基于深度学习的指针式水表读数检测与识别方法研究

发布时间：2020-05-30 14:19

【摘要】：抄表是水务运营和管理部门的一项繁重而重要的工作。人工抄表方式费时费力。更换数字化测量表存在改造困难、价格昂贵等问题。基于计算机视觉技术,指针式水表读数识别是一种有效的替代方式,无需更换水表。其中,传统图像识别方法识别准确率不够高,速度不够快。而基于深度学习方法对其进行检测与识别的研究,受到了人们的关注。本文旨在研究基于深度学习的指针式水表读数检测与识别方法,主要工作包括:1、构建了涵盖实际应用场景的指针式水表数据库。其中包括:制定了一套针对现实场景中的指针式水表采集规范,可以用于检测与识别模型的训练;针对少数不规范的指针式水表图像,提出了一套针对水表图像规范化处理方法,包括旋转、切割等主要步骤,降低了采集工作量;为了有利于检测识别工作,针对指针式水表图像设计了一种基于指针方向区间判断的标注方法。2、提出了一种基于暗通道先验和DehazeNet的去除水表图像中灰尘和水雾的方法。该方法利用场景和水表类型信息,设计了一种针对水表场景中的大气光成分的计算方法;针对水表拍摄场景的特点,改进了水表场景透射率的计算方法;并采用暗通道先验计算过程进行去除灰尘和水雾。实验结果表明,去除灰尘水雾模型使得均值平均精度(mAP)提升0.012,错误率下降12.77%,验证了方法的有效性。3、针对指针式水表图像,提出了一种基于R-FCN的检测与识别方法,并构建了网络,实现对指针式水表读数检测与识别。其中包括特征提取模块、改进RPN模块、新增多尺度特征检测模块、改进分类模块、位置敏感的ROIPooling模块。在RPN模块增加了残差块结构,使得感兴趣区域的提取更加准确。在特征提取模块和分类模块之间新增了一个多尺度特征检测模块,通过对不同尺度特征学习,简化了后续检测识别的难度。分类模块融合了多尺度特征检测模块的结果,并增加了残差块结构,有效的提高了水表指针的检测和识别的准确率,并降低因网络层深而导致的准确率下降问题。实验结果表明,本文提出的检测识别模型比原始R-FCN模型平均均值精度提升0.024,达到0.906,错误率下降20.34%,再结合提出的去除水雾模型后平均均值精度达到0.918。本文提出的指针式水表检测与识别方法,实现了指针的精确检测与识别,与现有深度学习网络,以及性能较好的传统检测识别方法相比,在性能上和速度上具有明显优势。
【图文】：

样图,字轮,水表,指针式

新技术抄表研发难度大。逡逑经调研发现，目前常见的水表主要为旋翼式水表，可以分为两类：指针式水表和指逡逑针字轮组合式水表，如图１－１所示，图中左半部分为指针式水表，右半部分为指针字轮逡逑组合式水表。指针式水表一般只有一个指针区域，其中常包含八个指针。指针字轮组合逡逑式水表一般分为指针区域和数字区域，指针区域一般包含三到四个指针，数字区域一般逡逑为多个数字并排排列。此外，两种类型的旋翼式水表中均存在的指针区域，除了指针数逡逑量不同，其他基本相同，可做共同研宄。逡逑图１－１指针式水表和指针字轮组合式水奉样图逡逑从２００６年Ｈｉｎｔｏｎ教授等人［２］发表了深层神经网络相关的论文开始，，人Ｘ智能与图逡逑像识别技术的到了飞速的发展。虽然针对指针式水表读数检测与识别的研究已经逐渐深逡逑入，但基于深度学习的方法可以达到实用且推广的地步。因此，研究基于深度学习逡逑１逡逑

预付款,水表,智能水表,上报数据

式进行上报，但是也无法做到实时收集汇总数据，且存在住户上报数据的准确性问题。逡逑图１－２邋１Ｃ卡预付款水表样W逡逑第二，采用全新１Ｃ卡智能水表。如图１－２所示，此方式是将原来的旋翼式水表大规逡逑２逡逑
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TU821.2;TP391.41;TP18

【参考文献】