一种基于Faster-RCNN的仪表盘数字识别方法技术

本发明专利技术公开了一种基于Faster‑RCNN的仪表盘数字识别方法，属于计算机视觉技术的目标检测领域。它具体包括以下步骤：S1、数据获取，获得仪表盘的原始图片；S2、数据预处理，用于制作训练集；S3、示数盘识别模型训练以及模型识别，获得示数盘图片；S4、示数识别模型训练以及模型识别，得到确切示数。采用本发明专利技术的技术方案能够有效识别工业厂房中仪表盘的示数，避免了传统采用人工读数费时费力、易失误且存在安全风险的问题，实用性好。

【技术实现步骤摘要】
一种基于Faster-RCNN的仪表盘数字识别方法
本专利技术属于计算机视觉技术的目标检测领域，特别是涉及一种基于Faster-RCNN的仪表盘数字识别方法。
技术介绍
仪表是工业厂房中的重要设备，专业人员可以根据仪表盘示数了解设备的运行状态。数字式仪表是常规仪表中很重要的分类，它可以和各种检测仪表相配合，用来显示温度、压力和流量等过程变量，其使用是十分广泛的。目前，常规的数字式仪表通常需要人工进行读数操作，但是由于工业厂房中仪表众多，且存在很多潜在的危险区域，人工读数不仅费时费力，容易出现失误，而且也会产生不必要的风险。随着以卷积神经网络为代表的深度学习技术以及GPU硬件技术的发展，人工智能也被运用在计算机视觉领域，目标检测正是其中运用最为广泛的技术，可用来识别仪表盘的示数，但工厂中的仪表所处的环境一般光照较暗，为数字识别带来很大的挑战，传统的计算机视觉技术无法完成识别工作。经检索，关于水表检测的相关专利已有公开，如中国专利申请号为201810847125.6的申请案公开了一种基于Faster-rcnn的水表自动检测方法，具体本文档来自技高网...

【技术保护点】
1.一种基于Faster-RCNN的仪表盘数字识别方法，其特征在于，包括以下几个步骤：/nS1、数据获取：利用工厂的监控视频采集仪表盘的原始图片；/nS2、数据预处理：首先裁剪原图获得对应的示数盘图片，然后裁剪示数盘图片获得数字和小数点的图片；/nS3、示数盘识别模型训练以及模型识别：基于改进版Faster-RCNN模型训练示数盘识别模型，然后利用该模型进行示数盘识别过程，获得示数盘图片；/nS4、示数识别模型训练以及模型识别：基于ResNet模型训练数字以及小数点分类模型，然后将步骤S3得到的示数盘图片中的元素分割后传入该示数识别模型中，分类识别后最终得到确切示数。/n

【技术特征摘要】
1.一种基于Faster-RCNN的仪表盘数字识别方法，其特征在于，包括以下几个步骤：
S1、数据获取：利用工厂的监控视频采集仪表盘的原始图片；
S2、数据预处理：首先裁剪原图获得对应的示数盘图片，然后裁剪示数盘图片获得数字和小数点的图片；
S3、示数盘识别模型训练以及模型识别：基于改进版Faster-RCNN模型训练示数盘识别模型，然后利用该模型进行示数盘识别过程，获得示数盘图片；
S4、示数识别模型训练以及模型识别：基于ResNet模型训练数字以及小数点分类模型，然后将步骤S3得到的示数盘图片中的元素分割后传入该示数识别模型中，分类识别后最终得到确切示数。


2.根据权利要求1所述的一种基于Faster-RCNN的仪表盘数字识别方法，其特征在于：所述步骤S2利用截图工具裁剪原图获得仪表盘图片，然后可裁剪仪表盘图片中的示数盘部分图片，获得各个数字和小数点图片，图片保存为“jpg”格式。


3.根据权利要求1或2所述的一种基于Faster-RCNN的仪表盘数字识别方法，其特征在于，所述步骤S3的具体步骤如下：
S3.1、Faster-RCNN数据集制作；
S3.2、将示数盘图片缩放至固定大小，然后传入特征提取网络，特征提取网络采取深度残差网络ResNet和GoogLeNet的综合体ResNext，得到特征图；
S3.3、将得到的特征图传入RPN网络部分，生成anchorbox，将其传入分类网络和回归网络，得到先验框；
S3.4、将S3.2过程得到的特征图和S3.3过程得到的先验框传入ROIPolling层，得到固定大小先验框的特征图；
S3.5、将S3.4过程得到的固定大小先验框的特征图送入后续的classification层和regression层，进行分类和回归操作，得到目标的具体位置；
S3.6、将现场拍摄到的图片进行直方图均衡化预处理，然后送入已训练好的示数盘识别模型中，进行示数盘识别过程，即可得到示数盘图片。


4.根据权利要求3所述的一种基于Faster-RCNN的仪表盘数字识别方法，其特征在于：步骤S3.5进行分类和回归操作时，训练损失函数分为分类损失和回归损失，其计算公式如下：



Lcls(pi...

【专利技术属性】
技术研发人员：徐向荣，周攀，刘雪飞，朱永飞，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：安徽;34