摘要
当前水务部门的抄表存在着诸多问题，一是抄表人员通过手掌一体机到营业所下载抄表任务，然后携带抄表机奔赴现场抄表，从而导致人工效率低下、人工成本高；二是手掌一体机没有导航功能，在安排任务时需要考虑抄表人员对道路的熟悉程度，从而导致抄表计划安排比较困难；三是管理人员无法把控抄表人员的现场工作，无从考量抄表结果，从而导致监管不力等等。因此开发一套基于深度学习的智能抄表系统对水务部门来说是有意义和价值的。本文所研究的内容旨在基于深度学习构建水表图像识别的模型，并基于该模型研发一套面向水务部门的智能抄表系统。本文的主要研究内容及工作如下： （1）研究分析了基于深度学习的水表图像数字识别相关技术。着重研究了卷积神经网络，尤其是深入研究了FasterRCNN、SSD以及YOLOv3的网络架构特点和相关原理。在YOLOv3网络中研究了K-means和层次聚类的相关知识，通过对标注框宽和高的聚类效果研究对比，确定K-means的聚类效果更匹配YOLOv3大中小三种规格的先验框设置。 （2）水表图像数据集的收集、整理、划分与增强。为了研究不同的数据集是否能够对模型预测水表数字准确度有所提升，将收集到的水表图像数据集根据目标检测算法识别并切割出黑色矩形框，以便排除其他数字的干扰，之后整理成两种数据集，一种是原水表图像数据集，一种是黑色矩形框图像数据集。根据模型训练的需要，将这两种数据集分成训练集和测试集两大部分，并通过图像增强扩增两种数据集中的训练集，以增加样本和改善图片的质量。 （3）深度学习的模型选择研究。本文重点研究的内容就是针对黑色矩形框内的数字选择一个识别准确率高的模型并进行应用系统的研发。研究现有的深度学习模型，通过训练和测试，选择合适的模型，以便更准确的识别水表数字。本文使用了两种方案，方案一是通过深度学习网络直接训练整张图片并识别水表数字，方案二是通过深度学习网络训练黑色矩形框图片，并识别水表数字。深入研究分析了FasterRCNN、SSD以及YOLOv3这三种深度学习模型，最终确定了方案二中YOLOv3的识别效果最好，准确率达到了90.61%。因此，本文选择基于YOLOv3网络构建水表图像数字识别模型用于系统的开发。 （4）研发基于YOLOv3的智能抄表系统。使用软件工程方法对智能抄表系统进行可行性分析、需求分析、总体设计、数据库设计与详细设计，并阐述系统的整体架构设计以及具体模块设计。除了水表识别功能外，还需要其他的功能模块，以构成完整的系统，包括管理端的用户及权限管理、数据维护、抄表计划等模块以及手机端的地图导航、任务模块、抄表模块、KPI模块等。之后编写代码完成系统的开发，并对手机端做现场测试，保障其流畅运行，对管理端做水表图像数字识别测试，最后统一进行软件测试，且测试效果符合预期。
NETL