[发明专利]一种基于深度神经网络和多阈值软切分的电能表示数识别方法

摘要

本发明属于电力电能表自动识别技术领域，提供一种基于深度神经网络和多阈值软切分的电能表示数识别方法。该方法的体系结构含有两个模块：示数区域定位模块和示数识别模块。定位模块以YOLO算法为基础，采取适合电表示数区域特点的网络模型来进行快速定位，示数区域识别模块设计了一种多阈值软切分与深度神经网络结合的识别方法。本发明的有益效果为：采用本发明能快速定位电表图片中的示数区域并准确进行识别，可减少人为抄表差错和资源浪费；本发明结合深度学习与多阈值切分，能有效克服图像噪声的不利影响，提升识别准确率。

主权项

1.一种基于深度神经网络和多阈值软切分的电能表示数识别方法，其特征在于，利用深度神经网络进行示数区域定位，采取多阈值软切分方式与深度神经网络结合进行示数数字识别；具体包括两个模块：定位模块和识别模块；(1)定位模块以目标检测‑YOLO算法为基础，设计一个包含20个卷积层和2个全连接层的深度神经网络来检测示数区域；针对电能表示数区域为长矩形的几何特点，在第8、12、15、18、20卷积层采用1*4的卷积核生成矩形的感受野来贴近示数区域，最后的全连接层输出维度为8*8*16，该网络架构可在降低参数数量的情况下提升对于电能表示数区域的检测性能；(2)识别模块第一步，统计不同长宽比区域所含不同数字个数的比率；对正确定位的图片，统计不同长宽比下的图片所含数字个数的计数，对长宽比相近的比例进行合并后保留q种比例，实际电能表示数不超过p个；用上述计数除以该长宽比下所有图片总数，得到统计数据R_pq，表示第q种比例的图片含有p个数字的概率，其中1≤p≤8，1≤q≤12，R_pq构成集合命名为R；第二步，使用直方图均衡化方法对定位模块检测的示数区域图像进行增强，然后采用多个参数设置利用Niblack算法对其进行二值化，得到多个二值化结果；Niblack二值化操作如公式1；其中，m与s分别表示滑动窗口w*w范围内的灰度均值与标准差，k为人工设置的可控参数，其取值为0.1～0.2；T_Niblack＝m+k*s      公式1第三步，使用多阈值软切分方式对二值化的示数区域进行切分点的选取采用一种多阈值软切分方式，即利用多个阈值对示数区域进行切分得到多个切分方案，然后计算每种切分的联合概率得分来选取最佳切分结果；本方法采用三种阈值T，第一种阈值最小，第三种阈值最大，三种阈值的取值范围为：示数图像高度*[0.1,0.5]；对垂直投影图进行切分；切分的方法为，按图像横轴方向遍历垂直投影图，将横轴中对应投影值低于阈值的点视为切分候选点，切分候选点连续的区域称为切分范围；其中，在第一种阈值和第二种阈值情况下，选取切分范围的中间值为切分点；第三种大阈值的情况下，对切分范围内的点进行采样操作，得到的点便作为此阈值下的切分点；第四步，使用上面得到的切分点来确定切分候选方案，同时利用切分失败的情况扩充候选方案；对第三步中第一种阈值、第二种阈值T得到的18组切分点，k、w取值各三种，T取前两种阈值，直接在图像横轴顺序排列，得到18种切分方案；对于第三种阈值T得到的切分点，在图像横轴方向按顺序随机组合，得到L种切分方案，共得到初步的L+18种切分方案；接着，使用上述得到的切分方案进行示数区域图像切分，在切分的过程中，使用固定的阈值T_wh对切分得到的图片的长宽比，进行是否切分完毕的判别，超过此阈值则视为切分失败；根据切分失败图片的长宽比选择R中与之最接近的长宽比对应的概率R_pq最高和次高的两种数字数目p，选择(p‑1)个均值点进行等距切分；使用这些均值切分点与前面得到的L+18种切分方案，在横轴方向按照顺序进行随机组合，得到最终的N种切分方案，其中L+18≤N；第五步，统计N种切分方案下得到的各切分点出现次数a_i，求取a_i与27的比值作为该切分点概率Pc_i；在切分过程中，将切分点两侧的空白区域也并入切分图片中实现切分图片间的无缝衔接，防止切分信息丢失，导致识别缺漏错误；第六步，将每种切分方案得到的图片按顺序送入训练好的网络中进行识别，输出预测结果及概率；然后用各切分图片的预测概率Pr_nj与对应于此种切分方案的切分点概率Pc_i累乘的结果作为该切分方案下的临时概率；最后使用临时概率乘以第二步统计得到的概率R_pq，将此项乘积值作为一种切分方案的联合概率，最终选取各切分方案中联合概率的最大值所对应的预测结果O_nj作为电能表数字图像的预测输出。