CN112163546A - 基于视觉识别系统的水表数值判定方法及装置 - Google Patents

基于视觉识别系统的水表数值判定方法及装置 Download PDF

Info

Publication number
CN112163546A
CN112163546A CN202011090645.0A CN202011090645A CN112163546A CN 112163546 A CN112163546 A CN 112163546A CN 202011090645 A CN202011090645 A CN 202011090645A CN 112163546 A CN112163546 A CN 112163546A
Authority
CN
China
Prior art keywords
water meter
value
numerical value
numerical values
numerical
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.)
Pending
Application number
CN202011090645.0A
Other languages
English (en)
Inventor
陈俊超
李辉武
易冬柏
刘文峰
刘洪华
蓝杨
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Zero Boundary Integrated Circuit Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Zero Boundary Integrated Circuit Co Ltd
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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Zero Boundary Integrated Circuit Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202011090645.0A priority Critical patent/CN112163546A/zh
Publication of CN112163546A publication Critical patent/CN112163546A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出了一种基于视觉识别系统的水表数值判定方法及装置，属于水表数值判定技术领域，该方法包括：先通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征；然后基于多个关联特征，识别表轮特征；其中，表轮特征表示目标框的位置；再基于表轮特征，利用多种提取方式分别提取目标框内的数值，得到多个数值；最后比对多个数值，并在比对成功之后将任一数值判定为水表数值。本申请通过先确定关联特征再识别表轮特征，以及比对多种提取方式提取的多个数值是否一致的方式，可以在缩短抄表时间、提高识别效率的同时，确保水表数值判定的准确性，提高判定结果的正确率。

Description

基于视觉识别系统的水表数值判定方法及装置
技术领域
本申请属于水表数值判定技术领域，具体涉及基于视觉识别系统的水表数值判定方法及装置。
背景技术
随着科技的进步，各种智能的智能水表也应运而生，但是在当前的城市村镇中使用的还是传统的水表，所以供水企业需要依靠人工进行抄表，人工抄表的方法存在抄表周期长和不能及时发现供水异常等技术问题。此外，除了人工抄表的方法，现有技术中还提供了一种智能抄表方法，该方法直接识别图像中字轮的坐标值，由于水表显示的数值除了有字轮上的待抄表数值，还有年月日或者序列号等其他非抄表数值，因此现有的智能抄表方法容易出现坐标定位错误，进而容易引起数值识别错误。
综上所述，现有的水表数值判定方法存在抄表周期长、人工效率低且判定结果正确率低的技术问题。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供基于视觉识别系统的水表数值判定方法及装置，能够在缩短抄表时间、提高识别效率的同时，确保水表数值判定的准确性，提高判定结果的正确率。
为实现以上目的，本申请采用如下技术方案：
第一方面，本申请提供一种基于视觉识别系统的水表数值判定方法，包括：通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征；基于所述多个关联特征，识别表轮特征；其中，所述表轮特征表示目标框的位置；基于所述表轮特征，利用多种提取方式分别提取所述目标框内的数值，得到多个数值；比对所述多个数值，并在比对成功之后将任一所述数值判定为水表数值。
进一步地，在比对所述多个数值之后，方法还包括：若比对失败，则进行数值复核，直至所述多个数值比对成功。
进一步地，所述多个关联特征包括：H特征和m特征，且所述H特征所在区域位于目标框的左侧，所述m特征所在区域位于目标框的右侧，所述基于所述多个关联特征，识别表轮特征的步骤，包括：基于所述H特征和所述m特征，识别所述表轮特征。
进一步地，所述多种提取方式包括从左往右依次提取的第一提取方式和从右往左依次提取的第二提取方式，所述多个数值包括第一数值和第二数值；其中，所述第一数值通过所述第一提取方式提取得到，且所述第二数值通过所述第二提取方式提取得到。
进一步地，在通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征之前，所述方法还包括：获取设置在水表上的图像采集设备采集的视频流；从所述视频流中提取视频帧序列；将所述视频帧序列中的视频帧确定为待测图像。
进一步地，所述方法还包括：判断水表在不同时间的水表数值的差值是否超过水表正常流量阈值；若是，则向服务器发送异常信号，以使所述服务器进行预警。
进一步地，在将任一所述数值判定为水表数值之后，所述方法还包括：将所述水表数值上传至服务器。
第二方面，本申请提供一种基于视觉识别系统的水表数值判定装置，包括：第一识别单元，用于通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征；第二识别单元，用于基于所述多个关联特征，识别表轮特征；其中，所述表轮特征表示目标框的位置；第一提取单元，用于基于所述表轮特征，利用多种提取方式分别提取所述目标框内的数值，得到多个数值；比对判定单元，用于比对所述多个数值，并在比对成功之后将任一所述数值判定为水表数值。
第三方面，本申请提供一种电子设备，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如第一方面任一项所述的方法。
第四方面，本申请提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面任一项所述的方法的步骤。
本申请提供的上述基于视觉识别系统的水表数值判定方法及装置，先通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征；然后基于多个关联特征，识别表轮特征；其中，表轮特征表示目标框的位置；再基于表轮特征，利用多种提取方式分别提取目标框内的数值，得到多个数值；最后比对多个数值，并在比对成功之后将任一数值判定为水表数值。本申请通过先确定关联特征再识别表轮特征，以及比对多种提取方式提取的多个数值是否一致的方式，可以在缩短抄表时间、提高识别效率的同时，确保水表数值判定的准确性，提高判定结果的正确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，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是根据一示例性实施例示出的一种基于视觉识别系统的水表数值判定方法的流程图；
图2是根据一示例性实施例示出的水表正面示意图；
图3是根据一示例性实施例示出的水表内关联特征和表轮特征的示意图；
图4是根据一示例性实施例示出的另一种基于视觉识别系统的水表数值判定方法的流程示意图；
图5是根据一示例性实施例示出的一种基于视觉识别系统的结构框图；
图6是根据一示例性实施例示出的一种基于视觉识别系统的水表数值判定装置的结构框图。
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，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
随着科技的进步，各种智能的智能水表也应运而生，但是在当前的城市村镇中使用的还是传统的水表，所以供水企业需要依靠人工抄表，该人工抄表的方法存在抄表周期长和不能及时发现供水异常等问题。此外，除了人工抄表的方法，现有技术中还提供了一种智能抄表方法，该方法容易出现坐标定位错误，进而容易引起数值识别错误。详情如下：
如公开号为CN109284762A的发明专利所述，一种多字轮仪表数字位置的监测方法及检测系统，以多字轮所形成的联合区域为特征，进行多字轮联合区域位置的检测，进而进行单字轮识别。但是该方式存在至少以下两个方面的问题：一方面这里的多字轮指的是由多个单字轮组合成的5字轮或者6字轮等所形成的连续的数值字轮表，以这个数值字轮表作为第一特性进行检测，但是这个特征在水表上并不是单一的，如果在字轮下存在另外的连续数字，如产品的年月日或者序列号，均可能引起识别的错误，进而连续错误。另一方面检测到的多字轮值读取一次，并不能确定识别结果的正确性，因此存在误值的风险。
如公开号为CN 108875738A的发明专利所述，一种智能摄像表的云识别纠错系统及其方法，通过图像采集端对所述仪表的仪表读数区进行图像采集，然后将图像传输至所述云识别服务器进行识别，通过读数值的识别及其相应置信度的有效预测的方式进行自动校正和人工纠错，以达到准确数值的效果。但是该方式存在至少以下两个方面的问题：一方面是数据需要上传到云服务，云服务进行相应的读值识别及其纠错校验，而本地端只是采集图像，因此两端交互，增加了处理时间；另一方面是需要构建复杂的信息表数据库及其服务器，因此该方式显示成本高且复杂。
如公开号为CN 107356201A的发明专利所述，一种摄像水表字轮坐标获取方法及装置，通过摄像头拍摄的图像中确定字轮的纵坐标值，根据得到的字轮纵坐标值，在图像中沿横轴以预设像素长度依次截取图片，当中截取图片中识别出数字为显示完整的数字时，则获取该图片的坐标值，但是该方法存在至少以下两个方面的问题：一方面是该方式需要直接确定字轮的坐标值，容易导致坐标定位出错；另一方面是字轮值需要不断遍历才能算出准确值，这一切基础是字轮坐标值为基准，如果基准错误则全错。
考虑到现有的水表数值判定方法存在抄表周期长、人工效率低且判定结果正确率低的技术问题，本申请提供了一种基于视觉识别系统的水表数值判定方法及装置，能够在缩短抄表时间、提高识别效率的同时，确保水表数值判定的准确性，提高判定结果的正确率。
首先参见图1所示的一种基于视觉识别系统的水表数值判定方法的流程图，主要包括如下步骤S102至步骤S108：
步骤S102，通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征。在本申请中，该神经网络的结构不作具体限定，并且该神经网络可以替换为具有识别功能的其他网络，本实施例对此不作具体限定。上述目标框可以指目标矩形框，通过图2可知，该目标矩形框是多字轮的整体框架。
步骤S104，基于多个关联特征，识别表轮特征。其中，表轮特征表示目标框的位置。在一种具体的实施方式中，如图3所示，多个关联特征包括：H特征和m特征，且H特征所在区域位于目标框的左侧，m特征所在区域位于目标框的右侧，基于多个关联特征，识别表轮特征的步骤，包括：基于H特征和m特征，识别表轮特征。需要注意的是，本申请可以将识别对象由水表替换为其他表，例如：电表、煤气表等，由于电表、煤气表与水表的特征不同，因此这里的关联特征不再是：H特征和m特征，而是根据电表、煤气表的实际情况进行新的定义。
其中，图2和图3中的H特征是水表盘中的H字符(根据GB/T778-2018标准中6.6标记与名牌的6.6.2水表标注要求所述，字母V或H，如果水表只能在垂直位置或水平位置工作)；m特征是水表盘中的m3立方米字符(根据GB/T778-2018标准中6.7指示装置的6.7.1.2测量单位、符号及其位置要求所述，指示的水体积应以立方米表示，符号m3应标示在度盘上或紧邻显示数字)。表轮特征为居于H特征和m特征之间的长方形框(即上述目标框)，长方形框内显示水表的数字滚轮值；多个数字滚轮值的组合特征是水表的具体显示的数字值(即图2中的12345)。
步骤S106，基于表轮特征，利用多种提取方式分别提取目标框内的数值，得到多个数值。在一种具体的实施方式中，当提取方式为两种时，多种提取方式包括从左往右依次提取的第一提取方式和从右往左依次提取的第二提取方式，多个数值包括第一数值和第二数值；其中，第一数值通过第一提取方式提取得到，且第二数值通过第二提取方式提取得到。
步骤S108，比对多个数值，并在比对成功之后将任一数值判定为水表数值。在一种具体的实施方式中，在执行完步骤S108之后，可以将该水表数值上传至服务器，以使工作人员对该水表的水表数值进行监控。
图4给出了另一种基于视觉识别系统的水表数值判定方法的流程示意图，视觉识别系统开机启动后，依次采集视频流，提取视频帧序列，进行H特征和m特征的识别并标注，根据以上两个特征在进行表轮特征的判定及识别，提取数值，具体的，定义靠近H特征的字轮数值为高位，从最高位字轮向低位字轮的方向移动(即上述第一提取方式)进行数值识别，获取第一数值H1；定义靠近m特征的字轮数值为低位，从低位向最高位字轮方向移动(即上述第二提取方式)进行数值识别，获取第二数值L1。对第一数值H1和第二数值L1进行校验判断，理应H1＝L1，若数值不等则进行复核，若数值相等，则H1或L1作为正确值上传至服务端。上传方式可以是当前的成熟方案，如NBIOT、LoRa等，这里不再赘述。
通过上述方法，可以通过先确定关联特征再识别表轮特征，以及比对多种提取方式提取的多个数值是否一致的方式，可以在缩短抄表时间、提高识别效率的同时，确保水表数值判定的准确性，提高判定结果的正确率。也就是说，本申请通过利用水表盘中的H特征和m特征、表轮特征的多特征融合方式来读值校验，从而确保水表数值的准确性，提高判定结果的正确率，并提高人工效率。
本申请在比对成功之后，将该水表数值(即图4中的正确值)上传至服务器，此外，本申请在比对失败的情况下，包括数值复核的流程。在一个可选的实施例中，在比对多个数值之后，方法还包括：若比对失败，则进行数值复核，直至多个数值比对成功。
如图4所示，在一个可选的实施例中，在通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征之前，方法还包括：
步骤S110，获取设置在水表上的图像采集设备采集的视频流；
步骤S112，从视频流中提取视频帧序列；
步骤S114，将视频帧序列中的视频帧确定为待测图像。
在一个可选的实施例中，方法还包括：
步骤1，判断水表在不同时间的水表数值的差值是否超过水表正常流量阈值；
步骤2，若是，则向服务器发送异常信号，以使服务器进行预警。
在本申请中，水表正常流量阈值的大小可以自定义设置。为了判断供水是否异常，可以不定时的读取水表数值。如每间隔24小时提取一次水表数值。若当前水表数值K和上一次的水表数值k存在较大的差异，即K-k>Q3*24，则可以进行流量复核。其中，该差异表示超过了水表常用流量值Q3的数值(Q3的单位是m3/h，m3/h表示每小时流过多少立方米)。本申请对预警的方式不作具体限定，可以是短信通知、邮件通知，或语音提示。
本申请通过字轮以外的M特征和m特征所在位置进而定位到字轮联合区域的位置，这种定位方式更为精准和高效；本申请通过从左向右识别联合区域内的数值，以及从右向左识别联合区域内的数值，以及读值复核的方式可以使判定结果更为精准。本申请可以将视觉识别系统装配到老式水表中，从而实现智能水表的功能，可以实现远程抄表、供水异常预警的等运用。综上所述，本申请通过采用视觉识别系统可以实现对水表数值的判定，可以保证判定的准确性，而且本申请还可以实现异常提醒。
对应于前述基于视觉识别系统的水表数值判定方法，本申请进一步提供了一种视觉识别系统，该视觉识别系统的结构框图如图5所示。该视觉识别系统可以嵌入到嵌入式系统，除了常用的CPU、存储器等模块外，还可以包括以下几个主要模块：视频采集模块，视频提取模块，特征提取模块，特征分析模块、数值校验模块、上传模块，预警模块(图5中未示出)等。其中，特征提取模块，可以采用服务器训练好的神经网络参数，并直接布局到嵌入式系统上进行特征提取，无需采用连接网络利用后端服务器进行判定，因此可以降低成本。
示例性的，摄像头模组(即上述视频采集模块)进行视频采集，图像分析模块(即上述视频提取模块)进行图像帧的提取，特征提取模块进行H特征和m特征的识别与标注，根据以上两个特征再进行表轮特征的判定及识别，进而进行字轮数值的识别和提取识别；提取数值，具体的，定义靠近H特征的字轮数值为高位，从最高位字轮向低位字轮的方向移动进行数值识别，获取第一数值H1；定义靠近m特征的字轮数值为低位，从低位向最高位字轮方向移动进行数值识别，获取第二数值L1。利用数值检验模块对第一数值H1和第二数值L1进行校验判断，理应H1＝L1，若数值不等则进行复核，若数值相等，则利用上传模块将H1或L1作为正确值上传至服务端。该视觉识别系统的结构较为简单，安全可靠性高，可以提高人工效率，提高风险管控。
在一个具体的实施例中，为了确保待测图像的清晰度，可以在摄像头模组上安装补光灯。视觉识别系统的开发足够小，每个水表都有个水表盖子，水表盖子打开时具有一有效空间，可以要求视觉识别系统的安装小于这一空间需求。
本申请还可以将该系统的部分模块布置到嵌入式系统上，简单易操作，可以进行视频采集，然后将待测图像的数据上传到云端服务器(上述服务器)，进行特征提取、特征分析、得出判定结果最终返回给嵌入式系统，再由嵌入式系统进行预警。
对应于前述基于视觉识别系统的水表数值判定方法，本申请进一步提供了一种基于视觉识别系统的水表数值判定装置，参见图6所示的一种基于视觉识别系统的水表数值判定装置的结构框图，主要包括如下单元：
第一识别单元11，用于通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征；
第二识别单元12，用于基于多个关联特征，识别表轮特征；其中，表轮特征表示目标框的位置；
第一提取单元13，用于基于表轮特征，利用多种提取方式分别提取目标框内的数值，得到多个数值；
比对判定单元14，用于比对多个数值，并在比对成功之后将任一数值判定为水表数值。
通过上述装置，可以在缩短抄表时间、提高识别效率的同时，确保水表数值判定的准确性，提高判定结果的正确率。
在一种具体的实施方式中，上述装置还包括：数值复核单元，其中：
数值复核单元，用于若比对失败，则进行数值复核，直至多个数值比对成功。
在一种具体的实施方式中，多个关联特征包括：H特征和m特征，且H特征所在区域位于目标框的左侧，m特征所在区域位于目标框的右侧，第二识别单元12，进一步用于：基于H特征和m特征，识别表轮特征。
在一种具体的实施方式中，多种提取方式包括从左往右依次提取的第一提取方式和从右往左依次提取的第二提取方式，多个数值包括第一数值和第二数值；其中，第一数值通过第一提取方式提取得到，且第二数值通过第二提取方式提取得到。
在一种具体的实施方式中，上述装置还包括：获取单元，第二提取单元和确定单元，其中：
获取单元，用于获取设置在水表上的图像采集设备采集的视频流；
第二提取单元，用于从视频流中提取视频帧序列；
确定单元，用于将视频帧序列中的视频帧确定为待测图像。
在一种具体的实施方式中，上述装置还包括：判断单元和发送单元，其中：
判断单元，用于判断水表在不同时间的水表数值的差值是否超过水表正常流量阈值；
发送单元，用于若是，则向服务器发送异常信号，以使服务器进行预警。
在一种具体的实施方式中，上述装置还包括上传单元，其中：上传单元，用于将水表数值上传至服务器。
进一步，本实施例还提供了一种电子设备，包括：处理器和存储装置；其中，存储装置上存储有计算机程序，计算机程序在被处理器运行时执行前述基于视觉识别系统的水表数值判定方法。
进一步，本实施例还提供了一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述基于视觉识别系统的水表数值判定方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”、“多”的含义是指至少两个。
应该理解，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者可能同时存在居中元件；当一个元件被称为“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件，此外，这里使用的“连接”可以包括无线连接；使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为：表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于视觉识别系统的水表数值判定方法，其特征在于，包括：
通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征；
基于所述多个关联特征，识别表轮特征；其中，所述表轮特征表示目标框的位置；
基于所述表轮特征，利用多种提取方式分别提取所述目标框内的数值，得到多个数值；
比对所述多个数值，并在比对成功之后将任一所述数值判定为水表数值。
2.根据权利要求1所述的方法，其特征在于，在比对所述多个数值之后，方法还包括：
若比对失败，则进行数值复核，直至所述多个数值比对成功。
3.根据权利要求1所述的方法，其特征在于，所述多个关联特征包括：H特征和m特征，且所述H特征所在区域位于目标框的左侧，所述m特征所在区域位于目标框的右侧，所述基于所述多个关联特征，识别表轮特征的步骤，包括：
基于所述H特征和所述m特征，识别所述表轮特征。
4.根据权利要求1所述的方法，其特征在于，所述多种提取方式包括从左往右依次提取的第一提取方式和从右往左依次提取的第二提取方式，所述多个数值包括第一数值和第二数值；其中，所述第一数值通过所述第一提取方式提取得到，且所述第二数值通过所述第二提取方式提取得到。
5.根据权利要求1所述的方法，其特征在于，在通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征之前，所述方法还包括：
获取设置在水表上的图像采集设备采集的视频流；
从所述视频流中提取视频帧序列；
将所述视频帧序列中的视频帧确定为待测图像。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断水表在不同时间的水表数值的差值是否超过水表正常流量阈值；
若是，则向服务器发送异常信号，以使所述服务器进行预警。
7.根据权利要求1所述的方法，其特征在于，在将任一所述数值判定为水表数值之后，所述方法还包括：
将所述水表数值上传至服务器。
8.一种基于视觉识别系统的水表数值判定装置，其特征在于，包括：
第一识别单元，用于通过训练好的神经网络识别待测图像中目标框周围区域内的多个关联特征；
第二识别单元，用于基于所述多个关联特征，识别表轮特征；其中，所述表轮特征表示目标框的位置；
第一提取单元，用于基于所述表轮特征，利用多种提取方式分别提取所述目标框内的数值，得到多个数值；
比对判定单元，用于比对所述多个数值，并在比对成功之后将任一所述数值判定为水表数值。
9.一种电子设备，其特征在于，包括：处理器和存储装置；
所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法。
10.一种存储介质，所述存储介质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运行时执行上述权利要求1至7任一项所述的方法的步骤。
CN202011090645.0A 2020-10-13 2020-10-13 基于视觉识别系统的水表数值判定方法及装置 Pending CN112163546A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011090645.0A CN112163546A (zh) 2020-10-13 2020-10-13 基于视觉识别系统的水表数值判定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011090645.0A CN112163546A (zh) 2020-10-13 2020-10-13 基于视觉识别系统的水表数值判定方法及装置

Publications (1)

Publication Number Publication Date
CN112163546A true CN112163546A (zh) 2021-01-01

Family

ID=73866697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011090645.0A Pending CN112163546A (zh) 2020-10-13 2020-10-13 基于视觉识别系统的水表数值判定方法及装置

Country Status (1)

Country Link
CN (1) CN112163546A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947129A (zh) * 2021-04-13 2021-06-11 北京正能远传节能技术研究院有限公司 一种用于机械表的控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108597204A (zh) * 2018-05-22 2018-09-28 广州市暨联牧科信息科技有限公司 一种智能抄表系统及其实现方法
CN108647686A (zh) * 2018-05-11 2018-10-12 同济大学 一种基于卷积神经网络的水表图像读数识别方法
CN109360396A (zh) * 2018-09-27 2019-02-19 长江大学 基于图像识别技术和NB-IoT技术的远程抄表方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108647686A (zh) * 2018-05-11 2018-10-12 同济大学 一种基于卷积神经网络的水表图像读数识别方法
CN108597204A (zh) * 2018-05-22 2018-09-28 广州市暨联牧科信息科技有限公司 一种智能抄表系统及其实现方法
CN109360396A (zh) * 2018-09-27 2019-02-19 长江大学 基于图像识别技术和NB-IoT技术的远程抄表方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947129A (zh) * 2021-04-13 2021-06-11 北京正能远传节能技术研究院有限公司 一种用于机械表的控制系统

Similar Documents

Publication Publication Date Title
CN111931565B (zh) 一种基于光伏电站uav的自主巡检与热斑识别方法及系统
JP3411260B2 (ja) 状態表示器の認識処理装置および認識処理方法
JP6745840B2 (ja) 故障診断装置、故障診断方法、及び故障診断プログラム
CN103759758A (zh) 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法
CN102509064A (zh) 基于摄像方式获取检测试纸信息的管理系统及其工作方法
CN116363125B (zh) 基于深度学习的电池模组外观缺陷检测方法及系统
CN110647886A (zh) 兴趣点标注方法、装置、计算机设备和存储介质
CN101995281A (zh) 一种基于数字图像处理的水位测量方法
CN106846304B (zh) 基于红外检测的电气设备检测方法及装置
CN112163546A (zh) 基于视觉识别系统的水表数值判定方法及装置
CN111353502B (zh) 数字表识别方法、装置以及电子设备
CN101075288A (zh) 一种字符条码计量指示字轮的图像直读方法
JP2014002430A (ja) 設備点検システム及びその計測器
JP4592311B2 (ja) 指示値認識方法、指示値認識システム、指示値認識プログラム、指示値認識プログラムを記録した記録媒体
CN100483080C (zh) 字符条码计量指示字轮的图像直读方法
CN112766253A (zh) 一种基于图像的复杂环境下全自动仪表分析的智能系统
CN111738259A (zh) 一种杆塔状态检测方法及装置
CN112036391A (zh) 一种基于页岩气田生产站场的电子巡检方法及系统
CN116310263A (zh) 一种指针式航空地平仪示数自动读取实现方法
CN115588196A (zh) 基于机器视觉的指针型仪表读数方法和装置
TW201434002A (zh) 商店選址方法及其裝置
CN116363397A (zh) 设备故障排查方法、装置及巡检系统
CN116016851A (zh) 一种智能抄表系统及方法
CN113255525A (zh) 机械水表读数方法及系统
CN113158933A (zh) 一种走失人员识别的方法、系统、装置及存储介质

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