基于深度学习的水表检测Android应用设计与实现

发布时间：2020-04-27 23:17

【摘要】：随着智能手机的普及,移动互联网与我们的生活越来越息息相关。近年来,人工智能的蓬勃发展也引起了新的技术革命,越来越多的传统企业开始关注人工智能和移动互联网。如何将人工智能和移动互联网结合是我们接下来的重要课题。传统水务公司人工抄表方式存在着极大的人力物力浪费,本文将深度学习应用到传统水务公司的业务中,并设计了一套基于Android的水表检测系统来改善这一问题。主要做了以下工作:1.本文分别采用了Hough变换法、最小二乘法以及深度学习三种方法检测水表圆盘区域,对比结果表明深度学习在水表圆盘区域的检测过程中效果较好。本文设计的算法利用全卷积神经网络进行水表圆盘的特征提取,特征融合后利用滑动窗口提取候选框送入分类层与回归层。与传统的目标检测不同,本文样本标注是圆形,所以采用蒙特卡洛采样法计算候选框与标注的交并比(IoU)来区分正负样本。本文基于深度学习设计并实现的水表圆盘区域检测算法是对深度学习应用领域的延伸,利用了深度学习解决传统企业的问题,是一次比较创新的尝试。2.本文基于Android平台开发了水表检测应用。应用包括注册、登录、识别、管理等功能,并且通过了单元测试、黑盒测试和压力测试。该客户端功能完善,用户体验较好,具有较高实用性的同时兼具可扩展性。3.本文设计的水表检测Android应用涉及到大量的网络请求操作和水表图片加载。为了提升应用性能,节省系统资源,本文针对水表检测场景设计并实现了网络请求框架和图片缓存框架,大大提高了用户体验。网络请求框架主要利用了多线程技术,缓存技术和网络传输相关技术,统一管理所有网络请求。图片缓存框架设计了多级图片缓存统一管理图片,并实现了多种缓存淘汰算法。网络请求框架与图片缓存框架均支持动态配置,具有较强的扩展性。
【图文】：

参数空间,图像空间,圆形,表示图

华南理工大学工程硕士学位论文form，RHT)被引入到圆形检测中[16]，RHT 方法采用数累计，投票决定候选圆的位置，最终确定合适的出了改进的 Hough 变换，将参数空间的维数从 3 维检测圆形的时间和空间复杂度。实现原理是利用圆首先基于圆形边缘点梯度信息检测圆形的圆心位置径长度[17]。 b) ，半径为r的圆解析表达式如公式 2-3 所示：2 2 2( ) ( )i ix a y b r， [ , , ]Ta a b r，其参数空间为三维。在参数空间中，参数空间几何表示如图 2-1 所示。

算法,训练时间,准确率,检测领域

图 2-2 R-CNN 算法在 R-CNN 发表的 2014 年，DPM[32]已经进入了新的瓶颈期，在原有的方法上使用复杂的特征得到的优化也十分有限。Ross Girshick 的这一篇论文将深度学习引入检测领域，一举将 PASCALVOC 2007[33]的检测率从 35.1%提升到 53.7%，实现了质的飞跃。继 2014 年提出 R-CNN 方法之后，Ross Girshick 在 2015 年又在原来的基础上推出Fast R-CNN[34]，目的是为了优化 R-CNN 的检测时间。Fast R-CNN 的构思非常精巧，流程也更为紧凑，大幅提升了目标检测的速度。同样使用最大规模的 VGG 16 网络[35]，FastR-CNN 和 R-CNN 相比，训练时间从 84 小时减少为 9.5 小时，训练时间提升了 9 倍，测试时间从 47 秒减少为 0.32 秒，更是提升了 213 倍之多。而准确率上，，Fast R-CNN 和R-CNN 在 PASCAL VOC 2007 上的准确率相差无几，约在 66%-67%之间。R-CNN 与 FastR-CNN 方法对比如图 2-3 所示。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TH814.2

【相似文献】