CN109029641A - 一种基于Faster-rcnn的水表自动检测方法 - Google Patents
一种基于Faster-rcnn的水表自动检测方法 Download PDFInfo
- Publication number
- CN109029641A CN109029641A CN201810847125.6A CN201810847125A CN109029641A CN 109029641 A CN109029641 A CN 109029641A CN 201810847125 A CN201810847125 A CN 201810847125A CN 109029641 A CN109029641 A CN 109029641A
- Authority
- CN
- China
- Prior art keywords
- rcnn
- network
- water meter
- faster
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
- G01F25/10—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of flowmeters
Abstract
本发明提供了一种基于Faster‑rcnn的水表自动检测方法。具体包括如下步骤:(1)数据获取:用手机拍摄50000多张水表读书照片,涵盖多种水表(2)数据处理:对照片进行裁剪,处理后大小为480*200(3)label制作:采用有监督的方法来检测水表,通过人工用软件手动标定水表读数边框(4)训练网络:把准备好的训练数据及label输入到Faster‑rcnn网络中训练(5)测试网络:输入测试数据到已训练网络中,最后得到水表检测结果和概率。本发明利用Faster‑rcnn实现了水表的自动检测,能快速地将水表读数区域检测出,检测时间为0.177秒,检测准确率达99%,具有极高的实用性和应用价值。
Description
技术领域
本发明属于模式识别与人工智能技术领域,特别涉及一种与深度神经网络相关的自动检测方法。
背景技术
随着计算机技术的飞速发展,人工智能技术正在逐渐改变我们的生活,使我们的生活变得更加便利和高效。而近期GPU等硬件技术的快速发展,也使深度神经网络的实际应用成为可能。
在实际生活中,我们离不开自来水,无论是在农村或是城市,自来水都已经大大普及。而自来水在结算过程中,每个月都需要专门的人员前往每户人家,抄取水表读数,这是一个费时费力的工作。居民房屋数量众多,覆盖范围广,甚至偏僻,而人工读取水表读数容易出错,种种因素使得水表人工读取变得无比繁琐,寻取一种自动而高效的水表读取方法已经势在必行。
深度神经网络的研究进展恰恰为我们提供了工具,最近,研究人员提出多种利用深度神经网络进行自动检测的方法,其中,Faster-rcnn以其高帧速和回调率正被运用于许多实时检测系统中,我们也基于Faster-rcnn实现了水表读数的自动检测,为以后简化自来水结算过程奠定基础。
发明内容
本发明为了实现水表读数的自动检测,提供一种基于Faster-rcnn的水表自动检测方法,该方案具有实时性强,准确率高的特点,具有很高的使用价值。
本发明的目的采用如下技术方案之一实现。
一种基于Faster-rcnn的水表自动检测方法,其特征在于包括:
(1)数据获取:拍摄适量多张水表读书照片,涵盖给定的不同种水表;
(2)数据处理:数据处理:对照片进行裁剪,处理成设定大小;
(3)label制作:通过人工用软件手动标定水表读数边框;
(4)训练网络:把准备好的训练数据及label输入到Faster-rcnn网络中训练;
(5)测试网络:输入测试数据到已训练网络中,最后得到水表检测结果和概率。
优选地,所述步骤(2)对图片进行裁剪,使图片大小最终为480*200。在保证水表读数框完整保留的前提下,可以任意裁剪图片的区域。
优选地,所述步骤(3)包括以下步骤:
(3-1)人工标定水表读数框。
(3-2)将边框的坐标以及宽高存于txt文件中,同时将水表的读数也记录于文件中。
(3-3)将照片随机划分为训练集(约45000张)和测试集(约5000张)。
优选地,所述边框坐标为矩形框四个顶点坐标,将左上顶点坐标记录于第一个位置,其次按照顺时针将其余坐标记录在文本中,最后记录水表读数,各个坐标值和读数值之间用逗号分隔开。
优选地,所述步骤(4)包含以下步骤:
4-1)构建卷积神经网络:Input(480x200)->conv1_1(3*3)->conv1_2(3*3)->pool1->conv2_1(3*3)->conv2_2(3*3)->pool2->->conv3_1(3*3)->conv3_2(3*3)->conv3_3(3*3)->pool3->conv4_1(3*3)->conv4_2(3*3)->conv4_3(3*3)->pool4->conv5_1(3*3)->conv5_2(3*3)->conv5_3(3*3),在第五层卷积层(共享卷积层)后,分别接RPN网络和fast-rcnn网络:
conv5_3->conv(3*3)->conv(1*1)->rpn_loss_bbox/rpn_cls_loss
conv5_3->conv(3*3)->conv(1*1)->RoI->fc->loss_cls/loss_bbox
(4-2)权值初始化:共享卷积层的权值使用Imagenet分类任务训练模型进行初始化,其余新的层采用零均值高斯分布进行初始化。
(4-3)训练参数设定:迭代次数iters=70000,学习率更新策略:step,更新步长:50000,初始学习率:0.001,系数为:0.1,weight_decay:0.0005。
(4-4)在RPN网络中,每一个3*3滑动窗位置产生9个anchor,设置anchor的大小为:1282,2562,5122,宽高比为1:1,1:2和2:1。
(4-5)对边框的坐标进行参数化;
(4-6)训练卷积神经网络:采用交替训练的方法来训练RPN网络和fast-rcnn网络。首先训练RPN网络,利用它产生的proposal来训练fast-rcnn网络。在fast-rcnn网络微调后,用该网络来初始化RPN,再训练RPN,按这种方式重复迭代该训练过程。
优选地,所述步骤(5)包含以下步骤:
(5-1)把测试集中的图片以及标签输入到已训练好的网路中,进行检测。
(5-2)检测完成后,计算平均精度、回调率。
(5-3)随机显示20张照片的检测效果,每张照片的水表读数被自动框出,
并带有判断概率。
与传统的人工读取方法相比,本发明具有以下优点和有益效果:
(1)由于采用深度网络结构的自动学习检测算法,所以能够很好的从数据中学习到有效的表达,提高检测的准确率。
(2)本发明采用端到端的设计,与传统人工读取相比,读取速度快,准确率更高,同时避免人工读取时的有意干扰或故意出错。
(3)本发明分类方法检测准确率高、鲁棒性强、效率高、速度快。
附图说明
图1为实施例中分类方法的流程图;
图2为实施例中数据采集和处理流程图;
图3为实施例中深度卷积神经网络结构图;
图4为实施例中水表检测流程图;
图5为实施例中检测结果示例图。
具体实施方式
下面结合实施例和附图对本发明做进一步的说明,但本发明的实施方式和保护不限于此,需指出的是,以下若有未特别详细说明之过程或符号,均是本领域技术人员可通过现有技术理解或实现的,特别是关于Faster-rcnn、卷积神经网络中的一些参数和符号,在此不再赘述。
本实施例基于Faster-rcnn的水表自动检测方法,流程框图如附图1所示,包括下列步骤:
(1)数据获取:用手机拍摄50000多张水表读书照片,涵盖多种水表。
(2)数据处理:对图片进行裁剪,使图片大小最终为480*200。在保证水表读数框完整保留的前提下,可以任意裁剪图片的区域。如图5所示。
(3)Label制作,包括如下三个步骤:
(3-1)使用标注软件,人工标定水表读数框。
(3-2)将边框的坐标以及宽高存于txt文件中,同时将水表的读数也记录
于文件中。
(3-3)将照片随机划分为训练集(约45000张)和测试集(约5000张)。
所述边框坐标为矩形框四个顶点坐标,将左上顶点坐标记录于第一个位置,其次按照顺时针将其余坐标记录在文本中,最后记录水表读数,各个坐标值和读数值之间用逗号分隔开。
(4)训练网络,包含以下步骤:
(4-1)构建卷积神经网络(各层的名称可以参照现有技术):Input(480x200)->conv1_1(3*3)->conv1_2(3*3)->pool1->conv2_1(3*3)->conv2_2(3*3)->pool2->->conv3_1(3*3)->conv3_2(3*3)->conv3_3(3*3)->pool3->conv4_1(3*3)->conv4_2(3*3)->conv4_3(3*3)->pool4->conv5_1(3*3)->conv5_2(3*3)->conv5_3(3*3)。
在第五层卷积层(共享卷积层)后,分别接RPN网络和fast-rcnn网络:
conv5_3->conv(3*3)->conv(1*1)->rpn_loss_bbox/rpn_cls_loss
conv5_3->conv(3*3)->conv(1*1)->RoI->fc->loss_cls/loss_bbox
卷积神经网络结构如图3所示。
(4-2)权值初始化:共享卷积层的权值使用Imagenet分类任务训练模型进行初始化,其余新的层采用零均值高斯分布进行初始化。
(4-3)训练参数设定:迭代次数iters=70000,学习率更新策略:step,更新步长:50000,初始学习率:0.001,系数为:0.1,weight_decay:0.0005。
作为举例,采用的loss函数为(参数定义可参照现有定义):
(4-4)在RPN网络中,每一个3*3滑动窗位置产生9个anchor,设置anchor的大小为:1282,2562,5122,宽高比为1:1,1:2和2:1。
(4-5)对边框的坐标进行参数化:
tx=(x-xa)/wa ty=(y-ya)/ha
tw=log(w/wa)th=log(h/ha)
tx *=(x*-xa)/wa ty *=(y*-ya)/ha
tw *=log(w*/wa)th *=log(h*/ha)
其中,x,y,w,h代表边框的中心坐标和宽高。x,xa,x*来自于预测框,anchor框和ground truth框,y,ya,y*、h,ha,h*与此相同。
(4-6)训练卷积神经网络:采用交替训练的方法来训练RPN网络和fast-rcnn网络。首先训练RPN网络,利用它产生的proposal来训练fast-rcnn网络。在fast-rcnn网络微调后,用该网络来初始化RPN,再训练RPN,按这种方式重复迭代该训练过程。
(5)测试网络,包含以下步骤:
(5-1)把测试集中的图片以及标签输入到已训练好的网路中,进行检测。
(5-2)检测完成后,程序计算平均精度、回调率。
(5-3)随机显示20张照片的检测效果,每张照片的水表读数被自动框出,
并带有判断概率。
在图5所示的实例中,显示了将一张480*200的水表图片检测后的结果,图中已将读数自动框出,同时左上角带有判定概率0.999。
本发明的实施方式并不受上述实施例的限制,其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于Faster-rcnn的水表自动检测方法,其特征在于,包括以下步骤:
(1)数据获取:拍摄适量多张水表读书照片,涵盖给定的不同种水表;
(2)数据处理:数据处理:对照片进行裁剪,处理成设定大小;
(3)label制作:通过人工用软件手动标定水表读数边框;
(4)训练网络:把准备好的训练数据及label输入到Faster-rcnn网络中训练;
(5)测试网络:输入测试数据到已训练网络中,最后得到水表检测结果和概率。
2.根据权利要求1所述的基于Faster-rcnn的水表自动检测方法,其特征在于,所述步骤(1)使用手机拍摄水表盘,使水表读数框尽量保持水平;所拍摄的水表应涵盖多种已知水表。
3.根据权利要求1所述的基于Faster-rcnn的水表自动检测方法,其特征在于,所述步骤(1)拍摄水表读书照片的张数为50000张。
4.根据权利要求1所述的基于Faster-rcnn的水表自动检测方法,其特征在于,所述步骤(2)对拍得的照片进行裁剪,裁剪后的图片大小为480*200,并使得水表读数得到完整保留。
5.根据权利要求1所述的基于Faster-rcnn的水表自动检测方法,其特征在于,所述步骤(3)包括以下步骤:
(3-1)使用标注软件,人工标定水表读数框;
(3-2)将边框的坐标以及宽高存于txt文件中,同时将水表的读数也记录
于文件中;
(3-3)将照片随机划分为训练集和测试集。
6.根据权利要求1所述的基于Faster-rcnn的水表自动检测方法,其特征在于,所述步骤(4)包括以下步骤:
(4-1)构建卷积神经网络;
(4-2)Faster-rcnn训练参数设定;
(4-3)在RPN网络中,每一个3*3滑动窗位置产生9个anchor,设置anchor的大小为:1282,2562,5122,宽高比为1:1,1:2和2:1;
(4-4)对边框的坐标进行参数化;
(4-5)权值初始化:共享卷积层的权值使用Imagenet分类任务训练模型进行初始化,其余新的层采用零均值高斯分布进行初始化;
(4-6)训练卷积神经网络:采用交替训练的方法来训练RPN网络和fast-rcnn网络;首先训练RPN网络,利用它产生的proposal来训练fast-rcnn网络;在fast-rcnn网络微调后,用该网络来初始化RPN,再训练RPN,按这种方式重复迭代该训练过程。
7.根据权利要求6所述的基于Faster-rcnn的水表自动检测方法,其特征在于,步骤(4-1)构建的神经网络为:Input(480x200)->conv1_1(3*3)->conv1_2(3*3)->pool1->conv2_1(3*3)->conv2_2(3*3)->pool2->->conv3_1(3*3)->conv3_2(3*3)->conv3_3(3*3)->pool3->conv4_1(3*3)->conv4_2(3*3)->conv4_3(3*3)->pool4->conv5_1(3*3)->conv5_2(3*3)->conv5_3(3*3);在第五层卷积层后,分别接RPN网络和fast-rcnn网络:
conv5_3->conv(3*3)->conv(1*1)->rpn_loss_bbox/rpn_cls_loss
conv5_3->conv(3*3)->conv(1*1)->RoI->fc->loss_cls/loss_bbox。
8.根据权利要求6所述的基于Faster-rcnn的水表自动检测方法,其特征在于,步骤(4-2)Faster-rcnn训练参数设定包括:迭代次数iters=70000,学习率更新策略:step更新步长:50000,初始学习率:0.001,系数为:0.1,weight_decay:0.0005。
9.根据权利要求1所述的基于Faster-rcnn的水表自动检测方法,其特征在于,所述步骤(5)包括以下步骤:
(5-1)把测试集中的图片以及标签输入到已训练好的网路中,进行检测;
(5-2)检测完成后,计算平均精度、回调率;
(5-3)随机显示20张照片的检测效果,每张照片的水表读数被自动框出,
并带有判断概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810847125.6A CN109029641A (zh) | 2018-07-27 | 2018-07-27 | 一种基于Faster-rcnn的水表自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810847125.6A CN109029641A (zh) | 2018-07-27 | 2018-07-27 | 一种基于Faster-rcnn的水表自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109029641A true CN109029641A (zh) | 2018-12-18 |
Family
ID=64646354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810847125.6A Pending CN109029641A (zh) | 2018-07-27 | 2018-07-27 | 一种基于Faster-rcnn的水表自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109029641A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712140A (zh) * | 2019-01-02 | 2019-05-03 | 中楹青创科技有限公司 | 训练用于跑冒滴漏检测的全连接分类网络的方法及装置 |
CN109815917A (zh) * | 2019-01-28 | 2019-05-28 | 孙刘云 | 一种消防无人机进行火源目标识别的方法 |
CN109840497A (zh) * | 2019-01-30 | 2019-06-04 | 华南理工大学 | 一种基于深度学习的指针式水表读数检测方法 |
CN110046617A (zh) * | 2019-03-15 | 2019-07-23 | 西安交通大学 | 一种基于深度学习的数字电表读数自适应识别方法 |
CN111476165A (zh) * | 2020-04-07 | 2020-07-31 | 同方赛威讯信息技术有限公司 | 基于深度学习的电子文档中标题印章指纹特征检测方法 |
CN112487866A (zh) * | 2020-11-03 | 2021-03-12 | 辽宁长江智能科技股份有限公司 | 一种水表类型识别方法与系统 |
CN112529003A (zh) * | 2020-12-09 | 2021-03-19 | 安徽工业大学 | 一种基于Faster-RCNN的仪表盘数字识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100640098B1 (ko) * | 2003-12-26 | 2006-10-30 | 김연미 | 다중 광전소자의 출력신호 변화패턴 분석을 이용한계량기의 원격 자동검침 방법과 장치 |
CN101408452A (zh) * | 2008-11-27 | 2009-04-15 | 浙江大学 | 一种全自动水表生产检验方法 |
KR20130048506A (ko) * | 2011-11-02 | 2013-05-10 | 원응조 | 컴팩트 모듈을 이용한 계량 검침 신호 출력 장치 및 그 방법 |
CN103134571A (zh) * | 2013-01-24 | 2013-06-05 | 宁波市计量测试研究院(宁波市衡器管理所) | 一种基于动态视频图像处理和模式识别算法的水表自动检定技术 |
CN106127204A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种全卷积神经网络的多方向水表读数区域检测算法 |
-
2018
- 2018-07-27 CN CN201810847125.6A patent/CN109029641A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100640098B1 (ko) * | 2003-12-26 | 2006-10-30 | 김연미 | 다중 광전소자의 출력신호 변화패턴 분석을 이용한계량기의 원격 자동검침 방법과 장치 |
CN101408452A (zh) * | 2008-11-27 | 2009-04-15 | 浙江大学 | 一种全自动水表生产检验方法 |
KR20130048506A (ko) * | 2011-11-02 | 2013-05-10 | 원응조 | 컴팩트 모듈을 이용한 계량 검침 신호 출력 장치 및 그 방법 |
CN103134571A (zh) * | 2013-01-24 | 2013-06-05 | 宁波市计量测试研究院(宁波市衡器管理所) | 一种基于动态视频图像处理和模式识别算法的水表自动检定技术 |
CN106127204A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种全卷积神经网络的多方向水表读数区域检测算法 |
Non-Patent Citations (2)
Title |
---|
林文娅: "基于神经网络的水表字符识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄玲娥: "基于神经网络的物品识别研究", 《厦门理工大学学位论文》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712140A (zh) * | 2019-01-02 | 2019-05-03 | 中楹青创科技有限公司 | 训练用于跑冒滴漏检测的全连接分类网络的方法及装置 |
CN109815917A (zh) * | 2019-01-28 | 2019-05-28 | 孙刘云 | 一种消防无人机进行火源目标识别的方法 |
CN109840497A (zh) * | 2019-01-30 | 2019-06-04 | 华南理工大学 | 一种基于深度学习的指针式水表读数检测方法 |
CN110046617A (zh) * | 2019-03-15 | 2019-07-23 | 西安交通大学 | 一种基于深度学习的数字电表读数自适应识别方法 |
CN111476165A (zh) * | 2020-04-07 | 2020-07-31 | 同方赛威讯信息技术有限公司 | 基于深度学习的电子文档中标题印章指纹特征检测方法 |
CN112487866A (zh) * | 2020-11-03 | 2021-03-12 | 辽宁长江智能科技股份有限公司 | 一种水表类型识别方法与系统 |
CN112529003A (zh) * | 2020-12-09 | 2021-03-19 | 安徽工业大学 | 一种基于Faster-RCNN的仪表盘数字识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029641A (zh) | 一种基于Faster-rcnn的水表自动检测方法 | |
US20190355152A1 (en) | Point cloud attribute compression method based on kd tree and optimized graph transformation | |
CN109344850A (zh) | 一种基于yolo的水表自动检测方法 | |
US20170134899A1 (en) | Mitigating signal noise for fingerprint-based indoor localization | |
CN108282743A (zh) | 室内定位方法、装置及系统 | |
CN108520023A (zh) | 一种基于混合聚类算法的雷暴核识别及追踪方法 | |
CN104105106A (zh) | 无线通信网智能天线覆盖场景自动分类识别方法 | |
CN103870845A (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN110502801B (zh) | 海洋温度锋自动追踪和特征参数信息提取方法 | |
CN109874146A (zh) | 一种预测路损的方法及装置 | |
CN110288602A (zh) | 滑坡提取方法、滑坡提取系统及终端 | |
CN109816664A (zh) | 一种三维点云分割方法及装置 | |
CN110335355A (zh) | 一种大型浅水湖泊水面高自动计算方法 | |
CN111091095A (zh) | 一种遥感图像中船只目标的检测方法 | |
CN109188410A (zh) | 一种非视距场景下的距离校准方法、装置及设备 | |
CN110517575A (zh) | 一种地表水体制图方法及装置 | |
CN101873605A (zh) | 一种网络规划中自适应传播环境分类方法 | |
Sandro et al. | Pattern recognition and typification of ditches | |
Gioia et al. | Performance of a theoretical model for the description of water balance and runoff dynamics in Southern Italy | |
CN112580585A (zh) | 一种基于堆叠稠密网络的挖掘机目标检测方法及装置 | |
CN107154070A (zh) | 矢量要素与数字地面模型叠加方法及装置 | |
KR101677159B1 (ko) | 다중칼만게인과 동적자료선별을 통한 앙상블기반 저류층특성화 방법 | |
Hu et al. | Multi-information PointNet++ fusion method for DEM construction from airborne LiDAR data | |
CN110211109A (zh) | 基于深度神经网络结构寻优的图像变化检测方法 | |
KR102389279B1 (ko) | 유한요소법 기반의 지진해일 수치시뮬레이션 모델을 구축하는 방법 및 그 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |