確率高、實時性強等特點，具有較好的實用價值。

技術領域

本發明涉及模式識別與人工智能技術領域，具體的說，是涉及一種基于卷積神經網絡的數顯儀表讀數識別方法。

背景技術

儀表讀數的自動識別在各種測量和監測系統中具有廣泛的應用。例如水電氣熱的抄表計費應用中，需要定期讀取儀表讀數。在監測系統中，也需要定期或實時地讀取儀表讀數，以實現對系統的監測與控制。目前，儀表讀數的獲取主要有以下幾種方式：

（1）在一些應用領域，儀表讀數還主要采用人工讀取的方式，例如水電氣熱數據的人工抄表。這種方式費時費力，也不利于系統的自動化。

（2）儀表讀數的自動獲取可以通過對測量儀表數字化改造，以直接獲取數字化讀數。然而，這種方式需要較大的成本投入。例如對現有水表進行數字化改造，需要拆卸管道并更換數字化水表，投入較大，也給用戶帶來不便。另外，在一些領域，機械表具有數字化表難以替代的優勢。例如機械水表具有成本低，測量準確，無需電源等優勢。

（3）基于計算機視覺的讀數自動識別，通過攝像頭拍攝儀表圖像，利用計算機視覺技術自動識別儀表讀數。該方法具有即裝即用，無需改造原有測量儀表，成本低廉等特點。

目前，基于計算機視覺的數顯儀表讀數自動識別方法，主要采用單字識別的方法，即將讀數圖像分割為單個的數字，然后對每個數字利用傳統分類器（如支持向量機等）進行識別。該方法的不足是，字符分割過程中容易受到圖像噪聲的干擾，產生誤分割，識別準確率也不高。

上述缺陷，值得解決。

發明內容

為了克服現有的技術的不足，本發明提供一種基于卷積神經網絡的數顯儀表讀數識別方法。本發明技術方案如下所述：

一種基于卷積神經網絡的數顯儀表讀數識別方法，其特征在于，包括以下步驟：

S1：數據獲取：采用攝像設備拍攝包含讀數區域的儀表圖像；

S2：數據處理：通過人工標注方式，對儀表讀數值進行標注；

S3：深度網絡模型構建及訓練：將儀表圖像和相應標注數據輸入到深度網絡模型進行訓練，訓練過程中采用殘差回傳算法進行參數學習；

S4：儀表讀數識別：輸入儀表圖像，深度網絡模型給出相應的儀表讀數識別結果和識別置信度。

根據上述方案的本發明，其特征在于，在所述步驟S1中，拍攝的儀表圖像時，儀表表盤讀數部分正對鏡頭，居中且占據圖像面積的三分之二以上。

根據上述方案的本發明，其特征在于，在所述步驟S2中，標注內容為儀表讀數，讀數的每個數字之間使用“，”隔開。

進一步的，對于正在進位的讀數位，標注格式為X.5。

根據上述方案的本發明，其特征在于，在所述步驟S3中，具體包括步驟：

S31：構建深度神經網絡模型；

S32：網絡模型訓練參數設定；

S33：對模型參數進行隨機初始化，然后進行深度神經網絡模型的訓練，得到識別模型。