CN117349734A - 水表设备识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请适用于人工智能及设备识别技术领域，尤其涉及一种水表设备识别方法、装置、电子设备及存储介质。该水表设备识别方法包括：获取待识别水表的目标用水量数据，目标用水量数据为满足预设条件的用水量数据；基于目标用水量数据，确定待识别水表的目标用水量曲线图；基于目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，识别结果表征待识别水表的设备类型。本申请提供的技术方案，提高了水表设备的识别效率和准确度，有利于将水箱设备水表从零用水量报警系统中剔除，以提高零用水量报警的准确度，并且通过水箱设备水表的目标用水量数据，能够确定水泵是否有损坏，实现了对二次供水设备的管理。

Description

水表设备识别方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能及设备识别技术领域，尤其涉及一种水表设备识别方法、装置、电子设备及存储介质。

背景技术

智慧水务正在全球范围内迅速发展，其中零用水量报警作为重要组成部分，对于发现设备故障、防止水资源浪费起着至关重要的作用。

然而，一些水表设备被安装在水箱内，由于水箱会周期性地储存和消耗水，导致水表设备显示的用水量数据呈现出周期性的矩形波或周期性的锯齿波，当水表显示用水量数据为零时，水箱设备也可能在用水，这对零用水量报警造成了干扰，降低了报警的准确性。针对这一问题，目前常用的解决方案主要依赖于专业人员的手动检查来识别水箱设备水表，但该解决方案效率低下，且准确性较低。

因此，如何提高水箱设备水表的识别效率和准确性成为了亟待解决的问题。

发明内容

本申请实施例提供了一种水表设备识别方法、装置、电子设备及存储介质，提高了水箱设备水表的识别效率和准确度。

第一方面，本申请实施例提供了一种水表设备识别方法，所述方法包括：获取待识别水表的目标用水量数据，所述目标用水量数据为满足预设条件的用水量数据；基于所述目标用水量数据，确定所述待识别水表的目标用水量曲线图；基于所述目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，所述识别结果表征所述待识别水表的设备类型。

在一种可能的实现方式中，所述基于所述目标用水量数据，确定所述待识别水表的目标用水量曲线图，包括：基于所述目标用水量数据，确定所述待识别水表的用水量曲线图；对所述用水量曲线图进行预处理，确定所述待识别水表的目标用水量曲线图。

在一种可能的实现方式中，构建所述水表设备识别模型，包括：获取多个水表的设备类型和满足所述预设条件的历史用水量数据，所述设备类型包括水箱设备水表和非水箱设备水表；基于任一所述历史用水量数据，确定与所述历史用水量数据对应的历史用水量曲线图；对任一所述历史用水量曲线图进行预处理，确定与所述历史用水量曲线图对应的目标历史用水量曲线图；基于各所述水表的设备类型，对任一所述目标历史用水量曲线图进行标注，确定与所述目标历史用水量曲线图对应的已标注目标历史用水量曲线图；基于各所述已标注目标历史用水量曲线图和卷积神经网络模型，确定所述水表设备识别模型。

在一种可能的实现方式中，所述基于各所述已标注目标历史用水量曲线图和卷积神经网络模型，确定所述水表设备识别模型，包括：基于各所述已标注目标历史用水量曲线图和预设比例，确定训练数据集合和测试数据集合，所述预设比例表征所述训练数据集合中所述已标注目标历史用水量曲线图的数量与所述测试数据集合中所述已标注目标历史用水量曲线图的数量的比值；基于所述训练数据集合，对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；基于所述测试数据集合和所述训练后的卷积神经网络模型，确定所述水表设备识别模型。

在一种可能的实现方式中，所述基于所述测试数据集合和所述训练后的卷积神经网络模型，确定所述水表设备识别模型，包括：将所述测试数据集合中的已标注目标历史用水量曲线图输入至所述训练后的卷积神经网络模型，确定预测标注信息；基于所述已标注目标历史用水量曲线图对应的标注信息和所述预测标注信息，采用交叉熵函数，确定目标损失值；当所述目标损失值大于预设期望值时，采用自适应学习率优化算法，更新所述训练后的卷积神经网络模型，当所述目标损失值小于或等于所述预设期望值时，确定所述训练后的卷积神经网络模型为所述水表设备识别模型。

在一种可能的实现方式中，所述水表设备识别模型包括输入层、3层卷积层、3层池化层、3层全连接层以及输出层，各所述卷积层中卷积核的尺寸为5×5。

在一种可能的实现方式中，所述预设条件为所述目标用水量数据至少包括所述待识别水表8天连续不间断的每5分钟的用水量数据。

第二方面，本申请实施例提供了一种水表设备识别装置，所述装置包括：获取模块，用于获取待识别水表的目标用水量数据，所述目标用水量数据为满足预设条件的用水量数据；确定模块，用于基于所述目标用水量数据，确定所述待识别水表的目标用水量曲线图；所述确定模块，还用于基于所述目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，所述识别结果表征所述待识别水表的设备类型。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或其中任意一种实现方式所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或其中任意一种实现方式所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面或其中任意一种实现方式所述的方法。

本申请实施例与现有技术相比存在的有益效果是：获取待识别水表的目标用水量数据，目标用水量数据为满足预设条件的用水量数据；基于目标用水量数据，确定待识别水表的目标用水量曲线图；基于目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，识别结果表征待识别水表的设备类型，以此来判断待识别水表是否为水箱设备水表。相比于通过专业人员手动检查来识别水箱设备水表，提高了识别水箱设备水表的效率和准确性，从而提升了零用水量报警的准确性，避免了因误报导致的不必要的检查和维护工作，有效节省了人力资源；另外，可以通过水箱设备水表的目标用水量数据，确定水泵是否有损坏，实现了对二次供水设备的管理。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请一实施例提供的一种水表设备识别方法的流程示意图；

图2为本申请一实施例提供的构建水表设备识别模型的流程示意图；

图3为本申请一实施例提供的一种非水箱设备水表的历史用水量曲线图的示意图；

图4为本申请一实施例提供的一种水箱设备水表的历史用水量曲线图的示意图；

图5为本申请一实施例提供的基于各已标注目标历史用水量曲线图和卷积神经网络模型，确定水表设备识别模型的流程示意图；

图6为本申请一实施例提供的基于测试数据集合和训练后的卷积神经网络模型，确定水表设备识别模型的流程示意图；

图7为本申请一实施例提供的水表设备识别模型的模型训练结果的示意图；

图8为本申请一实施例提供的水表设备识别模型的识别结果的示意图；

图9为本申请一实施例提供的一种水表设备识别装置的结构框图；

图10为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

智慧水务正在全球范围内迅速发展，可以帮助监测和控制用水量，避免浪费和滥用，从而提高用水效率。其中零用水量报警系统可以及时发现居民家中存在的漏水、滴水等情况，并自动发送报警信息给居民，提醒居民及时处理，避免了水资源浪费和房屋损坏。通过零用水量报警，可以有效减少水资源浪费，保障了用水安全。

然而，由于一些水表设备被安装在水箱内，水箱会周期性地储存和消耗水，导致这些设备的用水量使用数据呈现出周期性的矩形波或者是周期性锯齿波。这对零用水量报警造成了干扰，降低了报警的准确性。目前，大多数解决方案主要依赖于专业人员的手动检查来识别水箱设备水表，不仅效率低下，而且准确性有待提高。

为了解决上述技术问题，本申请提出了一种水表设备识别方法，获取待识别水表的目标用水量数据，目标用水量数据为满足预设条件的用水量数据；基于目标用水量数据，确定待识别水表的目标用水量曲线图；基于目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，识别结果表征待识别水表的设备类型。提高了水箱设备水表的识别效率和准确度，有利于将水箱设备水表从零用水量报警系统中剔除，从而提高零用水量报警的准确度。

为了便于理解，下面将结合附图对本申请的技术方案进行详细介绍。

图1为本申请一实施例提供的一种水表设备识别方法的流程示意图。如图1所示，包括：

S110，获取待识别水表的目标用水量数据，目标用水量数据为满足预设条件的用水量数据。

在一种可能的实现方式中，基于待识别水表的标识信息从智慧水务系统的用水量后台数据中获取待识别水表的目标用水量数据，其中，待识别水表的标识信息为待识别水表的编号。

具体的，获取的待识别水表的目标用水量数据需要满足预设条件，预设条件为目标用水量数据至少包括待识别水表8天连续不间断的每5分钟的用水量数据。

S120，基于目标用水量数据，确定待识别水表的目标用水量曲线图。

在具体实施中，首先基于待识别水表的目标用水量数据，确定待识别水表的用水量曲线图；再对用水量曲线图进行预处理，确定待识别水表的目标用水量曲线图。

具体地，基于目标用水量数据，绘制待识别水表的用水量曲线图，该用水量曲线图用于表征时间与用水量之间的关系，再对绘制的用水量曲线图进行图像缩放、归一化以及去噪等预处理操作，得到待识别水表的目标用水量曲线图，以减小数据的冗余性，同时突出与水表设备类型识别相关的重要特征，与水表设备类型识别相关的重要特征包括周期性特征、波动程度以及曲线形状等。

其中，对绘制的用水量曲线图进行图像缩放、归一化、去噪等预处理操作，确定待识别水表的目标用水量曲线图的步骤包括：首先将待识别水表的用水量曲线图进行高斯滤波处理，以减少图像的噪声，使曲线更加平滑，有助于突出水箱设备水表的周期性特征和波动程度；然后利用索贝尔（Sobel）算子，检测用水量曲线图中的曲线边缘，从而更好地捕捉曲线的形状；最后通过将像素值缩放到0到1之间，使得水表设备识别模型专注于图像的结构形状和模式，而不是亮度或对比度等可能与识别任务无关的因素，同时对待识别水表的用水量曲线图进行归一化处理，有助于梯度下降和模型的收敛。经过上述处理后，确定待识别水表的目标用水量曲线图。

S130，基于目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，识别结果表征待识别水表的设备类型。

在确定待识别水表的目标用水量曲线图后，将该目标用水量曲线图输入至已经构建好的水表设备识别模型中，基于水表设备识别模型的输出结果，确定识别结果，即待识别水表的设备类型，待识别水表的设备类型可以为水箱设备水表或非水箱设备水表。例如，若水表设备识别模型的输出结果为1，则确定的识别结果为待识别水表的设备类型为水箱设备水表；若水表设备识别模型的输出结果为0，则确定的识别结果为待识别水表的设备类型为非水箱设备水表。

在基于目标用水量数据和水表设备识别模型，确定识别结果之前，还需要构建水表设备识别模型。

作为一种示例，如图2所示，构建水表设备识别模型的步骤，包括：

S210，获取多个水表的设备类型和满足预设条件的历史用水量数据，设备类型包括水箱设备水表和非水箱设备水表。

在一种可能的实现方式中，从大量水表中筛选出多个水表，该多个水表的历史用水量数据均满足预设条件，其中，预设条件为历史用水量数据包括至少对应水表8天连续不间断的每5分钟的用水量数据。即从大量水表中筛选出至少有8天连续不间断的每五分钟的用水量数据的多个水表，筛选出的多个水表中包括水箱设备水表和非水箱设备水表。

在筛选出多个水表后，基于这多个水表中各水表的标识信息从智慧水务系统的用水量后台数据中获取各水表的历史用水量数据，其中，各水表的标识信息为各水表的编号，获取的各水表的历史用水量数据至少包括对应水表8天连续不间断的每5分钟的用水量数据。

S220，基于任一历史用水量数据，确定与历史用水量数据对应的历史用水量曲线图。

具体的，基于各水表的历史用水量数据，绘制与历史用水量数据一一对应的历史用水量曲线图，历史用水量曲线图用于表征历史用水量数据与时间的关系。

示例性的，非水箱设备水表的历史用水量曲线图和水箱设备水表的历史用水量曲线图分别如图3和图4所示。

S230，对任一历史用水量曲线图进行预处理，确定与历史用水量曲线图对应的目标历史用水量曲线图。

在一种可能的实现方式中，对各历史用水量曲线图进行图像缩放、归一化以及去噪等预处理操作，确定与历史用水量曲线图一一对应的目标历史用水量曲线图。

具体的，对各历史用水量曲线图进行图像缩放、归一化以及去噪等预处理操作的步骤包括：首先将所有的历史用水量曲线图进行高斯滤波处理，以减少图像的噪声，使曲线更加平滑，有助于突出水箱设备水表的周期性特征和波动程度；然后利用Sobel算子，来检测历史用水量曲线图中的曲线边缘，从而更好地捕捉曲线的形状；最后通过图像缩放将历史用水量曲线图的像素值缩放到0到1之间，使得水表设备识别模型专注于图像的结构形状和模式，而不是亮度或对比度等可能与识别任务无关的因素，同时对历史用水量曲线图进行归一化处理，有助于梯度下降和模型训练的收敛，经过上述处理后，确定与历史用水量曲线图一一对应的目标历史用水量曲线图。

S240，基于各水表的设备类型，对任一目标历史用水量曲线图进行标注，确定与目标历史用水量曲线图对应的已标注目标历史用水量曲线图。

在一种可能的实现方式中，基于各水表的设备类型，为每张目标历史用水量曲线图进行人工标注，确定与目标历史用水量曲线图一一对应的已标注目标历史用水量曲线图。

具体的，当水表的设备类型为水箱设备水表时，将对应的目标历史用水量曲线图标注为1；当水表的设备类型为非水箱类水表时，将对应的目标历史用水量曲线图标注为0，经过人工标注后的目标历史用水量曲线图即为已标注目标历史用水量曲线图。

S250，基于各已标注目标历史用水量曲线图和卷积神经网络模型，确定水表设备识别模型。

作为一种示例，如图5所示，基于各已标注目标历史用水量曲线图和卷积神经网络模型，确定水表设备识别模型的步骤，包括：

S251，基于各已标注目标历史用水量曲线图和预设比例，确定训练数据集合和测试数据集合，预设比例表征训练数据集合中已标注目标历史用水量曲线图的数量与测试数据集合中已标注目标历史用水量曲线图的数量的比值。

在一种可能的实现方式中，基于预设比例，将已标注目标历史用水量曲线图分为训练数据集合和测试数据集合，其中，训练数据集用于对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；测试数据集合用于对训练后的卷积神经网络模型进行测试，以确定水表设备识别模型。

示例性的，预设比例为7:3，则当已标注目标历史用水量曲线图总共有20个时，随机从这20个已标注目标历史用水量曲线图中选取14个组成训练数据集合；剩下的6个已标注目标历史用水量曲线图则组成测试数据集合。

S252，基于训练数据集合，对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型。

在一种可能的实现方式中，由于本申请实施例中的图片要素复杂程度低，图像通道少，复杂的神经网络模型可能会导致训练时间长、精度差，故本申请实施例提供了一个适用于曲线图片分类的卷积神经网络模型。该卷积神经网络模型包括了输入层，3层卷积层，3层池化层，3层全连接层和输出层。

其中，输入层：输入层（或数据层）用于接收原始的图像数据。该图像数据可以为基于训练数据集合中已标注目标历史用水量曲线图输入的64×64×3大小的特征图。

第一层：第一卷积层，公式如下：

，

其中，为第一卷积层输出特征图的一个元素，/>为输入的特征图，/>为卷积核或滤波器，/>为偏置项，/>和/>是卷积核的空间尺寸。第一卷积层接收输入层的特征图数据，包含16个5×5的卷积核，每个卷积核都可以对输入的特征图进行卷积操作，输出16个60×60的特征图。具体的，第一卷积层对输入的特征图进行第一次卷积运算，使用16个大小为5×5的卷积核，得到16个大小为60×60的特征图，共有416个参数和576000个连接。

第二层：第一池化层，公式如下：

，

其中，为第一池化层输出特征图的一个元素，/>为输入特征图，示例性的，对第一次卷积后的特征图进行2×2的最大池化操作，得到16个30×30的特征图。池化操作将特征图的尺寸减小，使模型更不易受到小的空间变化的影响。

第三层：第二卷积层，使用32个大小为5×5的滤波器，对第一池化层的输出数据再次进行卷积操作，输出32个26×26的特征图。

第四层：第二池化层，和第一池化层一样，也进行最大池化操作，得到32个13×13的特征图。

第五层：第三卷积层，使用64个大小为5×5的滤波器，对第二池化层的输出进行卷积操作，输出64个9×9的特征图。

第六层：第三池化层，与第一和第二池化层一样，进行最大池化操作，得到64个4×4的特征图。

第七层：第一全连接层，公式如下：

，

其中，为第一全连接层输出的一个元素，/>为权重矩阵，/>为输入向量，/>为偏置向量。

经过上述过程后，输入的训练数据集合中的已标注目标历史用水量曲线图被展平成一个一维向量（64x4x4 = 1024），然后输入到具有128个神经元的第一全连接层中。第一全连接层的作用是将学习到的“局部”特征组合成“全局”特征，并使用ReLU激活函数来增加网络的非线性特性。ReLU激活函数的数学表达式为：

，

其中，是输入值。

第八层：第二全连接层，再次进行全连接计算和ReLU激活函数计算，从128个神经元到64个神经元。

第九层：第三全连接层，此层有2个神经元，对应2个类别的输出，分别为0和1，1表示水箱设备水表，0表示非水箱设备水表。

输出层，最后的输出通过softmax操作，使得输出向量的所有元素之和为1，这样每个元素可以看作是对应类别的预测概率。softmax函数的表达式为：

，

其中，为输入向量，/>和/>为索引值。

将训练数据集合中的已标注目标历史用水量曲线图输入至卷积神经网络模型中进行训练，不断优化模型参数，得到训练后的卷积神经网络模型。

S253，基于测试数据集合和训练后的卷积神经网络模型，确定水表设备识别模型。

作为一种示例，如图6所示，基于测试数据集合和训练后的卷积神经网络模型，确定水表设备识别模型的步骤，包括：

S2531，将测试数据集合中的已标注目标历史用水量曲线图输入至训练后的卷积神经网络模型，确定预测标注信息。

S2532，基于已标注目标历史用水量曲线图对应的标注信息和预测标注信息，采用交叉熵函数，确定目标损失值。

具体的，交叉熵函数的表达式为：

，

其中，为测试数据集合中任一已标注目标历史用水量曲线图对应的标注信息的one-hot编码向量，/>为基于该任一已标注目标历史用水量曲线图得到的预测标注信息，/>为类别的索引。

S2533，判断目标损失值是否小于或等于预设期望值。

若目标损失值小于或等于预设期望值，则执行S2534；

若目标损失值大于预设期望值，则执行S2535；

S2534，确定训练后的卷积神经网络模型为水表设备识别模型。

具体地，确定的水表设备识别模型包括输入层、3层卷积层、3层池化层、3层全连接层以及输出层，各卷积层中卷积核的尺寸为5×5。

S2535，采用自适应学习率优化算法，更新训练后的卷积神经网络模型。

在一种可能的实现方式中，当目标损失值大于预设期望值，可选用Adam优化器对训练后的卷积神经网络模型进行优化，Adam计算公式和步骤流程如下：

1、计算目标损失值相对于训练后的卷积神经网络模型参数的梯度：；

2、更新偏置一阶矩：；

3、更新偏置二阶矩：；

4、矫正偏置一阶矩：；

5、矫正偏置二阶矩：；

6、更新参数：。

其中，为目标损失值相对于训练后的卷积神经网络模型参数的梯度；/>和/>分别为一阶矩和二阶矩的估计值；/>和/>为超参数，通常设为0.9和0.999；/>是学习率；/>是一个很小的常数，以防除以零；/>为训练后的卷积神经网络模型的模型参数。

在使用Adam优化器对训练后的卷积神经网络模型进行优化后，再次执行S2531，直到计算得到的目标损失值小于或等于预设期望值时，即可确定水表设备识别模型。

经过上述步骤，水表设备识别模型能够不断优化参数，以便更准确地进行预测。模型训练结果如图7所示，水表设备识别模型的训练损失值（training loss）和测试损失值（testing loss）均随训练数据集合和测试数据集合中的全部数据对模型训练次数（epochs）的增加而下降。

水表设备识别模型的识别结果如图8所示，对待识别水表的用水量曲线图进行预处理，得到待识别水表的目标用水量曲线图，加载训练好的模型权重，使用水表设备识别模型进行识别，并输出识别结果，水表设备识别模型预测水箱设备水表的准确率最高达到98%。图8中的两条曲线分别表示训练准确率（training accuracy）和测试准确率（testingaccuracy）。

本申请提供的技术方案，获取待识别水表的目标用水量数据，目标用水量数据为满足预设条件的用水量数据；基于目标用水量数据，确定待识别水表的目标用水量曲线图；基于目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，识别结果表征待识别水表的设备类型，提高了识别水箱设备水表的效率和准确性，从而提升了零用水量报警的准确性，避免了因误报导致的不必要的检查和维护工作，有效节省了人力资源，同时可以通过水箱设备水表的目标用水量数据，确定水泵是否有损坏，实现了对二次供水设备的管理。另外，本申请通过使用卷积神经网络，能够自动、准确地识别出水箱设备水表的特征，从而大幅度提高了数据处理的精度和报警系统的准确性，解决了现有技术中需要人工干预的问题，提高了工作效率。通过深度学习的方法，实现模型自我学习和优化，不断提高识别的准确性，从而增强了整个水务报警系统的智能化。

图9为本实施例提供的一种水表设备识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图9，水表设备识别装置900可以包括获取模块901、确定模块902。

在一种实现方式中，装置900可以用于实现上述图1所示的方法。例如，获取模块901用于实现S110，确定模块902用于实现S120和S130。

在另一种实现方式中，装置900还可以用于实现上述图2所示的方法。例如，获取模块901用于实现S210，确定模块902用于实现S220、S230、S240和S250。

在又一种实现方式中，装置900还可以包括训练模块，该实现方式中的装置900可以用于实现上述图5所示的方法。例如，确定模块902用于实现S251和S253，训练模块用于实现S252。

在又一种可能的实现方式中，装置900还包括判断模块和处理模块，该实现方式中的装置900可以用于实现上述图6所示的方法。例如，确定模块902用于实现S2531、S2532和S2534，判断模块用于实现S2533，处理模块用于实现S2535。

本申请提供的技术方案，获取待识别水表的目标用水量数据，目标用水量数据为满足预设条件的用水量数据；基于目标用水量数据，确定待识别水表的目标用水量曲线图；基于目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，识别结果表征待识别水表的设备类型，提高了识别水箱设备水表的效率和准确性，从而提升了零用水量报警的准确性，避免了因误报导致的不必要的检查和维护工作，有效节省了人力资源。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图10为本实施例提供的电子设备的结构示意图。如图10所示，该实施例的电子设备10包括：至少一个处理器100（图10中仅示出一个）处理器、存储器101以及存储在所述存储器101中并可在所述至少一个处理器100上运行的计算机程序102，所述处理器100执行所述计算机程序102时实现上述图1、图2、图5以及图6中任意方法实施例中的步骤。

所述电子设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图10仅仅是电子设备10的举例，并不构成对电子设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器100可以是中央处理单元(Central Processing Unit，CPU)，该处理器100还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器101在一些实施例中可以是所述电子设备10的内部存储单元，例如电子设备10的硬盘或内存。所述存储器101在另一些实施例中也可以是所述电子设备10的外部存储设备，例如所述电子设备10上配备的插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器101还可以既包括所述电子设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种水表设备识别方法，其特征在于，所述方法包括：

获取待识别水表的目标用水量数据，所述目标用水量数据为满足预设条件的用水量数据；

基于所述目标用水量数据，确定所述待识别水表的目标用水量曲线图；

基于所述目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，所述识别结果表征所述待识别水表的设备类型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标用水量数据，确定所述待识别水表的目标用水量曲线图，包括：

基于所述目标用水量数据，确定所述待识别水表的用水量曲线图；

对所述用水量曲线图进行预处理，确定所述待识别水表的目标用水量曲线图。

3.根据权利要求1所述的方法，其特征在于，构建所述水表设备识别模型，包括：

获取多个水表的设备类型和满足所述预设条件的历史用水量数据，所述设备类型包括水箱设备水表和非水箱设备水表；

基于任一所述历史用水量数据，确定与所述历史用水量数据对应的历史用水量曲线图；

对任一所述历史用水量曲线图进行预处理，确定与所述历史用水量曲线图对应的目标历史用水量曲线图；

基于各所述水表的设备类型，对任一所述目标历史用水量曲线图进行标注，确定与所述目标历史用水量曲线图对应的已标注目标历史用水量曲线图；

基于各所述已标注目标历史用水量曲线图和卷积神经网络模型，确定所述水表设备识别模型。

4.根据权利要求3所述的方法，其特征在于，所述基于各所述已标注目标历史用水量曲线图和卷积神经网络模型，确定所述水表设备识别模型，包括：

基于各所述已标注目标历史用水量曲线图和预设比例，确定训练数据集合和测试数据集合，所述预设比例表征所述训练数据集合中所述已标注目标历史用水量曲线图的数量与所述测试数据集合中所述已标注目标历史用水量曲线图的数量的比值；

基于所述训练数据集合，对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

基于所述测试数据集合和所述训练后的卷积神经网络模型，确定所述水表设备识别模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述测试数据集合和所述训练后的卷积神经网络模型，确定所述水表设备识别模型，包括：

将所述测试数据集合中的已标注目标历史用水量曲线图输入至所述训练后的卷积神经网络模型，确定预测标注信息；

基于所述已标注目标历史用水量曲线图对应的标注信息和所述预测标注信息，采用交叉熵函数，确定目标损失值；

当所述目标损失值大于预设期望值时，采用自适应学习率优化算法，更新所述训练后的卷积神经网络模型，当所述目标损失值小于或等于所述预设期望值时，确定所述训练后的卷积神经网络模型为所述水表设备识别模型。

6.根据权利要求1所述的方法，其特征在于，所述水表设备识别模型包括输入层、3层卷积层、3层池化层、3层全连接层以及输出层，各所述卷积层中卷积核的尺寸为5×5。

7.根据权利要求1所述的方法，其特征在于，所述预设条件为所述目标用水量数据至少包括所述待识别水表8天连续不间断的每5分钟的用水量数据。

8.一种水表设备识别装置，其特征在于，所述装置包括：

获取模块，用于获取待识别水表的目标用水量数据，所述目标用水量数据为满足预设条件的用水量数据；

确定模块，用于基于所述目标用水量数据，确定所述待识别水表的目标用水量曲线图；

所述确定模块，还用于基于所述目标用水量曲线图和已经构建好的水表设备识别模型，确定识别结果，所述识别结果表征所述待识别水表的设备类型。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。