基于卷积神经网络的水表读数识别方法

发布时间：2021-06-15 18:16

　　针对被强噪声污染的小样本水表读数数据集,提出一种基于卷积神经网络（CNN）迁移学习的字符识别方法。在Tensor Flow框架下搭建卷积神经网络,将批归一化应用到网络模型的构建中,并对目标函数进行优化来提高网络的性能。通过迁移学习的方法提高小样本数据集的识别率,采用大样本数据集对卷积神经网络的结构参数进行预训练后,共享浅层网络层参数。再利用小样本数据集对深层网络层参数进行训练,实现字符分类。实验结果表明:与传统VGG—16网络相比,所设计网络的识别率提高2.19%,速度提高98.3%,计算复杂度和内存消耗大大降低,为远程自动抄表提供可能。 

【文章来源】：传感器与微系统. 2020,39(12)CSCD

【文章页数】：4 页

【部分图文】：

VGG—16网络结构

本文网络结构是在VGG—16网络结构的基础上进行改进，改进后的网络结构减少了卷积层个数，以降低计算量。引入批归一化处理层来解决深度网络中的内部协差偏移问题，提高网络训练速度。该网络结构共有7个卷积层，3个池化层和3个全连接层，具体的网络结构如图2所示。其中卷积层卷积核大小为3×3，卷积步长为1，每一个卷积层后面都加入批归一化处理层，在批归一化处理层后面接入Re LU激活函数。每组卷积层后面接一个Max Pooling，池化核大小为2×2，步长为2。1.2 改进目标函数

本文选择街景房屋编号(SVHN)[9]数据集作为源数据集，SVHN数据集源于Google街景图像提取的门牌号码，与目标数据集有较大的相关度。在SVHN数据集中挑选与目标数据集相似度较高的图像，进一步提高SVHN数据集与目标数据集的相关度，如图3所示。使用大量的SVHN数据集样本对网络进行预训练，由于SVHN数据集与目标数据集共享某些浅层特征，使用预训练的网络参数对浅层卷积层进行初始化。而网络深层卷积层提取的深层特征对于目标数据集是特定的，为保证网络模型在目标数据集中的分类精度，网络深层卷积核参数则在目标数据集中进行微调[10]。将较深层的网络参数进行随机初始化，通过少量目标数据集对这些参数进行继续训练。迁移学习过程如图4所示。

【参考文献】：
期刊论文
[1]家用水表字符的识别算法研究[J]. 陈英,李磊,汪文源,徐嘉伯,杨丰玉.  现代电子技术. 2018(18)
[2]基于卷积神经网络的胸片肺结节检测[J]. 朱国策,李朝锋.  传感器与微系统. 2017(12)
[3]基于卷积神经网络的车型识别方法研究[J]. 纪野,李玉惠,王蒙.  传感器与微系统. 2017(11)
[4]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月.  微型机与应用. 2017(10)
[5]利用多种投票策略的水表读数字符分割与识别[J]. 林阳,郭丙轩,肖雄武,牛科科,赵欣,李大军.  科学技术与工程. 2017(10)
[6]BP神经网络联合模板匹配的车牌识别系统[J]. 呙润华,苏婷婷,马晓伟.  清华大学学报(自然科学版). 2013(09)



本文编号：3231539