[发明专利]基于CNN-LSTM的温度仪表数字识别的方法及装置

说明书

本申请提供一种基于CNN‑LSTM的温度仪表数字识别的方法及装置，所述方法采用卷积神经网络结合循环神经网络中的长短期记忆网络进行建模，使得对输入模型中的图片数据不用进行过多切割等繁琐的预处理过程，直接将示数图片作为整体输入模型即可进行预测，大大简化了读数识别的预处理过程。其中，长短期记忆网络部分采用双向长短期记忆网络，同时考虑过去和未来的信息，使得预测结果表现相对更好。采用连接时序分类器，对输出序列进行解码，解决了输入与输出难以对应的问题，简化许多步骤，提高了预测效率。

技术领域

本申请涉及神经网络技术领域，尤其涉及一种基于CNN-LSTM的温度仪表数字识别的方法及装置。

背景技术

随着温度类仪器仪表在变电站的大量使用，电网热工专业的工作量越来越饱和。受限于温度类标准设备控温速度慢的影响，在现场和实验室的工作中，温度专业人员存在效率低下、精力不易集中以及温度设备失控造成火灾等风险。为节省电力工业上在温度仪表读数时的人力与时间，许多相关自动读数的技术不断出现，这些技术的出现使得在生产上的效率以及正确率有较大提高。

现有相近技术提出，对原始仪表图片进行一定图形学预处理，将其转换为相对固定大小与角度的二值化图片；对当前二值化图片切割为单个数字图片后，使用支持向量机(Support Vector Machine，SVM)等机器学习相关技术进行数字识别以及小数点位置识别。使用SVM建模进行单独数字识别后再进行组合输出，这样使得整体预测过程处理繁琐且效率低下。

发明内容

为了解决上述问题，本申请提供一种基于CNN-LSTM的温度仪表数字识别的方法及装置，以解决现有技术中预测过程处理繁琐导致效率低下的问题。

为了实现上述目的，本申请通过以下技术方案实现：

一方面，一种基于CNN-LSTM的温度仪表数字识别的方法，所述方法包括：

获取温度仪表示数图片；

对所述温度仪表示数图片进行图形学预处理，得到示数二值化图片；

根据卷积神经网络，确定所述示数二值化图片的图片特征；

根据循环神经网络中的长短期记忆网络，对所述图片特征进行数字识别，得到概率数据；

将所述概率数据输入到Softmax激活函数，得到输出序列；根据连接时序分类器，对所述输出序列进行解码，确定温度读数数字字符串。

可选的，所述对所述温度仪表示数图片进行图形学预处理，得到示数二值化图片的步骤包括：

根据霍夫变换，将所述温度仪表示数图片进行旋转，对旋转后的图片进行切割，得到示数图片；

对所述示数图片进行二值化处理后，进行开运算，得到示数二值化图片。

可选的，卷积神经网络的结构包括卷积层和最大池化层。

可选的，所述根据循环神经网络中的长短期记忆网络，对所述图片特征进行数字识别，得到概率数据的步骤包括：

双向长短期记忆网络结构将图片特征进行正向计算与反向计算，输出中间信息，得到概率数据。

可选的，所述连接时序分类器采用的搜索方法为集束搜索。

另一方面，一种基于CNN-LSTM的温度仪表数字识别的装置，所述装置包括：

获取单元，用于获取温度仪表示数图片；

处理单元，用于对所述温度仪表示数图片进行图形学预处理，得到示数二值化图片；

确定单元，根据卷积神经网络，用于确定所述示数二值化图片的图片特征；