基于深度学习的水表读数识别及其应用

发布时间：2020-06-02 13:50

【摘要】：水资源是关系到国计民生的基础资源,我国存在严重的水资源短缺、水污染加剧和水土流失等问题。随着水资源的日益消耗,对个人用户及企业用户的水表读数进行准确记录具有重要意义;另一方面,随着人口的增长和社会经济的发展,目前的水表用户数量庞大、分布范围广泛,人工抄表的难度越来越大,已经不再适应于当前时代发展的需求,智能抄表系统已成为水务企业目前及未来的发展重点。随着现代社会计算机技术、通信技术的进步,自动化的智能抄表已经逐渐成为现实。本文针对字轮式的水表,提出采用计算机视觉以及图像处理等技术对水表图像进行数字区域的检测以及读数的识别。采用图像识别的方式记录水表读数主要是依托于近几年计算机视觉特别是深度学习技术的高速发展使得复杂环境下的图像检测以及识别已经成为可能,并且将水表读数以图像的方式进行记录可以有效避免作假事件的发生。本文的主要工作包括:1)提出了一个适用于水表读数识别的全卷积序列识别网络,构建并发布了一个用于训练水表读数识别算法的数据集。该数据集包括5000张困难样本和1000张简单样本,困难样本中存在较大的光照、模糊、水滴及灰尘干扰。这两部分的样本都进行了读数标注,如“0,1,5,6,0”。2)针对单个水表数字存在“中间状态”的问题,根据实际应用中对水表读数后处理的分析,提出了一种“增强损失函数”。该损失函数指导模型将处于“中间状态”的数字识别为相对应的“较低状态”的数字,从而减少读数识别的错误,能有效提升识别的准确率。3)基于图像检测、文本识别算法以及云计算技术构建了一个智能水表云服务系统。将水表的图像及读数识别结果保存在云端服务器,同时提供查询和纠错等功能,以达到提高效率和降低人工成本的目的。4)设计并实现了水表读数识别在智能移动终端上的应用演示系统。在服务器上训练了8比特轻量级的水表数字区域检测模型以及水表读数识别模型,并将这两个模型部署到智能移动终端上,开发了一个安卓手机上的演示应用。
【图文】：

示意图,循环神经网络,卷积,序列识别

华南理工大学硕士学位论文学习的文本图像序列识别神经网络经网络(ConvolutionalRecurrentNeuralNetwork，CRNN经网络进行文本图像序列识别，具体结构如图 2-1 所示的特征提取模型，利用卷积神经网络对包含文本序列的者池化的方法将特征图高度压缩至 1，即可得到序列特神经网络进行序列建模，得到融合了тн文信息的特征转录层进行解码以识别图片中包含的文本信息。此类方题，同时具备了端到端训练的优点。

水表,图像数据,样本图,标签

表读数识别率的增强损失函数；在 3.5 节讨论实验结果并在 3.6 节总结本章。3.2 水表图像数据集我们构建并公开了个水表图像数据集（命名为 SCUT-WMNDataset[78]）用于非商业研究。数据集中的水表图像是通过相机拍照收集的，，采集过程中将水表数字区域用矩形框进行坐标标注，并将水表读数记录н来。我们将采集到的水表图像数据中的数字区域部分切割н来作为水表读数识别研究的训练及测试图像，将水表读数作为标签。整个水表图像数据集分为两个部分。第部分包含了 5000 张困难样本（如图 3-1 所示）。这些困难样本中存在较大的光照、模糊、水滴及灰尘干扰，可以增强训练得到的模型的抗干扰能力，较大地提升识别的准确率。第二部分包含 1000 张简单样本（如图 3-2所示）。这两部分的样本都进行了读数标注，标注格式为：对每个数字进行字符标注并用逗号分隔开，如图 3-1 中第个图像的读数标注为“0,1,5,6,0”。所有样本中每个字符的总数如表 3-1 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】：2019
【分类号】：TU991.62;TP391.41;TP18

【参考文献】