CN112733842A - 一种水表的5g网络系统 - Google Patents

一种水表的5g网络系统 Download PDF

Info

Publication number
CN112733842A
CN112733842A CN202011611075.5A CN202011611075A CN112733842A CN 112733842 A CN112733842 A CN 112733842A CN 202011611075 A CN202011611075 A CN 202011611075A CN 112733842 A CN112733842 A CN 112733842A
Authority
CN
China
Prior art keywords
image
network
interest
region
reading information
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
CN202011611075.5A
Other languages
English (en)
Inventor
周斌
冯洁
许洁莹
高立沔
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.)
Sanchuan Wisdom Technology Co Ltd
Original Assignee
Sanchuan Wisdom 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 Sanchuan Wisdom Technology Co Ltd filed Critical Sanchuan Wisdom Technology Co Ltd
Priority to CN202011611075.5A priority Critical patent/CN112733842A/zh
Publication of CN112733842A publication Critical patent/CN112733842A/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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/20—Selecting an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/02—Terminal devices
    • H04W88/06—Terminal devices adapted for operation in multiple networks or having at least two operational modes, e.g. multi-mode terminals
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了水表的5G网络系统，包括至少一个小区中心节点和多个设备检测节点；通过设备检测节点根据预设周期启动图像采集模块采集水表的读数，通过短程通信信道将读数信息发送至小区中心节点；小区中心节点对读数信息进行处理，通过预先训练的数字分类模型得到水表的读数信息，并通过返回设备检测节点；设备检测节点根据启动5G网络模块并判断是否成功接入5G网络网络，若连续四次入网失败则擦除驻留频点并重新入网；并判断连续上线次数，当连续上线次数达到十次则进行蜂窝小区重选；设备检测节点通过5G网络网络上传读数信息。该5G网络系统能极大地减少对老旧小区中仪表的进行智能化改造的工作量和施工量，并稳定、长期地进行管理。

Description

一种水表的5G网络系统
技术领域
本发明涉及仪表智能化领域，尤其涉及水表的5G网络系统。
背景技术
在我们的日常生活中，需要使用各种类型的生活资源，包括：水、电、煤气等，这些生活资源是各种资源供应商通过一定的方式输送到最终用户的，用户必须对所使用的资源按使用资源量进行付费，因此，对最终用户所使用资源的计量是实施付费的基础和前提，而对所使用资源的计量是通过各种资源“计量器”完成的。
在实施本发明的过程中发明人发现，由于社会的快速发展，许多早期的住宅小区采用的是不具备远程数据自动发送/读取功能的所谓非智能计量器，为了定期获取这种类型计量器上的读数，需要按一定的周期进行人工读取，工作量大，错误率高。而现有技术中一般是直接采用智能化仪表替换老旧小区中的非智能化仪表，但是由于老旧小区的仪表往往使用多年，拆卸及更换的工作量大，并且更换之后的智能化仪表一般还需要配套的基础设施以确保其工作的稳定性，导致对老旧小区中仪表的智能化改造难度较大，为了能够将它们纳入集中管理的自动系统框架之内，发明人提出了对这类计量器进行“非侵入式”扩充，即通过外部扩充，使它们也能按预设的周期或要求上传计量器读数到中心服务系统。
发明内容
本发明实施例的目的是提供水表的5G网络系统，能极大地减少对老旧小区中仪表的进行智能化改造的工作量和施工量，同时使改造后的仪表能够稳定、长期地接入到5G网络系统中进行管理。
为实现上述目的，本发明实施例提供了水表的5G网络系统，所述5G网络系统包括至少一个小区中心节点和多个设备检测节点；所述5G网络系统的工作流程包括：
所述设备检测节点根据预设周期启动图像采集模块，以采集水表的读数，通过短程通信信道将读数信息发送至所述小区中心节点，并关闭所述图像采集模块；
所述小区中心节点响应于所述读数信息以启动图像处理模块，对所述读数信息进行处理，以通过预先训练的数字分类模型得到所述水表的读数信息，并将所述读数信息通过所述短程通信信道返回所述设备检测节点；
所述设备检测节点根据所述预设周期启动5G网络模块，并判断是否成功接入5G网络网络，若连续四次入网失败，则擦除驻留频点并重新入网；并判断连续上线次数，当所述连续上线次数达到十次时，进行蜂窝小区重选；其中，所述5G网络模块设有双卡模式且兼容多个BAND，同时支持电信、移动、联通的5G网络网络；在每个所述预设周期中，在所述图像采集模块关闭之后启动所述5G网络模块；
所述设备检测节点通过所述5G网络网络上传所述读数信息至服务器，并关闭所述5G网络模块；
其中，所述数字分类模型的预先训练包括：
S010、获取训练集样本，通过所述训练集样本训练得到T个SVM数字分类器；
S020、合并所述T个SVM数字分类器，得到原始分类函数h(x)，满足关系：
Figure BDA0002872922500000021
Figure BDA0002872922500000022
Figure BDA0002872922500000031
Figure BDA0002872922500000032
其中，x为所输入的图像数据；yt(x)表示由第t个所述SVM数字分类器所得到的结果；at表示第t个所述SVM数字分类器的预测训练权重；et为分布权值之和；Dt(i)为分布权值，初始化为1/m；m为所述训练集样本的组数；wn(x)为10*K的结果矩阵，yn(xj)为1*K的矩阵，其中1≤j≤K，n表示预测结果对应的数字；
S030、分别计算n取值为0-9的情况下，T个结果矩阵wn(x)的平均值，得到n取值为0-9的情况下的10个平均值；将所述10个平均值按照数字顺序合并为一个矩阵，得到均值矩阵；
S040、根据所述均值矩阵，得到所述数字分类模型h*(x)，h*(x)满足：
Figure BDA0002872922500000033
其中，c1-c9为所述均值矩阵中相邻的两个数进行一次平均值计算得到的9个平均值。
作为上述方案的改进，当所述5G网络模块接收到多个蜂窝小区的5G网络信号，且所述多个蜂窝小区中存在一个蜂窝小区的5G网络信号强度超过其他任一蜂窝小区的5G网络信号强度的两倍，则锁定所述多个蜂窝小区中5G网络信号强度最大的蜂窝小区。
作为上述方案的改进，所述水表为数字类型设备；所述小区中心节点对所述读数信息进行处理，以得到所述水表的读数信息，包括：
对所述读数信息进行ROI处理，以截取感兴趣区域的图像；
对所述感兴趣区域的图像进行细化处理，以获取字符骨架；
对所述字符骨架进行字符识别，以通过预先训练的数字分类模型获取所述水表的读数信息。
作为上述方案的改进，所述细化处理包括轮廓获取、字符切分和字符骨架提取。
作为上述方案的改进，所述对所述感兴趣区域的图像进行细化处理，以获取字符骨架包括：
将所述感兴趣区域的图像从RGB图像转换成灰度图像，得到感兴趣区域的灰度图像；
对所述感兴趣区域的灰度图像进行二值化处理,得到感兴趣区域的二值化图像；
对所述感兴趣区域的二值化图像进行水平扫描和垂直扫描，将所述感兴趣区域的二值化图像分割成多个单独的字符图形；
对所述字符图形进行细化处理，得到字符骨架。
作为上述方案的改进，所述水表为指针型设备；所述小区中心节点对所述读数信息进行处理，以得到所述水表的读数信息，包括：
对所述读数进行ROI处理，以截取感兴趣区域的图像；
从所述感兴趣区域的图像中获取直线，构建水表的位置模版；
对所述位置模版进行位置识别，以通过预先训练的数字分类模型获取所述水表的读数信息。
作为上述方案的改进，所述细化处理包括指针轮廓提取和刻度轮廓提取。
作为上述方案的改进，所述从所述感兴趣区域的图像中获取直线，构建水表的位置模版包括：
将所述感兴趣区域的图像从RGB图像转换成灰度图像，得到感兴趣区域的灰度图像；
对所述感兴趣区域的灰度图像进行二值化处理,得到感兴趣区域的二值化图像；
对所述感兴趣区域的二值化图像细化处理，从所述感兴趣区域的二值化图像中得到刻度指针骨架；
从所述刻度指针骨架中获取直线，构建指针型设备的位置模版。
作为上述方案的改进，所述设备检测节点还包括远程调试模式；所述服务器发送远程AT指令，所述5G网络模块接收所述远程AT指令，再将回复的指令发送给所述服务器，以实现对所述设备检测节点远程调试；
所述设备检测节点还包括现场调试模式；通过调试设备向所述设备检测节点发送AT透传模式启动指令，所述设备检测节点通过近端串口或红外接收器，接收外部向所述5G网络模块发送的调试信息。
作为上述方案的改进，所述5G网络模块的双卡模式下，通过AW6332芯片实现SIM卡的自动切换，通过拨码开关实现SIM卡的手动切换。
与现有技术相比，本发明公开的水表的5G网络系统，包括至少一个小区中心节点和多个设备检测节点，所述设备检测节点根据预设周期启动图像采集模块，以采集水表的读数，通过短程通信信道将读数信息发送至所述小区中心节点，并关闭所述图像采集模块；所述小区中心节点响应于所述读数信息以启动图像处理模块，对所述读数信息进行处理，以得到所述水表的读数信息，并将所述读数信息通过所述短程通信信道返回所述设备检测节点；所述设备检测节点根据所述预设周期启动5G网络模块，并判断是否成功接入5G网络网络，若连续四次入网失败，则擦除驻留频点并重新入网；并判断连续上线次数，当所述连续上线次数达到十次时，进行蜂窝小区重选；其中，在每个所述预设周期中，在所述图像采集模块关闭之后启动所述5G网络模块；所述设备检测节点通过所述5G网络网络上传所述读数信息至服务器，并关闭所述5G网络模块。通过设备检测节点对水表等仪表的数据进行采集，从而实现了对仪表的非侵入式改造，避免了仪表更换所带来的巨大工作量；并且通过小区中心节点为图像处理提供运算支持，降低了设置在各仪表处的设备检测节点的能耗水平，而设备检测节点通过短程通信信道与小区中心节点通信以传输数据量较大的图像信息，避免了长程通信传输的图像传输所带来的能耗增加，进一步降低了设备检测节点的能耗水平，使得设备检测节点的长期运行得以保障。同时对住宅小区的基建改造仅需增加提供短程通信支持和简单图像处理功能的至少一个小区中心节点，极大地降低了基础设施改造所带来的成本及施工量，并且通过设备检测节点的5G网络模块进行入网检测和蜂窝小区重选，降低了老旧小区中信号不良的问题带来的影响，提高了设备检测节点运行的稳定性。
附图说明
图1本发明实施例1中水表的5G网络系统的结构示意图；
图2如图1的5G网络系统的工作流程示意图；
图3是本发明实施例1中步骤S120的一种优选流程示意图；
图4是如图3中步骤S122的具体的流程示意图；
图5是本发明实施例1中步骤S120的另一种优选流程示意图；
图6是如图5中步骤S122的具体的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明实施例1提供了水表的5G网络系统。5G网络系统10包括至少一个小区中心节点11和多个设备检测节点12。
在本实施例中，5G网络为NB-IOT，读数为图像信息，在其他实施例中，5G网络还可以为任意无线网络。
参见图2，所述5G网络系统10的工作流程包括步骤S110至步骤S140；优选地，还可以包括步骤S150。
S100、所述设备检测节点12根据预设周期启动图像采集模块12a，以采集水表的读数，通过短程通信信道将读数信息发送至所述小区中心节点11，并关闭所述图像采集模块12a。
其中，所述设备检测节点12还可以包括短程通信模块12b，用于通过所述短程通信信道进行通信。
在无需所述图像采集模块12a进行工作的时候将所述图像采集模块12a关闭，从而降低所述设备检测节点12的能耗水平。
S120、所述小区中心节点11响应于所述读数信息以启动图像处理模块11a，对所述读数信息进行处理，以通过预先训练的数字分类模型得到所述水表的读数信息，并将所述读数信息通过所述短程通信信道返回所述设备检测节点12。
具体地，所述小区中心节点11还可以包括WiFi信号发射模块11b；所述短程通信信道具体为WiFi通信信道。
其中，所述数字分类模型的预先训练包括：
S010、获取训练集样本，通过所述训练集样本训练得到T个SVM数字分类器；
S020、合并所述T个SVM数字分类器，得到原始分类函数h(x)，满足关系：
Figure BDA0002872922500000081
Figure BDA0002872922500000082
Figure BDA0002872922500000083
Figure BDA0002872922500000084
其中，x为所输入的图像数据；yt(x)表示由第t个所述SVM数字分类器所得到的结果；at表示第t个所述SVM数字分类器的预测训练权重；et为分布权值之和；Dt(i)为分布权值，初始化为1/m；m为所述训练集样本的组数；wn(x)为10*K的结果矩阵，yn(xj)为1*K的矩阵，其中1≤j≤K，n表示预测结果对应的数字；
S030、分别计算n取值为0-9的情况下，T个结果矩阵wn(x)的平均值，得到n取值为0-9的情况下的10个平均值；将所述10个平均值按照数字顺序合并为一个矩阵，得到均值矩阵；
S040、根据所述均值矩阵，得到所述数字分类模型h*(x)，h*(x)满足：
Figure BDA0002872922500000085
其中，c1-c9为所述均值矩阵中相邻的两个数进行一次平均值计算得到的9个平均值。
S130、所述设备检测节点根据所述预设周期启动5G网络模块12c，并判断是否成功接入5G网络网络，若连续四次入网失败，则擦除驻留频点并重新入网；并判断连续上线次数，当所述连续上线次数达到十次时，进行蜂窝小区重选；其中，所述5G网络模块设有双卡模式且兼容多个BAND，同时支持电信、移动、联通的5G网络网络；在每个所述预设周期中，在所述图像采集模块关闭之后启动所述5G网络模块12c。
具体地，所述5G网络模块12c在接入基站时，当前的5G网络网络可能会存在多个频点，在某些情况下当驻留频点的5G网络信号较差，所述5G网络模块12c会需要切换到新的5G网络频点入网，在处理入网操作时，判定默认连续四次入网失败则在入网前擦除驻留频点，再重新入网。
具体地，所述5G网络模块12c在接入基站时，当前的5G网络网络可能会存在多个频点，在默认连续上线10次后会进行一次蜂窝小区重选操作，避免当前网络环境下的5G网络信号有变化，确保所述设备检测节点12入网时按最优的频点接入，提高在老旧小区中连接到5G网络网络的稳定性。
具体地，所述5G网络模块的双卡模式下，通过AW6332芯片实现SIM卡的自动切换，通过拨码开关实现SIM卡的手动切换。
S140、所述设备检测节点通过所述5G网络网络上传所述读数信息至服务器，并关闭所述5G网络模块12c。
在无需所述5G网络模块12c进行工作的时候将所述5G网络模块12c关闭，从而降低所述设备检测节点12的能耗水平。
S150、当所述5G网络模块接收到多个蜂窝小区的5G网络信号，且所述多个蜂窝小区中存在一个蜂窝小区的5G网络信号强度超过其他任一蜂窝小区的5G网络信号强度的两倍，则锁定所述多个蜂窝小区中5G网络信号强度最大的蜂窝小区。
此外，所述设备检测节点12还可以包括远程调试模式；所述服务器发送远程AT指令，所述5G网络模块12c接收所述远程AT指令，再将回复的指令发送给所述服务器，以实现对所述设备检测节点12远程调试；
所述设备检测节点12还包括现场调试模式；通过调试设备向所述设备检测节点12发送AT透传模式启动指令，所述设备检测节点12通过近端串口或红外接收器，接收外部向所述5G网络模块12c发送的调试信息。
本发明实施例1公开的水表的5G网络系统，包括至少一个小区中心节点和多个设备检测节点，所述设备检测节点根据预设周期启动图像采集模块，以采集水表的读数，通过短程通信信道将读数信息发送至所述小区中心节点，并关闭所述图像采集模块；所述小区中心节点响应于所述读数信息以启动图像处理模块，对所述读数信息进行处理，以得到所述水表的读数信息，并将所述读数信息通过所述短程通信信道返回所述设备检测节点；所述设备检测节点根据所述预设周期启动5G网络模块，并判断是否成功接入5G网络网络，若连续四次入网失败，则擦除驻留频点并重新入网；并判断连续上线次数，当所述连续上线次数达到十次时，进行蜂窝小区重选；其中，在每个所述预设周期中，在所述图像采集模块关闭之后启动所述5G网络模块；所述设备检测节点通过所述5G网络网络上传所述读数信息至服务器，并关闭所述5G网络模块。通过设备检测节点对水表等仪表的数据进行采集，从而实现了对仪表的非侵入式改造，避免了仪表更换所带来的巨大工作量；并且通过小区中心节点为图像处理提供运算支持，降低了设置在各仪表处的设备检测节点的能耗水平，而设备检测节点通过短程通信信道与小区中心节点通信以传输数据量较大的图像信息，避免了长程通信传输的图像传输所带来的能耗增加，进一步降低了设备检测节点的能耗水平，使得设备检测节点的长期运行得以保障。同时对住宅小区的基建改造仅需增加提供短程通信支持和简单图像处理功能的至少一个小区中心节点，极大地降低了基础设施改造所带来的成本及施工量，并且通过设备检测节点的5G网络模块进行入网检测和蜂窝小区重选，降低了老旧小区中信号不良的问题带来的影响，提高了设备检测节点运行的稳定性。
参见图3，是如本发明实施例1中步骤S120的一种优选实施方式，在本优选实施方式中，步骤S120具体可以包括步骤S121至步骤S123。
S121、对所述读数进行ROI处理，预设好对应所述数字类型设备的感兴趣区域数据，在采集到所述读数之后，通过ROI算法对所述读数进行感兴趣区域的提取，得到所述感兴趣区域的图像，同时滤除其他区域的图像信息。优选的，本实施例中采集到的读数使用的色彩模型为RGB，在其他实施例中，色彩也可以HSV或者HS I，不影响本发明取得的有益效果。
S122、对所述感兴趣区域的图像进行细化处理，具体的，参见图4，步骤S122包括步骤S122a至步骤S122d。
S122a、将所述感兴趣区域的图像从RGB图像转换成灰度图像，具体转换算法采用计算公式：
Gray＝R*0.299+G*0.587+B*0.114
其中，Gray是灰度值，R是RGB图像中的R值，G是RGB图像中的G值，B是RGB图像中的B值，通过当前位置像素点的RGB值计算得到所述当前位置的灰度值并进行转换，得到所述感兴趣区域的灰度图像。
S122b、根据实际灰度图像信息设置二值化阈值，对已经所述感兴趣区域的灰度图像进行二值化操作，使所述感兴趣区域的灰度图像的数字和背景分别呈现黑白色，得到感兴趣区域的二值化图像。具体的，采用灰度平局值值法对所述感兴趣区域的灰度图像进行二值化处理。在本实施例中，数字呈现黑色，背景呈现白色，但在其他实施例中，也可以是数字呈现白色，背景呈现黑色，不影响本发明取得的有益效果。
S122c、通过水平扫描跳跃点和垂直扫描连通性对所述感兴趣区域的二值化图像进行扫描分析，获取各个字符图形的边界信息，定位各个字符图像的边界，将所述感兴趣区域的二值化图像分割成单独的字符图形；在其他实施例中，也可以采用Sobe l算子、Reberts算子等边界检测算子求取字符图形，以得到单独的字符图形，不影响本发明取得的有益效果。
S122d、对所述感兴趣区域的二值化图像进行细化处理，得到字符骨架。具体的，使用迭代算法，逐次删除所述单独的字符图形的像素边缘，直至所述单独的字符图形的剩下图像中央的骨架部分，得到字符骨架；在其他实施例中，也可以采用非迭代算法，如基于距离变换的算法等，不影响本发明取得的有益效果。
在其他实施例中，可以直接对所述感兴趣区域的灰度图像进行细化处理，得到字符骨架，不影响本发明取得的有益效果。
S123、对所述字符骨架进行字符识别，以通过预先训练的数字分类模型获取所述数字类型设备的读数信息。具体的，采用模式识别算法对所述字符骨架进行字符识别，分析所述字符骨架所代表的数字含义，得到所述数字类型设备显示的读数信息；在其他实施例中，也可以采用其他的识别算法，如支持向量机识别算法或神经网络识别算法等，不影响本发明取得的有益效果。
本发明实施例提供的水表的5G网络系统,在取得如实施例1的有益效果的基础上，通过对采集到的数字类型设备图像进行ROI处理，截取感兴趣区域的图像，然后对所述感兴趣区域的图像进行分割和精细化处理，得到细化的字符图形，接着分析所述字符图形，识别出所述字符图形代表的数字含义，得到所述数字类型设备的读数信息，完成对数字类型设备的检测识别过程，实现了对数字类型设备的智能化读数，并将读数发送至设备检测节点以供上传。
参见图5，图5是本发明实施例1中步骤S120的另一种优选实施方式，在本优选实施方式中，步骤S120具体可以包括步骤S121’至步骤S123’。
S121’、对所述读数进行ROI处理，预设好对应所述指针型设备的感兴趣区域数据，在采集到所述读数之后，通过ROI算法对所述读数进行感兴趣区域的提取，得到所述感兴趣区域的图像，同时滤除其他区域的图像信息。优选的，本实施例中采集到的读数使用的色彩模型为RGB，在其他实施例中，色彩也可以HSV或者HSI，不影响本发明取得的有益效果。
S122’、对所述感兴趣区域的图像进行细化处理，具体的，参见图6，步骤S122’包括步骤S122’a至步骤S122’d。
S122’a、将所述感兴趣区域的图像从RGB图像转换成灰度图像，具体转换算法采用计算公式：
Gray＝R*0.299+G*0.587+B*0.114
其中，Gray是灰度值，R是RGB图像中的R值，G是RGB图像中的G值，B是RGB图像中的B值，通过当前位置像素点的RGB值计算得到所述当前位置的灰度值并进行转换，得到所述感兴趣区域的灰度图像。
S122’b、根据实际灰度图像信息设置二值化阈值，对已经所述感兴趣区域的灰度图像进行二值化操作，使所述感兴趣区域的灰度图像的刻度指针和背景分别呈现黑白色，得到感兴趣区域的二值化图像。具体的，采用灰度平局值值法对所述感兴趣区域的灰度图像进行二值化处理。在本实施例中，刻度和指针呈现黑色，背景呈现白色，但在其他实施例中，也可以是刻度和指针呈现白色，背景呈现黑色，不影响本发明取得的有益效果。
S122’c、对所述感兴趣区域的二值化图像进行细化处理，获取刻度指针骨架。具体的，使用迭代算法，逐次删除所述刻度图形和指针图形的像素边缘，直至所述刻度图形和所述指针图形剩下图形中央的刻度指针骨架；在其他实施例中，也可以采用非迭代算法，如基于距离变换的算法等，不影响本发明取得的有益效果。
S122’d、从所述刻度指针骨架中获取直线，构建指针型设备的位置模版。具体的，采用Hough变换从所述刻度指针骨架中获取所述指针型设备的刻度和指针的直线图形，根据获取到的所述刻度和所述指针的直线图形的位置，构建出所述指针型设备的位置模版。
在其他实施例中，可以直接对所述感兴趣区域的灰度图像进行细化处理，得到所述刻度指针骨架，不影响本发明取得的有益效果。
S123’、对所述位置模版进行位置识别，以通过预先训练的数字分类模型获取所述指针型设备的读数信息。具体的，将所述位置模版与预设的内建模板比较，获取所述位置模版中指针的具体位置信息，从所述指针的具体位置信息中读取所述指针型设备的读数信息。
本发明实施例提供的水表的5G网络系统,在取得如实施例1的有益效果的基础上，通过截取出读数中感兴趣区域的图像，转换感兴趣区域的图像的颜色方案，接着从所述感兴趣区域的图像中获取直线，构建指针型设备的位置模版，从所述位置模版中分析出所述指针型设备当前显示的读数，最后将所述读数发送至设备检测节点以供上传，在不对非智能指针计量器进行内部改造的情况下，实现了对非智能指针计量器的智能读数和智能数据汇总。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.水表的5G网络系统，其特征在于，所述5G网络系统包括至少一个小区中心节点和多个设备检测节点；所述5G网络系统的工作流程包括：
所述设备检测节点根据预设周期启动图像采集模块，以采集水表的读数，通过短程通信信道将读数信息发送至所述小区中心节点，并关闭所述图像采集模块；
所述小区中心节点响应于所述读数信息以启动图像处理模块，对所述读数信息进行处理，以通过预先训练的数字分类模型得到所述水表的读数信息，并将所述读数信息通过所述短程通信信道返回所述设备检测节点；
所述设备检测节点根据所述预设周期启动5G网络模块，并判断是否成功接入5G网络网络，若连续四次入网失败，则擦除驻留频点并重新入网；并判断连续上线次数，当所述连续上线次数达到十次时，进行蜂窝小区重选；其中，所述5G网络模块设有双卡模式且兼容多个BAND，同时支持电信、移动、联通的5G网络网络；在每个所述预设周期中，在所述图像采集模块关闭之后启动所述5G网络模块；
所述设备检测节点通过所述5G网络网络上传所述读数信息至服务器，并关闭所述5G网络模块；
其中，所述数字分类模型的预先训练包括：
S010、获取训练集样本，通过所述训练集样本训练得到T个SVM数字分类器；
S020、合并所述T个SVM数字分类器，得到原始分类函数h(x)，满足关系：
Figure FDA0002872922490000011
Figure FDA0002872922490000021
Figure FDA0002872922490000022
Figure FDA0002872922490000023
其中，x为所输入的图像数据；yt(x)表示由第t个所述SVM数字分类器所得到的结果；at表示第t个所述SVM数字分类器的预测训练权重；et为分布权值之和；Dt(i)为分布权值，初始化为1/m；m为所述训练集样本的组数；wn(x)为10*K的结果矩阵，yn(xj)为1*K的矩阵，其中1≤j≤K，n表示预测结果对应的数字；
S030、分别计算n取值为0-9的情况下，T个结果矩阵wn(x)的平均值，得到n取值为0-9的情况下的10个平均值；将所述10个平均值按照数字顺序合并为一个矩阵，得到均值矩阵；
S040、根据所述均值矩阵，得到所述数字分类模型h*(x)，h*(x)满足：
Figure FDA0002872922490000024
其中，c1-c9为所述均值矩阵中相邻的两个数进行一次平均值计算得到的9个平均值。
2.如权利要求1所述的5G网络系统，其特征在于，当所述5G网络模块接收到多个蜂窝小区的5G网络信号，且所述多个蜂窝小区中存在一个蜂窝小区的5G网络信号强度超过其他任一蜂窝小区的5G网络信号强度的两倍，则锁定所述多个蜂窝小区中5G网络信号强度最大的蜂窝小区。
3.如权利要求1所述的5G网络系统，其特征在于，所述水表为数字类型设备；所述小区中心节点对所述读数信息进行处理，以得到所述水表的读数信息，包括：
对所述读数信息进行ROI处理，以截取感兴趣区域的图像；
对所述感兴趣区域的图像进行细化处理，以获取字符骨架；
对所述字符骨架进行字符识别，以通过所述数字分类模型获取所述水表的读数信息。
4.如权利要求3所述的5G网络系统，其特征在于，所述细化处理包括轮廓获取、字符切分和字符骨架提取。
5.如权利要求4所述的5G网络系统，其特征在于，所述对所述感兴趣区域的图像进行细化处理，以获取字符骨架包括：
将所述感兴趣区域的图像从RGB图像转换成灰度图像，得到感兴趣区域的灰度图像；
对所述感兴趣区域的灰度图像进行二值化处理,得到感兴趣区域的二值化图像；
对所述感兴趣区域的二值化图像进行水平扫描和垂直扫描，将所述感兴趣区域的二值化图像分割成多个单独的字符图形；
对所述字符图形进行细化处理，得到字符骨架。
6.如权利要求1所述的5G网络系统，其特征在于，所述水表为指针型设备；所述小区中心节点对所述读数信息进行处理，以得到所述水表的读数信息，包括：
对所述读数进行ROI处理，以截取感兴趣区域的图像；
从所述感兴趣区域的图像中获取直线，构建水表的位置模版；
对所述位置模版进行位置识别，以通过所述数字分类模型获取所述水表的读数信息。
7.如权利要求6所述的5G网络系统，其特征在于，所述细化处理包括指针轮廓提取和刻度轮廓提取。
8.如权利要求7所述的5G网络系统，其特征在于，所述从所述感兴趣区域的图像中获取直线，构建水表的位置模版包括：
将所述感兴趣区域的图像从RGB图像转换成灰度图像，得到感兴趣区域的灰度图像；
对所述感兴趣区域的灰度图像进行二值化处理,得到感兴趣区域的二值化图像；
对所述感兴趣区域的二值化图像细化处理，从所述感兴趣区域的二值化图像中得到刻度指针骨架；
从所述刻度指针骨架中获取直线，构建指针型设备的位置模版。
9.如权利要求1所述的5G网络系统，其特征在于，所述设备检测节点还包括远程调试模式；所述服务器发送远程AT指令，所述5G网络模块接收所述远程AT指令，再将回复的指令发送给所述服务器，以实现对所述设备检测节点远程调试；
所述设备检测节点还包括现场调试模式；通过调试设备向所述设备检测节点发送AT透传模式启动指令，所述设备检测节点通过近端串口或红外接收器，接收外部向所述5G网络模块发送的调试信息。
10.如权利要求1所述的5G网络系统，其特征在于，所述5G网络模块的双卡模式下，通过AW6332芯片实现SIM卡的自动切换，通过拨码开关实现SIM卡的手动切换。
CN202011611075.5A 2020-12-30 2020-12-30 一种水表的5g网络系统 Pending CN112733842A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011611075.5A CN112733842A (zh) 2020-12-30 2020-12-30 一种水表的5g网络系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011611075.5A CN112733842A (zh) 2020-12-30 2020-12-30 一种水表的5g网络系统

Publications (1)

Publication Number Publication Date
CN112733842A true CN112733842A (zh) 2021-04-30

Family

ID=75610748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011611075.5A Pending CN112733842A (zh) 2020-12-30 2020-12-30 一种水表的5g网络系统

Country Status (1)

Country Link
CN (1) CN112733842A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392202A (zh) * 2017-06-30 2017-11-24 广州广电物业管理有限公司 一种指针型读数识别方法和系统
CN107403180A (zh) * 2017-06-30 2017-11-28 广州广电物业管理有限公司 一种数字类型设备检测识别方法和系统
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
KR20200094588A (ko) * 2019-01-30 2020-08-07 주식회사 청호정밀 원격 수도 검침 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392202A (zh) * 2017-06-30 2017-11-24 广州广电物业管理有限公司 一种指针型读数识别方法和系统
CN107403180A (zh) * 2017-06-30 2017-11-28 广州广电物业管理有限公司 一种数字类型设备检测识别方法和系统
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
KR20200094588A (ko) * 2019-01-30 2020-08-07 주식회사 청호정밀 원격 수도 검침 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAN HE ETAL.: "Design of Intelligent Meter Reading Technology Based on NB-IoT", 《INTERNATIONAL JOURNAL OF SCIENCE》 *
吴兴中: "关于远传抄表系统在供水行业中的应用探讨", 《信息记录材料》 *

Similar Documents

Publication Publication Date Title
CN111695417B (zh) 一种信号调制样式识别方法
CN112749699A (zh) 一种水表的5g网络通讯方法及系统
CN109547133A (zh) 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法
CN112906822A (zh) 一种面向生态保护红线的人类活动识别融合方法及系统
CN107463931A (zh) 一种基于arm平台的实时指针仪表识读方法及装置
CN108416379A (zh) 用于处理宫颈细胞图像的方法和装置
CN104283918A (zh) 一种无线局域网终端类型获取方法及系统
Jin et al. A Smart Water Metering System Based on Image Recognition and Narrowband Internet of Things.
CN109086763B (zh) 一种指针式仪表读取方法及装置
CN112163636B (zh) 基于孪生神经网络的电磁信号辐射源的未知模式识别方法
CN112052730B (zh) 一种3d动态人像识别监控设备及方法
CN107392202A (zh) 一种指针型读数识别方法和系统
CN116308958A (zh) 基于移动终端的碳排放在线检测预警系统及方法
CN112749698A (zh) 一种5g网络系统
CN112733842A (zh) 一种水表的5g网络系统
CN110837834B (zh) 一种数字仪表读数方法及系统
Lijun et al. Analysis of intelligent agricultural system and control mode based on fuzzy control and sensor network
CN115546736B (zh) 基于图像采集的河道采砂监控处理方法及系统
CN116895019A (zh) 一种基于动态加权交叉熵损失的遥感图像变化检测方法及其检测系统
CN110889277A (zh) 一种无监督学习的空间信号源和室内位置关联的方法
CN115601747A (zh) 一种贴壁细胞汇合度的计算方法和系统
CN111860562B (zh) 一种基于微波链路多统计量的自适应干湿区分方法
CN108419247A (zh) 一种无线通信基站小区相关性计算方法、电子设备及存储介质
CN114845180A (zh) 一种低功耗数字识别远传抄表装置及其识别方法
CN114821120A (zh) 基于神经网络的植物颜色识别方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210430