[发明专利]一种基于卷积神经网络的电厂电表字符定位和识别方法

权利要求书

1.一种基于卷积神经网络的电厂电表字符定位和识别方法，其特征在于，包括以下步骤：

步骤S1：巡检机器人实地电厂环境拍摄数字序列电表图片，对图片进行数据扩充，建立由电厂电表字符图片组成的图像库；

步骤S2：利用训练样本训练用于定位字符区域的卷积神经网络，并确定网络中的学习参数；

步骤S3：利用训练好的用于定位字符区域的卷积神经网络定位所述图像库中电表图像的字符区域，输出字符区域进行裁剪并导出；

步骤S4：整理S3导出的含有数字序列区域图片并建立图像库，利用其训练用于识别数字序列的卷积神经网络；

步骤S5：利用训练好的用于识别数字序列的卷积神经网络识别裁剪得到的数字序列图像，输出电表字符识别结果。

2.根据权利要求1所述的基于卷积神经网络的电厂电表字符定位和识别方法，其特征在于，所述步骤S2以及步骤S4中，利用反向传播算法训练用于定位电表字符区域以及识别数字序列的两个卷积神经网络，从而得到电厂电表字符定位和识别的模型。

3.根据权利要求2所述的基于卷积神经网络的电厂电表字符定位和识别方法，其特征在于，所述步骤S4中，使用步骤S2中训练好的所述定位字符区域的卷积神经网络对电厂电表图像的字符区域进行定位，并将定位框内字符区域图像进行裁剪，得到有字符区域的图像；所述步骤S5中利用步骤S4中的训练好的用于识别数字序列的卷积神经网络对数字序列区域图像进行读数识别。

4.根据权利要求3所述的基于卷积神经网络的电厂电表字符定位和识别方法，其特征在于，所述用于识别数字序列的卷积神经网络由三个部分组成：卷积层、循环网络层、合成层，卷积层用于提取输入图像的特征图，循环网络层用于在卷积特征基础上继续提取数字序列特征，合成层用于生成数字序列并输出。

5.根据权利要求1－4任一项所述的基于卷积神经网络的电厂电表字符定位和识别方法，其特征在于，所述用于定位字符区域的卷积神经网络和用于识别数字序列的卷积神经网络的结构建立均包括卷积层层数、每卷积层的特征图数、全连接的层数、每全连接层的特征图数、池化层层数、卷积层使用的卷积核的大小、池化层所用的采样核的大小、训练步长以及训练卷积神经网络时的最大时间长度即时间输入。

6.根据权利要求5所述的基于卷积神经网络的电厂电表字符定位和识别方法，其特征在于，所述用于定位字符区域的卷积神经网络指通过不断降低损失函数的函数值来学习得到深度卷积神经网络的参数，其中，用于定位电表字符区域的卷积神经网络的损失函数L({p_i}，{t_i})为：

其中，i表示卷积神经网络中第i个锚点，p_i为第i个锚点为电表字符区域的预测概率，如果锚点为正则标签的真实值为1，锚点为负则为0，当为1时，回归损失函数L_rog被激活；t_i为包含定位框四个顶点坐标参数的向量，为定位框的真实值；L_cis为两个类(目标以及非目标)的log损失函数；L_reg表示定位框的回归损失函数，取为其中R为1范数损失函数。

7.根据权利要求6所述的基于卷积神经网络的电厂电表字符定位和识别方法，其特征在于，所述用于识别数字序列的卷积神经网络的训练数据通过：

X＝{I_i,L_i}_i的定义

其中I_i是训练过程中卷积神经网络CRNN判断的数字序列，L_i是真实的标签序列，训练整个卷积神经模型的目标函数是最小化真实条件概率下的负对数似然函数：

其中，Y_i是由L_i经过循环层和卷积层所产生的序列，卷积神经网络使用随梯度下降进行训练，梯度由反向传播算法计算。

8.根据权利要求7所述的基于卷积神经网络的电厂电表字符定位和识别方法，其特征在于，针对步骤S4中利用训练好的用于定位字符区域的卷积神经网络对电厂电表图像进行字符区域定位后，得到一个含有字符区域的定位框。