CN110956091A - 电能表识别方法、装置、计算机设备及存储介质 - Google Patents
电能表识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110956091A CN110956091A CN201911070201.8A CN201911070201A CN110956091A CN 110956091 A CN110956091 A CN 110956091A CN 201911070201 A CN201911070201 A CN 201911070201A CN 110956091 A CN110956091 A CN 110956091A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- target image
- confidence
- confidence coefficient
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电能表识别方法、装置、计算机设备及存储介质。涉及图像识别技术领域,该电能表识别方法中,将待识别的目标图像输入至电能表识别网络中,获取所述电能表识别网络输出的电能表置信度和电能表区域置信度,所述电能表置信度用于指示所述目标图像中包括电能表的概率,所述电能表区域置信度用于指示所述目标图像中包括预设类型的电能表的区域的概率;根据所述电能表置信度和所述电能表区域置信度对所述目标图像进行识别,得到识别结果;其中,所述识别结果用于指示所述目标图像是否包括所述预设类型的电能表。本申请实施例提供的电能表识别方法对目标图像的处理更加智能化,工作效率更高。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种电能表识别方法、装置、计算机设备及存储介质。
背景技术
智能费控电能表是智能电网的智能终端,智能费控电能表不仅具备传统电能表的计量用电量的功能,还具有双向多种费率计量功能、用户端控制功能、双向数据通信功能以及防窃电功能等,因此越来越多的企业和社区选择安装智能费控电能表。
在安装智能费控电能表的施工现场,施工人员需要对安装完成的智能费控电能表进行拍照得到安装完成的智能费控电能表的照片,并将计划安装的智能费控电能表的型号和安装完成的智能费控电能表的照片上传至电力系统,电力系统的后台工作人员可以对智能费控电能表的照片进行审核,当施工人员上传的照片不清楚或者照片上的电能表的型号与计划安装的智能费控电能表的型号不匹配时,后台工作人员可以判定审核不通过,并要求施工人员重新上传。
然而,上述通过人工逐一地对智能费控电能表的照片进行审核,使得对智能费控电能表的照片的处理不够智能化,且工作效率低,影响施工进度。
发明内容
基于此,有必要针对上述存在的工作效率低,影响施工进度的问题,提供一种电能表识别方法、装置、计算机设备及存储介质。
第一方面,本申请实施例提供了一种电能表识别方法,该方法包括:
将待识别的目标图像输入至电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度,电能表置信度用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率;
根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果;
其中,识别结果用于指示目标图像是否包括预设类型的电能表。
在其中一个实施例中,根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果,包括:
根据电能表置信度和电能表区域置信度计算目标图像的识别置信度;
根据目标图像的识别置信度对目标图形进行识别,得到识别结果。
在其中一个实施例中,根据电能表置信度和电能表区域置信度计算目标图像的识别置信度,包括:
获取电能表置信度的权值和电能表区域置信度的权值;
根据电能表置信度的权值和电能表区域置信度的权值对电能表置信度和电能表区域置信度进行加权求和,得到目标图像的识别置信度。
在其中一个实施例中,根据目标图像的识别置信度对目标图形进行识别,得到识别结果,包括:
当目标图像的识别置信度大于等于第一识别阈值时,识别结果为目标图像包括预设类型的电能表;
当目标图像的识别置信度小于等于第二识别阈值时,识别结果为目标图像不包括预设类型的电能表;
其中,第一识别阈值大于第二识别阈值。
在其中一个实施例中,该方法还包括:
当目标图像的识别置信度小于第一识别阈值而大于第二识别阈值时,向人工识别终端发送人工识别指令,人工识别指令用于指示对目标图像进行人工识别。
在其中一个实施例中,预设类型的电能表的区域包括:液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域;
相应的,电能表区域置信度包括液晶屏置信度、按键区置信度、四个尖角置信度、小批次标号置信度、接线端子置信度和表盖置信度;
其中,液晶屏置信度表示目标图像中包括液晶屏的概率;按键区置信度表示目标图像中包括按键区的概率,四个尖角置信度表示目标图像中包括电能表四个尖角的概率,小批次标号置信度表示目标图像中包括小批次标号的概率,接线端子置信度表示目标图像中包括接线端子的概率,表盖置信度表示目标图像中包括表盖的概率。
在其中一个实施例中,将待识别的目标图像输入至电能表识别网络中之前,该方法还包括:
获取样本数据,样本数据包括多张电能表图像,电能表图像上包括预设类型的电能表和预设类型的电能表的区域;
利用样本数据对深度学习神经网络进行训练,得到电能表识别网络。
第二方面,本申请实施例提供了一种电能表识别装置,该装置包括:
置信度获取模块,用于将待识别的目标图像输入至电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度,电能表置信度用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率;
识别结果获取模块,用于根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果;其中,识别结果用于指示目标图像是否包括预设类型的电能表。
第三方面,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该计算机程序被该处理器执行时实现上述第一方面的方法的步骤。
第四方面,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实现上述第一方面的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括:
将待识别的目标图像输入到电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度,其中,电能表置信度可以用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率,根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果,识别结果用于表示目标图像中是否包括预设类型的电能表。由此可知,本申请实施例中,通过电能表识别网络可以得到目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率,目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率越大,说明目标图像中包括预设类型的电能表的概率越大,目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率越小,说明目标图像中包括预设类型的电能表的概率越小,因此,可以根据目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率确定目标图像是否包括预设类型的电能表。从而实现了对待识别的目标图像的自动识别,解决了现有技术中,人工识别所存在的工作效率低影响施工进度的问题。
附图说明
图1为本申请实施例提供的电能表识别方法的实施环境的示意图;
图2为本申请实施例提供的一种电能表识别方法的流程图;
图3为本申请实施例提供的另一种电能表识别方法的流程图;
图4为本申请实施例提供的一种电能表识别装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
智能费控电能表在传统电能表的基础上新增了双向多种费率计量功能、用户端控制功能、双向数据通信功能以及防窃电功能等智能功能,极大地方便了人们的日常生活,因此越来越多的用户选择安装智能费控电能表。
在安装智能费控电能表的过程中,施工人员需要根据安装计划在固定位置安装规定型号的智能费控电能表,安装完成后,施工人员需要对安装完成的智能费控电能表进行拍照并将照片和电能表的型号上传至电力系统,由电力系统的后台工作人员对施工人员上传的照片进行审核,当施工人员上传的照片不清楚或者施工人员上传的照片上的电能表与计划安装的电能表的型号不一致时,审核不通过,那么施工人员需要对安装的智能费控电能表进行检查,确保安装的智能费控电能表的型号是计划安装的电能表的型号,并重新拍照上传,直至审核通过。审核通过后,施工人员才可以为下一位用户安装电能表。
现有技术,需要通过人工逐一地对智能费控电能表的照片进行审核,工作量较大,且工作效率低,影响施工进度。
本申请实施例提供一种电能表识别方法、装置、计算机设备及存储介质,可以提高工作效率。该电能表识别方法中,将待识别的目标图像输入到电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度,其中,电能表置信度可以用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率,根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果,识别结果用于表示目标图像中是否包括预设类型的电能表。由此可知,本申请实施例中,通过电能表识别网络可以得到目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率,目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率越大,说明目标图像中包括预设类型的电能表的概率越大,目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率越小,说明目标图像中包括预设类型的电能表的概率越小,因此,可以根据目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率确定目标图像是否包括预设类型的电能表。从而实现了对待识别的目标图像的自动识别,解决了现有技术中,人工识别所存在的工作效率低影响施工进度的问题。
下面,将对本申请实施例提供的电能表识别方法所涉及到的实施环境进行简要说明。
请参考图1,本申请提供的电能表的识别方法可以应用于如图1所示的计算机设备中,该计算机设备可以是服务器,其内部结构图可以如图1所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电能表识别网络对应的应用程序,该计算机设备可以调用电能表识别网络对待识别的目标图像进行识别。该计算机设备的网络接口用于接收输入的待识别的目标图像,并与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电能表的识别方法。
图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的终端的限定,具体的终端可以包括比图1中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
请参考图2,其示出了本申请实施例提供的一种电能表的识别方法的流程图,该电能表的识别方法可以应用于图1所示的服务器中。如图1所示,该电能表的识别方法可以包括以下步骤:
步骤201、服务器将待识别的目标图像输入至电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度。
其中,电能表置信度用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率。
本申请实施例中,预设类型的电能表的区域可以包括:液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域。
相应的,电能表区域置信度包括液晶屏置信度、按键区置信度、四个尖角置信度、小批次标号置信度、接线端子置信度和表盖置信度;其中,液晶屏置信度表示目标图像中包括液晶屏的概率;所述按键区置信度表示目标图像中包括按键区的概率,四个尖角置信度表示目标图像中包括电能表四个尖角的概率,小批次标号置信度表示目标图像中包括小批次标号的概率,接线端子置信度表示目标图像中包括接线端子的概率,表盖置信度表示目标图像中包括表盖的概率。
在一种可能的实现方式中,本申请实施例中,服务器将待识别的目标图像输入至电能表识别网络中之前,服务器中需要预先存储有电能表识别网络。本申请实施例中,电能表识别网络为深度学习神经网络,获取电能表识别网络的过程可以包括步骤A1至步骤A2:
A1、获取样本数据。
本申请实施例中,可以针对不同厂家、不同批次的电能表各取3000张电能表图像组成样本数据。可选的,样本数据中的每张电能表图像中包括预设类型的电能表以及预设类型的电能表的区域。其中,预设类型的电能表的区域可以是液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域。其中四个尖角区域表示从电能表的正前方投影到平面上时电能表的轮廓上的四个尖角所在的区域。小批次标号区域表示电能表上设置小批次标号的位置所在的区域。接线端子区域表示电能表图像中的接线端子所在的区域。
可选的,样本数据中的电能表图像可以包括施工场景,施工场景为电能表图像识别过程中的干扰项,样本数据是深度学习神经网络的训练样本,通过在训练样板中增加干扰项,可以使得最终得到的电能表识别网络具有较好的抗干扰能力。
可选的,本申请实施例中,可以在每张电能表图像上标记出预设类型的电能表所在的区域,并在每张电能表图像上的预设类型的电能表上标记出预设类型的电能表上存在的区域。
可选的,本申请实施例中,预设类型的电能表的区域包括液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域。
A2、利用样本数据对深度学习神经网络进行训练,得到电能表识别网络。
本申请实施例中,可以利用上述样本数据中的大量电能表图像对深度学习神经网络进行训练,得到电能表识别网络。
步骤202、服务器根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果。
其中,识别结果用于指示目标图像是否包括预设类型的电能表。
在本申请的一个实施例中,如图3所示,服务器根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果的过程可以包括以下步骤:
步骤301、服务器根据电能表置信度和电能表区域置信度计算目标图像的识别置信度。
其中,目标图像的识别置信度表示目标图像中包括预设类型的电能表的概率。
可选的,本申请实施例中,服务器可以根据电能表置信度S1、液晶屏置信度S2、按键区置信度S3、四个尖角置信度S4、小批次标号置信度S5、接线端子置信度S6和表盖置信度S7计算目标图像的识别置信度SS。
在一种可选的实现方式中,可以对电能表置信度S1、液晶屏置信度S2、按键区置信度S3、四个尖角置信度S4、小批次标号置信度S5、接线端子置信度S6和表盖置信度S7求和得到目标图像的识别置信度SS。
在另一种可选的实现方式中,服务器计算目标图像的识别置信度SS的过程可以包括:
服务器可以获取电能表置信度的权值和电能表区域置信度的权值。
本申请实施例中,电能表置信度的权值和电能表区域置信度的权值可以是预先设置好的,或者是通过外部终端发送给服务器的。
可选的,本申请实施例中,电能表置信度的权值和电能表区域置信度的权值之和等于1。
可选的,本申请实施例中,电能表置信度的权值可以较大,电能表区域置信度的权值可以较小。
可选的,电能表置信度的权值和电能表区域置信度的权值均可以根据实际需要进行调整。电能表区域置信度的权值的调整可以是对液晶屏置信度的权值M2、按键区置信度的权值M3、四个尖角置信度的权值M4、小批次标号置信度的权值M5、接线端子置信度的权值M6和表盖置信度的权值M7中的任意一个或者几个进行调整。
其中,电能表区域置信度的权值可以包括液晶屏置信度的权值M2、按键区置信度的权值M3、四个尖角置信度的权值M4、小批次标号置信度的权值M5、接线端子置信度的权值M6和表盖置信度的权值M7。
服务器可以根据电能表置信度的权值和电能表区域置信度的权值对电能表置信度和电能表区域置信度进行加权求和,得到目标图像的识别置信度。
具体的,服务器可以根据电能表置信度的权值M1、液晶屏置信度的权值M2、按键区置信度的权值M3、四个尖角置信度的权值M4、小批次标号置信度的权值M5、接线端子置信度的权值M6和表盖置信度的权值M7以及电能表置信度S1、液晶屏置信度S2、按键区置信度S3、四个尖角置信度S4、小批次标号置信度S5、接线端子置信度S6和表盖置信度S7通过加权求和得到目标图像的识别置信度SS。
SS=M1×S1+M2×S2+M3×S3+M4×S4+M5×S5+M6×S6+M7×S7。
需要说明的是,受限于深度学习神经网络自身的影响,当深度学习神经网络对单个学习目标的识别置信度达到一定高度时,例如90%时,想要继续提高对该单个学习目标的识别置信度,需要通过增加深度学习神经网络的训练样本,并且需要对深度学习神经网络做大幅扩容以及硬件扩容。但这样会增加成本。
为解决这个问题,本申请实施例通过将电能表的识别过程拆分为对电能表整体的识别以及对电能表的区域的识别,并根据对电能表整体的识别结果(即电能表置信度)以及对电能表的区域的识别结果(即电能表区域置信度)计算电能表的识别结果(即目标图像的识别置信度),通过增加学习目标的个数(即增加对电能表的区域的识别),以提高对预设类型的电能表的识别准确率。
步骤302、服务器根据目标图像的识别置信度对目标图形进行识别,得到识别结果。
目标图像的识别置信度越大,表示目标图像中包括预设类型的电能表的概率越大,目标图像的识别置信度越小,表示目标图像中包括预设类型的电能表的概率越小。
在一种可选的实现方式中,服务器根据目标图像的识别置信度对目标图形进行识别,得到识别结果的过程可以包括以下步骤:
B1、当目标图像的识别置信度大于等于第一识别阈值时,识别结果为目标图像包括预设类型的电能表。
可选的,第一识别阈值可以是90%或者95%。
本申请实施例中,服务器得到目标图像的识别置信度之后,可以将目标图像的识别置信度与第一识别阈值比较,当目标图像的识别置信度大于等于第一识别阈值时,可以认为该目标图像中包括预设类型的电能表。即识别结果为目标图像包括预设类型的电能表。
可选的,当目标图像的识别置信度小于第一识别阈值时,可以将目标图像的识别置信度与第二识别阈值比较。其中,第一识别阈值大于第二识别阈值。
B2、当目标图像的识别置信度小于等于第二识别阈值时,识别结果为目标图像不包括预设类型的电能表。
可选的,第二识别阈值可以是50%或者更小的数字。
本申请实施例中,当目标图像的识别置信度小于等于第二识别阈值时,说明,目标图像中包括预设类型的电能表的概率较低,可以认为目标图像中不包括预设类型的电能表。即识别结果为目标图像不包括预设类型的电能表。
需要说明的是,本申请实施例中,服务器将目标图像的识别置信度分别与第一识别阈值和第二识别阈值比较的过程,可以是不分先后顺序的。
需要说明的是,本申请实施例中,服务器可以根据识别结果对待识别的目标图像进行审核并得到审核结果,当识别结果为目标图像包括预设类型的电能表时,审核结果为通过,施工人员可以通过终端接收到审核通过消息。
当识别结果为目标图像不包括所述预设类型的电能表时,审核不通过,施工可以通过终端接收到审核不通过消息。
需要说明的是,本申请实施例中,当施工人员上传的图像比较模糊不清楚时,模糊的目标图像输入至电能表识别网络中,电能表识别网络输出的电能表置信度和电能表区域置信度会受到影响。可选的,目标图像越模糊,则电能表识别网络输出的电能表置信度和电能表区域置信度会越小,并导致目标图像的识别置信度较小,这样容易使得目标图像的识别结果为目标图像不包括所述预设类型的电能表,从而审核不通过。
在一种可选的实现方式中,本申请实施例提供的电能表的识别方法还可以包括:
当目标图像的识别置信度小于第一识别阈值而大于第二识别阈值时,服务器可以向人工识别终端发送人工识别指令。
其中,人工识别指令用于指示对目标图像进行人工识别。
本申请实施例中,当目标图像的识别置信度处于50%-90%之间时,服务器无法对目标图像中是否包括预设类型的电能表进行判断,因此可以自动向人工识别终端发送人工识别指令。审核人员可以根据人工识别指令对目标图像进行仍识别。
本申请实施例中,通过电能表识别网络对目标图像进行识别,减少了审核人员对图片的阅读和对比工作,缩短了审核时间,促进了整体施工进度,降低了施工工作的人力投入成本。
本申请实施例提供的电能表识别方法中,将待识别的目标图像输入到电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度,其中,电能表置信度可以用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率,根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果,识别结果用于表示目标图像中是否包括预设类型的电能表。由此可知,本申请实施例中,通过电能表识别网络可以得到目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率,目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率越大,说明目标图像中包括预设类型的电能表的概率越大,目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率越小,说明目标图像中包括预设类型的电能表的概率越小,因此,可以根据目标图像中包括电能表的概率和包括预设类型的电能表的区域的概率确定目标图像是否包括预设类型的电能表。从而实现了对待识别的目标图像的自动识别,解决了现有技术中,人工识别所存在的工作效率低影响施工进度的问题。
请参考图4,其示出了本申请实施例提供的一种电能表识别装置的框图,该电能表识别装置可以配置在图1所示实施环境中的服务器中。如图4所示,该电能表识别装置可以包括置信度获取模块401和识别结果获取模块402。
置信度获取模块401,用于将待识别的目标图像输入至电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度,电能表置信度用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率;
识别结果获取模块402,用于根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果;其中,识别结果用于指示目标图像是否包括预设类型的电能表。
在本申请的一个实施例中,识别结果获取模块402还用于根据电能表置信度和电能表区域置信度计算目标图像的识别置信度;根据目标图像的识别置信度对目标图形进行识别,得到识别结果。
在本申请的一个实施例中,识别结果获取模块402还用于获取电能表置信度的权值和电能表区域置信度的权值;根据电能表置信度的权值和电能表区域置信度的权值对电能表置信度和电能表区域置信度进行加权求和,得到目标图像的识别置信度。
在本申请的一个实施例中,识别结果获取模块402还用于当目标图像的识别置信度大于等于第一识别阈值时,识别结果为目标图像包括预设类型的电能表;当目标图像的识别置信度小于等于第二识别阈值时,识别结果为目标图像不包括预设类型的电能表;其中,第一识别阈值大于第二识别阈值。
在本申请的一个实施例中,识别结果获取模块402还用于当目标图像的识别置信度小于第一识别阈值而大于第二识别阈值时,向人工识别终端发送人工识别指令,人工识别指令用于指示对目标图像进行人工识别。
在本申请的一个实施例中,置信度获取模块401还用于获取样本数据,样本数据包括多张电能表图像,电能表图像上包括预设类型的电能表和预设类型的电能表的区域;利用样本数据对深度学习神经网络进行训练,得到电能表识别网络。
在本申请的一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
将待识别的目标图像输入至电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度,电能表置信度用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率;根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果;其中,识别结果用于指示目标图像是否包括预设类型的电能表。
在本申请的一个实施例中,处理器执行计算机程序时还可以实现以下步骤:根据电能表置信度和电能表区域置信度计算目标图像的识别置信度;根据目标图像的识别置信度对目标图形进行识别,得到识别结果。
在本申请的一个实施例中,处理器执行计算机程序时还可以实现以下步骤:获取电能表置信度的权值和电能表区域置信度的权值;根据电能表置信度的权值和电能表区域置信度的权值对电能表置信度和电能表区域置信度进行加权求和,得到目标图像的识别置信度。
在本申请的一个实施例中,处理器执行计算机程序时还可以实现以下步骤:当目标图像的识别置信度大于等于第一识别阈值时,识别结果为目标图像包括预设类型的电能表;当目标图像的识别置信度小于等于第二识别阈值时,识别结果为目标图像不包括预设类型的电能表;其中,第一识别阈值大于第二识别阈值。
在本申请的一个实施例中,处理器执行计算机程序时还可以实现以下步骤:当目标图像的识别置信度小于第一识别阈值而大于第二识别阈值时,向人工识别终端发送人工识别指令,人工识别指令用于指示对目标图像进行人工识别。
在本申请的一个实施例中,处理器执行计算机程序时还可以实现以下步骤:预设类型的电能表的区域包括:液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域;相应的,电能表区域置信度包括液晶屏置信度、按键区置信度、四个尖角置信度、小批次标号置信度、接线端子置信度和表盖置信度;其中,液晶屏置信度表示目标图像中包括液晶屏的概率;按键区置信度表示目标图像中包括按键区的概率,四个尖角置信度表示目标图像中包括电能表四个尖角的概率,小批次标号置信度表示目标图像中包括小批次标号的概率,接线端子置信度表示目标图像中包括接线端子的概率,表盖置信度表示目标图像中包括表盖的概率。
在本申请的一个实施例中,处理器执行计算机程序时还可以实现以下步骤:获取样本数据,样本数据包括多张电能表图像,电能表图像上包括预设类型的电能表和预设类型的电能表的区域;利用样本数据对深度学习神经网络进行训练,得到电能表识别网络。
在本申请的一个实施例中,处理器执行计算机程序时还可以实现以下步骤:预设类型的电能表的区域包括液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将待识别的目标图像输入至电能表识别网络中,获取电能表识别网络输出的电能表置信度和电能表区域置信度,电能表置信度用于指示目标图像中包括电能表的概率,电能表区域置信度用于指示目标图像中包括预设类型的电能表的区域的概率;根据电能表置信度和电能表区域置信度对目标图像进行识别,得到识别结果;其中,识别结果用于指示目标图像是否包括预设类型的电能表。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:根据电能表置信度和电能表区域置信度计算目标图像的识别置信度;根据目标图像的识别置信度对目标图形进行识别,得到识别结果。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取电能表置信度的权值和电能表区域置信度的权值;根据电能表置信度的权值和电能表区域置信度的权值对电能表置信度和电能表区域置信度进行加权求和,得到目标图像的识别置信度。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:当目标图像的识别置信度大于等于第一识别阈值时,识别结果为目标图像包括预设类型的电能表;当目标图像的识别置信度小于等于第二识别阈值时,识别结果为目标图像不包括预设类型的电能表;其中,第一识别阈值大于第二识别阈值。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:当目标图像的识别置信度小于第一识别阈值而大于第二识别阈值时,向人工识别终端发送人工识别指令,人工识别指令用于指示对目标图像进行人工识别。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:预设类型的电能表的区域包括:液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域;相应的,电能表区域置信度包括液晶屏置信度、按键区置信度、四个尖角置信度、小批次标号置信度、接线端子置信度和表盖置信度;其中,液晶屏置信度表示目标图像中包括液晶屏的概率;按键区置信度表示目标图像中包括按键区的概率,四个尖角置信度表示目标图像中包括电能表四个尖角的概率,小批次标号置信度表示目标图像中包括小批次标号的概率,接线端子置信度表示目标图像中包括接线端子的概率,表盖置信度表示目标图像中包括表盖的概率。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取样本数据,样本数据包括多张电能表图像,电能表图像上包括预设类型的电能表和预设类型的电能表的区域;利用样本数据对深度学习神经网络进行训练,得到电能表识别网络。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:预设类型的电能表的区域包括液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域。
本申请实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电能表识别方法,其特征在于,所述方法包括:
将待识别的目标图像输入至电能表识别网络中,获取所述电能表识别网络输出的电能表置信度和电能表区域置信度,所述电能表置信度用于指示所述目标图像中包括电能表的概率,所述电能表区域置信度用于指示所述目标图像中包括预设类型的电能表的区域的概率;
根据所述电能表置信度和所述电能表区域置信度对所述目标图像进行识别,得到识别结果;
其中,所述识别结果用于指示所述目标图像是否包括所述预设类型的电能表。
2.根据权利要求1所述的方法,其特征在于,所述根据所述电能表置信度和所述电能表区域置信度对所述目标图像进行识别,得到识别结果,包括:
根据所述电能表置信度和所述电能表区域置信度计算所述目标图像的识别置信度;
根据所述目标图像的识别置信度对所述目标图形进行识别,得到所述识别结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述电能表置信度和所述电能表区域置信度计算所述目标图像的识别置信度,包括:
获取所述电能表置信度的权值和所述电能表区域置信度的权值;
根据所述电能表置信度的权值和所述电能表区域置信度的权值对所述电能表置信度和所述电能表区域置信度进行加权求和,得到所述目标图像的识别置信度。
4.根据权利要求2所述的方法,其特征在于,所述根据所述目标图像的识别置信度对所述目标图形进行识别,得到所述识别结果,包括:
当所述目标图像的识别置信度大于等于第一识别阈值时,所述识别结果为所述目标图像包括所述预设类型的电能表;
当所述目标图像的识别置信度小于等于第二识别阈值时,所述识别结果为所述目标图像不包括所述预设类型的电能表;
其中,所述第一识别阈值大于所述第二识别阈值。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
当所述目标图像的识别置信度小于所述第一识别阈值而大于所述第二识别阈值时,向人工识别终端发送人工识别指令,所述人工识别指令用于指示对所述目标图像进行人工识别。
6.根据权利要求1至3任一所述的方法,其特征在于,所述预设类型的电能表的区域包括:液晶屏区域,按键区区域,四个尖角区域,小批次标号区域、接线端子区域和表盖区域;
相应的,所述电能表区域置信度包括液晶屏置信度、按键区置信度、四个尖角置信度、小批次标号置信度、接线端子置信度和表盖置信度;
其中,所述液晶屏置信度表示所述目标图像中包括液晶屏的概率;所述按键区置信度表示所述目标图像中包括按键区的概率,所述四个尖角置信度表示所述目标图像中包括电能表四个尖角的概率,所述小批次标号置信度表示所述目标图像中包括小批次标号的概率,所述接线端子置信度表示所述目标图像中包括接线端子的概率,所述表盖置信度表示所述目标图像中包括表盖的概率。
7.根据权利要求1所述的方法,其特征在于,所述将待识别的目标图像输入至电能表识别网络中之前,所述方法还包括:
获取样本数据,所述样本数据包括多张电能表图像,所述电能表图像上包括预设类型的电能表和预设类型的电能表的区域;
利用所述样本数据对深度学习神经网络进行训练,得到所述电能表识别网络。
8.一种电能表识别装置,其特征在于,所述装置包括:
置信度获取模块,用于将待识别的目标图像输入至电能表识别网络中,获取所述电能表识别网络输出的电能表置信度和电能表区域置信度,所述电能表置信度用于指示所述目标图像中包括电能表的概率,所述电能表区域置信度用于指示所述目标图像中包括预设类型的电能表的区域的概率;
识别结果获取模块,用于根据所述电能表置信度和所述电能表区域置信度对所述目标图像进行识别,得到识别结果;其中,所述识别结果用于指示所述目标图像是否包括所述预设类型的电能表。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070201.8A CN110956091B (zh) | 2019-11-05 | 2019-11-05 | 电能表识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070201.8A CN110956091B (zh) | 2019-11-05 | 2019-11-05 | 电能表识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956091A true CN110956091A (zh) | 2020-04-03 |
CN110956091B CN110956091B (zh) | 2022-07-01 |
Family
ID=69976530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911070201.8A Active CN110956091B (zh) | 2019-11-05 | 2019-11-05 | 电能表识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956091B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539430A (zh) * | 2020-07-08 | 2020-08-14 | 南京擅水科技有限公司 | 一种模拟电表的识别装置及识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108847011A (zh) * | 2018-04-26 | 2018-11-20 | 国网湖南省电力有限公司 | 基于rfid通信的多电能表数据抄收方法及系统 |
CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
CN109766964A (zh) * | 2018-12-20 | 2019-05-17 | 国网北京市电力公司 | 智能电表信息的提示方法、装置、存储介质及电子装置 |
CN110059357A (zh) * | 2019-03-19 | 2019-07-26 | 中国电力科学研究院有限公司 | 一种基于自编码网络的智能电能表故障分类检测方法及系统 |
CN110222991A (zh) * | 2019-06-10 | 2019-09-10 | 国网江苏省电力有限公司常州供电分公司 | 基于rf-gbdt的计量装置故障诊断方法 |
-
2019
- 2019-11-05 CN CN201911070201.8A patent/CN110956091B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108847011A (zh) * | 2018-04-26 | 2018-11-20 | 国网湖南省电力有限公司 | 基于rfid通信的多电能表数据抄收方法及系统 |
CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
CN109766964A (zh) * | 2018-12-20 | 2019-05-17 | 国网北京市电力公司 | 智能电表信息的提示方法、装置、存储介质及电子装置 |
CN110059357A (zh) * | 2019-03-19 | 2019-07-26 | 中国电力科学研究院有限公司 | 一种基于自编码网络的智能电能表故障分类检测方法及系统 |
CN110222991A (zh) * | 2019-06-10 | 2019-09-10 | 国网江苏省电力有限公司常州供电分公司 | 基于rf-gbdt的计量装置故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
M CERMAN 等: "A Mobile Recognition System for Analog Energy Meter Scanning", 《INTERNATIONAL SYMPOSIUM ON VISUAL COMPUTING》 * |
厉建宾 等: "结合深度神经网络和多阈值软切分的电能表示数自动识别方法", 《计算机应用》 * |
张楠 等: "数字表识别算法研究", 《科技广场》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539430A (zh) * | 2020-07-08 | 2020-08-14 | 南京擅水科技有限公司 | 一种模拟电表的识别装置及识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956091B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389030B (zh) | 人脸特征点检测方法、装置、计算机设备及存储介质 | |
CN111222423A (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
AU2014295972A1 (en) | System and method for detecting features in aerial images using disparity mapping and segmentation techniques | |
CN110781976B (zh) | 训练图像的扩充方法、训练方法及相关装置 | |
CN111160611B (zh) | 能耗预估方法、装置、计算机设备和存储介质 | |
CN111144398A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN109711381B (zh) | 遥感图像的目标识别方法、装置和计算机设备 | |
CN112906529A (zh) | 人脸识别补光方法、装置、人脸识别设备及其系统 | |
CN110956091B (zh) | 电能表识别方法、装置、计算机设备及存储介质 | |
CN114881989A (zh) | 基于小样本目标对象缺陷检测的方法、装置、电子设备 | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
CN111198907A (zh) | 潜在欠费用户识别方法、装置、计算机设备和存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN112016856B (zh) | 综合倍率异常识别方法、装置、计量系统和存储介质 | |
CN112801357A (zh) | 日照辐射量预测方法、装置、设备及存储介质 | |
CN112989768A (zh) | 连线题批改方法、装置、电子设备及存储介质 | |
CN113158900A (zh) | 人脸活体检测模型的训练方法、装置、设备及存储介质 | |
CN116774986A (zh) | 软件开发工作量自动评估方法、装置、存储介质及处理器 | |
CN115908407A (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
CN111723730B (zh) | 对目标对象的数量进行预测的方法及相关设备 | |
CN113283388A (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
CN111008604A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
CN116883755B (zh) | 一种乡村建设环境监测方法、系统、设备及存储介质 | |
Kanenobu et al. | Determination of fluctuated threshold of input data in CNN-based Solar Irradiance Prediction Method Using All-sky Image | |
Guo et al. | Machine learning method for day classification to understand thermostatically controlled load demand |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200925 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |