毕业设计：基于机器学习的电子秤数字识别-带小数点

关注

原创最新推荐文章于 2026-11-08 12:08:08 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

paddle ocr电子仪表数字识别（自制数据+训练和预测，含代码）目前对于电子仪表的数字识别，调api接口可能效果存在不足。因此，通过自己收集一些电子仪表数据，构建自己的电子仪表数据集，并实现了检测与识别。在自建数据集基础上，分两步走：第一步，数字目标区域定位；第二步，数字识别。阅读详情

前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

大家好,这里是海浪学长计算机毕设专题,本次分享的课题是

🎯基于机器学习的电子秤数字识别-带小数点

项目背景

电子秤作为日常生活中常见的测量工具，其准确性和智能化程度越来越受到关注。传统的电子秤主要依赖于简单的模拟电路和固定程序进行数据处理和显示，而缺乏灵活性和智能分析能力。数字识别技术可以显著提高电子秤的读数准确性和鲁棒性。通过训练模型识别带小数点的数字，电子秤能够在不同的环境条件下（如光照变化、角度偏差等）保持稳定的识别性能。这是传统方法无法比拟的，能够有效减少用户因读数错误而导致的误操作。

数据集

图像采集选择自主拍摄和互联网采集相结合的方式。自主拍摄可以确保图像的清晰度和准确性，适合在控制环境下拍摄不同重量和小数点位置的数码管，例如在实验室或家庭环境中进行拍摄。而互联网采集则可以通过爬虫技术获取大量的公开数据，涵盖不同品牌和类型的电子秤显示屏，以增加数据集的多样性和丰富性。

毕业设计：基于机器学习的电子秤数字识别-带小数点数码管

使用专门的标注工具，例如LabelImg或其他图像标注软件，对采集到的图像进行逐一标注。标注的内容包括每个图像中数字的具体值以及小数点的位置，确保每个样本的准确性与完整性。为了提高标注效率和准确性，可以采用多轮审查机制，让不同的标注人员对同一图像进行审核，确保最终的标注结果高质量且一致。

将数据集划分为训练集、验证集和测试集，以便在模型训练和评估过程中合理使用。常见的划分比例为70%用于训练，15%用于验证，15%用于测试。此外，为了增强模型的泛化能力，可以进行数据扩展，例如对图像进行旋转、缩放、平移等变换，或通过添加噪声等方式来生成新的样本，从而提高模型对不同环境和条件下数字识别的鲁棒性。

设计思路

YOLOv5是一种高效的单阶段目标检测算法，旨在通过快速处理实现实时目标检测。其核心思想是将目标检测问题转化为回归问题，直接从输入图像中预测边界框和类别概率。YOLOv5的结构由三个主要部分组成：骨干网络、颈部网络和检测头。骨干网络（如CSPDarknet）用于提取图像特征，颈部网络（如PANet）则负责聚合不同层次的特征信息，以增强对小目标的检测能力。检测头将提取的特征映射转换为最终的检测输出。相较于传统的两阶段检测方法，YOLOv5具有更快的速度和较高的准确性，适合实时应用场景。

卷积块注意模块（CBAM）是一种轻量级但有效的注意力机制，旨在提升卷积神经网络的特征表达能力。CBAM通过引入通道注意力和空间注意力机制，自动关注输入特征图中的重要部分。通道注意力模块首先通过全局平均池化和最大池化生成通道描述符，并通过多层感知机（MLP）生成通道权重，从而加权各个通道的特征，突出重要特征。空间注意力模块则利用特征图的平均池化和最大池化生成空间描述符，通过卷积生成空间注意力图，强调特征图中的关键空间位置。通过这两种注意力机制，CBAM显著增强了网络对目标特征的捕捉能力，提高了检测性能。

PANet是一种先进的特征融合网络，主要用于目标检测任务，以提高对小目标的检测能力。PANet通过特征金字塔结构提取多层次特征，并利用路径聚合机制增强特征信息的传递和利用。特征金字塔网络（FPN）将高层次的语义信息与低层次的细节信息进行融合，确保多尺度目标的有效检测。路径聚合通过在不同层之间创建直接连接，使得特征能够在网络层之间流动，从而增强信息的传递。最终，PANet将处理后的特征图输入到检测头中，生成边界框和类别概率的输出，显著提升了目标检测的精度与鲁棒性。

构建一个多种类电子秤图像数据集。该数据集应包含不同型号和环境下的电子秤图像，以确保能够覆盖各种可能的使用场景。数据集需要严格划分为训练集、验证集和测试集。通常采用70%用于训练，15%用于验证，15%用于测试的比例。通过数据增强技术（如旋转、缩放、翻转、加噪声等）扩充训练集样本，可以有效提升模型对环境变化的鲁棒性。数据增强不仅增加了样本数量，也增强了模型对不同情况的适应能力。

import os
import cv2
from torchvision import transforms

def augment_data(image_path):
    image = cv2.imread(image_path)
    # 数据增强示例：旋转和翻转
    rotated = cv2.rotate(image, cv2.ROTATE_90_CLOCKWISE)
    flipped = cv2.flip(image, 1)
    return rotated, flipped

# 示例数据集路径
dataset_path = 'path/to/dataset'
for img_file in os.listdir(dataset_path):
    augmented_images = augment_data(os.path.join(dataset_path, img_file))

YOLOv5因其在速度和准确性上的优越表现成为理想的选择。YOLOv5通过单阶段的检测方式，能够快速地处理图像并实时输出检测结果。这对于电子秤数字识别任务尤为重要，因为实时性是使用场景中的一个关键要求。YOLOv5的骨干网络采用了CSPDarknet，这种结构特别适合高分辨率图像中的小目标检测。CSPDarknet通过分阶段提取特征，能够更好地捕捉电子秤图像中的细节信息，从而提高模型的检测精度。

# 引入YOLOv5库
from yolov5 import YOLOv5

# 加载YOLOv5模型
model = YOLOv5(model='yolov5s.pt')  # 使用YOLOv5小模型

CSP结构应用于YOLOv5的骨干网络，分为CSP1和CSP2两个部分。CSP1主要用于提取高级语义信息，而CSP2则专注于低级细节信息。这样的设计确保了模型能够有效捕捉多层次特征，使得最终的检测结果更加准确。加入卷积块注意模块（CBAM），使模型能够集中注意力于重要特征区域，提升特征的表达能力。引入PANet作为颈部网络，进一步丰富特征信息的融合效果。PANet通过有效的特征传递机制，增强了对小目标的检测能力。

# 示例：构建CSP结构和CBAM，假设使用PyTorch框架
import torch.nn as nn

class CSPBlock(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(CSPBlock, self).__init__()
        # CSP结构的实现
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1)

    def forward(self, x):
        return self.conv2(self.conv1(x))

class CBAM(nn.Module):
    def __init__(self, in_channels):
        super(CBAM, self).__init__()
        # CBAM的实现
        self.channel_attention = ChannelAttention(in_channels)
        self.spatial_attention = SpatialAttention()

    def forward(self, x):
        x = self.channel_attention(x) * x
        x = self.spatial_attention(x) * x
        return x

采用Adam或SGD优化器能够有效提高模型的收敛性和稳定性。通过设置合理的学习率、批大小等超参数，确保模型在训练过程中的稳定性和收敛速度。通过监控验证集的表现，及时调整模型参数，如学习率衰减、早停等策略，防止过拟合现象的发生。通过这样的方式，可以确保模型在面对新数据时具有良好的泛化能力。通过排序算法实现对识别数字的按位输出，并准确添加小数点。设计合理的后处理流程，能够确保最终输出的精确性和实用性。

def post_process(outputs):
    # NMS算法实现
    boxes = outputs['boxes']
    scores = outputs['scores']
    selected_indices = non_max_suppression(boxes, scores, threshold=0.5)
    final_output = []
    for idx in selected_indices:
        box = boxes[idx]
        final_output.append(box)
    return final_output

# 进行后处理
final_results = post_process(model_outputs)

海浪学长项目示例：