The invention discloses a detection and recognition method of pointer water meter in the field of pattern recognition and artificial intelligence technology, including data acquisition terminal and identification server, data acquisition terminal collects water meter image, uploads the collected image to identification server, and identification server detects water meter reading. The processing steps of identification server include data preprocessing, label making of training data, building deep convolution neural network and training of neural network model. The method adopts a camera to collect water meter image, and can realize the collection of water meter data without changing the existing water meter measuring equipment. The method has the advantages of low cost, good expansibility, convenient access to different specifications of water meter, and therefore has good practical application value.
【技术实现步骤摘要】
一种指针式水表的检测与识别方法
本专利技术涉及模式识别与人工智能
,具体的说,是涉及一种基于深度卷积神经网络的指针式水表的检测与识别方法。
技术介绍
随着人工智能技术的发展,特别是深度网络模型技术在计算机视觉领域应用的发展,基于深度网络模型的自动检测与识别技术成为目前的热点技术之一。尤其是近期GPU等硬件技术的快速发展,在一定程度上解决了深度网络的计算瓶颈,使得深度神经网络的实际应用成为可能。水务数据采集(抄表)是水能源运营单位一项繁琐而重要的工作。目前主要采取人工抄表的方式:一方面,人工抄表模式需要极大的人力、物力投入;另一方面,由于抄表工作涉及千家万户,不能及时地完成数据采集时有发生,同时,也会带来一系列安全隐患。另一种数据采集模式是对现有水表进行数字化改造,实现数据自动采集,该模式存在的主要问题为:(1)计量表规格千差万别,表改造涉及面大,需要大量的资金投入;(2)在水务部门机械表具有无需电源、安全可靠等电子设备无法替代的优势;(3)新型数字化计量表成本较高,维护难度也较大。例如目前的光电直读式水表,其制造及安装工艺均比较复杂,成本大幅提升。上述缺陷,值得解决。
技术实现思路
为了克服现有的技术的不足,本专利技术提供一种指针式水表的检测与识别方法。本专利技术技术方案如下所述:一种指针式水表的检测与识别方法,其特征在于,包括数据采集终端和识别服务器,所述数据采集终端对水表图像进行采集,并将采集的图像上传到所述识别服务器,所述识别服务器进行水表读数的检测与识别,所述识别服务器的处理步骤包括:S1:数据预处理:对采集的水表图像进行裁剪、缩放;S2:训练数 ...
【技术保护点】
1.一种指针式水表的检测与识别方法,其特征在于,包括数据采集终端和识别服务器,所述数据采集终端对水表图像进行采集,并将采集的图像上传到所述识别服务器,所述识别服务器进行水表读数的检测与识别,所述识别服务器的处理步骤包括:S1:数据预处理:对采集的水表图像进行裁剪、缩放;S2:训练数据的标记label制作:对预先采集的水表图像进行监督信息的标定;S3:构建深度卷积神经网络:水表的检测与识别采用基于深度卷积网络的模型,所构建的卷积神经网络完成指针圆盘的检测和读数识别;S4:神经网络模型的训练:经过标记后的水表图像及相应的标记信息输入到构建的卷积神经网络模型中,采用随机梯度下降算法进行网络参数的学习。
【技术特征摘要】
1.一种指针式水表的检测与识别方法,其特征在于,包括数据采集终端和识别服务器,所述数据采集终端对水表图像进行采集,并将采集的图像上传到所述识别服务器,所述识别服务器进行水表读数的检测与识别,所述识别服务器的处理步骤包括:S1:数据预处理:对采集的水表图像进行裁剪、缩放;S2:训练数据的标记label制作:对预先采集的水表图像进行监督信息的标定;S3:构建深度卷积神经网络:水表的检测与识别采用基于深度卷积网络的模型,所构建的卷积神经网络完成指针圆盘的检测和读数识别;S4:神经网络模型的训练:经过标记后的水表图像及相应的标记信息输入到构建的卷积神经网络模型中,采用随机梯度下降算法进行网络参数的学习。2.根据权利要求1所述的指针式水表的检测与识别方法,其特征在于,在所述步骤S1中,图像缩放为500×500。3.根据权利要求1所述的指针式水表的检测与识别方法,其特征在于,所述步骤S2具体包括以下步骤:S21:标出水表中的所有指针圆盘,并将指针相应的读数进行标注,作为后续分类的标注信息;S22:将各个指针圆盘的边框坐标及各个指针的读数按照读数顺序,保存到数据文件中;S23:将采集的水表图像及标注数据随机分为训练集和测试集。4.根据权利要求3所述的指针式水表的检测与识别方法,其特征在于,在所述步骤S22中,所述指针圆盘的边框坐标为矩形框的两个顶点坐标,将左上顶点坐标记录于第一个位置,将右下顶点坐标记录于第二个位置,然后再记录当前指针的读数值,各个坐标值和读数值之间用逗号分隔开,每个指针圆盘的标注独占一行文本。5.根据权利要求1所述的指针式水表的检测与识别方法,其特征在于,所述步骤S3具体包括以下步骤:S31:构建卷积神经网络;S32:训练参数的设定;S33:在最后的卷积特征图上,采用滑动窗的方式检测水表指针圆盘;S34:对边框的坐标进行参数化;S35:回归;S36:分类;S37:网络权值初始化。6.根据权利要求5所述的指针式水表的检测与识别方法,其特征在于,所...
【专利技术属性】
技术研发人员:金连文,高学,谢乐乐,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。