CN110717462B - 数字仪表读数识别方法、装置、设备和介质 - Google Patents
数字仪表读数识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN110717462B CN110717462B CN201910969403.XA CN201910969403A CN110717462B CN 110717462 B CN110717462 B CN 110717462B CN 201910969403 A CN201910969403 A CN 201910969403A CN 110717462 B CN110717462 B CN 110717462B
- Authority
- CN
- China
- Prior art keywords
- instrument
- image
- model
- digital
- current digital
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数字仪表读数识别方法、装置、设备和介质。其中方法包括：将当前数字仪表的仪表图像输入图像识别模型，得到当前数字仪表的读数，图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的；将仪表图像和仪表图像的识别结果发送至服务器，通过服务器确定识别结果的精度；若识别结果的精度小于精度阈值，则服务器基于当前数字仪表的仪表图像样本集对图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于精度阈值，用于采用调整后的图像识别模型对当前数字仪表的仪表图像进行识别。本发明简化了图像识别操作，提高了图像识别算法的自适应能力及数字仪表读数的识别准确度。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种数字仪表读数识别方法、装置、设备和介质。
背景技术
数字仪表读数识别在各种测量和监测系统中具有广泛的应用。例如，水表、燃气表及电表等抄表计费应用中，需要定期读取仪表读数。
一种识别仪表读数方式是对采集的仪表图像进行灰度化、二值化、仪表盘定位、数字区域定位等一系列处理，并基于仪表类型人为调整识别算法的相关参数，然后利用调整后的识别算法对处理后的仪表图像进行识别，以识别仪表读数。然而，利用上述方式识别仪表读数时，不仅操作繁琐，且需要人为参与调整识别算法参数，使得识别算法的自适应能力差，识别结果准确度低。
发明内容
本发明实施例提供一种数字仪表读数识别方法、装置、设备和介质，简化了图像识别操作，提高了图像识别算法的自适应能力及数字仪表读数的识别准确度，提升了用户体验。
第一方面，本发明实施例提供了一种数字仪表读数识别方法，该方法包括：
将当前数字仪表的仪表图像输入图像识别模型，以得到所述当前数字仪表的读数，其中，所述图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的；
将所述仪表图像和所述仪表图像的识别结果发送至服务器，以通过所述服务器确定所述识别结果的精度；
若所述识别结果的精度小于精度阈值，则所述服务器基于所述当前数字仪表的仪表图像样本集对所述图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于所述精度阈值，用于采用调整后的图像识别模型对所述当前数字仪表的仪表图像进行识别。
第二方面，本发明实施例还提供了一种数字仪表读数识别装置，该装置包括：
图像识别模块，用于将当前数字仪表的仪表图像输入图像识别模型，以得到所述当前数字仪表的读数，其中，所述图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的；
精度确定模块，用于将所述仪表图像和所述仪表图像的识别结果发送至服务器，以通过所述服务器确定所述识别结果的精度；
模型调整模块，用于若所述识别结果的精度小于精度阈值，则所述服务器基于所述当前数字仪表的仪表图像样本集对所述图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于所述精度阈值，用于采用调整后的图像识别模型对所述当前数字仪表的仪表图像进行识别。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任一实施例所述的数字仪表读数识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时以实现本发明任一实施例所述的数字仪表读数识别方法。
本发明实施例公开的技术方案，具有如下有益效果：
通过将当前数字仪表的仪表图像输入图像识别模型，以得到当前数字仪表的读数，并将仪表图像及仪表图像的识别结果发送至服务器，通过服务器确定识别结果的精度，若识别结果的精度小于精度阈值，则服务器基于当前数字仪表的仪表图像集对图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于精度阈值，然后采用调整后的图像识别模型对当前数字仪表的仪表图像进行识别。由此，简化了图像识别操作，提高了图像识别算法的自适应能力及数字仪表读数的识别准确度，提升了用户体验。
附图说明
图1是本发明实施例提供的一种数字仪表读数识别方法的流程示意图；
图2是本发明实施例提供的一种生成图像识别模型的流程示意图；
图3是本发明实施例提供的一种数字仪表读数识别装置的结构示意图；
图4是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。
本发明实施例针对相关技术中，利用人为调整相关参数的识别算法对预处理后的仪表图像进行识别，存在的操作繁琐，且需要人为参与，使得识别算法自适应性能力差，识别结果准确度低的问题，提出一种数字仪表读数识别方法。
本发明实施例，通过将当前数字仪表的仪表图像输入图像识别模型，得到当前数字仪表的读数，并将仪表图像及仪表图像的识别结果发送至服务器，通过服务器确定识别结果的精度，若识别结果的精度小于精度阈值，则服务器基于当前数字仪表的仪表图像样本集对图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于精度阈值，然后利用调整后的图像识别模型对当前数字仪表的仪表图像进行识别。由此，简化了图像识别操作，提高了图像识别算法的自适应能力及数字仪表读数的识别准确度，提升了用户体验。
下面参考附图对本发明实施例的数字仪表读数识别方法、装置、设备和介质进行详细说明。
图1是本发明实施例提供的一种数字仪表读数识别方法的流程示意图，本实施例可适用于识别数字仪表读数的场景，该方法可以由数字仪表读数识别装置来执行，该数字仪表读数识别装置可由硬件和/或软件组成，并一般可集成于计算机设备中，该计算机设备可以是任意具有数据处理功能的设备。该数字仪表读数识别方法具体包括如下：
S101，将当前数字仪表的仪表图像输入图像识别模型，以得到所述当前数字仪表的读数，其中，所述图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的。
在执行S101之前，本实施例可首先利用与计算机设备建立连接的摄像头，或者计算机设备自身配置的摄像头，采集当前数字仪表的仪表图像。其中，摄像头可为支持调节角度的摄像头，从而可实现通过调整摄像头角度，以采集效果最佳的仪表图像，为后续识别仪表图像中读数提供有利条件。
进一步的，在采集当前数字仪表的仪表图像时，本实施例还可确定当前数字仪表所处环境的光线强度是否低于预设的强度阈值，若低于则说明当前数字仪表所处环境光线暗，此时可通过向LED灯发送控制指令，开启LED灯以增加光照强度，从而提高采集仪表图像的效果；或者，还可确定当前数字仪表的显示屏所处状态，若显示屏的显示状态处于熄屏状态，则向机械臂发送控制指令，以通过控制机械臂伸展点亮当前数字仪表的显示屏。本实施例中的机械臂可根据控制指令进行伸展和收缩，实现对处于熄屏状态的数字仪表进行点亮操作。
也就是说，本实施例在采集当前数字仪表的仪表图像时，还包括：
若当前数字仪表所处环境的光线强度低于强度阈值，则控制LED灯开启；或者，
若所述数字仪表处于熄屏状态，则控制机械臂点亮所述数字仪表的显示屏。
在采集到当前数字仪表的仪表图像之后，可将仪表图像输入图像识别模型中，以通过图像识别模型对上述仪表图像进行识别，得到当前数字仪表的读数。
优选的，本实施例中图像识别模型是从服务器端获取的，其中对于本实施例中图像识别模型的生成过程，将在下面的示例中进行详细说明，此处对其不作过多赘述。
也就是说，本实施例中通过服务器根据至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练生成图像识别模型，使得计算机设备仅需从服务器端获取图像识别模型进行使用，而无需在自身处理单元中进行训练，从而能够减轻计算机设备的处理负担，提高计算机设备识别仪表图像的速度。
S102，将所述仪表图像和所述仪表图像的识别结果发送至服务器，以通过所述服务器确定所述识别结果的精度。
S103，若所述识别结果的精度小于精度阈值，则所述服务器基于所述当前数字仪表的仪表图像样本集对所述图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于所述精度阈值，用于采用调整后的图像识别模型对所述当前数字仪表的仪表图像进行识别。
其中，精度阈值可根据实际应用需求进行适应性设置，此处对其不做具体限定。
可选的，利用图像识别模型得到仪表图像的识别结果之后，可将仪表图像及仪表图像的识别结果发送给服务器，使得服务器首先根据时间段数值变化规则筛选不符合规则的数据(例如一小时内数值变化量超过规定限值)，以将其进行剔除，对符合规则的识别结果的图像进行标注，标注结果和识别结果进行自动比对得到识别精度，将识别结果的精度与精度阈值进行比对，若确定识别结果的精度小于精度阈值，则说明利用当前图像识别模型无法准确识别出当前数字仪表的读数。
对此，本实施例中服务器可将当前数字仪表的仪表图像样本集作为训练集，对图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于精度阈值，然后可将调整后的图像识别模型下发给计算机设备；或者，计算机设备从服务器端获取调整后的图像识别模型，对当前数字仪表的仪表图像进行识别操作，从而实现对通用的图像识别模型进行有针对性的调整，以使调整后的图像模型更适合当前数字仪表类型，从而利用调整后的图像识别模型对当前数字仪表的仪表图像进行识别可提高识别精度和准确度。
其中，当前数字仪表的仪表图像样本集可以是从存储有该数字仪表的仪表图像数据库中直接获取，也可以是对当前数据仪表的仪表图像进行实时采集，并对采集的每张仪表图像进行标注，得到当前数字仪表的仪表图像样本集，以使服务器基于该仪表图像样本集对通用的图像识别模型进行模型调整。
可以理解的是，本发明实施例通过利用至少两种数字仪表的仪表图像样本集训练一个通用的图像识别模型，并利用该通用的图像识别模型对任一类型的数字仪表的仪表图像进行识别，并将仪表图像和仪表图像的识别结果发送给服务器，以使服务器确定识别结果的精度是否达到精度阈值。若达到则说明通用图像识别模型适用当前数字仪表类型，对应识别的仪表读数即为最终的读数；若未达到则说明通用图像识别模型不适用于当前数字仪表类型，此时基于当前数字仪表类型的仪表图像样本集，对通用图像识别模型进行有针对性的模型调整，以使调整后的图像识别模型适合当前数字仪表类型，进而根据该调整后的图像识别模型对当前数字仪表的仪表图像进行识别，得到当前数字仪表的读数，使得获取的数字仪表读数更准确可靠，提高图像识别模型的自适应能力。
本发明实施例提供的数字仪表读数识别方法，通过将当前数字仪表的仪表图像输入图像识别模型，以得到当前数字仪表的读数，并将仪表图像和仪表图像的识别结果发送至服务器，通过服务器确定识别结果的精度，若识别结果的精度小于精度阈值，则服务器基于当前数字仪表的仪表图像集对图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于精度阈值，然后采用调整后的图像识别模型对当前数字仪表的仪表图像进行识别。由此，简化了图像识别操作，提高了图像识别算法的自适应能力及数字仪表读数的识别准确度，提升了用户体验。
下面结合图2，对本发明实施例数字仪表读数识别方法中，图像识别模型生成过程进行具体说明。
图2是本发明实施例提供的一种生成图像识别模型的流程示意图。如图2所示，该实施例可以包括以下步骤：
步骤201，获取至少两种数字仪表的仪表图像样本集，其中，所述仪表图像样本集中包括至少两张仪表图像及每张仪表图像对应的标注信息。
其中，至少两张仪表图像可根据实际需要获取，例如100张、500张或1万张等等。
可选的，本实施例可通过以下方式获取至少两种数字仪表的仪表图像样本集。
方式一
通过网络爬虫等工具从服务器端获取至少两种数字仪表的仪表图像样本集。
其中，从服务器端获取的至少两种数字仪表的仪表图像样本集中，每张仪表图像对应的标注信息可以是用户人为标注后上传至服务器端的，也可以是服务器利用自身处理规则对每张仪表图像进行处理之后自动标注的，此处对其不做具体限定。
方式二
通过用户收集不同种类数字仪表的仪表图像样本，然后对仪表图像样本进行标注，以得到仪表图像样本集。
其中，用户对收集的不同种类数字仪表的仪表图像样本进行标注时，可对不同种类数字仪表的仪表盘中的每个数值设置一个平面几何图形，得到每个数值的数值图像，例如，长方形、正方向、圆形或者三角形等，并对每个平行几何图形设置对应的标签值，在深度神经网络中建立数值图像与标签值的对应关系，从而根据数值图像可确定标签值，进而根据标签值即可确定数字仪表的仪表盘每个数字图像的数值，以实现对数字仪表判断中读数的识别目的。其中，为每个数字图像设置对应的标签值，可代表数字仪表的每个仪表数字的具体数值。
需要说明的是，本实施例中设置的平面几何图像还可根据仪表盘中数值的显示形式进行调整。例如，斜体的数值设置斜体的几何图像。
例如，利用方框框住仪表盘中数值为1的区域，并设置标签为1，从而后续识别数字仪表的读数时，可将此标签内图像形状相似度高的图像可识别为标签值1，从而将标签值1确定为数字仪表的一个数值。
需要说明的是，上述获取至少两种数字仪表的仪表图像样本集的方式，仅作为对本发明实施例的示例性说明，不作为对本发明的具体限定。
步骤202，基于所述至少两张仪表图像及每张仪表图像对应的标注信息，对神经网络模型进行训练生成图像识别模型。
在本发明实施例中，神经网络模型可以是一个初始神经网络模型，也可以是预先训练网络模型。
其中，若神经网络模型是初始神经网络模型时，则获取大量的仪表图像及每张仪表图像对应的标注信息，对初始神经网络模型进行训练生成图像识别模型。
若神经网络模型时预先训练的神经网络模型，则可获取相较于训练初始神经网络模型仪表图像较少的仪表图像及每张仪表图像对应的标注信息，训练生成图像识别模型。
在实际应用中，对预先训练的神经网络模型进行训练复杂度更低，消耗的时间成本也更低，速度更快。为此，本实施例优选地采用对预先训练的神经网络模型进行训练生成图像识别模型。
可选的，可将获取的至少两种数字仪表的仪表图像样本集进行划分，以将仪表图像样本集划分为：训练集、测试集及校验集。然后，利用训练集对神经网络模型进行训练，通过校验集对训练生成的图像识别模型进行校验，并利用测试集对训练生成的图像识别模型进行测试，得到最终的图像识别模型。
其中，本发明实施例中对神经网络模型进行训练时，基于深度学习框架Tensorflow，采用轻量级深度神经网络结构训练神经网络模型。其中，轻量级深度神经网络结构包括如下至少一种：MobileNet V1、MobileNet V2及MobileNet V3。进一步的，计算机设备从服务器端获取图像识别模型之后，可采用轻量级深度学习框架Tensorflow Lite，运行训练后的图像识别模型。
基于上述方式，通过在深度学习框架基础下，采用轻量级深度神经网络结果训练生成图像识别模型，不仅训练速度快，且该图像识别模型使用时运行速度更快。
为了实现上述目的，本发明实施例还提出了一种数字仪表读数识别装置。图3是本发明实施例提供的一种数字仪表读数识别装置的结构示意图。如图3所示，本发明实施例数字仪表读数识别装置300包括：图像识别模块310、精度确定模块312及模型调整模块314。
其中，图像识别模块310，用于将仪表图像输入图像识别模型，以得到所述当前数字仪表的读数，其中，所述图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的；
精度确定模块312，用于将所述仪表图像和所述仪表图像的识别结果发送至服务器，以通过所述服务器确定所述识别结果的精度；
模型调整模块314，用于若所述识别结果的精度小于精度阈值，则所述服务器基于所述当前数字仪表的仪表图像样本集对所述图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于所述精度阈值，采用调整后的图像识别模型对所述当前数字仪表的仪表图像进行识别。
作为本发明实施例的一种可选的实现方式，数字仪表读数识别装置300，还包括：样本集获取模块和模型训练模块：
其中，样本集获取模块，用于获取至少两种数字仪表的仪表图像样本集，其中，所述仪表图像样本集中包括至少两张仪表图像及每张仪表图像对应的数字标注信息；
模型训练模型，用于基于所述至少两张仪表图像及每张仪表图像对应的数字标注信息，对神经网络模型进行训练生成图像识别模型。
作为本发明实施例的一种可选的实现方式，图像识别模型的网络结构为轻量级深度神经网络结构。
作为本发明实施例的一种可选的实现方式，所述数字仪表读数识别装置300还包括：控制模块。
其中，控制模块，用于若当前数字仪表所处环境的光线强度低于强度阈值，则控制LED灯开启；或者，若当前数字仪表处于熄屏状态，则控制机械臂点亮所述当前数字仪表的显示屏。
需要说明的是，前述对数字仪表读数识别方法实施例的解释说明也适用于该实施例的数字仪表读数识别装置，其实现原理类似，此处不再赘述。
本发明实施例提供的数字仪表读数识别装置，通过将当前数字仪表的仪表图像输入图像识别模型，以得到当前数字仪表的读数，并将仪表图像和仪表图像的识别结果发送至服务器，通过服务器确定识别结果的精度，若识别结果的精度小于精度阈值，则服务器基于当前数字仪表的仪表图像集对图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于精度阈值，然后获取调整后的图像识别模型，并采用调整后的图像识别模型对当前数字仪表的仪表图像进行识别。由此，简化了图像识别操作，提高了图像识别算法的自适应能力及数字仪表读数的识别准确度，提升了用户体验。
为了实现上述目的，本发明实施例还提出了一种计算机设备。参见图4，本实施例提供了一种计算机设备400，其包括：一个或多个处理器410；存储装置412，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器410执行，使得所述一个或多个处理器410实现本发明实施例所提供的风控规则的控制方法，包括：
将当前数字仪表的仪表图像输入图像识别模型，以得到所述当前数字仪表的读数，其中，所述图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的；
将所述仪表图像和所述仪表图像的识别结果发送至服务器，以通过所述服务器确定所述识别结果的精度；
若所述识别结果的精度小于精度阈值，则服务器基于所述当前数字仪表的仪表图像样本集对所述图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于所述精度阈值，用于采用调整后的图像识别模型对所述当前数字仪表的仪表图像进行识别。
当然，本领域技术人员可以理解，处理器410还可以实现本发明任意实施例所提供的数字仪表读数识别方法的技术方案。
如图4所示，计算机设备400以通用计算设备的形式表现。计算机设备400的组件可以包括但不限于：一个或者多个处理器410，存储装置412，连接不同系统组件(包括存储装置412和处理器410)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置412可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置412可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备400也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头、LED灯、机械臂等)通信，还可与一个或者多个使得用户能与该计算机设备400交互的设备通信，和/或与使得该计算机设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备400还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备400的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器410通过运行存储在存储装置412中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的数字仪表读数识别方法。
需要说明的是，前述对数字仪表读数识别方法实施例的解释说明也适用于该实施例的计算机设备，其实现原理类似，此处不再赘述。
本发明实施例提供的计算机设备，通过将当前数字仪表的仪表图像输入图像识别模型，以得到当前数字仪表的读数，并将仪表图像和仪表图像的识别结果发送至服务器，通过服务器确定识别结果的精度，若识别结果的精度小于精度阈值，则服务器基于当前数字仪表的仪表图像集对图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于精度阈值，然后获取调整后的图像识别模型，并采用调整后的图像识别模型对当前数字仪表的仪表图像进行识别。由此，简化了图像识别操作，提高了图像识别算法的自适应能力及数字仪表读数的识别准确度，提升了用户体验。
为了实现上述目的，本发明还提出了一种计算机可读存储介质。本发明实施例提供的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例的数字仪表读数识别方法，该方法包括：
将当前数字仪表的仪表图像输入图像识别模型，以得到所述当前数字仪表的读数，其中，所述图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的；
将所述仪表图像和所述仪表图像的识别结果发送至服务器，以通过所述服务器确定所述识别结果的精度；
若所述识别结果的精度小于精度阈值，则基于所述当前数字仪表的仪表图像样本集对所述图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于所述精度阈值，用于采用调整后的图像识别模型对所述当前数字仪表的仪表图像进行识别。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储有计算机程序可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的数字仪表读数识别方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Python、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种数字仪表读数识别方法，其特征在于，所述方法包括：
将当前数字仪表的仪表图像输入图像识别模型，以得到所述当前数字仪表的读数，其中，所述图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的；
将所述仪表图像和所述仪表图像的识别结果发送至服务器，以通过所述服务器确定所述识别结果的精度；
若所述识别结果的精度小于精度阈值，则所述服务器基于所述当前数字仪表的仪表图像样本集对所述图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于所述精度阈值，用于采用调整后的图像识别模型对所述当前数字仪表的仪表图像进行识别。
2.根据权利要求1所述的方法，其特征在于，将当前数字仪表的仪表图像输入图像识别模型，以得到所述当前数字仪表的读数之前，还包括：
获取至少两种数字仪表的仪表图像样本集，其中，所述仪表图像样本集中包括至少两张仪表图像及每张仪表图像对应的标注信息；
基于所述至少两张仪表图像及每张仪表图像对应的标注信息，对神经网络模型进行训练生成图像识别模型。
3.根据权利要求1-2任一项所述的方法，其特征在于，图像识别模型的网络结构为轻量级深度神经网络结构。
4.根据权利要求1所述的方法，其特征在于，还包括：
若当前数字仪表所处环境的光线强度低于强度阈值，则控制LED灯开启；或者，
若当前数字仪表处于熄屏状态，则控制机械臂点亮所述当前数字仪表的显示屏。
5.一种数字仪表读数识别装置，其特征在于，包括：
图像识别模块，用于将当前数字仪表的仪表图像输入图像识别模型，以得到所述当前数字仪表的读数，其中，所述图像识别模型是采用至少两种数字仪表的仪表图像样本集，对神经网络模型进行训练而确定的；
精度确定模块，用于将所述仪表图像和所述仪表图像的识别结果发送至服务器，以通过所述服务器确定所述识别结果的精度；
模型调整模块，用于若所述识别结果的精度小于精度阈值，则所述服务器基于所述当前数字仪表的仪表图像样本集对所述图像识别模型进行模型调整，直至调整后的图像识别模型的识别结果的精度大于或者等于所述精度阈值，用于采用调整后的图像识别模型对所述当前数字仪表的仪表图像进行识别。
6.根据权利要求5所述的装置，其特征在于，还包括：
样本集获取模块，用于获取至少两种数字仪表的仪表图像样本集，其中，所述仪表图像样本集中包括至少两张仪表图像及每张仪表图像对应的数字标注信息；
模型训练模型，用于基于所述至少两张仪表图像及每张仪表图像对应的数字标注信息，对神经网络模型进行训练生成图像识别模型。
7.根据权利要求5-6任一项所述的装置，其特征在于，图像识别模型的网络结构为轻量级深度神经网络结构。
8.根据权利要求5所述的装置，其特征在于，还包括：
控制模块，用于若当前数字仪表所处环境的光线强度低于强度阈值，则控制LED灯开启；或者，
若当前数字仪表处于熄屏状态，则控制机械臂点亮所述当前数字仪表的显示屏。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4任一项所述的数字仪表读数识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，以实现如权利要求1-4任一项所述的数字仪表读数识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910969403.XA CN110717462B (zh) | 2019-10-12 | 2019-10-12 | 数字仪表读数识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910969403.XA CN110717462B (zh) | 2019-10-12 | 2019-10-12 | 数字仪表读数识别方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110717462A CN110717462A (zh) | 2020-01-21 |
| CN110717462B true CN110717462B (zh) | 2023-02-28 |
Family
ID=69211495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910969403.XA Active CN110717462B (zh) | 2019-10-12 | 2019-10-12 | 数字仪表读数识别方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110717462B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111928934A (zh) * | 2020-08-06 | 2020-11-13 | 海略(连云港)科技有限公司 | 一种智能读数系统、读数方法及电子秤 |
| 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 |
| CN114067183B (zh) * | 2021-11-24 | 2022-10-28 | 北京百度网讯科技有限公司 | 神经网络模型训练方法、图像处理方法、装置和设备 |
| CN114268621B (zh) * | 2021-12-21 | 2024-04-19 | 东方数科(北京)信息技术有限公司 | 基于深度学习的数字仪表读表方法及装置 |
| CN116563631A (zh) * | 2023-05-12 | 2023-08-08 | 深圳普菲特信息科技股份有限公司 | 一种基于ai的仪表盘视觉识别方法、系统和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304842A (zh) * | 2018-02-01 | 2018-07-20 | 重庆中陆承大科技有限公司 | 水表读数识别方法、装置及电子设备 |
| CN108875739A (zh) * | 2018-06-13 | 2018-11-23 | 深圳市云识科技有限公司 | 一种数显仪表读数的精确检测方法 |
| CN110059677A (zh) * | 2019-04-15 | 2019-07-26 | 北京易达图灵科技有限公司 | 基于深度学习的数字表识别方法及设备 |
| US10402691B1 (en) * | 2018-10-04 | 2019-09-03 | Capital One Services, Llc | Adjusting training set combination based on classification accuracy |
-
2019
- 2019-10-12 CN CN201910969403.XA patent/CN110717462B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304842A (zh) * | 2018-02-01 | 2018-07-20 | 重庆中陆承大科技有限公司 | 水表读数识别方法、装置及电子设备 |
| CN108875739A (zh) * | 2018-06-13 | 2018-11-23 | 深圳市云识科技有限公司 | 一种数显仪表读数的精确检测方法 |
| US10402691B1 (en) * | 2018-10-04 | 2019-09-03 | Capital One Services, Llc | Adjusting training set combination based on classification accuracy |
| CN110059677A (zh) * | 2019-04-15 | 2019-07-26 | 北京易达图灵科技有限公司 | 基于深度学习的数字表识别方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于神经网络的图像识别算法;曾晓娟;《电脑知识与技术》;20150615(第17期);全文 * |
| 变电站指针式仪表检测与识别方法;邢浩强等;《仪器仪表学报》;20171115(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110717462A (zh) | 2020-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717462B (zh) | 数字仪表读数识别方法、装置、设备和介质 | |
| CN107240395B (zh) | 一种声学模型训练方法和装置、计算机设备、存储介质 | |
| CN109117831B (zh) | 物体检测网络的训练方法和装置 | |
| US20190171904A1 (en) | Method and apparatus for training fine-grained image recognition model, fine-grained image recognition method and apparatus, and storage mediums | |
| EP3712805A1 (en) | Gesture recognition method, device, electronic device, and storage medium | |
| US20180293664A1 (en) | Image-based vehicle damage determining method and apparatus, and electronic device | |
| US11676257B2 (en) | Method and device for detecting defect of meal box, server, and storage medium | |
| CN112329696A (zh) | 人脸活体检测方法、系统、设备及存储介质 | |
| CN112801298A (zh) | 异常样本检测方法、装置、设备和存储介质 | |
| CN110084289B (zh) | 图像标注方法、装置、电子设备及存储介质 | |
| CN110135302B (zh) | 训练车道线识别模型的方法、装置、设备和存储介质 | |
| WO2020056995A1 (zh) | 语音流利度识别方法、装置、计算机设备及可读存储介质 | |
| CN104881673A (zh) | 基于信息整合的模式识别的方法和系统 | |
| CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
| CN111797733A (zh) | 一种基于图像的行为识别方法、装置、设备和存储介质 | |
| US20230237763A1 (en) | Image processing method and system | |
| CN113361572A (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
| CN112052840A (zh) | 图片筛选方法、系统、设备及存储介质 | |
| CN113762454A (zh) | 轨迹异常检测方法及装置 | |
| CN110162757B (zh) | 一种表格结构提取方法及系统 | |
| CN110728287A (zh) | 图像识别方法及装置、电子设备、存储介质 | |
| CN112837466B (zh) | 票据识别方法、装置、设备以及存储介质 | |
| CN113936232A (zh) | 一种碎屏识别方法、装置、设备和存储介质 | |
| CN113705763B (zh) | 一种基于神经计算棒的配网变压器实时检测方法及系统 | |
| CN112270169A (zh) | 对白角色预测方法、装置、电子设备及存储介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 200030 first floor, No. 75 Wanping South Road, Xuhui District, Shanghai Patentee after: SHANGHAI BUILDING SCIENCE RESEARCH INSTITUTE Co.,Ltd. Address before: 200032 1st floor, 75 Wanping South Road, Xuhui District, Shanghai Patentee before: SHANGHAI Research Institute OF BUILDING SCIENCES |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231229 Address after: 200030 first floor, No. 75 Wanping South Road, Xuhui District, Shanghai Patentee after: SHANGHAI BUILDING SCIENCE RESEARCH INSTITUTE Co.,Ltd. Patentee after: Shanghai Jianke Equipment Testing Co.,Ltd. Address before: 200030 first floor, No. 75 Wanping South Road, Xuhui District, Shanghai Patentee before: SHANGHAI BUILDING SCIENCE RESEARCH INSTITUTE Co.,Ltd. |
|
| TR01 | Transfer of patent right |