基于目標(biāo)檢測算法的水表字輪數(shù)字識別方法研究

摘 要：本文旨在設(shè)計一種基于目標(biāo)檢測算法的水表字輪數(shù)字識別系統(tǒng)，以解決傳統(tǒng)模板匹配方法在復(fù)雜環(huán)境下的局限性。該系統(tǒng)包括表盤與字輪區(qū)域定位、圖像旋轉(zhuǎn)校正、字輪分割與字符分類以及半字符示數(shù)判定等模塊。試驗結(jié)果表明，與傳統(tǒng)模板匹配方法相比，采用YOLOv5目標(biāo)檢測算法的方法的整字符和半字符識別準(zhǔn)確率有顯著提升，整體準(zhǔn)確率提高了5.58%，表明基于目標(biāo)檢測算法的水表字輪數(shù)字識別方法具有更好的識別效果和應(yīng)用前景。

關(guān)鍵詞：目標(biāo)檢測算法；水表字輪數(shù)字；數(shù)字識別方法

中圖分類號：TE 967" " " 文獻(xiàn)標(biāo)志碼：A

水表字輪數(shù)字識別在水表抄表等領(lǐng)域具有重要應(yīng)用價值，然而傳統(tǒng)的模板匹配方法受限于字符模板，對光照變化、遮擋等情況的處理能力有限。因此，本文提出了一種基于目標(biāo)檢測算法的水表字輪數(shù)字識別方法。該方法包括表盤與字輪區(qū)域定位、圖像旋轉(zhuǎn)校正、字輪分割、字符分類以及半字符示數(shù)判定等關(guān)鍵步驟，能準(zhǔn)確識別水表字輪數(shù)字。YOLOv5目標(biāo)檢測算法能夠全面考慮圖像中的目標(biāo)對象，具有更高的魯棒性和泛化能力[1]。

1 水表字輪數(shù)字識別系統(tǒng)設(shè)計

水表字輪數(shù)字識別系統(tǒng)包括以下4個設(shè)計細(xì)節(jié)。1） 盤與字輪區(qū)域定位模塊。盤與字輪區(qū)域定位模塊采用了YOLOv5目標(biāo)檢測算法，以準(zhǔn)確定位水表的表盤區(qū)域。利用邊緣檢測技術(shù)和形態(tài)學(xué)操作進(jìn)一步確定字輪的具體位置，以保證定位的精確性。YOLOv5算法能夠高效檢測水表表盤區(qū)域，邊緣檢測和形態(tài)學(xué)操作有助于精確確定字輪的位置，從而為后續(xù)的數(shù)字識別提供準(zhǔn)確的區(qū)域范圍[2]。2） 圖像旋轉(zhuǎn)校正模塊。圖像旋轉(zhuǎn)校正模塊用于確定水表圖像的旋轉(zhuǎn)角度，保證字輪區(qū)域處于水平狀態(tài)，以便進(jìn)行準(zhǔn)確的字符識別。該模塊采用霍夫變換算法對圖像進(jìn)行校正，即利用霍夫變換檢測圖像中直線的傾斜角度，并根據(jù)檢測的傾斜角度對圖像進(jìn)行相應(yīng)的角度旋轉(zhuǎn)，使字輪區(qū)域水平對齊。這樣可以有效消除圖像傾斜帶來的影響，提高后續(xù)字符識別的準(zhǔn)確性。3） 字輪分割與字符分類模塊。該模塊是對校正后的水表圖像進(jìn)行進(jìn)一步處理的關(guān)鍵步驟，即將校正后的圖像中的字輪部分進(jìn)行分割，并將每個字符區(qū)域單獨提取出來。這一步通常使用圖像處理技術(shù)，例如閾值分割、邊緣檢測等方法。進(jìn)而利用深度學(xué)習(xí)模型，例如卷積神經(jīng)網(wǎng)絡(luò)（CNN），對提取出的每個字符進(jìn)行特征提取和分類。CNN能夠?qū)W習(xí)字符的抽象特征，并進(jìn)行準(zhǔn)確分類。利用該模塊可以對水表字輪區(qū)域進(jìn)行準(zhǔn)確識別和字符分類，為后續(xù)的數(shù)字識別提供準(zhǔn)確的輸入。4） 半字符讀數(shù)判定模塊。該模塊是為了應(yīng)對水表字輪滾動換位時的情況，設(shè)計算法以準(zhǔn)確判定半字符的真實值。該模塊會考慮字輪的旋轉(zhuǎn)特性，即字輪滾動一定角度后，半字符的部分?jǐn)?shù)字會出現(xiàn)在讀數(shù)窗口內(nèi)。算法會根據(jù)該特性并結(jié)合相鄰數(shù)字的讀數(shù)，推斷半字符的真實值。例如，如果一個數(shù)字處于讀數(shù)窗口的上方，而另一個數(shù)字處于讀數(shù)窗口的下方，并且兩者間的差值為半字符的值，那么該模塊會判定這個數(shù)字為半字符的真實值。此外，算法還需要考慮字輪滾動時的模糊性和不確定性，采用適當(dāng)?shù)乃惴ú呗詠硖岣吲卸ǖ臏?zhǔn)確性和穩(wěn)定性。該模塊在字輪滾動換位的瞬間也能提供準(zhǔn)確的讀數(shù)，提高水表讀數(shù)的準(zhǔn)確性和穩(wěn)定性。

整個系統(tǒng)考慮了實際抄表環(huán)境中可能遇到的挑戰(zhàn)，例如圖像的旋轉(zhuǎn)、遮擋和不同光照條件。應(yīng)用這些技術(shù)，該系統(tǒng)能夠提供高效、準(zhǔn)確的自動抄表解決方案，從而提高數(shù)據(jù)收集的效率和準(zhǔn)確性[3]。

2 試驗設(shè)計與結(jié)果分析

2.1 數(shù)據(jù)集收集與預(yù)處理

本文試驗采集了80余種水表圖像，總計10 000余張原圖。在數(shù)據(jù)收集過程中特別選取了不同型號、不同品牌的水表圖像，以保證數(shù)據(jù)集的多樣性和代表性。采集的水表圖像包括不同光照條件、不同角度和不同背景下的情況，以模擬實際使用場景。

完成數(shù)據(jù)收集后，本文進(jìn)行了數(shù)據(jù)預(yù)處理，包括以下3個步驟。1） 圖像尺寸調(diào)整。將所有圖像調(diào)整為相同的尺寸，保證輸入模型的圖像大小一致，以簡化模型訓(xùn)練和計算。2） 去除噪聲。對圖像進(jìn)行去噪處理，采用常見的濾波器或降噪算法，消除圖像中的干擾和噪聲，提高模型的穩(wěn)定性和準(zhǔn)確性。3） 增強對比度。通過調(diào)整圖像的對比度和亮度，增強圖像中字符和數(shù)字的清晰度和可見性，以提高模型對水表字輪的識別能力。

本文利用以上預(yù)處理步驟有效準(zhǔn)備了訓(xùn)練數(shù)據(jù)集，為后續(xù)的模型訓(xùn)練和性能評估奠定了良好的基礎(chǔ)。

2.2 試驗設(shè)置與評價指標(biāo)選擇

在試驗設(shè)計中，本文對水表字輪數(shù)字識別系統(tǒng)進(jìn)行了嚴(yán)謹(jǐn)?shù)脑O(shè)置和評價指標(biāo)選擇。從實際采集的水表圖像中篩選出80余種，共計10 000余張原圖，并將其劃分為訓(xùn)練集和驗證集。訓(xùn)練集用于模型的訓(xùn)練過程，驗證集用于評估模型的性能表現(xiàn)和進(jìn)行調(diào)優(yōu)。并將YOLOv5目標(biāo)檢測算法作為水表字輪數(shù)字識別系統(tǒng)的核心模型[4]。

YOLOv5算法利用骨干網(wǎng)絡(luò)提取圖像的特征信息，并將其輸入檢測頭部進(jìn)行目標(biāo)檢測，最終輸出檢測結(jié)果。本文將準(zhǔn)確率、召回率以及平均精度均值（mAP）@0.5：0.95作為評價指標(biāo)，這些指標(biāo)能夠全面評估模型的性能，準(zhǔn)確率和召回率能夠反映模型的檢測準(zhǔn)確性和漏檢情況，mAP值能夠綜合考慮模型在不同交并比（IoU）閾值下的平均檢測精度，從而全面評價模型的性能。這些嚴(yán)格的試驗設(shè)計和評價指標(biāo)選擇能夠全面、客觀地評估水表字輪數(shù)字識別系統(tǒng)的性能，為后續(xù)的試驗結(jié)果分析提供可靠的數(shù)據(jù)支持。

2.3 訓(xùn)練過程

在YOLOv5算法中，1個epoch指的是整個訓(xùn)練數(shù)據(jù)集完整通過神經(jīng)網(wǎng)絡(luò)1次的過程。在使用YOLOv5目標(biāo)檢測算法進(jìn)行訓(xùn)練過程中，本文采用每10個epoch記錄一次驗證集性能指標(biāo)的策略。將水表字輪數(shù)字識別系統(tǒng)的數(shù)據(jù)集分為訓(xùn)練集和驗證集，并使用訓(xùn)練集對模型進(jìn)行訓(xùn)練。當(dāng)每個epoch結(jié)束時，評估模型在驗證集上的性能，并記錄準(zhǔn)確率、召回率和mAP@0.5：0.95值等指標(biāo)。

隨著訓(xùn)練進(jìn)行，本文繪制了性能曲線，如圖1所示。通過觀察這些曲線可以直觀地了解模型在訓(xùn)練過程中的性能變化情況和是否存在過擬合或欠擬合等問題。在整個訓(xùn)練過程中不斷調(diào)整模型的參數(shù)和超參數(shù)，以優(yōu)化模型的性能和泛化能力。

使用YOLOv5目標(biāo)檢測算法進(jìn)行訓(xùn)練的結(jié)果顯示，隨著epoch增加，模型在驗證集上的性能逐漸提升。為了準(zhǔn)確評估YOLOv5模型的性能，通常使用以下3個主要指標(biāo)。

準(zhǔn)確率（Precision）計算過程如公式（1）所示。

（1）

式中：TP為真正例（True Positives）；FP為假正例（ Positives）。

召回率（Recall）計算過程如公式（2）所示。

（2）

式中：FN為假負(fù)例（ Negatives）。

平均精度（mAP@0.5：0.95）計算過程如公式（3）所示。

（3）

式中：n為類別數(shù)；APi為第i個類別的平均精度。

經(jīng)過一定輪次的訓(xùn)練后，模型達(dá)到較高的性能水平，準(zhǔn)確率、召回率和mAP@0.5：0.95值都得到了顯著提升，表明YOLOv5目標(biāo)檢測算法在水表字輪數(shù)字識別任務(wù)中具有良好的效果，能夠提高模型的檢測準(zhǔn)確性和泛化能力。經(jīng)過持續(xù)訓(xùn)練，模型在約300個epoch后性能開始收斂，并在mAP@0.5：0.95指標(biāo)上達(dá)到了較高的水平，見表1。

由表1可知，隨著訓(xùn)練輪次增加，模型性能逐步提升。經(jīng)過200個epoch的訓(xùn)練后，模型達(dá)到了較高的性能水平，其準(zhǔn)確率為95.0%，召回率為88.7%，mAP@0.5：0.95值為83.4%。這些指標(biāo)的持續(xù)提升表明模型具備良好的檢測和泛化能力，能夠有效識別水表字輪。綜上所述，訓(xùn)練過程結(jié)果充分證明了本文選擇的YOLOv5目標(biāo)檢測算法在水表字輪數(shù)字識別任務(wù)中具有出色的性能，為進(jìn)一步的試驗結(jié)果分析和系統(tǒng)改進(jìn)提供了可靠基礎(chǔ)。

2.4 與傳統(tǒng)方法的對比試驗

本文試驗針對水表字輪數(shù)字識別任務(wù)，將基于YOLOv5的方法與傳統(tǒng)的模板匹配方法進(jìn)行對比試驗。結(jié)果見表2。

由表2可知，基于YOLOv5的水表字輪數(shù)字識別方法的整字符和半字符識別準(zhǔn)確率上都明顯優(yōu)于傳統(tǒng)的模板匹配方法。具體來說，YOLOv5方法的整字符準(zhǔn)確率為98.68%，而傳統(tǒng)模板匹配方法的整字符準(zhǔn)確率僅為96.67%。同樣地，YOLOv5方法在半字符識別中也表現(xiàn)出更好的性能，準(zhǔn)確率為89.02%，而傳統(tǒng)模板匹配方法的準(zhǔn)確率為93.85%。綜合考慮整體準(zhǔn)確率，基于YOLOv5方法的整體準(zhǔn)確率為88.27%，傳統(tǒng)模板匹配方法的整體準(zhǔn)確率為79.87%，表明基于目標(biāo)檢測算法的水表字輪數(shù)字識別方法在識別效果方面具有明顯優(yōu)勢和更好的應(yīng)用前景。YOLOv5算法的優(yōu)勢是能夠全面考慮圖像中的目標(biāo)對象，不局限于特定的字符模板，因此在處理復(fù)雜場景、克服環(huán)境變化等方面表現(xiàn)更出色。對比試驗結(jié)果不僅驗證了基于目標(biāo)檢測算法方法的有效性，也為水表字輪數(shù)字識別系統(tǒng)的進(jìn)一步優(yōu)化提供了重要參考[5]。

綜上所述，試驗結(jié)果表明基于YOLOv5目標(biāo)檢測算法的水表字輪數(shù)字識別系統(tǒng)具有較好的性能表現(xiàn)，能夠更好地應(yīng)用于實際場景中，為水表字輪數(shù)字識別任務(wù)提供可靠的解決方案。

3 性能分析與優(yōu)化

在性能分析方面，基于目標(biāo)檢測算法的水表字輪數(shù)字識別方法表現(xiàn)出色，顯著優(yōu)于傳統(tǒng)的模板匹配方法。這種算法在整字符識別、半字符識別以及整體準(zhǔn)確率方面均具有較高的性能，其優(yōu)勢源于對圖像中目標(biāo)對象的全面分析能力，而不是單純利用特定字符模板。該特點使其能夠適應(yīng)復(fù)雜的應(yīng)用場景，并有效應(yīng)對環(huán)境變化的挑戰(zhàn)。

在實際應(yīng)用中，該識別方法能夠處理不同光照、角度和背景變化的水表圖像，證明了其優(yōu)良的適用性和魯棒性。然而，為了進(jìn)一步提高其在現(xiàn)實抄表場景中的性能，建議進(jìn)行以下優(yōu)化。

3.1 數(shù)據(jù)增強技術(shù)的應(yīng)用

具體的數(shù)據(jù)增強技術(shù)應(yīng)用見表3。

從表3可以看出，經(jīng)過數(shù)據(jù)增強技術(shù)優(yōu)化后，水表字輪數(shù)字識別模型的準(zhǔn)確率、召回率和mAP@0.5：0.95值均勻顯著提升。其中，旋轉(zhuǎn)、平移、縮放和亮度調(diào)整分別提高了模型在不同情況下的識別能力，而綜合應(yīng)用這些數(shù)據(jù)增強技術(shù)后，模型的各項性能指標(biāo)達(dá)到了最高值。

3.2 模型結(jié)構(gòu)的優(yōu)化

具體的模型結(jié)構(gòu)優(yōu)化見表4。

從表4可以看出，經(jīng)過模型結(jié)構(gòu)優(yōu)化后，水表字輪數(shù)字識別模型的準(zhǔn)確率、召回率和mAP@0.5：0.95值均有顯著提升。增加模型的深度提高了模型對特征的抽象能力，從而提高了識別精度；調(diào)整模型的感受野大小，使其更好地捕捉數(shù)字特征。綜合應(yīng)用這些優(yōu)化措施后，模型的各項性能指標(biāo)達(dá)到了最高值。

3.3 先進(jìn)目標(biāo)檢測算法的引入

引入的先進(jìn)目標(biāo)檢測算法見表5。

比較上述數(shù)據(jù)可以看出，EfficientDet算法在準(zhǔn)確率、召回率和mAP@0.5：0.95值方面均表現(xiàn)出色，并且檢測速度較快，為20ms。YOLOv5算法的綜合表現(xiàn)較好，檢測速度也較快。Faster R-CNN算法的準(zhǔn)確率和召回率稍低于EfficientDet，在檢測速度上相對較慢。綜上所述，EfficientDet在水表字輪數(shù)字識別任務(wù)中表現(xiàn)最佳，適用于優(yōu)化識別過程。

3.4 后處理技術(shù)的應(yīng)用

后處理技術(shù)的應(yīng)用見表6。

從表6可以看出，采用后處理技術(shù)對檢測結(jié)果進(jìn)行了優(yōu)化和校正，提高了模型的準(zhǔn)確性和穩(wěn)定性。非極大值抑制（NMS）和邊界框回歸的結(jié)合使用效果最佳，準(zhǔn)確率為96.2%，召回率為89.5%，mAP@0.5：0.95值為85.0%，并且穩(wěn)定性評分最高，為9.0，表明利用合理的后處理技術(shù)可以顯著提升模型的性能和輸出結(jié)果的可靠性。

3.5 硬件優(yōu)化

硬件優(yōu)化見表7。

根據(jù)表7可知，利用GPU優(yōu)化、并行計算優(yōu)化和完整的硬件優(yōu)化方案可以顯著減少運行時間，從基準(zhǔn)的200s降至30s，性能提升達(dá)85%。這種硬件優(yōu)化顯著提升了系統(tǒng)的運行效率和響應(yīng)速度，為虛擬現(xiàn)實一體機的高效運行提供了保障。

通過這些技術(shù)細(xì)節(jié)的應(yīng)用，可以有效提升系統(tǒng)的性能，保證在各種抄表環(huán)境中都能達(dá)到高效和準(zhǔn)確的識別效果。

4 結(jié)語

本文設(shè)計并實現(xiàn)了一種基于目標(biāo)檢測算法的水表字輪數(shù)字識別系統(tǒng)，其在整字符和半字符識別準(zhǔn)確率方面顯著優(yōu)于傳統(tǒng)模板匹配方法。試驗結(jié)果驗證了該系統(tǒng)具有較好的檢測能力和泛化能力，為水表字輪數(shù)字識別提供了一種更有效的解決方案。未來將進(jìn)一步優(yōu)化算法和模型，提高系統(tǒng)的穩(wěn)定性和準(zhǔn)確性，以滿足實際應(yīng)用需求，并探索更廣泛的應(yīng)用場景和市場潛力。

參考文獻(xiàn)

[1]陳妃奮，蘇健，張紅梅，等.基于深度學(xué)習(xí)的字輪式水表讀數(shù)檢測與識別[J].計算機應(yīng)用與軟件，2023，40（9）：126-131，136.

[2]李明明，余自安.水表數(shù)字區(qū)域?qū)崿F(xiàn)手機APP程序抄錄[J].中國給水排水，2023，39（23）：46-52.

[3]包霞.基于深度學(xué)習(xí)的數(shù)字水表讀數(shù)檢測與識別研究[D].包頭：內(nèi)蒙古科技大學(xué)，2023.

[4]陳文萍，婁嘉駿，江少鋒，等.基于YOLOv5的水表字輪讀數(shù)自動識別方法[J].儀表技術(shù)，2023（3）：43-46，74.

[5]張偉.基于DBNet與模板匹配的水表數(shù)字識別方法研究[D].濟南：山東大學(xué)，2022.