1.一种基于深度学习的字轮式水表读数识别方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习的字轮式水表读数识别方法,其特征在于,所述数字区域检测模型是基于unet深度学习网络提出的,用于提取图像显示的数字区域,其训练过程使用均方差损失函数,数学表达式为:
3.根据权利要求1所述的基于深度学习的字轮式水表读数识别方法,其特征在于,将所述数字区域位置图像输入基于矫正分割算法的网络模型,对所述数字区域位置图像进行矫正和分割,具体步骤如下:
4.根据权利要求3所述的基于深度学习的字轮式水表读数识别方法,其特征在于,所述矫正算法的数学表达式为:
5.根据权利要求3所述的基于深度学习的字轮式水表读数识别方法,其特征在于,所述新的四边形区域的顶点坐标计算公式如下:
6.根据权利要求1所述的基于深度学习的字轮式水表读数识别方法,其特征在于,所述数字识别模型是基于卷积神经网络搭建的,网络包括三个结构相同的块,每个块包括两个使用3×3卷积核的卷积操作和一个最大池化操作,卷积核的数量递增。
7.根据权利要求1所述的基于深度学习的字轮式水表读数识别方法,其特征在于,所述数字识别模型,其训练过程的损失函数采用交叉熵损失函数,数学表达式为:
8.根据权利要求1所述的基于深度学习的字轮式水表读数识别方法,其特征在于,所述数字区域检测模型和所述数字识别模型的训练过程均采用adam优化器来更新网络权重。
9.根据权利要求1所述的基于深度学习的字轮式水表读数识别方法,其特征在于,所述数字识别模型的全连接层利用提取出的特征信息进行数据分类,所述全连接层用到的激活函数为softmax,所述softmax激活函数的数学方程式如下:
10.一种基于深度学习的字轮式水表读数识别装置,其特征在于,包括: