[发明专利]一种仪表读数神经网络识别方法

权利要求书

1.一种基于神经网络的仪表读数校正方法，其特征在于，包括以下步骤：

1)对要识别指针仪表图像进行拍摄并记录；

2)对校正基准的数字显示仪表进行图像拍摄识别读数内容；

3)将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习；

4)仪表读数识别，输入指针仪表摄像图像，神经网络模型给出相应仪表读数识别结果与置信区间。

2.根据权利要求1所述的一种基于神经网络的仪表读数校正方法，其特征在于，所述步骤1)中，对要识别指针仪表图像进行拍摄并记录，需要将多角度的摄像头拍摄图像进行存储，指针仪表图像每组一共25张，将对应着数字显示仪表识别的数据，通过所拍摄图像涵盖仪表量程范围，仪表图像数量不少于1000张，每个刻度之间根据最小估读量间隔进行拍摄。

3.根据权利要求1所述的一种基于神经网络的仪表读数校正方法，其特征在于，所述步骤2)中，拍摄数显仪表基准时，仪表表盘正对摄像头，对拍摄的数显仪表得到的读数，将其与对应指针仪表图像标注，其中对指针仪表读取到应该估读到的那一位进行四舍五入。

4.根据权利要求1所述的一种基于神经网络的仪表读数校正方法，其特征在于，在步骤3)中，具体包括步骤：

3.1)构建人工神经网络模型：包含了仪表指针图像特征模块、校正图像信息对应模块和输出识别模块；其中，仪表指针图像特征模块将各个读数的指针仪表拍摄图像通过卷积神经网络得到高级特征图；校正图像信息对应模块，进行数显仪表与指针仪表的信息对应；输出识别模块根据人工神经网络的输出进行识别与预测；

3.2)人工神经网络训练参数设置：神经网络训练参数包括优化器、迭代次数、学习率和权重减少系数；优化器为RMSProp，迭代次数为10000，学习率为0.1，权重减少系数为0.0005；

3.3)对模型参数进行人工神经网络训练，得到识别模型：通过前馈误差算法进行参数学习，从模型的输出层开始前向传递，对神经网络模型进行修正，达到训练神经网络的目的，训练过程也是对指针仪表读数的校正过程。

5.根据权利要求4所述的一种基于神经网络的仪表读数校正方法，其特征在于，所述步骤3.1)中，

所述仪表指针图像特征模块的网络层结构为：

所述仪表指针图像特征模块的网络层结构包括：输入层输入图片，卷积层+非线性层(传递函数引入非线性)+池化层(采样作用)这三层为一组，视为一次卷积，共用了5次卷积：

输入层：3×40×144；

卷积层：核数量64，卷积核3×3，步长1×1，补边64×40×144；非线性层：64×40×144；池化层：池化核2×2，步长2×2，图片尺寸64×20×72；

卷积层：核数量64，卷积核3×3，步长1×1，补边64×40×72；非线性层：64×40×72；池化层：池化核2×2，步长2×2，图片尺寸64×20×36；

卷积层：核数量64，卷积核3×3，步长1×1，补边128×10×36；非线性层：128×10×36；池化层：池化核2×1，步长2×1，图片尺寸128×5×36；

卷积层：核数量128，卷积核3×3，步长1×1，补边128×5×36；非线性层：128×5×36；池化层：池化核2×2，步长2×2，图片尺寸128×2×18；

卷积层：核数量512，卷积核3×3，步长1×1，补边512×1×17；归一化层：512×1×17非线性层：图片尺寸512×1×17；

仪表指针图像特征模块中，卷积层的贴边操作运算为，在原特征图的上下左右均贴上一圈像素点，像素值为0；非线性层采用ReLU激活函数；池化层采用最大池化方式；归一化层将每一张特征图归一化为高斯正态分布；

所述校正图像信息对应模块的网络层结构为2层：长短时记忆层结点128，图片尺寸128×1×17；长短时记忆层结点数256，图片尺寸256×1×17；

所述输出识别模块的网络层结构为3层：

全连接层结点数256，图片尺寸256×1×17；全连接层结点数128，图片尺寸128×1×17；全连接层结点数20，图片尺寸20×1×17；模块采用具有17个位置的预测结构，将预测结果进行CTC解码，得到仪表读数的识别结果。

6.根据权利要求1所述的一种基于神经网络的仪表读数校正方法，其特征在于，所述步骤4)中，具体包括以下步骤：

4.1)将指针仪表拍摄图像进行输入训练好的神经网络，对实拍图像进行识别；

4.2)返回识别结果，得到识别置信度。