留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于改进CNN−SVM的甲烷传感器数显识别方法

唐守锋 史经灿 周楠 赵仁慈 仝光明 黄洁

唐守锋,史经灿,周楠,等. 基于改进CNN−SVM的甲烷传感器数显识别方法[J]. 工矿自动化,2022,48(1):52-56.  doi: 10.13272/j.issn.1671-251x.2021070033
引用本文: 唐守锋,史经灿,周楠,等. 基于改进CNN−SVM的甲烷传感器数显识别方法[J]. 工矿自动化,2022,48(1):52-56.  doi: 10.13272/j.issn.1671-251x.2021070033
TANG Shoufeng, SHI Jingcan, ZHOU Nan, et al. Digital recognition method of methane sensor based on improved CNN-SVM[J]. Industry and Mine Automation,2022,48(1):52-56.  doi: 10.13272/j.issn.1671-251x.2021070033
Citation: TANG Shoufeng, SHI Jingcan, ZHOU Nan, et al. Digital recognition method of methane sensor based on improved CNN-SVM[J]. Industry and Mine Automation,2022,48(1):52-56.  doi: 10.13272/j.issn.1671-251x.2021070033

基于改进CNN−SVM的甲烷传感器数显识别方法

doi: 10.13272/j.issn.1671-251x.2021070033
基金项目: 国家重点研发计划项目(2017YFF0205500)。
详细信息
    作者简介:

    唐守锋(1970—),男,山东淄博人,教授,博士研究生导师,主要研究方向为检测技术与自动化装置、传感器应用技术、智能仪表和智能机器人技术,E-mail: tsf0816@126.com

    通讯作者:

    史经灿(1995—),男,江苏徐州人,硕士研究生,主要研究方向为粉尘均匀性控制、检测技术与自动化装置,E-mail: 954170067@qq.com

  • 中图分类号: TD712

Digital recognition method of methane sensor based on improved CNN-SVM

  • 摘要: 甲烷传感器材质存在光反射,显示面板上有附着物,造成甲烷传感器自动检定系统采集的传感器数值图像质量较差,对字符识别困难。而现有的基于机器学习的仪表字符识别方法识别率较低、算法运行速度较慢。针对上述问题,提出了一种基于改进卷积神经网络(CNN)−支持向量机(SVM)的甲烷传感器数显识别方法。通过图像增强、数值区域图像提取、图像分割、小数点定位等4个步骤对甲烷传感器数值图像进行预处理,并将处理后的数字图像作为自定义数据集。针对CNN−SVM模型运行时间较长的问题,使用PCA算法对CNN全连接层提取的图像特征进行降维处理,用最主要数据特征代替原始数据作为SVM分类器的样本进行分类识别。在自建数据集上的验证结果表明,与传统CNN模型和CNN−SVM模型相比,改进CNN−SVM模型的准确率更高,运行时间更短。在经典MNIST数据集上的验证结果表明,综合考虑精度和实时性要求,改进CNN−SVM模型的综合性能优于CRNN,SSD,YOLOv3,Faster R−CNN等模型。采用微型高清USB摄像头采集甲烷传感器数值图像,将训练好的改进CNN−SVM模型移植到树莓派中进行图像处理和识别,结果表明,基于改进CNN−SVM的甲烷传感器数显识别方法的识别成功率为99%,与仿真分析结果一致。

     

  • 图  1  图像增强与数值提取过程

    Figure  1.  Image enhancement and numerical extraction process

    图  2  数字分割效果

    Figure  2.  digital split effect

    图  3  CNN−SVM模型结构

    Figure  3.  CNN-SVM model structure

    图  4  改进CNN−SVM模型流程

    Figure  4.  Improved CNN−SVM model process

    图  5  3种模型识别准确率对比

    Figure  5.  Comparison of the recognition accuracy of three models

    图  6  基于改进CNN−SVM的甲烷传感器数显识别方法

    Figure  6.  Digital recognition method of methane sensor based on improved CNN−SVM

    图  7  数显识别流程

    Figure  7.  Digital recognition process

    表  1  3种模型识别结果对比

    Table  1.   Comparison of recognition results of three models

    模型准确率/%时间/s
    传统CNN 96.5 134.56
    CNN−SVM 98.2 120.92
    改进CNN−SVM 99.1 108.34
    下载: 导出CSV

    表  2  主流深度学习模型训练参数

    Table  2.   Training parameters of mainstream deep learning models

    模型初始学习率优化器学习动量权重衰减批量大小
    CRNN 0.0003 Adam 0.9 0.00050 64
    SSD 0.0003 SGD 0.9 0.00050 16
    YOLOv3 0.0010 Adam 0.9 0.00045 8
    Faster R−CNN 0.0010 SGD 0.9 0.00050 4
    下载: 导出CSV

    表  3  实验结果对比

    Table  3.   Comparison of experimental results

    模型准确率/%帧率/(帧·s−1)
    CRNN 94.9 75
    SSD 95.4 59
    YOLOv3 95.7 85
    Faster R−CNN 97.4 60
    改进CNN−SVM 99.0 80
    下载: 导出CSV
  • [1] 陈英, 李磊, 汪文源, 等. 家用水表字符的识别算法研究[J]. 现代电子技术,2018,41(18):99-103.

    CHEN Ying, LI Lei, WANG Wenyuan, et al. Research on character recognition algorithm for domestic water meter[J]. Modern Electronics Technique,2018,41(18):99-103.
    [2] 潘帅成, 韩磊, 陶毅, 等. 基于卷积神经网络的水表字符识别方法研究[J]. 计算机时代,2020(2):25-28.

    PAN Shuaicheng, HAN Lei, TAO Yi, et al. Research on character recognition technology for watermeter based on deep convolution neural network[J]. Computer Era,2020(2):25-28.
    [3] 肖佳. 基于机器视觉的数字仪表自动读数方法研究[D]. 重庆: 重庆大学, 2017.

    XIAO Jia. Study on automatic reading method of digital instrument based on machine vision[D]. Chongqing: Chongqing University, 2017.
    [4] CALEFATI A, GALLO I, NAWAZ S. Reading meter numbers in the wild[C]//Digital Image Computing: Techniques and Applications, Perth, 2019: 1-6.
    [5] 高晓利, 李捷, 王维, 等. 基于CRNN的汽车发动机声纹个体识别方法[J]. 火力与指挥控制,2021,46(3):150-153. doi: 10.3969/j.issn.1002-0640.2021.03.025

    GAO Xiaoli, LI Jie, WANG Wei, et al. Individual identification method of automobile engine voiceprint based on CRNN[J]. Fire Control & Command Control,2021,46(3):150-153. doi: 10.3969/j.issn.1002-0640.2021.03.025
    [6] SAI K M, CHANDRIKA P H, BEBE K, et al. Optical character recognition using CRNN[J]. International Journal of Innovative Technology and Exploring Engineering,2020,9(8):115-120. doi: 10.35940/ijitee.H6264.069820
    [7] LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multibox detector[C]//European Conference on Computer Vision, 2016: 21-37.
    [8] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,2017,39(6):1137-1149.
    [9] LIN Xiaoping, DUAN Peiyong, ZHENG Yuanjie, et al. Posting techniques in indoor environments based on deep learning for intelligent building lighting system[J]. IEEE Access,2020,8:13674-13682. doi: 10.1109/ACCESS.2019.2959667
    [10] 孟彩茹, 宋京, 孙明扬. 基于改进CNN与SVM的手势识别研究[J]. 现代电子技术,2020,43(22):128-131.

    MENG Cairu, SONG Jing, SUN Mingyang. Research on gesture recognition based on improved CNN and SVM[J]. Modern Electronics Technique,2020,43(22):128-131.
    [11] 黄洁. 非色散红外甲烷传感器自动检定系统研究[D]. 徐州: 中国矿业大学, 2020.

    HUANG Jie. Research on automatic verification system of non-dispersive infrared methane sensor[D]. Xuzhou: China University of Mining and Technology, 2020.
    [12] 林仁耀, 邓浩伟, 兰红. 卷积神经网络结合SVM的手写数字识别算法[J]. 通信技术,2019,52(10):2389-2394. doi: 10.3969/j.issn.1002-0802.2019.10.012

    LIN Renyao, DENG Haowei, LAN Hong. Handwritten digits recognition algorithm based on convolutional neural network and SVM[J]. Communications Technology,2019,52(10):2389-2394. doi: 10.3969/j.issn.1002-0802.2019.10.012
    [13] 刘昶, 徐超远, 张鑫, 等. 液晶字符识别的CNN和SVM组合分类器[J]. 图学学报,2021,42(1):15-22.

    LIU Chang, XU Chaoyuan, ZHANG Xin, et al. A combined classifier based on CNN and SVM for LCD character recognition[J]. Journal of Graphics,2021,42(1):15-22.
  • 加载中
图(7) / 表(3)
计量
  • 文章访问数:  79
  • HTML全文浏览量:  33
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-07-13
  • 修回日期:  2022-01-09
  • 刊出日期:  2022-01-20

目录

    /

    返回文章
    返回