王 望，徐望明,3，伍世虔，闫富海

(1.武汉科技大学信息科学与工程学院，湖北 武汉，430081；2.武汉科技大学机器人与智能系统研究院，湖北 武汉，430081；3.武汉科技大学冶金自动化与检测技术教育部工程研究中心，湖北 武汉，430081)

随着物联网的兴起，远程自动抄表技术已被广泛应用于各类指针式仪表[1]和字轮式仪表[2-3]中，如水表、电表、气表等，大大提高了工作效率和准确率。在字轮式仪表的远程自动抄表过程中，最为重要的一步就是对采集到的表盘图像中的数字字符进行准确识别。目前，国内外研究者已在字符识别方面做了大量工作，尤其是基于卷积神经网络(convolutional neural network, CNN)的端到端识别方法，在读取各种表盘上的完整数字字符时都取得了良好的表现。熊诚[4]采用基于Inception V1架构的CNN模型识别燃气表字符，在一定程度上解决了传统机器视觉方法对图像质量要求过高的问题；薛亮[5]采用LeNet-5网络进行迁移学习，实现了对水表字符的准确快速识别；熊勋等[6]结合CNN和长短期记忆(long short-term memory，LSTM)网络模型的特点构建了一种卷积记忆神经网络，在无需分割字符的情况下即可对电表字符序列进行准确识别。但对于字轮式表盘，其机械结构可能导致出现双半字符的情形，即在字轮上的某个位置，两个数字字符均出现了一部分。相较于完整字符，对双半字符的识别更加困难，更具挑战性。

目前，人们对仪表盘识别精度的要求越来越高，双半字符识别问题也亟待解决，但相关研究工作较少，主要采用的还是传统的特征提取[7]和模板匹配[8]方法。……