基于CNN的水表指针读数识别及STM32实现方案设计

来源：电子测量技术杂志2021年第23期北京时间：

作者：张鹏飞，叶哲江，杨嘉林，李家成

单位：昆明理工大学 信息工程与自动化学院 昆明 650500

摘要：为了提高卷积神经网络对于水表指针读数识别的准确率，同时实现将卷积神经网络移植到STM32单片机中运行，使用了包含2913张水表指针图片的数据集对GoogLeNet和ResNet-18进行迁移学习和测试，其中GoogLeNet的测试集准确率为89.37%，ResNet-18的测试集准确率为93.24%。借鉴于ResNet-18模型的跳跃连接思想，使用了高低层特征融合的方法，在保证感受野大小不变的前提下将7×7大卷积核替换为3个3×3小卷积核的串接以减少网络的参数量，同时减低网络的深度，加快了训练时网络的收敛，之后设计了一个对于水表指针读数识别准确率更高和收敛更快的卷积神经网络模型，此模型的测试集准确率为95.11%。为克服STM32单片机存储资源极其有限的困难，在保证较高准确率的前提下进一步减小网络规模从而降低网络参数量，设计出模型的测试集准确率为91.51%，训练过程在PC端使用MATLAB深度学习工具箱完成，生成的onnx模型仅有948KB大小，运行占用RAM大小为437.14KB。

关键词：卷积神经网络;STM32单片机;GoogLeNet;ResNet-18;特征融合;感受野