針對(duì)被強(qiáng)噪聲污染的小樣本水表讀數(shù)數(shù)據(jù)集,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）遷移學(xué)習(xí)的字符識(shí)別方法。在Tensor Flow框架下搭建卷積神經(jīng)網(wǎng)絡(luò),將批歸一化應(yīng)用到網(wǎng)絡(luò)模型的構(gòu)建中,并對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化來提高網(wǎng)絡(luò)的性能。通過遷移學(xué)習(xí)的方法提高小樣本數(shù)據(jù)集的識(shí)別率,采用大樣本數(shù)據(jù)集對(duì)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)進(jìn)行預(yù)訓(xùn)練后,共享淺層網(wǎng)絡(luò)層參數(shù)。再利用小樣本數(shù)據(jù)集對(duì)深層網(wǎng)絡(luò)層參數(shù)進(jìn)行訓(xùn)練,實(shí)現(xiàn)字符分類。實(shí)驗(yàn)結(jié)果表明:與傳統(tǒng)VGG—16網(wǎng)絡(luò)相比,所設(shè)計(jì)網(wǎng)絡(luò)的識(shí)別率提高2.19%,速度提高98.3%,計(jì)算復(fù)雜度和內(nèi)存消耗大大降低,為遠(yuǎn)程自動(dòng)抄表提供可能。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(12)CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

VGG—16網(wǎng)絡(luò)結(jié)構(gòu)

本文網(wǎng)絡(luò)結(jié)構(gòu)是在VGG—16網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行改進(jìn)，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)減少了卷積層個(gè)數(shù)，以降低計(jì)算量。引入批歸一化處理層來解決深度網(wǎng)絡(luò)中的內(nèi)部協(xié)差偏移問題，提高網(wǎng)絡(luò)訓(xùn)練速度。該網(wǎng)絡(luò)結(jié)構(gòu)共有7個(gè)卷積層，3個(gè)池化層和3個(gè)全連接層，具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。其中卷積層卷積核大小為3×3，卷積步長為1，每一個(gè)卷積層后面都加入批歸一化處理層，在批歸一化處理層后面接入Re LU激活函數(shù)。每組卷積層后面接一個(gè)Max Pooling，池化核大小為2×2，步長為2。1.2 改進(jìn)目標(biāo)函數(shù)

本文選擇街景房屋編號(hào)(SVHN)[9]數(shù)據(jù)集作為源數(shù)據(jù)集，SVHN數(shù)據(jù)集源于Google街景圖像提取的門牌號(hào)碼，與目標(biāo)數(shù)據(jù)集有較大的相關(guān)度。在SVHN數(shù)據(jù)集中挑選與目標(biāo)數(shù)據(jù)集相似度較高的圖像，進(jìn)一步提高SVHN數(shù)據(jù)集與目標(biāo)數(shù)據(jù)集的相關(guān)度，如圖3所示。使用大量的SVHN數(shù)據(jù)集樣本對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，由于SVHN數(shù)據(jù)集與目標(biāo)數(shù)據(jù)集共享某些淺層特征，使用預(yù)訓(xùn)練的網(wǎng)絡(luò)參數(shù)對(duì)淺層卷積層進(jìn)行初始化。而網(wǎng)絡(luò)深層卷積層提取的深層特征對(duì)于目標(biāo)數(shù)據(jù)集是特定的，為保證網(wǎng)絡(luò)模型在目標(biāo)數(shù)據(jù)集中的分類精度，網(wǎng)絡(luò)深層卷積核參數(shù)則在目標(biāo)數(shù)據(jù)集中進(jìn)行微調(diào)[10]。將較深層的網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)初始化，通過少量目標(biāo)數(shù)據(jù)集對(duì)這些參數(shù)進(jìn)行繼續(xù)訓(xùn)練。遷移學(xué)習(xí)過程如圖4所示。

【參考文獻(xiàn)】：
期刊論文
[1]家用水表字符的識(shí)別算法研究[J]. 陳英,李磊,汪文源,徐嘉伯,楊豐玉.  現(xiàn)代電子技術(shù). 2018(18)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的胸片肺結(jié)節(jié)檢測[J]. 朱國策,李朝鋒.  傳感器與微系統(tǒng). 2017(12)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別方法研究[J]. 紀(jì)野,李玉惠,王蒙.  傳感器與微系統(tǒng). 2017(11)
[4]谷歌TensorFlow機(jī)器學(xué)習(xí)框架及應(yīng)用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月.  微型機(jī)與應(yīng)用. 2017(10)
[5]利用多種投票策略的水表讀數(shù)字符分割與識(shí)別[J]. 林陽,郭丙軒,肖雄武,�？瓶�,趙欣,李大軍.  科學(xué)技術(shù)與工程. 2017(10)
[6]BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識(shí)別系統(tǒng)[J]. 咼潤華,蘇婷婷,馬曉偉.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(09)



本文編號(hào)：3231539