基于机器视觉的电子仪表示数自动识别方法研究

目录

声明

致谢

1 引言

1.1 研究背景

1.2 研究现状

1.3 本文主要工作

1.4 论文结构

2 相关技术

2.1 神经网络

2.1.1 BP神经网络

2.1.2 激励函数

2.1.3 Softmax

2.1.4 损失函数

2.2 卷积神经网络

2.2.1 卷积层

2.2.2 池化层

2.3 循环神经网络

2.3.1 典型RNN结构

2.3.2 长期依赖问题

2.4 目标检测相关技术

2.4.1 基于传统方法的目标检测

2.4.2 基于深度学习的目标检测

2.5 文字识别相关技术

2.5.1 文本检测相关技术

2.5.2 文本识别相关技术

2.6 本章小结

3 电子仪表屏幕的检测与水平矫正

3.1 基于Multi-Conv-SSD的电子屏幕检测算法

3.1.1 特征提取器

3.1.2 特征金字塔结构

3.1.3 预选框生成层

3.1.4 数据预处理

3.1.5 损失函数与评价指标

3.1.6 实验与结果分析

3.2 基于全卷积网络的关键点检测算法

3.2.1 关键点检测模型设计

3.2.2 数据预处理

3.2.3 实验与结果分析

3.3 屏幕图像的透视畸变矫正

3.4 本章小节

4 电子仪表示数检测与识别

4.1 基于CTPN 的示数检测算法

4.1.1 CTPN检测算法

4.1.2 数据集合

4.1.3 实验与结果分析

4.2 基于自注意力机制的示数识别算法

4.2.1 特征编码器

4.2.2 自注意力模型解码器

4.2.3 基于CRNN的示数识别算法

4.2.4 基于CRNN与软注意力的示数识别算法

4.2.5 数据预处理

4.2.6 实验与结果分析

4.3 本章小结

5 电子仪表示数自动识别方法的实现

5.1 实验环境

5.2 模块实现

5.2.1 屏幕检测模块

5.2.2 关键点检测模块

5.2.3 屏幕矫正模块

5.2.4 示数检测模块

5.2.5 示数识别模块

5.3 本章小节

6 结论

6.1 总结

6.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集