[发明专利]基于卷积神经网络与循环神经网络的电表数值识别方法在审
| 申请号： | 201811379040.6 | 申请日： | 2018-11-19 |
| 公开（公告）号： | CN109711253A | 公开（公告）日： | 2019-05-03 |
| 发明（设计）人： | 谢禄江;甘玉芳;王映康;詹然智;田博今;卢思宇;王文娟 | 申请（专利权）人： | 国家电网有限公司;国网重庆市电力公司信息通信分公司 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/38;G06K9/40;G06K9/62;G06N3/04 |
| 代理公司： | 北京海虹嘉诚知识产权代理有限公司 11129 | 代理人： | 吕小琴 |
| 地址： | 100031 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 卷积神经网络 循环神经网络 图像信息 预处理 表盘数据 数值识别 低纬度 电表 预测 多层神经网络 采集 表盘刻度 电表数字 降维处理 模型提取 预测处理 智能电表 码盘 图像 申请 转化 | ||
1.一种基于卷积神经网络与循环神经网络的电表数值识别方法，其特征在于，包括：
S1：采集电表数字码盘的图像信息，并对所述图像信息进行预处理；
S2：建立卷积神经网络模型，通过卷积神经网络模型提取经预处理后的图像信息的特征值，并对提取出的所述特征值进行降维处理的到低纬度特征值；
S3：建立循环神经网络模型，通过循环神经网络模型根据所述低纬度特征值预测表盘数据。
S4：将步骤S3中所预测出的表盘数据转化为表盘刻度值。
2.根据权利要求1所述的基于卷积神经网络与循环神经网络的电表数值识别方法，其特征在于，步骤S2中所述的卷积神经网络模型包括一个卷积层和一个池化层；所述卷积层用于提取经预处理后的图像信息的特征值；所述池化层用于对卷积层提取的所述特征值进行降维处理的到低纬度特征值。
3.根据权利要求2所述的基于卷积神经网络与循环神经网络的电表数值识别方法，其特征在于，所述循环神经网络模型包括多个循环神经网络单元，且每个循环神经网络单元参数共享。
4.根据权利要求4所述的基于卷积神经网络与循环神经网络的电表数值识别方法，其特征在于，所述卷积层包括5个卷积核，每个卷积核大小为5×5；所述池化层为最大池化网络，其池化窗口大小为3×3；所述循环神经网络模型包括5个循环神经网络单元。
5.根据权利要求1所述的基于卷积神经网络与循环神经网络的电表数值识别方法，其特征在于，所述步骤S4包括：
S41：通过平铺层将步骤S3中预测得出的表盘数据转换成一维数据；
S42：将S41中得到的所述一维数据输入全连接层得到表盘刻度值。
6.根据权利要求1所述的基于卷积神经网络与循环神经网络的电表数值识别方法，其特征在于，该方法还包括通过ADAM算法对卷积神经网络模型进行优化。
7.根据权利要求1所述的基于卷积神经网络与循环神经网络的电表数值识别方法，其特征在于，所述步骤S1中所述的电表数字码盘的图像信息通过可穿戴设备采集。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于国家电网有限公司;国网重庆市电力公司信息通信分公司，未经国家电网有限公司;国网重庆市电力公司信息通信分公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201811379040.6/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种多人种的人脸识别方法
- 下一篇：基于对抗生成网络的图像处理方法和装置
