电子信息技术的高速发展使得各行各业都在走向数字化、智能化，耗费大量人力物力的电力收费系统也在走向自动化、智能化方向发展。目前智能电表有两类：一类是IC卡电表，另一类是接在远程自动抄表系统的电表终端。IC卡电表尽管避免了抄表、交费的麻烦，但是电力部门无法实时获取用户的用电数据，不便进行统计与查询，分析挖掘数据等功能；远程自动抄表系统是未来的发展趋势，实现的方式有很多种，有电力载波、计算机网络、视频网络等，实现方式不同，花费代价差别较大。较为流行的是视频组网法，借助于图像自动识别技术，通过对电表表盘图像预处理、图像中数字的分割与识别等技术，进行电表的自动识别，设计研发出的具有较强鲁棒性的电表自动识别系统。

光学字符识别（Optical Character Recognition）是一种利用通过扫描、摄像等光学输入方式获取识别文字信息的技术，简称OCR技术。OCR的概念由德国科学家Tausheck于1929年率先提出。不久，美国科学家Handel也提出了利用技术对文字进行识别的想法。但由于计算机等技术的限制，直到上世纪60年代。OCR技术才真正得以发展，并于1957年诞生了第一个OCR系统，基于窥视孔方法的ERA（ElectricReading Automation）系统^[1]。发展到现在，光学字符识别主要致力于解决质量较低的文档及大字符集字符的识别，提高字符识别的精度和效率，如汉字识别，高精度手写数字识别等。

光学字符识别技术研究在我国起步较晚，于70年代开始对数字、字母及符号开始研究。但经过科研人员几十年的不懈努力，我国的OCR技术已取得了较大的成果，特别是汉字OCR技术。目前，我国对印刷体汉字的识别，已取得了较高的识别率，能够识别多种不同字体的字符。

综合国内外的字符识别技术来看，识别字符的方式和识别正确率仍是需要改进和提高的，基于深度学习算法的字符识别还是比较少的，在字符识别系统逐渐完善的今天，从别的方式来实现这个目的是值得一试的。

深度学习的概念源于对人工神经网络的研究，是机器学习领域的一个新分支。它通过建立深层次的网络结构来模拟人脑理解数据的运行机制，并应用于不同领域^[2]。2006年，多伦多大学的Hinton等人在Science上发表了关于神经网络的改进文章开启了深度学习在学术界和工业界的浪潮。目前深度学习的理论研究还处于起步阶段，但其在图像识别，语音识别等领域的应用已经显现出巨大威力。图像识别是深度学习算法最早尝试应用的领域。1998年，Lecun等人提出LeNet-5卷积神经网络^[3],成功将该模型应用于手写数字图像的识别工作当中并取得了当时最好的结果，被美国的大多数银行所商用。由于在大尺度图像上的应用效果不佳，卷积神经网络在很长一段时间内没有受到计算机领域重视。直到2012年，Krizhevsky等人提出AlexNet网络模型^[4]，首次将该模型应用于ImageNet大规模视觉识别挑战赛^[5]中并获得图像分类和目标定位的冠军。其中，在图像分类项目中，其前5选项的错误率仅为15.3%，领先第二名9.9%；而在目标定位项目中，其前5选项的错误率为34%，相对第二名降低了16%^[6]。该模型就是在卷积神经网络的结构基础上做出的改进。这体现了深度学习算法在图像识别领域具有光明前景。

通过将深度学习算法应用于电表字符识别可以大大减少人力资源，准确识别电表字符，实现日常生活的智能化。同时这项技术还可以扩展到水表，身份证，条码识别等等相关技术开发上去。

2. 研究的基本内容与方案

2.1研究的基本内容和预期目标

本课题在参考国内外相关文献的基础上，根据目前研究方法的进展选择了利用深度学习算法来进行电表字符识别的设计与实现。基本内容和预期目标如下：

（1）在查找和参考相关文件的情况下，理解关于字符识别的基本原理，主要步骤，深度学习算法的原理和实现方法。在理解这些后，将以往识别字符的算法和深度学习算法的优缺点进行比较，找到深度学习算法的优势所在。

（2）在了解字符识别和深度学习算法的前提下，结合自身的编程知识掌握情况，我决定选择MATLAB作为我编程的语言。通过MATLAB可以很快实现图像的预处理，定位我所需要研究的目标区域，然后将字符进行分割。通过构建CNN网络，来将分割得到的字符进行识别。整个过程中比较重要的是倾斜矫正和模糊化处理以及识别的准确率。通过本课题的研究，能够在识别字符方面能较大提高准确率。