[发明专利]基于深度学习的直读水表读数识别方法

说明书

本发明涉及一种基于深度学习的直读水表读数识别方法，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。本方案通过深度神经网络对水表进行目标检测和字符识别，以识别出准确的结果。

技术领域

本发明涉及图像识别技术领域，特别涉及基于深度学习的直读水表读数识别方法。

背景技术

随着现代社会信息化、智能化程度的不断提高，越来越多的智能产品涌入我们的生活，水表作为现代社会广泛应用的计量产品，对自来水厂统计用户用水量起到重要的作用。传统的人工抄表的方式需要逐渐被淘汰，因为这样不仅会造成大量的人力物力浪费，还会出现各种各样的错误。随着科学技术的发展，国内市场上已经涌现了许多数字化智能水表，部分地区已经开始使用这种智能化水表进行远程抄表。

但是通常的水表读数智能识别主要采用边缘检测的方式，会受到很多因素的制约，比如图像噪声、清晰度等，如果在特殊的环境下拍摄的照片角度可能会有很大的偏差，从而很难识别出理想的结果。

发明内容

本发明的目的在于通过深度神经网络对水表进行目标检测和字符识别，以识别出准确的结果，提供一种基于深度学习的直读水表读数识别方法。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

基于深度学习的直读水表读数识别方法，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。

由于拍摄的图像不可避免的会存在某种程度上的倾斜，而这种倾斜不仅会给目标检测和字符分割带来困难，还会对水表识别的准确率造成影响，因此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。

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；

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。

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。

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；