[发明专利]一种基于无线传感器网络和卷积神经网络的指针式仪表示值识别系统

说明书

本发明公开了一种基于无线传感器网络(WSNs)和卷积神经网络(CNN)的指针式仪表示值识别系统，涉及无线传感器网络、图像处理和卷积神经网络技术领域。所述系统由WSNs终端节点、WSNs协调器节点、上位机软件构成。识别算法上：通过图像预处理提取指针杆坐标，使用结构优化的CNN模型(指针杆坐标作为模型输入)分类得到大刻度值，再结合角度法计算示值。所述系统通过上位机对待识别仪表的参数进行设置(大刻度个数、仪表量程)，该系统利用了WSNs节点的数据处理能力和通信能力，在WSNs终端节点上完成指针表的图像采集和算法识别，通过WSNs协调器节点创建的无线网络将识别结果发送至协调器节点，协调器通过USB口将接收到的示值结果上传到上位机显示。所述系统节点可由电池直接供电，能快捷方便地布置在临时性重要场所，完成对指针式仪表示值的识别。

技术领域

本发明涉及无线传感器网络、图像处理和卷积神经网络技术领域，尤其涉 及一种基于无线传感器网络(WSNs)和卷积神经网络(CNN)的指针式仪表示 值识别方法。

背景技术

尽管智能型仪表已经广泛应用于各种领域中，但是无数字输出接口的指针 式仪表有着固有的优点，如成本低、可靠性高、结构简单，仍然在现代工业过 程用于监视不同的设备和过程参数。指针式仪表的示值通常由技术人员手动获 得的，这种方法效率低下。为解决该问题，基于计算机视觉的指针式仪表自动 读数方法被广泛研究并得到应用。但是，现有的指针式仪表识别系统多数为有 线系统，有线系统呈现的缺点有：安装繁琐、维护费用高以及缺乏灵活性等。

WSNs具有无需电缆、容易部署、方便维护等诸多优势，在环境监测、工业 设备监测、医疗卫生、智能家居等领域广泛应用。WSNs节点资源有限，在其上 运行的算法通常是较小型的，而卷积神经网络模型参数量庞大。

发明内容

本发明内容为：使用图像处理技术和卷积神经网络算法设计了指针式仪表 的自动读数算法，并在WSNs节点上实现了该算法。所要解决的技术问题是如 何在WSNs节点上应用CNN算法，即如何实现基于WSNs和CNN的指针式仪 表示值识别系统。

本发明采用以下技术方案实现：

一种基于WSNs和CNN的指针式仪表示值识别系统，包括WSNs终端节点、WSNs协调器节点、上位机。WSNs终端节点采集指针式仪表图像并进行示值识 别，识别的数值通过WSNs发送给WSNs协调器节点；WSNs协调器节点负责 WSNs的创建与维护，并将接收到的仪表示值通过USB口发送到上位机；上位 机负责仪表参数设置、显示和保存仪表示值数据。

算法的实现方案：通过图像预处理提取指针杆坐标，使用结构优化的CNN 模型(指针杆坐标作为模型输入)分类得到大刻度值，再结合角度法计算示值。

CNN结构：包含一个输入层、三个卷积层、一个池化层和一个softmax层。

输入层：指针杆所有坐标的行在前列在后排列成方形阵列，指针杆像素数 量最大为338，将其坐标排列成26*26的阵列，若坐标数量不足，则用零补齐， 然后用0填充为33*33的阵列作为模型输入。

卷积层：输入层之后为三个卷积层(Conv1、Conv2、Conv3)。每一层卷积 跟随一个修正线性单元(ReLU)，Conv1、Conv2、Conv3卷积核的步长分别设置 为2、2、1。

池化层：三个卷积层之后为池化层，池化层对上一层的输出求取全局平均。

soffmax层：池化层的输出输入到softmax，得到各个标签对应的匹配率。