[發(fā)明專利]一種基于YOLOV3網(wǎng)絡的電表示數(shù)識別方法

在審

• 申請?zhí)枺?/td>: 202010417060.9
• 申請日: 2020-05-18
• 公開（公告）號: CN111461121A
• 公開（公告）日: 2020-07-28
• 發(fā)明（設計）人: 徐然;孔陳祥;戚群朗
• 申請（專利權）人: 江蘇電力信息技術有限公司;國網(wǎng)江蘇省電力有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京匯盛專利商標事務所(普通合伙) 32238
• 代理人: 陳揚

本發(fā)明公開了一種基于YOLOV3網(wǎng)絡的電表示數(shù)識別方法，首先基于YOLOv3?tiny網(wǎng)絡構建示數(shù)區(qū)域定位模型，對示數(shù)目標定位；然后裁剪示數(shù)目標區(qū)域；最后基于YOLOv3網(wǎng)絡構建示數(shù)文字識別模型，進行示數(shù)文字識別，測試時，在NMS算法中添加規(guī)則:如果存在任意兩個預測框的IOU0.6,那么將保留置信度最高的預測框,將其余預測框全部刪除。本發(fā)明利用圖像處理技術及基于YOLOv3的人工智能深度學習網(wǎng)絡對智能電表圖像進行分析處理，定位關鍵目標區(qū)域并識別其中的電表讀數(shù)等信息。將人工智能、圖像處理和電力營銷領域相結合，降低了讀表工作的人工成本及人為誤差，提升了準確率。

技術領域

本發(fā)明涉及一種基于YOLOV3網(wǎng)絡的電表示數(shù)識別方法，實現(xiàn)了對在復雜背景下拍攝的電表圖片可以快速準確地識別電能表示數(shù)信息。

背景技術

傳統(tǒng)電能表的示數(shù)信息采集大都采用人工抄表, 但人工抄表工作繁瑣, 效率較低。隨著智能電網(wǎng)的不斷發(fā)展, 基于數(shù)字圖像處理方法的電能表自動抄表系統(tǒng)被廣泛應用。

電表示數(shù)識別常用的數(shù)字圖像處理方法分為兩類。一類是根據(jù)人工設計的特征進行定位和識別的方法, 如使用邊緣檢測方法定位示數(shù)目標區(qū)域, 然后根據(jù)數(shù)字的筆畫和形狀特征進行數(shù)字識別; 又比如使用圖像閾值處理方法定位示數(shù)目標區(qū)域, 然后根據(jù)投影法和數(shù)字的筆畫特征進行數(shù)字識別。另一類是基于深度學習自動提取特征的定位和識別方法, 如 等使用 YOLOv2-Tin、cptn或者ctc網(wǎng)絡定位示數(shù)目標區(qū)域, 利用CR-NET、CRNN等網(wǎng)絡進行數(shù)字及文字識別。基于人工設計的特征進行目標檢測存在檢測準確率低、訓練耗時長，對文字識別支撐度低等缺點, 而基于深度學習的目標檢測能夠自動提取特征, 有效提升檢測精度, 因此目前基于深度學習的目標檢測得到了廣泛應用。常見的深度學習網(wǎng)絡在面對復雜背景的電表圖像時需要收集大量訓練圖集完成檢測網(wǎng)絡的訓練，代價高，且算法處理耗時長。這些成為圖像識別技術在這一領域發(fā)展的瓶頸。

發(fā)明內容

為了解決上述問題，本發(fā)明的目的是提供一種基于YOLOV3網(wǎng)絡的電表示數(shù)識別方法，將人工智能、圖像處理和電力營銷領域相結合，降低了讀表工作的人工成本及人為誤差，提升了準確率。

本發(fā)明的目的通過以下技術方案實現(xiàn)：

一種基于YOLOV3網(wǎng)絡的電表示數(shù)識別方法，其特征在于：結合深度學習神經(jīng)網(wǎng)絡，分為圖像預處理，關鍵目標區(qū)域檢測及讀數(shù)識別三個過程，其中關鍵目標區(qū)域識別使用YOLOv3-Tiny目標檢測模型來實現(xiàn)，讀數(shù)識別使用YOLOv3目標檢測模型來實現(xiàn)；具體如下：

1) 首先基于YOLOv3-tiny網(wǎng)絡構建示數(shù)區(qū)域定位模型，對示數(shù)目標定位；

2）然后裁剪示數(shù)目標區(qū)域；

3）最后基于YOLOv3網(wǎng)絡構建示數(shù)文字識別模型，進行示數(shù)文字識別，測試時，在NMS算法中添加規(guī)則: 如果存在任意兩個預測框的 IOU0.6, 那么將保留置信度最高的預測框,將其余預測框全部刪除。

本發(fā)明在YOLOV3網(wǎng)絡提出后，使用YOLOV3作為示數(shù)目標區(qū)域檢測網(wǎng)絡完成電能表示數(shù)識別任務。基于 YOLOV3網(wǎng)絡的檢測方法將特征提取、目標定位、目標分類統(tǒng)一于一個卷積網(wǎng)絡中, 將物體檢測問題作為一個回歸問題來解決, 將測試圖像輸入完成訓練的網(wǎng)絡便能得到目標物體的位置和其所屬的類別及其相應的置信度。YOLOV3借鑒了殘差網(wǎng)絡結構，形成更深的網(wǎng)絡層次，以及多尺度檢測，提升了mAP及小物體檢測效果，檢測速度快、準確率較高，具備對復雜背景下的目標檢測能力，同時一定程度上降低了對訓練樣本集規(guī)模的依賴。