【技术实现步骤摘要】
本专利技术涉及图像读取，特别涉及一种基于深度学习的液晶水表读数识别方法及系统。
技术介绍
1、计算机视觉技术是近年来机器学习领域的一大重要技术方向。它的研究内容是探索计算机如何通过视觉图像的手段提取重要信息并加以利用。计算机视觉技术的研究目标：一是通过对采集到的图像信息分析，设计出一种模拟人类的图像算法，以智能代替人工的方式实现系统的智能化和自动化；二是使用近年来颇为流行的深度学习算法作为工具，对采集到的图像信息进行直接的、端到端的分析。摄像头采集的信息，包含了丰富的特征。在这个智能化的时代下，对视觉图像的分析也成为了深度学习算法的一个重要应用。不管是对于智能化管理，还是对于未来数据和趋势的预测，基于深度学习的视觉算法都为现代社会带来了极大的便利。本文介绍的一种基于深度学习的液晶水表数字识别方法，就是为了减少人力抄表的人工成本以及不准确性。
2、目前读取水表的数值多数采用的是人工的方式，即抄表员上门抄表读取数值，由于一些环境的因素，有造成数值读取错误的风险，而且还会有人工成本；另一方面，使用传统图像算法识别液晶水表上的液晶数字，受环境的影响较大，这样增强了算法的不稳定性。综上所述，本文提出使用深度学习的算法对液晶水表的读数进行识别。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于深度学习的液晶水表读数识别方法，包括如下步骤，
2、s1:建立能识别液晶水表读数框与表盘的yolov5深度学习模型ⅰ；
3、s2:建立能识别读数框内数字文
4、s3:对待识别的液晶水表图像通过模型ⅰ对图像进行转正，获得转正后的液晶水表读数框图片；采用模型ii对读数框图片进行数字文本识别。
5、进一步的，所述yolov5深度学习模型ⅰ通过如下方法建立，
6、获取原始液晶水表图片；
7、对原始液晶水表图片进行数据标注，每张水表图片标注出读数框与表盘，形成标注文件ⅰ；
8、将原始液晶水表图片与标注文件输入到yolov5深度学习模型中进行训练得到yolov5深度学习模型ⅰ，在训练的过程中会经过多轮的迭代训练，每轮迭代都会得到一个残差值，残差值最小的一轮训练得到的参数就是最佳模型参数。
9、进一步的，所述yolov5深度学习模型ii通过如下方式建立，
10、使用训练好的yolov5深度学习模型ⅰ将待处理的液晶水表图片，进行读数框与表盘的识别，获取读数框与表盘的识别框的坐标信息；
11、根据坐标信息计算出读数框与表盘的中心点；
12、根据计算出的读数框与表盘的中心点，计算待处理的液晶水表图片的对称轴与图像y轴的角度差，将读数框的中心点平移到与图像中心点重合，转正液晶水表图片，获得转正后的液晶水表读数框的图片；本方案中图片是指的文件，而图像则是图片上的内容。
13、筛选出清晰的转正后的液晶水表读数框的图片，对图片进行标注形成标注文件ii，
14、将转正后的液晶水表读数框的图片及标注文件ii输入到yolov5深度学习模型中进行训练，yolov5深度学习模型ii，该模型具有最佳的模型参数。
15、进一步的，对液晶水表读数框的图片的标注形成标注文件ii，包括，标注0-9的数字及“0.”-“9.”10个带小数点的数字；“0.”-“9.”表示的是液晶水表读数的小数点前一位，即个位数的标注。
16、进一步的，标注规则为，将“0”标注为0，“1”标注为1，“2”标注为2，“3”标注为3，“4”标注为4，“5”标注为5，“6”标注为6，“7”标注为7，“8”标注为8，“9”标注为9；将“0.”标注为10，“1.”标注为11，“2.”标注为12，“3.”标注为13，“4.”标注为14，“5.”标注为15，“6.”标注为16，“7.”标注为17，“8.”标注为18，“9.”标注为19。
17、根据本专利技术的另一方面还提供了一种基于深度学习的液晶水表读数识别系统，包括模型ⅰ建立单元，建立能识别液晶水表读数框与表盘的yolov5深度学习模型ⅰ；
18、模型ii建立单元，建立能识别读数框内数字文本的yolov5深度学习模型ii；
19、识别单元，对待识别的液晶水表图像通过模型ⅰ对图像进行转正，获得转正后的液晶水表读数框图片；采用模型ii对读数框图片进行数字文本识别。
20、本专利技术利用计算机视觉技术和深度学习的方法，较准确的以智能的方式代替人工的方式识别液晶水表的读数值，节约成本，提高效率。本专利技术创造场景适应能力强，准确度高，为相关机构人员提供可靠的计量依据。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的液晶水表读数识别方法，其特征在于，包括如下步骤，
2.如权利要求1所述的一种基于深度学习的液晶水表读数识别方法，其特征在于，所述yolov5深度学习模型Ⅰ通过如下方法建立，
3.如权利要求1所述的一种基于深度学习的液晶水表读数识别方法，其特征在于，所述yolov5深度学习模型Ⅱ通过如下方式建立，
4.如权利要求1所述的一种基于深度学习的液晶水表读数识别方法，其特征在于，对液晶水表读数框的图片的标注形成标注文件Ⅱ，包括，标注0-9的数字及“0.”-“9.”10个带小数点的数字；“0.”-“9.”表示的是液晶水表读数的小数点前一位，即个位数的标注。
5.如权利要求4所述的一种基于深度学习的液晶水表读数识别方法，其特征在于，标注规则为，将液晶水表读数框图片上的“0”标注为0，“1”标注为1，“2”标注为2，“3”标注为3，“4”标注为4，“5”标注为5，“6”标注为6，“7”标注为7，“8”标注为8，“9”标注为9；将“0.”标注为10，“1.”标注为11，“2.”标注为12，“3.”标注为13，“4.”标注为14，
6.一种基于深度学习的液晶水表读数识别系统，其特征在于，包括
...【技术特征摘要】
1.一种基于深度学习的液晶水表读数识别方法，其特征在于，包括如下步骤，
2.如权利要求1所述的一种基于深度学习的液晶水表读数识别方法，其特征在于，所述yolov5深度学习模型ⅰ通过如下方法建立，
3.如权利要求1所述的一种基于深度学习的液晶水表读数识别方法，其特征在于，所述yolov5深度学习模型ⅱ通过如下方式建立，
4.如权利要求1所述的一种基于深度学习的液晶水表读数识别方法，其特征在于，对液晶水表读数框的图片的标注形成标注文件ⅱ，包括，标注0-9的数字及“0.”-“9.”10个带小数点的数字；“0.”-“9.”表示的是液晶水表读数的小数点...
【专利技术属性】
技术研发人员：丁武，曲维东，
申请(专利权)人：辽宁华盾安全技术有限责任公司，
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。