基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
为实现真实场景下老式机械水表读数的自动识别,提出一种基于卷积神经网络的水表数字识别方法。对原始的水表图像进行预处理,通过坐标定位以及分割,获取单个字符的数据集;使用椒盐噪声、旋转角度的方法扩增数据集;而后再依次经过灰度化、滤波、局部阈值分割等操作,对图像进行细节的处理;在TensorFlow的深度学习框架下搭建LeNet卷积神经网络模型,选取卷积核为3 * 3的卷积层,将处理好的数据放入到改进后的LeNet网络模型中进行训练,最终实现字符的分类识别。实验结果表明:该方法在训练集上的准确率达到99.97%,在测试集上的准确率达到98.36%,为真实场景下水表读数的自动识别提供了可能。
推荐文章
基于卷积神经网络的室内场景识别
场景识别
图像处理
卷积神经网络
GoogLeNet
Caffe
基于VGG-16卷积神经网络的水稻害虫智能识别研究
水稻
害虫
智能识别
VGG-16
卷积神经网络
基于卷积神经网络的自然场景中数字识别
卷积神经网络
自然场景
数字识别
端到端
基于多层卷积神经网络的变电站异常场景识别算法
置信度
多层卷积神经网络
小样本
变电站
异常场景识别
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于卷积神经网络的真实场景下水表读数识别
来源期刊 计算机科学与应用 学科 工学
关键词 图像处理 数字识别 卷积神经网络 深度学习 LeNet
年,卷(期) 2021,(3) 所属期刊栏目
研究方向 页码范围 467-475
页数 9页 分类号 TP3
字数 语种
DOI
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (16)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2009(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(2)
  • 参考文献(2)
  • 二级参考文献(0)
2018(4)
  • 参考文献(4)
  • 二级参考文献(0)
2019(3)
  • 参考文献(3)
  • 二级参考文献(0)
2020(4)
  • 参考文献(4)
  • 二级参考文献(0)
2021(2)
  • 参考文献(2)
  • 二级参考文献(0)
2021(2)
  • 参考文献(2)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
图像处理
数字识别
卷积神经网络
深度学习
LeNet
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机科学与应用
月刊
2161-8801
武汉市江夏区汤逊湖北路38号光谷总部空间
出版文献量(篇)
1319
总下载数(次)
15
总被引数(次)
0
论文1v1指导