CN109360396B - 基于图像识别技术和NB-IoT技术的远程抄表方法及系统 - Google Patents

基于图像识别技术和NB-IoT技术的远程抄表方法及系统 Download PDF

Info

Publication number
CN109360396B
CN109360396B CN201811131481.4A CN201811131481A CN109360396B CN 109360396 B CN109360396 B CN 109360396B CN 201811131481 A CN201811131481 A CN 201811131481A CN 109360396 B CN109360396 B CN 109360396B
Authority
CN
China
Prior art keywords
image
character wheel
data
character
neural network
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
CN201811131481.4A
Other languages
English (en)
Other versions
CN109360396A (zh
Inventor
白凯
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.)
Hubei Sens Technology Co ltd
Original Assignee
Yangtze University
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 Yangtze University filed Critical Yangtze University
Priority to CN201811131481.4A priority Critical patent/CN109360396B/zh
Publication of CN109360396A publication Critical patent/CN109360396A/zh
Application granted granted Critical
Publication of CN109360396B publication Critical patent/CN109360396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Character Input (AREA)
  • Character Discrimination (AREA)

Abstract

本发明提出一种基于图像识别技术和NB‑IoT技术的远程抄表方法，该方法包括：摄像头按预设周期采集水表表盘图像数据；将采集到的表盘图像数据至数据存储器中；对所述表盘图像数据依次进行图像预处理、倾斜矫正、字轮区域精确定位、字轮区域字符分割；采用基于BP神经网络的数字识别算法识别分割后的字轮区域字符，得到表盘读数；利用NB‑IoT技术将所述表盘读数发送到透传云服务器上。本发明提出一种基于图像识别技术和NB‑IoT技术的远程抄表系统，包括图像采集模块、数据存储模块、数据处理模块、图像识别模块、无线传输模块。本发明通过在原有水表上加装一个水表盘面数字图像识别装置，将NB‑IoT物联网技术和图像识别技术融合实现远程抄表，提高了抄表效率和可靠性。

Description

基于图像识别技术和NB-IoT技术的远程抄表方法及系统
技术领域
本发明涉及物联网远程无线通信和图像识别技术领域，特别涉及一种基于图像识别技术和NB-IoT物联网技术的远程抄表方法及系统。
背景技术
随着国内智能化系统的日益发展和完善，流量计费表远程抄表技术的兴起解决了人工抄表统计工作的困难，成为为现代化管理系统的重要组成部分。具有无线抄表功能的流量计费表如水表、电表、燃气表等已开始在住宅区、高档园区逐渐使用。
然而这些流量计费表远程抄表技术尚有一些不足，比如具有无线抄表功能的水表由于受安装位置的影响，在地下室、管道等的封闭空间往往存在不同程度信号传输困难的现象，极容易造成数据传输的丢失，而且在大多数地方为了实现无线抄表就需要更换水表，这种方法不仅增加了改装成本而且在某些地方还不容易施工，所以造成某些地区无法采用无线通信的方式去采集用水数据。
发明内容
本发明提出一种基于图像识别技术和NB-IoT技术的远程抄表方法及系统，在现有水表上加装了一个水表盘面数字图像识别装置，利用BP神经网络算法对水表字轮区域数字图像进行识别，同时利用NB-IoT技术对识别出的的表盘读数进行无线传输，达到低成本和低功耗实现无线抄表的目的，提高抄表效率和可靠性。
本发明实施例的第一方面，提供了一种基于图像识别技术和NB-IoT技术的远程抄表方法，包括加装在现有水表上的一个水表盘面数字图像识别装置，所述图像识别装置包括单片机、以及分别与所述单片机电连接的摄像头、数据存储器、LCD液晶显示屏和无线传输模块，所述方法包括如下技术方案：
S1、摄像头按预设周期采集水表表盘图像数据，并将所述表盘图像数据实时显示在LCD液晶显示屏上；
S2、根据所述摄像头的帧中断数据将采集到的所述表盘图像数据至数据存储器中；
S3、对所述表盘图像数据依次进行图像预处理、倾斜矫正、字轮区域精确定位、字轮区域字符分割；
S4、采用基于BP神经网络的数字识别算法识别所述分割后的字轮区域字符，得到表盘读数；
S5、利用NB-IoT技术将所述表盘读数发送到透传云服务器上。
在上述技术方法中，步骤S3所述的图像预处理具体过程为：
灰度化：通过位运算获取所述表盘图像数据中像素的红色R、绿色G和蓝色B的数值，然后利用公式Gray＝R*0.299+G*0.587+B*0.114计算灰度值Gray，然后将表盘图像以灰度位图的形式保存下来；
边缘化：采用Canny边缘检测算法提取图像边缘信息，首先用Sobel算子模板进行高斯平滑处理，算出每一点的梯度向量(Gx,Gy)，将当前点的梯度与其梯度方向上梯度相比较，进行非极大值抑制处理得到定位准确的单像素的边缘，最后通过设置高低双阈值的方法去除伪边缘；
二值化：采用Otsu算法将图像中的像素的灰度级按阈值划分为背景部分和目标部分，过滤掉杂乱的边缘。
在上述技术方案中，步骤S3所述倾斜校正、字轮区域精确定位、字轮区域字符分割的具体过程为：
通过Hough变换将直角坐标空间中的点映射到参数空间中，检测出预处理后的图像的字轮区域上下边框直线，然后计算出该直线与水平轴的夹角作为倾斜角，最后根据倾斜角对所述预处理后的图像进行旋转变换实现倾斜校正；
将倾斜矫正后的图像再次进行灰度化、Otsu二值化操作，将图片的背景信息去除，根据图像白色像素点的分布设定初始矩形区域，改变窗口区域，统计改变前后区域内白色像素点的差值，根据所述差值及预设阈值来判断字轮区域的边界，得到字轮区域精确定位；
按照宽度等比例切分的方案对字轮区域的字符分割。
在上述技术方案中，步骤S4中所述基于BP神经网络的字轮数字识别算法已预先训练好BP神经网络，得到对应的权值、阈值矩阵，并在所述水表盘面数字图像识别装置安装时已预先将所述权值阈值矩阵保存至所述水表盘面数字图像识别装置的数据存储器中，所述权值、阈值矩阵的获取方式为：
预先采集预设数量的字轮区域图像作为样本集，将所述样本集中的图像同样经过步骤S2所述的处理过程之后，再通过图像的伸缩变换做规范化处理得到BMP位图；
将所述BMP位图中的每个像素作为输入，采用如下公式计算隐藏层神经元个数h：
Figure BDA0001813682140000041
公式中，i表示输入层神经元个数，o表示输出层神经元个数；
选取所述规范化处理后的样本集中第一数量的图像作为训练样本，其余图像作为测试样本，用所述训练样本在上位机上训练数字识别的BP神经网络；
训练成功后用所述测试样本对训练的神经网络做测试，得出测试识别率；
若测试识别率大于预设的识别率阈值，将训练得到的权值、阈值矩阵以文本文件的形式保存到数据存储器中。
在上述技术方案中，所述步骤S4的具体过程为：
通过图像的伸缩变换将待识别的所述分割后的字轮区域字符位图规范为预定像素大小，同时采用最大值法将图片灰度信息统一为0～1之间的小数；
读取所述规范化处理后的待识别字轮区域字符位图的像素数据作为BP神经网络的输入，并利用数据存储器中保存的权值和阈值矩阵进行前向计算，在输出层的各个节点中，取最大值所在的节点作为神经网络数字识别的结果。
本发明实施例的第二方面，提供了一种基于图像识别技术和NB-IoT技术的远程抄表系统，其特征在于，包括加装在现有水表上的一个水表盘面数字图像识别装置，所述图像识别装置包括单片机、以及分别与所述单片机电连接的摄像头、数据存储器、LCD液晶显示屏和无线传输模块，所述系统包括以下内容：
图像采集模块：用来按预设周期对水表表盘字轮区域拍照，采集表盘图像数据，并显示在LCD液晶显示屏上；
数据存储模块：用于保存采集到的所述表盘图像数据，并预先保存训练好的BP神经网络的权值、阈值矩阵；
数据处理模块：用于对所述表盘图像数据依次进行图像预处理、倾斜矫正、字轮区域精确定位、字轮区域字符分割；
图像识别模块：用于采用基于BP神经网络识别算法识别数据处理模块处理得到的字轮区域图像，得到表盘读数；
无线传输模块：用于利用NB-IoT技术将识别出的所述表盘读数发送到透传云服务器上。
在上述装置中，所述数据处理模块包括：
图像预处理单元：用于将图像进行灰度化、边缘化、二值化；
倾斜矫正单元：用于通过Hough变换将直角坐标空间中的点映射到参数空间中，检测出预处理后的图像的字轮区域上下边框直线，然后计算出该直线与水平轴的夹角作为倾斜角，最后根据倾斜角对所述预处理后的图像进行旋转变换实现倾斜校正；
字轮区域定位单元：用于将倾斜矫正后的图像再次进行灰度化、Otsu二值化操作，将图片的背景信息去除，根据图像白色像素点的分布设定初始矩形区域，改变窗口区域，统计改变前后区域内白色像素点个数的差值，根据所述差值及预设阈值来判断字轮区域的边界，得到字轮区域精确定位；
字符分割单元：用于按照宽度等比例切分的方案对字轮区域的字符分割。
在上述装置中，所述图像识别模块根据所述数据存储模块中预先保存的训练好的BP神经网络的权值、阈值矩阵进行图像识别，所述权值，阈值矩阵的获取方式包括：
处理单元：预先采集预设数量的字轮区域图像作为样本集，将所述样本集中的图像同样经过数据处理模块所述的处理过程之后，通过图像的伸缩变换做规范化处理得到BMP位图；
计算单元：将所述BMP位图中的每个像素作为输入，采用如下公式计算隐藏层神经元个数h：
Figure BDA0001813682140000061
公式中，i表示输入层神经元个数，O表示输出层神经元个数；
训练单元：选取所述规范化处理后的样本集中第一数量的图像作为训练样本，其余图像作为测试样本，用所述训练样本在上位机上训练数字识别的BP神经网络；
测试单元：训练成功后用所述测试样本对训练的神经网络做测试，得出测试识别率；
移植单元：若测试识别率大于预设的识别率阈值，将训练得到的权值、阈值矩阵以文本文件的形式保存到数据存储模块中。
在上述装置中，所述图像识别模块具体包括以下内容：
规范化单元：通过图像的伸缩变换将待识别的所述分割后的字轮区域字符位图规范为预定像素大小，同时采用最大值法将图片灰度信息统一为0～1之间的小数；
识别单元：读取所述规范化处理后的待识别字轮区域字符位图的像素数据作为BP神经网络的输入，并利用数据存储器中保存的权值和阈值矩阵进行前向计算，在输出层的各个节点中，取最大值所在的节点作为神经网络数字识别的结果。
本发明的有益效果是：本发明提供了一种基于图像识别技术和NB-IoT技术的远程抄表方法及系统，在原有水表上加装一个水表盘面数字图像识别装置，节省了改装成本，采用图像采集技术采集水表水表字轮区域图像，并利用BP神经网络算法对水表字轮区域数字进行识别，能够有效地降低噪声对识别效果的影响，大大提高了字轮数字识别的准确率，同时利用NB-IoT技术对识别出的数据进行无线传输，达到低成本和低功耗实现无线抄表的目的。本发明提出将NB-IoT物联网技术和图像处理技术融合的水表抄表方案，提高了水表的抄表效率和可靠性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明在原有水表上加装的一个水表盘面数字图像识别装置结构示意图；
图2为本发明提供的远程抄表方法流程示意图；
图3为本发明提供的图像处理过程流程图；
图4为本发明提供的与图3的图像处理过程对应的处理结果示意图；
图5为本发明提供的远程抄表系统结构示意图。
具体实施方式
本发明提供了一种基于图像识别技术和NB-IoT技术的远程抄表方法及系统，在原有水表上加装一个水表盘面数字图像识别装置，并利用BP神经网络算法对水表字轮区域数字进行识别，同时利用NB-IoT技术对识别出的数据进行无线传输，达到低成本和低功耗实现无线抄表的目的。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路、以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明在原有水表上加装的一个水表盘面数字图像识别装置结构示意图，该装置由单片机、摄像头、数据存储器、LCD液晶显示屏、及无线传输模块组成，其中单片机与摄像头通过控制总线和数据总线相连接，单片机与数据存储器分别通过数据总线、控制总线、地址总线连接，单片机与无线传输模块通过串口通信，单片机与LCD液晶显示屏通过控制总线连接。在本实施例中，所述装置由STM32F103ZET6微处理器、自带FIFO的OV7725摄像头模块、SD卡、LCD液晶显示屏以及NB-IoT数据传输模块等外设组成。
系统硬件采用STM32F103ZET6核心板,基于ARM Cortex-M3内核的32位单片机，带一个18位的并行摄像头接口，适合做图像处理，支持多种低功耗工作模式。采用OmniVision公司生产的带有FIFO(First Input First Output，先进先出)缓存的OV7725CMOS摄像头模块，通过SCCB总线控制。摄像头模块自带的FIFO，可以暂时存储一帧320×240的图像数据。STM32F103系列单片机内存较小，于是图像处理过程中的大量数据必采用SD卡保存。单片机对SD卡的读写通信操作通信接口选用SDIO接口。USR-NB75是为实现串口设备与网络服务器，通过运营商NB-IoT网络相互传输数据，经过简单的AT指令设置，实现串口到网络的双向数据透明传输。
其工作方式为：首先，单片机上电初始化系统各个外部设备；然后，根据预设的抄表周期，单片机驱动摄像头采集表盘图像数据，同时控制LCD显示模块，显示从摄像头模块采集到的图像；根据摄像头的帧终端信号，将采集到的图像的信息保存到SD卡中；接着，单片机将运行图像处理算法，并将表盘字轮区域图像数据识别为数字，最后通过NB-IoT模块将水表表盘读数发送到远程的透传云服务器上。
请参见图2，本发明提出了一种基于图像识别技术和NB-IoT技术的远程抄表方法，其特征在于，包括加装在现有水表上的一个水表盘面数字图像识别装置，所述图像识别装置包括单片机、以及分别与所述单片机电连接的摄像头、数据存储器、LCD液晶显示屏和无线传输模块，所述方法包括以下步骤：
S1、摄像头按预设周期采集水表表盘图像数据，并将所述表盘图像数据实时显示在LCD液晶显示屏上；
所述预设周期可按照抄表需求自行设定，单片机在接收到抄表指令后驱动摄像头对水表表盘字轮区域拍照，并将拍到的图像显示在LCD液晶显示屏上。例如，STM32单片机控制OV7725摄像头模块进行图像采集的流程为：初始化系统，在系统中设置一个计数器，第一次帧同步信号到来时，置写使能信号FIFO_WEN为1，允许OV7725向FIFO写入图像数据，同时计数器加1。当下一个中断信号到来时，禁止OV7725向FIFO写入数据，同时计数器加1。在主函数中，通过循环检测计数器是否为2判断是否可以从FIFO中读取数据，若计数器为2，则代表数据已经缓存在FIFO中，此时可以进行数据读取操作。读取完成后，重新将计数器置1，通过以上步骤即完成1帧图像数据的存储。后续重复中断过程即可。
S2、根据所述摄像头的帧中断数据将采集到的所述表盘图像数据至数据存储器中；
所述数据存储器为外置SD存储卡，通过移植入的Fat文件系统，对存储设备进行管理。
S3、对所述表盘图像数据依次进行图像预处理、倾斜矫正、字轮区域精确定位、字轮区域字符分割；
可选的，步骤S3所述的图像预处理具体过程为：
灰度化：通过位运算获取所述表盘图像数据中像素的红色R、绿色G和蓝色B的数值，然后利用心理学公式Gray＝R*0.299+G*0.587+B*0.114计算灰度值Gray，然后将表盘图像以灰度位图的形式保存下来；
边缘化：采用Canny边缘检测算法提取图像边缘信息，首先用Sobel算子模板进行高斯平滑处理，算出每一点的梯度向量(Gx,Gy)，将当前点的梯度与其梯度方向上梯度相比较，进行非极大值抑制处理得到定位准确的单像素的边缘，最后通过设置高低双阈值的方法去除伪边缘；根据梯度向量(Gx,Gy)可知梯度值G和方向θ为：
Figure BDA0001813682140000121
二值化：采用Otsu算法将图像中的像素的灰度级按阈值划分为背景部分和目标部分，过滤掉杂乱的边缘。所述阈值的计算方式为：记f(i,j)为M×N图像(i,j)点处的灰度值，灰度级为m，假设f(i,j)取值[0,m-1]，记p(k)为灰度值为k的频率，则有：
Figure BDA0001813682140000122
设使用t为阈值时的目标与背景分别为:{f(i,j)≤t}和{f(i,j)＞t}，则目标部分比例
Figure BDA0001813682140000123
目标部分点数
Figure BDA0001813682140000124
背景部分比例
Figure BDA0001813682140000125
背景部分点数
Figure BDA0001813682140000126
则目标均值
Figure BDA0001813682140000127
背景均值
Figure BDA0001813682140000128
总均值μ＝ω0(t)μ0(t)+ω1(t)μ1(t)，计算得到图像最佳阈值g为：
Figure BDA0001813682140000129
可选的，步骤S3所述倾斜校正、字轮区域精确定位、字轮区域字符分割的具体过程为：
通过Hough变换将直角坐标空间中的点映射到参数空间中，检测出预处理后的图像的字轮区域上下边框直线，然后计算出该直线与水平轴的夹角作为倾斜角，最后根据倾斜角对所述预处理后的图像进行旋转变换实现倾斜校正；
将倾斜矫正后的图像再次进行灰度化、Otsu二值化操作，将图片的背景信息去除，根据图像白色像素点的分布设定初始矩形区域，改变窗口区域，统计改变前后区域内白色像素点个数的差值，根据所述差值及预设阈值来判断字轮区域的边界，得到字轮区域精确定位；若所述差值大于预设阈值，继续向同一方向扩大窗口区域，若前后两次的白色像素点的个数差值小于所述预设阈值，即得到所述方向上的边界，根据此方法可确定其他方向上的边界，从而得到字轮区域精确定位；
按照宽度等比例切分的方案对字轮区域的字符分割。
在倾斜校正过程中，首先用Hough变换将直角坐标空间中的点映射到参数空间中。在实际应用中，直线方程的斜率——截距式y-mx-c＝0不能表示形如x＝a这种直线，因此为了解决垂直直线的斜率为无穷大这一问题，前人将极坐标引入霍夫变换，变换函数如下：ρ＝xcosθ+ysinθ，也可以表示成如下形式：
Figure BDA0001813682140000131
其中，ρ为原点到直线的法线距离；θ为该法线与X轴正方向所成夹角。这样，直角坐标系空间中任何一点(xi,yi)将对应参数空间中的一条正弦曲线。对直角坐标系中所有的点进行霍夫变换后，再对参数空间求最大值，就可以获取到原直角坐标系中直线的参数，从而检测出预处理后的图像的字轮区域上下边框直线，进行倾斜校正。
S4、采用基于BP神经网络的数字识别算法识别所述分割后的字轮区域字符，得到表盘读数；
可选的，步骤S4中所述基于BP神经网络的字轮数字识别算法已预先训练好BP神经网络，得到对应的权值、阈值矩阵，并在所述水表盘面数字图像识别装置安装时已预先将所述权值阈值矩阵保存至所述水表盘面数字图像识别装置的数据存储器中，所述权值、阈值矩阵的获取方式为：
预先采集预设数量的表盘字轮区域图像作为样本集，将所述样本集中的图像同样经过步骤S2所述的处理过程之后，再通过图像的伸缩变换做规范化处理得到BMP位图；
将所述BMP位图中的每个像素作为输入，采用如下公式计算隐藏层神经元个数h：
Figure BDA0001813682140000141
公式中，i表示输入层神经元个数，O表示输出层神经元个数；
选取所述规范化处理后的样本集中第一数量的图像作为训练样本，其余图像作为测试样本，用所述训练样本在上位机上训练数字识别的BP神经网络；
训练成功后用所述测试样本对训练的神经网络做测试，得出测试识别率；
若测试识别率大于预设的识别率阈值，将训练得到的权值、阈值矩阵以文本文件的形式保存到数据存储器中。
所述阈值、权值矩阵为预先采集大量表盘字轮区域图像经过图像预处理、倾斜校正、字轮区域精确定位及字轮区域字符分割，最后经过BP神经网络训练得到，以文本文件的形式预先保存在SD卡中，最后将带有此SD卡的数字图像识别装置安装到原来的水表上，该装置即以预设周期开始抄表工作。采集到的表盘图像经过步骤S2的处理后，再统一像素大小，然后直接根据SD卡中保存的权值阈值矩阵进行表盘读数识别。
可选的，所述步骤S4的具体过程为：通过图像的伸缩变换将待识别的所述分割后的字轮区域字符位图规范为预定像素大小，同时采用最大值法将图片灰度信息统一为0～1之间的小数；读取所述规范化处理后的待识别字轮区域字符位图的像素数据作为BP神经网络的输入，并利用数据存储器中保存的权值和阈值矩阵进行前向计算，在输出层的各个节点中，取最大值所在的节点作为神经网络数字识别的结果。
S5、利用NB-IoT技术将所述表盘读数发送到透传云服务器上。
本实施例中，STM32单片机通过串口发送AT指令给NB-IoT无线传输模块，然后向透传云平台发送数据的。通过USART串口向NB-IoT模块发送AT指令，NB-IoT模块接收到并解析AT指令后将数据发送到服务器。如果接收到的数据中包含“OK”，代表AT指令发送成功，否则需要重新发送AT指令。
图3为步骤S3所述的图像处理过程的流程图，依次包括：步骤310：灰度化；步骤320：边缘化；步骤330：Ostu二值化；步骤340：倾斜校正；步骤350：字轮区域精确定位；步骤360：字符分割。图像处理的详细过程请参见上述方法中步骤S2相关说明，在此不再赘述。
图4为与图3的图像处理过程相对应的图像处理结果图，其中图4(a)为灰度化结果图，图4(b)为边缘化结果图，图4(c)为Ostu二值化结果图，图4(d)为倾斜校正结果图，图4(e)为字轮区域精确定位结果图，图4(f)为字符分割结果图。
参见图5，本发明提供一种基于图像识别技术和NB-IoT技术的远程抄表系统，其特征在于，包括加装在现有水表上的一个水表盘面数字图像识别装置，所述图像识别装置包括单片机、以及分别与所述单片机电连接的摄像头、数据存储器、LCD液晶显示屏和无线传输模块，所述系统包括以下内容：
图像采集模块510：用来按预设周期对水表表盘字轮区域拍照，采集表盘图像数据，并显示在LCD液晶显示屏上；
数据存储模块520：用于保存采集到的所述表盘图像数据，并预先保存训练好的BP神经网络的权值、阈值矩阵；
数据处理模块530：用于对所述表盘图像数据依次进行图像预处理、倾斜矫正、表盘字轮区域的定位、字轮区域字符分割；
图像识别模块540：用于采用基于BP神经网络识别算法识别数据处理模块处理得到的字轮区域图像，得到表盘读数；
无线传输模块550：用于利用NB-IoT技术将识别出的所述表盘读数发送到透传云服务器上。
在上述装置中，所述数据处理模块530包括：
图像预处理单元：用于将图像进行灰度化、边缘化、二值化；
倾斜矫正单元：用于通过Hough变换将直角坐标空间中的点映射到参数空间中，检测出预处理后的图像的字轮区域上下边框直线，然后计算出该直线与水平轴的夹角作为倾斜角，最后根据倾斜角对所述预处理后的图像进行旋转变换实现倾斜校正；
字轮区域定位单元：用于将倾斜矫正后的图像再次进行灰度化、Otsu二值化操作，将图片的背景信息去除，得到字轮区域精确定位；
字符分割单元：用于按照宽度等比例切分的方案对字轮区域的字符分割。
在上述装置中，所述图像识别模块540根据所述数据存储模块520中预先保存的训练好的BP神经网络的权值、阈值矩阵进行图像识别，所述权值，阈值矩阵的获取方式包括：
处理单元：预先采集预设数量的字轮区域图像作为样本集，将所述样本集中的图像同样经过数据处理模块所述的处理过程之后，通过图像的伸缩变换做规范化处理得到BMP位图；
计算单元：将所述BMP位图中的每个像素作为输入，采用如下公式计算隐藏层神经元个数h：
Figure BDA0001813682140000171
公式中，i表示输入层神经元个数，O表示输出层神经元个数；
训练单元：选取所述规范化处理后的样本集中第一数量的图像作为训练样本，其余图像作为测试样本，用所述训练样本在上位机上训练数字识别的BP神经网络；
测试单元：训练成功后用所述测试样本对训练的神经网络做测试，得出测试识别率；
移植单元：若测试识别率大于预设的识别率阈值，将训练得到的权值、阈值矩阵以文本文件的形式保存到数据存储模块中。
在上述装置中，所述图像识别模块540具体包括以下内容：
规范化单元：通过图像的伸缩变换将待识别的所述分割后的字轮区域字符位图规范为预定像素大小，同时采用最大值法将图片灰度信息统一为0～1之间的小数；
识别单元：读取所述规范化处理后的待识别字轮区域字符位图的像素数据作为BP神经网络的输入，并利用数据存储器中保存的权值和阈值矩阵进行前向计算，在输出层的各个节点中，取最大值所在的节点作为神经网络数字识别的结果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种基于图像识别技术和NB-IoT技术的远程抄表方法，其特征在于，包括加装在现有水表上的一个水表盘面数字图像识别装置，所述图像识别装置包括单片机、以及分别与所述单片机电连接的摄像头、数据存储器、LCD液晶显示屏和无线传输模块，所述方法包括以下步骤：
S1、摄像机按预设周期采集水表表盘图像数据，并将所述表盘图像数据实时显示在LCD液晶显示屏上；
S2、根据所述摄像机的帧中断数据将所述采集到的表盘图像数据至数据存储器中；
S3、对所述表盘图像数据依次进行图像预处理、倾斜矫正、字轮区域精确定位、字轮区域字符分割；
步骤S3所述的图像预处理具体过程为：
灰度化：通过位运算获取所述表盘图像数据中像素的红色R、绿色G和蓝色B的数值，然后利用公式Gray＝R*0.299+G*0.587+B*0.114计算灰度值Gray，然后将表盘图像以灰度位图的形式保存下来；
边缘化：采用Canny边缘检测算法提取图像边缘信息，首先用Sobel算子模板进行高斯平滑处理，算出每一点的梯度向量(Gx,Gy)，将当前点的梯度与其梯度方向上梯度相比较，进行非极大值抑制处理得到定位准确的单像素的边缘，最后通过设置高低双阈值的方法去除伪边缘；
二值化：采用Otsu算法将图像中的像素的灰度级按阈值划分为背景部分和目标部分，过滤掉杂乱的边缘；
步骤S3所述倾斜校正、字轮区域精确定位、字轮区域字符分割的具体过程为：
通过Hough变换将直角坐标空间中的点映射到参数空间中，检测出预处理后的图像的字轮区域上下边框直线，然后计算出该直线与水平轴的夹角作为倾斜角，最后根据倾斜角对所述预处理后的图像进行旋转变换实现倾斜校正；
将倾斜矫正后的图像再次进行灰度化、Otsu二值化操作，将图片的背景信息去除，根据图像白色像素点的分布设定初始矩形区域，改变窗口区域，统计改变前后区域内白色像素点个数的差值，根据所述差值及预设阈值来判断字轮区域的边界，得到字轮区域精确定位；
按照宽度等比例切分的方案对字轮区域的字符分割；
S4、采用基于BP神经网络的数字识别算法识别所述分割后的字轮区域字符，得到表盘读数，所述基于BP神经网络的数字识别算法为，通过图像的伸缩变换将待识别的所述分割后的字轮区域字符位图规范为预定像素大小，同时采用最大值法将图片灰度信息统一为0～1之间的小数；读取所述规范化处理后的待识别字轮区域字符位图的像素数据作为BP神经网络的输入，并利用数据存储器中保存的权值和阈值矩阵进行前向计算，在输出层的各个节点中，取最大值所在的节点作为神经网络数字识别的结果；S5、利用NB-IoT技术将所述表盘读数发送到透传云服务器上；
步骤S4中所述基于BP神经网络的字轮数字识别算法已预先训练好BP神经网络，得到对应的权值、阈值矩阵，并在所述水表盘面数字图像识别装置安装时已预先将所述权值阈值矩阵保存至所述水表盘面数字图像识别装置的数据存储器中，所述权值、阈值矩阵的获取方式为：
预先采集预设数量的表盘字轮区域图像作为样本集，将所述样本集中的图像同样经过步骤S2所述的处理过程之后，再通过图像的伸缩变换做规范化处理得到BMP位图；
将所述BMP位图中的每个像素作为输入，采用如下公式计算隐藏层神经元个数h：
Figure FDA0002976862510000031
公式中，i表示输入层神经元个数，o表示输出层神经元个数；
选取所述规范化处理后的样本集中第一数量的图像作为训练样本，其余图像作为测试样本，用所述训练样本在上位机上训练数字识别的BP神经网络；
训练成功后用所述测试样本对训练的神经网络做测试，得出测试识别率；
若测试识别率大于预设的识别率阈值，将训练得到的权值、阈值矩阵以文本文件的形式保存到数据存储器中。
2.一种基于图像识别技术和NB-IoT技术的远程抄表系统，其特征在于，包括加装在现有水表上的一个水表盘面数字图像识别装置，所述图像识别装置包括单片机、以及分别与所述单片机电连接的摄像头、数据存储器、LCD液晶显示屏和无线传输模块，所述系统包括以下内容：
图像采集模块：用来按预设周期对水表表盘字轮区域拍照，采集表盘图像数据，并显示在LCD液晶显示屏上；
数据存储模块：用于保存所述采集到的表盘图像数据，并预先保存训练好的BP神经网络的权值、阈值矩阵；
数据处理模块：用于对所述表盘图像数据依次进行图像预处理、倾斜矫正、字轮区域精确定位、字轮区域字符分割；
所述数据处理模块包括：
图像预处理单元：用于将图像进行灰度化、边缘化、二值化；
倾斜矫正单元：用于通过Hough变换将直角坐标空间中的点映射到参数空间中，检测出预处理后的图像的字轮区域上下边框直线，然后计算出该直线与水平轴的夹角作为倾斜角，最后根据倾斜角对所述预处理后的图像进行旋转变换实现倾斜校正；
字轮区域定位单元：用于将倾斜矫正后的图像再次进行灰度化、Otsu二值化操作，将图片的背景信息去除，根据图像白色像素点的分布设定初始矩形区域，改变窗口区域，统计改变前后区域内白色像素点个数的差值，根据所述差值及预设阈值来判断字轮区域的边界，得到字轮区域精确定位；
字符分割单元：用于按照宽度等比例切分的方案对字轮区域的字符分割；
图像识别模块：用于采用基于BP神经网络识别算法识别所述数据处理模块处理得到的字轮区域图像，得到表盘读数；
无线传输模块：用于利用NB-IoT技术将所述表盘读数发送到透传云服务器上；
所述图像识别模块具体包括以下内容：通过图像的伸缩变换将所述分割后的字轮区域字符位图规范为预定像素大小，同时采用最大值法将图片灰度信息统一为0～1之间的小数，读取所述规范化处理后的字轮区域字符位图的像素数据作为BP神经网络的输入，并利用所述数据存储中保存的权值和阈值矩阵进行前向计算，在输出层的各个节点中，取最大值所在的节点作为神经网络数字识别的结果；
所述图像识别模块根据所述数据存储模块中预先保存的训练好的BP神经网络的权值、阈值矩阵进行图像识别，所述权值、阈值矩阵的获取方式为：
处理单元：预先采集预设数量的字轮区域图像作为样本集，将所述样本集中的图像同样经过数据处理模块所述的处理过程之后，通过图像的伸缩变换做规范化处理得到BMP位图；
计算单元：将所述BMP位图中的每个像素作为输入，采用如下公式计算隐藏层神经元个数h：
Figure FDA0002976862510000051
公式中，i表示输入层神经元个数，O表示输出层神经元个数；
训练单元：选取所述规范化处理后的样本集中第一数量的图像作为训练样本，其余图像作为测试样本，用所述训练样本在上位机上训练数字识别的BP神经网络；
测试单元：训练成功后用所述测试样本对训练好的神经网络做测试，得出测试识别率；
移植单元：若测试识别率大于预设的识别率阈值，将训练得到的权值、阈值矩阵以文本文件的形式保存到所述数据存储模块中。
CN201811131481.4A 2018-09-27 2018-09-27 基于图像识别技术和NB-IoT技术的远程抄表方法及系统 Active CN109360396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811131481.4A CN109360396B (zh) 2018-09-27 2018-09-27 基于图像识别技术和NB-IoT技术的远程抄表方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811131481.4A CN109360396B (zh) 2018-09-27 2018-09-27 基于图像识别技术和NB-IoT技术的远程抄表方法及系统

Publications (2)

Publication Number Publication Date
CN109360396A CN109360396A (zh) 2019-02-19
CN109360396B true CN109360396B (zh) 2021-07-30

Family

ID=65348020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811131481.4A Active CN109360396B (zh) 2018-09-27 2018-09-27 基于图像识别技术和NB-IoT技术的远程抄表方法及系统

Country Status (1)

Country Link
CN (1) CN109360396B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188746A (zh) * 2019-04-19 2019-08-30 南京大学 一种面向数字液晶的分割和识别方法
CN110287967B (zh) * 2019-06-28 2022-11-25 哈尔滨工业大学 一种基于图像的数字及机械表数字识别方法
CN112395909A (zh) * 2019-08-14 2021-02-23 华晨宝马汽车有限公司 字符识别系统和方法
CN110390331A (zh) * 2019-08-20 2019-10-29 软通动力信息技术有限公司 一种抄表设备和智能电表
CN110781884A (zh) * 2019-10-17 2020-02-11 广西电网有限责任公司电力科学研究院 一种实现电表数据智能读取的方法
CN110991437B (zh) * 2019-11-28 2023-11-14 嘉楠明芯(北京)科技有限公司 字符识别方法及其装置、字符识别模型的训练方法及其装置
CN111027456B (zh) * 2019-12-06 2023-06-20 四川杰森机电有限公司 基于图像识别的机械水表读数识别方法
CN111008629A (zh) * 2019-12-07 2020-04-14 怀化学院 一种基于Cortex-M3的表端数字识别方法
US11176369B2 (en) 2019-12-23 2021-11-16 Ricoh Company, Ltd. Digital monitoring of analog gauges with dynamically configurable thresholds
CN111031222A (zh) * 2019-12-27 2020-04-17 山东厚德测控技术股份有限公司 一种摄像式燃气表字轮实时识别装置及方法
CN111953747A (zh) * 2020-07-28 2020-11-17 河北大学 针对指针式仪表的物联网计量仪器通用系统
CN112040198A (zh) * 2020-09-16 2020-12-04 南通天成现代农业科技有限公司 一种基于图像处理的智能水表读数识别系统与方法
CN112163546A (zh) * 2020-10-13 2021-01-01 珠海格力电器股份有限公司 基于视觉识别系统的水表数值判定方法及装置
CN112464932A (zh) * 2020-11-26 2021-03-09 广东工业大学 水表数值自动读取方法、装置、电子设备及存储介质
CN112749698A (zh) * 2020-12-30 2021-05-04 三川智慧科技股份有限公司 一种5g网络系统
CN112749699A (zh) * 2020-12-30 2021-05-04 三川智慧科技股份有限公司 一种水表的5g网络通讯方法及系统
CN112733842A (zh) * 2020-12-30 2021-04-30 三川智慧科技股份有限公司 一种水表的5g网络系统
TWI801830B (zh) * 2021-03-26 2023-05-11 谷林運算股份有限公司 監控系統及其方法
CN113159172A (zh) * 2021-04-20 2021-07-23 上海济辰水数字科技有限公司 智能水表图像定位训练方法、智能水表识别系统及方法
CN113343969A (zh) * 2021-06-21 2021-09-03 重庆科技学院 一种基于GBS-YOLOv5s的指针式仪表智能数显方法
CN114047471A (zh) * 2021-11-02 2022-02-15 中国南方电网有限责任公司超高压输电公司贵阳局 电能表校验方法、装置、电子设备和存储介质
CN114529906A (zh) * 2022-02-10 2022-05-24 国网河南省电力公司电力科学研究院 基于字符识别的输电设备数字仪表异常检测方法及系统
CN116279554B (zh) * 2023-01-15 2024-02-13 润芯微科技(江苏)有限公司 基于图像识别及移动位置服务调整驾驶策略的系统及方法
CN116246265B (zh) * 2023-05-12 2023-08-08 威海凯思信息科技有限公司 一种基于图像处理的物业管理方法和装置
CN116309593B (zh) * 2023-05-23 2023-09-12 天津市中西医结合医院（天津市南开医院） 基于数学模型的肝脏穿刺活检b超图像处理方法及系统
CN116645682B (zh) * 2023-07-24 2023-10-20 济南瑞泉电子有限公司 一种水表表盘数字识别方法及系统
CN117351477A (zh) * 2023-10-27 2024-01-05 重庆富世恒睿物联网科技有限公司 一种嵌入式水表读数识别方法、识别装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079094A (zh) * 2007-04-30 2007-11-28 中国科学院合肥物质科学研究院 用于远程自动抄表系统的计量表读数识别装置
CN101581590A (zh) * 2008-05-14 2009-11-18 李刚 低功耗摄像直读抄表及远传装置
CN103136532A (zh) * 2011-11-22 2013-06-05 深圳信息职业技术学院 表盘数字图像读取装置及方法
CN104102912A (zh) * 2013-04-02 2014-10-15 秦海勇 一种基于视频图像识别的分项计量能耗数据采集装置及方法
CN106373365A (zh) * 2016-11-02 2017-02-01 山东金米尔仪器科技有限公司 快速识别的摄像式远传水表抄表系统及其读数识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2352356A1 (fr) * 1976-05-21 1977-12-16 Telecommunications Sa Procede et dispositif de telecommande a detection par correlation
CN101408933A (zh) * 2008-05-21 2009-04-15 浙江师范大学 基于粗网格特征提取和bp神经网络的车牌字符识别方法
CN104678963B (zh) * 2015-02-03 2017-07-21 葛武 一种基于计算机视觉的采集仪表设备信息的系统及方法
CN106909941A (zh) * 2017-02-27 2017-06-30 广东工业大学 基于机器视觉的多表字符识别系统及方法
CN207741818U (zh) * 2017-12-28 2018-08-17 重庆市伟岸测器制造股份有限公司 水表信号转换器
CN108376257B (zh) * 2018-02-10 2021-10-29 西北大学 一种燃气表不完整码字识别方法
CN207854059U (zh) * 2018-03-01 2018-09-11 深圳市科中龙科技有限公司 一种基于nbiot的带有图像识别功能的水表盖

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101079094A (zh) * 2007-04-30 2007-11-28 中国科学院合肥物质科学研究院 用于远程自动抄表系统的计量表读数识别装置
CN101581590A (zh) * 2008-05-14 2009-11-18 李刚 低功耗摄像直读抄表及远传装置
CN103136532A (zh) * 2011-11-22 2013-06-05 深圳信息职业技术学院 表盘数字图像读取装置及方法
CN104102912A (zh) * 2013-04-02 2014-10-15 秦海勇 一种基于视频图像识别的分项计量能耗数据采集装置及方法
CN106373365A (zh) * 2016-11-02 2017-02-01 山东金米尔仪器科技有限公司 快速识别的摄像式远传水表抄表系统及其读数识别方法

Also Published As

Publication number Publication date
CN109360396A (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
CN109360396B (zh) 基于图像识别技术和NB-IoT技术的远程抄表方法及系统
Liu et al. A detection and recognition system of pointer meters in substations based on computer vision
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN109635806B (zh) 基于残差网络的电表数值识别方法
CN107103320B (zh) 嵌入式医疗数据图像识别及集成方法
CN110728234A (zh) 驾驶员人脸识别方法、系统、设备及介质
CN105513038A (zh) 图像匹配方法及手机应用测试平台
CN111368717A (zh) 视线确定方法、装置、电子设备和计算机可读存储介质
CN107895377B (zh) 一种前景目标提取方法、装置、设备及存储介质
CN111444781A (zh) 一种水表读数识别方法、设备及存储介质
CN115409881A (zh) 图像处理方法、装置及设备
CN105447879A (zh) 乳房图像中检测胸肌的方法及装置
CN112014413A (zh) 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法
CN115239700A (zh) 一种脊椎Cobb角测量方法、装置、设备及存储介质
CN115272664A (zh) 仪表盘示数展示方法、装置、电子设备和存储介质
CN111950345A (zh) 摄像头的识别方法、装置、电子设备和存储介质
CN113642425A (zh) 基于多模态的图像检测方法、装置、电子设备及存储介质
CN109584165A (zh) 一种数字图像的矫正方法、装置、介质及电子设备
CN110969084B (zh) 一种关注区域检测方法、装置、可读存储介质及终端设备
CN117234357A (zh) 一种触摸屏多点触摸识别方法、装置及电子设备
CN110210401B (zh) 一种弱光下的目标智能检测方法
CN109141457B (zh) 导航评估方法、装置、计算机设备和存储介质
CN115861801A (zh) 指针式仪表识别方法、系统、电子设备及可读存储介质
CN102004537B (zh) 系统上下电控制装置和方法

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
TR01 Transfer of patent right

Effective date of registration: 20230705

Address after: No. 13, Lantai Road, Yichang District, China (Hubei) Free Trade Zone, Yichang City, Hubei Province, 443005

Patentee after: HUBEI SENS TECHNOLOGY Co.,Ltd.

Address before: 434023 No. 1 South Ring Road, Jingzhou District, Hubei, Jingzhou

Patentee before: Yangtze University

TR01 Transfer of patent right