基于计算机视觉技术的电能表用电信息识别算法的制作方法

技术特征：
1.基于计算机视觉技术的电能表用电信息识别算法，其特征在于包括下列步骤：首先，检测端结合了特征金字塔网络和残差网络思想，对输入图像进行特征提取，通过四个控制点生成贝塞尔曲线，更好地拟合文本框；然后，识别端采用了基于卷积循环神经网络的文本识别算法，引入门控循环单元替代长短期记忆单元，再结合注意力机制对目标区域文本进行识别；最后，进行五组消融实验，通过实验数据进行性能对比和评估分析。2.根据权利要求1所述的基于计算机视觉技术的电能表用电信息识别算法，其特征在于包括下列步骤：贝塞尔曲线用伯恩斯坦多项式来表示成一条参数化曲线c(t)，定义公式如下：其中n代表贝塞尔曲线的阶数，b
i
代表第i个控制点，b
i,n
(t)代表伯恩斯坦多项式，其定义公式如下：其中，代表多项式系数，当n＝3时，也就是三阶的贝塞尔曲线，便可以较好地拟合任意形状文本框；在检测电能表用电信息时，将边界框简化为一个由8个以上控制点组成的边界框，是指4个标注的顶点以及两条长边上的相同个数等分点，然后通过两条长边上的4个控制点分别生成一条贝塞尔曲线；为了达到端到端训练的目的，在连接识别网络分支前进行一步预处理操作：将候选文本区域的视觉特征对齐后输出一个新的特征图；构建一个贝塞尔对齐网络，采用的方法是贝塞尔特征匹配法，对齐方法是根据特征图的像素点位置坐标，利用贝塞尔曲线上、下边界点坐标，将采样点线性索引后进行双线性插值，从而输出一个统一尺寸大小的矩形特征图，作为后续文字识别分支的基础；以像素点位置坐标g
i
(g
iw
,g
ih
)为例，通过比例公式(3)和线性索引公式(4)计算：)为例，通过比例公式(3)和线性索引公式(4)计算：其中，h
out
×
w
out
代表输出的矩形特征图的像素大小；t
p
、b
p
分别代表贝塞尔曲线的上、下边界点；o
p
代表采样点；网络将提取出的图像深度特征，送入循环经网络预测每帧序列的标签分布，然后使用ctc进行解码，将特征序列转化为标签序列，并引入门控循环单元和使用基于注意力机制的
解码器；在构建卷积特征提取网络时，选取卷积层、池化层和激活函数的叠加组合，保证将输入图像特征比较完整地映射到隐藏层；最终生成的卷积特征图，用于提取特征序列，特征序列的划分标准则是以列为单位，从左至右每一个像素点生成一个特征向量；使用双向gru从特征序列的两个方向进行序列建模，然后再拼接得到一个更好的特征序列：使解码器依赖于关注向量，关注向量是基于输入隐藏状态的加权和，然后作为网络体系结构的一部分，注意力权重同网络一起训练；解码器首先通过注意力机制计算一个注意力向量相关公式如下：e
t,i
＝w
t
tanh(ws
t
‑1 vh
i
b)
ꢀꢀꢀꢀꢀ
(6)；其中，w,w,v是可训练的权重值；然后把权重值作为系数，将编码器输出序列的列线性组合成一个向量g
t
：g
t
作为译码器循环单元的输入，产生一个输出向量x
t
和一个新的状态向量s
t
；(x
t
,s
t
)＝rnn(s
t
‑1,(g
t
,f(y
t
‑1)))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；式中(g
t
,f(y
t
‑1))为g
t
与y
t
‑1的one
‑
hot嵌入；rnn表示循环单元gru的阶跃函数，其输出和新的内部状态分别用x
t
和s
t
表示，最后，采用x
t
来预测当前步的字符：p(y
t
)＝softmax(w
o
x
t
b
o
)
ꢀꢀꢀ
(10)；y
t
～p(y
t
)
ꢀꢀꢀꢀ
(11)。3.根据权利要求2所述的基于计算机视觉技术的电能表用电信息识别算法，其特征在于包括下列步骤：当两条长边上为三等分点，则通过两条长边上的4个控制点分别生成一条贝塞尔曲线；或者，当两条长边标注点大于4时，则通过最小二乘法，来获取4个控制点的最优参数组合，实现多边形标注的贝塞尔参数化。

技术总结
基于计算机视觉技术的电能表用电信息识别算法，该框架集检测、识别于一体，实现了端到端的文本定位和预测。首先，检测端结合了特征金字塔网络和残差网络思想，对输入图像进行特征提取，通过四个控制点生成贝塞尔曲线，更好地拟合文本框；然后，识别端采用了基于卷积循环神经网络的文本识别算法，引入门控循环单元替代长短期记忆单元，再结合注意力机制对目标区域文本进行识别；最后，进行五组消融实验，通过实验数据进行性能对比和评估分析。实验结果显示，该算法识别精度高达99.08％，推理速度快，可以运用于用电信息检测与识别的实际应用中。中。中。


技术研发人员：孙福明 高严 魏晓鸣 李明渊 李厚杰
受保护的技术使用者：大连民族大学
技术研发日：2021.05.29
技术公布日：2021/10/19