基于可变形卷积神经网络的数字仪表识别方法
【摘要】 目前，对于数显仪表的识别，多采用传统的图像处理及机器学习等方法，在复杂多变的应用场景中，其对字符、数字的识别准确率低，难以满足实时应用的要求。针对以上问题，将传统图像处理技术与深度学习方法相结合，提出了一种基于可变形卷积神经网络的数显仪表示数分割与识别方法。该方法包含图像预处理、字符分割与识别等步骤。首先，使用GrayWorld算法对待识别图像进行亮度均衡，并通过彩色分割提取屏幕区域;其次，对图像进行形态学操作，以便使用投影直方图法完成字符与对应小数点的整体分割;最后，设计并训练了一种可变形卷积神经网络对字符进行识别，优化了卷积神经网络感受野几何结构固定的内在问题。实验结果表明，加入可变形卷积有效提高了图像的识别准确率和网络的收敛速度;该方法的整体识别准确率达到99.45%，检测速度为10FPS，能够满足实际应用需求。
