用于自动抄表的卷积神经网络
计算机视觉与模式识别
2019-02-27 v1
摘要
本文利用卷积神经网络（CNN）的强大能力来解决自动抄表（AMR）问题。我们设计了一种两阶段方法，采用Fast-YOLO目标检测器进行计数器检测，并评估了三种不同的基于CNN的计数器识别方法。在AMR文献中，大多数数据集由于图像属于某服务公司而不对研究界公开。为此，我们引入了一个名为UFPR-AMR数据集的新公共数据集，包含2,000张完全且人工标注的图像。据我们所知，该数据集比文献中最大的公共数据集大三倍，并包含明确定义的评估协议以辅助AMR方法的开发与评估。此外，我们提出使用数据增强技术来生成平衡的训练集，其中包含更多示例以训练用于计数器识别的CNN模型。在所提数据集上取得了令人瞩目的结果，并对每种模型进行了详细的速度/精度权衡评估。在一个公共数据集上，使用少于200张图像进行训练便达到了最先进（state-of-the-art）结果。
引用
@article{arxiv.1902.09600,
title = {Convolutional Neural Networks for Automatic Meter Reading},
author = {Rayson Laroca and Victor Barroso and Matheus A. Diniz and Gabriel R. Gonçalves and William Robson Schwartz and David Menotti},
journal= {arXiv preprint arXiv:1902.09600},
year = {2019}
}