一种改进的卷积神经网络的数显仪表识别方法

为了提高数显仪表的识别率，设计了一种传统图像处理方法和深度学习技术相结合的算法，即一种基于改进的卷积神经网络的数显仪表识别算法。首先通过传统图像处理技术对图像进行图像预处理、字符分割等操作，然后由基于注意机制的卷积神经网络算法对字符进行识别。实验结果表明，该方法不仅有效提高了字符的准确率，字符识别率高达98.5%，还提高了网络的收敛速度。该方法基本可以满足各种数显仪表的识别，能够满足实际应用的需求。

数显仪表，就是一种显示数字的仪器，便于人们了解相关信息。目前，数显仪表被广泛的应用于航天、农业、工业等各个行业中， 但出于工作条件和成本控制等原因， 仍有很多的仪表无法直接获得读数， 大多由人工读取。但是人工无法长时间且实时记录，还有些地方工人不方便记录，这些都会对后期工作产生不利影响。随着科学技术的发展，计算机视觉技术可以通过相机拍摄的图片获取有效信息[1]。数显仪表的识别便可以先通过相机对仪表进行拍摄获取图片，接着对图片进行图像处理操作，然后经过图像识别算法得到数值信息。

基于计算机视觉的仪表识别主要包括三个部分：图像处理、图像分割和图像识别。但图像识别是最关键的部分。传统的图像识别是通过图像的颜色、纹理和形状来提取特征进行识别，是一个非常困难且复杂的工程。目前，随着深度学习技术的发展，基于卷积神经网络的图像识别技术得到了广泛的应用， 数显仪表识别的普适性和泛化能力也有了较大提高。视觉注意机制能快速找到图像的显著区域，忽略背景信息，可以提高网络的识别速度与精度。因此，本文提出了一种基于传统图像处理与基于注意机制的卷积神经网络数显仪表识别方法。

2. 相关研究 数字仪表的识别最初是使用模糊识别方法，利用最大隶属原构造数字识别器，是由张海波等人[2]提出。王臣[3]等提出了一种基于模板匹配的最大稳定极值区域定位分割算法TM-MSER，首先利用人工制作模板去匹配定位出原图像中的数显区域，然后再通过二值化、去噪等图像处理方法对数显区域进一步处理，最后利用投影法对每个字符进行分割，并对分割完成的字符进行识别。这种方法比较复杂，匹配过程比较耗时，且正确率不高。申小阳[4]等提出一种穿线识别的方法，首先基于七段数显表字符的每一段特征建立码表，然后根据每个字符的码表进行查找匹配识别。该方法虽识别简单、速度快但要求数字不倾斜，实际利用率不高。陆靖滨[5]等针对仪表中数显仪表图像的点亮区域多为红色,不亮部分偏灰白的特征设计了一种基于RGB 彩色空间滤波的数字式仪表读数识别算法， 首先使用改进的最大类间方差法完成了对字符区域自适应提取，然后采用基于结构特征的穿线法实现仪表的自动读数识别，该算法虽然能够保留数字区域的亮度特征，但是并不适用于其他类型的数显仪表，普遍适应性较差。蔡梦倩[6]等提出了一种基于全卷积神经网络的数字仪表识别算法，该算法是通过全卷积神经网络实现了图到图的像素级