CN113743397A - 工业仪表的数据处理方法、系统、终端设备及存储介质 - Google Patents

工业仪表的数据处理方法、系统、终端设备及存储介质 Download PDF

Info

Publication number
CN113743397A
CN113743397A CN202111310560.3A CN202111310560A CN113743397A CN 113743397 A CN113743397 A CN 113743397A CN 202111310560 A CN202111310560 A CN 202111310560A CN 113743397 A CN113743397 A CN 113743397A
Authority
CN
China
Prior art keywords
image
current
industrial instrument
meter
instrument
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
CN202111310560.3A
Other languages
English (en)
Inventor
陈军
冯建设
刘桂芬
王春洲
张建宇
花霖
朱瑜鑫
张挺军
陈品宏
周文明
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.)
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Original Assignee
Shenzhen Xinrun Fulian Digital 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 Shenzhen Xinrun Fulian Digital Technology Co Ltd filed Critical Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority to CN202111310560.3A priority Critical patent/CN113743397A/zh
Publication of CN113743397A publication Critical patent/CN113743397A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

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

Abstract

本发明公开了一种工业仪表的数据处理方法、系统、终端设备及存储介质。该方法包括：采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；将所述当前工业仪表读数对外上传。本发明解决了传统工业仪表自动化处理数据的问题，降低了成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。

Description

工业仪表的数据处理方法、系统、终端设备及存储介质
技术领域
本发明涉及工业仪表技术领域，尤其涉及一种工业仪表的数据处理方法、系统、终端设备及存储介质。
背景技术
在绝大多数企业中，能耗一直是生产成本中的一个重要参数，若实现能源的数据可视化则可以更好地控制能耗。而为了实现这一目标，则需要采集生产中的实际数据并上传方法。但是传统仪表只有显示功能，无上传功能，因此，企业需要人工进行读表检查或者将传统仪表更换为智能仪表。若选择人工进行读表检查，则会浪费大量人力，并且存在巡检周期长、点检时间不固定、信息滞后等缺点；若选择将传统仪表更换为智能仪表，则会面临智能仪表更新换代快、价格昂贵以及安装时需停产的问题。
因此，有必要提出一种工业仪表的数据处理方法以达到自动化数据处理的目的。
发明内容
本发明实施例的主要目的在于提供一种传统工业仪表的数据处理方法、系统、终端设备及存储介质，旨在解决传统工业仪表无法自动化处理数据的问题，降低了成本。
为实现上述目的，本发明实施例提供一种传统工业仪表的数据处理方法，所述传统工业仪表的数据处理方法包括：
采集当前工业仪表图像数据；
对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；
将所述当前工业仪表读数对外上传。
可选的，所述对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数的步骤包括：
对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；
将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；
使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；
提取所述当前表计图像的刻度线、表盘和指针图像；
根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数。
可选的，所述对所述将所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像的步骤包括：
对所述当前工业仪表图像数据的尺寸进行初期设置，得到初期设置后的当前工业仪表图像。
可选的，所述将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像的步骤包括：
分别对所述当前工业仪表图像的RGB三个分量设置权重，得到RGB三个分量的权重参数；
将所述RGB三个分量按所述权重参数进行加权平均，得到预处理后的当前工业仪表图像。
可选的，所述目标检测算法含有卷积神经网络，所述卷积神经网络含有卷积层、池化层、全连接层，所述使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像的步骤包括：
通过所述卷积层检测所述预处理后的当前工业仪表图像的待识别区域，得到特征图块；
通过所述池化层将所述特征图块转换为预设尺寸，得到预设尺寸的特征图块；
通过所述全连接层对所述预设尺寸的特征图块进行分类以及定位，得到当前表计图像。
可选的，所述提取所述当前表计图像的刻度线、表盘和指针图像的步骤包括：
通过高斯滤波对所述当前表计图像进行平滑处理，得到平滑图像；
通过边缘检测算法对所述平滑图像进行边缘检测，得到边缘检测后的图像；
通过全卷积神经网络对所述边缘检测后的图像进行语义分割，得到当前表计图像的刻度线、表盘和指针图像。
可选的，所述根据所述表计图像的刻度线、表盘和指针图像计算工业仪表读数的步骤包括：
根据所述当前表计图像的刻度线、表盘和指针图像构建坐标轴，确定起始刻度线、终止刻度线、表盘中心以及指针位置；
根据所述起始刻度线、终止刻度线、表盘中心以及指针位置计算当前工业仪表读数。
可选的，所述将所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数的步骤包括：
将所述当前工业仪表图像数据输入到预先创建的边缘推理模型中进行处理，得到当前工业仪表读数。
可选的，所述将所述当前工业仪表图像数据输入到预先创建的边缘推理模型中进行处理，得到当前工业仪表读数的步骤之前还包括：
训练所述边缘推理模型；
其中所述训练所述边缘推理模型的步骤包括：
采集历史工业仪表图像数据，将所述历史工业仪表图像数据构成训练数据集；
将所述训练数据集进行初期设置，得到初期设置后的训练数据集；
将所述初期设置后的训练数据集进行预处理，得到预处理后的训练数据集；
使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
提取所述训练数据集的表计图像的刻度线、表盘和指针图像；
根据所述训练数据集的表计图像的刻度线、表盘和指针图像计算训练数据集的工业仪表读数，得到训练数据集的工业仪表读数；
将所述训练数据集的工业仪表读数回传到所述边缘推理模型，并返回执行：使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
以此循环，进行参数迭代，直到所述边缘推理模型收敛，终止训练，得到训练后的边缘推理模型。
此外，为实现上述目的，本发明还提供一种工业仪表的数据处理系统，所述系统包括：
数据采集模块，用于采集当前工业仪表图像数据；
边缘推理模块，用于对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；
云服务模块，用于将所述当前工业仪表读数对外上传。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工业仪表的数据处理方法，所述工业仪表的数据处理的程序被所述处理器执行时实现如上所述的工业仪表的数据处理方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有工业仪表的数据处理的程序，所述工业仪表的数据处理的程序被处理器执行时实现如上所述的工业仪表的数据处理方法的步骤。
本发明实施例提出的工业仪表的数据处理方法、系统、终端设备及存储介质，采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；将所述当前工业仪表读数对外上传。基于本发明，构建了一个工业仪表图像数据的数据集，并在该数据集上验证了本发明提出的关于仪表数据处理方法的有效性。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
附图说明
图1为本发明工业仪表的数据处理装置所属终端设备的功能模块示意图；
图2为本发明工业仪表的数据处理方法第一实施例的流程示意图；
图3为本发明工业仪表的数据处理方法第二实施例的流程示意图；
图4为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第一种细化流程示意图；
图5为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第二种细化流程示意图；
图6为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第三种细化流程示意图；
图7为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第四种细化流程示意图；
图8为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第五种细化流程示意图；
图9为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第六种细化流程示意图；
图10为本发明工业仪表的数据处理方法第三实施例的流程示意图；
图11为本发明工业仪表的数据处理方法第四实施例的流程示意图；
图12为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第七种细化流程示意图；
图13为本发明本发明工业仪表的数据处理方法第五实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；
将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；提取所述当前表计图像的刻度线、表盘和指针图像；根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数；将所述当前工业仪表读数对外上传。基于本发明，构建了一个工业仪表图像数据的数据集，并在该数据集上验证了本发明提出的关于仪表数据处理方法的有效性。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
本发明实施例涉及的技术术语：
目标检测算法：目标检测是在图片中对可变数量的目标进行查找和分类。
检测的内容包括：目标种类与数量问题、目标尺度问题、外在环境干扰问题、框上有类别和置信度（有阈值限定）。
CNN，卷积神经网络，Convolutional Neural Networks, 是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层接收二维或三维数组；三维卷积神经网络的输入层接收四维数组。
卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑，在一些更为现代的算法中可能有Inception模块、残差块等复杂构筑。在常见构筑中，卷积层和池化层为卷积神经网络特有。卷积层中的卷积核包含权重系数，而池化层不包含权重系数，因此在文献中，池化层可能不被认为是独立的层。以LeNet-5为例，3类常见构筑在隐含层中的顺序通常为：输入-卷积层-池化层-全连接层-输出。
卷积神经网络中输出层的上游通常是全连接层，因此其结构和工作原理与传统前馈神经网络中的输出层相同。对于图像分类问题，输出层使用逻辑函数或归一化指数函数输出分类标签。在物体识别问题中，输出层可设计为输出物体的中心坐标、大小和分类。在图像语义分割中，输出层直接输出每个像素的分类结果。
FCN，全卷积神经网络：FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。
感兴趣区域，ROI，region of interest；在机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域。在图像处理领域，感兴趣区域是从图像中选择一个图像区域，这个区域是你的图像分析所关注的重点。圈定该区域以便进行进一步处理。
高斯滤波：高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。高斯滤波后图像被平滑的程度取决于标准差。它的输出是领域像素的加权平均，同时离中心越近的像素权重越高。
Canny算法，是一个多级边缘检测算法，其目标是找到一个最优的边缘。边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘检测主要是灰度变化的度量、检测和定位。
语义分割，semantic segmentation，从字面意思上理解就是让计算机根据图像的语义来进行分割，语义在语音识别中指的是语音的意思，在图像领域，语义指的是图像的内容，对图片意思的理解；分割的意思是从像素的角度分割出图片中的不同对象，对原图中的每个像素都进行标注。语义分割就是除去背景区域的其他区域位置，精确到像素级别。
目前在油田、电力等工矿企业存在很多传统的机械指针表具。与数字式仪表不同，机械表具无法将表具度数实时发送到监控系统，需要人工进行读表检查，而人工读表存在以下几个问题：
1、需要专人去巡查抄表，浪费大量人力；
2、人工抄表存在人工记录数据、纸质表单多、归档困难、文案易丢失、检索低下的缺点；
3、数据存在失真性：人员手工抄表存在作假嫌疑，依赖于人员自觉性，若数据失真则会导致数据无法支撑决策；
4、人工巡检导致巡检周期长、频率低，且每次点检时间存在不固定性；
5、直接导致信息滞后严重，且异常无法得到及时的发现，使能耗“带病”运行；
以上问题直接导致能耗优化找不到下手点，无法查找根因。同时也使生产的产品、设备的质检、系统的稳定运行得不到有效保证。
若将传统的工业仪表更换为智能仪表可以实现实时上传数据的目的，但是，更换为智能仪表存在以下问题：
1、安装时需要停产，影响产能，例如：安装电表需要停电、安装水管需要停水、安装气表需要停气，并且表具本身并不会提升产量；
2、智能表仪器本身价格昂贵，且需要更换的数量较多；
3、技术更新换代快；一般成熟产品的不是最新技术，最新技术不是最成熟的产品。
本发明提供一种解决方案，解决工业企业因现有计量表具为传统机械表具，不具备智能表拥有的数据定时上传功能，需要需人工抄表，存在数据信息滞后，而更换智能表具成本大、工期久的问题，实现了在不用更换现有工业仪表的情况下完成自动读表、上传，巡检周期固定化，节约企业更换智能仪表成本和停线成本；释放人工巡查抄表人力，降低了纸张成本、存放空间、管理成本，从而节约企业运营成本；取消了人工手动录入时间系统/电子档、方便后续的检索，杜绝数据作假，实现数据精细化管理，方便同比环比、主管做决策。由于现在的技术更新换代周期短，因此一般成熟的不是最新技术，最新技术不是最成熟的存在隐患，但是无论智能表具的如何更新换代，都不影响现有表具的使用、读表功能。
具体地，参照图1，图1是本发明工业仪表的数据处理装置所属终端设备的功能模块示意图。该工业仪表的数据处理装置可以为独立于终端设备的、能够进行图片处理、网络模型训练的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。
在本实施例中，该工业仪表的数据处理装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作方法以及工业仪表的数据处理程序，工业仪表的数据处理装置可以将采集的当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数存储于该存储器130中；输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
其中，存储器130中的工业仪表的数据处理程序被处理器执行时实现以下步骤：
采集当前工业仪表图像数据；
对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；
将所述当前工业仪表读数对外上传。
进一步地，存储器130中的工业仪表的数据处理程序被处理器执行时还实现以下步骤：
对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；
将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；
使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；
提取所述当前表计图像的刻度线、表盘和指针图像；
根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数。
进一步地，存储器130中的工业仪表的数据处理程序被处理器执行时还实现以下步骤：
对所述当前工业仪表图像数据的尺寸进行初期设置，得到初期设置后的当前工业仪表图像。
进一步地，存储器130中的工业仪表的数据处理程序被处理器执行时还实现以下步骤：
分别对所述当前工业仪表图像的RGB三个分量设置权重，得到RGB三个分量的权重参数；
将所述RGB三个分量按所述权重参数进行加权平均，得到预处理后的当前工业仪表图像。
进一步地，存储器130中的工业仪表的数据处理程序被处理器执行时还实现以下步骤：
通过所述卷积层检测所述预处理后的当前工业仪表图像的待识别区域，得到特征图块；
通过所述池化层将所述特征图块转换为预设尺寸，得到预设尺寸的特征图块；
通过所述全连接层对所述预设尺寸的特征图块进行分类以及定位，得到当前表计图像。
进一步地，存储器130中的工业仪表的数据处理程序被处理器执行时还实现以下步骤：
通过高斯滤波对所述当前表计图像进行平滑处理，得到平滑图像；
通过边缘检测算法对所述平滑图像进行边缘检测，得到边缘检测后的图像；
通过全卷积神经网络对所述边缘检测后的图像进行语义分割，得到当前表计图像的刻度线、表盘和指针图像。
进一步地，存储器130中的工业仪表的数据处理程序被处理器执行时还实现以下步骤：
根据所述当前表计图像的刻度线、表盘和指针图像构建坐标轴，确定起始刻度线、终止刻度线、表盘中心以及指针位置；
根据所述起始刻度线、终止刻度线、表盘中心以及指针位置计算当前工业仪表读数。
进一步地，存储器130中的工业仪表的数据处理程序被处理器执行时还实现以下步骤：
将所述当前工业仪表图像数据输入到预先创建的边缘推理模型中进行处理，得到当前工业仪表读数。
进一步地，存储器130中的工业仪表的数据处理程序被处理器执行时还实现以下步骤：
训练所述边缘推理模型；
其中所述训练所述边缘推理模型的步骤包括：
采集历史工业仪表图像数据，将所述历史工业仪表图像数据构成训练数据集；
将所述训练数据集进行初期设置，得到初期设置后的训练数据集；
将所述初期设置后的训练数据集进行预处理，得到预处理后的训练数据集；
使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
提取所述训练数据集的表计图像的刻度线、表盘和指针图像；
根据所述训练数据集的表计图像的刻度线、表盘和指针图像计算训练数据集的工业仪表读数，得到训练数据集的工业仪表读数；
将所述训练数据集的工业仪表读数回传到所述边缘推理模型，并返回执行步骤：使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
以此循环，进行参数迭代，直到所述边缘推理模型收敛，终止训练，得到训练后的边缘推理模型。
本实施例通过上述方案，具体通过采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；将所述当前工业仪表读数对外上传。基于本发明，构建了一个工业仪表图像数据的数据集，并在该数据集上验证了本发明提出的关于仪表数据处理方法的有效性。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
基于上述终端设备架构但不限于上述架构，提出本发明方法实施例。
参照图2，图2为本发明工业仪表的数据处理方法第一实施例的流程示意图。所述工业仪表的数据处理方法包括：
步骤S1001，采集当前工业仪表图像数据；
本实施例方法可以采用工业仪表上具有的摄像装置采集工业仪表图像数据，也可以采用具有摄像装置的智能机器人采集工业仪表图像数据。本实施例主要通过摄像头及WiFi终端来实现采集工业仪表图像数据的目的，将带有WiFi功能的多个摄像头放置在多个工业仪表前获取图像数据，并通过无线网络传输给WiFi边缘智能网关设备。
步骤S1002，对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；
本实施例主要通过识别当前采集到的工业仪表图像数据，并且对其进行边缘推理处理，从而得到当前工业仪表读数。
步骤S1003，将所述当前工业仪表读数对外上传。
具体地，作为一种实施方式，可以实现将当前工业仪表读数上传至云端服务器并发送至多种智能化应用，如电费账单推送、用量提示告警、余额预警等，从而实现实时的数据应用服务。
本实施例通过上述方案，采用良好的人机交互设计，具体通过摄像头及WiFi终端采集当前工业仪表图像数据，并通过无线网络传输给WiFi边缘智能网关设备；通过对所述当前工业仪表图像数据进行边缘推理处理，从而得到当前工业仪表读数；将当前工业仪表读数上传至云端服务器并发送至多种智能化应用。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，实现在不用更换现有工业仪表的情况下完成自动读表、上传，巡检周期固定化，节约企业更换智能仪表成本和停线成本；释放人工巡查抄表人力，降低了纸张成本、存放空间、管理成本，从而节约企业运营成本；取消了人工手动录入时间系统/电子档、方便后续的检索，杜绝数据作假，实现数据精细化管理，方便同比环比、主管做决策。由于现在的技术更新换代周期短，因此一般成熟的不是最新技术，最新技术不是最成熟的存在隐患，但是无论智能表具的如何更新换代，都不影响现有表具的使用、读表功能。
参照图3，图3为本发明本发明工业仪表的数据处理方法第二实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，步骤S1002：对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数包括：
步骤S1021，对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；
步骤S1022，将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；
步骤S1023，使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；
步骤S1024，提取所述当前表计图像的刻度线、表盘和指针图像；
步骤S1025，根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数。
具体地，首先，收集当前工业仪表图像数据，对工业仪表图像数据按预设标准进行设置，得到初期设置后的当前工业仪表图像；
其次，对初期设置后的当前工业仪表图像进行预处理，预处理的内容包括对当前工业仪表图像的RGB三个分量进行设置等，得到预处理后的当前工业仪表图像；
再次，使用目标检测算法检测预处理后的当前工业仪表图像的待识别区域，待识别区域包括表盘、指针、刻度线等，从而得到当前表计图像；
另外，使用预设算法对当前表计图像进行语义分割，提取当前表计图像的刻度线、表盘、指针图像；
最后，根据当前表计图像的刻度线、表盘、指针图像构建坐标轴，计算当前工业仪表读数。
本实施例通过上述方案，采用良好的人机交互设计，具体通过摄像头及WiFi终端采集当前工业仪表图像数据，并通过无线网络传输给WiFi边缘智能网关设备；通过对所述当前工业仪表图像数据进行边缘推理处理，从而得到当前工业仪表读数；将当前工业仪表读数上传至云端服务器并发送至多种智能化应用。通过上述方式，解决了传统工业仪表无法自动化处理数据的问题，实现在不用更换现有工业仪表的情况下完成自动读表、上传，巡检周期固定化，节约企业更换智能仪表成本和停线成本；释放人工巡查抄表人力，降低了纸张成本、存放空间、管理成本，从而节约企业运营成本；取消了人工手动录入时间系统/电子档、方便后续的检索，杜绝数据作假，实现数据精细化管理，方便同比环比、主管做决策。并且无论智能表具的如何更新换代，都不影响现有表具的使用、读表功能。
参照图4，图4为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第一种细化流程示意图。基于上述图3所示的实施例，在本实施例中，步骤S1021：对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像的步骤包括：
步骤S1211：对所述当前工业仪表图像数据的尺寸进行初期设置，得到初期设置后的当前工业仪表图像。
具体地，首先，收集当前工业仪表图像数据，对工业仪表图像数据的尺寸进行初期设置，设置为416×416×3（mm），得到初期设置后的当前工业仪表图像；
其次，对初期设置后的当前工业仪表图像进行预处理，预处理的内容包括对当前工业仪表图像的RGB三个分量进行设置等，得到预处理后的当前工业仪表图像；
再次，使用目标检测算法检测预处理后的当前工业仪表图像的待识别区域，待识别区域包括表盘、指针、刻度线等，从而得到当前表计图像；
另外，使用预设算法对当前表计图像进行语义分割，提取当前表计图像的刻度线、表盘、指针图像；
最后，根据当前表计图像的刻度线、表盘、指针图像构建坐标轴，计算当前工业仪表读数。
本实施例通过上述方案，采用良好的人机交互设计，具体通过摄像头及WiFi终端采集当前工业仪表图像数据，并通过无线网络传输给WiFi边缘智能网关设备；通过对所述当前工业仪表图像数据进行边缘推理处理，从而得到当前工业仪表读数；将当前工业仪表读数上传至云端服务器并发送至多种智能化应用。其中，边缘推理处理包括对工业仪表图像数据进行初期设置，将工业仪表图像数据统一尺寸，提高后续的处理的效率。通过上述方式，解决了传统工业仪表无法自动化处理数据的问题，节约企业运营成本；并且无论智能表具的如何更新换代，都不影响现有表具的使用、读表功能。
参照图5，图5为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第二种细化流程示意图。基于上述图3所示的实施例，在本实施例中，步骤S1022：将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像包括：
步骤S1221，分别对所述当前工业仪表图像的RGB三个分量设置权重，得到RGB三个分量的权重参数；
步骤S1222，将所述RGB三个分量按所述权重参数进行加权平均，得到预处理后的当前工业仪表图像。
具体地，作为一种实施方式，预处理的内容包括：根据重要性以及其他指标，为RGB三个分量设置不同的权重，进行加权平均，公式如下：
Figure 992478DEST_PATH_IMAGE001
；
其中，在图像上建立直角坐标系，i、j分别为横轴坐标；a、b和c分别为权重参数，R（i,j）、G（i,j）、B（i,j）分别为RGB三个分量设置的权重。
本实施例中，根据人眼的敏感度，进行以下设置：a=0.3，b=0.6，c=0.2；从而实现对图像的灰度化。
本实施例通过上述方案，采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；提取所述当前表计图像的刻度线、表盘和指针图像；根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数；将所述当前工业仪表读数对外上传。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了企业运营成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
参照图6，图6为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第三种细化流程示意图。基于上述图3所示的实施例，在本实施例中，目标检测算法包括卷积神经网络，卷积神经网络包括卷积层、池化层、全连接层，步骤S1023：使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像包括：
步骤S1231，通过所述卷积层检测所述预处理后的当前工业仪表图像的待识别区域，得到特征图块；
步骤S1232，通过所述池化层将所述特征图块转换为预设尺寸，得到预设尺寸的特征图块；
步骤S1233，通过所述全连接层对所述预设尺寸的特征图块进行分类以及定位，得到当前表计图像。
具体地，可以采用卷积神经网络进行目标检测。Region-CNN是卷积神经网络的一种，可以通过设置多个候选区域从而进行目标检测以及识别。然而，由于R-CNN所设置的候选区域可能会存在很多重贴，因此其训练以及检测速度非常慢。
在本实施例中，采用快速(Fast)R-CNN进行目标检测。进行目标检测时可以选择不同的卷积层。
本实施例中，参照图7，图7为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第四种细化流程示意图。
首先，使用所述卷积神经网络ConV5（第5个卷积层）生成特征图以及感兴趣区域在对应的特征图上的映射特征图块；
其次，使用所述ROI池化层将不同大小的ROI特征图块转换为固定的大小，并送到全连接层；
最后，通过所述全连接层对ROI特征图块进行分类以及边界定位，得到当前表计图像。
本实施例通过上述方案，采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；提取所述当前表计图像的刻度线、表盘和指针图像；根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数；将所述当前工业仪表读数对外上传。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了企业运营成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
参照图8，图8为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第五种细化流程示意图。基于上述图3所示的实施例，在本实施例中，步骤S1024：提取所述当前表计图像的刻度线、表盘和指针图像包括：
步骤S1241，通过高斯滤波对所述当前表计图像进行平滑处理，得到平滑图像；
具体地，针对通过目标检测模型所定位的表计图像，先使用高斯滤波对图像进行平滑，从而减少对边缘检测器（边缘检测算法）明显的噪声影响。高斯滤波器核的产生方程式如下：
Figure 187967DEST_PATH_IMAGE002
；
其中，在图像上建立直角坐标系，i、j为横纵坐标；
Figure 804762DEST_PATH_IMAGE003
决定了高斯函数的宽度；K取整数，（2K+1）是窗口边长。具体地，1≤i，j≤（2K+1）基于该方程可生成相应的高斯卷积核矩阵H。
假设图像矩阵为A，则经过高斯滤波之后，得到平滑图像，该平滑图像可以表示为（
Figure 46388DEST_PATH_IMAGE004
为卷积运算符）：
Figure 524774DEST_PATH_IMAGE005
；
步骤S1242，通过边缘检测算法对所述平滑图像进行边缘检测，得到边缘检测后的图像；
具体地，通过边缘检测算法对平滑图像进行边缘检测，边缘检测算法包括：Sobel、Prewitt、Roberts、Canny、Marr-Hildreth等。
在本实施例中，采用Canny算法进行边缘检测，用于检测图像中的水平方向，垂直方向和对角边缘。通过Canny算法的算子返回的水平以及垂直方向的一阶导数值
Figure 352266DEST_PATH_IMAGE006
，
Figure 359536DEST_PATH_IMAGE007
，可确定像素点的梯度k以及方向
Figure 275408DEST_PATH_IMAGE009
。
其中，Canny算法检测图像的像素点的梯度、方向公式如下：
Figure 291906DEST_PATH_IMAGE010
；
Figure 242413DEST_PATH_IMAGE011
；
根据检测到的图像的像素点的梯度、方向参数，从而得到全卷积神经网络的参数以及边缘检测后的图像。
步骤S1243，通过全卷积神经网络对所述边缘检测后的图像进行语义分割，得到当前表计图像的刻度线、表盘和指针图像。
语义分割可以采用全卷积神经网络、SegNet、Dilated Convolutions等算法。
本实施例通过FCN（全卷积神经网络）模型进行语义分割。通过全卷积化解决了逐像素的预测问题。将最后几个全连接层替换成卷积层，从而实现了任意大小的图像输入，并且输出大小与输入相对应。
基于语义分割，首先，提取出刻度线，表盘以及指针图像；其次，对其进行高斯模糊，从而对边缘进行平滑；最后，对图像进行腐蚀，从而减少模型需要判断计算的像素点的数量，从而提高模型运算效率。
本实施例通过上述方案，采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；提取所述当前表计图像的刻度线、表盘和指针图像；根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数；将所述当前工业仪表读数对外上传。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了企业运营成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
参照图9，图9为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第六种细化流程示意图。基于上述图3所示的实施例，在本实施例中，步骤S1025：根据所述表计图像的刻度线、表盘和指针图像计算工业仪表读数的步骤包括：
步骤S1251，根据所述当前表计图像的刻度线、表盘和指针图像构建坐标轴，确定起始刻度线、终止刻度线、表盘中心以及指针位置；
步骤S1252，根据所述起始刻度线、终止刻度线、表盘中心以及指针位置计算当前工业仪表读数。
具体地，在本实施例中，根据所述当前表计图像的刻度线、表盘和指针图像构建坐标轴，并确定起始和终止刻度线，表盘中心，以及指针前后两端的位置。
假设表盘中心点（即指针起点）为
Figure 951743DEST_PATH_IMAGE012
, 指针终点位置为
Figure 823753DEST_PATH_IMAGE013
，起始刻度线的位置为
Figure 643941DEST_PATH_IMAGE014
，终止刻度线的位置为
Figure 186306DEST_PATH_IMAGE015
，则
Figure 66537DEST_PATH_IMAGE016
与
Figure 504472DEST_PATH_IMAGE017
之间的夹角为
Figure 49722DEST_PATH_IMAGE018
，
Figure 522292DEST_PATH_IMAGE019
与
Figure 88271DEST_PATH_IMAGE020
之间的夹角为
Figure 685606DEST_PATH_IMAGE021
。令最大刻度值为
Figure 96865DEST_PATH_IMAGE022
，最小为
Figure 96045DEST_PATH_IMAGE023
，则可得仪表读数为：
Figure 587854DEST_PATH_IMAGE024
。
本实施例通过上述方案，采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；提取所述当前表计图像的刻度线、表盘和指针图像；根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数；将所述当前工业仪表读数对外上传。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了企业运营成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
参照图10，图10为本发明本发明工业仪表的数据处理方法第三实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，步骤S1002：对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数的步骤包括：
步骤S1004，将所述当前工业仪表图像数据输入到预先创建的边缘推理模型中进行处理，得到当前工业仪表读数。
具体地，本实施例主要通过识别当前采集到的工业仪表图像数据，并且将其输入到预先创建的边缘推理模型中进行处理，从而得到当前工业仪表读数。创建边缘推理模型需要建立算法模型，采集历史工业仪表图像对模型进行训练。
本实施例通过上述方案，采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；提取所述当前表计图像的刻度线、表盘和指针图像；根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数；将所述当前工业仪表读数对外上传。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了企业运营成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
参照图11，图11为本发明本发明工业仪表的数据处理方法第四实施例的流程示意图。基于上述图10所示的实施例，在本实施例中，步骤S1004：将所述当前工业仪表图像数据输入到预先创建的边缘推理模型中进行处理，得到当前工业仪表读数之前还包括：
步骤S1041，训练所述边缘推理模型。
参照图12，图12为本发明工业仪表的数据处理方法实施例中对当前工业仪表图像数据进行边缘推理处理的第七种细化流程示意图。基于上述图11所示的实施例在本实施例中，步骤S1041：训练所述边缘推理模型包括：
步骤S1411，采集历史工业仪表图像数据，将所述历史工业仪表图像数据构成训练数据集；
步骤S1412，将所述训练数据集进行初期设置，得到初期设置后的训练数据集；
步骤S1413，将所述初期设置后的训练数据集进行预处理，得到预处理后的训练数据集；
步骤S1414，使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
步骤S1415，提取所述训练数据集的表计图像的刻度线、表盘和指针图像；
步骤S1416，根据所述训练数据集的表计图像的刻度线、表盘和指针图像计算训练数据集的工业仪表读数，得到训练数据集的工业仪表读数；
步骤S1417，将所述训练数据集的工业仪表读数回传到所述边缘推理模型，并返回执行步骤S1414：使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
步骤S1418，以此循环，进行参数迭代，直到所述边缘推理模型收敛，终止训练，得到训练后的边缘推理模型。
具体地，本实施例方法可以采用工业仪表上具有的摄像装置采集历史工业仪表图像数据，也可以采用具有摄像装置的智能机器人采集历史工业仪表图像数据。本实施例主要通过摄像头及WiFi终端来实现采集工业仪表图像数据的目的，将带有WiFi功能的多个摄像头放置在多个工业仪表前获取图像数据，并通过无线网络传输给WiFi边缘智能网关设备。
首先，收集历史工业仪表图像数据，构成训练数据集；
对历史工业仪表图像数据按预设标准进行初期设置，得到初期设置后的训练数据集；
其次，对初期设置后的训练数据集进行预处理，预处理的内容包括对训练数据集图像的RGB三个分量进行设置等，得到预处理后的训练数据集；
再次，使用目标检测算法检测预处理后的训练数据集的待识别区域，待识别区域包括表盘、指针、刻度线等，从而得到训练数据集的表计图像；
另外，使用预设算法对训练数据集的表计图像进行语义分割，提取训练数据集表计图像的刻度线、表盘、指针图像；
根据当前表计图像的刻度线、表盘、指针图像构建坐标轴，计算训练数据集的工业仪表读数；
将所述训练数据集的工业仪表读数回传到所述边缘推理模型，并返回执行步骤S1414：使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
以此循环，进行参数迭代，直到所述边缘推理模型收敛，终止训练，得到训练后的边缘推理模型。
本实施例通过上述方案，采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；提取所述当前表计图像的刻度线、表盘和指针图像；根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数；将所述当前工业仪表读数对外上传。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了企业运营成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
参照图13，图13为本发明本发明工业仪表的数据处理方法第五实施例的流程示意图。
具体地，本实施例方法可以采用工业仪表上具有的摄像装置采集工业仪表图像数据，也可以采用具有摄像装置的智能机器人采集工业仪表图像数据。
本实施例主要通过摄像头及WiFi终端来实现采集工业仪表图像数据的目的，将带有WiFi功能的多个摄像头放置在多个工业仪表前获取图像数据，并通过无线网络传输给WiFi边缘智能网关设备；
通过WiFi网关将采集到的工业仪表图像数据传输到边缘推理服务器；
边缘推理服务器对当前采集到的工业仪表图像数据进行数据处理，得到当前工业仪表读数；
边缘推理服务器将得到的当前工业仪表读数上传至云服务平台；
云服务平台将当前工业仪表读数发送至多种智能化应用，如电费账单推送、用量提示告警、余额预警等，从而实现实时的数据应用服务。
本实施例通过上述方案，采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；提取所述当前表计图像的刻度线、表盘和指针图像；根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数；将所述当前工业仪表读数对外上传。通过上述方式，本发明解决了传统工业仪表无法自动化处理数据的问题，降低了企业运营成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
此外，本发明实施例还提出一种工业仪表的数据处理系统，所述工业仪表的数据处理系统包括：
数据采集模块，用于采集当前工业仪表图像数据；
边缘推理模块，用于对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；
云服务模块，用于将所述当前工业仪表读数对外上传。
本实施例实现工业仪表的数据处理的原理及实施过程，请参照上述各实施例，在此不再赘述。
此外，本发明实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工业仪表的数据处理程序，所述工业仪表的数据处理程序被所述处理器执行时实现如上所述的工业仪表的数据处理方法的步骤。
由于本工业仪表的数据处理程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有工业仪表的数据处理程序，所述工业仪表的数据处理程序被处理器执行时实现如上所述的工业仪表的数据处理方法的步骤。
由于本工业仪表的数据处理程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
相比现有技术，本发明提供的一种工业仪表的数据处理方法、系统、终端设备及存储介质，通过采集当前工业仪表图像数据；对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；将所述当前工业仪表读数对外上传。本发明解决了传统工业仪表自动化处理数据的问题，降低了成本，并且无论智能仪表如何更新换代，都不影响现有仪表的使用、读表功能。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本发明每个实施例的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种工业仪表的数据处理方法，其特征在于，所述方法包括如下步骤：
采集当前工业仪表图像数据；
对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数，其中，所述边缘推理的处理过程包括：通过基于卷积神经网络的目标检测算法检测所述当前工业仪表图像数据的待识别区域；
将所述当前工业仪表读数对外上传。
2.根据权利要求1所述的工业仪表的数据处理方法，其特征在于，所述对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数的步骤包括：
对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像；
将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像；
使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像；
提取所述当前表计图像的刻度线、表盘和指针图像；
根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数。
3.根据权利要求2所述的工业仪表的数据处理方法，其特征在于，所述对所述当前工业仪表图像数据进行初期设置，得到初期设置后的当前工业仪表图像的步骤包括：
对所述当前工业仪表图像数据的尺寸进行初期设置，得到初期设置后的当前工业仪表图像。
4.根据权利要求2所述的工业仪表的数据处理方法，其特征在于，所述将所述初期设置后的当前工业仪表图像进行预处理，得到预处理后的当前工业仪表图像的步骤包括：
分别对所述当前工业仪表图像的RGB三个分量设置权重，得到RGB三个分量的权重参数；
将所述RGB三个分量按所述权重参数进行加权平均，得到预处理后的当前工业仪表图像。
5.根据权利要求2所述的工业仪表的数据处理方法，其特征在于，所述目标检测算法包括卷积神经网络，所述卷积神经网络包括卷积层、池化层、全连接层，所述使用目标检测算法检测所述预处理后的当前工业仪表图像的待识别区域，得到当前表计图像的步骤包括：
通过所述卷积层检测所述预处理后的当前工业仪表图像的待识别区域，得到特征图块；
通过所述池化层将所述特征图块转换为预设尺寸，得到预设尺寸的特征图块；
通过所述全连接层对所述预设尺寸的特征图块进行分类以及定位，得到当前表计图像。
6.根据权利要求2所述的工业仪表的数据处理方法，其特征在于，所述提取所述当前表计图像的刻度线、表盘和指针图像的步骤包括：
通过高斯滤波对所述当前表计图像进行平滑处理，得到平滑图像；
通过边缘检测算法对所述平滑图像进行边缘检测，得到边缘检测后的图像；
通过全卷积神经网络对所述边缘检测后的图像进行语义分割，得到当前表计图像的刻度线、表盘和指针图像。
7.根据权利要求2所述的工业仪表的数据处理方法，其特征在于，所述根据所述当前表计图像的刻度线、表盘和指针图像计算当前工业仪表读数的步骤包括：
根据所述当前表计图像的刻度线、表盘和指针图像构建坐标轴，确定起始刻度线、终止刻度线、表盘中心以及指针位置；
根据所述起始刻度线、终止刻度线、表盘中心以及指针位置计算当前工业仪表读数。
8.根据权利要求1所述的工业仪表的数据处理方法，其特征在于，所述将所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数的步骤包括：
将所述当前工业仪表图像数据输入到预先创建的边缘推理模型中进行处理，得到当前工业仪表读数。
9.根据权利要求8所述的工业仪表的数据处理方法，其特征在于，所述将所述当前工业仪表图像数据输入到预先创建的边缘推理模型中进行处理，得到当前工业仪表读数的步骤之前还包括：
训练所述边缘推理模型；
其中所述训练所述边缘推理模型的步骤包括：
采集历史工业仪表图像数据，将所述历史工业仪表图像数据构成训练数据集；
将所述训练数据集进行初期设置，得到初期设置后的训练数据集；
将所述初期设置后的训练数据集进行预处理，得到预处理后的训练数据集；
使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
提取所述训练数据集的表计图像的刻度线、表盘和指针图像；
根据所述训练数据集的表计图像的刻度线、表盘和指针图像计算训练数据集的工业仪表读数，得到训练数据集的工业仪表读数；
将所述训练数据集的工业仪表读数回传到所述边缘推理模型，并返回执行步骤：使用目标检测算法检测所述预处理后的训练数据集的待识别区域，得到预处理后的训练数据集的表计图像；
以此循环，进行参数迭代，直到所述边缘推理模型收敛，终止训练，得到训练后的边缘推理模型。
10.一种工业仪表的数据处理系统，其特征在于，包括：
数据采集模块，用于采集当前工业仪表图像数据；
边缘推理模块，用于对所述当前工业仪表图像数据进行边缘推理处理，得到当前工业仪表读数；
云服务模块，用于将所述当前工业仪表读数对外上传。
11.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工业仪表的数据处理方法，所述工业仪表的数据处理的程序被所述处理器执行时实现如权利要求1-9中任一项所述的工业仪表的数据处理方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有工业仪表的数据处理的程序，所述工业仪表的数据处理的程序被处理器执行时实现如权利要求1-9中任一项所述的工业仪表的数据处理方法的步骤。
CN202111310560.3A 2021-11-08 2021-11-08 工业仪表的数据处理方法、系统、终端设备及存储介质 Pending CN113743397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111310560.3A CN113743397A (zh) 2021-11-08 2021-11-08 工业仪表的数据处理方法、系统、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111310560.3A CN113743397A (zh) 2021-11-08 2021-11-08 工业仪表的数据处理方法、系统、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN113743397A true CN113743397A (zh) 2021-12-03

Family

ID=78727672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111310560.3A Pending CN113743397A (zh) 2021-11-08 2021-11-08 工业仪表的数据处理方法、系统、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113743397A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013136295A1 (en) * 2012-03-15 2013-09-19 Northstar Telemetrics, S. L. Method for automatically reading a utility meter, retrofittable meter reader and automatic meter reading system using the same
CN105809179A (zh) * 2014-12-31 2016-07-27 中国科学院深圳先进技术研究院 一种指针式仪表的读数识别方法及装置
US20170076304A1 (en) * 2015-09-11 2017-03-16 Powerscout, Inc. Spatial modeling and other data analytics enabled energy platform
CN108537222A (zh) * 2018-04-13 2018-09-14 湖南阳光电力科技有限公司 一种用于电力仪表的图像识别方法及系统
CN108564085A (zh) * 2018-03-13 2018-09-21 南京大学 一种自动读取指针式仪表读数的方法
CN108764257A (zh) * 2018-05-23 2018-11-06 郑州金惠计算机系统工程有限公司 一种多视角的指针式仪表识别方法
US20190143541A1 (en) * 2017-11-16 2019-05-16 Google Llc Component feature detector for robotic systems
CN111368824A (zh) * 2020-02-24 2020-07-03 河海大学常州校区 一种仪表识别方法、移动设备及存储介质
CN111931620A (zh) * 2020-07-31 2020-11-13 北京奈伦机器人科技有限公司 仪表盘定位识别方法、装置、电子设备及存储介质
US20210174131A1 (en) * 2019-12-10 2021-06-10 Ricoh Company, Ltd. Computer Vision System for Industrial Equipment Gauge Digitization and Alarms
CN113343998A (zh) * 2021-06-08 2021-09-03 西安咏圣达电子科技有限公司 电力机械表计读数监测系统、方法、计算机设备及应用

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013136295A1 (en) * 2012-03-15 2013-09-19 Northstar Telemetrics, S. L. Method for automatically reading a utility meter, retrofittable meter reader and automatic meter reading system using the same
CN105809179A (zh) * 2014-12-31 2016-07-27 中国科学院深圳先进技术研究院 一种指针式仪表的读数识别方法及装置
US20170076304A1 (en) * 2015-09-11 2017-03-16 Powerscout, Inc. Spatial modeling and other data analytics enabled energy platform
US20190143541A1 (en) * 2017-11-16 2019-05-16 Google Llc Component feature detector for robotic systems
CN108564085A (zh) * 2018-03-13 2018-09-21 南京大学 一种自动读取指针式仪表读数的方法
CN108537222A (zh) * 2018-04-13 2018-09-14 湖南阳光电力科技有限公司 一种用于电力仪表的图像识别方法及系统
CN108764257A (zh) * 2018-05-23 2018-11-06 郑州金惠计算机系统工程有限公司 一种多视角的指针式仪表识别方法
US20210174131A1 (en) * 2019-12-10 2021-06-10 Ricoh Company, Ltd. Computer Vision System for Industrial Equipment Gauge Digitization and Alarms
CN111368824A (zh) * 2020-02-24 2020-07-03 河海大学常州校区 一种仪表识别方法、移动设备及存储介质
CN111931620A (zh) * 2020-07-31 2020-11-13 北京奈伦机器人科技有限公司 仪表盘定位识别方法、装置、电子设备及存储介质
CN113343998A (zh) * 2021-06-08 2021-09-03 西安咏圣达电子科技有限公司 电力机械表计读数监测系统、方法、计算机设备及应用

Similar Documents

Publication Publication Date Title
CN111797653B (zh) 基于高维图像的图像标注方法和装置
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN108229418B (zh) 人体关键点检测方法和装置、电子设备、存储介质和程序
CN111144325A (zh) 变电站电力设备的故障识别定位方法、装置及设备
CN109544501A (zh) 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法
CN114749342B (zh) 一种锂电池极片涂布缺陷识别方法、装置及介质
CN110929785B (zh) 数据分类方法、装置、终端设备及可读存储介质
CN109934221B (zh) 基于注意力机制的电力设备自动分析识别监控方法及系统
CN114241511B (zh) 一种弱监督行人检测方法、系统、介质、设备及处理终端
CN115661044A (zh) 一种基于多源融合的变电站电力设备故障检测方法
CN111178177A (zh) 一种基于卷积神经网络的黄瓜病害识别方法
CN112749654A (zh) 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置
CN112862757A (zh) 一种基于计算机视觉技术的重量评估系统及实现方法
Feng et al. A novel saliency detection method for wild animal monitoring images with WMSN
CN109241932B (zh) 一种基于运动方差图相位特征的热红外人体动作识别方法
CN113628252A (zh) 一种基于热成像视频的泄漏气体云团检测方法
CN117475327A (zh) 一种城市中基于遥感图像的多目标检测定位方法和系统
CN111627018B (zh) 一种基于双流神经网络模型的钢板表面缺陷分类方法
CN106682604B (zh) 一种基于深度学习的模糊图像检测方法
CN111368856A (zh) 一种基于视觉的图书盘点系统的书脊提取方法及装置
CN113743397A (zh) 工业仪表的数据处理方法、系统、终端设备及存储介质
CN115661694A (zh) 一种聚焦关键特征的轻量型主变压器智能检测方法、系统、存储介质及电子设备
CN116188943A (zh) 太阳射电频谱爆发信息检测方法及装置

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: 20211203