一种基于深度学习的水表图像数值识别方法技术

本发明专利技术提供了智慧水务技术领域的一种基于深度学习的水表图像数值识别方法，包括如下步骤：步骤S10、获取大量的水表图像；步骤S20、对各所述水表图像进行预处理；步骤S30、基于卷积神经网络创建一数值识别模型，利用预处理后的各所述水表图像对数值识别模型进行训练；步骤S40、获取待识别水表图像，利用拉普拉斯算子对所述待识别水表图像进行模糊检测后，输入数值识别模型进行水表的数值识别。本发明专利技术的优点在于：极大的提升了水表图像数值识别的准确率以及速度。

【技术实现步骤摘要】
一种基于深度学习的水表图像数值识别方法
本专利技术涉及智慧水务
，特别指一种基于深度学习的水表图像数值识别方法。
技术介绍
在智慧水务不断发展的当下，传统上通过人工对水表进行读数的方法已不能满足当下的需求，存在抄表时间不固定、抄表数据不准确、用户体验差、抄表效率低下等缺点，因此摄像抄表应运而生。传统上，摄像抄表的数值识别方法包括BP网络字符识别法、目标识别法以及自适应阙值二值化法。1、BP网络字符识别法运行速度较快，但是容易受到图像分辨率低和噪声的影响；2、目标识别法通过改进的特征匹配算法匹配特征向量，提升了识别准确率，但识别速度有所下降；3、自适应阙值二值化法把目标图像用模板来匹配识别，对相似字符采用二次识别进行区分，但对半字(水表显示的端部区域处于两个读数之间)的识别准确率不高。且上述传统的方法都会受到环境因素的制约，鲁棒性不强。因此，如何提供一种基于深度学习的水表图像数值识别方法，实现提升水表图像数值识别的准确率以及速度，成为一个亟待解决的问题。
技术实现思路
本专利技术要解决的技术问题，在于提供本文档来自技高网...

【技术保护点】
1.一种基于深度学习的水表图像数值识别方法，其特征在于：包括如下步骤：/n步骤S10、获取大量的水表图像；/n步骤S20、对各所述水表图像进行预处理；/n步骤S30、基于卷积神经网络创建一数值识别模型，利用预处理后的各所述水表图像对数值识别模型进行训练；/n步骤S40、获取待识别水表图像，利用拉普拉斯算子对所述待识别水表图像进行模糊检测后，输入数值识别模型进行水表的数值识别。/n

【技术特征摘要】
1.一种基于深度学习的水表图像数值识别方法，其特征在于：包括如下步骤：
步骤S10、获取大量的水表图像；
步骤S20、对各所述水表图像进行预处理；
步骤S30、基于卷积神经网络创建一数值识别模型，利用预处理后的各所述水表图像对数值识别模型进行训练；
步骤S40、获取待识别水表图像，利用拉普拉斯算子对所述待识别水表图像进行模糊检测后，输入数值识别模型进行水表的数值识别。


2.如权利要求1所述的一种基于深度学习的水表图像数值识别方法，其特征在于：所述步骤S10中，所述水表图像至少包括存在光照干扰、存在水滴干扰、存在灰尘干扰、模糊以及清晰的图像。


3.如权利要求1所述的一种基于深度学习的水表图像数值识别方法，其特征在于：所述步骤S20具体包括：
步骤S21、从各所述水表图像中分别截取出读数区域图像；
步骤S22、对各所述读数区域图像内的读数进行标注；
步骤S23、将标注后的所述读数区域图像调整为统一大小。


4.如权利要求3所述的一种基于深度学习的水表图像数值识别方法，其特征在于：所述步骤S22具体为：
对各所述读数区域图像内的读数0、1、2、3、4、5、6、7、8、9、0-1之间、1-2之间、2-3之间、3-4之间、4-5之间、5-6之间、6-7之间、7-8之间、8-9之间以及9-0之间依次标注为0、1、2、……、19。


5.如权利要求1所述的一种基于深度学习的水表...

【专利技术属性】
技术研发人员：李贵生，王梓俊，卢丽煌，徐艺文，
申请(专利权)人：福建氢启健康科技有限公司，
类型：发明
国别省市：福建;35