基于卷积神经网络的水表读数识别

^

m m m m

2021年第04期

(总第220期）

基于卷积神经网络的水表读数识别

韦文斐\卓豫鑫、建晓鹏2

(1河南工业大学信息科学与工程学院；2.河南工业大学人工智能与大数据学院，河南郑州450001)

摘要：老式水表的人工抄表模式需要耗费大量的人工和时间成本。而当前计算机算力飞速增长，深度学习理论取得不断 突破，利用神经网络和深度学习理论来实现水表读数的自动识别成为可能。为提高水表读数识别率，文章通过偏转和加 噪实现数据集扩增，采用灰度化、二值化等操作对数据集进行预处理，在TensorFlow 框架下搭建卷积神经网络，选取3x 3的 卷积核组成三层卷积神经网络。试验结果表明，该方法的单个字符识别准确率能够达到99%,7jc 表整体识别率稳定在97%。 关键词：图像处理;数字识别；卷积神经网络;水表;预处理中图分类号:TP 183;TP 391.41 文献标识码:A

文章编号:2096-9759(2021 )04-0026-04

Water Meter Reading Recognition Based on Convolutional Neural Network

Wei Wenfei1, Zhuo Yuxin1, Jian Xiaopeng 2

(1. College o f Information Science and Engineering，Henan U niversity o f Technology ;

2. School o f A rtific ia l Intelligence and Big Data , Henan University o f Technology , Henan 450001)

AbstractrThe manual reading mode o f old water meters requires a lo t o f labor and time costs . A t present , computer computing power is increasing rapidly , and deep learning theory has made continuous breakthroughs . It is possible to use neural network and deep learning theories to realize automatic recognition o f water meter readings . In order to improve the recognition rate o f water meter readings , this article used deflection and noise addition to achieve data set am plification , used grayscale , binariza - tion and other operations to preprocess the data set , b u ilt a convolutional neural network under the TensorFlow framework , and selected 3x 3 The convolution kernel composed a three-layer convolutional neiiral network . The test results show that the single character recognition accuracy rate o f this method can be stabilized at 98%, and the overall water meter recognition rate is stable at 96%.

Key words:water meter ; image processing ; digital recognition ; convolutional neural network;preprocessing

〇引言

当前，尽管智能水表正在取代老式的机械水表，但在许多 地区，由于环境、成本等因素的限制,机械水表无法被替换，仍 需要人工手动进行抄表。随着信息技术的发展，远程抄表系 统越来越受到广泛的应用。有研宄采用模板匹配、特征匹配 等方法来进行字符识别，但是这些方法需要对图片进行复杂 的预处理，并且对复杂的环境条件(如:光照不均、字符显示不 全)不具有鲁棒性。

深度学习近年来迅猛发展，其中卷积神经网络在图像处 理领域取得了重要发展，尤其在图像分类、目标检测等方面取 得了很好的成绩，保证了模型具有良好的泛化性能并获得概

率上的全局最优[1]，但是深层神经网络对数据集的需求量较大， 如果数据集数量不足，容易出现过拟合或陷入局部最优解。因 此，我们将原本数据集进行适度扩增，可以在一定程度上解决 该问题。

1水表数字识别的基本思路

基于Lenet -5卷积神经网络的水表数字识别算法主要包 括数据集的预处理、神经网络的训练与测试，流程图如图1所

本。

图1算法流程图

1.1数据集的预处理

原始数据集如图2所示，原始数据集图像可能存在污损、 噪声和强光等现象。

由于每个字符区域宽度一致，首先采用等分策略将数字 等距分割为五个独立的字符。然后对字符图像进行加椒盐噪 声、顺时针或逆时针偏转10°的操作实现数据扩充，增加数据 集的多样性,提高网络的泛化能力。为降低污损、光照不均产 生的干扰，采用灰度化、中值滤波和二值化对字符图像进行处 理以降低干扰，强化特征细节。之后将字符图像尺寸统一转

收稿曰期= 2021-02-23

基金项目:河南工业大学2019本科教育教学改革研宄与实践项目JXYJ -Z 201920C 计算机专业硬件课程创新研宂与教学实践）

河南工业大学2019年度离散数学“线上线下混合教学模式课程”。作者简介:韦文斐(2001-),男,河南平顶山人，本科生,主要研宄方向:机器学习;卓豫鑫(2000-),男，河南濮阳人,本科生，主要研宄方向:机 器学习;建晓鹏(2001-),男,河南三门峡人，本科生,主要研究方向:机器学习。