[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的電表數(shù)值識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811379040.6
• 申請(qǐng)日: 2018-11-19
• 公開(kāi)（公告）號(hào): CN109711253A
• 公開(kāi)（公告）日: 2019-05-03
• 發(fā)明（設(shè)計(jì)）人: 謝祿江;甘玉芳;王映康;詹然智;田博今;盧思宇;王文娟
• 申請(qǐng)（專利權(quán)）人: 國(guó)家電網(wǎng)有限公司;國(guó)網(wǎng)重慶市電力公司信息通信分公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/38;G06K9/40;G06K9/62;G06N3/04
• 代理公司: 北京海虹嘉誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司 11129
• 代理人: 呂小琴

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的電表數(shù)值識(shí)別方法，其特征在于，包括：

S1：采集電表數(shù)字碼盤的圖像信息，并對(duì)所述圖像信息進(jìn)行預(yù)處理；

S2：建立卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型提取經(jīng)預(yù)處理后的圖像信息的特征值，并對(duì)提取出的所述特征值進(jìn)行降維處理的到低緯度特征值；

S3：建立循環(huán)神經(jīng)網(wǎng)絡(luò)模型，通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述低緯度特征值預(yù)測(cè)表盤數(shù)據(jù)。

S4：將步驟S3中所預(yù)測(cè)出的表盤數(shù)據(jù)轉(zhuǎn)化為表盤刻度值。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的電表數(shù)值識(shí)別方法，其特征在于，步驟S2中所述的卷積神經(jīng)網(wǎng)絡(luò)模型包括一個(gè)卷積層和一個(gè)池化層；所述卷積層用于提取經(jīng)預(yù)處理后的圖像信息的特征值；所述池化層用于對(duì)卷積層提取的所述特征值進(jìn)行降維處理的到低緯度特征值。

3.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的電表數(shù)值識(shí)別方法，其特征在于，所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括多個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)單元，且每個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)單元參數(shù)共享。

4.根據(jù)權(quán)利要求4所述的基于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的電表數(shù)值識(shí)別方法，其特征在于，所述卷積層包括5個(gè)卷積核，每個(gè)卷積核大小為5×5；所述池化層為最大池化網(wǎng)絡(luò)，其池化窗口大小為3×3；所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括5個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)單元。

5.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的電表數(shù)值識(shí)別方法，其特征在于，所述步驟S4包括：

S41：通過(guò)平鋪層將步驟S3中預(yù)測(cè)得出的表盤數(shù)據(jù)轉(zhuǎn)換成一維數(shù)據(jù)；

S42：將S41中得到的所述一維數(shù)據(jù)輸入全連接層得到表盤刻度值。

6.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的電表數(shù)值識(shí)別方法，其特征在于，該方法還包括通過(guò)ADAM算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。

7.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)的電表數(shù)值識(shí)別方法，其特征在于，所述步驟S1中所述的電表數(shù)字碼盤的圖像信息通過(guò)可穿戴設(shè)備采集。