[發明專利]基于卷積神經網絡與循環神經網絡的電表數值識別方法

在審

• 申請號: 201811379040.6
• 申請日: 2018-11-19
• 公開（公告）號: CN109711253A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 謝祿江;甘玉芳;王映康;詹然智;田博今;盧思宇;王文娟
• 申請（專利權）人: 國家電網有限公司;國網重慶市電力公司信息通信分公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/38;G06K9/40;G06K9/62;G06N3/04
• 代理公司: 北京海虹嘉誠知識產權代理有限公司 11129
• 代理人: 呂小琴

本發明公開了一種基于卷積神經網絡與循環神經網絡的電表數值識別方法，包括以下步驟，S1：采集電表數字碼盤的圖像信息，并對所述圖像信息進行預處理；S2：建立卷積神經網絡模型，通過卷積神經網絡模型提取經預處理后的圖像信息的特征值，并對提取出的所述特征值進行降維處理的到低緯度特征值；S3：建立循環神經網絡模型，通過循環神經網絡模型根據所述低緯度特征值預測表盤數據；S4：將步驟S3中所預測出的表盤數據轉化為表盤刻度值。本申請通過對采集到智能電表的圖像信息進行預處理，然后通過多層神經網絡對預測處理后的圖像進行識別和預測，完成自動識表功能。

技術領域

本發明涉及一種基于卷積神經網絡與循環神經網絡的電表數值識別方法。

背景技術

指針式儀表作為一種測量儀器，廣泛應用于社會生產生活中的各種領域，并發揮著舉足輕重的作用。目前，對指針式儀表的讀數主要由人工判讀來完成，然而這種方法受人為因素的影響大，可靠性差、效率低。近年來，隨著數字圖像處理技術的不斷發展和完善，指針式儀表的識別也獲得了巨大的進步[1-2]。Robert Sablatning等人[3-4]基于機器視覺的圖像處理技術，研究了水表和百分表的識別方法。這類儀表的指針可以在表盤上旋轉0-360度，且刻度均勻分布。識別的過程主要包括：采用圖像分割算法對圖像上的表盤進行分割，利用Hough變換取得指針的偏轉角度，通過角度法來確定讀數。F.Correa Alegria等人[5-6]針對指針式儀表的自動判讀，利用機器視覺技術進行了研究，極大的擴充了自動識別系統的可適用范圍，能有效的對常見的電力表等進行識別。他們使用剪影法獲得指針圖像，并用Hough變換檢測出兩個指針間的夾角，完成讀數識別，另外還提出了對數字式儀表的自動識別方法。綜上所述，現階段指針和刻度線的定位方法主要有剪影法、Hough變換法,這些方法大都假設儀表成像環境較為理想，即表盤放置規整、攝像頭的光軸與表盤平面垂直、光照均勻。剪影法在光照充足時有較高的識別精度，但當環境較不理想時，識別精度很差；Hough方法在處理較粗的指針時，由于光照不均或其他因素的干擾，可能檢測到的直線與實際指針中心線存在一定的偏差，影響了算法的識別精度[7]。然而，實際測試工作的環境復雜，例如：有各種形式的表盤、照明光線不均勻、儀表表面的玻璃會產生反射、攝像頭的光軸與表盤平面不垂直以及表盤傾斜等，這些因素都會對儀表圖像的識別造成困難，大多數的識別方法將會產生較大的誤差，甚至失效。

發明內容

本發明的目的是提供一種基于卷積神經網絡與循環神經網絡的電表數值識別方法，以解決目前人工讀數效率低、容易出錯和已有的自動識表方法精度不足的問題。

為解決上述技術問題，本發明提供一種基于卷積神經網絡與循環神經網絡的電表數值識別方法，包括：

S1：采集電表數字碼盤的圖像信息，并對所述圖像信息進行預處理；

S2：建立卷積神經網絡模型，通過卷積神經網絡模型提取經預處理后的圖像信息的特征值，并對提取出的所述特征值進行降維處理的到低緯度特征值；

S3：建立循環神經網絡模型，通過循環神經網絡模型根據所述低緯度特征值預測表盤數據。

S4：將步驟S3中所預測出的表盤數據轉化為表盤刻度值。

進一步地，步驟S2中所述的卷積神經網絡模型包括一個卷積層和一個池化層；所述卷積層用于提取經預處理后的圖像信息的特征值；所述池化層用于對卷積層提取的所述特征值進行降維處理的到低緯度特征值。

進一步地，所述循環神經網絡模型包括多個循環神經網絡單元，且每個循環神經網絡單元參數共享。

進一步地，所述卷積層包括5個卷積核，每個卷積核大小為5×5；所述池化層為最大池化網絡，其池化窗口大小為3×3；所述循環神經網絡模型包括5個循環神經網絡單元。

進一步地，所述步驟S4包括：

S41：通過平鋪層將步驟S3中預測得出的表盤數據轉換成一維數據；