一种基于卷积神经网络的数显仪表读数识别方法技术

本发明专利技术公开了模式识别与人工智能技术领域中的一种基于卷积神经网络的数显仪表读数识别方法，包括数据获取、数据处理、深度网络模型构建及训练、仪表读数识别等步骤。本发明专利技术通过基于大数据仪表图像的学习训练过程，实现一种高精度的数显仪表读数自动识别方法，具有识别准确率高、实时性强等特点，具有较好的实用价值。

【技术实现步骤摘要】
一种基于卷积神经网络的数显仪表读数识别方法
本专利技术涉及模式识别与人工智能
，具体的说，是涉及一种基于卷积神经网络的数显仪表读数识别方法。
技术介绍
仪表读数的自动识别在各种测量和监测系统中具有广泛的应用。例如水电气热的抄表计费应用中，需要定期读取仪表读数。在监测系统中，也需要定期或实时地读取仪表读数，以实现对系统的监测与控制。目前，仪表读数的获取主要有以下几种方式：（1）在一些应用领域，仪表读数还主要采用人工读取的方式，例如水电气热数据的人工抄表。这种方式费时费力，也不利于系统的自动化。（2）仪表读数的自动获取可以通过对测量仪表数字化改造，以直接获取数字化读数。然而，这种方式需要较大的成本投入。例如对现有水表进行数字化改造，需要拆卸管道并更换数字化水表，投入较大，也给用户带来不便。另外，在一些领域，机械表具有数字化表难以替代的优势。例如机械水表具有成本低，测量准确，无需电源等优势。（3）基于计算机视觉的读数自动识别，通过摄像头拍摄仪表图像，利用计算机视觉技术自动识别仪表读数。该方法具有即装即用，无需改造原有测量仪表，成本低廉等特点。目前，基于计算机视觉的数显仪表读数自动识别本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的数显仪表读数识别方法，其特征在于，包括以下步骤：S1：数据获取：采用摄像设备拍摄包含读数区域的仪表图像；S2：数据处理：通过人工标注方式，对仪表读数值进行标注；S3：深度网络模型构建及训练：将仪表图像和相应标注数据输入到深度网络模型进行训练；S4：仪表读数识别：输入仪表图像，深度网络模型给出相应的仪表读数识别结果和识别置信度。

【技术特征摘要】
1.一种基于卷积神经网络的数显仪表读数识别方法，其特征在于，包括以下步骤：S1：数据获取：采用摄像设备拍摄包含读数区域的仪表图像；S2：数据处理：通过人工标注方式，对仪表读数值进行标注；S3：深度网络模型构建及训练：将仪表图像和相应标注数据输入到深度网络模型进行训练；S4：仪表读数识别：输入仪表图像，深度网络模型给出相应的仪表读数识别结果和识别置信度。2.根据权利要求1所述的基于卷积神经网络的数显仪表读数识别方法，其特征在于，在所述步骤S1中，拍摄的仪表图像时，仪表表盘读数部分正对镜头，居中且占据图像面积的三分之二以上。3.根据权利要求1所述的基于卷积神经网络的数显仪表读数识别方法，其特征在于，在所述步骤S2中，标注内容为仪表读数，读数的每个数字之间使用“，”隔开。4.根据权利要求1所述的基于卷积神经网络的数显仪表读数识别方法，其特征在于，在所述步骤S3中，具体包括步骤：S31：构建深度神经网络模型；S32：网络模型训练参数设定；S33：对模型参数进行随机初始化，然后进行深度神经网络模型的训练，得到识别模型。5.根据权利要求4所述的基于卷积神经网络的数显仪表读数识别方法，其特征在于，在所述步骤S31中，深度神经网络模型包括特征提取模块、上下文信息融合模块和分类模块：其中，所述特征提取模块从仪表读数图像中...

【专利技术属性】
技术研发人员：金连文，高学，孙增辉，罗灿杰，
申请(专利权)人：深圳市云识科技有限公司，华南理工大学，
类型：发明
国别省市：广东,44