Кафедра конструювання електронно-обчислювальної апаратури keoa.kpi.ua Факультет електроніки fel.kpi.ua Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» kpi.ua Київ, Україна Анотація-В роботі розглянуто систему автоматичного віддаленого зняття показань лічильника. Наведено загальну структуру цієї системи і детально описано розроблену її програмну складову, що відповідає за розпізнавання. Зазначений компонент запропоновано реалізувати на основі процедури, що передбачає два етапи, на першому з яких виконується виявлення шкали лічильника і окремих областей розрядів, а на другому-проводиться розпізнавання кожної із цифр у знайдених областях. Виявлення шкали лічильника запропоновано здійснювати шляхом застосування перетворення Хафа, а сегментування області показань на розряди-за допомогою морфологічних операцій. Для розпізнавання цифр лічильників різних типів створено навчальну вибірку і навчено згорткову нейронну мережу, що має подібну до LeNet архітектуру. Бібл. 16, рис. 6. Ключові слова-лічильник; розпізнавання; згорткова нейронна мережа; перетворення Хафа 28 Електронні системи та сигнали Copyright (c) 2018 Сваха Д. М. Варфоломєєв А. Ю. supposed to be applied first. The meter scale detection is based on the location of lines that forms a rectangular region with specific proportions. When the detection of the scale is performed, the located region is segmented into a separate digit subregions using the binary morphological operations and connected components analysis. The described process is applied relatively seldom (usually when the primary reading device is (re)installed), thus the operator of the system may manually correct the results of the detection and segmentation (these results will be valid for the further use). It reduces the quality requirements for the results, which obtained in the first stage. In the second stage, the recognition of each digit is performed. For these purposes, the use of convolutional neural network is suggested. This network is based on the architecture similar to the LeNet: it operates on small grayscale images and has seven layers (three convolutional, two max pooling, one ReLU and one fully connected layer). The training of network was performed on a specially composed training set. The training itself was conducted using the standard stochastic gradient descent (SGD) with momentum. The "softmax" was used as the loss function. In the result of the training, the correct digit recognition rate in 99,2% is achieved. Ref. 16, fig. 6.