[发明专利]标尺读数的图像识别方法及设备

说明书

本发明提供了一种标尺读数的图像识别方法及设备。该方法包括：获取利用标尺测量待测对象的图像；利用标尺图像检测模型识别所述测量待测对象的图像中的标尺图像沿标尺度量方向的长度，并从所述测量待测对象的图像中截取所述标尺图像；利用标度图像检测模型识别截取的标尺图像中的标度图像沿所述标尺度量方向的长度；根据所述标尺图像沿标尺度量方向的长度、所述标度图像沿标尺度量方向的长度、所述标尺的实际总长度、及所述标尺中标度的实际长度，计算得到所述标尺测量所述待测对象的读数。通过识别出来标尺的长度和标度的长度计算标尺的测量读数，能够提高标尺图像识别对复杂环境的适应性。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种标尺读数的图像识别方法及设备。

背景技术

随着信息时代的发展，图像数据越发庞大，而且以一个很快的速度在增长。通过这些图像可以发掘出人们的所思所想，为进一步决策提供依据。在进行数据挖掘之前，需要对这些庞大的图像数据进行有效的分类管理。在对图像数据的分类管理中，图像识别是一个基础工作，其在信息提取、信息识别和信息检索方面都有重要的意义和价值。要让计算机像人一样对图像数据进行图像分类或图像识别具有很大的困难，这些困难在于图像数据具有不规则性，不同图像数据的表示方法，图像的数量级不同等方面。深度学习(DeepLearning)，尤其是卷积神经网络(CNN)，是近几年来图像处理及模式识别中的研究重点，受到人们越来越多的关注。它是一种建立、模拟人脑进行分析学习的神经网络，能够模仿人脑的机制来解释数据，例如图像，声音和文本。

标尺图像智能识别系统是众多图像识别产品中的一款面向水行业及能源行业的标尺刻度图像自动识别产品，能够自动识别水标尺图片中的读数，并将识别的成果进行专业的业务应用，能够替代传统的人工观测计数，提高用户工作效率，减少人工操作。

从机器学习模型的层次结构来看，机器学习的发展大概经历了两次变革：浅层学习和深度学习。在面对多个变量的异域问题时，浅层学习模型难以对其进行表达，需要多层隐含结点的网络才能有效进行表示，深度学习模型可以简洁有效的来表示复杂的函数。随着大数据的发展，面对庞大的数据，浅层学习结构在模型描述能力方面更是显现出了短板，难以充分挖掘数据的内在表示，只有表达能力更强的模型才能从大数据中发掘出更多更有价值的信息，这也激发了人们探索深度学习模型对复杂函数建模的学习动机。图像识别的研究目标就是根据图像中所具有的某种属性将其划分到预先定义的不同分类中。如何构建图像特征表示和分类模型是解决图像理解问题的关键，很多研究者进行了广泛的研究并提出了一些有效的方法。传统的方法大部分是基于视觉码本模型，该模型很好的利用了人工巧妙设计的图像描述和有效的机器学习模型，但它对图像中层结构和高层语义信息的表示力有限，无法突破语义鸿沟。近年来，深度学习的突破性发展为解决这一问题提供了新的思路，并在许多模式识别问题中得到成功应用。

然而，现有的基于深度学习的图像识别产品，其网络模型强大的假设空间使得模型训练极易陷入局部最优，导致模型泛化能力很差，并不能很好地预测未知的数据。同时，模型训练需要大量的含有语义标签的数据进行训练，增大了人工标注工作量。现有的基于hough变换与harris检测的标尺识别方法，其算法使用中值滤波去除噪声和灰度均衡之后，再使用形态学的细化和轮廓提取技术计算刻线的位置。该算法采用的是传统的图像处理方法，只在少量图像上表现好，不能够很好的适应各种水尺型号(例如，水尺颜色、刻度、尺寸等)及复杂环境(例如，光照、角度等)的变化。现有的基于标尺刻度颜色的标尺定位算法，采用颜色分割的方法提取图像中颜色通道特征并进行阈值分割来对标尺进行定位，但该算法不能很好的适应复杂的环境，例如，当标尺上面存在污痕、斑点、局部损坏或刻度颜色多样时，算法的鲁棒性不高。

发明内容

本发明提供了一种标尺读数的图像识别方法及设备，以提高标尺图像识别对复杂环境的适应性。