陳妃奮 蘇 健 張紅梅 張向利

1(桂林電子科技大學(xué)信息與通信學(xué)院 廣西 桂林 541004)

2(廣西上善若水發(fā)展有限公司 廣西 南寧 530029)

0 引 言

近年來,由于智能水表取代傳統(tǒng)機(jī)械式水表仍然存在成本較高的問題,很多地區(qū)還是使用傳統(tǒng)的機(jī)械水表,而圖像識(shí)別為人工抄表提供了一個(gè)低成本的解決方案。然而,現(xiàn)有的方案在識(shí)別不同種類和不同拍攝角度的字輪式水表讀數(shù)時(shí)仍存在不足。文獻(xiàn)[1]使用霍夫直線檢測來對(duì)讀數(shù)區(qū)域進(jìn)行檢測,采用模板匹配方法對(duì)單個(gè)字符進(jìn)行識(shí)別,但對(duì)于不同的字輪式水表的讀數(shù)區(qū)域檢測能力較差,字符識(shí)別準(zhǔn)確率較低。文獻(xiàn)[2]提出使用Canny邊緣檢測算法檢測出讀數(shù)區(qū)域,用卷積神經(jīng)網(wǎng)絡(luò)來對(duì)字符數(shù)字進(jìn)行識(shí)別。雖然卷積神經(jīng)網(wǎng)絡(luò)相對(duì)于模板匹配具有更好的識(shí)別效果,但Canny邊緣檢測算法檢測出來的圖像中可能存在其他直線或噪點(diǎn),容易導(dǎo)致最后結(jié)果出現(xiàn)誤檢。對(duì)于這個(gè)問題,文獻(xiàn)[3]采用Hough矩形邊緣檢測算法對(duì)水表讀數(shù)區(qū)域進(jìn)行檢測,進(jìn)一步提高了讀數(shù)區(qū)域檢測的準(zhǔn)確性,但不同種類的字輪式水表讀數(shù)區(qū)域的邊緣特征差異較大,導(dǎo)致該方法的檢測能力仍然存在不足,泛化能力較差。

與邊緣檢測的方法相比,基于深度學(xué)習(xí)的水表讀數(shù)區(qū)域檢測與識(shí)別對(duì)不同的字輪式水表具有更好的泛化能力。不同種類和不同拍攝角度的字輪式水表的讀數(shù)區(qū)域存在不同的長寬比例,并且具有方向性。文獻(xiàn)[4]提出了一個(gè)新的連接主義文本建議網(wǎng)絡(luò)(Connectionist Text Proposal Network,CTPN),實(shí)現(xiàn)對(duì)文本區(qū)域的檢測,但CTPN網(wǎng)絡(luò)模型只能對(duì)水平方向的水表讀數(shù)區(qū)域進(jìn)行檢測。為了實(shí)現(xiàn)對(duì)不同方向的文本檢測,文獻(xiàn)[5]利用一個(gè)完全卷積網(wǎng)絡(luò)模型對(duì)文本區(qū)域、字符及其關(guān)系進(jìn)行預(yù)測,從而實(shí)現(xiàn)對(duì)不同方向的文本區(qū)域檢測。但該模型由多個(gè)階段組成,中間過程過于繁瑣導(dǎo)致檢測效率低。為了提高檢測效率,文獻(xiàn)[6]提出了一種快速高效的文本檢測算法模型(Efficient and Accurate Scene Text Detector,EAST),直接通過消除中間候選區(qū)域聚合和文本分割來實(shí)現(xiàn)對(duì)文本區(qū)域的預(yù)測,但該方法對(duì)長文本檢測存在一定的局限性?；谏疃葘W(xué)習(xí)的分類模型,文獻(xiàn)[7]使用序列識(shí)別網(wǎng)絡(luò)來對(duì)水表讀數(shù)進(jìn)行識(shí)別。該方法雖然不需要分割單個(gè)字符,但對(duì)于不同種類的水表讀數(shù)識(shí)別需要大量的數(shù)據(jù)集來對(duì)模型進(jìn)行訓(xùn)練,且模型對(duì)運(yùn)行設(shè)備性能要求較高。

目前對(duì)字輪式水表讀數(shù)區(qū)域檢測與識(shí)別方法的研究雖然取得了一些成果,但一般都只是針對(duì)于某種類型的字輪式水表提出相應(yīng)的讀數(shù)檢測與識(shí)別方法,缺乏普遍性,易受環(huán)境干擾,且識(shí)別模型對(duì)運(yùn)行識(shí)別性能要求較高。此外,對(duì)于深度學(xué)習(xí)模型對(duì)運(yùn)行設(shè)備性能的要求較高的問題,文獻(xiàn)[8]提出了一種高效率的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),在保持精度的同時(shí),降低了計(jì)算成本,但該模型依然較大。文獻(xiàn)[9]提出了一種輕量級(jí)的神經(jīng)網(wǎng)絡(luò)模型,計(jì)算量比傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)減少90%左右,識(shí)別精度較高,但該模型輸入張量較大,訓(xùn)練和測試時(shí)間過長。

針對(duì)上述問題,本文提出一種針對(duì)不同種類和不同拍攝角度的字輪式水表檢測與識(shí)別方法。主要?jiǎng)?chuàng)新點(diǎn)如下。

(1) 在圖像預(yù)處理階段根據(jù)圖像均值變化來調(diào)節(jié)圖像的對(duì)比度和亮度,提高了水表圓盤檢測率,為后面的讀數(shù)區(qū)域旋轉(zhuǎn)矯正和分割提供條件。

(2) 改進(jìn)文獻(xiàn)[6]中存在對(duì)多位數(shù)的讀數(shù)區(qū)域預(yù)測的局限性。本文采用讀數(shù)區(qū)域兩端的像素點(diǎn)預(yù)測出讀數(shù)區(qū)域的頂點(diǎn)坐標(biāo),提高了對(duì)不同類型水表的讀數(shù)區(qū)域的檢測能力。同時(shí),提出一種圖像旋轉(zhuǎn)矯正算法,實(shí)現(xiàn)對(duì)任意旋轉(zhuǎn)角度下的讀數(shù)區(qū)域的矯正與分割。

(3) 對(duì)文獻(xiàn)[9]中的網(wǎng)絡(luò)模型進(jìn)行降維,重新對(duì)中間層進(jìn)行設(shè)計(jì),減少中間層的計(jì)算量,采用最大池化來保留更多的字符特征,加速訓(xùn)練過程的同時(shí)減小了模型大小,保持較高的識(shí)別精度。

1 研究方法

本文提出的字輪式水表讀數(shù)檢測與識(shí)別方法具體過程如圖1所示,包括水表圖像預(yù)處理、讀數(shù)區(qū)域檢測與矯正、讀數(shù)識(shí)別三個(gè)部分。

圖1 水表讀數(shù)檢測與識(shí)別流程

1.1 圖像預(yù)處理

本文采用加權(quán)平均值法對(duì)水表原圖像進(jìn)行灰度化處理,使用雙邊濾波算法[10]消除干擾噪聲,在文獻(xiàn)[11]方法的基礎(chǔ)上,根據(jù)水表圖像的均值,加入了亮度與對(duì)比度調(diào)節(jié)算法,提高對(duì)不同環(huán)境下的水表圓盤的檢測率,有利于后面水表讀數(shù)區(qū)域的矯正與分割,如式(1)所示。

O=I·α+B·β+γ

(1)

式中:I表示原圖像數(shù)據(jù)矩陣;B表示與I同維度的零矩陣;權(quán)重α(α=k/m)調(diào)節(jié)圖像對(duì)比度,m表示圖像均值,k表示調(diào)節(jié)系數(shù);權(quán)重γ調(diào)節(jié)圖像亮度;α權(quán)重和β關(guān)系為β=1-α;O表示調(diào)節(jié)后的圖像數(shù)據(jù)。

對(duì)調(diào)節(jié)后的圖像O采用Sobel算子進(jìn)行邊緣檢測,通過連通性分析將圓盤邊緣曲線間隙不超過1個(gè)像素點(diǎn)的曲線進(jìn)行合并。使用文獻(xiàn)[11]中曲率輔助霍夫變換的方法對(duì)水表圓盤進(jìn)行檢測,根據(jù)檢測得到的圓盤中心坐標(biāo)以及半徑,分割出圓盤區(qū)域的內(nèi)切圓正方形,分別用H和W表示正方形的長和寬。

1.2 水表讀數(shù)區(qū)域檢測

不同的水表圖像可能存在不同的尺寸大小,為了提高檢測模型對(duì)讀數(shù)區(qū)域的檢測能力,使用三次曲線插值法將分割出來的圓盤圖像縮放為2r×2r,r表示圓盤的半徑,并采用自適應(yīng)直方圖均衡化方法[12]來增強(qiáng)圖像的清晰度。通過前面的圓盤檢測、分割以及縮放處理之后,減小了水表圖像讀數(shù)區(qū)域的尺寸變化,有助于提高檢測模型的檢測精度。

1.2.1檢測模型

讀數(shù)區(qū)域檢測模型采用文獻(xiàn)[6]的方法對(duì)讀數(shù)區(qū)域的特征進(jìn)行提取,同時(shí)對(duì)不同層的特征信息進(jìn)行融合,提高網(wǎng)絡(luò)模型對(duì)不同位數(shù)的水表讀數(shù)區(qū)域的檢測能力。文獻(xiàn)[6]使用每個(gè)文本區(qū)域的像素點(diǎn)對(duì)文本框進(jìn)行預(yù)測,但是每個(gè)像素點(diǎn)都有感受野的限制,導(dǎo)致用一端的像素點(diǎn)去預(yù)測到另一端的邊距時(shí),就會(huì)出現(xiàn)檢測不到的情況,使模型在長文本的檢測上存在一定的局限性。為了提高對(duì)更多位數(shù)的水表讀數(shù)區(qū)域的檢測能力,本文采用讀數(shù)區(qū)域兩端的像素點(diǎn)分別對(duì)讀數(shù)區(qū)域兩端的頂點(diǎn)坐標(biāo)進(jìn)行預(yù)測,從而計(jì)算出讀數(shù)區(qū)域的頂點(diǎn)坐標(biāo)。即分別使用1×1的卷積核將合并輸出的特征通道映射為1個(gè)通道的像素分?jǐn)?shù)圖的置信度Y和多個(gè)通道的讀數(shù)區(qū)域信息。由分?jǐn)?shù)圖置信度Y篩選出屬于讀數(shù)區(qū)域的信息。輸出的讀數(shù)區(qū)域信息由兩個(gè)通道的邊界元素信息G和四個(gè)通道的頂點(diǎn)坐標(biāo)偏移量D表示,如式(2)-式(3)所示。

G={S,F}

(2)

D={(dxi,dyi)|i∈1,2}

(3)

式中:S表示邊界元素的置信度;F表示讀數(shù)區(qū)域的首/尾部元素(F中0表示首部元素,1表示尾部元素);(dxi,dyi)表示首或尾部元素頂點(diǎn)坐標(biāo)偏移量,預(yù)測的讀數(shù)區(qū)域矩形框四個(gè)頂點(diǎn)坐標(biāo)計(jì)算如式(4)所示。

(4)

1.2.2損失函數(shù)

每個(gè)讀數(shù)區(qū)域損失包括分?jǐn)?shù)圖損失和讀數(shù)區(qū)域信息損失,定義為:

(5)

式中:Ls表示分?jǐn)?shù)圖損失函數(shù);Lg表示讀數(shù)區(qū)域信息損失函數(shù)。分?jǐn)?shù)圖損失主要采用文獻(xiàn)[13]中的類平衡交叉熵進(jìn)行計(jì)算,定義為:

(6)

(7)

對(duì)于讀數(shù)區(qū)域信息的損失函數(shù),包括頂點(diǎn)坐標(biāo)偏移量損失和邊界元素信息損失,由文獻(xiàn)[14]提出的smoothed-L1損失來計(jì)算頂點(diǎn)坐標(biāo)偏移量損失,該方法可以將L1范數(shù)和L2范數(shù)的優(yōu)點(diǎn)相結(jié)合,使得損失對(duì)離群點(diǎn)具有更強(qiáng)的魯棒性。讀數(shù)區(qū)域信息的損失函數(shù)定義為:

(8)

(9)

(10)

1.3 旋轉(zhuǎn)矯正與分割

水表圖像的讀數(shù)區(qū)域可能存在不同的旋轉(zhuǎn)角度,本文將其分為四個(gè)部分來分析,如圖2所示。

圖2 尺寸為2r×2r的水表圖像示意圖

每個(gè)部分的水表讀數(shù)區(qū)域可能存在多種情況。因此,本文提出了一種圖像旋轉(zhuǎn)矯正與分割算法,如算法1所示。計(jì)算出不同旋轉(zhuǎn)角度下的水表圖像需要矯正的角度值θ(負(fù)值表示順時(shí)針旋轉(zhuǎn),正值表示逆時(shí)針旋轉(zhuǎn))以及分割出讀數(shù)區(qū)域圖像A。

算法1計(jì)算矯正圖像的角度值θ和分割出讀數(shù)區(qū)域圖像A算法

輸入:{(xi,yi)|i∈1,2,3,4}。

輸出:θ,A。

1.初始化圓形圖像半徑r,計(jì)算出矩形讀數(shù)區(qū)域中心坐標(biāo)(xc,yc)、水平夾角angle、長寬l和w,以及短邊的中心坐標(biāo)值x12、x34、y14、y23。

2.由水平夾角angle判斷讀數(shù)區(qū)域框水平還是傾斜狀態(tài)。

3.若處于水平狀態(tài),由讀數(shù)區(qū)域中心坐標(biāo)計(jì)算出角度值θ。

如:function1(angle=0°或90°)

ifxc>rthenθ=90°

elseifxc

elseifyc>rthenθ=180°

elseifyc

returnθ

endfunction1

4.若處于傾斜狀態(tài),由xc≤r和yc≤r,推斷出讀數(shù)區(qū)域框處于圖2中的①部分,計(jì)算出角度值θ。

如:function2(angle≠0°或90°)

ifl

elseiflx34thenθ=-angle

elseifl>wandy14>y23thenθ=-angle

elseifl>wandy14>y23thenθ=angle

returnθ

endfunction2

5.重復(fù)步驟4,修改相應(yīng)的判斷條件,即可計(jì)算出讀數(shù)區(qū)域框在圖2中②、③、④情況下的角度值θ。

6.根據(jù)角度值θ及矯正前讀數(shù)區(qū)域中心坐標(biāo)值(xc,yc),計(jì)算矯正后讀數(shù)區(qū)域中心坐標(biāo)值(xnc,ync),分割出讀數(shù)區(qū)域圖像A。如:

function3(θ,xc,yc)

xnc=(yc-r)×sin(θ)+(xc-r)×cos(θ)+r

ync=(yc-r)×cos(θ)-(xc-r)×sin(θ)+r

wmax=max(l,w),lmin=min(l,w)

A={(x,y)|x∈[xnc-wmax,xnc+wmax],

y∈[ync-lmin,ync+wmin]}

returnA

endfunction3

1.4 水表讀數(shù)識(shí)別

不同的水表圖像在圖像預(yù)處理后得到相同的尺寸大小,使得讀數(shù)區(qū)域矩形框的長邊與讀數(shù)的位數(shù)成正比例關(guān)系。因此,為了更好地保留讀數(shù)區(qū)域中字符的特征信息,消除其他無用信息,提高讀數(shù)識(shí)別模型的準(zhǔn)確度,本文將投影法和滑動(dòng)窗口法相結(jié)合,實(shí)現(xiàn)對(duì)單個(gè)字符的分割,過程如算法2所示。

算法2字符分割算法

輸入:lmin,wmax,A。

輸出:字符集合C。

1.使用水平投影和垂直投影法去除尺寸為lmin×wmax的讀數(shù)區(qū)域圖像周圍的無關(guān)信息,得到尺寸為l*×w*的讀數(shù)區(qū)域圖像。

2.設(shè)y=bx,x為讀數(shù)個(gè)數(shù),b(b>0)為比例系數(shù),單個(gè)字符寬度為bx=w*/x。

3.使用滑動(dòng)窗口的方法提取出單個(gè)字符。

如:function4(l*,bx,x)

forj=0;j≤x;j++ do

c=A[0:l*,bx×j:bx×(j+1)]

C.append(c)

returnC

endfunction4

4.使用三次曲線插值法將字符集合C中的字符圖像縮放為28×28。

由于文獻(xiàn)[9]中的網(wǎng)絡(luò)模型輸入張量大,訓(xùn)練及測試時(shí)間過長,因此設(shè)計(jì)一種輕量級(jí)的網(wǎng)絡(luò)模型用于水表讀數(shù)的識(shí)別,模型框架如圖3所示。

圖3 字符識(shí)別模型框架

根據(jù)分割出來的字符尺寸的特點(diǎn),將網(wǎng)絡(luò)模型的輸入張量設(shè)計(jì)為(28,28,3)。先采用卷積核Conv(3×3)對(duì)輸入圖像的特征進(jìn)行粗提取,s表示卷積步長。由于輸入層的特征維度較低,如果中間層直接對(duì)低緯度進(jìn)行特征信息提取,可能無法獲得足夠多的特性信息。因此,中間層主要采用深度可分離卷積的方法,具體過程如圖4所示。

圖4 深度可分離卷積

使用Conv(1×1)的卷積核對(duì)輸入層輸出的特征信息進(jìn)行維度擴(kuò)展,I×t表示對(duì)輸入通道數(shù)I擴(kuò)展t倍。然后用Conv(3×3)的卷積核分別對(duì)每一個(gè)通道提取特征信息,再采用半波整流器ReLU6來保留更多特征信息。最后用卷積核Conv(1×1)將高維特征信息轉(zhuǎn)為低維輸出。n表示中間層需要迭代的次數(shù),本文中n取值范圍為1～7,即表示中間層的輸入到輸出循環(huán)7次。當(dāng)n=1時(shí),擴(kuò)展倍數(shù)t=1;當(dāng)2≤n≤7時(shí),擴(kuò)展倍數(shù)t=6。為了解決由高維轉(zhuǎn)低維導(dǎo)致字符特征信息保留不充分的問題,在輸出層中使用最大池化(Max-Pooling)來進(jìn)行池化操作,保留更多的字符特征信息,提高網(wǎng)絡(luò)識(shí)別性能。最后使用softmax激活函數(shù)輸出模型的分類結(jié)果。softmax激活函數(shù)定義為:

(11)

式中:i表示中的某個(gè)分類;zi表示該分類的值;N表示分類數(shù)。損失函數(shù)采用式(6)進(jìn)行計(jì)算。

2 實(shí) 驗(yàn)

本文實(shí)驗(yàn)環(huán)境的硬件環(huán)境為6核Intel(R) Core(TM)CPU@3.60 GHz處理器,16 GB內(nèi)存;NVIDIA GeForce GTX 1 070的GPU,內(nèi)存為8 GB;軟件環(huán)境為Windows 10操作系統(tǒng),Anaconda 4.7.12,Python 3.6,CUDA 10.0。

2.1 數(shù)據(jù)集預(yù)處理

為了驗(yàn)證本文方法的有效性,本文收集了7 494幅水表原圖像,包括不同環(huán)境、不同旋轉(zhuǎn)角度、不同的尺寸大小的水表圖像。取γ=1,α取值與水表圓盤檢測率的關(guān)系如圖5所示,m為圖像均值。

圖5 水表圓盤檢測率

其中,α=1為文獻(xiàn)[11]的圓盤檢測率,其他為加入自動(dòng)調(diào)節(jié)算法的圓盤檢測率。實(shí)驗(yàn)結(jié)果表明,α=140/m時(shí),水表圓盤檢測率從原來的93.97%提高到了96.38%。

本實(shí)驗(yàn)設(shè)H=W=2r=512,如圖6所示。

圖6 圖像預(yù)處理

對(duì)原始的水表圖像進(jìn)行預(yù)處理,并將水表圖像的讀數(shù)區(qū)域?qū)?yīng)的標(biāo)簽數(shù)據(jù)保存為txt文件。為了提高識(shí)別模型的泛化能力,除了水表原圖像數(shù)據(jù)集,本文還收集了6 000多個(gè)不同環(huán)境下的讀數(shù)區(qū)域數(shù)據(jù)集用于識(shí)別模型的訓(xùn)練,對(duì)其進(jìn)行單個(gè)字符分割處理,將每個(gè)字符進(jìn)行分類以及標(biāo)記上對(duì)應(yīng)的標(biāo)簽,數(shù)據(jù)集和分類標(biāo)簽如表1所示。

表1 水表字符標(biāo)簽數(shù)據(jù)集

2.2 檢測模型評(píng)價(jià)

本文使用ICDAR評(píng)估協(xié)議對(duì)水表讀數(shù)區(qū)域檢測模型算法進(jìn)行評(píng)估,交并比(Intersection-over-Union,IoU)是指預(yù)測的讀數(shù)區(qū)域框與原先標(biāo)記框的交疊率,即用交集和并集的比值來反映出預(yù)測的準(zhǔn)確性。

(12)

(13)

(14)

(15)

式中:T表示檢測水表圖像的總數(shù)。各模型算法的檢測效果如表2、表3所示。表2是對(duì)一種水表圖像進(jìn)行檢測,表3是對(duì)多種水表圖像進(jìn)行檢測。

表2 基于ICDAR評(píng)估協(xié)議的模型算法對(duì)比(單)(%)

表3 基于ICDAR評(píng)估協(xié)議的模型算法對(duì)比(多)(%)

本文方法對(duì)不同水表的讀數(shù)區(qū)域進(jìn)行檢測的結(jié)果如圖7所示,可以看出對(duì)不同位數(shù)、不同旋轉(zhuǎn)角度的水表讀數(shù)區(qū)域都有很好的檢測效果。

圖7 不同水表讀數(shù)區(qū)域檢測結(jié)果

從表2、表3中的對(duì)比結(jié)果可以看出,文獻(xiàn)[3]的矩形邊緣檢測方法對(duì)一種水表圖像的讀數(shù)區(qū)域檢測效果較好,但對(duì)不同水表圖像的讀數(shù)區(qū)域檢測效果較差。這是因?yàn)椴煌砭哂胁煌倪吘壧卣餍畔⒑捅尘碍h(huán)境,導(dǎo)致泛化能力較差。由于CTPN方法只能檢測水平方向的讀數(shù)區(qū)域,使得檢測效果一般。EAST方法的檢測效果較好,但缺乏對(duì)更多位數(shù)的檢測能力。本文方法具備對(duì)更多位數(shù)的檢測能力,因此優(yōu)于其他方法。

2.3 旋轉(zhuǎn)矯正與分割

根據(jù)讀數(shù)區(qū)域檢測結(jié)果,使用算法1對(duì)水表讀數(shù)區(qū)域圖像進(jìn)行矯正和分割,如圖8所示。

圖8 水表讀數(shù)區(qū)域檢測、矯正以及分割

使用算法2對(duì)讀數(shù)區(qū)域圖像進(jìn)行單個(gè)字符分割,并將單個(gè)字符圖像的尺寸縮放為28×28,如圖9所示。

圖9 單個(gè)字符分割及縮放

2.4 識(shí)別模型評(píng)價(jià)

實(shí)驗(yàn)中,將水表字符數(shù)據(jù)集按9∶1隨機(jī)劃分為訓(xùn)練集和測試集,水表讀數(shù)識(shí)別模型的輸入張量為(28,28,3),經(jīng)過對(duì)網(wǎng)絡(luò)模型的分析和測試,中間層n取值范圍為1～7,每一層的擴(kuò)展倍數(shù)t與n的關(guān)系如下:

(16)

本文識(shí)別模型與其他輕量級(jí)網(wǎng)絡(luò)模型對(duì)比如表4所示。可以看出本文識(shí)別模型大小小于其他模型,而且識(shí)別精度較高,訓(xùn)練和測試時(shí)間短,進(jìn)一步降低了對(duì)運(yùn)行設(shè)備性能的要求。

表4 水表讀數(shù)識(shí)別模型方法的對(duì)比

3 結(jié) 語

對(duì)于現(xiàn)有的水表讀數(shù)檢測與識(shí)別方法不太適用于不同類型和不同拍攝角度下的水表讀數(shù)檢測與識(shí)別問題,本文提出一種水表讀數(shù)檢測與識(shí)別方法。采用一種改進(jìn)的水表讀數(shù)區(qū)域檢測方法,提高對(duì)不同位數(shù)和不同旋轉(zhuǎn)方向的讀數(shù)區(qū)域的檢測能力。同時(shí)提出一種圖像旋轉(zhuǎn)矯正算法,實(shí)現(xiàn)對(duì)讀數(shù)區(qū)域的正確矯正與分割;設(shè)計(jì)一種輕量級(jí)的神經(jīng)網(wǎng)絡(luò)讀數(shù)識(shí)別模型,降低對(duì)設(shè)備性能要求的同時(shí),保持較高的識(shí)別精度。實(shí)驗(yàn)結(jié)

果表明,本文方法對(duì)不同字輪式水表在不同的旋轉(zhuǎn)角度下都有較好的檢測和識(shí)別效果。下一步工作的重點(diǎn),考慮在讀數(shù)區(qū)域出現(xiàn)嚴(yán)重受損的情況下進(jìn)一步提高模型的檢測與識(shí)別能力,使該方法具有更強(qiáng)的泛化能力。