CN117351477A - 一种嵌入式水表读数识别方法、识别装置及电子设备 - Google Patents

一种嵌入式水表读数识别方法、识别装置及电子设备 Download PDF

Info

Publication number
CN117351477A
CN117351477A CN202311413081.3A CN202311413081A CN117351477A CN 117351477 A CN117351477 A CN 117351477A CN 202311413081 A CN202311413081 A CN 202311413081A CN 117351477 A CN117351477 A CN 117351477A
Authority
CN
China
Prior art keywords
water meter
image data
digital image
recognition model
digital
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
CN202311413081.3A
Other languages
English (en)
Inventor
张鹏
李世兴
梁学辉
倪又华
王江
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.)
Chongqing Fushihengrui Internet Of Things Technology Co ltd
Original Assignee
Chongqing Fushihengrui Internet Of Things 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 Chongqing Fushihengrui Internet Of Things Technology Co ltd filed Critical Chongqing Fushihengrui Internet Of Things Technology Co ltd
Priority to CN202311413081.3A priority Critical patent/CN117351477A/zh
Publication of CN117351477A publication Critical patent/CN117351477A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
    • 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)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种嵌入式水表读数识别方法、识别装置及电子设备，方法包括：采集水表数字图像数据，并将所述水表数字图像数据按比例分成训练集、验证集和测试集；对所述水表数字图像数据进行预处理，并将预处理后的所述水表数字图像数据进行对比度增强；选用轻量级的图像识别模型作为基础模型，设置超参数，并利用所述训练集对所述基础模型进行训练，获得水表图像识别模型；将所述水表图像识别模型嵌入至单片机内。本申请通过将采集的水表数字图像数据进行对比度增强，使得水表数字图像数据上的数字更加清晰可见，便于识别，大大的提升了对水表数字图像数据上的数字的识别精度，同时也提高了客户的满意度。

Description

一种嵌入式水表读数识别方法、识别装置及电子设备
技术领域
本发明涉及图像识别技术领域，尤其涉及一种嵌入式水表读数识别方法、识别装置及电子设备。
背景技术
随着人工智能领域的蓬勃发展，智慧水务这一概念逐渐进入公众的视野。传统的上门抄水表方式已经成为了过去式，现在，人们可以通过先进的图像识别技术实现远程抄水表，这种方式的引入极大地提高了工人们的工作效率。
然而，现有的图像处理技术还存在一些问题，比如，模板匹配算法是常用的图像处理方法之一，但它需要大量的数据作为支撑，并且对噪声较为敏感。当面对水表上出现难以清除的污渍或采集的图像上只有半字时，现有技术算法的识别准确率会受到影响。这会导致在某些情况下，无法准确地读取水表数字，进而影响对客户的服务质量，降低了客户的满意度。
发明内容
为了解决上述现有技术中当面对水表上有难以清除的污渍时，现有算法无法准确识别水表上的数字问题，本申请提出一种嵌入式水表读数识别方法、识别装置和电子设备。
本申请一方面，提出一种嵌入式水表读数识别方法，包括：
采集水表数字图像数据，并将所述水表数字图像数据按比例分成训练集、验证集和测试集；
对所述水表数字图像数据进行预处理，并将预处理后的所述水表数字图像数据进行对比度增强；
选用轻量级的图像识别模型作为基础模型，设置超参数，并利用所述训练集对所述基础模型进行训练，获得水表图像识别模型；
将所述水表图像识别模型嵌入至单片机内。
技术原理：将采集的水表数字图像数据进行预处理和对比度增强，选用轻量级的图像识别模型作为基础模型，利用预处理后的水表数字图像数据对基础模型进行训练，得到水表图像识别模型，后将水表图像识别模型植入进单片机内，在使用时将获取的水表图像数据输入至单片机内，利用训练好的水表图像识别模型来对新获取的水表图像数据内的数字进行识别，可极大的提高识别精度。
作为本发明的一种可选实施例可选地，所述对所述水表数字图像数据进行预处理包括：
划分所述水表数字图像数据中的数字区域，并对数字区域进行标定；
对所述数字区域进行等分，分别获取等分后每个区域的数字；
对每个区域的数字依次进行灰度处理、直方图均衡处理和双边滤波。
作为本发明的一种可选实施例可选地，所述将预处理后的所述水表数字图像数据进行对比度增强包括：
当水表上出现障碍物阻碍数字识别时，将所述水表数字图像数据进行椒盐噪声增强；
当水表上密集有水泡阻碍数字识别时，将所述水表数字图像数据进行高斯噪声增强；
当水表受到撞击位置发生偏移时，对所述水表数字图像数据进行旋转或平移。
作为本发明的一种可选实施例可选地，所述选用轻量级的图像识别模型作为基础模型包括：
修改所述图像识别模型的输入层大小；
替换所述图像识别模型中激活函数；
在所述图像识别模型中植入卷积层和Flatten层；
设置所述图像识别模型输出层的输出类别；
在所述图像识别模型中植入SoftMax函数，获得所述基础模型。
作为本发明的一种可选实施例可选地，所述将所述水表图像识别模型嵌入至单片机内包括：
将所述基础模型以C语言的形式进行复现，并植入单片机中；
将所述水表图像识别模型的权重转换为矩阵数组，并植入单片机中。
作为本发明的一种可选实施例可选地，所述对所述水表数字图像数据进行预处理还包括：
利用DataLoad函数将所述水表数字图像数据的路径以txt的格式进行存储，后对所述水表数字图像数据进行迭代计算生成Cache文件。
作为本发明的一种可选实施例可选地，所述方法还包括：
利用所述验证集对所述水表图像识别模型进行验证；
利用测试集对所述水表图像识别模型进行测试。
本申请另一方面，提出一种嵌入式水表读数识别装置，包括：
图像采集模块，用于采集水表数字图像数据；
预处理模块，与所述图像采集模块连接，对所述水表数字图像数据进行预处理；
单片机，与所述预处理模块连接，所述单片机其内嵌入有水表图像识别模型，用于识别所述水表数字图像数据中的数字；
通讯模块，与所述单片机连接，用于与上位机进行相互通讯；
电源模块，用于为所述装置提供电能。
作为本发明的另一种可选实施例可选地，所述装置还包括光源模块；所述光源模块包括：
光源，设置于水表上，用于在所述图像采集模块采集所述水表数字图像数据时输出光能；
反光镜，设置于所述水表上，用于对所述水表数字图像数据中的数字区域的光反射反射至所述图像采集模块内。
本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现一种嵌入式水表读数识别方法。
本发明的技术效果：
本申请通过将采集的水表数字图像数据进行对比度增强，使得水表数字图像数据上的数字更加清晰可见，便于识别，大大的提升了对水表数字图像数据上的数字的识别精度，同时也提高了客户的满意度。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出为本发明实施例1的识别方法流程示意图；
图2示出为本发明实施例2的识别装置结构示意图；
图3示出为本发明实施例3的电子设备组成结构示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
实施例1
如图1所示，一种嵌入式水表读数识别方法，包括：
采集水表数字图像数据，并将所述水表数字图像数据按比例分成训练集、验证集和测试集；
对所述水表数字图像数据进行预处理，并将预处理后的所述水表数字图像数据进行对比度增强；
选用轻量级的图像识别模型作为基础模型，设置超参数，并利用所述训练集对所述基础模型进行训练，获得水表图像识别模型；
将所述水表图像识别模型嵌入至单片机内。
需要说明的是：将采集的水表数字图像数据进行预处理和对比度增强，选用轻量级的图像识别模型作为基础模型，利用预处理后的水表数字图像数据对基础模型进行训练，得到水表图像识别模型，后将水表图像识别模型植入进单片机内，在使用时将获取的水表图像数据输入至单片机内，利用训练好的水表图像识别模型来对新获取的水表图像数据内的数字进行识别，可极大的提高识别精度。在对采集的水表数字图像数据进行划分训练集、验证集和测试集时，按照8：1：1的比例来进行划分。在水表图像识别模型使用时，由于现实生活中水表的种类较多，且采集的时间点也不同步，因此在对采集的水表图像数据命名时加上{class}前缀，其中class为水表图像数据所属类别名称。在水表图像识别模型训练前还需对基础模型进行超参数设置，其具体超参数设置为，网络选用LeNet5，优化器选用Adam，batch选128，迭代次数选200，激活函数选ReLu，损失函数选Cross Entropy Loss(交叉熵损失函数)，学习率选前10轮为10-3，之后每20轮为上次的0.5倍。在水表图像识别模型训练结束后，须通过验证集对水表图像识别模型进行验证，还需通过测试集对水表图像识别模型进行测试。当水表图像识别模型在使用时，可直接在单片机的嵌入式端进行高精度识别，只需安装水表表盖的时候需要对水表的数字区域进行红框标定和上传图像的操作，在之后的在对水表数字检测过程中，可无需再上传图像，便可对数字图像进行高精度识别，这大大提升了检测效率，并减少了图像传输的流量成本。
还需要说明的是，尽管以作为示例介绍了如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据实际应用场景灵活设定，只要可以按照上述技术实现本申请的技术功能即可。显然，本领域的技术人员应该明白，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。本领域技术人员可以理解，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
作为本发明的一种可选实施例可选地，所述对所述水表数字图像数据进行预处理包括：
划分所述水表数字图像数据中的数字区域，并对数字区域进行标定；
对所述数字区域进行等分，分别获取等分后每个区域的数字；
对每个区域的数字依次进行灰度处理、直方图均衡处理和双边滤波。
需要说明的是：在本实施例中需将采集的水表数字图像数据中的数字区域利用五个红框分别划分为五等份，每个红框中均包含一个数字，后将五等分之后的水表数字图像数据由单片机通过RS-485协议上传至RTU集中器进行缓存；再将RTU集中器中存储的水表数字图像数据通过NB模块上传至抄表平台进行数据分类和存储；再利用加权平均算法对水表数字图像数据进行灰度处理，其中加权平均算法的公式为：
Gray(i,j)＝B(i,j)×0.144+G(i,j)×0.578+R(i,j)×0.299
其中，i和j为水表数字图像数据的尺寸大小，B、G、R分别表示水表数字图像数据的蓝、绿、红三个通道，由于人眼对绿色的敏感度高，对蓝色敏感度低，因此三通道的权重分别设置为0.144、0.578和0.299，以此来获取相对合理的灰度数字图像。
经过灰度处理后的水表数字图像数据再进行直方图均衡处理，使得水表数字图像数据中的数字的轮廓相对于背景更加突出，数字的特征更容易被提取，直方图均衡处理包括以下三步：
步骤1、利用公式1：
计算出水表数字图像数据的直方图，公式1中，M与N表示水表数字图像数据的行和列，nk为第k级灰度级的像素点个数，pr(rk)为长度为L的一维数组；
步骤2、基于直方图和公式2：
sk＝T(rk)＝(L-1)∑j＝0pr(rj)
来对水表数字图像数据进行均衡变换，公式2中，j为每个像素；
步骤3、利用公式3：
s(x,y)＝T(r(x,y))
将转换后的水表数字图像数据对原灰度图像数据进行替换，公式3中，x和y为像素点坐标。
将直方图均衡处理后的水表数字图像数据再进行双边滤波以减少水表数字图像数据噪声对检测结果的影响，其具体公式4为：
公式4中，i和j表示坐标X的位置，k和l表示Y的位置，公式4中的左边一项为正常的高斯项，用于按照距离远近给予不同权重，右边项表示坐标A，B之间像素的差距，当像素间差距较大的时候，值就大。
将双边滤波结束后的水表数字图像数据的图像缩放到(1×28×28)的大小，以加快水表图像识别模型训练的速度和模型的轻量化，减小其存储空间。
作为本发明的一种可选实施例可选地，所述将预处理后的所述水表数字图像数据进行对比度增强包括：
需要说明的是，对水表数字图像数据进行对比度增强或减弱的操作，用于适应在不同光照强度下拍摄的水表数字图像数据，其对比度变化公式为：
y＝[x-127.5(1-B)]*k+127.5*(1+B)
k＝tan((42+44*c)/180*pi)
x为水表数字图像数据中的像素值，y为调整后的像素值，B取值为[-1,1]，k为调节对比度的参数，k等于2，c为对比度参数。
当水表上出现障碍物阻碍数字识别时，将所述水表数字图像数据进行椒盐噪声增强；
需要说明的是：椒盐噪声增强的公式为：
公式中，P(z)为转换后的水表数字图像数据，pa和pb分别为控制在水表数字图像数据阴影区域出现白点的系数和在明亮区域出现黑点的系数，在本实施例中pa等于0.2，pb也等于0.2。
当水表上密集有水泡阻碍数字识别时，将所述水表数字图像数据进行高斯噪声增强；
需要说明的是：高斯噪声增强的公式为：
公式中，z为水表数字图像数据的灰度值，μ为z的均值，σ为z的方差。
当水表受到撞击位置发生偏移时，对所述水表数字图像数据进行旋转或平移。
需要说明的是：对所述水表数字图像数据进行旋转或平移包括以下公式：
[x*；y*]＝[10dx；01dy]*[x,y]
[x*；y*]＝[R]*[x,y]
[R]＝[cosθ-sinθ；sinθ*cosθ]
公式中，[x,y]水表数字图像数据旋转之前的坐标，为水表数字图像数据旋转之后的坐标，dx和dy为平移量，R为旋转矩阵；
将经过对比度增强的水表数字图像数据进行缩放到(1×28×28)大小。
作为本发明的一种可选实施例可选地，所述选用轻量级的图像识别模型作为基础模型包括：
修改所述图像识别模型的输入层大小；
替换所述图像识别模型中激活函数；
在所述图像识别模型中植入卷积层和Flatten层；
设置所述图像识别模型输出层的输出类别；
在所述图像识别模型中植入SoftMax函数，获得所述基础模型。
需要说明的是，在本实施例中，将图像识别模型的输入层大小修改为(1×28×28)，并将原基础模型中的Sigmoid激活函数替换为ReLu激活函数，在原基础模型中增加Flatten层，用于对提取到的特征信息进行展平处理，将原基础模型的输出层输出的类别设置为20类，再新增SoftMax函数，用于对20个类别的概率进行归一化，并输出最大概率的类别；现有的深度学习模型对水表数字分类的类别为0，1，2，3，4，5，6，7，8，9等十类，本发明针对水表会出现的半字和进位情况，通过控制模型输出层的神经元个数，从而使得模型的输出层为20个类别，新增0.5，1.5，2.5，3.5，4.5，5.5，6.5，7.5，8.5，9.5等10个新类别，将检测的结果进行向上取整操作，实现了对水表半字和进行情况的精准识别。
作为本发明的一种可选实施例可选地，所述将所述水表图像识别模型嵌入至单片机内包括：
将所述基础模型以C语言的形式进行复现，并植入单片机中；
将所述水表图像识别模型的权重转换为矩阵数组，并植入单片机中。
需要说明的是，在本实施例中，将本发明中训练水表图像识别模型所用到的所有算法均已C语言的形式进行重新编译，后通过JLink下载器下载到单片机中来完成水表图像识别模型和算法的植入。
作为本发明的一种可选实施例可选地，所述对所述水表数字图像数据进行预处理还包括：
利用DataLoad函数将所述水表数字图像数据的路径以txt的格式进行存储，后对所述水表数字图像数据进行迭代计算生成Cache文件。
需要说明的是，在本实施例中，在对水表图像识别模型进行一次迭代后，对水表数字图像数据路径生成一个Cache文件，用于对后续水表图像识别模型训练过程中起到加速的作用，提高了水表图像识别模型的训练效率。
作为本发明的一种可选实施例可选地，所述方法还包括：
利用所述验证集对所述水表图像识别模型进行验证；
利用测试集对所述水表图像识别模型进行测试。
需要说明的是，在本实施例中验证集用于在水表图像识别模型训练过程中训练的效果，根据验证集对表图像识别模型训练效果进行评价来调整水表图像识别模型的超参数，验证集必须是新的数据，与训练集分开。当表图像识别模型训练结束后再通过测试集对表图像识别模型进行测试，确保表图像识别模型的可行性。
实施例2
如图2所示，一种嵌入式水表读数识别装置，包括：
图像采集模块，用于采集水表数字图像数据；图像采集模块为CMOS图像传感器，安装在水表上，用于根据单片机的命令对水表上的读数进行拍照，并发送至预处理模块。
预处理模块，与所述图像采集模块连接，对所述水表数字图像数据进行预处理；预处理模块是对水表数字图像数据进行预先处理的一组程序，这些程序对图像数据进行整理、分析和格式化，以便后续的图像处理和识别。预处理包括：图像定位：确定水表数字图像数据中的数字的位置，以便后续的处理程序能准确地识别出水表读数。图像分割：将水表数字图像数据中的数字分割出来，减少背景噪声和其他干扰因素；图像增强：通过调整图像的对比度等参数，提高图像质量，使其更易于识别。
单片机，与所述预处理模块连接，所述单片机其内嵌入有水表图像识别模型，用于识别所述水表数字图像数据中的数字；单片机与预处理模块电连接，单片机内部嵌入有水表图像识别模型。水表图像识别模型是用来识别水表数字图像数据中的数字的。简单来说，单片机可以用来处理和解析从水表中获取的水表数字图像数据，从而读取出相关的水表读数，并通过通讯模块件读数发送至上位机。
通讯模块，与所述单片机连接，用于与上位机进行相互通讯；本实施例中的通讯模块包括RS-485和RTU集中器，RS-485与RTU集中器通讯连接，单片机识别出的读数通过RS-485发送至RTU集中器进行缓存，RTU集中器将储存的读数，RTU集中器将读数发送至上位机来对目标水表的读数进行显示。
电源模块，用于为所述装置提供电能，在本实施例中电源模块选用市电。
在使用时，通过图像采集模块采集水表数字图像数据，后通过预处理模块进行预处理，然后再利用单片机利用其内植入的水表图像识别模型来对采集水表数字图像数据进行读数，单片机将读数结果通过通讯模块发送至上位机来显示读数。
需要说明的是，本发明还支持远程升级，可自主查看目标水表的表号和类型，拍摄的时间、地点和周期等相关信息，也可通过上位机来对上述信息进行修正，还可通过NB模块对拍摄的图像进行传输和存储，同时支持一键添加和删除基表功能，可打印串口和系统日志，方便后续查询相关基表信息。
还需要说明的是，通过由图像传感器直接对水表数字图像进行拍摄，并利用单片机内的水表图像识别模型进行推理，可直接得出检测的结果，并向上位机进行反馈，相较于现有技术中嵌入式只负责拍照，上传到平台端进行识别，进而对结果进行反馈的识别方式，减少了图像传输的流量成本，提高了检测的效率，且本发明的安装和维护成本更低。
作为本发明的另一种可选实施例可选地，所述装置还包括光源模块；所述光源模块包括：
光源，设置于水表上，用于在所述图像采集模块采集所述水表数字图像数据时输出光能；光源通过螺钉固定在水表上。
反光镜，设置于所述水表上，用于对所述水表数字图像数据中的数字区域的光反射反射至所述图像采集模块内；反光镜通过螺钉固定在水表上，使得图像采集模块采集的水表数字图像数据更加完整。
光板，设置于所述水表上，用于对拍摄区域进行补光，使得图像采集模块采集的水表数字图像数据更加清晰。
实施例3
如图3所示，一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现一种嵌入式水表读数识别方法。
本公开实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行可执行指令时实现前面任一所述的一种嵌入式水表读数识别方法。
本实施例此处，处理器的个数可以为一个或多个。同时，在本公开实施例的电子设备中，还可以包括输入装置和输出装置。其中，处理器、存储器、输入装置和输出装置之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器作为一计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的一种嵌入式水表读数识别方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块，从而执行电子设备的各种功能应用及数据处理。
输入装置可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种嵌入式水表读数识别方法，其特征在于，包括：
采集水表数字图像数据，并将所述水表数字图像数据按比例分成训练集、验证集和测试集；
对所述水表数字图像数据进行预处理，并将预处理后的所述水表数字图像数据进行对比度增强；
选用轻量级的图像识别模型作为基础模型，设置超参数，并利用所述训练集对所述基础模型进行训练，获得水表图像识别模型；
将所述水表图像识别模型嵌入至单片机内。
2.根据权利要求1所述的一种嵌入式水表读数识别方法，其特征在于，所述对所述水表数字图像数据进行预处理包括：
划分所述水表数字图像数据中的数字区域，并对数字区域进行标定；
对所述数字区域进行等分，分别获取等分后每个区域的数字；
对每个区域的数字依次进行灰度处理、直方图均衡处理和双边滤波。
3.根据权利要求1所述的一种嵌入式水表读数识别方法，其特征在于，所述将预处理后的所述水表数字图像数据进行对比度增强包括：
当水表上出现障碍物阻碍数字识别时，将所述水表数字图像数据进行椒盐噪声增强；
当水表上密集有水泡阻碍数字识别时，将所述水表数字图像数据进行高斯噪声增强；
当水表受到撞击位置发生偏移时，对所述水表数字图像数据进行旋转或平移。
4.根据权利要求1所述的一种嵌入式水表读数识别方法，其特征在于，所述选用轻量级的图像识别模型作为基础模型包括：
修改所述图像识别模型的输入层大小；
替换所述图像识别模型中激活函数；
在所述图像识别模型中植入卷积层和Flatten层；
设置所述图像识别模型输出层的输出类别；
在所述图像识别模型中植入SoftMax函数，获得所述基础模型。
5.根据权利要求4所述的一种嵌入式水表读数识别方法，其特征在于，所述将所述水表图像识别模型嵌入至单片机内包括：
将所述基础模型以C语言的形式进行复现，并植入单片机中；
将所述水表图像识别模型的权重转换为矩阵数组，并植入单片机中。
6.根据权利要求2所述的一种嵌入式水表读数识别方法，其特征在于，所述对所述水表数字图像数据进行预处理还包括：
利用DataLoad函数将所述水表数字图像数据的路径以txt的格式进行存储，后对所述水表数字图像数据进行迭代计算生成Cache文件。
7.根据权利要求1所述的一种嵌入式水表读数识别方法，其特征在于，所述方法还包括：
利用所述验证集对所述水表图像识别模型进行验证；
利用测试集对所述水表图像识别模型进行测试。
8.一种嵌入式水表读数识别装置，其特征在于，包括：
图像采集模块，用于采集水表数字图像数据；
预处理模块，与所述图像采集模块连接，对所述水表数字图像数据进行预处理；
单片机，与所述预处理模块连接，所述单片机其内嵌入有水表图像识别模型，用于识别所述水表数字图像数据中的数字；
通讯模块，与所述单片机连接，用于与上位机进行相互通讯；
电源模块，用于为所述装置提供电能。
9.根据权利要求8所述的一种嵌入式水表读数识别装置，其特征在于，所述装置还包括光源模块；所述光源模块包括：
光源，设置于水表上，用于在所述图像采集模块采集所述水表数字图像数据时输出光能；
反光镜，设置于所述水表上，用于对所述水表数字图像数据中的数字区域的光反射反射至所述图像采集模块内。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1-7中任一项所述的一种嵌入式水表读数识别方法。
CN202311413081.3A 2023-10-27 2023-10-27 一种嵌入式水表读数识别方法、识别装置及电子设备 Pending CN117351477A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311413081.3A CN117351477A (zh) 2023-10-27 2023-10-27 一种嵌入式水表读数识别方法、识别装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311413081.3A CN117351477A (zh) 2023-10-27 2023-10-27 一种嵌入式水表读数识别方法、识别装置及电子设备

Publications (1)

Publication Number Publication Date
CN117351477A true CN117351477A (zh) 2024-01-05

Family

ID=89361172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311413081.3A Pending CN117351477A (zh) 2023-10-27 2023-10-27 一种嵌入式水表读数识别方法、识别装置及电子设备

Country Status (1)

Country Link
CN (1) CN117351477A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159242A (zh) * 2007-11-13 2008-04-09 广东工业大学 一种焊头定位精度检测系统及其方法
CN106373365A (zh) * 2016-11-02 2017-02-01 山东金米尔仪器科技有限公司 快速识别的摄像式远传水表抄表系统及其读数识别方法
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
CN112212949A (zh) * 2020-09-21 2021-01-12 广州能源检测研究院 一种基于激光传感器的机械式水表检定方法及装置
CN112966621A (zh) * 2021-03-15 2021-06-15 四川天责信科技有限公司 一种基于深度卷积网络与迁移学习的柑橘虫害识别方法
CN113850257A (zh) * 2021-09-15 2021-12-28 温州大学 一种基于深度神经网络的智能水表识别方法及装置
CN113902914A (zh) * 2021-09-03 2022-01-07 华南理工大学 基于微控制器和卷积神经网络的水表读数自动识别方法
CN115984862A (zh) * 2023-01-06 2023-04-18 江苏科技大学 一种基于深度学习的远传式水表数字识别方法
CN116030508A (zh) * 2021-10-22 2023-04-28 中移(苏州)软件技术有限公司 一种人脸识别方法、终端及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159242A (zh) * 2007-11-13 2008-04-09 广东工业大学 一种焊头定位精度检测系统及其方法
CN106373365A (zh) * 2016-11-02 2017-02-01 山东金米尔仪器科技有限公司 快速识别的摄像式远传水表抄表系统及其读数识别方法
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
CN112212949A (zh) * 2020-09-21 2021-01-12 广州能源检测研究院 一种基于激光传感器的机械式水表检定方法及装置
CN112966621A (zh) * 2021-03-15 2021-06-15 四川天责信科技有限公司 一种基于深度卷积网络与迁移学习的柑橘虫害识别方法
CN113902914A (zh) * 2021-09-03 2022-01-07 华南理工大学 基于微控制器和卷积神经网络的水表读数自动识别方法
CN113850257A (zh) * 2021-09-15 2021-12-28 温州大学 一种基于深度神经网络的智能水表识别方法及装置
CN116030508A (zh) * 2021-10-22 2023-04-28 中移(苏州)软件技术有限公司 一种人脸识别方法、终端及存储介质
CN115984862A (zh) * 2023-01-06 2023-04-18 江苏科技大学 一种基于深度学习的远传式水表数字识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
PEN-AI: "对比度亮度图像增强及converTo详解", pages 1, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_48846514/article/details/126911860> *
巴勃罗·里瓦斯: "深度学习初学者指南", 31 January 2022, 机械工业出版社, pages: 45 - 46 *
李浩兵, 仲裕泉, 吕玉琦: "球茎大麦染色体C-带带型的电脑图像自动分析", 江苏农业研究, no. 02, 25 April 1997 (1997-04-25) *
李道亮: "无人农场：未来农业的新模式", 31 August 2020, 机械工业出版社, pages: 65 *
梅鸿;姜淳;王新生;: "基于机器视觉的回收电度表智能检别线", 机电工程, no. 01, 28 January 2006 (2006-01-28) *
谢佳标: "Keras深度学习：入门、实践与进阶", 30 September 2021, 机械工业出版社, pages: 110 - 111 *

Similar Documents

Publication Publication Date Title
CN108399405B (zh) 营业执照识别方法和装置
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN108875821A (zh) 分类模型的训练方法和装置、移动终端、可读存储介质
CN110648307A (zh) 一种利用图像比对技术核对变电站压板状态的方法
CN109902662B (zh) 一种行人重识别方法、系统、装置和存储介质
CN109684967A (zh) 一种基于ssd卷积网络的大豆植株茎荚识别方法
CN111553438A (zh) 一种基于卷积神经网络的图像识别方法
CN108764371A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN109977882B (zh) 一种半耦合字典对学习的行人重识别方法及系统
CN108764321A (zh) 图像识别方法和装置、电子设备、存储介质
CN111931700A (zh) 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统
CN118279596B (zh) 一种水下鱼类阳光折射图像去噪方法及系统
CN113435407A (zh) 一种输电系统的小目标识别方法及装置
CN115601747A (zh) 一种贴壁细胞汇合度的计算方法和系统
CN112800884B (zh) 一种基于化妆镜的智能辅助方法
CN110956133A (zh) 单字符文本归一化模型训练方法、文本识别方法及装置
CN111881924B (zh) 结合光照不变性与短曝光光照增强的暗光车照识别方法
CN111898525B (zh) 烟雾识别模型的构建方法、进行烟雾检测的方法及装置
CN117351477A (zh) 一种嵌入式水表读数识别方法、识别装置及电子设备
CN108229271B (zh) 解译遥感图像的方法、装置和电子设备
CN110210401B (zh) 一种弱光下的目标智能检测方法
CN110837834B (zh) 一种数字仪表读数方法及系统
CN115858846A (zh) 一种基于深度学习的滑雪者图像检索方法和系统
Dai et al. Intelligent ammeter reading recognition method based on deep learning
CN110059557A (zh) 一种基于低照度自适应的人脸识别方法

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