[发明专利]一种基于深度学习的指针式水表读数检测方法

说明书

本发明公开了一种基于深度学习的指针式水表读数检测方法，包括S1采集含有指针式表盘的水表图片，对图像进行预处理；S2对预处理后的图像指针表盘进行标注，制作数据标签，将数据标签随机划分成训练集和测试集；S3构建基于深度学习网络的检测模型；S4使用训练集训练检测模型，将测试集输入训练好的检测模型，得到适用于指针式水表读数的检测模型。测试表明，模型平均检测准确率超过97％。本发明可实现大规模指针式水表表盘检测，有效解决表盘指针短小而难以精确检测的问题，因此具有较好的实际应用价值。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于深度学习的指针式水表读数检测方法。

背景技术

随着人工智能技术的不断推进和大数据时代的到来，深度学习技术在文字识别、图像识别等领域突破了多个难题，以及近年来显卡等硬件技术日新月异的发展，为基于深度学习网络的进一步实际应用提供了可靠的技术基础。

日常用水作为每家每户的必需品，水费收缴也成为不可或缺的工作，但水表数据记录一直是全国一个耗时又易错的难题。常见记录方式有：(1)人工抄表。这种方式常常花费大量的人力和物力，易出错且速度慢。(2)可自动发送数据的智能电子水表。目前已有部分新建小区采用，但由于这类水表的造价高昂、安装条件要求高，大部分老式楼房并不适合安装，因而难以普及，使用量极少。(3)基于图像识别技术的自动检测和识别水表图片中的读数。通过摄像头拍摄水表图像，利用传统图像识别方法或者深度学习网络进行图像检测与识别，这种方法成本较低，易于推广。但已有基于传统图像识别方法的指针式表盘检测，检测准确度容易受图像噪声的影响，精度也无法满足实际应用的需要。且已有的方法主要针对压力表、监测仪表等具有细长指针的表盘，并不适应于指针式水表的检测。而已有的基于深度学习网络的检测模型有Fast R-CNN、SSD、YOLO等，虽然各有优势，但是目前所作的研究工作主要是针对数字式表盘，而对指针式表盘的检测与识别效果并不理想，难以广泛应用，其中存在的主要问题是水表中的指针式表盘区域分散，指针短小，表盘刻度小，指针在阴影等干扰因素下特征不明显等。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于深度学习的指针式水表读数检测方法。

本发明采用如下技术方案：

一种基于深度学习的指针式水表读数检测方法，包括如下步骤：

S1采集含有指针式表盘的水表图片，对图像进行预处理；

S2对预处理后的图像指针表盘进行标注，制作数据标签，将数据标签随机划分成训练集和测试集；

S3构建基于深度学习网络的检测模型；

S4使用训练集训练检测模型，得到适用于指针水表读数的检测模型，并将测试集输入训练好的检测模型中，测试检测模型的性能。

所述S3中基于深度学习网络的检测模型包括基于残差网络的特征提取模块、用于获取感兴趣区域的RPN模块、用于获取分数地图的分类模块及位置敏感的ROI Pooling模块。

所述RPN模块还包括bottleneck结构的残差块，RPN模块通过对预处理后图片每个区域与anchor的偏移量计算及区域隶属于不同类别概率计算，然后根据偏移量及概率筛选出感兴趣区域。

所述分类模块包括ResNet101的conv5_x部分及多尺度特征检测部分以及一个卷基层部分，将多尺度特征检测部分的输出及ResNet101的conv5_x部分的输出作为输入给卷积层，进一步输出分数地图。

所述卷积层增加一个bottleneck结构的残差块。

所述位置敏感的ROI Pooling模块是对感兴趣区域及分数地图进行pooling；