一种仪表读数神经网络识别方法技术

本发明专利技术公开了一种仪表读数神经网络识别方法，属于视觉识别与自动化领域，包括：(1)指针仪表图像获取：指针仪表图像进行拍摄并记录；(2)校正基准获取；(3)将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习；(4)仪表读数识别检测：输入指针仪表摄像图像，神经网络模型给出相应仪表读数识别结果与置信区间。本发明专利技术克服现有仪表读数提取方法的不足，充分利用人工神经网络模型的参数学习能力，基于人工神经网络模型的学习能力和误差前馈的物理意义，通过对拍摄图像的处理，对指针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。

【技术实现步骤摘要】
一种仪表读数神经网络识别方法
本专利技术属于视觉识别与自动化领域，具体涉及一种仪表读数神经网络识别方法。
技术介绍
在测量系统的应用里自动化仪表读数是一种广泛的方法。例如水表抄表计费等。仪表的定时定期读数时也有在监控系统的应用。目前，仪表读数有以下的一些方法：1)人工读取，例如水电燃气数据的人工抄表，依然采用人工的方法。这种方法无法实现自动化，费时费力。2)测量仪表数字化，直接获取数字化的读数，将原有的仪表进行数字化替换，减小人工开销，提高读数效率。但是前期投入成本较高，例如将水表进行拆卸，更换为数字化水表，前期投入较大，维护成本也不低，同时需要用户加以配合。另外，部分机械表具有数字化表难以替代的优势，例如机械压力表测量精准，成本优势大，而且相比数字化表无需电源，稳定性好。3)摄像头拍摄仪表图，运用计算机视觉识别仪表读数。无需更换原有仪表，成本不高，可以即时使用。指针仪表使用方便，价格低廉，在电气、化工、机械等行业中得到了广泛的使用。在一些测试地点，例如对人员具有伤害的场所不适合进行人工读数。在数据量需求较大，条件恶劣的工作环境当中，准确和效率需要得到保证。现在基于计算机视觉的图像识别技术自动化识别，能提高读数精度，降低人力成本，提高效率。现在的指针仪表的图像自动识别方式主要分为三部分，包括表盘区域，指针位置，刻度识别1)表盘提取方法目前主要使用模板特征匹配，在背景较复杂时准确率不高，效率低下。2)指针位置识别的方法有两种：分割区域提取表盘特征，运用消影法获得指针图像，二值化处理指针图像，直线提前方法提取指针对应直线。此方法要求表盘与摄像头位置稳定。对图像进行去噪滤波、形态学滤波以提取指针图像，二值化处理指针图像，直线提前方法提取指针对应直线。此方法成像质量要求比较高。3)刻度视觉识别的读取的方法有以下几种：将摄像头与仪表固定，根据两者位置关系，由指针偏转角度得到读数。这种方法因表盘位置相对固定，实际应用会受到限制。对图像进行去噪滤波、形态学滤波以提取刻度图像，二值化处理指针图像，直线提前方法提取刻度对应直线，根据指针直线与刻度的对应关系得到参数。这种方法需要能提取刻度线。对刻度数字进行识别，得到刻度线对应读数。这种方法需要进行数字识别对表盘的清晰度有要求，仪表光照与污垢可能会造成自动化读数失败。建立仪表模板，运用指针和刻度线特征，在仪表图像识别区域，提取指针和刻度线，将模板图中的刻度线角度，圆心位置保存在模板库当中，通过指针直线与刻度线的对应关系进行计算得到读数。这种方法需要提前建立庞大的数据库，工作量大且较为繁琐。
技术实现思路
针对现有技术的缺陷，本专利技术提供一种基于神经网络的仪表校正方法，由此解决现有的指针仪表读数识别在摄像机固定位置不确定，人工读数不稳定性，指针仪表自身不准的问题。为解决上述问题，本专利技术的技术方案为：一种基于神经网络的仪表读数校正方法，包括以下步骤：1)对要识别指针仪表图像进行拍摄并记录；2)对校正基准的数字显示仪表进行图像拍摄识别读数内容；3)将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习；4)仪表读数识别，输入指针仪表摄像图像，神经网络模型给出相应仪表读数识别结果与置信区间。进一步，所述步骤1)中，对要识别指针仪表图像进行拍摄并记录，需要将多角度的摄像头拍摄图像进行存储，指针仪表图像每组一共25张，将对应着数字显示仪表识别的数据，通过所拍摄图像涵盖仪表量程范围，仪表图像数量不少于1000张，每个刻度之间根据最小估读量间隔进行拍摄。进一步，所述步骤2)中，拍摄数显仪表基准时，仪表表盘正对摄像头，对拍摄的数显仪表得到的读数，将其与对应指针仪表图像标注，其中对指针仪表读取到应该估读到的那一位进行四舍五入。进一步，在步骤3)中，具体包括步骤：3.1)构建人工神经网络模型：包含了仪表指针图像特征模块、校正图像信息对应模块和输出识别模块；其中，仪表指针图像特征模块将各个读数的指针仪表拍摄图像通过卷积神经网络得到高级特征图；校正图像信息对应模块，进行数显仪表与指针仪表的信息对应；输出识别模块根据人工神经网络的输出进行识别与预测；3.2)人工神经网络训练参数设置：神经网络训练参数包括优化器、迭代次数、学习率和权重减少系数；优化器为RMSProp，迭代次数为10000，学习率为0.1，权重减少系数为0.0005；3.3)对模型参数进行人工神经网络训练，得到识别模型：通过前馈误差算法进行参数学习，从模型的输出层开始前向传递，对神经网络模型进行修正，达到训练神经网络的目的，训练过程也是对指针仪表读数的校正过程。进一步，所述步骤3.1)中，所述仪表指针图像特征模块的网络层结构为：所述仪表指针图像特征模块的网络层结构包括：输入层输入图片，卷积层+非线性层(传递函数引入非线性)+池化层(采样作用)这三层为一组，视为一次卷积，共用了5次卷积：输入层：3×40×144；卷积层：核数量64，卷积核3×3，步长1×1，补边64×40×144；非线性层：64×40×144；池化层：池化核2×2，步长2×2，图片尺寸64×20×72；卷积层：核数量64，卷积核3×3，步长1×1，补边64×40×72；非线性层：64×40×72；池化层：池化核2×2，步长2×2，图片尺寸64×20×36；卷积层：核数量64，卷积核3×3，步长1×1，补边128×10×36；非线性层：128×10×36；池化层：池化核2×1，步长2×1，图片尺寸128×5×36；卷积层：核数量128，卷积核3×3，步长1×1，补边128×5×36；非线性层：128×5×36；池化层：池化核2×2，步长2×2，图片尺寸128×2×18；卷积层：核数量512，卷积核3×3，步长1×1，补边512×1×17；归一化层：512×1×17非线性层：图片尺寸512×1×17；仪表指针图像特征模块中，卷积层的贴边操作运算为，在原特征图的上下左右均贴上一圈像素点，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；归一化层将每一张特征图归一化为高斯正态分布；所述校正图像信息对应模块的网络层结构为2层：长短时记忆层结点128，图片尺寸128×1×17；长短时记忆层结点数256，图片尺寸256×1×17；所述输出识别模块的网络层结构为3层：全连接层结点数256，图片尺寸256×1×17；全连接层结点数128，图片尺寸128×1×17；全连接层结点数20，图片尺寸20×1×17；模块采用具有17个位置的预测结构，将预测结果进行CTC解码，得到仪表读数的识别结果。进一步，所述步骤4)中，具体包括以下步骤：4.1)将指针仪表拍摄图像进行输入训练好的神经网络，对实拍图像进行识别；4.2)返回识别结果，得到识别置信度。根据上述方本文档来自技高网...

【技术保护点】
1.一种基于神经网络的仪表读数校正方法，其特征在于，包括以下步骤：/n1)对要识别指针仪表图像进行拍摄并记录；/n2)对校正基准的数字显示仪表进行图像拍摄识别读数内容；/n3)将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习；/n4)仪表读数识别，输入指针仪表摄像图像，神经网络模型给出相应仪表读数识别结果与置信区间。/n

【技术特征摘要】
1.一种基于神经网络的仪表读数校正方法，其特征在于，包括以下步骤：
1)对要识别指针仪表图像进行拍摄并记录；
2)对校正基准的数字显示仪表进行图像拍摄识别读数内容；
3)将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习；
4)仪表读数识别，输入指针仪表摄像图像，神经网络模型给出相应仪表读数识别结果与置信区间。


2.根据权利要求1所述的一种基于神经网络的仪表读数校正方法，其特征在于，所述步骤1)中，对要识别指针仪表图像进行拍摄并记录，需要将多角度的摄像头拍摄图像进行存储，指针仪表图像每组一共25张，将对应着数字显示仪表识别的数据，通过所拍摄图像涵盖仪表量程范围，仪表图像数量不少于1000张，每个刻度之间根据最小估读量间隔进行拍摄。


3.根据权利要求1所述的一种基于神经网络的仪表读数校正方法，其特征在于，所述步骤2)中，拍摄数显仪表基准时，仪表表盘正对摄像头，对拍摄的数显仪表得到的读数，将其与对应指针仪表图像标注，其中对指针仪表读取到应该估读到的那一位进行四舍五入。


4.根据权利要求1所述的一种基于神经网络的仪表读数校正方法，其特征在于，在步骤3)中，具体包括步骤：
3.1)构建人工神经网络模型：包含了仪表指针图像特征模块、校正图像信息对应模块和输出识别模块；其中，仪表指针图像特征模块将各个读数的指针仪表拍摄图像通过卷积神经网络得到高级特征图；校正图像信息对应模块，进行数显仪表与指针仪表的信息对应；输出识别模块根据人工神经网络的输出进行识别与预测；
3.2)人工神经网络训练参数设置：神经网络训练参数包括优化器、迭代次数、学习率和权重减少系数；优化器为RMSProp，迭代次数为10000，学习率为0.1，权重减少系数为0.0005；
3.3)对模型参数进行人工神经网络训练，得到识别模型：通过前馈误差算法进行参数学习，从模型的输出层开始前向传递，对神经网络模型进行修正，达到训练神经网络的目的，训练过程也是对指针仪表读数的校正过程。


5.根据权利要求4所述的一种基于神经网络的仪表读数校正方法，其特征在于，所述步骤3.1)中，
所述仪表指...

【专利技术属性】
技术研发人员：李捷辉，周德峰，房晟，董自远，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32