一种端到端的智能识别里程表图片的方法技术

本发明专利技术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。本发明专利技术使用自训练的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。本发明专利技术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。

【技术实现步骤摘要】
一种端到端的智能识别里程表图片的方法


[0001]本专利技术涉及一种图片识别方法，具体涉及一种端到端的智能识别里程表图片的方法，属于图像识别


技术介绍

[0002]计算机视觉研究方向包括图像分类、识别和分割三部分，其中图像识别是该领域研究的核心，在人脸面部识别、无人自动驾驶、智能机器人等应用上均取得了显著的成果。目前，基于深度神经网络的机器学习方法不仅在日常物品分类的图像识别数据集上超过了人类的水平，而且越来越多的工业应用也在考虑使用这种方法完成图像识别业务。
[0003]另一方面，随着我国经济的发展，私家车销量日渐增多，前来索赔车辆的数目也越来越多，然而销售公司的工作人员还是通过肉眼逐一对索赔里程图像与数据库中记录的车辆信息进行核对，这样的工作不仅耗费大量的人力，容易出错而且十分机械、重复、效率低。
[0004]为解决上述问题，确保索赔车辆里程信息的正确性，本技术使用深度学习方法，等特点，而且很大程度上。
[0005]本申请人发现现有技术至少存在以下技术问题：1、现有技术中，核对里程信息的工作耗费大量人力，容易出错且效率低。

技术实现思路

[0006]本专利技术的目的在于提供一种端到端的智能识别里程表图片的方法，以解决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。
[0007]为实现上述目的，本专利技术提供了以下技术方案：本专利技术提供的一种端到端的智能识别里程表图片的方法，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。
[0008]进一步地，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。
[0009]进一步地，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。
[0010]进一步地，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。
[0011]进一步地，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。
[0012]进一步地，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。
[0013]进一步地，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。
[0014]进一步地，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。
[0015]进一步地，步骤S31中所述的深度学习框架为tensorflow。
[0016]进一步地，步骤S32中，所述神经网络的中间层使用relu激活函数，最后一层采用softmax激活函数。
[0017]进一步地，步骤S33中，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。
[0018]进一步地，步骤S34中，使用Adam优化器对所述神经网络进行优化。
[0019]进一步地，步骤S35中，使用sparse_categorical_crossentropy损失函数。
[0020]进一步地，步骤S36中，所述评价指标包括F1
‑
score。
[0021]进一步地，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。
[0022]进一步地，步骤S41所述的超参数包括学习率、batch
‑
size。
[0023]进一步地，步骤S41所述的超参数加载至配置文件中。
[0024]进一步地，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。
[0025]进一步地，所述文字识别模型包括PaddleOCR。
[0026]进一步地，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。
[0027]进一步地，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。
[0028]进一步地，步骤S4的子步骤还包括：S44，为所述目标检测和文字识别融合模型增加辅助功能，所述辅助功能包括自动降低leadning_rate、不收敛后早停；
S45，对所述目标检测和文字识别融合模型在数据质量、数量、模型框架、优化算法、参数维度上进行优化。
[0029]基于上述技术方案，本专利技术实施例至少可以产生如下技术效果：（1）本专利技术提供的一种端到端的智能识别里程表图片的方法，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。
[0030]（2）本专利技术提供的一种端到端的智能识别里程表图片的方法减轻了人工工作量，降低了欺诈风险，保障了车辆的高质量索赔。
附图说明
[0031]图1是本专利技术实施例的方法流程示意图。
具体实施方式
[0032]本专利技术提供了一种端到端的智能识别里程表图片的方法，现结合附图对本专利技术优选实施例进行详尽说明。
[0033]本专利技术提供的一种端到端的智能识别里程表图片的方法，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。
[0034]在本专利技术优选实施例中，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。
[0035]在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色。因此，灰度化后图像每个像素只需一个字节存放灰度值，灰度范围为0
‑
255。在本专利技术优选实施例中，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。
[0036]所述二值化指设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：杜阿卫，朱洪霖，
申请(专利权)人：启明信息技术股份有限公司，
类型：发明
国别省市：