水表识别双网络实战：定位+识别与坐标标注全解析

简介：面向深度学习视觉应用场景，项目以定位网络+识别网络的两阶段方案实现水表数字自动读数。定位网络负责从复杂背景中框出表盘区域，识别网络进一步提取数字序列；两阶段解耦设计既降低训练难度，也便于独立调优与替换模块。压缩包共55个文件，整体仅144KB，包含18个Python源码、13个pyc编译文件、14张JPG表盘样本，并配有XML配置、README说明及辅助数据；目录按base、seg、utils等功能模块划分，覆盖数据预处理、模型搭建、训练与推理全流程，可快速定位入口脚本。已有128人学习浏览，适合计算机视觉初学者或算法工程师参考完整的双网络工程实现。下载后可直接阅读网络定义、训练配置与数据加载逻辑，结合自带表盘图片跑通识别管线，无需从零搭建环境，也能为自制同类读数识别项目提供可复用的代码骨架。

1. 水表识别项目拿到手先跑通双网络：定位加识别为什么比单模型稳

抄表照片里，水表读数区域往往只占画面很小一块，而且表盘角度歪、有反光、数字连在一起，直接拿一个端到端模型去识别，经常把边框上的铭牌数字也读进来。这份 WaterMeter-master 工程把问题拆成两步：先用一个定位网络从整张照片里回归出水表读数区域（给你四点坐标框），再用第二个识别网络只对这个区域做数字读取。资源里自带带坐标标注的真实表盘图片数据集，训练代码按定位、识别两条链路分开组织，拿到手先跑test.py看一遍完整流程，再考虑换自己的数据。适合做毕设、工业表计识别落地验证，以及想复现双网络深度学习项目的同学。我把定位网络的坐标格式、数据提供器、两段训练的入口和常见翻车点都拆开讲一遍。

2. 读懂坐标标注与数据提供器：把四角框变成网络输入

2.1 文件名自带坐标：四点标注的解析方式

打开newdatares文件夹，看到的文件名长这样：

1271_0706140506449)(3,33 6,69 138,27 139,62 )[3,33 6,69 138,27 139,62 ].jpg

一眼看过去像乱码，其实它是「样本名 + 坐标」拼出来的。括号里每一组是两个数字，四个点连起来就是一个四边形，按顺序分别是左上、右上、右下、左下（或顺时针，取决于标注工具导出顺序）。我一般先写个解析脚本把坐标抠出来：

import re def parse_wm_filename(filename): # 从文件名中提取两组四点坐标，例如： # 1271_0706140506449)(3,33 6,69 138,27 139,62 )[3,33 6,69 138,27 139,62 ].jpg pattern = r"\)\(([\d,\s]+)\)\[([\d,\s]+)\]" match = re.search(pattern, filename) if not match: return None def to_points(s): nums = list(map(int, re.split(r"[,\s]+", s.strip()))) # 每两个数字为一个点: [x1, y1, x2, y2, x3, y3, x4, y4] return [(nums[i], nums[i + 1]) for i in range(0, len(nums), 2)] return to_points(match.group(1)), to_points(match.group(2))

逻辑说明：这个正则把)(和)[中间的坐标串切出来，然后按“两个数字一个点”还原成四个坐标点。文件名里出现了两组一样的坐标，是因为标注工具同时输出了原始坐标和归一化后的坐标副本，实际使用时只用一组，避免差异。

参数说明：坐标是绝对像素还是归一化值，取决于WM_config.py里的设置。默认在image_pre.py预处理阶段会统一除以图片宽高做归一化，所以训练时网络回归的也是归一化坐标。如果你自己的数据集标注是普通x1,y1,x2,y2矩形框，把这个函数改成按矩形顺序读取即可，但后面模型输出层需要相应调整。

2.2 WM_data_provider 与 D_data_provider：两条数据管道的分工

工程里有两个数据提供器，很多人第一次看会疑惑为什么搞两套。因为定位网络和识别网络的输入完全不同：

WM_data_provider负责从newdatares里读原始图片和坐标，做随机扰动、缩放、归一化，然后喂给定位网络训练。D_data_provider则是先按定位结果把数字区裁出来，再对裁剪图做二次预处理，喂给识别网络。这个拆分是合理的，因为定位网络要看到整张图才能学到“表盘在哪”，识别网络只需要盯着数字区，如果两阶段都用同一套数据增强，识别阶段反而会被背景噪声带偏。

我用这类工程时的习惯是：定位网络的数据提供器里做随机裁剪、亮度抖动和轻微旋转，增强对拍摄角度的鲁棒性；识别网络的数据提供器只做对比度归一化和尺寸统一，因为数字区一旦裁好，几何变化已经很小，再做大幅度旋转反而破坏数字结构。

2.3 image_pre.py 里做了什么：预处理顺序和参数

utils/image_pre.py和image_preprocess.py是图像预处理的核心，主要干三件事：缩放、归一化、去均值。

def preprocess(image, target_size=(224, 224)): # 1. 先缩放到固定尺寸，注意这里用双线性插值，保持数字边缘不出现明显锯齿 image = cv2.resize(image, target_size, interpolation=cv2.INTER_LINEAR) # 2. 转到 RGB 并转 float，范围从 0-255 映射到 0-1 image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB).astype(np.float32) / 255.0 # 3. 去均值，均值从训练集统计得到，常见做法是 [0.485, 0.456, 0.406] mean = np.array([0.485, 0.456, 0.406], dtype=np.float32) image -= mean return image

逻辑说明：先缩放是为了让网络输入尺寸固定，方便组 batch；再归一化到 0-1 可以加速收敛；去均值是让每个通道的输入分布中心归零，这在小数据集上能明显减少过拟合。image_pre.py里还有对坐标做同步缩放的处理，即图片 resize 时，对应的四点坐标也要按同样比例缩放，否则标签和图像就错位了。这个细节最容易漏，很多新手直接只对图做 resize，坐标还是原图尺寸，训练出来的框永远对不上。

3. 训练流程拆开看：定位网络与识别网络的模型和训练入口

3.1 base_model.py 和 base_train.py：统一的训练骨架

base文件夹下是base_model.py和base_train.py，这两个文件是整个工程的骨架。定位网络wm_model和识别网络d_model都继承自base_model，共用一套构图、保存、日志逻辑。

class BaseModel(object): def __init__(self, config): self.config = config self.input = tf.placeholder(tf.float32, shape=[None] + config.input_size) self.label = tf.placeholder(tf.float32, shape=[None] + config.label_size) self.is_training = tf.placeholder(tf.bool) self.global_step = tf.Variable(0, trainable=False) def build_graph(self): # 子类必须实现：搭建前向网络，并计算 loss raise NotImplementedError def train_one_step(self, sess, batch_data): # 子类复用：执行一步梯度更新，并返回 loss _, loss_val = sess.run( [self.train_op, self.loss], feed_dict={self.input: batch_data["image"], self.label: batch_data["label"], self.is_training: True} ) return loss_val

逻辑说明：BaseModel把网络搭建和训练更新分开，子类只需要实现build_graph()定义自己的网络结构，训练循环、模型保存、tensorboard 日志都从基类继承。这样做的好处是定位和识别两个网络虽然结构不同、loss 不同，但训练流程完全一致，改模型时不用动训练脚本。

参数说明：config.input_size和config.label_size在两个子网络的 config 里分别定义。定位网络label_size是 8（四个点 × x/y），识别网络label_size通常是数字类别数。如果识别网络是按每一位数字分类，还要在D_config.py里定义数字位数，比如digit_num = 6表示最多识别 6 位读数。

3.2 wm_train.py：定位网络的训练细节

wm_train.py是定位网络的训练入口，整个训练命令大概是：

python wm_train.py --gpu 0 --batch_size 16 --learning_rate 0.001 \ --max_epoch 100 --data_dir ../newdatares

训练核心逻辑是把图片和四点坐标组成 batch，然后计算坐标回归 loss。定位网络的输出层是 8 个神经元，对应归一化后的四个点坐标，loss 一般用 L2 或 smooth L1。

# 定位网络前向输出: 得到 (batch_size, 8) 的坐标回归结果 pred_coords = self.model.build_graph(self.input) # 常见做法是用 smooth L1 loss，比纯 L2 对离群点更鲁棒 delta = tf.abs(pred_coords - self.label) loss = tf.reduce_mean(tf.where(delta < 1.0, 0.5 * delta ** 2, delta - 0.5))

逻辑说明：tf.where实现了 smooth L1，小于 1 的误差用平方放大，大于 1 的误差用线性衰减，这样个别标注偏差很大的样本不会主导梯度。坐标回归和分类不同，它没有“类别”概念，输出的是连续值，所以必须用回归 loss，而不是 softmax 交叉熵。

参数说明：注意--learning_rate 0.001搭配 Adam 优化器时，我一般会在 60 个 epoch 后降到 0.0003，否则后期 loss 会在一个平台期震荡。如果你的数据量只有几百张，batch_size建议设 8 或 16，太大容易过拟合到训练集上的拍摄角度分布。

3.3 d_train.py：识别网络的训练细节

识别网络单独用d_train.py训练，它的输入不是原始图，而是定位网络裁剪出来的数字区。工程里的D_data_provider已经封装好了这个过程：先用训练好的定位网络对每张原图出框，抠出数字区，再让识别网络学习数字分类。这里有一个关键选择：识别网络是输出单个数字分类，还是输出一整个数字序列。wm目录下同时存在wm_trainer和d_trainer，说明这个工程把两个阶段完全分离了。

# 识别网络的数据提供器: 按定位框裁剪并统一高度 crop = image[int(y1):int(y3), int(x1):int(x3)] crop = cv2.resize(crop, (config.crop_width, config.crop_height)) # 如果表盘数字是6位，标签做成 one-hot 序列 label = np.zeros((config.digit_num, config.num_classes)) for i, digit in enumerate(digits): label[i, digit] = 1.0

逻辑说明：裁剪时我按y1到y3、x1到x3取矩形，因为四点标注虽然是任意四边形，但在实际表盘照片里数字区近似矩形，直接取外接矩形即可。识别网络有两种常见做法：一是把裁剪图整体当作一个多位数图片，用 CRNN 或 LSTM 做序列识别；二是按位切分，每一位训练一个分类器。这份工程里的d_model.py更接近按位分类，所以标签是digit_num × num_classes的二维 one-hot。

3.4 test.py：一次推理怎么串联两个网络

test.py放在工程根目录，是整个项目跑通的最后一步。它做的事可以概括为四句话：加载定位模型 → 对输入图片预测坐标框 → 按框裁剪 → 加载识别模型读出数字。

# 加载两个训练好的模型 wm_model = WMModel(config) d_model = DModel(config) # 第一步: 定位网络输出四点坐标 coords = sess.run(wm_model.output, feed_dict={wm_model.input: img}) # coords 是归一化坐标, 乘回原图宽高 x1, y1, x2, y2, x3, y3, x4, y4 = coords[0] * np.array([W, H, W, H, W, H, W, H]) x1, x3 = min(x1, x3), max(x1, x3) y1, y3 = min(y1, y3), max(y1, y3) # 第二步: 裁剪数字区域, 送入识别网络 crop = img[int(y1):int(y3), int(x1):int(x3)] result = sess.run(d_model.output, feed_dict={d_model.input: crop})

逻辑说明：代码里最关键的一步是坐标还原——模型输出是归一化的 0~1 值，必须乘回原图宽高才能画框。test.py里通常会顺手把预测框画在原图上保存下来，这一步对排查问题非常重要。定位网络预测的四点顺序如果不一致，裁剪出来的区域可能是斜的甚至镜像的，所以我在 test 脚本里加了min/max取外接矩形，宁可多裁一点背景，也不要裁漏数字。

4. 避坑指南：坐标顺序、环境版本与推理输出的三个大坑

4.1 坐标顺序错位导致框旋转

现象：定位网络训练 loss 能降到很低，但把预测坐标画到原图上，框是歪的，甚至点与点之间交叉，形成蝴蝶结形状。

原因：数据集文件名里的四点坐标可能是顺时针排列，也可能是左上、右上、右下、左下排列，而网络输出层固定按(x1,y1,x2,y2,x3,y3,x4,y4)的顺序回归。如果标注顺序和网络回归顺序不一致，网络学到的是一个错乱的映射。

解决：先用画框脚本把训练集每个样本的标注可视化，核对WM_data_provider读取坐标后重组数组的下标顺序。一般做法是在 provider 里统一转成“左上、右上、右下、左下”再喂给网络，并且在训练前跑一次可视化确认。从那以后我每次拿到新数据集，第一件事就是把 20 张图的标注框画出来人工过一遍，坐标顺序错了后面全白做。

4.2 TensorFlow 工程跑在 TF2 环境直接报错

现象：import tensorflow后报ModuleNotFoundError: No module named 'tensorflow.contrib'，或者Session、placeholder找不到。

原因：这个工程是 TensorFlow 1.x 时代写的，代码里大量使用tf.placeholder、sess.run、tf.contrib，这些 API 在 TF2 里被移除或改到tf.compat.v1。

解决：最常见做法是装 TF 1.14 或 1.15 直接跑通。如果必须用 TF2，可以在所有脚本开头加一段兼容代码：

import tensorflow.compat.v1 as tf tf.disable_v2_behavior()

但注意tf.contrib没有兼容层，如果代码里用了tf.contrib.layers，需要手动替换成tf.layers或tf.keras.layers的等价函数。我的建议是：这个项目整个逻辑不依赖 TF2 新特性，直接用 Python 3.6 + TF 1.15 最省事，别浪费时间在迁移 API 上。

4.3 源码和 pyc 文件不一致，改了代码不生效

现象：我改了wm_config.py里的图片尺寸参数，但训练时输出日志显示还是旧尺寸，折腾一个下午才发现问题。

原因：工程里同时存在.py和.pyc文件，比如WM_config.pyc和WM_config.py。Python 在某种情况下会优先加载已有的字节码缓存，尤其是脚本顶层直接 import 同一个模块时，新旧.pyc混用会导致改了源码不生效。

解决：清理所有__pycache__和.pyc文件，然后用python -B禁止生成字节码缓存运行：

find . -name "*.pyc" -delete python -B wm_train.py --data_dir ../newdatares

这属于典型的“黑匣子”问题，现象非常隐蔽，不排查到缓存机制基本发现不了。

4.4 数字粘连导致识别网络整体错一位

现象：识别网络训练完，单张数字识别很准，但整块表盘数字一读就错，比如把1914.5读成914.5或19145。

原因：定位框裁出来以后，多位数字在图中是连在一起的，如果识别网络是按“整体多位数图片”训练分类，需要固定输入宽度。表盘数字位数不同（有的 5 位，有的 6 位），宽度不一致导致归一化时数字被拉伸变形，网络就分不清 0 和 6、1 和 7。

解决：训练识别网络时，我一般先统计训练集里数字区域的宽高比分布，把D_config.py里的crop_width和crop_height按中位数设置，并且做 padding 而不是简单 resize——在数字区域左右各补一定宽度的背景，保持数字本身的长宽比。另一个很偷懒但有效的办法是：识别网络输出多一位“空白”类别，让网络自己学会在不足 6 位时输出空白，而不是硬把 5 位数截成 5 个类别。

5. 新数据集落地：画框可视化加 test.py 的三步验证法

拿到一份新表盘数据集，我一般不会直接训练，而是先强制走一遍三步验证，因为双网络模型的错误会叠加——定位框歪了一点，识别网络就跟着错，最后你根本不知道问题是出在定位还是识别。

第一步，改test.py里的模型路径和图片路径，先拿原资源里的测试图跑一遍，确认定位框贴合数字区域边缘。如果框明显外扩，把test.py里min/max取外接矩形的逻辑去掉，改用四点本身画多边形框，能更清楚看到定位网络的真实回归精度。

第二步，把新数据集的图片放进newdatares，图片命名按工程要求的坐标格式改好，这里我写了一个快捷脚本，专门用来给新图生成带坐标的文件名：

import os, cv2 def rename_with_coords(image_path, coords): # coords 是四点列表 [(x1,y1),(x2,y2),(x3,y3),(x4,y4)] base = os.path.basename(image_path).split('.')[0] coord_str = ' '.join([f"{x},{y}" for x, y in coords]) # 生成如: 1271_0706140506449)(3,33 ... )[3,33 ... ].jpg 的格式 new_name = f"{base})({coord_str})[{coord_str}].jpg" img = cv2.imread(image_path) h, w = img.shape[:2] # 如果标注是绝对像素, 后续归一化时就除以 w, h return new_name

逻辑说明：这样生成的文件名能被正则在WM_data_provider里解析，不需要改读取代码。注意坐标一定要原图的绝对像素值，不要先归一化再存，因为 provider 内部会按图片尺寸重新归一化，双重归一化会导致标签范围偏差。

第三步，训练完定位网络后，把定位输出的裁剪图全部批量保存成crops/文件夹，再人工抽查 50 张裁剪图的质量。如果裁剪图里数字完整、背景干净，才去训练识别网络；如果超过 10% 的裁剪图缺字或带了多余表盘刻度线，回头调定位网络的回归 loss 和训练 epoch，而不是硬着头皮训练识别网络。

画框可视化是我调试这类工程永远绕不开的习惯，核心就一句话——把网络眼里看到的东西原样画出来。我用的是最朴素的 matplotlib 方案：

import matplotlib.pyplot as plt def draw_pred(img, coords, save_path): # coords: [(x1,y1),(x2,y2),(x3,y3),(x4,y4)] plt.imshow(img) poly = plt.Polygon(coords, fill=False, edgecolor='red', linewidth=2) plt.gca().add_patch(poly) plt.savefig(save_path, dpi=120)

这段代码会输出一个带红色四边形框的图片。从那以后我每次迭代模型，都会强制把训练集、验证集、测试集各抽出 10 张画框对比，标注歪了、坐标顺序错了、归一化乘错宽高，三分钟就能看出来，比盯 loss 曲线高效得多。这套“定位出框 → 裁剪检查 → 识别验证”的流程，希望帮你在自己的水表识别项目上少走几趟弯路。

本文还有配套的精品资源，点击获取