[发明专利]一种燃气表不完整码字识别方法

摘要

本发明公开了一种燃气表不完整码字识别方法，结合燃气表完整码字和不完整码字的共有特征，改进了基于卷积神经网络的网络模型的损失函数，实现了利用燃气表完整码字来训练识别燃气表不完整码字网络模型的目标，从根本上解决了燃气表不完整码字因数据量不足而对深度学习模型训练不充分而产生的难题。

主权项

1.一种训练燃气表不完整码字识别网络模型的方法，其特征在于，包括以下步骤：步骤1，获取多个燃气表码字图像,对每个燃气表码字图像进行预处理，得到多个带标签的单码字字符图像；步骤2，判断步骤1得到的单码字字符图像为完整码字还是不完整码字，其中，所有的完整码字形成完整码字数据集，所有的不完整码字形成不完整码字数据集；步骤3，将完整码字数据集输入到卷积神经网络模型中进行训练，得到初步训练后的模型；该卷积神经网络模型中的损失函数为：其中，y是燃气表单码字字符图像的HOT标签值，a_i为卷积神经网络模型的输出层的第i个输出值，a_j为卷积神经网络模型的输出层的第j个输出值，t为卷积神经网络模型需要分类的类别总数；f(θ)为卷积神经网络模型的损失函数的子项输入，其中，λ是平衡系数，m是常数项，w＝[w₁,w₂,…w_k,…w_N]为卷积神经网络模型的最后一层池化层的特征图对应的权值参数，其中，N为卷积神经网络模型的最后一层池化层的特征图分成的块数，w_k为特征图的第k个块对应的权值；b＝b₁+b₂+...b_k+...+b_N为卷积神经网络模型的最后一层的特征图对应的偏置项，其中，b_k为特征图的第k个块对应的偏置项；步骤4，对步骤3得到的初步训练后的模型中的损失函数进行修改，得到修改了损失函数后的模型；将不完整码字数据集输入到修改了损失函数后的模型中进行训练，得到燃气表不完整码字识别网络模型；其中，修改了损失函数后的模型的损失函数为：其中，y是燃气表单码字字符图像的HOT标签值，a1i为初步训练后的模型的输出层的第i个输出值，a1j为初步训练后的模型的输出层的第j个输出值，t为初步训练后的模型需要分类的类别总数。