CN113888737A - 基于智能设备拍摄测温图像的热用户室温测量方法及系统 - Google Patents
基于智能设备拍摄测温图像的热用户室温测量方法及系统 Download PDFInfo
- Publication number
- CN113888737A CN113888737A CN202111085806.1A CN202111085806A CN113888737A CN 113888737 A CN113888737 A CN 113888737A CN 202111085806 A CN202111085806 A CN 202111085806A CN 113888737 A CN113888737 A CN 113888737A
- Authority
- CN
- China
- Prior art keywords
- room temperature
- image
- temperature measurement
- user
- neural network
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于智能设备拍摄测温图像的热用户室温测量方法,包括:热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机,并按照预设规则生成激励结果以鼓励用户进行室温测量;室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性和识别相应的室温测量值。本发明不需要跑到用户家里进行室温测量,减少现有无线室温采集产生的通讯费用,还能够保证测量位置的有效,为热网调度提供可靠的室温数据,节省运行成本。
Description
技术领域
本发明属于智慧供热室温测量技术领域,具体涉及一种基于智能设备拍摄测温图像的热用户室温测量方法及系统。
背景技术
在热力行业中,一到集中供暖期,就要产生不少供暖矛盾,热力公司想节约成本省钱,住户经常埋怨室内温度不达标,要求测温。目前众多的物业公司和热力公司在供热期间按温度采集靠人工上门测量方式,需要跑很多路,工作量大,数据不及时。
在集中供暖领域中,无线室温采集是近些年来兴起的测温方式。随着计算机技术、电子技术和通讯技术的不断发展,各个行业的自动化进程正在逐渐加快,以至于在温度采集中对数据采集的实时性、可靠性、信息量提出了更高的要求。用户室温无线测量的优势是以在无法布线的现有楼宇之间,集中监控多路环境温度,控制空调和暖气,达到节能增效的目的。热力公司通过参考温度数据来进行能量调节,以保证供热质量,同时节约能源。
然而,无线室温监测仪是利用无线公网进行数据传输,大量的无线室温监测仪必然会产生大量的通讯费用,这种通讯成本困惑着热力企业,也限制了无线室温监测仪的大量采用;另外还有电话线测温,GPRS方式测温等,这两种方式都存在各自的弊端,电话线测温表需要占用用户家的电话,给用户日常生活带来不便,GPRS方式测温,需要借助中国移动的GPRS网络,通过流量计费,给用户的后续维护带来不便;而且,对供热温度进行测量,应当在门窗正常关闭一小时以上的情况下,将室温计量器具置于被测房间中央距离地面一米处,计量器具的稳定读数为实际供热温度,然而一些恶意用户会在门口、窗户边、冰箱或者其他异常位置采集室内温度,造成室温数据非法无效且损害热力公司的利益。
基于上述技术问题,需要设计一种新的基于智能设备拍摄测温图像的热用户室温测量方法。
发明内容
本发明的目的是提供一种基于智能设备拍摄测温图像的热用户室温测量方法及系统,提高室温测量的可靠性,为热网调度提供详细可靠的供热效果数据,减少现有无线室温采集产生的通讯费用,实现热网经济运行。
为了解决上述技术问题,本发明提供了一种基于智能设备拍摄测温图像的热用户室温测量方法,它包括:
步骤S1,热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;
步骤S2,采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机,并按照预设规则生成激励结果以鼓励用户进行室温测量;
步骤S3,所述室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性并识别相应的室温测量值。
进一步,所述步骤S1具体包括:
对同一小区的热用户选取一天内早中晚不同测温时刻为第一时间段T1、第二时间段T2和第三时间段T3,表示为T=[T1,T2,T3];
热用户选取至少一个有效的室温测量位置,表示为M=[M1,M2,…,Mi],i≥1;
进一步,所述步骤S2中,采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机,并按照预设规则生成激励结果以鼓励用户进行室温测量具体包括:
智能终端装置通过其摄像单元分别对第一时间段t1内不同室温测量位置的室温测量值第二时间段t2内不同室温测量位置的室温测量值和第三时间段t3内不同室温测量位置的室温测量值进行拍摄获取原始室温图像数据集,并在对应的时间段内依次发送至室温监测上位机;
其中,当热用户在预设的第一时间段T1内、第二时间段T2内和第三时间段T3内依次上传完成对应的室温图像数据时,按照预设规则生成激励结果以鼓励用户,所述预设规则是:参考微信平台的红包生成机制生成电子红包;或者预设奖品清单,以抽奖的方式随机生成奖品。
进一步,所述步骤S3中,所述室温监测上位机对获取的原始室温图像数据集进行预处理包括:
通过采集和量化,将图像信号转换成数字信号;
通过灰度矫正、灰度变换对室温图像进行图像增强;
通过局部平滑、双边滤波方法对室温图像进行图像去噪与平滑;
对室温图像数据集依次进行图像裁剪、标准化处理和归一化处理;
进一步,所述步骤S3中的图像分割,具体包括:
对预处理后的输入室温图像计算均值、方差和灰度值后,根据图像的均值和方差计算获得二值化分割的最佳阈值,将灰度值大于最佳阈值的图像中的所有像素点均标记为目标区域,将灰度值小于最佳阈值的图像中的所有像素点均标记为背景区域,采用的计算公式为:
式中,背景区域用0表示,目标区域用1表示,F(I,J)代表输入室温图像,G(I,J)代表输出室温图像,像素以i,j表示,输入室温图像的灰度值用f(i,j)表示,输出图像灰度值用g(i,j)表示,最佳阈值用T表示。
进一步,所述图像分割还包括,对所述图像的目标区域进行图像字符和空间位置分割,具体包括:
采用深度学习图像算法构建用于识别输入室温图像的图像字符识别模型和空间位置模型;
通过检测算法对室温图像进行字符区域和非字符区域的检测定位获得室温字符区域和非字符区域,并分别设定滑动窗口的大小;
将滑动窗口在所述室温字符区域内从左向右进行滑动遍历形成系列窗口,并将窗口内的图像区域输入至所述图像字符识别模型,判断窗口内是否包括单个字符的概率,再针对系列窗口及其对应的字符概率进行优化处理,保留的窗口为室温图像中的字符;
将滑动窗口在所述图像非字符区域内从左向右进行滑动遍历形成系列窗口,并将窗口内的图像区域输入至所述空间位置模型,根据预先建立的二维图像位置节点信息库判断窗口内是否包括多个位置节点,保留的窗口为室温图像中的测量空间位置。
进一步,所述步骤S3中的标签提取,具体包括:
将所述室温图像中的多张分割出来的字符图像和空间位置图像作为待提取图像集,通过采用卷积神经网络中的卷积层提取每一待提取图像的卷积特征图;
在卷积神经网络中的特征映射层中,对每一卷积特征图设定多个提取区域,将每个提取区域的区域类别和区域信息作为各自的区域标签;所述区域类别包括室温测量装置区域、室温数据区域和室温测量位置区域,所述区域信息至少包括数字字符信息和室温测量位置空间信息;
将每一卷积特征图对应的所有提取区域的区域标签作为该卷积特征图的标签集,收集全部卷积特征图的标签集,获得室温标签集,所述室温标签集至少包括数字字符信息和室温测量位置空间信息;
其中,预先采集热用户室内测量位置图像和提取相应的标签识别点,所述标签识别点排除窗户、门口和具有降温作用的位置识别异常点,保留权重值大、特征明显的位置识别点。
进一步,所述步骤S3中,所述卷积神经网络模型的构建,具体包括:
在历史时间段内,收集经过所述步骤S1和S2处理后的图像数据集作为样本数据,对样本图像进行预处理和图像分割后的室温图像集作为输入变量,包括训练集和测试集,将室温标签集作为输出变量;
构建卷积神经网络,所述卷积神经网络包括一个输入层、多个卷积层和多个池化层、多个全连接层和一个输出层,设置训练次数及训练目标误差,使用所述训练集中的室温图像训练所述卷积神经网络,使得所述卷积神经网络输出层特征值与所输入的每个室温图像的标签信息相同;其中所述输入层的大小与所述训练集中室温图像的预定大小相同;
当卷积神经网络训练结束后,通过测试集中的室温图像测试所述卷积神经网络,当所述卷积神经网络在测试集的预测误差小于预设值即通过测试,该卷积神经网络可用于室温测量。
进一步,所述步骤S3中,所述输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性和识别相应的室温测量值,具体包括:
将实时采集的用户室温测量图像进行所述预处理、图像分割和标签提取后,输入至构建的所述卷积神经网络模型中,判别图像上热用户的室温测量位置与预设的室温目标位置是否一致,进而判断空间位置的有效性,在空间位置有效时识别读取相应的室温测量值。
本发明第二方面还提出一种基于智能设备拍摄测温图像的热用户室温测量系统,它包括:
室温获取模块,用于热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;
图像采集模块,用于采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机;
用户激励模块,用于按照预设规则生成激励结果以鼓励用户进行室温测量;
图像识别模块,用于所述室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性和识别相应的室温测量值。
本发明的有益效果是:
(1)本发明通过热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机;室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性和识别相应的室温测量值;室温测量装置采用普通水银计即可,通过智能终端装置(手机)对室温测量数据进行拍照、图像上传和预处理、图像分割和标签提取后,采用卷积神经网络判别室温测量位置的有效判别和数值读取,能够减少现有无线室温采集产生的通讯费用,且不需要经常跑到用户家里去进行室温测量,还能够保证室温测量位置的可靠有效,室温监测上位机得到大量的、及时的室内温度信息,从而为热网调度提供详细可靠的供热效果数据,实现热网经济运行,为热力企业节省大量运行成本;
(2)本发明通过按照预设规则生成激励结果以鼓励用户进行室温测量,按照预设规则生成激励结果以鼓励用户,预设规则是参考微信平台的红包生成机制生成电子红包,或者预设奖品清单,以抽奖的方式随机生成奖品,从而能够有效的激励热用户积极去参与室温测量,方便热力公司了解热用户的室温数据,以便进行供热调节;
(3)本发明通过对室温图像进行图像字符和测量空间位置分割,并进行相应的标签提取,构建卷积神经网络模型对室温图像进行识别,判别测量位置的有效性和读取相应的室温数值,能够有效提高室温测量的可靠性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明一种基于智能设备拍摄测温图像的热用户室温测量方法的流程图;
图2为本发明一种基于智能设备拍摄测温图像的热用户室温测量系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
实施例1
图1是本发明所涉及的基于智能设备拍摄测温图像的热用户室温测量方法流程图。
如图1所示,本实施例1提供了一种基于智能设备拍摄测温图像的热用户室温测量方法,它包括:
步骤S1,热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;
步骤S2,采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机,并按照预设规则生成激励结果以鼓励用户进行室温测量;
步骤S3,室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性并识别相应的室温测量值。
在本实施例中,步骤S1具体包括:
对同一小区的热用户选取一天内早中晚不同测温时刻为第一时间段T1、第二时间段T2和第三时间段T3,表示为T=[T1,T2,T3];
热用户选取至少一个有效的室温测量位置,表示为M=[M1,M2,…,Mi],i≥1;
需要说明的是,室温测量装置要求是普通不具备通讯功能,一方面免除了通讯模块和相关费用,另一方面保护用户隐私且安全性高,不易被破坏。
在本实施例中,步骤S2具体包括:
智能终端装置通过其摄像单元分别对第一时间段t1内不同室温测量位置的室温测量值第二时间段t2内不同室温测量位置的室温测量值和第三时间段t3内不同室温测量位置的室温测量值进行拍摄获取原始室温图像数据集,并在对应的时间段内依次发送至室温监测上位机;
其中,当热用户在预设的第一时间段T1内、第二时间段T2内和第三时间段T3内依次上传完成对应的室温图像数据时,按照预设规则生成激励结果以鼓励用户,预设规则是:参考微信平台的红包生成机制生成电子红包;或者预设奖品清单,以抽奖的方式随机生成奖品。
在本实施例中,步骤S3中,室温监测上位机对获取的原始室温图像数据集进行预处理包括:
通过采集和量化,将图像信号转换成数字信号;
通过灰度矫正、灰度变换对室温图像进行图像增强;
通过局部平滑、双边滤波方法对室温图像进行图像去噪与平滑;
对室温图像数据集依次进行图像裁剪、标准化处理和归一化处理;
在实际的应用中,预处理还包括对图像旋转,改变图像中像素点相互的空间关系叫做图像的几何转换,进而改变图像的空间位置,能够获得变换前的像素点和变换后的坐标,计算公式为:
输出图像像素位置坐标用上式中x,y代表,输入图像像素位置坐标用x0、y0代表,它们之间的对应关系用U和V代表,即通过输入的x0、y0来计算出相应的x和y的坐标。
另外图像旋转理论上可以旋转任意角度,如90度、180度和270度旋转固定的整数角度进程使用在逆时针旋转。
在本实施例中,步骤S3中,对室温图像数据集进行图像分割,具体包括:
对预处理后的输入室温图像计算均值、方差和灰度值后,根据图像的均值和方差计算获得二值化分割的最佳阈值,将灰度值大于最佳阈值的图像中的所有像素点均标记为目标区域,将灰度值小于最佳阈值的图像中的所有像素点均标记为背景区域,采用的计算公式为:
式中,背景区域用0表示,目标区域用1表示,F(I,J)代表输入室温图像,G(I,J)代表输出室温图像,像素以i,j表示,输入室温图像的灰度值用f(i,j)表示,输出图像灰度值用g(i,j)表示,最佳阈值用T表示。
在本实施例中,图像分割还包括,对图像的目标区域进行图像字符和空间位置分割,具体包括:
采用深度学习图像算法构建用于识别输入室温图像的图像字符识别模型和空间位置模型;
通过检测算法对室温图像进行字符区域和非字符区域的检测定位获得室温字符区域和非字符区域,并分别设定滑动窗口的大小;
将滑动窗口在室温字符区域内从左向右进行滑动遍历形成系列窗口,并将窗口内的图像区域输入至图像字符识别模型,判断窗口内是否包括单个字符的概率,再针对系列窗口及其对应的字符概率进行优化处理,保留的窗口为室温图像中的字符;
将滑动窗口在图像非字符区域内从左向右进行滑动遍历形成系列窗口,并将窗口内的图像区域输入至空间位置模型,根据预先建立的二维图像位置节点信息库判断窗口内是否包括多个位置节点,保留的窗口为室温图像中的测量空间位置。
在本实施例中,步骤S3中,对室温图像数据集进行标签提取,具体包括:
将室温图像中的多张分割出来的字符图像和空间位置图像作为待提取图像集,通过采用卷积神经网络中的卷积层提取每一待提取图像的卷积特征图;
在卷积神经网络中的特征映射层中,对每一卷积特征图设定多个提取区域,将每个提取区域的区域类别和区域信息作为各自的区域标签;区域类别包括室温测量装置区域、室温数据区域和室温测量位置区域,区域信息至少包括数字字符信息和室温测量位置空间信息;
将每一卷积特征图对应的所有提取区域的区域标签作为该卷积特征图的标签集,收集全部卷积特征图的标签集,获得室温标签集,室温标签集至少包括数字字符信息和室温测量位置空间信息;
其中,预先采集热用户室内测量位置图像和提取相应的标签识别点,标签识别点排除窗户、门口和具有降温作用的位置识别异常点,保留权重值大、特征明显的位置识别点,权重值的大小依据系统人为预设,位置识别点依据系统预设相应的识别特征便于进行特征识别和标签提取。
在本实施例中,步骤S3中,卷积神经网络模型的构建,具体包括:
在历史时间段内,收集经过步骤S1和S2处理后的图像数据集作为样本数据,对样本图像进行预处理和图像分割后的室温图像集作为输入变量,包括训练集和测试集,将室温标签集作为输出变量;
构建卷积神经网络,卷积神经网络包括一个输入层、多个卷积层和多个池化层、多个全连接层和一个输出层,设置训练次数及训练目标误差,使用训练集中的室温图像训练卷积神经网络,使得卷积神经网络输出层特征值与所输入的每个室温图像的标签信息相同;其中输入层的大小与训练集中室温图像的预定大小相同;
当卷积神经网络训练结束后,通过测试集中的室温图像测试卷积神经网络,当卷积神经网络在测试集的预测误差小于预设值即通过测试,该卷积神经网络可用于室温测量。
在实际的应用中,卷积神经网络中包括用于模型训练的依次连接的输入层、第一卷积层、第二池化层、第三卷积模块组、第四池化层、第五卷积层、第六池化层、第七卷积层、第八全连接层、输出层;其中,第三卷积模块组包括三个分支,包括第一分支、第二分支以及第三分支;第一分支包括第一分支第一卷积层、第一分支第二卷积层;第二分支包括第二分支第一卷积层、第二分支第二卷积层;第三分支包括第三分支卷积层;通过预设的卷积参数,进行卷积处理的各层在获取上层的图像进行卷积处理后,得到的特征图像的数量呈梯度上升趋势;通过预设的池化参数,进行池化处理的各层在获取上层的图像进行池化处理后,得到的特征图像的尺寸呈梯度下降趋势;第八全连接层预设有若干神经元,各神经元连接输出层,用于输出标签结果。
卷积神经网络中用于卷积处理的各层中预设有激活函数;激活函数采用ReLU激活函数,ReLU激活函数的表达式为:f(x)=max(0,x),其中,x表示各卷积层的输出。卷积神经网络中的输出层通过Softmax函数获取图像所属类别的概率,并选择概率最大值为最后输出结果。
在本实施例中,步骤S3中,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性和识别相应的室温测量值,具体包括:
将实时采集的用户室温测量图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中,判别图像上热用户的室温测量位置与预设的室温目标位置是否一致,进而判断空间位置的有效性,在空间位置有效时识别读取相应的室温测量值。
需要说明的是,对空间位置的判别主要包括判断室温测量装置是否被放在窗台、门口、冰箱等异常位置,如果是异常位置,则该室温测量图像是无效的。
在实际的应用中,室温测量值的读取通过数字识别算法框架实现,通常识别算法的步骤分为数字提取、模板匹配等步骤,在数字模板匹配时进行优化处理,采用轮廓和投影两种结合方式以增强数字识别的兼容性,对数字字符感兴趣区域进行水平投影和竖直投影,数字特征首先存储温度计上系列数字的特征作为模板,然后通过将输入图像上数字提取和模板进行一一匹配,最高相似度的则为同一个数字,通过验证该方式能够得到不错的匹配结果,通过数字字符之间的距离判别,如果距离小于数字宽度的50%,则判别为同一个数,将其组合为一个两位数;距离大于数字宽度的50%,判别为两个数,分别进行运算;如果室温测量装置是温度计,则需要进行刻度识别,包括刻度提取,温度计图像中刻度线都为垂直方向,但是由于是玻璃温度计其玻璃的反光、折射和穿透到背景其并不是均匀的,刻度的完整性不强,因此结合垂直投影和多个刻度位置均匀分布的特性对刻度样式和位置进行二次修正获得较理想的图像;水银柱识别:采用sobel水平方向提取像素结合hough变换得到较为精确的水银柱像素坐标;水银温度计读数计算:提取对应的刻度和数字,将刻度、数字、液柱头构成一个关联数组,提取所有长刻度和距离液柱头最近的一组长刻度构成关联组A,再提取所有数字区域对应位置的刻度构成关联组B,提取所有液柱两端数字对应位置的刻度构成关联组C,求得两者之间的距离像素长度,此外两个数值之间温度差为2度,可求得像素当量值,依据距离和像素当量值求得实际液柱读数。
实施例2
图2是本发明所涉及的基于智能设备拍摄测温图像的热用户室温测量系统原理框图。
如图2所示,本实施例2提出了一种基于智能设备拍摄测温图像的热用户室温测量系统,它包括:
室温获取模块,用于热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;
图像采集模块,用于采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机;
用户激励模块,用于按照预设规则生成激励结果以鼓励用户进行室温测量;
图像识别模块,用于室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性并识别相应的室温测量值。
本发明通过热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机;室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性并识别相应的室温测量值;室温测量装置采用普通水银计即可,通过智能终端装置(手机)对室温测量数据进行拍照、图像上传和预处理、图像分割和标签提取后,采用卷积神经网络判别室温测量位置的有效判别和数值读取,能够减少现有无线室温采集产生的通讯费用,且不需要经常跑到用户家里去进行室温测量,还能够保证室温测量位置的可靠有效,室温监测上位机得到大量的、及时的室内温度信息,从而为热网调度提供详细可靠的供热效果数据,实现热网经济运行,为热力企业节省大量运行成本;本发明通过按照预设规则生成激励结果以鼓励用户进行室温测量,按照预设规则生成激励结果以鼓励用户,预设规则是:参考微信平台的红包生成机制生成电子红包;或者预设奖品清单,以抽奖的方式随机生成奖品,从而能够有效的激励热用户积极去参与室温测量,方便热力公司了解热用户的室温数据,以便进行供热调节;本发明通过对室温图像进行图像字符和测量空间位置分割,并进行相应的标签提取,构建卷积神经网络模型对室温图像进行识别,判别测量位置的有效性和读取相应的室温数值,能够有效提高室温测量的可靠性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能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,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于智能设备拍摄测温图像的热用户室温测量方法,其特征在于,它包括:
步骤S1、热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;
步骤S2、采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机,并按照预设规则生成激励结果以鼓励用户进行室温测量;
步骤S3、所述室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性并识别相应的室温测量值。
3.根据权利要求2所述的供热系统热用户室温测量方法,其特征在于,所述步骤S2中,所述采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机,并按照预设规则生成激励结果以鼓励用户进行室温测量,包括如下步骤:
智能终端装置通过其摄像单元分别对第一时间段t1内不同室温测量位置的室温测量值第二时间段t2内不同室温测量位置的室温测量值和第三时间段t3内不同室温测量位置的室温测量值进行拍摄获取原始室温图像数据集,并在对应的时间段内依次发送至室温监测上位机;
其中,当热用户在预设的第一时间段t1内、第二时间段t2内和第三时间段t3内依次上传完成对应的室温图像数据时,按照预设规则生成激励结果以鼓励用户。
6.根据权利要求5所述的供热系统热用户室温测量方法,其特征在于,所述图像分割还包括对所述图像的目标区域进行图像字符和空间位置分割,具体包括如下步骤:
采用深度学习图像算法构建用于识别输入室温图像的图像字符识别模型和空间位置模型;
通过检测算法对室温图像进行字符区域和非字符区域的检测定位获得室温字符区域和非字符区域,并分别设定滑动窗口的大小;
将滑动窗口在所述室温字符区域内从左向右进行滑动遍历形成系列窗口,并将窗口内的图像区域输入至所述图像字符识别模型,判断窗口内是否包括单个字符的概率,再针对系列窗口及其对应的字符概率进行优化处理,保留的窗口为室温图像中的字符;
将滑动窗口在所述图像非字符区域内从左向右进行滑动遍历形成系列窗口,并将窗口内的图像区域输入至所述空间位置模型,根据预先建立的二维图像位置节点信息库判断窗口内是否包括多个位置节点,保留的窗口为室温图像中的测量空间位置。
7.根据权利要求1所述的供热系统热用户室温测量方法,其特征在于,所述步骤S3中的标签提取,具体包括如下步骤:
将所述室温图像中的多张分割出来的字符图像和空间位置图像作为待提取图像集,通过采用卷积神经网络中的卷积层提取每一待提取图像的卷积特征图;
在卷积神经网络中的特征映射层中,对每一卷积特征图设定多个提取区域,将每个提取区域的区域类别和区域信息作为各自的区域标签;所述区域类别包括室温测量装置区域、室温数据区域和室温测量位置区域,所述区域信息至少包括数字字符信息和室温测量位置空间信息;
将每一卷积特征图对应的所有提取区域的区域标签作为该卷积特征图的标签集,收集全部卷积特征图的标签集,获得室温标签集,所述室温标签集至少包括数字字符信息和室温测量位置空间信息;
其中,预先采集热用户室内测量位置图像和提取相应的标签识别点,所述标签识别点排除窗户、门口和具有降温作用的位置识别异常点。
8.根据权利要求1所述的供热系统热用户室温测量方法,其特征在于,所述步骤S3中,所述卷积神经网络模型的构建,具体包括如下步骤:
在历史时间段内,收集经过所述步骤S1和S2处理后的图像数据集作为样本数据,对样本图像进行预处理和图像分割后的室温图像集作为输入变量,包括训练集和测试集,将室温标签集作为输出变量;
构建卷积神经网络,所述卷积神经网络包括一个输入层、多个卷积层和多个池化层、多个全连接层和一个输出层,设置训练次数及训练目标误差,使用所述训练集中的室温图像训练所述卷积神经网络,使得所述卷积神经网络输出层特征值与所输入的每个室温图像的标签信息相同;其中所述输入层的大小与所述训练集中室温图像的预定大小相同;
当卷积神经网络训练结束后,通过测试集中的室温图像测试所述卷积神经网络,当所述卷积神经网络在测试集的预测误差小于预设值即通过测试,该卷积神经网络可用于室温测量。
9.根据权利要求1所述的供热系统热用户室温测量方法,其特征在于,所述步骤S3中,所述输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性和识别相应的室温测量值,具体包括:
将实时采集的用户室温测量图像进行所述预处理、图像分割和标签提取后,输入至构建的所述卷积神经网络模型中,判别图像上热用户的室温测量位置与预设的室温目标位置是否一致,进而判断空间位置的有效性,在空间位置有效时识别读取相应的室温测量值。
10.一种基于智能设备拍摄测温图像的热用户室温测量系统,其特征在于,它包括:
室温获取模块,用于热用户在预设的不同时间段内通过室温测量装置实时获取不同室温测量位置的室温测量值;
图像采集模块,用于采用智能终端装置分别对多个室温测量值进行图像采集后通过通信模块发送至室温监测上位机;
用户激励模块,用于按照预设规则生成激励结果以鼓励用户进行室温测量;
图像识别模块,用于所述室温监测上位机对实时获取的室温图像进行预处理、图像分割和标签提取后,输入至构建的卷积神经网络模型中进行图像识别,判别图像上热用户的室温测量位置有效性和识别相应的室温测量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085806.1A CN113888737A (zh) | 2021-09-16 | 2021-09-16 | 基于智能设备拍摄测温图像的热用户室温测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085806.1A CN113888737A (zh) | 2021-09-16 | 2021-09-16 | 基于智能设备拍摄测温图像的热用户室温测量方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888737A true CN113888737A (zh) | 2022-01-04 |
Family
ID=79009666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085806.1A Pending CN113888737A (zh) | 2021-09-16 | 2021-09-16 | 基于智能设备拍摄测温图像的热用户室温测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888737A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、系统和计算机可读存储介质 |
CN115930384A (zh) * | 2023-03-13 | 2023-04-07 | 中国海洋大学 | 利用强化学习和热成像的智能空调控制设备和控制方法 |
-
2021
- 2021-09-16 CN CN202111085806.1A patent/CN113888737A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、系统和计算机可读存储介质 |
CN115930384A (zh) * | 2023-03-13 | 2023-04-07 | 中国海洋大学 | 利用强化学习和热成像的智能空调控制设备和控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921203B (zh) | 一种指针式水表的检测与识别方法 | |
CN111079640B (zh) | 一种基于自动扩增样本的车型识别方法及系统 | |
CN113888737A (zh) | 基于智能设备拍摄测温图像的热用户室温测量方法及系统 | |
CN114331031B (zh) | 一种建筑传统特征识别评价方法和系统 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
CN117437522B (zh) | 一种人脸识别模型训练方法、人脸识别方法及装置 | |
CN116776238B (zh) | 一种基于多源信息水旱灾害动态风险评估方法和系统 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN115775085A (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
Sun et al. | Real-time detection method of window opening behavior using deep learning-based image recognition in severe cold regions | |
Jin et al. | A Smart Water Metering System Based on Image Recognition and Narrowband Internet of Things. | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN115849202B (zh) | 基于数字孪生技术的智能起重机操作目标识别方法 | |
CN111652048A (zh) | 一种基于深度学习的1:n人脸比对方法 | |
CN116541689A (zh) | 多模态数据采集与标注方法、装置、计算机设备 | |
CN114494850A (zh) | 一种村庄无人居住院落智能识别方法及系统 | |
An et al. | Semantic Recognition and Location of Cracks by Fusing Cracks Segmentation and Deep Learning | |
Yang et al. | Abnormal Scene Image Recognition Method for Intelligent Operation and Maintenance of Electrical Equipment in Substations | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别系统及方法 | |
CN117496201B (zh) | 一种用于电子烟、雾化器和电池杆的识别方法 | |
CN115013858B (zh) | 一种基于滞后时间辨识的供热二级网分户调控方法 | |
Adalberto et al. | Computer Vision-based Reader for analogue Energy/Water Meters in low-cost embedded System: a Case Study in an Office Building in Scotland |
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 | ||
CB02 | Change of applicant information |
Address after: 310000 rooms 208, 209-1, 209-2, building 2, 88 Longyuan Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang Yingji Power Technology Co.,Ltd. Address before: 310000 rooms 208, 209-1, 209-2, building 2, 88 Longyuan Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Yingji Power Technology Co.,Ltd. |
|
CB02 | Change of applicant information |