本发明涉及模式识别与人工智能技术领域，具体的说，是涉及一种数显仪表读数的精确检测方法。
背景技术
仪表读数的提取在各种测量和监测系统中具有广泛的应用，例如水电气热的抄表计费应用中，需要定期读取仪表读数；在监测系统中，也需要定期或实时地读取仪表读数，以实现对系统的监测与控制。
仪表读数的提取目前主要有两种方式：一是采用人工读取的方式，例如人工抄表。这种方式费时费力，也不利于系统的自动化。二是采用对测量仪表进行数字化改造，可以直接输出数字化读数。这种方式往往需要较大的成本投入。例如对现有水表进行数字化改造，需要更换数字化水表，投入较大，也给使用带来不便。
基于计算机视觉的仪表读数提取，通过摄像头拍摄仪表图像，利用计算机视觉技术自动提取仪表读数。该方法具有即装即用，无需改造原有测量仪表，成本低廉等特点。但是目前基于计算机视觉的仪表读数提取方法，主要采用传统图像处理的方法，通过图像二值化、边缘检测、图像分割等分离模块，实现仪表读取区域的提取。该方法容易受到图像噪声的干扰，准确率不高；并且检测速度慢、实用性低。
上述缺陷，值得解决。
技术实现要素：
为了克服现有仪表读数提取方法的不足，充分利用深度网络模型的参数学习能力，基于深度网络模型的对抗式学习能力和反传残差的物理意义，通过学习数据样本的分布，提供一种数显仪表读数的精确检测方法，本发明具有实时性强、准确率高等特点，具有较好的实用价值。
本发明技术方案如下所述：
一种数显仪表读数的精确检测方法，其特征在于，包括以下步骤：
s1：数据获取：采用摄像设备拍摄包含读数区域的仪表图像；
s2：数据处理：对仪表读数值进行人工标注，并进行仪表图像的小角度随机旋转、以及小尺度的拉伸和平移变换；
s3：深度网络模型构建及训练：将仪表图像和相应标注数据输入到深度网络模型进行训练，训练过程中采用识别模型做弱监督参数学习；
s4：仪表读数检测：输入仪表图像，系统返回一张规范的仪表读数图像。
根据上述方案的本发明，其特征在于，在所述步骤s1中，在拍摄的仪表图像中，仪表表盘读数部分占据图像面积的三分之二以上。
根据上述方案的本发明，其特征在于，在所述步骤s2中，对拍摄的图像进行标注，标注内容为仪表读数，读数的每个数字之间使用“，”隔开。
根据上述方案的本发明，其特征在于，所述步骤s3具体包括：
s31：构建深度神经网络模型；
s32：网络模型训练参数设定；
s33：在随机初始化参数下进行深度神经网络的训练。
进一步的，所述步骤s32中的深度神经网络模型包括参数预测模块和重采样模块：所述参数预测模块从仪表图像中提取读数的位置特征信息，通过卷积神经网络得到高级特征图，并由高级特征图预测得到反映图像旋转、缩放和平移特性的参数；所述重采样模块根据预测的参数对图像进行旋转、缩放和平移，重新采样后得到一张规范的仪表图像。
进一步的，所述步骤s32中的网络模型训练参数包括迭代次数、优化器、学习率以及权重衰减系数。
更进一步的，所述迭代次数为1000000，所述优化器采用adadelta方法，所述学习率为1.0，所述权重衰减系数为0.0005。
进一步的，在所述步骤s33中，网络模型训练中采用残差回传算法，通过从最后一层计算传递残差，逐层传递，更新网络模型的所有参数。
进一步的，在所述步骤s33中，训练过程采用弱监督训练策略，步骤如下：
(1)利用采集的仪表图像和标注信息，训练一个通用的深度网络识别模型，当输入一张图像时，输出为图像中的字符序列，训练的损失函数为ctcloss函数；
(2)将精确检测网络模型与通用深度网络识别模型对接在一起，精确检测网络模型的输出为通用深度网络识别模型的输入；
(3)最后，继续使用上述仪表图像和标注信息进行训练，即将仪表图像输入到精确检测网络模型，根据通用深度网络识别模型的输出计算ctcloss，并进行梯度回传，进行精确检测网络模型的训练。
根据上述方案的本发明，其特征在于，所述步骤s4具体操作步骤为：输入一张仪表图像，深度网络模型对图像进行精确检测，并返回一张规范的表盘图像。
根据上述方案的本发明，其有益效果在于：
(1)本发明从图像数据中自动学习目标位置分布，学习得到的参数更能适应真实场景的图像特点，预测成功概率更高。
(2)网络训练中不需要严格的坐标标注，节省了大量的人力物力；通过弱监督方式，利用识别模型回传的具有物理意义的梯度信息，对参数预测模块进行有效指导，从而通过网络的自适应能力，找到一个最能降低识别难度的图像变换。实际应用中可以有效提高检测准确率，也有利于后续检测结果的准确识别。
(3)采用残差反传算法，自动调整卷积核参数，从而得到更鲁棒的滤波器，能够适应图像模糊、透视变换、光线变化等应用场景。
(4)相对人工方式，本发明可以自动完成读数区域的检测，可以节省人力物力。
(5)相对传统基于计算机视觉的检测方法，本发明无需进行显式的图像二值化及分割过程等，具有检测精度高、检测速度快。将仪表读数图像规范化后，更能适应图像旋转等应用场景。
附图说明
图1为本发明的整体流程图。
图2为本发明深度网络模型的结构框图。
图3为本发明的仪表精确检测结果实例的示意图。
具体实施方式
下面结合附图以及实施方式对本发明进行进一步的描述：
如图1所示，一种数显仪表读数的精确检测方法，包括数据获取、数据处理、深度网络模型构建及训练以及仪表读数检测等步骤。
一、数据获取：采用摄像设备拍摄包含读数区域的仪表图像，涵盖不同规格的待检测仪表。
采用手机、专用硬件等摄像设备拍摄仪表表盘图像。拍摄过程中，仪表表盘读数部分正对镜头，居中且占据图像面积的三分之二以上，仪表表盘允许一定程度倾斜，但读数区域需要拍摄完整。
所拍摄的仪表图像应涵盖不同规格的待检测仪表，仪表图像数量不少于100000张。
二、数据处理：对拍摄的图像进行标注，标注内容为仪表读数，读数的每个数字之间使用“，”隔开；然后，对拍摄的仪表图像进行小角度随机旋转，以及小尺度的拉伸和平移变换。
对于正在进位的读数位，标注格式为x.5，例如某读数位的值介于7和8之间，则需要标注为“7.5”。每位共有0-9即10个数字状态，加上进位状态，则每位共存在20类标注状态。标注内容无需包含任何坐标信息。
三、深度网络模型构建及训练：将仪表图像和相应标注数据输入到深度网络模型进行训练，训练过程中采用识别模型做弱监督参数学习。具体包含以下步骤：
1、构建深度神经网络模型
如图2所示，所构建的深度神经网络模型包括参数预测模块和重采样模块。参数预测模块从仪表图像中提取读数的位置特征信息，通过卷积神经网络得到高级特征图，并由高级特征图预测得到反映图像旋转、缩放和平移特性的6个参数；重采样模块根据预测的6个参数对图像进行旋转、缩放和平移，重新采样后得到一张规范的仪表图像。
在此规范图像中，仪表读数区域位于图像中央，方向水平且读数区域占据图像超过90％的面积，可以用于仪表读数的自动识别、仪表图像数据的搜索及数据图像的存储等。
参数预测模块的网络结构如下表所示：
参数预测模块中：卷积层的贴边操作为，在原特征图上下左右四边各贴上一行/列像素点，像素值为0；非线性层采用relu激活函数；池化层采用最大池化方式。
参数预测模块在结构上采用池化层优先的策略。如上表所示，在输入层之后即为池化层，池化层位于卷积层之前。这样可以有效地减少计算量，避免大量噪音的输入，提高模块鲁棒性。
参数预测模块的输入为仪表表盘图像，输出为用于重采样模块的6个参数。参数预测模块使用了深度网络模型，上表中的神经网络层为顺序连接的形式，使用残差回传算法更新神经网络中的参数。该模块通过弱监督的训练，学习得到接近准确的预测结果。
重采样模块采用stn(spatialtransformernetworks)网络结构，处理过程为：首先由stn网络进行重采样，得到规范的仪表读数图像；然后将规范的仪表读数图像送入识别模型，进行整体检测网络的弱监督参数训练。
其中，stn网络的采样过程如下式所示：
其中：θij，(i＝1，2；j＝1，2，3)共6个参数，为参数预测模块的输出。θ11，θ12，θ21，θ22将输入坐标点进行二维旋转和缩放，θ18，θ28将输入坐标点进行平移。在检测网络模型训练的开始阶段，将网络的全连接层偏置初始化为“1,0,0,0,1,0”，带入公式(1)中，则有stn网络输出的坐标与之前相同，为恒等变换。(xin,yin)为输入图像中像素点坐标，(xout,yout)为该像素点的重采样后坐标。
2、网络模型训练参数的设定：
迭代次数：1000000；
优化器：采用adadelta方法；
学习率：1.0(学习率更新策略：固定不变)；
weightdecay(权重衰减系数)：0.0005。
3、在随机初始化参数下进行深度神经网络的训练。网络模型训练中采用残差回传算法，通过从最后一层计算传递残差，逐层传递，更新网络模型的所有参数。训练过程采用弱监督训练策略，步骤如下：
(1)利用采集的仪表图像和标注信息，训练一个通用的深度网络识别模型，该识别模型一般由卷积层-长短时记忆单元组成。当输入一张图像时，输出为图像中的字符序列，训练的损失函数为ctcloss函数。
(2)将精确检测网络模型与该通用深度网络识别模型对接在一起，前者的输出为后者的输入。
(3)继续使用上述仪表图像和标注信息进行训练，即将仪表图像输入到精确检测网络模型，根据通用深度网络识别模型的输出计算ctcloss，并进行梯度回传，进行精确检测网络模型的训练。
由于在训练过程中不使用任何位置坐标信息，而是通过识别模型回传的具有位置信息物理意义的梯度，来监督精确检测网络模型的训练过程，是一个弱监督参数学习过程。当精确检测网络模型的预测接近正确时，识别网络模型的识别结果会更容易正确，置信度更高，从而在梯度回传时，正反馈于精确检测网络模型，提高检测精度。
四、仪表读数检测：输入一张仪表图像，深度网络模型对图像进行精确检测，并返回一张规范的仪表读数图像。
规范的仪表读数图像可以用于读数识别、仪表图像数据的搜索及数据图像的存储等。本发明可以自动完成读数区域的检测，无需进行显式的图像二值化及分割过程等
如图3所示，其显示了仪表读数图像的精确检测结果。本发明给出的模型在实际测试中，可以使得仪表读数区域占据检测得到图像超过90％的面积，检测精度高。其可以用于仪表读数的自动识别、仪表图像数据的搜索及数据图像的存储等。另外，本发明还具有检测速度快的特点，每张仪表图像检测时间不超过10毫秒，可以满足实时性应用的需要。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
上面结合附图对本发明专利进行了示例性的描述，显然本发明专利的实现并不受上述方式的限制，只要采用了本发明专利的方法构思和技术方案进行的各种改进，或未经改进将本发明专利的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。