基于改进CNN-SVM的甲烷传感器数显识别方法

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.