CN111950396A - 一种仪表读数神经网络识别方法 - Google Patents
一种仪表读数神经网络识别方法 Download PDFInfo
- Publication number
- CN111950396A CN111950396A CN202010729380.8A CN202010729380A CN111950396A CN 111950396 A CN111950396 A CN 111950396A CN 202010729380 A CN202010729380 A CN 202010729380A CN 111950396 A CN111950396 A CN 111950396A
- Authority
- CN
- China
- Prior art keywords
- instrument
- neural network
- layer
- multiplied
- reading
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 24
- 238000005096 rolling process Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 239000013585 weight reducing agent Substances 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Abstract
本发明公开了一种仪表读数神经网络识别方法,属于视觉识别与自动化领域,包括:(1)指针仪表图像获取:指针仪表图像进行拍摄并记录;(2)校正基准获取;(3)将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习;(4)仪表读数识别检测:输入指针仪表摄像图像,神经网络模型给出相应仪表读数识别结果与置信区间。本发明克服现有仪表读数提取方法的不足,充分利用人工神经网络模型的参数学习能力,基于人工神经网络模型的学习能力和误差前馈的物理意义,通过对拍摄图像的处理,对指针仪表读数进行精确检测,具有实时性强、准确率高等特点,具有较好的实用价值。
Description
技术领域
本发明属于视觉识别与自动化领域,具体涉及一种仪表读数神经网络识别方法。
背景技术
在测量系统的应用里自动化仪表读数是一种广泛的方法。例如水表抄表计费等。仪表的定时定期读数时也有在监控系统的应用。目前,仪表读数有以下的一些方法:
1)人工读取,例如水电燃气数据的人工抄表,依然采用人工的方法。这种方法无法实现自动化,费时费力。
2)测量仪表数字化,直接获取数字化的读数,将原有的仪表进行数字化替换,减小人工开销,提高读数效率。但是前期投入成本较高,例如将水表进行拆卸,更换为数字化水表,前期投入较大,维护成本也不低,同时需要用户加以配合。另外,部分机械表具有数字化表难以替代的优势,例如机械压力表测量精准,成本优势大,而且相比数字化表无需电源,稳定性好。
3)摄像头拍摄仪表图,运用计算机视觉识别仪表读数。无需更换原有仪表,成本不高,可以即时使用。
指针仪表使用方便,价格低廉,在电气、化工、机械等行业中得到了广泛的使用。在一些测试地点,例如对人员具有伤害的场所不适合进行人工读数。在数据量需求较大,条件恶劣的工作环境当中,准确和效率需要得到保证。现在基于计算机视觉的图像识别技术自动化识别,能提高读数精度,降低人力成本,提高效率。
现在的指针仪表的图像自动识别方式主要分为三部分,包括表盘区域,指针位置,刻度识别
1)表盘提取方法目前主要使用模板特征匹配,在背景较复杂时准确率不高,效率低下。
2)指针位置识别的方法有两种:
分割区域提取表盘特征,运用消影法获得指针图像,二值化处理指针图像,直线提前方法提取指针对应直线。此方法要求表盘与摄像头位置稳定。
对图像进行去噪滤波、形态学滤波以提取指针图像,二值化处理指针图像,直线提前方法提取指针对应直线。此方法成像质量要求比较高。
3)刻度视觉识别的读取的方法有以下几种:
将摄像头与仪表固定,根据两者位置关系,由指针偏转角度得到读数。这种方法因表盘位置相对固定,实际应用会受到限制。
对图像进行去噪滤波、形态学滤波以提取刻度图像,二值化处理指针图像,直线提前方法提取刻度对应直线,根据指针直线与刻度的对应关系得到参数。这种方法需要能提取刻度线。
对刻度数字进行识别,得到刻度线对应读数。这种方法需要进行数字识别对表盘的清晰度有要求,仪表光照与污垢可能会造成自动化读数失败。
建立仪表模板,运用指针和刻度线特征,在仪表图像识别区域,提取指针和刻度线,将模板图中的刻度线角度,圆心位置保存在模板库当中,通过指针直线与刻度线的对应关系进行计算得到读数。这种方法需要提前建立庞大的数据库,工作量大且较为繁琐。
发明内容
针对现有技术的缺陷,本发明提供一种基于神经网络的仪表校正方法,由此解决现有的指针仪表读数识别在摄像机固定位置不确定,人工读数不稳定性,指针仪表自身不准的问题。
为解决上述问题,本发明的技术方案为:一种基于神经网络的仪表读数校正方法,包括以下步骤:
1)对要识别指针仪表图像进行拍摄并记录;
2)对校正基准的数字显示仪表进行图像拍摄识别读数内容;
3)将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习;
4)仪表读数识别,输入指针仪表摄像图像,神经网络模型给出相应仪表读数识别结果与置信区间。
进一步,所述步骤1)中,对要识别指针仪表图像进行拍摄并记录,需要将多角度的摄像头拍摄图像进行存储,指针仪表图像每组一共25张,将对应着数字显示仪表识别的数据,通过所拍摄图像涵盖仪表量程范围,仪表图像数量不少于1000张,每个刻度之间根据最小估读量间隔进行拍摄。
进一步,所述步骤2)中,拍摄数显仪表基准时,仪表表盘正对摄像头,对拍摄的数显仪表得到的读数,将其与对应指针仪表图像标注,其中对指针仪表读取到应该估读到的那一位进行四舍五入。
进一步,在步骤3)中,具体包括步骤:
3.1)构建人工神经网络模型:包含了仪表指针图像特征模块、校正图像信息对应模块和输出识别模块;其中,仪表指针图像特征模块将各个读数的指针仪表拍摄图像通过卷积神经网络得到高级特征图;校正图像信息对应模块,进行数显仪表与指针仪表的信息对应;输出识别模块根据人工神经网络的输出进行识别与预测;
3.2)人工神经网络训练参数设置:神经网络训练参数包括优化器、迭代次数、学习率和权重减少系数;优化器为RMSProp,迭代次数为10000,学习率为0.1,权重减少系数为0.0005;
3.3)对模型参数进行人工神经网络训练,得到识别模型:通过前馈误差算法进行参数学习,从模型的输出层开始前向传递,对神经网络模型进行修正,达到训练神经网络的目的,训练过程也是对指针仪表读数的校正过程。
进一步,所述步骤3.1)中,
所述仪表指针图像特征模块的网络层结构为:
所述仪表指针图像特征模块的网络层结构包括:输入层输入图片,卷积层+非线性层(传递函数引入非线性)+池化层(采样作用)这三层为一组,视为一次卷积,共用了5次卷积:
输入层:3×40×144;
卷积层:核数量64,卷积核3×3,步长1×1,补边64×40×144;非线性层:64×40×144;池化层:池化核2×2,步长2×2,图片尺寸64×20×72;
卷积层:核数量64,卷积核3×3,步长1×1,补边64×40×72;非线性层:64×40×72;池化层:池化核2×2,步长2×2,图片尺寸64×20×36;
卷积层:核数量64,卷积核3×3,步长1×1,补边128×10×36;非线性层:128×10×36;池化层:池化核2×1,步长2×1,图片尺寸128×5×36;
卷积层:核数量128,卷积核3×3,步长1×1,补边128×5×36;非线性层:128×5×36;池化层:池化核2×2,步长2×2,图片尺寸128×2×18;
卷积层:核数量512,卷积核3×3,步长1×1,补边512×1×17;归一化层:512×1×17非线性层:图片尺寸512×1×17;
仪表指针图像特征模块中,卷积层的贴边操作运算为,在原特征图的上下左右均贴上一圈像素点,像素值为0;非线性层采用ReLU激活函数;池化层采用最大池化方式;归一化层将每一张特征图归一化为高斯正态分布;
所述校正图像信息对应模块的网络层结构为2层:长短时记忆层结点128,图片尺寸128×1×17;长短时记忆层结点数256,图片尺寸256×1×17;
所述输出识别模块的网络层结构为3层:
全连接层结点数256,图片尺寸256×1×17;全连接层结点数128,图片尺寸128×1×17;全连接层结点数20,图片尺寸20×1×17;模块采用具有17个位置的预测结构,将预测结果进行CTC解码,得到仪表读数的识别结果。
进一步,所述步骤4)中,具体包括以下步骤:
4.1)将指针仪表拍摄图像进行输入训练好的神经网络,对实拍图像进行识别;
4.2)返回识别结果,得到识别置信度。
根据上述方案的本发明,其有效性在于:
1、与传统的人工读数相比,本发明能实现自动化的指针仪表读数,节省大量人力资源,可以进行实时性、大批量的数据处理。
2、与有的根据指针位置与刻度几何关系的读数方法,本发明对指针仪表本身的精确性要求不高。
3、本发明对摄像头与仪表盘安装位置不能固定的情景有更好的适用性。
4、本方法可以不用大规模使用数字显示仪表代替指针仪表,具有成本优势。
本发明克服现有仪表读数提取方法的不足,充分利用人工神经网络模型的参数学习能力,基于人工神经网络模型的学习能力和误差前馈的物理意义,通过对拍摄图像的处理,对指针仪表读数进行精确检测,具有实时性强、准确率高等特点,具有较好的实用价值。
附图说明
图1为本发明指针仪表摄像图。
图2为本发明整体流程框图。
图3为本发明数字仪表识别的示意图。
图4为本发明人工神经网络模型的结构图。(a)为结构展示图1;(b)为结构展示图2。
具体实施方式
为了使本发明的目的、技术方案以及优点更加清晰明了,以下结合附图以及实施案例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种指针式仪表读数识别方法。在摄像头与仪表表盘相对位置不固定,仪表本身精度不高,实现指针式仪表读数自动识别。为每一个仪表实现摄像匹配,识别精度较高。
如图2所示为本发明实施例提供的一种指针式仪表校正识别方法,包括指针仪表图像获取、基准数显仪表识别处理、人工神经网络模型构建以及仪表读数图像识别。
一、对要识别指针仪表图像进行拍摄并记录:
如图1所示的装置批量拍摄指针仪表图像,将多角度的摄像头拍摄图像进行存储。指针仪表图像每组一共25张将对应着图3数字显示仪表识别的数据。通过所拍摄图像涵盖仪表量程范围,仪表图像数量不少于1000张,每个刻度之间根据最小估读量间隔进行拍摄。
二、对校正基准的数字显示仪表进行图像拍摄识别读数内容:
图3中基准识别摄像头拍摄基准数显仪表的图像,并进行识别。拍摄数显仪表基准时,仪表表盘正对摄像头,对拍摄的数显仪表得到的读数。将其与对应指针仪表图像标注,其中对指针仪表读取到应该估读到的那一位进行四舍五入。
三、将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习:
将指针仪表图像与相应基准数显仪表标注数据输入到人工神经网络模型进行训练,训练过程中采用前馈算法进行网络权值和阈值的参数学习。具体包括以下步骤:
1、构建人工神经网络模型:
如图4所示,本发明所构建了一个人工神经网络,包含了仪表指针图像特征模块、校正图像信息对应模块和输出识别模块。其中,仪表指针图像特征模块将各个读数的指针仪表拍摄图像通过卷积神经网络得到高级特征图;校正图像信息对应模块,进行数显仪表与指针仪表的信息对应;输出识别模块根据人工神经网络的输出进行识别与预测。
(1)仪表指针图像特征模块
如上表所示,仪表指针图像特征模块中,卷积层的贴边操作运算为,在原特征图的上下左右均贴上一圈像素点,像素值为0;非线性层采用ReLU激活函数;池化层采用最大池化方式;归一化层将每一张特征图归一化为高斯正态分布。
(2)校正图像信息对应模块
网络层 | 图像处理特征 | 图片尺寸 |
长短时记忆层 | 结点数128 | 128×1×17 |
长短时记忆层 | 结点数256 | 256×1×17 |
(3)输出识别模块
网络层 | 图像处理特征 | 图片尺寸 |
全连接层 | 结点数256 | 256×1×17 |
全连接层 | 结点数128 | 128×1×17 |
全连接层 | 结点数20 | 20×1×17 |
如上表所示,分类模块采用具有17个位置的预测结构,将预测结果进行CTC(Connectionist Temporal Classification)解码,得到仪表读数的识别结果。
上述的特征提取模块、上下文信息融合模块和分类模块均使用了深度网络模型,表格中的神经网络层为顺序连接形式,采用残差回传算法更新神经网络中的参数。其中:
特征提取模块的输入为仪表读数图像,输出为高级特征图,并作为上下文信息融合模块的输入;上下文信息融合模块的输出为上下文信息的融合特征图,并作为分类模块的输入;分类模块的输出为17个位置的预测结果,并进行CTC(ConnectionistTemporalClassification)解码。3个模块均使用监督学习方法,通过训练,学习得到数字图像特征和标签的映射关系。
2、人工神经网络训练参数设置:
神经网络训练参数包括
优化器:RMSProp方法;
迭代次数:10000;
学习率:0.1;
学习率更新策略:固定不变;
权重减少系数:0.0005。
3、对模型参数,进行人工神经网络训练,得到识别模型。
训练过程采用前馈算法进行参数学习,通过从模型的最后一层开始计算传递误差,并逐层向前传递,从而对模型参数进行更新,以达到训练网络的目的。
四、仪表读数识别
仪表校正识别读数的具体过程包括:
(1)输入一张仪表读数图像,采用训练得到的识别模型及参数,仪表读数进行识别,得到识别结果;
(2)返回识别结果,并与正面标准图像进行比对,对读数的识别置信度进行算术平均,得到识别置信度。
本发明采用整体识别方法,对各个摄像头的各种拍摄角度都有作用,具有较高的识别性能。实际测试中,本发明的方法的识别精度可以达到99%,识别速度为每张仪表读数图像不超过30毫秒,可以满足实际应用的需要。
本发明一方面有效利用了人工神经网络的学习能力和分类性能,同时可以更有效得识别指针仪表的图像特征,从而实现一种指针仪表校正识别方法。本发明具有较好的实际应用价值,可以广泛应用于涉及仪表读数识别的领域,如水、电、燃气、压力等各种计量表读数的自动识别中。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
上面结合附图对本发明专利进行了示例性的描述,显然本发明专利的实现并不受上述方式的限制,只要采用了本发明专利的方法构思和技术方案进行的各种改进,或未经改进将本发明专利的构思和技术方案直接应用于其它场合的,均在本发明的保护范围内。
Claims (6)
1.一种基于神经网络的仪表读数校正方法,其特征在于,包括以下步骤:
1)对要识别指针仪表图像进行拍摄并记录;
2)对校正基准的数字显示仪表进行图像拍摄识别读数内容;
3)将不同位置的仪表盘图像与数字显示读数结果进行神经网络训练训练运用前馈算法进行参数学习;
4)仪表读数识别,输入指针仪表摄像图像,神经网络模型给出相应仪表读数识别结果与置信区间。
2.根据权利要求1所述的一种基于神经网络的仪表读数校正方法,其特征在于,所述步骤1)中,对要识别指针仪表图像进行拍摄并记录,需要将多角度的摄像头拍摄图像进行存储,指针仪表图像每组一共25张,将对应着数字显示仪表识别的数据,通过所拍摄图像涵盖仪表量程范围,仪表图像数量不少于1000张,每个刻度之间根据最小估读量间隔进行拍摄。
3.根据权利要求1所述的一种基于神经网络的仪表读数校正方法,其特征在于,所述步骤2)中,拍摄数显仪表基准时,仪表表盘正对摄像头,对拍摄的数显仪表得到的读数,将其与对应指针仪表图像标注,其中对指针仪表读取到应该估读到的那一位进行四舍五入。
4.根据权利要求1所述的一种基于神经网络的仪表读数校正方法,其特征在于,在步骤3)中,具体包括步骤:
3.1)构建人工神经网络模型:包含了仪表指针图像特征模块、校正图像信息对应模块和输出识别模块;其中,仪表指针图像特征模块将各个读数的指针仪表拍摄图像通过卷积神经网络得到高级特征图;校正图像信息对应模块,进行数显仪表与指针仪表的信息对应;输出识别模块根据人工神经网络的输出进行识别与预测;
3.2)人工神经网络训练参数设置:神经网络训练参数包括优化器、迭代次数、学习率和权重减少系数;优化器为RMSProp,迭代次数为10000,学习率为0.1,权重减少系数为0.0005;
3.3)对模型参数进行人工神经网络训练,得到识别模型:通过前馈误差算法进行参数学习,从模型的输出层开始前向传递,对神经网络模型进行修正,达到训练神经网络的目的,训练过程也是对指针仪表读数的校正过程。
5.根据权利要求4所述的一种基于神经网络的仪表读数校正方法,其特征在于,所述步骤3.1)中,
所述仪表指针图像特征模块的网络层结构为:
所述仪表指针图像特征模块的网络层结构包括:输入层输入图片,卷积层+非线性层(传递函数引入非线性)+池化层(采样作用)这三层为一组,视为一次卷积,共用了5次卷积:
输入层:3×40×144;
卷积层:核数量64,卷积核3×3,步长1×1,补边64×40×144;非线性层:64×40×144;池化层:池化核2×2,步长2×2,图片尺寸64×20×72;
卷积层:核数量64,卷积核3×3,步长1×1,补边64×40×72;非线性层:64×40×72;池化层:池化核2×2,步长2×2,图片尺寸64×20×36;
卷积层:核数量64,卷积核3×3,步长1×1,补边128×10×36;非线性层:128×10×36;池化层:池化核2×1,步长2×1,图片尺寸128×5×36;
卷积层:核数量128,卷积核3×3,步长1×1,补边128×5×36;非线性层:128×5×36;池化层:池化核2×2,步长2×2,图片尺寸128×2×18;
卷积层:核数量512,卷积核3×3,步长1×1,补边512×1×17;归一化层:512×1×17非线性层:图片尺寸512×1×17;
仪表指针图像特征模块中,卷积层的贴边操作运算为,在原特征图的上下左右均贴上一圈像素点,像素值为0;非线性层采用ReLU激活函数;池化层采用最大池化方式;归一化层将每一张特征图归一化为高斯正态分布;
所述校正图像信息对应模块的网络层结构为2层:长短时记忆层结点128,图片尺寸128×1×17;长短时记忆层结点数256,图片尺寸256×1×17;
所述输出识别模块的网络层结构为3层:
全连接层结点数256,图片尺寸256×1×17;全连接层结点数128,图片尺寸128×1×17;全连接层结点数20,图片尺寸20×1×17;模块采用具有17个位置的预测结构,将预测结果进行CTC解码,得到仪表读数的识别结果。
6.根据权利要求1所述的一种基于神经网络的仪表读数校正方法,其特征在于,所述步骤4)中,具体包括以下步骤:
4.1)将指针仪表拍摄图像进行输入训练好的神经网络,对实拍图像进行识别;
4.2)返回识别结果,得到识别置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729380.8A CN111950396A (zh) | 2020-07-27 | 2020-07-27 | 一种仪表读数神经网络识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729380.8A CN111950396A (zh) | 2020-07-27 | 2020-07-27 | 一种仪表读数神经网络识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950396A true CN111950396A (zh) | 2020-11-17 |
Family
ID=73338136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010729380.8A Pending CN111950396A (zh) | 2020-07-27 | 2020-07-27 | 一种仪表读数神经网络识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950396A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221959A (zh) * | 2021-04-20 | 2021-08-06 | 上海济辰水数字科技有限公司 | 智能水表图像识别训练方法、智能水表识别系统及方法 |
CN113657385A (zh) * | 2021-10-20 | 2021-11-16 | 山东摄云信息技术有限公司 | 一种电子计量装置的数据检测方法、装置及电子设备 |
CN113657367A (zh) * | 2021-08-18 | 2021-11-16 | 江南大学 | 一种基于边缘ai的机械仪表智能读数装置及读数方法 |
CN113743405A (zh) * | 2021-09-07 | 2021-12-03 | 南方电网数字电网研究院有限公司 | 电能表的智能抄表方法及装置 |
CN114187582A (zh) * | 2021-11-17 | 2022-03-15 | 电子科技大学 | 一种基于人工神经网络技术的人工心肺机数据记录方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830271A (zh) * | 2018-06-13 | 2018-11-16 | 深圳市云识科技有限公司 | 一种基于卷积神经网络的数显仪表读数识别方法 |
CN108921203A (zh) * | 2018-06-13 | 2018-11-30 | 深圳市云识科技有限公司 | 一种指针式水表的检测与识别方法 |
CN109635806A (zh) * | 2018-12-12 | 2019-04-16 | 国网重庆市电力公司信息通信分公司 | 基于残差网络的电表数值识别方法 |
CN110543878A (zh) * | 2019-08-07 | 2019-12-06 | 华南理工大学 | 一种基于神经网络的指针仪表读数识别方法 |
-
2020
- 2020-07-27 CN CN202010729380.8A patent/CN111950396A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830271A (zh) * | 2018-06-13 | 2018-11-16 | 深圳市云识科技有限公司 | 一种基于卷积神经网络的数显仪表读数识别方法 |
CN108921203A (zh) * | 2018-06-13 | 2018-11-30 | 深圳市云识科技有限公司 | 一种指针式水表的检测与识别方法 |
CN109635806A (zh) * | 2018-12-12 | 2019-04-16 | 国网重庆市电力公司信息通信分公司 | 基于残差网络的电表数值识别方法 |
CN110543878A (zh) * | 2019-08-07 | 2019-12-06 | 华南理工大学 | 一种基于神经网络的指针仪表读数识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221959A (zh) * | 2021-04-20 | 2021-08-06 | 上海济辰水数字科技有限公司 | 智能水表图像识别训练方法、智能水表识别系统及方法 |
CN113657367A (zh) * | 2021-08-18 | 2021-11-16 | 江南大学 | 一种基于边缘ai的机械仪表智能读数装置及读数方法 |
CN113743405A (zh) * | 2021-09-07 | 2021-12-03 | 南方电网数字电网研究院有限公司 | 电能表的智能抄表方法及装置 |
CN113657385A (zh) * | 2021-10-20 | 2021-11-16 | 山东摄云信息技术有限公司 | 一种电子计量装置的数据检测方法、装置及电子设备 |
CN113657385B (zh) * | 2021-10-20 | 2022-01-25 | 山东摄云信息技术有限公司 | 一种电子计量装置的数据检测方法、装置及电子设备 |
CN114187582A (zh) * | 2021-11-17 | 2022-03-15 | 电子科技大学 | 一种基于人工神经网络技术的人工心肺机数据记录方法 |
CN114187582B (zh) * | 2021-11-17 | 2023-04-21 | 电子科技大学 | 一种基于人工神经网络技术的人工心肺机数据记录方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950396A (zh) | 一种仪表读数神经网络识别方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN110751096B (zh) | 一种基于kcf轨迹置信度的多目标跟踪方法 | |
CN111784778A (zh) | 基于线性求解非线性优化的双目相机外参标定方法和系统 | |
CN110049121B (zh) | 一种基于增强现实技术的数据中心巡检系统 | |
CN112862757A (zh) | 一种基于计算机视觉技术的重量评估系统及实现方法 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
Zhou et al. | Intelligent reading recognition method of a pointer meter based on deep learning in a real environment | |
CN111429424A (zh) | 一种基于深度学习的加热炉入口异常识别方法 | |
CN114758249A (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN114743189A (zh) | 指针式仪表读数识别方法、装置、电子设备及存储介质 | |
CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
CN116543376B (zh) | 一种指针式仪表读数方法和系统 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
Li et al. | Guided neighborhood affine subspace embedding for feature matching | |
Hou et al. | A pointer meter reading recognition method based on YOLOX and semantic segmentation technology | |
CN112990190A (zh) | 指针式仪表读数的识别方法、装置 | |
CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN115908843A (zh) | 过热度识别模型训练方法、识别方法、设备及存储介质 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 |
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 |