【技术实现步骤摘要】
本专利技术属于数显仪表读数识别领域，具体涉及一种基于深度学习算法的数显仪表数字识别方法。
技术介绍
1、仪表作为一种数据采集和信息反馈的工具，为相关工作人员提供了一种直观的可视化读取数据的方式，因此被广泛应用于工业生产、科学研究和日常生活之中。传统仪表需要人工目测，工作量大，费时费力，不符合集成高效快捷的时代需求。在一些复杂危险的环境，如发电厂、变电站等电力企业，为了保证其安全、可靠地运行，只能使用没有配备数字化接口的传统仪表来显示各个设备的参数，需要专业人员进行巡视抄表，用于检查电站的工作情况。这其中就存在着工作量大，人工抄录主观因素大，存在读取误差等问题。
2、针对这些问题，目前比较常用的方法是通过视觉图像处理方法来采集仪表示数。先利用摄像头采集包含仪表显示区域的图像，再对仪表显示区域进行识别定位，最后识别显示区域示数。将识别算法搭载在配备有摄像头的穿戴式设备中，工作人员穿戴设备后，将摄像头对准仪表采集图像，并通过识别算法读取仪表示数，将其记录为电子数据。利用这种方法可以代替人工读表抄表，减轻工作人员负担，剔除读表中的主观因素影响。
3、仪表读数识别的过程主要包括数字定位和数字识别两部分。
4、数字定位即在图像中框选出仪表示数所在区域，用于进一步进行数字提取和识别。仪表的矩形显示屏特征突出，传统方法一般通过提取图像内的图形特征，利用仪表图形的特点来实现数字定位。2008年，gioi r等人提出了一种局部提取直线的检测算法（vongioi r. g., jakubowicz j., more
5、数字识别过程属于字符类别较少的字符识别。针对字符识别的传统方法大多遵循先分割再识别的思路，可以利用灰度图像投影的方法进行分割，再分别识别每个字符，但传统方法受光线等影响较大，鲁棒性较差。对此，基于深度学习的不定长识别方法应运而生。常用的神经网络如卷积循环神经网络，可以对以段落为单位标注的样本进行训练与识别，相比于传统方法对噪声的抗干扰能力更强，识别效果更加稳定。
技术实现思路
1、针对传统方法存在的不足，本专利技术目的是提供一种基于深度学习算法的数显仪表数字识别方法，以解决上述
技术介绍
中提出的问题，本专利技术考虑了在工业环境中不同光照、不同角度下的数显数字仪表检测与读书识别环境，具有很强的抗干扰能力，并提升数显数字仪表检测识别的正确率。
2、为了实现上述目的，本专利技术是通过如下的技术方案来实现：将识别算法搭载在配备有摄像头的穿戴式设备中，工作人员穿戴设备后，将摄像头对准仪表采集图像，并通过识别算法读取仪表示数，将其记录为电子数据。
3、进一步的，所述一种基于深度学习算法的数显仪表数字识别方法，包括以下步骤：
4、（1） 采集不同数显数字仪表的样本图像，划分训练集和测试集；
5、（2）对训练集和测试集进行打标，将数字区域利用旋转矩形框框选出来，构建用于训练读数区域检测网络的读数区域检测数据集；
6、（3） 将数据集的数字区域截取出来，对每个样本图像的数字内容进行标注，构建用于训练读数识别网络的读数识别数据集，并根据样本中出现的字符种类构建数字识别字典；
7、（4）利用读数区域检测数据集对可微分二值化网络进行训练，获得用于检测读数区域的网络模型，利用读数识别数据集对卷积循环神经网络进行训练，获得用于识别读数区域读数的网络模型；
8、（5）将待识别图像转换为读数区域检测网络输入的标准格式，送入读数区域检测模型中，检测出读数区域位置，并记录对应读数区域的坐标；
9、（6）根据步骤（5）得到的读数区域坐标将读数区域截取下来，对读数区域图像的边缘图像做拉东变换实现数字图像方向的校正，并转换为读数识别网络输入的标准格式，送入读数识别模型中，得到最终的识别结果。
10、上述步骤的特征在于：
11、步骤（1）中采集到的图像包含不同倾斜角度，不同光照条件与不同背景下的仪表图像，用于提高模型在不同条件下的识别准确率。
12、步骤（2）中利用旋转矩形框对样本进行标注，旋转矩形框上下边缘应与读数区域数字方向平行，且矩形框应与读数区域边缘保持一致。
13、步骤（4）中的检测读数区域的网络模型结构如下，先将样本输入特征金字塔中，提取样本的特征图并进行上采样拼接；再将拼接好的特征图经过一次卷积和两次反卷积得到样本的概率图，将拼接好的特征图经过一次卷积和两次反卷积得到样本的自适应阈值图，两次处理过程相同，参数不同；最后对概率图和自适应阈值图进行可微分二值化获得近似二值图，得到检测到的目标结果。
14、步骤（4）中的识别读数区域读数的网络模型结构如下，将识别好的读数区域图像输入到卷积层提取特征图；再转换为特征序列在循环层中对序列特征进行学习，输出预测标签序列；最后在转录层对所得标签序列解码分类预测，给出最终的结果序列。
15、步骤（6）中读数区域角度校正的方法是，对读数区域图像利用加权平均法获得灰度图，再对灰度图像利用canny特征提取算法获取读数区域的边缘图像，对边缘图像做的拉东变换，得到变换后的统计值矩阵。比较得到中的最大值对应的角度，利用该角度旋转图像即可实现对图像的角度校正。
16、本专利技术的思路为：
17、（1）读数区域检测网络的思路
18、本专利技术使用了可微分二值化网络的思想构建读数区域检测网络。可微分二值化算法是一种基于分割本文档来自技高网...
【技术保护点】
1.一种基于深度学习算法的数显仪表数字识别方法，包括以下步骤：
2.如权利要求1所述的一种基于深度学习算法的数显仪表数字识别方法，其特征在于，步骤（1）中采集到的图像包含不同倾斜角度，不同光照条件与不同背景下的仪表图像，用于提高模型在不同条件下的识别准确率。
3.如权利要求1所述的一种基于深度学习算法的数显仪表数字识别方法，其特征在于，步骤（2）中利用旋转矩形框对样本进行标注，旋转矩形框上下边缘应与读数区域数字方向平行，且矩形框应与读数区域边缘保持一致。
4.如权利要求1所述的一种基于深度学习算法的数显仪表数字识别方法，其特征在于，步骤（4）中的检测读数区域的网络模型结构如下，先将样本输入特征金字塔中，提取样本的特征图并进行上采样拼接；再将拼接好的特征图经过一次卷积和两次反卷积得到样本的概率图，将拼接好的特征图经过一次卷积和两次反卷积得到样本的自适应阈值图，两次处理过程相同，参数不同；最后对概率图和自适应阈值图进行可微分二值化获得近似二值图，得到检测到的目标结果。
5.如权利要求1所述的一种基于深度学习算法的数显仪表数字识别方法，其
6.如权利要求1所述的一种基于深度学习算法的数显仪表数字识别方法，其特征在于，步骤（6）中读数区域角度校正的方法是，对读数区域图像利用加权平均法获得灰度图，再对灰度图像利用Canny特征提取算法获取读数区域的边缘图像，对边缘图像做的拉东变换，得到变换后的统计值矩阵。比较得到中的最大值对应的角度，利用该角度旋转图像即可实现对图像的角度校正。
...【技术特征摘要】
1.一种基于深度学习算法的数显仪表数字识别方法，包括以下步骤：
2.如权利要求1所述的一种基于深度学习算法的数显仪表数字识别方法，其特征在于，步骤（1）中采集到的图像包含不同倾斜角度，不同光照条件与不同背景下的仪表图像，用于提高模型在不同条件下的识别准确率。
3.如权利要求1所述的一种基于深度学习算法的数显仪表数字识别方法，其特征在于，步骤（2）中利用旋转矩形框对样本进行标注，旋转矩形框上下边缘应与读数区域数字方向平行，且矩形框应与读数区域边缘保持一致。
4.如权利要求1所述的一种基于深度学习算法的数显仪表数字识别方法，其特征在于，步骤（4）中的检测读数区域的网络模型结构如下，先将样本输入特征金字塔中，提取样本的特征图并进行上采样拼接；再将拼接好的特征图经过一次卷积和两次反卷积得到样本的概率图，将拼接好的特征图经过一次卷积和两次反卷积得到样本的...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：云舟智维武汉科技有限责任公司，
类型：发明
国别省市：
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。