基于深度卷积神经网络的水表读数识别
发布时间：2021-04-10 21:20
如今社会上仍存在许多老式水表需要人工抄读,但仅依靠人工抄读与检测水表读数的方式需要消耗大量的时间和精力。为解决这一问题,利用计算机视觉技术对水表读数进行自动识别可以有效得解决这一问题。然而在现实中水表大多位于阴暗潮湿等各种复杂的环境下,所以所采集到的水表图像会存在多种问题:一为水表表盘自身问题,如表盘污损严重;二为人工采集问题,如人工采集时会有相机曝光、拍摄角度多样、表盘方向多样等问题。因此如果使用传统的图像识别方法会出现水表读数识别的识别准确率不够高,且速度较低的问题。但随着机器硬件的发展,利用深度学习的方法对水表读数进行检测与识别成为一种有效的解决方案。论文旨在研究基于深度学习的目标检测算法对水表读数进行检测与识别,主要工作包括:1.自制了实际情况拍摄下的包含各种复杂情况的水表读数图像数据集。并整理了真实情况下采集的水表读数,可能存在的问题如:表盘污损、图片模糊未对焦、存在光斑、表盘方向多样等,可以用于检测与识别模型的训练,提高其鲁棒性;为了有利于检测识别工作,针对水表读数图像设计了一套标注规则。2.针对各种复杂环境下的人工任意角度拍摄的水表读数图片,本文提出了一种鲁棒性强的自动识...
【文章来源】：重庆邮电大学重庆市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
传统水表检测流程
重庆邮电大学硕士学位论文第2章基于深度卷积神经网络的水表读数识别相关理论7第2章基于深度卷积神经网络的水表读数识别相关理论2.1卷积神经网络随着近年来深度学习方面的重大突破，把卷积神经网络（ConvolutionalNeuralNetworks,CNN）[25-27]应用于计算机视觉方面，对图像识别方面的问题取得了巨大的进展。卷积神经网络本质可以说是一个多层感知机的变种，神经认知机可以将视觉模式分解成多个子模块（特征）。卷积神经网络可以在训练过程中自动地抽取特征并不断提高特征提取能力，由此解决了传统识别方法需要手工设计特征的问题。且在处理图像问题时，特别是识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率等。其优点在于局部连接和权值共享。卷积神经网络一般可以由输入层、卷积层、池化层、全连接层以及最后的损失函数输出层来组成，图像输入卷积神经网络后会先经过卷积层，而卷积层的主要作用使对特征进行提取和融合从而产生特征图，再把卷积层的输出作为输入放入池化层。其中卷积层的输入为特征图像然后利用卷积核进行计算，再利用激活函数输出卷积层的特征图，而池化层作用为压缩特征谱图，它能够使特征图变小，降低网络计算的复杂度；并对特征进行压缩，提取主要特征。最后再把输出结果输入全连接层，全连接层的主要工作是连接所有特征，将输出值送给最后的损失函数输出层。其结构如图2.1所示。图2.1简单卷积神经网络
重庆邮电大学硕士学位论文第2章基于深度卷积神经网络的水表读数识别相关理论82.1.1卷积神经网络基本模块1.卷积层深度卷积神经网络一般包含多个卷积层(ConvolutionalLayer)，而卷积层又由若干个卷积核(Convolutionalkernel)构成。在做卷积运算时，会设定一个hwkk*大小的卷积核，而这个卷积核的大小则称之为感受野。卷积核的深度d和输入层的深度d要保持一致,所以一般会有大小为d**hwkk的卷积核。在进行卷积运算时，有时候输入的矩阵和卷积核的宽度和高度是不一样的，且输出矩阵的大小再经过卷积运算后相比较于输入可能变校所以可以在输入矩阵的周围填充零，此称为padding,大小为p。同时进行卷积运算时，卷积核需要在输入矩阵上移动，进行点积运算,其移动的步长为stride,称为步幅s。所以假设输入矩阵的宽度为wn、高度为hn时，输出矩阵的大小如公式2.1所示：1212spknspknhhww(2.1)2.池化层池化层（PoolingLayer）同卷积层一样取一个固定形状的窗口对输入数据进行计算。其主要作用使对特征谱图进行压缩，使从卷积层提取的特征图变小，简化网络计算复杂度，同时进行特征压缩把主要特征提取出来。如今池化操作有两种平均池化（AveragePooling）和最大池化（MaxPooling）。其中最大池化使用最为广泛，最大池化首先会让池化窗口从输入矩阵的最左上方开始，依次按从左往右、从上往下的顺序在输入矩阵上滑动。当池化窗口滑动到某一位置时，窗口中的输入矩阵的最大值即输出矩阵中相应位置的元素。最大池化运算过程如下图2.2所示：图2.2最大池化层运算过程
【参考文献】：
期刊论文
[1]改进特征匹配算法在银行卡号识别中的应用[J]. 董延华,陈中华,宋和烨,黄雨. 吉林大学学报(理学版). 2018(01)
[2]粗糙集和支持向量机的表具识别算法研究[J]. 唐亮,仲元昌,沈甲甲,马天智. 计算机工程与应用. 2018(02)
[3]基于全卷积网络的数字仪表字符识别方法[J]. 蔡梦倩,张蕾,王炎,莫娟. 现代计算机(专业版). 2018(02)
[4]卷积神经网络特征重要性分析及增强特征选择模型[J]. 卢泓宇,张敏,刘奕群,马少平. 软件学报. 2017(11)
[5]基于人工神经网络的数字识别[J]. 史兴宇,邓洪敏,林宇锋,安旭骁. 计算机应用. 2017(S1)
[6]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)
[7]基于图像处理的水表智能检定系统研究[J]. 张宁,郭增军,李静. 北京石油化工学院学报. 2017(01)
[8]手写体数字字符识别算法仿真比较研究[J]. 陈龙,郄小美,黄信静,林虎. 实验室研究与探索. 2017(01)
[9]双半字识别算法在水表字符识别系统中的应用[J]. 徐平,许彬,常英杰. 杭州电子科技大学学报(自然科学版). 2016(01)
[10]基于改进Hough变换和BP网络的指针仪表识别[J]. 朱海霞. 电测与仪表. 2015(05)
硕士论文
[1]基于机器视觉的嵌入式仪表读数识别系统研究[D]. 屠震元.浙江理工大学 2015
[2]基于图像识别的表盘读数系统研究[D]. 李媛.沈阳工业大学 2009
[3]水表表头数字读数的识别方法研究[D]. 何珣.南京理工大学 2007
[4]图像式水表读数识别方法研究[D]. 吴梦麟.南京理工大学 2006
本文编号：3130355
【文章来源】：重庆邮电大学重庆市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
传统水表检测流程
重庆邮电大学硕士学位论文第2章基于深度卷积神经网络的水表读数识别相关理论7第2章基于深度卷积神经网络的水表读数识别相关理论2.1卷积神经网络随着近年来深度学习方面的重大突破，把卷积神经网络（ConvolutionalNeuralNetworks,CNN）[25-27]应用于计算机视觉方面，对图像识别方面的问题取得了巨大的进展。卷积神经网络本质可以说是一个多层感知机的变种，神经认知机可以将视觉模式分解成多个子模块（特征）。卷积神经网络可以在训练过程中自动地抽取特征并不断提高特征提取能力，由此解决了传统识别方法需要手工设计特征的问题。且在处理图像问题时，特别是识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率等。其优点在于局部连接和权值共享。卷积神经网络一般可以由输入层、卷积层、池化层、全连接层以及最后的损失函数输出层来组成，图像输入卷积神经网络后会先经过卷积层，而卷积层的主要作用使对特征进行提取和融合从而产生特征图，再把卷积层的输出作为输入放入池化层。其中卷积层的输入为特征图像然后利用卷积核进行计算，再利用激活函数输出卷积层的特征图，而池化层作用为压缩特征谱图，它能够使特征图变小，降低网络计算的复杂度；并对特征进行压缩，提取主要特征。最后再把输出结果输入全连接层，全连接层的主要工作是连接所有特征，将输出值送给最后的损失函数输出层。其结构如图2.1所示。图2.1简单卷积神经网络
重庆邮电大学硕士学位论文第2章基于深度卷积神经网络的水表读数识别相关理论82.1.1卷积神经网络基本模块1.卷积层深度卷积神经网络一般包含多个卷积层(ConvolutionalLayer)，而卷积层又由若干个卷积核(Convolutionalkernel)构成。在做卷积运算时，会设定一个hwkk*大小的卷积核，而这个卷积核的大小则称之为感受野。卷积核的深度d和输入层的深度d要保持一致,所以一般会有大小为d**hwkk的卷积核。在进行卷积运算时，有时候输入的矩阵和卷积核的宽度和高度是不一样的，且输出矩阵的大小再经过卷积运算后相比较于输入可能变校所以可以在输入矩阵的周围填充零，此称为padding,大小为p。同时进行卷积运算时，卷积核需要在输入矩阵上移动，进行点积运算,其移动的步长为stride,称为步幅s。所以假设输入矩阵的宽度为wn、高度为hn时，输出矩阵的大小如公式2.1所示：1212spknspknhhww(2.1)2.池化层池化层（PoolingLayer）同卷积层一样取一个固定形状的窗口对输入数据进行计算。其主要作用使对特征谱图进行压缩，使从卷积层提取的特征图变小，简化网络计算复杂度，同时进行特征压缩把主要特征提取出来。如今池化操作有两种平均池化（AveragePooling）和最大池化（MaxPooling）。其中最大池化使用最为广泛，最大池化首先会让池化窗口从输入矩阵的最左上方开始，依次按从左往右、从上往下的顺序在输入矩阵上滑动。当池化窗口滑动到某一位置时，窗口中的输入矩阵的最大值即输出矩阵中相应位置的元素。最大池化运算过程如下图2.2所示：图2.2最大池化层运算过程
【参考文献】：
期刊论文
[1]改进特征匹配算法在银行卡号识别中的应用[J]. 董延华,陈中华,宋和烨,黄雨. 吉林大学学报(理学版). 2018(01)
[2]粗糙集和支持向量机的表具识别算法研究[J]. 唐亮,仲元昌,沈甲甲,马天智. 计算机工程与应用. 2018(02)
[3]基于全卷积网络的数字仪表字符识别方法[J]. 蔡梦倩,张蕾,王炎,莫娟. 现代计算机(专业版). 2018(02)
[4]卷积神经网络特征重要性分析及增强特征选择模型[J]. 卢泓宇,张敏,刘奕群,马少平. 软件学报. 2017(11)
[5]基于人工神经网络的数字识别[J]. 史兴宇,邓洪敏,林宇锋,安旭骁. 计算机应用. 2017(S1)
[6]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)
[7]基于图像处理的水表智能检定系统研究[J]. 张宁,郭增军,李静. 北京石油化工学院学报. 2017(01)
[8]手写体数字字符识别算法仿真比较研究[J]. 陈龙,郄小美,黄信静,林虎. 实验室研究与探索. 2017(01)
[9]双半字识别算法在水表字符识别系统中的应用[J]. 徐平,许彬,常英杰. 杭州电子科技大学学报(自然科学版). 2016(01)
[10]基于改进Hough变换和BP网络的指针仪表识别[J]. 朱海霞. 电测与仪表. 2015(05)
硕士论文
[1]基于机器视觉的嵌入式仪表读数识别系统研究[D]. 屠震元.浙江理工大学 2015
[2]基于图像识别的表盘读数系统研究[D]. 李媛.沈阳工业大学 2009
[3]水表表头数字读数的识别方法研究[D]. 何珣.南京理工大学 2007
[4]图像式水表读数识别方法研究[D]. 吴梦麟.南京理工大学 2006
本文编号：3130355
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3130355.html
最近更新
教材专著
