一种数字水表的数据识别方法技术

本发明专利技术提供了一种数字水表的数据识别方法，包括以下步骤：对摄像机拍摄的原始灰度图进行预处理得到中间灰度图作为第一训练样本，收集n张中间灰度图组成第一训练集；构建分割神经网络，将第一训练样本输入分割神经网络进行训练，根据Loss反向传播，更新分割神经网络的权值，得到训练好的分割神经网络；这种数字水表的数据识别方法先将多位数区域从原始灰度图中检测并且切割出来，然后对多位数区域的数字一个个去识别再重组得到多位数，替代人工上门抄表方便快捷，而且识别准确。

【技术实现步骤摘要】
一种数字水表的数据识别方法
本专利技术涉及利用计算机程序识别图片的方法，尤其涉及一种数字水表的数据识别方法。
技术介绍
目前为止，自来水厂仍然需要派人挨家挨户查看水表才能够统计出每家的用水量，如果遇到家中没人，工作人员要改天再来，非常不便。
技术实现思路
本专利技术要解决的技术问题是：为了解决人工上门抄水表的方式比较落后，统计不便的问题，本专利技术提供了一种数字水表的数据识别方法来解决上述问题。本专利技术解决其技术问题所采用的技术方案是：一种数字水表的数据识别方法，包括以下步骤：S1、对摄像机拍摄的原始灰度图进行预处理得到中间灰度图作为第一训练样本，收集n张中间灰度图组成第一训练集；S2、标记所述中间灰度图中的实际多位数区域的四个顶点坐标分别为(xi1，yi1)、(xi2，yi2)、(xi3，yi3)和(xi4，yi4)，其中i＝1，2，3...n；S3、构建分割神经网络，所述分割神经网络的激活函数为LeakyReLU，损失函数为：Loss＝Loss1+Loss2，Loss1＝(fi1-fi2)2，Loss2＝∑aPa/(∑bPb+∑cPc)，fi2＝(xi1，yi1，xi2，yi2，xi3，yi3，xi4，yi4)，所述fi1为分割神经网络的预测向量，所述fi2为真实向量；和为预测多位数区域的四个顶点的坐标；Pb为实际多位数区域内并且在预测多位数区域外的点对应的值；Pc为实际多位数区域外并且在预测多位数区域内的点对应的值；Pa为实际多位数区域内并且在预测多位数区域内的点对应的值；S4、将第一训练样本输入分割神经网络进行训练，根据Loss反向传播，更新分割神经网络的权值，得到训练好的分割神经网络；S5、将中间灰度图中的实际多位数区域切割出来并且通过透视变换成实际矩形图，将实际矩形图中每个数字切割出来的数字灰度图作为第二训练样本，收集m个第二训练样本组成第二训练集；S6、构建识别神经网络，所述识别神经网络为卷积神经网络，激活函数为ReLU，损失函数为交叉熵Loss’；S7、将所述第二训练样本输入识别神经网络进行训练，根据Loss’反向传播，更新识别神经网络的权值，得到训练好的识别神经网络。作为优选，还包括步骤：S8、将待识别的原始灰度图进行预处理得到中间灰度图，将中间灰度图输入分割神经网络中，输出得到预测多位数区域的四个顶点的坐标为和将预测多位数区域从中间灰度图中切割出来，接着通过透视变换成矩形图，将矩形图中每个数字切割出来得到数字灰度图并依次输入识别神经网络中，得到每个数字的预测值并重新组合为多位数。作为优选，所述步骤S4包括以下步骤：S401、中间灰度图通过64个3*3*1的卷积核进行卷积，步数为1，再利用64个3*3*64的卷积核进行两次卷积得到中间特征图；S402、对中间特征图进行批量标准化处理后通过所述LeakyReLU对其进行非线性映射；S403、中间特征图经过2*2的最大池化，步数为2；S404、中间特征图通过128个3*3*64的卷积核进行卷积，步数为1，再利用128个3*3*128的卷积核进行两次卷积，重复步骤S402～S403；S405、中间特征图通过256个3*3*128的卷积核进行卷积，步数为1，再利用256个3*3*256的卷积核进行两次卷积，重复步骤S402～S403；S406、中间特征图通过512个3*3*256的卷积核进行卷积，步数为1，再利用512个3*3*512的卷积核进行两次卷积，重复步骤S402～S403；S407、中间特征图通过512个3*3*512的卷积核进行三次卷积，步数为1，重复步骤S402～S403；S408、将中间特征图转换为4048维的特征向量V1；S409、对特征向量V1进行dropout处理；S410、将特征向量V1转换成1000维的特征向量V2；S411、对特征向量V2进行dropout处理；S412、利用Softmax函数处理特征向量V2，得到fi1；S413、计算并根据Loss反向传播，更新分割神经网络的权值，得到训练好的分割神经网络。作为优选，所述识别神经网络包括第二输入层、第二卷积层、第二池化层、第三卷积层、第三池化层、第三全连接层、第四全连接层和第二输出层；所述步骤S7包括以下步骤：S701、在第二卷积层中，维度为56*56*1的数字灰度图通过32个5*5*1的卷积核进行卷积，步数为1，补零之后得到56*56*32的三维特征图，然后函数ReLU对此三维特征图进行非线性映射；S702、在第二池化层中，56*56*32的三维特征图经过2*2的最大池化，步数为2，得到28*28*32的三维特征图；S703、在第三卷积层中，维度为28*28*32的三维特征图通过64个5*5*32的卷积核进行卷积，步数为1，补零之后得到28*28*64的三维特征图，然后函数ReLU对此三维特征图进行非线性映射；S704、在第三池化层中，28*28*64的三维特征图经过2*2的最大池化，步数为2，得到14*14*64的三维特征图；S705、在第三全连接层中，将14*14*64的三维特征图转换为1024维的特征向量V3；S706、在第四全连接层中，将1024维的特征向量V3转换为10维的特征向量V4；S707、在第二输出层，利用Softmax函数归一化所述特征向量V4，得到特征向量S；S708、将特征向量S作为预测值与真实值Y输入交叉熵中计算Loss’，根据Loss’反向传播，更新识别神经网络的权值，得到训练好的识别神经网络。本专利技术的有益效果是，这种数字水表的数据识别方法先将多位数区域从原始灰度图中检测并且切割出来，然后对多位数区域的数字一个个去识别再重组得到多位数，替代人工上门抄表方便快捷，而且识别准确。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是一种数字水表的数据识别方法的实施例的流程图。图2是一张原始灰度图。图3是一张包含数字的矩形图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。此外，在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。流程图中或在此以其他方式描述的任何过程或本文档来自技高网...

【技术保护点】
1.一种数字水表的数据识别方法，其特征在于，包括以下步骤：S1、对摄像机拍摄的原始灰度图进行预处理得到中间灰度图作为第一训练样本，收集n张中间灰度图组成第一训练集；S2、标记所述中间灰度图中的实际多位数区域的四个顶点坐标分别为(xi1，yi1)、(xi2，yi2)、(xi3，yi3)和(xi4，yi4)，其中i＝1，2，3...n；S3、构建分割神经网络，所述分割神经网络的激活函数为Leaky ReLU，损失函数为：Loss＝Loss1+Loss2，Loss1＝(fi1‑fi2)2，Loss2＝∑aPa/(∑bPb+∑cPc)，

【技术特征摘要】
1.一种数字水表的数据识别方法，其特征在于，包括以下步骤：S1、对摄像机拍摄的原始灰度图进行预处理得到中间灰度图作为第一训练样本，收集n张中间灰度图组成第一训练集；S2、标记所述中间灰度图中的实际多位数区域的四个顶点坐标分别为(xi1，yi1)、(xi2，yi2)、(xi3，yi3)和(xi4，yi4)，其中i＝1，2，3...n；S3、构建分割神经网络，所述分割神经网络的激活函数为LeakyReLU，损失函数为：Loss＝Loss1+Loss2，Loss1＝(fi1-fi2)2，Loss2＝∑aPa/(∑bPb+∑cPc)，fi2＝(xi1，yi1，xi2，yi2，xi3，yi3，xi4，yi4)，所述fi1为分割神经网络的预测向量，所述fi2为真实向量；和为预测多位数区域的四个顶点的坐标；Pb为实际多位数区域内并且在预测多位数区域外的点对应的值；Pc为实际多位数区域外并且在预测多位数区域内的点对应的值；Pa为实际多位数区域内并且在预测多位数区域内的点对应的值；S4、将第一训练样本输入分割神经网络进行训练，根据Loss反向传播，更新分割神经网络的权值，得到训练好的分割神经网络；S5、将中间灰度图中的实际多位数区域切割出来并且通过透视变换成实际矩形图，将实际矩形图中每个数字切割出来的数字灰度图作为第二训练样本，收集m个第二训练样本组成第二训练集；S6、构建识别神经网络，所述识别神经网络为卷积神经网络，激活函数为ReLU，损失函数为交叉熵Loss′；S7、将所述第二训练样本输入识别神经网络进行训练，根据Loss′反向传播，更新识别神经网络的权值，得到训练好的识别神经网络。2.如权利要求1所述的一种数字水表的数据识别方法，其特征在于，还包括步骤：S8、将待识别的原始灰度图进行预处理得到中间灰度图，将中间灰度图输入分割神经网络中，输出得到预测多位数区域的四个顶点的坐标为和将预测多位数区域从中间灰度图中切割出来，接着通过透视变换成矩形图，将矩形图中每个数字切割出来得到数字灰度图并依次输入识别神经网络中，得到每个数字的预测值并重新组合为多位数。3.如权利要求2所述的一种数字水表的数据识别方法，其特征在于：所述步骤s4包括以下步骤：S401、中间灰度图通过64个3*3*1的卷积核进行卷积，步数为1，再利用64个3*3*64的卷积核进行两次卷积得到中间特征图；S402、对中间特征图进行批量标准化处理后通过所述LeakyReLU对其进行非线性映射；S403、中间特征图经过2*2的最大池化，步数为2；S404、中间特征...

【专利技术属性】
技术研发人员：覃鹏志，包勇，文耀锋，
申请(专利权)人：浙江大学常州工业技术研究院，
类型：发明
国别省市：江苏,32