一种基于YOLO的水表自动检测方法技术

本发明专利技术提供一种基于YOLO框架的水表自动检测方法，具体包括如下步骤：（1）数据获取：用手机拍摄尽量多水表读数照片，涵盖多种水表（2）数据处理：对照片进行裁剪，处理后大小为480*200（3）label制作：因为采用有监督的方法来检测水表，所以通过人工用软件手动标定水表读数边框（4）训练网络：把准备好的训练数据及label输入到YOLO网络中训练（5）测试网络：输入测试数据到已训练网络中，最后得到水表检测结果和概率。本发明专利技术利用YOLO实现了水表的自动检测，能快速地将水表读数区域检测出，检测时间为0.08秒，检测准确率达99.5%，具有极高的实用性和应用价值。

【技术实现步骤摘要】
一种基于YOLO的水表自动检测方法
本专利技术属于模式识别与人工智能
，特别涉及一种与深度神经网络相关的自动检测方法。
技术介绍
随着计算机技术的飞速发展，人工智能技术正在逐渐改变我们的生活，使我们的生活变得更加便利和高效。而近期GPU等硬件技术的快速发展，也使深度神经网络的实际应用成为可能。在实际生活中，我们离不开自来水，无论是在农村或是城市，自来水都已经大大普及。而自来水在结算过程中，每个月都需要专门的人员前往每户人家，抄取水表读数，这是一个费时费力的工作。居民房屋数量众多，覆盖范围广，甚至偏僻，而人工读取水表读数容易出错，种种因素使得水表人工读取变得无比繁琐，寻取一种自动而高效的水表读取方法已经势在必行。深度神经网络的研究进展恰恰为我们提供了工具，最近，研究人员提出多种利用深度神经网络进行自动检测的方法，其中，YOLO(YouOnlyLookOnce)是一个基于GoogleNet的物体检测深度网络，以其高帧速和回调率正被运用于许多实时检测系统中，我们也基于YOLO实现了水表读数的自动检测，为以后简化自来水结算过程奠定基础。
技术实现思路
本专利技术为了实现水表读数的自动检测，提供一种基于YOLO的水表自动检测方法，该方案具有实时性强，准确率高的特点，具有很高的使用价值。本专利技术的目的采用如下技术方案之一实现。一种基于YOLO的水表自动检测方法，其包括以下步骤：(1)数据获取：拍摄适量多张水表读书照片，涵盖给定的不同种水表；(2)数据处理：对照片进行裁剪，处理成设定大小；(3)label制作：由于采用有监督的方法来检测水表，所以通过人工用软件手动标定水表读数边框；(4)训练网络：把准备好的训练数据及label输入到YOLO网络中训练；(5)测试网络：输入待测试数据到已训练网络中，最后得到水表检测结果和概率。优选地，所述步骤(2)对图片进行裁剪，使图片大小最终为480*200。在保证水表读数框完整保留的前提下，可以任意裁剪图片的区域。优选地，所述步骤(3)包括以下步骤：(3-1)使用标注软件，人工标定水表读数框。(3-2)将边框的坐标以及宽高存于txt文件中，同时将水表的读数也记录于文件中。(3-3)将照片随机划分为训练集(约45000张)和测试集(约5000张)。优选地，所述边框坐标为矩形框四个顶点坐标，将左上顶点坐标记录于第一个位置，其次按照顺时针将其余坐标记录在文本中，最后记录水表读数，各个坐标值和读数值之间用逗号分隔开。(4-2)训练参数设定：迭代次数iters＝80000，学习率更新策略：step，更新步长:200,400,600,20000,30000，初始学习率：0.001，scales：2.5,2,2,0.1,0.1,batch＝64,decay:0.0005；(4-3)在YOLO中，将原图平均划分成side2个即7*7个矩形，在每个矩形中产生num个边框，以供回归。每个矩形产生2个概率，对应text类和background类的概率，每个边框对应输出4个坐标和目标置信度，所以最终detection层的输出张量大小为size*size*(num*5+2)。(4-4)采用leaky活化函数；(4-5)权值初始化：共享卷积层的权值使用Imagenet分类任务训练模型进行初始化，其余新的层采用零均值高斯分布进行初始化。(4-6)对边框的坐标进行参数化。(4-7)训练卷积神经网络：训练的时候，设置边框loss大于置信度的loss。利用卷积神经网络提取特征，把特征输入全连接层后预测输出。在YOLO中，7*7中的每个矩形预测num个输出，最后我们根据最大的置信度保留一个，然后对他进行回归。优选地，所述步骤(5)包含以下步骤：(5-1)把测试集中的图片以及标签输入到已训练好的网路中，进行检测。(5-2)检测完成后，程序计算平均精度、回调率。(5-3)随机显示20张照片的检测效果，每张照片的水表读数被自动框出，并带有判断概率。与传统的人工读取方法相比，本专利技术具有以下优点和有益效果：(1)由于采用深度网络结构的自动学习检测算法，所以能够很好的从数据中学习到有效的表达，提高检测的准确率。(2)本专利技术采用端到端的设计，与传统人工读取相比，读取速度快，准确率更高，同时避免人工读取时的有意干扰或故意出错。(3)本专利技术分类方法检测准确率高、鲁棒性强、效率高、速度快。附图说明图1为本专利技术分类方法的流程图；图2为本专利技术的数据采集和处理流程图；图3为本专利技术的深度卷积神经网络结构图；图4为本专利技术的水表检测流程图；图5为本专利技术检测结果示例。具体实施方式下面结合实施例和附图对本专利技术做进一步的说明，但本专利技术的实施方式和保护不限于此，需指出的是，以下若有未特别详细说明之过程或符号，均是本领域技术人员可通过现有技术理解或实现的，特别是关于YOLO中的一些参数和符号，在此不再赘述。本实例基于YOLO的水表自动检测方案，流程框图如附图1所示，包括下列步骤：(1)数据获取：用手机拍摄50000多张水表读书照片，涵盖多种水表。(2)数据处理：对图片进行裁剪，使图片大小最终为480*200。在保证水表读数框完整保留的前提下，可以任意裁剪图片的区域。如图5所示。(3)Label制作，包括如下三个步骤：(3-1)使用标注软件，人工标定水表读数框。(3-2)将边框的坐标以及宽高存于txt文件中，同时将水表的读数也记录于文件中。(3-3)将照片随机划分为训练集(约45000张)和测试集(约5000张)。所述边框坐标为矩形框四个顶点坐标，将左上顶点坐标记录于第一个位置，其次按照顺时针将其余坐标记录在文本中，最后记录水表读数，各个坐标值和读数值之间用逗号分隔开。(4)训练网络，包含以下步骤：(4-1)构建卷积神经网络(其中各个层的名称不一一列出，可参照现有技术)：Input(480x200)->crop(200*200)->conv1(3*3,pad＝1)->activation(leaky)->pool1(2*2,s＝2)->conv2(3*3,pad＝1)->activation(leaky)->pool2(2*2,s＝2)->conv3(3*3,pad＝1)->activation(leaky)->pool3(2*2,s＝2)->conv4(3*3,pad＝1)->activation(leaky)->pool4(2*2,s＝2)->conv5(3*3,pad＝1)->activation(leaky)->pool5(2*2,s＝2)->conv6(3*3,pad＝1)->activation(leaky)->conv7(3*3,pad＝1)->activation(leaky)->full_connect(128)->activation(linear)->full_connect(512)->activat本文档来自技高网...

【技术保护点】
1.一种基于YOLO的水表自动检测方法，其特征在于，包括以下步骤：(1)数据获取：拍摄适量多张水表读书照片，涵盖给定的不同种水表；(2)数据处理：对照片进行裁剪，处理成设定大小；(3)label制作：通过人工用软件手动标定水表读数边框；(4)训练网络：把准备好的训练数据及label输入到YOLO网络中训练；(5)测试网络：输入待测试数据到已训练网络中，最后得到水表检测结果和概率。

【技术特征摘要】
1.一种基于YOLO的水表自动检测方法，其特征在于，包括以下步骤：(1)数据获取：拍摄适量多张水表读书照片，涵盖给定的不同种水表；(2)数据处理：对照片进行裁剪，处理成设定大小；(3)label制作：通过人工用软件手动标定水表读数边框；(4)训练网络：把准备好的训练数据及label输入到YOLO网络中训练；(5)测试网络：输入待测试数据到已训练网络中，最后得到水表检测结果和概率。2.根据权利要求1所述的基于YOLO的水表自动检测方法，其特征在于，所述步骤(1)使用手机拍摄水表盘，使水表读数框尽量保持水平；所拍摄的水表应涵盖多种已知水表。3.根据权利要求1所述的基于YOLO的水表自动检测方法，其特征在于，所述步骤(1)拍摄水表读书照片的张数为50000张。4.根据权利要求1所述的基于YOLO的水表自动检测方法，其特征在于，所述步骤(2)对拍得的照片进行裁剪，裁剪后的图片大小为480*200，并使得水表读数得到完整保留。5.根据权利要求1所述的基于YOLO的水表自动检测方法，其特征在于，所述步骤(3)包括以下步骤：(3-1)使用标注软件，人工标定水表读数框；(3-2)将边框的坐标以及宽高存于txt文件中，同时将水表的读数也记录于文件中；(3-3)将照片随机划分为训练集(约45000张)和测试集(约5000张)。6.根据权利要求1所述的基于YOLO的水表自动检测方案，其特征在于，所述步骤(4)包括以下步骤：(4-1)构建YOLO卷积神经网络；(4-2)YOLO网络训练参数设定；(4-3)在YOLO网络中，将原...

【专利技术属性】
技术研发人员：金连文，谢乐乐，刘禹良，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44