[发明专利]基于深度学习的直读水表读数识别方法

权利要求书

1.基于深度学习的直读水表读数识别方法，其特征在于：包括以下步骤：

对拍摄的图像进行预处理，以校正图像；

将预处理后的图像输入目标检测模型中，得到水表读数中的数字；

将得到数字的图像输入深度学习模型中进行识别，将识别结果上传至服务器。

2.根据权利要求1所述的方法，其特征在于：所述对拍摄的图像进行预处理的步骤，包括：

对拍摄的图像进行灰度化处理，对灰度化处理后的图像进行滤波处理，对滤波处理后的图像进行二值化处理，对二值化处理后的图像进行边缘检测，对边缘检测后的图像进行倾斜校正，以得到校正图像。

3.根据权利要求1所述的方法，其特征在于：所述将预处理后的图像输入目标检测模型中的步骤，包括：

将预处理后的图像输入水表目标检测模型，若检测到水表目标，则对图像中的水表区域进行剪裁，保留水表图像，且对水表图像进行校正；

将水表图像输入读数目标检测模型，对水表图像中的读数区域进行剪裁，保留读数图像；

将读数图像输入数字目标检测模型，对读数图像中的数字区域进行剪裁，保留数字图像，以得到水表读数中的数字。

4.根据权利要求1所述的方法，其特征在于：所述将得到数字的图像输入深度学习模型中进行识别的步骤之前，还包括：

对深度学习模型进行训练，所述深度学习模型的网络结构包括依次连接的卷积层、池化层、平坦层、全连接层以及输出层。

5.根据权利要求4所述的方法，其特征在于：所述对深度学习模型进行训练的步骤，包括：

步骤a.随机初始化所述卷积层网络结构的权重参数W；

步骤b.随机选取Batchsize张样本图像作为迭代的样本图像输入；

步骤c.将样本图像输入卷积层，依次经过池化层、平坦层以及全连接层，输出层使用softmax函数作为激活函数，前向传输得到概率输出，选取输出的结点中概率值最大的结点作为预测结果；

步骤d.利用预测结果计算本次迭代的softmax交叉熵损失函数：

已知，其中为样本标签，所述样本标签包括数字0,1,...9，为样本特征；

softmax交叉熵损失函数计算式：

其中，，且；

步骤e.利用误差反向传播BP算法和Adam优化算法更新深度学习模型中的参数W；

步骤f.循环步骤b~步骤e，直到完成预设的迭代次数。

6.根据权利要求5所述的方法，其特征在于：所述利用误差反向传播BP算法和Adam优化算法更新深度学习模型中的参数W的步骤，包括：

softmax交叉熵损失函数的梯度为：

；

然后利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，对每个参数W进行迭代更新，直到得到最优解：

W=W+learning_rate；

其中learning_rate为学习率。