基于卷积神经网络的水表读数识别方法

• 作者: 吉训生 谭凯凯
• 来源期刊: 传感器与微系统
• 学科: 工学
• 关键词: 图像处理 字符识别 深度学习 卷积神经网络 迁移学习
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 计算与测试
• 页码范围: 130-133
• 页数: 4页
• 分类号: TP391
• 语种: 中文
• DOI: 10.13873/J.1000-9787(2020)12-0130-04

摘要

针对被强噪声污染的小样本水表读数数据集,提出一种基于卷积神经网络(CNN)迁移学习的字符识别方法.在TensorFlow框架下搭建卷积神经网络,将批归一化应用到网络模型的构建中,并对目标函数进行优化来提高网络的性能.通过迁移学习的方法提高小样本数据集的识别率,采用大样本数据集对卷积神经网络的结构参数进行预训练后,共享浅层网络层参数.再利用小样本数据集对深层网络层参数进行训练,实现字符分类.实验结果表明:与传统VGG-16网络相比,所设计网络的识别率提高2.19％,速度提高98.3％,计算复杂度和内存消耗大大降低,为远程自动抄表提供可能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吉训生		54	470	10.0	20.0
2	谭凯凯		1	0	0.0	0.0