[发明专利]一种用于水表读数的检测识别方法、系统及存储介质

说明书

本发明公开了一种用于水表读数的检测识别方法、系统及存储介质，包括采集并标注含有水表表盘的图像；对图像进行数据处理与数据增强；构建教师网络与学生网络；对教师网络和学生网络分别进行训练；使用训练后的教师网络和数据标注信息共同指导训练学生网络，最后将待识别表盘图像输入学生网络进行识别。本发明能较好地应对水表图像检测需求，并能以较小的运算量达到较好的检测性能，从而提高实际生产应用时算法的运算速度，降低算力需求，提高并发处理能力，因此具有较好的实际应用价值。

技术领域

本发明涉及智能识别领域，具体涉及一种用于水表读数的检测识别方法、系统及存储介质。

背景技术

水务数据采集是水能源运营单位一项繁琐而重要的工作。采取人工抄表的方式需要极大的人力、物力投入。使用摄像头自动定时采集水表图像，并上传云端服务器由计算机自动完成水表读数的检测和识别是近年来新兴的数据采集方式。

水表读数对准确度要求较高，但云端服务器资源较为昂贵且算力有限，使用结构较深，运算量较大的检测模型成本较高，执行速度也较慢，不利于并发地处理大量的检测识别请求。

如何在保持较好准确率的同时，提高检测算法的速度，降低检测模型的规模，是一个重要的技术问题。此领域常用的方法包括剪枝、量化、模型压缩、知识蒸馏等方法。知识蒸馏方法常用于分类任务，通过构建教师网络或学生网络并进行协同训练，能使得较为轻量的学生网络具备接近教师网络的泛化性能，在实践中具有良好效果，但需要工作在输出的logits上。对于检测问题，RPN网络、非极大值抑制等环节通常会产生检测框不能对齐的问题，使得这一技巧基本无法应用于靠近结果输出的logits上。若将其应用于网络中部的隐藏层上，通常也难以取得较好的效果。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种用于水表读数的检测识别方法、系统及存储介质。

本方法基于CenterNet框架，不需要只能顺序执行的非极大值抑制逻辑，而是采用MaxPooling来代替；并且作为全卷积网络，该算法没有二阶检测算法的繁琐步骤与anchor对齐问题，也扫除了将分类领域常用的知识蒸馏技巧应用于检测的障碍。

本发明采用如下技术方案：

一种用于水表读数的检测识别方法，包括：

S1采集并标注含有水表表盘的图像；

S2对图像进行数据处理与数据增强；

S3构建教师网络与学生网络；

S4对教师网络和学生网络分别进行训练；

S5使用训练后的教师网络和数据标注信息共同指导训练学生网络；

S6待识别表盘图像输入学生网络进行识别。

进一步，所述S1中，图像标注以旋转矩形框标注。

进一步，所述S2中，对图像进行数据处理与数据增强，具体为：将数据增强后的图片减去各通道均值，除以各通道方差，再进行归一化，并转化为教师网络及学生网络所需的N*3*512*512的张量。

进一步，所述教师网络和学生网络均包括：

特征提取网络，对输入张量维度N*3*512*512的图片进行特征提取，输出特征维度为N*2048*16*16；

上采样层，对特征提取网络的输出进行上采样，输出特征维度N*64*128*128，并由此得到中心预测分支的输出特征维度为N*C*128*128，C表示分类类别数，中心偏移预测分支的输出特征维度为N*2*128*128,2分别代表预测的中心点在宽、高方向上的量化误差补偿，宽高预测分支输出维度为N*2*128*128,2分别代表检测框的宽,高；倾角预测分支输出维度为N*1*128*128,1代表检测框倾角。