基于深度学习的工业数字仪表识别算法研究

• 作者: 曲超然 陈立伟 王建生 王水根
• 来源期刊: 应用科技
• 学科: 工学
• 关键词: 光学字符识别 深度学习 文本检测 文本识别 可微分二值化处理 卷积循环神经网络 注意力机制 仪表识别
• 年，卷（期）: 2022,（2）
• 页码范围: 100-105
• 页数: 6页
• 分类号: TP242
• 语种: 中文
• DOI: 10.11991/yykj.202105025

摘要

仪表读数的检测与识别被广泛应用在工业中,然而工程领域中复杂的背景环境为获取仪表信息带来了困难.为了解决光照不均、背景复杂、图像模糊、仪表倾斜以及遮挡等多种干扰问题,本文设计了一种基于深度学习的数字仪表读数算法.首先使用图像增广方法丰富数字仪表检测数据集,并利用数据合成的方法构建了数字仪表文本识别数据集;然后通过可微分二值化处理(DB)分割算法进行文符区域检测简化后处理过程,同时提出了一种适用于数字仪表图像的预处理方法,通过引入注意力机制改进卷积循环神经网络(CRNN)算法,对检测后的数据进行文符识别.在上述测试集中检测率可达到88.3％,识别准确率可达到96％.通过实验发现,该算法不仅可以提高整体识别准确率至90％以上,同时降低了复杂度,提高了识别效率.