[发明专利]一种基于深度学习的数字万用表字符识别系统和方法

说明书

本发明公开了一种基于深度学习的数字万用表字符识别系统和方法，所述系统包括表盘区域提取网络模块和字符识别网络模块，其中，表盘区域提取网络模块包括深度可分离卷积单元、空间通道注意力单元、转置上采样卷积单元和图像分割单元，其中，深度可分离卷积单元用于对原始图片进行多次下采样，获得不同层次和尺寸的特征图；空间通道注意力单元用于对特征图进行特征增强；转置上采样卷积单元用于进行特征融合；图像分割单元用于获得表盘区域的分数图和顶点坐标，并以分割出表盘区域图像。该系统在表盘区域提取中引入卷积注意力机制，有效提高了万用表字符识别系统对复杂图像的信息提取能力，能够取得了高效准确的识别结果。

技术领域

本发明属于数字万用表技术领域，具体涉及一种基于深度学习的数字万用表字符识别系统和方法。

背景技术

数字万用表广泛应用于航天、通讯、军事、教育和电力等领域，由于外部环境变化和内部电子元器件老化等原因，数字万用表经过一段时间的使用后显示数值与实际数值会存在一定的偏差，根据相关仪器仪表测量规定，必须对各种仪器仪表的精度等级按期进行检定和校准。然而普通数字万用表没有直接与计算机进行数据通信的接口，无法与计算机直接进行数据传输，现实生产活动中仍需采用人工方式获取读数，检定工作只能依靠计量部门人员手工记录测量值，再与标准值对比偏差进而对待检万用表的测量精度给出评价，人工检定方式存在出错率高、效率低、一致性差等一系列人工重复劳动而引起的问题。

随着计算机视觉技术的发展，利用计算机强大的计算力来自动识别仪表读数也逐步成为一种可实用的方式。基于传统字符识别方法的自动检定系统一般步骤分为对获取的原始图像进行预处理，方向校正，字符定位，字符分割，字符识别等多个阶段，以上都需要图片有较纯净的背景，略复杂的图片会导致识别失败，且受光照旋转等干扰影响大，因此无法处理复杂场景，存在适应性差、容错性低等缺陷。在仪表识别这一任务中，旋转变化、仿射变化对读数判定有很大影响，不仅拍摄的仪表图片可能具有较大的旋转变化、视角变化，而且仪表结构存在诸多变化性，包括不同子目标的放置位置差异、字体差异、颜色差异等等，这些变化性给仪表识别带来了很大的困难。因此，如何简化检测识别流程，减少繁琐复杂的中间环节，解决光照变化、角度旋转等干扰问题，提高识别系统的准确性、效率性和通用性，是一个非常值得关注的研究课题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习的数字万用表字符识别系统和方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于深度学习的数字万用表字符识别系统，包括表盘区域提取网络模块和字符识别网络模块，其中，

所述表盘区域提取网络模块包括深度可分离卷积单元、空间通道注意力单元、转置上采样卷积单元和图像分割单元，其中，所述深度可分离卷积单元用于对原始图片进行多次下采样，获得所述原始图像不同层次和尺寸的特征图；所述空间通道注意力单元用于对所述不同层次和尺寸的特征图进行特征增强，获得增强后的特征图；所述转置上采样卷积单元用于重建上采样特征，以与相应的下采样特征进行特征融合，获得融合后特征图；所述图像分割单元用于利用所述融合后特征图获得表盘区域的分数图和顶点坐标，并根据获得的分数图和顶点坐标在所述原始图像中分割出表盘区域图像；

所述字符识别网络模块用于对所述表盘区域图像进行字符序列识别并输出经识别的字符数据。

在本发明的一个实施例中，所述深度可分离卷积单元包括依次连接的普通卷积块、第一深度可分离卷积块、第二深度可分离卷积块和第三深度可分离卷积块，其中，所述普通卷积块用于对所述原始图像进行下采样，获得第一下采样特征图；所述第一深度可分离卷积块用于对所述第一下采样特征图进行下采样，获得第二下采样特征图；所述第二深度可分离卷积块用于对所述第二下采样特征图进行下采样，获得第三下采样特征图；所述第三深度可分离卷积块用于对所述第三下采样特征图进行下采样，获得第四下采样特征图。