[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

说明书

本发明实施例公开了一种基于卷积神经网络的电厂电表字符定位和识别方法，包括：整理电厂电表图像，建立由所述图像组成的含有字符的电表图像库；训练用于定位字符区域的卷积神经网络，确定网络中的学习参数；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；整理导出的含有数字序列图片并建立对应的图像库，利用其训练用于识别数字序列的卷积神经网络；利用训练好的卷积神经网络识别裁剪得到的数字序列图像，输出字符识别结果。本发明充分利用卷积神经网络的特征提取和学习能力，规避了传统图像处理中的噪声等问题，提高了系统的鲁棒性，高效准确地定位并识别电厂电表中的字符。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的电厂电表字符定位和识别方法。

背景技术

随着工业化和信息化的快速发展，工业生产的规模不断扩大，全国各地的电厂数量也急剧增加。同样的，电厂中的各种精密仪表也随之增加。电厂电力设备设施的检修和操作对电厂的正常运行是一个非常重要的任务。快速、准确地获得各类仪表的测量值对电厂的日常检修至关重要，依靠人工进行电厂电表读数存在以下缺点：容易引起主观人为误判；检修效率低下、危险性高。而通过巡检机器人后台的仪表识别功能，可以取代传统人工抄表工作，大大节省了巡检的时间，能够发现设备的异常状态。

在现有电表字符定位和识别方法中，主要是利用传统图像处理的方法对电表图片进行处理，通常包括以下3个步骤：字符定位，字符分割和字符识别。其中的字符分割是整个识别过程中的关键，主要是使用图像增强、二值化及连通区域分析方法等。除此之外，字符分割通常将字符单个处理，没有考虑字符之间的关系，而在电厂复杂的环境下，图像的获取容易受到光照，磁场等影响，图片的获取存在质量参差不齐等问题，因此另外采用传统图像处理的方法，其过程较为复杂，效率偏低，系统稳定性和抗干扰行差，识别的准确率低，不能广泛适用于复杂环境。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于卷积神经网络的电厂电表字符定位和识别方法，利用卷积神经网络的特征提取和学习能力对电厂电表字符图像进行处理，可以高效准确地定位并识别电厂电表中的字符。

为了解决上述技术问题，本发明实施例提供了一种基于卷积神经网络的电厂电表字符定位和识别方法，所述方法包括以下步骤：

S1：巡检机器人实地电厂环境拍摄含有字符如：“on”、“off”、“分”、“合”以及由5位罗马数字组成的数字序列电表图片。在此基础之上，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；

S2：利用训练样本训练一个用于定位字符区域的卷积神经网络Faster-Rcnn，并确定网络中的学习参数；

S3：利用训练好的用于定位字符区域的卷积神经网络Faster-Rcnn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；

S4：整理导出的含有数字序列区域图片并建立图像库，利用其训练一个用于识别数字序列的卷积神经网络CRNN；

S5：利用训练好的用于识别数字序列的CRNN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。

步骤S1中，具体包括使用25倍光学变焦相机RST-3200W、佳能单反相机以及自带的移动手机等三种拍摄装备对电厂电表实体环境的拍摄，经整理后得到由450张图片组成的图像库。

进一步的，所述步骤S2以及步骤S4中，用于定位字符区域以及数字序列识别的卷积神经网络CRNN的训练，包括：

卷积神经网络的结构建立和卷积神经网络的参数学习；步骤S2中训练所采用的图像样本来源于巡检机器人实地在电厂拍摄的图片，图片中含有的字符为：“on”、“off”、“分”、“合”以及由5位罗马数字组成的数字序列；步骤S4中训练采用的图像样本来源于步骤S2中训练的卷积神经网络对字符区域的定位并裁剪得到的照片。