一种端到端的智能识别里程表图片的方法与流程

技术特征：
1.一种端到端的智能识别里程表图片的方法，其特征在于，所述方法的步骤包括：s1，采集图像数据；s2，对采集的图像数据进行预处理；s3，基于深度学习框架搭建神经网络；s4，搭建目标检测和文字识别融合模型；s5，对所述目标检测和文字识别融合模型进行训练；s6，对目标图片进行识别并输出所述目标图片中的文字。2.根据权利要求1所述的一种端到端的智能识别里程表图片的方法，其特征在于，步骤s2的子步骤包括：s21，对所述采集的图像数据进行灰度化处理；s22，对所述采集的图像数据进行二值化处理；s23，对所述采集的图像数据进行降噪处理；s24，对所述采集的图像数据进行倾斜矫正；s25，对所述采集的图像数据进行图像特征提取；s26，对提取的图像特征进行降维。3.根据权利要求1所述的一种端到端的智能识别里程表图片的方法，其特征在于，步骤s3的子步骤包括：s31，基于深度学习框架搭建所述神经网络基础架构；s32,设计所述神经网络的激活函数；s33，对所述神经网络进行正则化；s34，使用优化器对所述神经网络进行优化；s35，设计所述神经网络的损失函数；s36，确定所述神经网络的评价指标；所述的深度学习框架包括tensorflow；所述激活函数包括relu激活函数和softmax激活函数；对所述神经网络进行正则化的方法包括对所述神经网络进行dropout优化操作；所述优化器包括adam优化器；所述损失函数包括sparse_categorical_crossentropy损失函数；所述评价指标包括f1-score。4.根据权利要求1所述的一种端到端的智能识别里程表图片的方法，其特征在于，步骤s4的子步骤包括：s41，设置所述目标检测和文字识别融合模型超参数；s42，加载步骤s3搭建的神经网络；s43，加载预训练模型；所述超参数包括学习率、batch-size，所述超参数加载至配置文件中。5.根据权利要求4所述的一种端到端的智能识别里程表图片的方法，其特征在于，所述预训练模型包括在自然图像上预训练过的文字识别模型。6.根据权利要求5所述的一种端到端的智能识别里程表图片的方法，其特征在于，所述文字识别模型包括paddleocr。
7.根据权利要求1所述的一种端到端的智能识别里程表图片的方法，其特征在于，所述目标检测和文字识别融合模型通过yolo目标检测模型实现目标检测。8.根据权利要求5所述的一种端到端的智能识别里程表图片的方法，其特征在于，步骤s5中使用仪表图片对所述在自然图像上预训练过的文字识别模型在gpu环境下进行再次训练。9.根据权利要求2所述的一种端到端的智能识别里程表图片的方法，其特征在于，步骤s25中使用ai图像识别技术提取采集的仪表图像数据深层语义特征。10.根据权利要求2所述的一种端到端的智能识别里程表图片的方法，其特征在于，步骤s21中对所述采集的图像数据进行灰度化处理的方法包括分量法、最大值法、平均值法、加权平均法；步骤s22中对所述采集的图像数据进行二值化处理的方法包括双峰法、p参数法、迭代法和otsu法；步骤s23中对所述采集的图像数据进行降噪处理的方法包括均值滤波器降噪、自适应维纳滤波器降噪、中值滤波器降噪、形态学噪声滤除器降噪、小波降噪；步骤s24中对所述采集的图像数据进行倾斜矫正的方法包括霍夫变换法；步骤s25中使用ai图像识别技术提取采集的仪表图像数据深层语义特征。

技术总结
本发明公开了一种端到端的智能识别里程表图片的方法，属于图像识别技术领域，解决了现有技术中的核对里程信息的工作耗费大量人力，容易出错且效率低的技术问题。它包括S1，采集图像数据；S2，对采集的图像数据进行预处理；S3，基于深度学习框架搭建神经网络；S4，搭建目标检测和文字识别融合模型；S5，对所述目标检测和文字识别融合模型进行训练；S6，对目标图片进行识别并输出所述目标图片中的文字。本发明使用自训练的Yolo目标检测模型和PaddleOCR文字识别模型相结合的方式，采用tensorflow框架，集成于tensorflow服务中。本发明实现了智能识别索赔里程图像中的信息，识别稳定、效率高，易操作，减轻了人工工作量，降低了欺诈风险，保障了车辆的高质量索赔。保障了车辆的高质量索赔。保障了车辆的高质量索赔。


技术研发人员：杜阿卫 朱洪霖
受保护的技术使用者：启明信息技术股份有限公司
技术研发日：2022.09.19
技术公布日：2022/12/16