[发明专利]一种指针式水表的检测与识别方法

权利要求书

1.一种指针式水表的检测与识别方法，其特征在于，包括数据采集终端和识别服务器，所述数据采集终端对水表图像进行采集，并将采集的图像上传到所述识别服务器，所述识别服务器进行水表读数的检测与识别，所述识别服务器的处理步骤包括：

S1：数据预处理：对采集的水表图像进行裁剪、缩放；

S2：训练数据的标记label制作：对预先采集的水表图像进行监督信息的标定，具体包括以下步骤：S21：标出水表中的所有指针圆盘，并将指针相应的读数进行标注，作为后续分类的标注信息；S22：将各个指针圆盘的边框坐标及各个指针的读数按照读数顺序，保存到数据文件中；S23：将采集的水表图像及标注数据按照80％和20％的比例随机分为训练集和测试集；

S3：构建深度卷积神经网络：水表的检测与识别采用基于深度卷积网络的模型，所构建的卷积神经网络完成指针圆盘的检测和读数识别，具体包括以下步骤：S31：构建卷积神经网络；S32：训练参数的设定；S33：在最后的卷积特征图上，采用滑动窗的方式检测水表指针圆盘；S34：对边框的坐标进行参数化；S35：回归；S36：分类；S37：网络权值初始化；所述卷积神经网络模型为：

Input(500×500)-conv1_1(3×3)-conv1_2(3×3)-pool1-conv2_1(3×3)-conv2_2(3×3)-pool2-conv3_1(3×3)-conv3_2(3×3)-conv3_3(3×3)-pool3-conv4_1(3×3)-conv4_2(3×3)-conv4_3(3×3)-pool4-conv5_1(3×3)-conv5_2(3×3)-conv5_3(3×3)-loss_cls/loss_bbox，

其中，conv表示卷积层，pool表示池化层，loss_cls为分类损失层，loss_bbox为回归损失层，所述卷积神经网络包括特征提取层、分类器及回归器：所述特征提取层负责图像特征的自动学习和提取；所述分类器负责对每个位置进行分类，判别该位置是否包含水表指针圆盘；所述回归器负责对检测框进行大小和位置的调整，回归器根据loss_bbox产生的loss进行优化，loss函数采用如下公式：

其中，是label，是回归目标；p_i是所预测的置信度，t_i是预测回归结果；N_cls和N_reg是分类和回归的batch size，λ是回归loss的加权值；L_cls和L_reg分别代表分类和回归的loss；

S4：神经网络模型的训练：经过标记后的水表图像及相应的标记信息输入到构建的卷积神经网络模型中，采用随机梯度下降算法进行网络参数的学习；

数据采集终端拍摄图像时，摄像头与水表表面垂直，防止指针倾斜投影到错误的读数上，拍摄的水表图像存在任意旋转角度。

2.根据权利要求1所述的指针式水表的检测与识别方法，其特征在于，在所述步骤S1中，图像缩放为500×500。

3.根据权利要求1所述的指针式水表的检测与识别方法，其特征在于，在所述步骤S22中，所述指针圆盘的边框坐标为矩形框的两个顶点坐标，将左上顶点坐标记录于第一个位置，将右下顶点坐标记录于第二个位置，然后再记录当前指针的读数值，各个坐标值和读数值之间用逗号分隔开，每个指针圆盘的标注独占一行文本。

4.根据权利要求1所述的指针式水表的检测与识别方法，其特征在于，所述训练参数包括迭代次数、更新步长、初始学习率、学习率变化系数以及权重衰减系数，其中迭代次数为120000，所述更新步长为50000，所述初始学习率为0.001，所述学习率变化系数为0.1，所述权重衰减系数为0.0005。

5.根据权利要求1所述的指针式水表的检测与识别方法，其特征在于，在所述步骤S4中，采用端到端的训练方式来训练卷积神经网络，在最后输出结果中，采样出前景和背景中各128个结果进行损失loss的计算；当前景结果数量不足时，则通过重复采样的方式补充至128个。