一种数显仪表读数的精确检测方法技术

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数显仪表读数的精确检测方法，包括（1）数据获取：采用摄像设备拍摄包含读数区域的仪表图像；（2）数据处理：对仪表读数值进行人工标注，并进行仪表图像的随机旋转、拉伸以及平移变换；（3）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；（4）仪表读数检测：输入仪表图像，系统返回规范的仪表读数图像。本发明专利技术克服现有仪表读数提取方法的不足，充分利用深度网络模型的参数学习能力，基于深度网络模型的对抗式学习能力和反传残差的物理意义，通过学习数据样本的分布，对数显仪表读数进行精确检测，具有实时性强、准确率高等特点，具有较好的实用价值。

An Accurate Detection Method of Digital Display Instrument Reading

The invention discloses an accurate detection method for reading of digital display instrument in the field of pattern recognition and artificial intelligence technology, which includes: (1) data acquisition: taking instrument images containing reading areas by camera equipment; (2) data processing: manual labeling of instrument reading values and random rotation of instrument images; Stretching and translation transformation; (3) Deep network model construction and training: input instrument image and corresponding labeled data into depth network model for training; (4) Instrument reading detection: input instrument image, return the standard instrument reading image. The invention overcomes the shortcomings of the existing instrument reading extraction method, makes full use of the parameter learning ability of the depth network model, the antagonistic learning ability based on the depth network model and the physical meaning of the back propagation residual, and accurately detects the reading of the display instrument through the distribution of the learning data samples, thus having strong real-time and accurate performance. It has high rate and good practical value.

【技术实现步骤摘要】
一种数显仪表读数的精确检测方法
本专利技术涉及模式识别与人工智能
，具体的说，是涉及一种数显仪表读数的精确检测方法。
技术介绍
仪表读数的提取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。仪表读数的提取目前主要有两种方式：一是采用人工读取的方式，例如人工抄表。这种方式费时费力，也不利于系统的自动化。二是采用对测量仪表进行数字化改造，可以直接输出数字化读数。这种方式往往需要较大的成本投入。例如对现有水表进行数字化改造，需要更换数字化水表，投入较大，也给使用带来不便。基于计算机视觉的仪表读数提取，通过摄像头拍摄仪表图像，利用计算机视觉技术自动提取仪表读数。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。但是目前基于计算机视觉的仪表读数提取方法，主要采用传统图像处理的方法，通过图像二值化、边缘检测、图像分割等分离模块，实现仪表读取区域的提取。该方法容易受到图像噪声的干扰，准确率不高；并且检测速度慢、实用性低。上述缺陷，值得解决。
技术实现思路
为了克服现有仪表读数提取方法的不足，充分利用深度网络模型的参数学习能力，基于深度网络模型的对抗式学习能力和反传残差的物理意义，通过学习数据样本的分布，提供一种数显仪表读数的精确检测方法，本专利技术具有实时性强、准确率高等特点，具有较好的实用价值。本专利技术技术方案如下所述：一种数显仪表读数的精确检测方法，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：对仪表读数值进行人工标注，并进行仪表图像的小角度随机旋转、以及小尺度的拉伸和平移变换；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，训练过程中采用识别模型做弱监督参数学习；S4：仪表读数检测：输入仪表图像，系统返回一张规范的仪表读数图像。根据上述方案的本专利技术，其特征在于，在所述步骤S1中，在拍摄的仪表图像中，仪表表盘读数部分占据图像面积的三分之二以上。根据上述方案的本专利技术，其特征在于，在所述步骤S2中，对拍摄的图像进行标注，标注内容为仪表读数，读数的每个数字之间使用“，”隔开。根据上述方案的本专利技术，其特征在于，所述步骤S3具体包括：S31：构建深度神经网络模型；S32：网络模型训练参数设定；S33：在随机初始化参数下进行深度神经网络的训练。进一步的，所述步骤S32中的深度神经网络模型包括参数预测模块和重采样模块：所述参数预测模块从仪表图像中提取读数的位置特征信息，通过卷积神经网络得到高级特征图，并由高级特征图预测得到反映图像旋转、缩放和平移特性的参数；所述重采样模块根据预测的参数对图像进行旋转、缩放和平移，重新采样后得到一张规范的仪表图像。进一步的，所述步骤S32中的网络模型训练参数包括迭代次数、优化器、学习率以及权重衰减系数。更进一步的，所述迭代次数为1000000，所述优化器采用ADADELTA方法，所述学习率为1.0，所述权重衰减系数为0.0005。进一步的，在所述步骤S33中，网络模型训练中采用残差回传算法，通过从最后一层计算传递残差，逐层传递，更新网络模型的所有参数。进一步的，在所述步骤S33中，训练过程采用弱监督训练策略，步骤如下：(1)利用采集的仪表图像和标注信息，训练一个通用的深度网络识别模型，当输入一张图像时，输出为图像中的字符序列，训练的损失函数为CTCloss函数；(2)将精确检测网络模型与通用深度网络识别模型对接在一起，精确检测网络模型的输出为通用深度网络识别模型的输入；(3)最后，继续使用上述仪表图像和标注信息进行训练，即将仪表图像输入到精确检测网络模型，根据通用深度网络识别模型的输出计算CTCloss，并进行梯度回传，进行精确检测网络模型的训练。根据上述方案的本专利技术，其特征在于，所述步骤S4具体操作步骤为：输入一张仪表图像，深度网络模型对图像进行精确检测，并返回一张规范的表盘图像。根据上述方案的本专利技术，其有益效果在于：(1)本专利技术从图像数据中自动学习目标位置分布，学习得到的参数更能适应真实场景的图像特点，预测成功概率更高。(2)网络训练中不需要严格的坐标标注，节省了大量的人力物力；通过弱监督方式，利用识别模型回传的具有物理意义的梯度信息，对参数预测模块进行有效指导，从而通过网络的自适应能力，找到一个最能降低识别难度的图像变换。实际应用中可以有效提高检测准确率，也有利于后续检测结果的准确识别。(3)采用残差反传算法，自动调整卷积核参数，从而得到更鲁棒的滤波器，能够适应图像模糊、透视变换、光线变化等应用场景。(4)相对人工方式，本专利技术可以自动完成读数区域的检测，可以节省人力物力。(5)相对传统基于计算机视觉的检测方法，本专利技术无需进行显式的图像二值化及分割过程等，具有检测精度高、检测速度快。将仪表读数图像规范化后，更能适应图像旋转等应用场景。附图说明图1为本专利技术的整体流程图。图2为本专利技术深度网络模型的结构框图。图3为本专利技术的仪表精确检测结果实例的示意图。具体实施方式下面结合附图以及实施方式对本专利技术进行进一步的描述：如图1所示，一种数显仪表读数的精确检测方法，包括数据获取、数据处理、深度网络模型构建及训练以及仪表读数检测等步骤。一、数据获取：采用摄像设备拍摄包含读数区域的仪表图像，涵盖不同规格的待检测仪表。采用手机、专用硬件等摄像设备拍摄仪表表盘图像。拍摄过程中，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，仪表表盘允许一定程度倾斜，但读数区域需要拍摄完整。所拍摄的仪表图像应涵盖不同规格的待检测仪表，仪表图像数量不少于100000张。二、数据处理：对拍摄的图像进行标注，标注内容为仪表读数，读数的每个数字之间使用“，”隔开；然后，对拍摄的仪表图像进行小角度随机旋转，以及小尺度的拉伸和平移变换。对于正在进位的读数位，标注格式为X.5，例如某读数位的值介于7和8之间，则需要标注为“7.5”。每位共有0-9即10个数字状态，加上进位状态，则每位共存在20类标注状态。标注内容无需包含任何坐标信息。三、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，训练过程中采用识别模型做弱监督参数学习。具体包含以下步骤：1、构建深度神经网络模型如图2所示，所构建的深度神经网络模型包括参数预测模块和重采样模块。参数预测模块从仪表图像中提取读数的位置特征信息，通过卷积神经网络得到高级特征图，并由高级特征图预测得到反映图像旋转、缩放和平移特性的6个参数；重采样模块根据预测的6个参数对图像进行旋转、缩放和平移，重新采样后得到一张规范的仪表图像。在此规范图像中，仪表读数区域位于图像中央，方向水平且读数区域占据图像超过90％的面积，可以用于仪表读数的自动识别、仪表图像数据的搜索及数据图像的存储等。参数预测模块的网络结构如下表所示：参数预测模块中：卷积层的贴边操作为，在原特征图上下左右四边各贴上一行/列像素点，像素值为0；非线性层采用ReLU激活函数；池化层采用最大池化方式。参数预测模块在结构上采用池化层优先的策略。如上表所示，在输入层之后即为池化层，池化层位于卷积层之前。这样可以有效地本文档来自技高网...

【技术保护点】
1.一种数显仪表读数的精确检测方法，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：对仪表读数值进行人工标注，并进行仪表图像的随机旋转、拉伸以及平移变换；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，训练过程中采用识别模型做弱监督参数学习；S4：仪表读数检测：输入仪表图像，系统返回一张规范的仪表读数图像。

【技术特征摘要】
1.一种数显仪表读数的精确检测方法，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：对仪表读数值进行人工标注，并进行仪表图像的随机旋转、拉伸以及平移变换；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，训练过程中采用识别模型做弱监督参数学习；S4：仪表读数检测：输入仪表图像，系统返回一张规范的仪表读数图像。2.根据权利要求1所述的数显仪表读数的精确检测方法，其特征在于，在所述步骤S1中，在拍摄的仪表图像中，仪表表盘读数部分占据图像面积的三分之二以上。3.根据权利要求1所述的数显仪表读数的精确检测方法，其特征在于，在所述步骤S2中，对拍摄的图像进行标注，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所述的数显仪表读数的精确检测方法，其特征在于，所述步骤S3具体包括：S31：构建深度神经网络模型；S32：网络模型训练参数设定；S33：在随机初始化参数下进行深度神经网络的训练。5.根据权利要求4所述的数显仪表读数的精确检测方法，其特征在于，所述步骤S32中的深度神经网络模型包括参数预测模块和重采样模块：所述参数预测模块从仪表图像中提取读数的位置特征信息，通过卷积神经网络得到高级特征图，并由高级特征图预测得到反映图像旋转、缩放和平移特性的参数；所述重采样模块根据预测的参数对图像进行旋转、缩放和平移，重新采样后得到一张规范的...

【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