[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

说明书

本发明公开了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，包括以下步骤，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。本申请通过对采集到智能电表的图像信息进行预处理，然后通过多层神经网络对预测处理后的图像进行识别和预测，完成自动识表功能。

技术领域

本发明涉及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。

背景技术

指针式仪表作为一种测量仪器，广泛应用于社会生产生活中的各种领域，并发挥着举足轻重的作用。目前，对指针式仪表的读数主要由人工判读来完成，然而这种方法受人为因素的影响大，可靠性差、效率低。近年来，随着数字图像处理技术的不断发展和完善，指针式仪表的识别也获得了巨大的进步[1-2]。Robert Sablatning等人[3-4]基于机器视觉的图像处理技术，研究了水表和百分表的识别方法。这类仪表的指针可以在表盘上旋转0-360度，且刻度均匀分布。识别的过程主要包括：采用图像分割算法对图像上的表盘进行分割，利用Hough变换取得指针的偏转角度，通过角度法来确定读数。F.Correa Alegria等人[5-6]针对指针式仪表的自动判读，利用机器视觉技术进行了研究，极大的扩充了自动识别系统的可适用范围，能有效的对常见的电力表等进行识别。他们使用剪影法获得指针图像，并用Hough变换检测出两个指针间的夹角，完成读数识别，另外还提出了对数字式仪表的自动识别方法。综上所述，现阶段指针和刻度线的定位方法主要有剪影法、Hough变换法,这些方法大都假设仪表成像环境较为理想，即表盘放置规整、摄像头的光轴与表盘平面垂直、光照均匀。剪影法在光照充足时有较高的识别精度，但当环境较不理想时，识别精度很差；Hough方法在处理较粗的指针时，由于光照不均或其他因素的干扰，可能检测到的直线与实际指针中心线存在一定的偏差，影响了算法的识别精度[7]。然而，实际测试工作的环境复杂，例如：有各种形式的表盘、照明光线不均匀、仪表表面的玻璃会产生反射、摄像头的光轴与表盘平面不垂直以及表盘倾斜等，这些因素都会对仪表图像的识别造成困难，大多数的识别方法将会产生较大的误差，甚至失效。

发明内容

本发明的目的是提供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，以解决目前人工读数效率低、容易出错和已有的自动识表方法精度不足的问题。

为解决上述技术问题，本发明提供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，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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；