CN113505776A - 一种用于燃气表读数的智能识别方法及装置 - Google Patents
一种用于燃气表读数的智能识别方法及装置 Download PDFInfo
- Publication number
- CN113505776A CN113505776A CN202110803879.3A CN202110803879A CN113505776A CN 113505776 A CN113505776 A CN 113505776A CN 202110803879 A CN202110803879 A CN 202110803879A CN 113505776 A CN113505776 A CN 113505776A
- Authority
- CN
- China
- Prior art keywords
- gas meter
- reading
- picture
- identification method
- area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明提供了一种用于燃气表读数的智能识别方法及装置,涉及仪表控制设备技术领域。该方法包括:采集燃气表图片数据;对燃气表进行轮廓检测和数字区域定位;裁剪区域边界,去除干扰像素;分割燃气表的读数区域,对分割后的每个图片制作标签并作为训练集;使用卷积神经网络从训练集中提取特征,训练模型;将燃气表的实时图片输入训练后的识别模型;对识别结果进行拼接,得到燃气表的读数结果;将读数结果通过通讯系统上传至云端或控制中心。该方法可以用于燃气表中,在燃气表中配置监控装置、处理器和通讯装置,实现燃气表的智能读数。该方法不依赖于现有的模板进行匹配,应用场景广泛,能够实现对读数区域的精准定位。
Description
技术领域
本发明涉及仪表控制设备技术领域,尤其是一种用于燃气表读数的智能识别方法及装置。
背景技术
普通的家用膜式燃气表,由于其收费难、抄表人员人工成本高、偷盗气无法真正实现监控,这给燃气公司不断的增加了经营成本,也给运营管理带来许多麻烦。现有的智能燃气表主要有IC卡智能燃气表、CPU卡智能燃气表、射频卡智能燃气表、直读式远传燃气表(有线远传表)以及无线远传燃气表(积成)等这几大类。但是现有的的读数方式大多是针对具有特定结构的燃气表,针对特定规格进行读数,局限性较大。通过轮廓检测可以粗略的定位燃气表的读数区域,但是难以排除干扰像素。
在已有的基于图像处理技术和深度学习技术的实现方案如下,为了固定模板对表读数区域进行定位,再对读数区域的数字进行分割,通过网络对数字识别得到读数的结果,扩大读表的使用范围,提升读表的准确率,节约人工成本,需要对现有的读表方式和装置做进一步的改进。
发明内容
为了解决现有读表方式的适用范围窄,抄表成本高,读数准确率不高等问题,本发明提供了一种用于燃气表读数的智能识别方法及装置,具体的技术方案如下。
一种用于燃气表读数的智能识别方法,步骤包括:
S1.采集燃气表的图片数据;
S2.对燃气表进行轮廓检测和数字区域定位;
S3.根据水平投影和垂直投影对定位区域边界进行裁剪,去除干扰像素;
S4.根据垂直投影分割燃气表的读数区域,对分割后的每个图片添加标签并作为训练集;
S5.使用卷积神经网络从训练集中提取特征,训练识别模型;
S6.将燃气表的实时图片输入训练后的识别模型;
S7.对识别结果进行拼接,得到燃气表的读数结果。
优选的是,燃气表的图片数据采集的过程中,先确定燃气表的完整性,保持燃气表的水平状态,向其中通入空气,录制燃气表读数变化过程并录制视频;录制视频的过程中保持燃气表的水平状态。
优选的是,图片数据根据录制视频按帧提取,作为燃气表读数的数据集。
还优选的是,燃气表的进行轮廓检测和数字区域定位过程中,对燃气表图片进行预处理,包括灰度化和二值化;对处理后的图片进行轮廓检测,再获取检测出的轮廓的外接矩形,并对外接矩形按条件进行筛选。
进一步优选的是,外接矩形的宽高比在5-10之间、矩形宽占图片宽的1/4以上、矩形旋转角度为0°或90°。
进一步优选的是,边界区域裁剪的过程,具体包括:根据水平投影,设置阈值对上下边界进行裁剪;根据垂直投影对左边界和右边界分别截取,得到精剪的数字区域。
进一步优选的是,垂直投影分割燃气表的读数区域过程中,根据垂直投影,分割数字并取出各个数字。
进一步优选的是,分割后的数字图片添加标签,划分十个类别作为训练集;构建卷积神经网络提取图片特征,获取每位数字的识别结果后按照顺序拼接,确定燃气表的读数。
一种用于燃气表读数的智能识别装置,利用上述的一种用于燃气表读数的智能识别方法,所述燃气表中配置监控装置、处理器和通讯装置,处理器中装载有训练后的识别模型。
本发明提供的一种用于燃气表读数的智能识别方法及装置有益效果包括:该方法基于轮廓检测的结果,以目标的宽高比、倾斜角度等条件进行筛选,得到读数区域的粗略定位;并且还根据水平投影和垂直投影对粗定位区域进一步裁剪,实现对读数区域的精准定位。在对燃气表进行读数时,不依赖于已知的模板进行匹配,可应用于更多场景;还可以不考虑读数位数的影响因素,扩大了应用范围。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是用于燃气表读数的智能识别方法的流程示意图;
图2是燃气表读数的智能识别装置的组成示意图。
具体实施方式
结合图1和图2所示,对本发明提供的一种用于燃气表读数的智能识别方法及装置具体实施方式进行说明。
一种用于燃气表读数的智能识别方法,通过固定模板对表的读数区域进行定位,再对读数区域的数字进行分割,通过AlexNet网络对数字识别得到读数的结果。
具体的步骤包括:
S1.采集燃气表的图片数据。
其中燃气表的图片数据采集的过程中,先确定燃气表的完整性,保持燃气表的水平状态,向其中通入空气,控制燃气表工作,录制燃气表读数变化过程并录制视频;录制视频的过程中保持燃气表的水平状态。图片数据根据录制视频按帧提取,作为燃气表读数的数据集。
另外还可以对多个类型的燃气表进行数据采集,从而可以满足大部分类型燃气表的识别需求,建立多类型燃气表的读数模型。
S2.对燃气表进行轮廓检测和数字区域定位。
燃气表的进行轮廓检测和数字区域定位过程中,对燃气表图片进行预处理,包括灰度化和二值化;对处理后的图片进行轮廓检测,再获取检测出的轮廓的外接矩形,并对外接矩形按条件进行筛选。外接矩形的宽高比在5-10之间、矩形宽占图片宽的1/4以上、矩形旋转角度为0°或90°。筛选出的矩形即为燃气表数字区域的粗定位。
S3.根据水平投影和垂直投影对定位区域边界进行裁剪,去除干扰像素。
由粗定位截取的矩形区域除了数字区域,可能多截取了一些边界区域,需要对其进行裁剪。边界区域裁剪的过程,具体包括:首先根据水平投影,设置阈值对上下边界进行裁剪;根据垂直投影对左边界和右边界分别截取,得到精剪的数字区域。
S4.根据垂直投影分割燃气表的读数区域,对分割后的每个图片添加标签并作为训练集。
垂直投影分割燃气表的读数区域过程中,根据垂直投影,分割数字并取出各个数字。添加标签的训练集,对分割好的数字图片打设标签,并将其划分为多个类别进行训练。
S5.使用卷积神经网络从训练集中提取特征,训练识别模型。先建立识别模型,利用步骤S4中的图片训练集进行训练,
S6.将燃气表的实时图片输入训练后的识别模型。构建卷积神经网络,对图片提取特征,保存模型文件。
S7.对识别结果进行拼接,得到燃气表的读数结果。先定位燃气表图片中的读数区域,再将分割好的数字依次送入卷积神经网络中进行识别。对识别结果进行拼接,得到燃气表读数结果。获取每位数字的识别结果,并按序进行拼接,得到最终的燃气表读数。
另外将分割后的数字图片添加标签,划分十个类别作为训练集;构建卷积神经网络提取图片特征,获取每位数字的识别结果后按照顺序拼接,确定燃气表的读数。
一种用于燃气表读数的智能识别装置,利用上述的一种用于燃气表读数的智能识别方法,燃气表中配置监控装置、处理器和通讯装置,处理器中装载有训练后的识别模型;其中监控装置采集燃气表的读数界面,处理器对该图片信息进行处理,还可以通过通讯装置将处理的结果上传至控制中心。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种用于燃气表读数的智能识别方法,其特征在于,步骤包括:
S1.采集燃气表的图片数据;
S2.对燃气表进行轮廓检测和数字区域定位;
S3.根据水平投影和垂直投影对定位区域边界进行裁剪,去除干扰像素;
S4.根据垂直投影分割燃气表的读数区域,对分割后的每个图片添加标签并作为训练集;
S5.使用卷积神经网络从训练集中提取特征,训练识别模型;
S6.将燃气表的实时图片输入训练后的识别模型;
S7.对识别结果进行拼接,得到燃气表的读数结果。
2.根据权利要求1所述的一种用于燃气表读数的智能识别方法,其特征在于,所述燃气表的图片数据采集的过程中,先确定燃气表的完整性,保持燃气表的水平状态,向其中通入空气,录制燃气表读数变化过程并录制视频;录制视频的过程中保持燃气表的水平状态。
3.根据权利要求2所述的一种用于燃气表读数的智能识别方法,其特征在于,所述图片数据根据录制视频按帧提取,作为燃气表读数的数据集。
4.根据权利要求1所述的一种用于燃气表读数的智能识别方法,其特征在于,所述燃气表的进行轮廓检测和数字区域定位过程中,对燃气表图片进行预处理,包括灰度化和二值化;对处理后的图片进行轮廓检测,再获取检测出的轮廓的外接矩形,并对外接矩形按条件进行筛选。
5.根据权利要求4所述的一种用于燃气表读数的智能识别方法,其特征在于,所述外接矩形的宽高比在5-10之间、矩形宽占图片宽的1/4以上、矩形旋转角度为0°或90°。
6.根据权利要求1所述的一种用于燃气表读数的智能识别方法,其特征在于,所述边界区域裁剪的过程,具体包括:根据水平投影,设置阈值对上下边界进行裁剪;根据垂直投影对左边界和右边界分别截取,得到精剪的数字区域。
7.根据权利要求1所述的一种用于燃气表读数的智能识别方法,其特征在于,所述垂直投影分割燃气表的读数区域过程中,根据垂直投影,分割数字并取出各个数字。
8.根据权利要求1所述的一种用于燃气表读数的智能识别方法,其特征在于,所述分割后的数字图片添加标签,划分十个类别作为训练集;构建卷积神经网络提取图片特征,获取每位数字的识别结果后按照顺序拼接,确定燃气表的读数。
9.一种用于燃气表读数的智能识别装置,利用权利要求1至8任意一项所述的一种用于燃气表读数的智能识别方法,其特征在于,所述燃气表中配置监控装置、处理器和通讯装置,处理器中装载有训练后的识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803879.3A CN113505776A (zh) | 2021-07-16 | 2021-07-16 | 一种用于燃气表读数的智能识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110803879.3A CN113505776A (zh) | 2021-07-16 | 2021-07-16 | 一种用于燃气表读数的智能识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505776A true CN113505776A (zh) | 2021-10-15 |
Family
ID=78013473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110803879.3A Pending CN113505776A (zh) | 2021-07-16 | 2021-07-16 | 一种用于燃气表读数的智能识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505776A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241725A (zh) * | 2022-02-24 | 2022-03-25 | 武汉鼎业环保工程技术有限公司 | 基于神经网络的煤气泄漏监测方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940800A (zh) * | 2016-01-05 | 2017-07-11 | 深圳友讯达科技股份有限公司 | 计量仪表读数识别方法及装置 |
US20200057917A1 (en) * | 2018-08-17 | 2020-02-20 | Shenzhen Dorabot Inc. | Object Location Method, Device and Storage Medium Based on Image Segmentation |
CN112270317A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于深度学习和帧差法的传统数字水表读数识别方法 |
-
2021
- 2021-07-16 CN CN202110803879.3A patent/CN113505776A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940800A (zh) * | 2016-01-05 | 2017-07-11 | 深圳友讯达科技股份有限公司 | 计量仪表读数识别方法及装置 |
US20200057917A1 (en) * | 2018-08-17 | 2020-02-20 | Shenzhen Dorabot Inc. | Object Location Method, Device and Storage Medium Based on Image Segmentation |
CN112270317A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于深度学习和帧差法的传统数字水表读数识别方法 |
Non-Patent Citations (3)
Title |
---|
冯玉田;侯玖廷;顾乐易;: "基于Tesseract-OCR的燃气表自动识别研究", 电子测量技术, no. 21 * |
唐子成;冯玉田;侯玖廷;: "基于图像的智能燃气表自动检测系统设计", 电子测量技术, no. 16 * |
漆世钱: "基于轮廓识别和BGR颜色空间的车牌定位", 《计算机技术与发展》, vol. 30, no. 12, pages 176 - 180 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241725A (zh) * | 2022-02-24 | 2022-03-25 | 武汉鼎业环保工程技术有限公司 | 基于神经网络的煤气泄漏监测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
CN112149667A (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN115909059A (zh) | 一种自然资源样本库建立方法和装置 | |
CN112966665A (zh) | 路面病害检测模型训练方法、装置和计算机设备 | |
CN116844147A (zh) | 一种基于深度学习的指针式仪表识别和异常警报方法 | |
CN114511718A (zh) | 一种建筑施工用物料智能管理方法及系统 | |
CN116824726A (zh) | 一种校园环境智能巡检方法及系统 | |
CN115457556A (zh) | 一种核电厂圆盘指针式仪表读数方法 | |
CN113505776A (zh) | 一种用于燃气表读数的智能识别方法及装置 | |
CN103699876A (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
CN112836726B (zh) | 一种基于视频信息的指针类仪表示数读取方法及装置 | |
CN116704490B (zh) | 车牌识别方法、装置和计算机设备 | |
CN113111728A (zh) | 面向变电站内电力生产作业风险的智能识别方法及系统 | |
CN110765940B (zh) | 目标对象统计方法和装置 | |
CN109325487B (zh) | 一种基于目标检测的全种类车牌识别方法 | |
CN109145912A (zh) | 一种数字仪表读数自动识别方法 | |
CN115631169A (zh) | 产品检测方法、装置、电子设备及存储介质 | |
CN115311447A (zh) | 一种基于深度卷积神经网络的指针式仪表示数识别方法 | |
CN114898347A (zh) | 一种指针式仪表机器视觉识别方法 | |
CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 | |
CN113837178A (zh) | 一种基于深度学习的变电站表计自动定位与统一分割方法 | |
CN113344905A (zh) | 一种带材跑偏量检测方法及系统 | |
CN113191351A (zh) | 数字电表的示数识别方法及装置、模型训练方法及装置 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 |
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 |