CN112287922A - 表计读取方法、装置、设备以及存储介质 - Google Patents

表计读取方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN112287922A
CN112287922A CN202011181313.3A CN202011181313A CN112287922A CN 112287922 A CN112287922 A CN 112287922A CN 202011181313 A CN202011181313 A CN 202011181313A CN 112287922 A CN112287922 A CN 112287922A
Authority
CN
China
Prior art keywords
meter
pointer
scale
image
detection model
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
CN202011181313.3A
Other languages
English (en)
Inventor
毛明远
冯原
辛颖
苑鹏程
张滨
王晓迪
林书妃
龙翔
彭岩
刘静伟
倪志杰
韩树民
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011181313.3A priority Critical patent/CN112287922A/zh
Publication of CN112287922A publication Critical patent/CN112287922A/zh
Pending legal-status Critical Current

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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了表计读取方法、装置、设备以及存储介质，涉及计算机视觉、深度学习等人工智能技术领域，可应用于智能云场景。该方法的一具体实施方式包括：接收表计图像，其中，表计图像存在表计；检测表计图像中的表计的位置；基于表计的位置从表计图像中分割出表计的区域图像；将表计的区域图像输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置；基于表计的指针和刻度的位置，确定表计的读数。该实施方式提供了一种基于人工智能的表计读取方法，缩短了分析耗时，提高了读数精准度。

Description

表计读取方法、装置、设备以及存储介质
技术领域
本申请实施例涉及计算机技术领域，具体涉及计算机视觉、深度学习等人工智能技术领域，尤其涉及表计读取方法、装置、设备以及存储介质。
背景技术
表计读数是指通过人工或利用智能设备，协助人员和系统获知各类生产相关表计的具体示数，包括圆形量程表、扇形表、油位表以及避雷器等多种机械表计。
在许多生产现场，特别是油田、电力等工矿企业，设备正常运转与否往往体现在各类实时的性能指标上，这些指标大部分都由可表计测得。在各种表计中，数字式仪表可以自动实时的将其读数结果传递给监控系统进行分析和决策。但是，机械表计无法将表计度数实时发送到监控系统，需要人工进行读表检查。大型的工矿企业需要消耗大量的人力去现场进行读表巡检，增加了企业的人力成本。巡检周期长、频次低，更是让设备的质检、系统的稳定运行得不到有效保证。并且，如果在非巡检期间表计度数到达异常区域，表计无法发送告警信息，异常无法被及时发现。
发明内容
本申请实施例提出了表计读取方法、装置、设备以及存储介质。
第一方面，本申请实施例提出了一种表计读取方法，包括：接收表计图像，其中，表计图像存在表计；检测表计图像中的表计的位置；基于表计的位置从表计图像中分割出表计的区域图像；将表计的区域图像输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置；基于表计的指针和刻度的位置，确定表计的读数。
第二方面，本申请实施例提出了一种表计读取装置，包括：接收模块，被配置成接收表计图像，其中，表计图像存在表计；第一检测模块，被配置成检测表计图像中的表计的位置；分割模块，被配置成基于表计的位置从表计图像中分割出表计的区域图像；第二检测模块，被配置成将表计的区域图像输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置；确定模块，被配置成基于表计的指针和刻度的位置，确定表计的读数。
第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的表计读取方法、装置、设备以及存储介质，首先接收表计图像；之后检测表计图像中的表计的位置；然后基于表计的位置从表计图像中分割出表计的区域图像，并输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置；最后基于表计的指针和刻度的位置，确定表计的读数。提供了一种基于人工智能的表计读取方法。在技术层面，利用深度学习模型对表计图像处理，包括指针与刻度的定位。并且，针对多种表计设计较为统一的读取算法，有效提高了算法的鲁棒性和实用性，拓宽了适用范围，推动了基于深度学习的移动端方案在读表巡检场景的发展和应用。实现了分析耗时短、精准高、鲁棒性强的移动端读表巡检的方案。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请可以应用于其中的示例性系统架构；
图2是根据本申请的表计读取方法的一个实施例的流程图；
图3是根据本申请的表计读取方法的又一个实施例的流程图；
图4是可以实现本申请实施例的表计读取方法的场景图；
图5是根据本申请的表计读取装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的表计读取方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的表计读取方法或表计读取装置的实施例的示例性系统架构100。
如图1所示，系统架构100中可以包括摄像头101、102、103，网络104和服务器105。网络104用以在摄像头101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
摄像头101、102、103可以通过网络104与服务器105交互，以接收或发送消息等。例如，摄像头101、102、103可以实时采集表计图像，并发送至服务器105。
服务器105可以提供各种服务。例如，服务器105可以对从摄像头101、102、103接收到的表计图像进行分析等处理，生成处理结果(例如表计读数)。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的表计读取方法一般由服务器105执行，相应地，表计读取装置一般设置于服务器105中。
应该理解，图1中的摄像头、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的摄像头、网络和服务器。
继续参考图2，其示出了根据本申请的表计读取方法的一个实施例的流程200。该表计读取方法包括以下步骤：
步骤201，接收表计图像。
在本实施例中，表计读取方法的执行主体(例如图1所示的服务器105)可以从摄像头接收表计图像。其中，摄像头放置在表计前，采集存在表计的表计图像。采用一次性部署的固定读表巡检装置，能够24小时对生产现场的表计读数进行采集和监控，确保了检测算法的有效性。由于数字式表计能够自动上传其读数，因此，这里的表计通常指机械表计。机械表计可以包括但不限于圆形表、扇形表、油位表、避雷针等等。
在一些实施例中，LoRa终端携带摄像头放置在表计前采集表计图像，并通过LoRa无线网络传输给LoRa网关。LoRa网关通过LTE或广域网将表计图像传输给CLAA的智能云服务器。其中，CLAA的智能云服务器就是上述执行主体。采用固定的LoRa终端进行图像采集，图像质量更加稳定。
步骤202，检测表计图像中的表计的位置。
在本实施例中，上述执行主体可以检测表计图像中的表计的位置。
通常，上述执行主体可以利用深度学习方法或传统方法检测表计图像中的表计的位置。例如，将表计图像输入至目标检测模型，来检测表计的位置。又例如，对表计图像进行共显著性检测，得到表计图像中的表计的位置。
步骤203，基于表计的位置从表计图像中分割出表计的区域图像。
在本实施例中，上述执行主体可以基于表计的位置从表计图像中分割出表计的区域图像。通常，表计的位置可以包括表计的检测框的左上点和右下点的坐标。基于左上点和右下点的坐标可以确定出检测框的位置，从表计图像中分割出检测框，就是表计的区域图像。
步骤204，将表计的区域图像输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置。
在本实施例中，上述执行主体可以将表计的区域图像输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置。其中，指针刻度检测模型可以是基于深度学习方法预先训练的目标检测模型。这里的指针刻度检测模型只需对表计的区域图像中的指针和刻度进行定位检测，无需进行分类识别。
步骤205，基于表计的指针和刻度的位置，确定表计的读数。
在本实施例中，上述执行主体可以基于表计的指针和刻度的位置，确定表计的读数。例如，在对读数准确度要求不高的场景，上述执行主体可以将与指针距离最近的刻度确定为表计的读数。
此外，上述执行主体还可以将表计的读数发送给各个用户应用服务器，以便于用户及时获取表计读数。
本申请实施例提供的表计读取方法，首先接收表计图像；之后检测表计图像中的表计的位置；然后基于表计的位置从表计图像中分割出表计的区域图像，并输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置；最后基于表计的指针和刻度的位置，确定表计的读数。提供了一种基于人工智能的表计读取方法。在技术层面，利用深度学习模型对表计图像处理，包括指针与刻度的定位。并且，针对多种表计设计较为统一的读取算法，有效提高了算法的鲁棒性和实用性，拓宽了适用范围，推动了基于深度学习的移动端方案在读表巡检场景的发展和应用。实现了分析耗时短、精准高、鲁棒性强的移动端读表巡检的方案。
借助计算机视觉对生产现场表计进行读取，依次推动无人值守等集约化运行管理模式以及降本增效的目标。智能表计读取设备只需一次性部署，就能持续不间断对摄像头采集到的表计图像传输至智能云服务器。由智能云服务器进行表计读数识别，并获取表计读数，从而大大提高巡检效率，减少人力成本。
进一步参考图3，其示出了根据本申请的表计读取方法的又一个实施例的流程300。该表计读取方法包括以下步骤：
步骤301，接收表计图像。
在本实施例中，步骤301具体操作已在图2所示的实施例中步骤201进行了详细的介绍，在此不再赘述。
步骤302，将表计图像输入至预先训练的表计检测模型，得到表计的位置。
在本实施例中，表计读取方法的执行主体(例如图1所示的服务器105)可以将表计图像输入至预先训练的表计检测模型，得到表计的位置。
这里的表计检测模型只需对表计图像中的表计进行定位检测，无需进行分类识别。主要原因如下：其一，由于表计的种类繁多，且相似度很高。尤其是同一厂家的同一种表计，其只有量程或单位不同，对其进行分类是比较困难的。在单位被指针遮挡的情况下根本无法识别表计的单位。其二，厂矿表计多是分散安装，大多数情况每个摄像头只拍摄一个表计。在表计集中安装的场景下，多个表计基本为同类表计。所以，需要识别表计种类的场景很少。
其中，表计检测模型可以是基于深度学习方法利用paddle detection框架下预先训练的目标检测模型，具有更好的鲁棒性和准确率。表计检测模型主要可以分为以Faster-RCNN为代表的两阶段目标检测模型和以YOLO为代表的单阶段目标检测模型。两阶段目标检测模型可以包括但不限于R-CNN(Region-based Convolutional Neural Network，区域卷积神经网络)、SPP-Net(Spatial Pyramid Pooling Network，空间金字塔池化网络)、Fast-RCNN、Faster-RCNN和FPN(Feature Pyramid Networks，特征金字塔网络)等等。单阶段目标检测模型可以包括但不限于YOLO(You Only Look Once，包括YOLOv1、YOLO9000、YOLOv2、YOLOv3等)和SSD(Single Shot MultiBox Detector，单目多目标检测器)等等。两阶段目标检测模型具有检测准确率高的特点，而单阶段目标检测模型具有速度快的优势。综合考虑表计读取任务对于准确度和实时性的要求，表计检测模型采用两阶段目标检测模型。而Faster-RCNN是目前目标检测多阶段方法中最具代表性的模型之一，具有较好的实时性，且相较于单阶段检测模型，其在精度方面有明显的优势。因此，表计检测模型可以采用例如基于ResNet-50(Residual Neural Network，残差神经网络)的Faster-RCNN。
需要说明的是，为了实现分析耗时短、精准高、鲁棒性强的移动端读表巡检方案，上述执行主体还可以预先对表计检测模型裁剪后，进行蒸馏、量化等处理。
步骤303，基于表计的位置从表计图像中分割出表计的区域图像。
在本实施例中，步骤303具体操作已在图2所示的实施例中步骤203进行了详细的介绍，在此不再赘述。
步骤304，将表计的区域图像输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置。
在本实施例中，上述执行主体可以将表计的区域图像输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置。其中，指针刻度检测模型可以是基于深度学习方法利用paddle detection框架下预先训练的目标检测模型，与表计检测模型类似。同理，综合考虑表计读取任务对于准确度和实时性的要求，指针刻度检测模型可以采用例如基于ResNet-50的Faster-RCNN。
同理，上述执行主体还可以预先对指针刻度检测模型裁剪后，进行蒸馏、量化等处理。
步骤305，基于指针的位置，定位指针的起始端和末端的位置。
在本实施例中，上述执行主体可以基于指针的位置，定位指针的起始端和末端的位置。其中，对于不同种类的表计，其指针的末端的位置定位方法相同，均是将指针靠近刻度的一端确定为指针的末端。而不同种类的表计的指针的起始端的位置定位方法可以不同。下面为不同种类的表计针对性地设计指针的起始端的位置的定位方法。例如，对于圆形表，其起始端是圆形表的表盘中心。又例如，对于扇形表，其指针的起始端往往被表壁所遮挡。因此，通过所扇形表的指针和刻度的数学关系可以计算扇形表的指针的起始端的位置。
步骤306，基于刻度的位置，确定表计的零刻度和满量程的位置。
在本实施例中，上述执行主体可以基于刻度的位置，确定表计的零刻度和满量程的位置。其中，数值为零的刻度的位置是零刻度的位置。数值最大的刻度的位置是满量程的位置。
步骤307，基于指针的起始端和末端的位置，以及表计的零刻度和满量程的位置，确定指针与零刻度的夹角，以及零刻度与满量程的夹角。
在本实施例中，上述执行主体可以连接指针的起始端的位置与零刻度的位置，得到零刻度线。零刻度线与指针的夹角就是指针与零刻度的夹角。随后，上述执行主体可以连接指针的起始端的位置与满量程的位置，得到满量程线，满量程线与零刻度线的夹角就是零刻度与满量程的夹角。
步骤308，基于指针与零刻度的夹角占零刻度与满量程的夹角的比例，得到表计的读数。
在本实施例中，上述执行主体可以计算指针与零刻度的夹角和零刻度与满量程的夹角的比值，并乘以满量程，即可得到表计的读数。从而提高了表计读数的准确度。
从图3中可以看出，与图2对应的实施例相比，本实施例中的表计读取方法的流程300突出了利用目标检测模型进行表计检测的步骤。由此，本实施例描述的方案提升了表计检测速度，缩短了分析耗时。同时，利用paddle detection框架下训练的目标检测和分割模型，并为不同种类的表计设计较为统一的读数算法，提高了鲁棒性，在保持较快分析速度的同时具有较好的准确性。
为了便于理解，下面提供可以实现本申请实施例的表计读取方法的应用场景。如图4所示，首先放置在表计前的摄像头采集表计图像；然后表计图像输入至表计检测模型，识别和定位表计图像中的表计，并将表计的区域图像输入至指针刻度检测模型，确定指针和刻度的位置；最后基于表计的指针和刻度的位置，以及表计配置信息进行读数计算，得到表计读数。其中，在进行读数计算时，首先定位指针的起始端；然后确定零刻度和满量程的位置，最后再计算读数比例。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种表计读取装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的表计读取装置500可以包括：接收模块501、第一检测模块502、分割模块503、第二检测模块504和确定模块505。其中，接收模块501，被配置成接收表计图像，其中，表计图像存在表计；第一检测模块502，被配置成检测表计图像中的表计的位置；分割模块503，被配置成基于表计的位置从表计图像中分割出表计的区域图像；第二检测模块504，被配置成将表计的区域图像输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置；确定模块505，被配置成基于表计的指针和刻度的位置，确定表计的读数。
在本实施例中，表计读取装置500中：接收模块501、第一检测模块502、分割模块503、第二检测模块504和确定模块505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，第一检测模块502进一步被配置成：将表计图像输入至预先训练的表计检测模型，得到表计的位置。
在本实施例的一些可选的实现方式中，表计检测模型是两阶段目标检测模型或单阶段目标检测模型，两阶段目标检测模型包括以下至少一项：R-CNN、SPP-Net、Fast-RCNN、Faster-RCNN和FPN，单阶段目标检测模型是YOLO或SSD。
在本实施例的一些可选的实现方式中，若表计检测模型是两阶段目标检测模型，两阶段目标检测模型是Faster-RCNN，则Faster-RCNN是基于ResNet-50的Faster-RCNN，指针刻度检测模型是基于ResNet-50的Faster-RCNN。
在本实施例的一些可选的实现方式中，确定模块505进一步被配置成：基于指针的位置，定位指针的起始端和末端的位置。基于刻度的位置，确定表计的零刻度和满量程的位置；基于指针的起始端和末端的位置，以及表计的零刻度和满量程的位置，确定指针与零刻度的夹角，以及零刻度与满量程的夹角；基于指针与零刻度的夹角占零刻度与满量程的夹角的比例，得到表计的读数。
在本实施例的一些可选的实现方式中，若表计是圆形表，所圆形表的起始端是圆形表的表盘中心，若表计是扇形表，通过所扇形表的指针和刻度的数学关系计算指针的起始端的位置。
在本实施例的一些可选的实现方式中，LoRa终端携带摄像头放置在表计前采集表计图像，并通过LoRa无线网络传输给LoRa网关，LoRa网关通过LTE或广域网将表计图像传输给CLAA的智能云服务器。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例表计读取方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的表计读取方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的表计读取方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的表计读取方法对应的程序指令/模块(例如，附图5所示的接收模块501、第一检测模块502、分割模块503、第二检测模块504和确定模块505)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的表计读取方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据表计读取方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至表计读取方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
表计读取方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与表计读取方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案，首先接收表计图像；之后检测表计图像中的表计的位置；然后基于表计的位置从表计图像中分割出表计的区域图像，并输入至预先训练的指针刻度检测模型，得到表计的指针和刻度的位置；最后基于表计的指针和刻度的位置，确定表计的读数。提供了一种基于人工智能的表计读取方法。在技术层面，利用深度学习模型对表计图像处理，包括指针与刻度的定位。并且，针对多种表计设计较为统一的读取算法，有效提高了算法的鲁棒性和实用性，拓宽了适用范围，推动了基于深度学习的移动端方案在读表巡检场景的发展和应用。实现了分析耗时短、精准高、鲁棒性强的移动端读表巡检的方案。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种表计读取方法，包括：
接收表计图像，其中，所述表计图像存在表计；
检测所述表计图像中的所述表计的位置；
基于所述表计的位置从所述表计图像中分割出所述表计的区域图像；
将所述表计的区域图像输入至预先训练的指针刻度检测模型，得到所述表计的指针和刻度的位置；
基于所述表计的指针和刻度的位置，确定所述表计的读数。
2.根据权利要求1所述的方法，其中，所述检测所述表计图像中的所述表计的位置，包括：
将所述表计图像输入至预先训练的表计检测模型，得到所述表计的位置。
3.根据权利要求2所述的方法，其中，所述表计检测模型是两阶段目标检测模型或单阶段目标检测模型，所述两阶段目标检测模型包括以下至少一项：R-CNN、SPP-Net、Fast-RCNN、Faster-RCNN和FPN，所述单阶段目标检测模型是YOLO或SSD。
4.根据权利要求3所述的方法，其中，若所述表计检测模型是所述两阶段目标检测模型，所述两阶段目标检测模型是Faster-RCNN，则所述Faster-RCNN是基于ResNet-50的Faster-RCNN，所述指针刻度检测模型是基于ResNet-50的Faster-RCNN。
5.根据权利要求1所述的方法，其中，所述基于所述表计的指针和刻度的位置，确定所述表计的读数，包括：
基于所述指针的位置，定位所述指针的起始端和末端的位置。
基于所述刻度的位置，确定所述表计的零刻度和满量程的位置；
基于所述指针的起始端和末端的位置，以及所述表计的零刻度和满量程的位置，确定所述指针与所述零刻度的夹角，以及所述零刻度与所述满量程的夹角；
基于所述指针与所述零刻度的夹角占所述零刻度与所述满量程的夹角的比例，得到所述表计的读数。
6.根据权利要求5所述的方法，其中，若所述表计是圆形表，所圆形表的起始端是所述圆形表的表盘中心，若所述表计是扇形表，通过所扇形表的指针和刻度的数学关系计算所述指针的起始端的位置。
7.根据权利要求1-6之一所述的方法，其中，LoRa终端携带摄像头放置在表计前采集所述表计图像，并通过LoRa无线网络传输给LoRa网关，LoRa网关通过LTE或广域网将所述表计图像传输给CLAA的智能云服务器。
8.一种表计读取装置，包括：
接收模块，被配置成接收表计图像，其中，所述表计图像存在表计；
第一检测模块，被配置成检测所述表计图像中的所述表计的位置；
分割模块，被配置成基于所述表计的位置从所述表计图像中分割出所述表计的区域图像；
第二检测模块，被配置成将所述表计的区域图像输入至预先训练的指针刻度检测模型，得到所述表计的指针和刻度的位置；
确定模块，被配置成基于所述表计的指针和刻度的位置，确定所述表计的读数。
9.根据权利要求8所述装置，其中，所述第一检测模块进一步被配置成：
将所述表计图像输入至预先训练的表计检测模型，得到所述表计的位置。
10.根据权利要求9所述的装置，其中，所述表计检测模型是两阶段目标检测模型或单阶段目标检测模型，所述两阶段目标检测模型包括以下至少一项：R-CNN、SPP-Net、Fast-RCNN、Faster-RCNN和FPN，所述单阶段目标检测模型是YOLO或SSD。
11.根据权利要求10所述的装置，其中，若所述表计检测模型是所述两阶段目标检测模型，所述两阶段目标检测模型是Faster-RCNN，则所述Faster-RCNN是基于ResNet-50的Faster-RCNN，所述指针刻度检测模型是基于ResNet-50的Faster-RCNN。
12.根据权利要求8所述的装置，其中，所述确定模块进一步被配置成：
基于所述指针的位置，定位所述指针的起始端和末端的位置。
基于所述刻度的位置，确定所述表计的零刻度和满量程的位置；
基于所述指针的起始端和末端的位置，以及所述表计的零刻度和满量程的位置，确定所述指针与所述零刻度的夹角，以及所述零刻度与所述满量程的夹角；
基于所述指针与所述零刻度的夹角占所述零刻度与所述满量程的夹角的比例，得到所述表计的读数。
13.根据权利要求12所述的装置，其中，若所述表计是圆形表，所圆形表的起始端是所述圆形表的表盘中心，若所述表计是扇形表，通过所扇形表的指针和刻度的数学关系计算所述指针的起始端的位置。
14.根据权利要求8-13之一所述的装置，其中，LoRa终端携带摄像头放置在表计前采集所述表计图像，并通过LoRa无线网络传输给LoRa网关，LoRa网关通过LTE或广域网将所述表计图像传输给CLAA的智能云服务器。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
CN202011181313.3A 2020-10-29 2020-10-29 表计读取方法、装置、设备以及存储介质 Pending CN112287922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011181313.3A CN112287922A (zh) 2020-10-29 2020-10-29 表计读取方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011181313.3A CN112287922A (zh) 2020-10-29 2020-10-29 表计读取方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN112287922A true CN112287922A (zh) 2021-01-29

Family

ID=74352411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011181313.3A Pending CN112287922A (zh) 2020-10-29 2020-10-29 表计读取方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN112287922A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966711A (zh) * 2021-02-01 2021-06-15 北京大学 基于卷积神经网络的指针式仪表示数识别方法及系统
CN116932596A (zh) * 2023-07-28 2023-10-24 广东力田科技股份有限公司 表计读数转用量的数据处理方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07198331A (ja) * 1993-12-28 1995-08-01 Babcock Hitachi Kk 画像処理によるメータの読取り方法
CN110517251A (zh) * 2019-08-28 2019-11-29 嘉应学院 一种景区区域过载检测与预警系统及方法
CN110751141A (zh) * 2019-09-25 2020-02-04 南方电网科学研究院有限责任公司 一种表计读数识别方法、装置、终端设备及存储介质
CN111414934A (zh) * 2020-01-21 2020-07-14 国网浙江省电力有限公司湖州供电公司 一种基于Faster R-CNN和U-Net的指针式仪表读数自动识别方法
CN111444781A (zh) * 2020-03-09 2020-07-24 武汉理工大学 一种水表读数识别方法、设备及存储介质
CN111476787A (zh) * 2020-04-23 2020-07-31 中科开创（广州）智能科技发展有限公司 一种指针表自适应畸变的自动读数方法及装置
CN111768381A (zh) * 2020-06-29 2020-10-13 北京百度网讯科技有限公司 零部件缺陷检测方法、装置及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07198331A (ja) * 1993-12-28 1995-08-01 Babcock Hitachi Kk 画像処理によるメータの読取り方法
CN110517251A (zh) * 2019-08-28 2019-11-29 嘉应学院 一种景区区域过载检测与预警系统及方法
CN110751141A (zh) * 2019-09-25 2020-02-04 南方电网科学研究院有限责任公司 一种表计读数识别方法、装置、终端设备及存储介质
CN111414934A (zh) * 2020-01-21 2020-07-14 国网浙江省电力有限公司湖州供电公司 一种基于Faster R-CNN和U-Net的指针式仪表读数自动识别方法
CN111444781A (zh) * 2020-03-09 2020-07-24 武汉理工大学 一种水表读数识别方法、设备及存储介质
CN111476787A (zh) * 2020-04-23 2020-07-31 中科开创（广州）智能科技发展有限公司 一种指针表自适应畸变的自动读数方法及装置
CN111768381A (zh) * 2020-06-29 2020-10-13 北京百度网讯科技有限公司 零部件缺陷检测方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
万吉林;王慧芳;管敏渊;沈建良;吴国强;高奥;杨斌;: "基于Faster R-CNN和U-Net的变电站指针式仪表读数自动识别方法", 电网技术, no. 08, 20 August 2020 (2020-08-20) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966711A (zh) * 2021-02-01 2021-06-15 北京大学 基于卷积神经网络的指针式仪表示数识别方法及系统
CN116932596A (zh) * 2023-07-28 2023-10-24 广东力田科技股份有限公司 表计读数转用量的数据处理方法、装置、设备及存储介质
CN116932596B (zh) * 2023-07-28 2024-04-02 广东力田科技股份有限公司 表计读数转用量的数据处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110532978A (zh) 仓储管理方法、装置、设备及存储介质
CN111784663B (zh) 零部件的检测方法、装置、电子设备及存储介质
CN112507949A (zh) 目标跟踪方法、装置、路侧设备以及云控平台
KR102616470B1 (ko) 이동식 신호등을 검출하는 방법, 장치, 전자 기기 및 저장 매체
CN113205037A (zh) 事件检测的方法、装置、电子设备以及可读存储介质
CN111814633B (zh) 陈列场景检测方法、装置、设备以及存储介质
CN112287922A (zh) 表计读取方法、装置、设备以及存储介质
US20220027705A1 (en) Building positioning method, electronic device, storage medium and terminal device
CN112613569A (zh) 图像识别方法、图像分类模型的训练方法及装置
CN112507833A (zh) 人脸识别及模型训练的方法、装置、设备和存储介质
CN111696095B (zh) 用于检测物体表面缺陷的方法及装置
CN112241716A (zh) 训练样本的生成方法和装置
CN111640103A (zh) 图像检测方法、装置、设备以及存储介质
CN114970883A (zh) 模型量化方法、装置、电子设备和存储介质
CN114781546A (zh) 用于确定车辆异常行为的方法和装置
CN112202638B (zh) 数据处理方法、装置、设备及计算机存储介质
CN113177980A (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备
CN112015995A (zh) 数据分析的方法、装置、设备以及存储介质
CN110798681A (zh) 成像设备的监测方法、装置和计算机设备
CN114674328B (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN111339344B (zh) 室内图像检索方法、装置及电子设备
CN115951344A (zh) 雷达与相机的数据融合方法、装置、电子设备及存储介质
CN114095390B (zh) 区域内对象流量的预测方法、装置、设备及存储介质
CN111599174B (zh) 一种交通指标的异常检测方法和电子设备
CN115035481A (zh) 一种图像物距融合方法、装置、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