CN108875738B - 一种智能摄像表的云识别纠错系统及其方法 - Google Patents

一种智能摄像表的云识别纠错系统及其方法 Download PDF

Info

Publication number
CN108875738B
CN108875738B CN201810607294.2A CN201810607294A CN108875738B CN 108875738 B CN108875738 B CN 108875738B CN 201810607294 A CN201810607294 A CN 201810607294A CN 108875738 B CN108875738 B CN 108875738B
Authority
CN
China
Prior art keywords
error correction
reading
value
identification
reading value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810607294.2A
Other languages
English (en)
Other versions
CN108875738A (zh
Inventor
高学
金连文
赵经纬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yunshi Technology Co ltd
South China University of Technology SCUT
Original Assignee
Shenzhen Yunshi Technology Co ltd
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yunshi Technology Co ltd, South China University of Technology SCUT filed Critical Shenzhen Yunshi Technology Co ltd
Priority to CN201810607294.2A priority Critical patent/CN108875738B/zh
Publication of CN108875738A publication Critical patent/CN108875738A/zh
Application granted granted Critical
Publication of CN108875738B publication Critical patent/CN108875738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明提供了一种智能摄像表的云识别纠错方法，包括：步骤S1：自动校正，具体为：根据相邻两次图像采集间隔的最大读数差值、以及前一次识别读数值，对当前识别读数值进行自动校正；步骤S2：置信度预测及人工纠错，具体为：根据前一次识别读数值以及当前识别读数值，对当前识别读数值的置信度进行有效预测，并对仪表读数区域定位和仪表读数识别结果进行人工纠错。本发明的另一个目的还提供一种智能摄像表的云识别纠错系统。本发明将自动校正与人工纠错有机结合，既保障了识别的可靠性，也有效提高了大批量数据纠错的时效性，有效减少人工纠错的工作量，具有明显优势。

Description

一种智能摄像表的云识别纠错系统及其方法
技术领域
本发明涉及一种智能摄像表的云识别纠错系统及其方法。
背景技术
随着智慧城市的推进，远程抄表系统与技术越来越受到人们的关注。远程抄表系统一方面可以大大减少能源运营单位和管理部门在水、电、气、热等不同类型能源数据的采集上的人力与物力的投入，同时也促进了这些数据在后续大数据智能分析和数据挖掘中的有效利用。智能摄像表利用图像采集终端(如智能手机、采集硬件设备等)获取仪表读数图像，并利用高性能识别模型，进行自动识别，是一种新型的远程抄表模式。智能摄像表具有(1)成本低廉；(2)即装即用：无需拆装现有计量表和管道；(3)可扩展性好：方便不同类型和规格的计量表接入；(4)采集的图像数据客观准确等特点。具有广泛应用前景。
目前的智能摄像表，通过采用高性能的识别方法与模型，例如人工智能算法，已经可以获得较高的识别准确率，但仍然难以达到100％的正确识别率，因而识别结果的可靠性也就无法得到保证。特别是对于实际现场的仪表图像，通常存在图像的多方向旋转、图像模糊、拍摄反光、读数走字错格、仪表表面老化及灰尘等不利于识别的现象，目前的识别方法总是存在一定的识别错误。实际应用中，为了解决这些识别错误，传统的方法是通过人工复检的方式，对所有识别结果进行逐个检查以纠正识别错误。然而，对于大规模的智能摄像表应用，这种方式费时费力，在实际应用中存在极大的局限性。例如，对于智能摄像水表应用，如果每天产生10万条识别结果，正常情况下逐条检查纠错约需300人时。
以上不足，有待改进。
发明内容
为了克服现有的技术的不足,本发明提供一种智能摄像表的云识别纠错系统及其方法。
本发明技术方案如下所述：
一种智能摄像表的云识别纠错系统，包括仪表、硬件端、网页端、图像采集端、云识别服务器及纠错系统；
所述图像采集端用于对所述仪表的仪表读数区域进行图像采集；
所述硬件端和所述网页端配合所述图像采集端将采集的仪表读数区域传输至所述云识别服务器；
所述云识别服务器用于对仪表读数区域进行定位和识别，所述云识别服务器给出仪表读数区域定位、仪表读数识别结果及相应置信度，并将仪表读数区域定位、仪表读数识别结果及置信度均发送至所述纠错系统，所述纠错系统对仪表读数区域定位、仪表读数识别结果及置信度进行自动校正和人工纠错，所述纠错系统将纠错结果更新至所述云识别服务器。
本发明的另一个目的还在于提供一种智能摄像表的云识别纠错方法，包括：
步骤S1：自动校正，具体为：根据相邻两次图像采集间隔的最大读数差值、以及前一次识别读数值，对当前识别读数值进行自动校正；
步骤S2：综合置信度预测及人工纠错，具体为：根据前一次识别读数值以及当前识别读数值，对当前识别读数值的综合置信度进行有效预测，并对仪表读数区域定位和仪表读数识别结果进行人工纠错。
进一步地，所述步骤S1包括:
步骤S11：根据预先设定的两次图像采集间隔的最大读数差值Dmax，确定相邻两次读数的最低读数位td,且当前识别读数值td位上的数值相对前一次识别读数值td位上的数值只能为增加1或者不变，采用的具体规则为：
(1)当Dmax≤10时，则td为十位；
(2)当10＜Dmax≤100时，则td为百位；
(3)当100＜Dmax≤1000时，则td为千位；
(4)其他依次类推；
步骤S12：确定前一次识别读数值，并对当前识别读数值进行自动校正，具体为：
当前一次识别读数值的td位上的数值为0～8时，对当前识别读数值进行自动校正；
或者，
当前一次识别读数值的td位上的数值为9时，对当前识别读数值进行自动校正。
进一步地，在所述步骤S12中，
当前一次识别读数值的td位上的数值为0～8时，具体为：
对于td+1及更高读数位上的数值，则将其当前识别读数值修正为与前一次识别读数值相同；
对于td位上的数值，若当前识别读数值相对前一次识别读数值的差值大于1，则将当前识别读数值的识别置信度乘以修正因子γ,γ∈[0,1]；
或者，
当前一次识别读数值的td位上的数值为9时，如果满足以下条件之一时，则将当前识别读数值的识别置信度乘以修正因子γ,γ∈[0,1]，具体为：
(1)当前识别读数值的td位上的数值为9，且对于td+1及更高读数位上的数值，当前识别读数值与前一次识别读数值不同；
(2)当前识别读数值的td位上的数值为0，且对于td+1及更高读数位上的数值，当前识别读数值相对前一次识别读数值的差值不等于1；
(3)当前识别读数值的td位上的数值为1～8。
进一步地，所述步骤S2包括：
步骤S21：构建一个纠错仪表信息表数据库IDList，具体为：构建一个IDList,IDList的一条信息对应一块仪表，并将IDList初始化为空；
步骤S22：根据仪表编号，将仪表分为三个优先级纠错列表，具体为：根据仪表编号，将仪表分为三个优先级纠错列表,从高到低依次为Level-1、Level-2、Level-3；
步骤S23：计算每个仪表读数识别结果的综合置信度，具体为：对于云识别服务器给出的每个仪表读数识别结果，纠错系统根据当前识别读数值和前一次识别读数值计算综合置信度，并按照综合置信度插入到纠错列表中；
步骤S24：通过纠错客户端进行人工纠错，具体为:
纠错系统包括云纠错服务器和纠错客户端；
云纠错服务器保存IDList；
纠错客户端提供人工纠错界面，通过人机交互完成人工纠错，并将纠错结果更新到云纠错服务器。
进一步地，在所述步骤S22中，
(1)Level-1对应仪表ID未在IDList中；
(2)Level-2对应仪表ID已经存在于IDList中，且当前识别读数值存在明显错误；
(3)Level-3对应仪表ID已经存在于IDList中，且当前识别读数值无法判断存在明显错误。
进一步地，在所述步骤S22(2)中,当前识别读数值存在明显错误的判读规则为：
当前识别读数值的位数不正确；
或者，
当前识别读数值与前一次识别读数值的差值大于一定阈值，或者小于0。
进一步地，在所述步骤S23中，
(1)对于纠错优先级为Level-1和Level-2的仪表读数识别结果，综合置信度f的计算公式为：
Figure GDA0003477091440000051
其中，fL、fR分别为识别服务器给出的读数区域定位置信度和修正后的识别置信度；
(2)对于纠错优先级为Level-3的仪表读数识别结果，综合置信度f的计算公式为：
Figure GDA0003477091440000052
其中，λ为调节系数，参考取值为0.5，Vd为瞬时日读数差，VRd为日读数差偏差比；
瞬时日读数差Vd的计算公式为：
Figure GDA0003477091440000053
其中，Vs为仪表当前识别读数值与前一次识别读数值的差值，取值范围为0到最大读数值之间，t为时间间隔，换算为以天为单位，T1为设定阈值，参考取值为0.5；
日读数差偏差比VRd的计算公式为：
Figure GDA0003477091440000054
其中，Vdavg为历史平均日读数差，α为调节系数，参考取值0.06125，T2为设定阈值，取平均日读数差的最小允许值。
进一步地，在所述步骤S24中，
纠错系统允许多个纠错客户端同时进行纠错，具体为：
对于云纠错服务器中的IDList，由纠错客户端向云纠错服务器提交申请，云纠错服务器获取一定数量的待纠错仪表读数信息，完成纠错后，云纠错服务器可以再次申请待纠错仪表读数信息，云纠错服务器根据识别结果的综合置信度，按照从小到大顺序，依次发送到纠错客户端，进行人工纠错，发送到纠错客户端的顺序为：优先发送纠错优先级为Level-1的读数信息，然后发送优先级为Level-2的读数信息，最后为优先级为Level-3的读数信息，相同优先级的信息，则按照识别结果的综合置信度从小到大顺序发送。
进一步地，在所述步骤S24中，纠错系统根据纠错结果对IDList更新的内容包括：
对于纠错优先级为Level-1的仪表识别结果，纠错系统更新内容包括：仪表读数区域定位、仪表读数位数、前一次识别读数值及识别时间，并把Vdavg置零；
对于纠错优先级为Level-2的仪表识别结果，纠错系统更新内容包括：仪表读数区域定位、Vdavg、前一次识别读数值及识别时间；
对于纠错优先级为Level-3的仪表识别结果，纠错系统更新内容包括：仪表读数区域定位、Vdavg、前一次识别读数值及识别时间；
Vdavg的计算公式为：
Vdavg＝β×Vdavg×(t-1)+(1-β)Vd
其中β为常数，表示取过去1/(1-β)次日读数差的平均值。
根据上述方案的本发明，其有益效果在于：
本实施例提供的智能摄像表的云识别纠错系统的有益效果为:
(1)本发明提供的智能摄像表的云识别纠错系统，纠错系统对仪表读数区域定位、仪表读数识别结果及置信度进行自动校正和人工纠错，自动校正与人工纠错有机结合，既保障了仪表读数识别结果的可靠性，也有效提高了大批量数据纠错的时效性，具有明显优势，且可以有效减少人工纠错的工作量，提高纠错效率，极大降低了需要人工纠错的数据；本发明仅仅需要对少部分识别结果(例如3％或更低)进行人工纠错，识别结果的可靠性就可以得到保证，具有较好的实际应用价值。
(2)本实施例提供的智能摄像表的云识别纠错方法的有益效果为:根据相邻两次图像采集间隔的最大读数差值、以及前一次识别读数值，对当前识别读数值进行自动校正，可以有效减少人工纠错的工作量，提高纠错效率；对当前识别读数值的置信度进行有效预测，极大降低了需要人工纠错的数据数量；将自动校正与人工纠错有机结合，既保障了识别的可靠性，也有效提高了大批量数据纠错的时效性，具有明显优势；本发明仅仅需要对少部分识别结果(例如3％或更低)进行人工纠错，识别结果的可靠性就可以得到保证，具有较好的实际应用价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的智能摄像表的云识别纠错系统的结构示意图；
图2为本发明的智能摄像表的云识别纠错方法的流程图；
图3为本发明的自动校正的流程图；
图4为本发明的置信度预测及人工纠错的流程图。
具体实施方式
请参阅图1，一种智能摄像表的云识别纠错系统，包括仪表、硬件端、网页端、图像采集端、云识别服务器及纠错系统；
所述图像采集端用于对所述仪表的仪表读数区域进行图像采集；
所述硬件端和所述网页端配合所述图像采集端将采集的仪表读数区域传输至所述云识别服务器；
所述云识别服务器用于对仪表读数区域进行定位和识别，所述云识别服务器给出仪表读数区域定位、仪表读数识别结果及相应置信度，并将仪表读数区域定位、仪表读数识别结果及置信度均发送至所述纠错系统，所述纠错系统对仪表读数区域定位、仪表读数识别结果及置信度进行自动校正和人工纠错，所述纠错系统将纠错结果更新至所述云识别服务器。
本实施例提供的智能摄像表的云识别纠错系统的工作原理如下:图像采集端对仪表读数区域进行图像采集，并通过硬件端和网页端的配合将采集的仪表读数区域传输至云识别服务器，云识别服务器给出仪表读数区域定位、仪表读数识别结果及相应置信度，纠错系统对仪表读数区域定位、仪表读数识别结果及置信度进行自动校正和人工纠错，然后纠错系统将纠错结果更新至所述云识别服务器。
本实施例提供的智能摄像表的云识别纠错系统的有益效果为:
本发明提供的智能摄像表的云识别纠错系统，纠错系统对仪表读数区域定位、仪表读数识别结果及置信度进行自动校正和人工纠错，自动校正与人工纠错有机结合，既保障了仪表读数识别结果的可靠性，也有效提高了大批量数据纠错的时效性，具有明显优势，且可以有效减少人工纠错的工作量，提高纠错效率，极大降低了需要人工纠错的数据；本发明仅仅需要对少部分识别结果(例如3％或更低)进行人工纠错，识别结果的可靠性就可以得到保证，具有较好的实际应用价值。
优选地，仪表为水表或电表或燃气表或暖气表。
请参阅图2，本发明的另一目的还在于提供一种智能摄像表的云识别纠错方法，包括：
步骤S1：自动校正，具体为：根据相邻两次图像采集间隔的最大读数差值、以及前一次识别读数值，对当前识别读数值进行自动校正；
步骤S2：综合置信度预测及人工纠错，具体为：根据前一次识别读数值以及当前识别读数值，对当前识别读数值的综合置信度进行有效预测，并对仪表读数区域定位和仪表读数识别结果进行人工纠错。
本实施例提供的智能摄像表的云识别纠错方法的有益效果为:根据相邻两次图像采集间隔的最大读数差值、以及前一次识别读数值，对当前识别读数值进行自动校正，可以有效减少人工纠错的工作量，提高纠错效率；对当前识别读数值的置信度进行有效预测，极大降低了需要人工纠错的数据数量；将自动校正与人工纠错有机结合，既保障了识别的可靠性，也有效提高了大批量数据纠错的时效性，具有明显优势；本发明仅仅需要对少部分识别结果(例如3％或更低)进行人工纠错，识别结果的可靠性就可以得到保证，具有较好的实际应用价值。
请参阅图3，优选地，所述步骤S1包括:
步骤S11：根据预先设定的两次图像采集间隔的最大读数差值Dmax，确定相邻两次读数的最低读数位td,且当前识别读数值td位上的数值相对前一次识别读数值td位上的数值只能为增加1或者不变，采用的具体规则为：
(1)当Dmax≤10时，则td为十位；
(2)当10＜Dmax≤100时，则td为百位；
(3)当100＜Dmax≤1000时，则td为千位；
(4)其他依次类推；
步骤S12：确定前一次识别读数值，并对当前识别读数值进行自动校正，具体为：
当前一次识别读数值的td位上的数值为0～8时，对当前识别读数值进行自动校正；
或者，
当前一次识别读数值的td位上的数值为9时，对当前识别读数值进行自动校正。
优选地，在所述步骤S12中，
当前一次识别读数值的td位上的数值为0～8时，具体为：
对于td+1及更高读数位上的数值，则将其当前识别读数值修正为与前一次识别读数值相同；
对于td位上的数值，若当前识别读数值相对前一次识别读数值的差值大于1，则将当前识别读数值的识别置信度乘以修正因子γ,γ∈[0,1]；
或者，
当前一次识别读数值的td位上的数值为9时，如果满足以下条件之一时，则将当前识别读数值的识别置信度乘以修正因子γ,γ∈[0,1]，具体为：
(1)当前识别读数值的td位上的数值为9，且td+1及更高读数位上的数值，当前识别读数值与前一次识别读数值不同；
(2)当前识别读数值的td位上的数值为0，且对于td+1及更高读数位上的数值，当前识别读数值相对前一次识别读数值的差值不等于1；
(3)当前识别读数值的td位上的数值为1～8。
请参阅图4，优选地，所述步骤S2包括：
步骤S21：构建一个纠错仪表信息表数据库IDList，具体为：构建一个IDList,IDList的一条信息对应一块仪表，并将IDList初始化为空；其中每条信息包含：仪表纠错优先级、仪表编号(ID)、仪表读数区域定位、仪表读数位数、历史平均日读数差、前一次识别读数值和识别时间。
步骤S22：根据仪表编号，将仪表分为三个优先级纠错列表，具体为：根据仪表编号，将仪表分为三个优先级纠错列表,从高到低依次为Level-1、Level-2、Level-3；
步骤S23：计算每个仪表读数识别结果的综合置信度，具体为：对于云识别服务器给出的每个仪表读数识别结果，纠错系统根据当前识别读数值和前一次识别读数值计算综合置信度，并按照综合置信度插入到纠错列表中；
步骤S24：通过纠错客户端进行人工纠错，具体为:
纠错系统包括云纠错服务器和纠错客户端；
云纠错服务器保存IDList；
纠错客户端提供人工纠错界面，通过人机交互完成人工纠错，并将纠错结果更新到云纠错服务器。
纠错内容包括仪表读数区域定位、仪表读数识别结果。
纠错客户端置于本地，通过HTTP超文本传输协议，访问云纠错服务器。
优选地，在所述步骤S22中，
(1)Level-1对应仪表ID未在IDList中；
(2)Level-2对应仪表ID已经存在于IDList中，且当前识别读数值存在明显错误；
(3)Level-3对应仪表ID已经存在于IDList中，且当前识别读数值无法判断存在明显错误。
优选地，在所述步骤S22(2)中,当前识别读数值存在明显错误的判读规则为：
当前识别读数值的位数不正确；
或者，
当前识别读数值与前一次识别读数值的差值大于一定阈值，或者小于0。
优选地，在所述步骤S23中，
(1)对于纠错优先级为Level-1和Level-2的仪表读数识别结果，综合置信度f的计算公式为：
Figure GDA0003477091440000111
其中，fL、fR分别为识别服务器给出的读数区域定位置信度和修正后的识别置信度；
(2)对于纠错优先级为Level-3的仪表读数识别结果，综合置信度f的计算公式为：
Figure GDA0003477091440000112
其中，λ为调节系数，参考取值为0.5，Vd为瞬时日读数差，VRd为日读数差偏差比；
瞬时日读数差Vd的计算公式为：
Figure GDA0003477091440000113
其中，Vs为仪表当前识别读数值与前一次识别读数值的差值，
考虑到仪表读数到达最大值后从零开始循环，如果仪表读数识别结果出现负增长时，读数差值取计算结果与最大读数值之和，并对该值与最大读数取模运算，取值范围为0到最大读数值之间，t为时间间隔，换算为以天为单位，T1为设定阈值，参考取值为0.5；
日读数差偏差比VRd的计算公式为：
Figure GDA0003477091440000121
其中，Vdavg为历史平均日读数差，α为调节系数，参考取值0.06125，T2为设定阈值，取平均日读数差的最小允许值，不同的仪表类型，具有不同取值。
优选地，在所述步骤S24中，
纠错系统允许多个纠错客户端同时进行纠错，具体为：
对于云纠错服务器中的IDList，由纠错客户端向云纠错服务器提交申请，云纠错服务器获取一定数量的待纠错仪表读数信息，完成纠错后，云纠错服务器可以再次申请待纠错仪表读数信息，云纠错服务器根据识别结果的综合置信度，按照从小到大顺序，依次发送到纠错客户端，进行人工纠错，发送到纠错客户端的顺序为：优先发送纠错优先级为Level-1的读数信息，然后发送优先级为Level-2的读数信息，最后为优先级为Level-3的读数信息，相同优先级的信息，则按照识别结果的综合置信度从小到大顺序发送。
优选地，在所述步骤S24中，纠错系统根据纠错结果对IDList更新的内容包括：
对于纠错优先级为Level-1的仪表识别结果，纠错系统更新内容包括：仪表读数区域定位、仪表读数位数、前一次识别读数值及识别时间，并把Vdavg置零；
对于纠错优先级为Level-2的仪表识别结果，纠错系统更新内容包括：仪表读数区域定位、Vdavg、前一次识别读数值及识别时间；
对于纠错优先级为Level-3的仪表识别结果，纠错系统更新内容包括：仪表读数区域定位、Vdavg、前一次识别读数值及识别时间；
Vdavg的计算公式为：
Vdavg＝β×Vdavg×(t-1)+(1-β)Vd
其中β为常数，表示取过去1/(1-β)次日读数差的平均值。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
上面结合附图对本发明专利进行了示例性的描述，显然本发明专利的实现并不受上述方式的限制，只要采用了本发明专利的方法构思和技术方案进行的各种改进，或未经改进将本发明专利的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (3)

1.一种智能摄像表的云识别纠错方法，其特征在于：包括：
步骤S1：自动校正，具体为：根据相邻两次图像采集间隔的最大读数差值、以及前一次识别读数值，对当前识别读数值进行自动校正，包括:
步骤S11：根据预先设定的两次图像采集间隔的最大读数差值Dmax，确定相邻两次读数的最低读数位td,且当前识别读数值td位上的数值相对前一次识别读数值td位上的数值只能为增加1或者不变，采用的具体规则为：
(1)当Dmax≤10时，则td为十位；
(2)当10＜Dmax≤100时，则td为百位；
(3)当100＜Dmax≤1000时，则td为千位；
(4)其他依次类推；
步骤S12：确定前一次识别读数值，并对当前识别读数值进行自动校正，具体为：
当前一次识别读数值的td位上的数值为0～8时，
对于td+1及更高读数位上的数值，则将其当前识别读数值修正为与前一次识别读数值相同；
对于td位上的数值，若当前识别读数值相对前一次识别读数值的差值大于1，则将当前识别读数值的识别置信度乘以修正因子γ,γ∈[0,1]；
或者，当前一次识别读数值的td位上的数值为9时，如果满足以下条件之一时，则将当前识别读数值的识别置信度乘以修正因子γ,γ∈[0,1]，具体为：
(1)当前识别读数值的td位上的数值为9，且对于td+1及更高读数位上的数值，当前识别读数值与前一次识别读数值不同；
(2)当前识别读数值的td位上的数值为0，且对于td+1及更高读数位上的数值，当前识别读数值相对前一次识别读数值的差值不等于1；
(3)当前识别读数值的td位上的数值为1～8；
步骤S2：综合置信度预测及人工纠错，具体为：根据前一次识别读数值以及当前识别读数值，对当前识别读数值的综合置信度进行有效预测，并对仪表读数区域定位和仪表读数识别结果进行人工纠错，包括：
步骤S21：构建一个纠错仪表信息表数据库IDList，具体为：构建一个IDList,IDList的一条信息对应一块仪表，并将IDList初始化为空；
步骤S22：根据仪表编号，将仪表分为三个优先级纠错列表，具体为：根据仪表编号，将仪表分为三个优先级纠错列表,从高到低依次为Level-1、Level-2、Level-3；
步骤S23：计算每个仪表读数识别结果的综合置信度，具体为：对于云识别服务器给出的每个仪表读数识别结果，纠错系统根据当前识别读数值和前一次识别读数值计算综合置信度，并按照综合置信度插入到纠错列表中：
(1)对于纠错优先级为Level-1和Level-2的仪表读数识别结果，综合置信度f的计算公式为：
Figure FDA0003477091430000021
其中，fL、fR分别为识别服务器给出的读数区域定位置信度和修正后的识别置信度；
(2)对于纠错优先级为Level-3的仪表读数识别结果，综合置信度f的计算公式为：
Figure FDA0003477091430000022
其中，λ为调节系数，参考取值为0.5，Vd为瞬时日读数差，VRd为日读数差偏差比，
瞬时日读数差Vd的计算公式为：
Figure FDA0003477091430000023
其中，Vs为仪表当前识别读数值与前一次识别读数值的差值，取值范围为0到最大读数值之间，t为时间间隔，换算为以天为单位，T1为设定阈值，参考取值为0.5；
日读数差偏差比VRd的计算公式为：
Figure FDA0003477091430000031
其中，Vdavg为历史平均日读数差，α为调节系数，参考取值0.06125，T2为设定阈值，取平均日读数差的最小允许值。
步骤S24：通过纠错客户端进行人工纠错，具体为:
纠错系统包括云纠错服务器和纠错客户端；
云纠错服务器保存IDList；
纠错客户端提供人工纠错界面，通过人机交互完成人工纠错，并将纠错结果更新到云纠错服务器，纠错系统允许多个纠错客户端同时进行纠错，具体为：
对于云纠错服务器中的IDList，由纠错客户端向云纠错服务器提交申请，云纠错服务器获取一定数量的待纠错仪表读数信息，完成纠错后，云纠错服务器再次申请待纠错仪表读数信息，云纠错服务器根据识别结果的综合置信度，按照从小到大顺序，依次发送到纠错客户端，进行人工纠错，发送到纠错客户端的顺序为：优先发送纠错优先级为Level-1的读数信息，然后发送优先级为Level-2的读数信息，最后为优先级为Level-3的读数信息，相同优先级的信息，则按照识别结果的综合置信度从小到大顺序发送。
2.如权利要求1所述的智能摄像表的云识别纠错方法，其特征在于：在所述步骤S22中，
(1)Level-1对应仪表ID未在IDList中；
(2)Level-2对应仪表ID已经存在于IDList中，且当前识别读数值存在明显错误；
(3)Level-3对应仪表ID已经存在于IDList中，且当前识别读数值无法判断存在明显错误。
3.如权利要求2所述的智能摄像表的云识别纠错方法，其特征在于：在所述步骤S22(2)中,当前识别读数值存在明显错误的判读规则为：
当前识别读数值的位数不正确；或者，
当前识别读数值与前一次识别读数值的差值大于一定阈值，或者小于0。
CN201810607294.2A 2018-06-13 2018-06-13 一种智能摄像表的云识别纠错系统及其方法 Active CN108875738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810607294.2A CN108875738B (zh) 2018-06-13 2018-06-13 一种智能摄像表的云识别纠错系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810607294.2A CN108875738B (zh) 2018-06-13 2018-06-13 一种智能摄像表的云识别纠错系统及其方法

Publications (2)

Publication Number Publication Date
CN108875738A CN108875738A (zh) 2018-11-23
CN108875738B true CN108875738B (zh) 2022-03-08

Family

ID=64338442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810607294.2A Active CN108875738B (zh) 2018-06-13 2018-06-13 一种智能摄像表的云识别纠错系统及其方法

Country Status (1)

Country Link
CN (1) CN108875738B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110688997B (zh) * 2019-09-24 2023-04-18 北京猎户星空科技有限公司 一种图像处理方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100686375B1 (ko) * 2005-09-13 2007-02-22 충북대학교 산학협력단 무선 원격 검침기의 회전수 센싱 회로
CN101620682A (zh) * 2008-06-30 2010-01-06 汉王科技股份有限公司 一种指针式仪表读数自动识别的方法及系统
CN101685499A (zh) * 2008-09-22 2010-03-31 因特伟特公司 用于纠正字符识别错误的技术
CN102375807A (zh) * 2010-08-27 2012-03-14 汉王科技股份有限公司 文字校对方法和装置
CN104657721A (zh) * 2015-03-09 2015-05-27 上海依图网络科技有限公司 一种基于自适应模板的视频osd时间识别方法
CN107679535A (zh) * 2017-09-16 2018-02-09 西安电子科技大学 一种基于模板匹配的指针式水表自动读数识别系统及方法
CN108124487A (zh) * 2017-12-22 2018-06-05 深圳前海达闼云端智能科技有限公司 云端抄表方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999483B (zh) * 2011-09-16 2016-04-27 北京百度网讯科技有限公司 一种文本矫正的方法和装置
CN105528139B (zh) * 2015-12-04 2018-12-07 上海博康智能信息技术有限公司 一种基于全鼠标操作的车牌号码识别结果纠正方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100686375B1 (ko) * 2005-09-13 2007-02-22 충북대학교 산학협력단 무선 원격 검침기의 회전수 센싱 회로
CN101620682A (zh) * 2008-06-30 2010-01-06 汉王科技股份有限公司 一种指针式仪表读数自动识别的方法及系统
CN101685499A (zh) * 2008-09-22 2010-03-31 因特伟特公司 用于纠正字符识别错误的技术
CN102375807A (zh) * 2010-08-27 2012-03-14 汉王科技股份有限公司 文字校对方法和装置
CN104657721A (zh) * 2015-03-09 2015-05-27 上海依图网络科技有限公司 一种基于自适应模板的视频osd时间识别方法
CN107679535A (zh) * 2017-09-16 2018-02-09 西安电子科技大学 一种基于模板匹配的指针式水表自动读数识别系统及方法
CN108124487A (zh) * 2017-12-22 2018-06-05 深圳前海达闼云端智能科技有限公司 云端抄表方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Development of an automatic reading method and software for pointer instruments;wenbin zheng et al.;《2017 first international conference on electronics instruction & information systems》;20180222;第1-6页 *
基于等差相位构建的多读数头位移传感器信号处理及误差修正新方法研究;周金钢;《万方硕士全文数据库》;20161103;第1-60页 *

Also Published As

Publication number Publication date
CN108875738A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN115640914B (zh) 一种智慧燃气储气优化方法、物联网系统、装置及介质
US11803173B2 (en) Preset management methods of gas pipeline network for smart gas and internet of things systems thereof
US20120130659A1 (en) Analysis of Large Data Sets Using Distributed Polynomial Interpolation
WO2019128355A1 (zh) 确定精确地理位置的方法和装置
US20230191464A1 (en) Methods for smart gas pipeline cleaning management for safety management and internet of things systems thereof
US20130069948A1 (en) System and method for processing and displaying data relating to consumption data
CN111090794B (zh) 气象数据查询方法、装置及存储介质
CN111783785A (zh) 一种水表识别系统及识别方法
US20230274238A1 (en) Methods for determining garbage treatment in smart cities, internet of things system, and storage medium
CN108875738B (zh) 一种智能摄像表的云识别纠错系统及其方法
CN110009287A (zh) 溢价确定方法、装置、设备及存储介质
CN109657874A (zh) 一种基于长短时记忆模型的电力中长期负荷预测方法
CN113891466B (zh) 一种面向边缘无线网络中udl任务的在线调度系统及方法
CN111353642A (zh) 话务排班预测方法、装置、电子设备、存储介质
CN112819215A (zh) 推荐策略训练方法、装置、电子设备及可读存储介质
US20230259084A1 (en) Continuous monitoring and control of multiple utility consumption in a building
CN112101612A (zh) 一种城镇燃气用量的预测方法、存储介质及终端设备
CN116663870A (zh) 基于云计算的供热系统调度方法及系统
CN115730740A (zh) 一种台区级电力短期负荷预测方法及系统
CN114022217A (zh) 分布式光伏发电投资收益计算方法、装置、设备及介质
US10965403B2 (en) Gap data collection for low energy devices
CN106027344A (zh) 基于大数据的家居服务系统
CN112631882A (zh) 一种结合线上业务指标特征的容量预估方法
CN114857656B (zh) 一种供热负荷预测方法和装置
CN112416561B (zh) 一种面向目标计数任务场景的资源动态调度与管理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant