仪表读取方法、装置、系统和存储介质与流程

本申请涉及数据处理技术领域，特别是涉及一种仪表读取方法、装置、系统和存储介质。

背景技术：

随着科学技术的发展，传统的指针式仪表越来越多的被数字仪表替代，但是数字仪表容易受到电磁场的干扰造成示数有误，因此在某些特定场合依然存在大量指针式仪表的使用。

然而，目前传统的指针式仪表读取方法大都采用人工读取的方式来完成，但目前这种人工读取方式由于人为因素的干扰会产生误差。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种仪表读取方法、装置、系统和存储介质。

一种仪表读取方法，所述方法包括：

获取通过光学传感器采集的仪表的指示图像；

将所述指示图像传输至卷积神经网络专用芯片；

通过所述卷积神经网络专用芯片上的卷积神经网络模型处理所述指示图像，获得目标仪表读数值；

输出所述目标仪表读数值。

在一个实施例中，所述卷积神经网络模型的训练步骤包括：

获取所述光学传感器与所述仪表之间的距离；

获取所述仪表的仪表类型；

按照所述距离和所述仪表类型构建指示图像样本集合；

基于所述指示图像样本集合训练卷积神经网络模型。

在一个实施例中，所述卷积神经网络模型的训练步骤还包括：

获取所述仪表的仪表图像，所述仪表图像通过所述光学传感器和所述光学传感器附近设置的备用光学传感器中的一种采集；

所述获取所述光学传感器与所述仪表之间的距离包括：

对所述仪表图像进行图像分析，得到所述光学传感器与所述仪表间的距离；

所述获取所述仪表的仪表类型包括：

对所述仪表图像进行图像识别，得到所述仪表的仪表类型。

在一个实施例中，所述通过所述卷积神经网络专用芯片上的卷积神经网络模型处理所述指示图像，获得目标仪表读数值包括：

对所述指示图像进行预处理，使得在不同图像采集条件下采集的不同指示图像在经过预处理后具有统一图像采集条件；

通过所述卷积神经网络专用芯片上的卷积神经网络模型处理经过预处理的所述指示图像，获得目标仪表读数值。

在一个实施例中，所述卷积神经网络专用芯片具有与所述卷积神经网络模型适配的芯片结构，所述芯片结构用于在通过所述卷积神经网络模型处理所述指示图像时，优化所述卷积神经网络模型的处理逻辑。

在一个实施例中，所述输出所述目标仪表读数值包括：

通过无线传输方式发送所述目标仪表读数值至目标设备。

一种仪表读取系统，所述系统包括光学传感器、处理器以及卷积神经网络专用芯片；所述光学传感器和卷积神经网络专用芯片分别与处理器相连接；

所述光学传感器用于向处理器发送采集的仪表的指示图像；

所述处理器用于将所述仪表指示图像传输至卷积神经网络专用芯片；

所述卷积神经网络专用芯片用于通过所述卷积神经网络专用芯片上的卷积神经网络模型处理所述仪表指示图像，获得目标仪表读数值；

所述处理器还用于输出所述目标仪表读数值。

在一个实施例中，所述系统还包括与所述处理器连接的存储器，所述存储器存储有用于加载至所述卷积神经网络专用芯片运行的卷积神经网络模型；所述卷积神经网络模型是在获取到所述光学传感器与所述仪表之间的距离以及所述仪表的仪表类型后，按照所述距离和所述仪表类型构建指示图像样本集合，并基于所述指示图像样本集合训练得到的。

在一个实施例中，所述距离是对所述仪表的仪表图像进行图像分析得到的，所述仪表类型是对所述仪表图像进行图像识别得到的，所述仪表图像通过所述光学传感器和所述光学传感器附近设置的备用光学传感器中的一种采集。

在一个实施例中，所述处理器还用于对所述指示图像进行预处理，使得在不同图像采集条件下采集的不同指示图像在经过预处理后具有统一图像采集条件；

所述卷积神经网络专用芯片还用于通过所述卷积神经网络专用芯片上的卷积神经网络模型处理经过预处理的所述指示图像，获得目标仪表读数值。

在一个实施例中，所述卷积神经网络专用芯片具有与所述卷积神经网络模型适配的芯片结构，所述芯片结构用于在通过所述卷积神经网络模型处理所述指示图像时，优化所述卷积神经网络模型的处理逻辑。

在一个实施例中，所述系统还包括与所述处理器连接的无线通信单元；

所述处理器用于将所述目标仪表读数值输出至所述无线通信单元；

所述无线通信单元用于通过无线传输方式发送所述目标仪表读数值至目标设备。

一种仪表读取装置，所述装置包括：

指示图像获取模块，用于获取通过光学传感器采集的仪表的指示图像；

指示图像传输模块，用于将所述指示图像传输至卷积神经网络专用芯片；

卷积神经网络模型处理模块，用于通过所述卷积神经网络专用芯片上的卷积神经网络模型处理所述指示图像，获得目标仪表读数值；

仪表读数值输出模块，用于输出所述目标仪表读数值。

在一个实施例中，所述卷积神经网络专用芯片具有与所述卷积神经网络模型适配的芯片结构，所述芯片结构用于在通过所述卷积神经网络模型处理所述指示图像时，优化所述卷积神经网络模型的处理逻辑。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述仪表读取方法的步骤。

上述仪表读取方法、装置、系统和存储介质，通过设置在仪表外的光学传感器采集的仪表的指示图像，并将采集的指示图像传输至卷积神经网络专用芯片，通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值，以此实现低功耗、自动化地读取仪表数据，同时剔除了人为因素的干扰，提高了读取仪表数据的准确率。

附图说明

图1为一个实施例中仪表读取方法的应用场景图；

图2为一个实施例中仪表读取方法的流程示意图；

图3为一个实施例中仪表读取系统的示意图；

图4为一个实施例中仪表读取装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的仪表读取方法，可以应用于如图1所示的应用环境中。该应用环境包括一种仪表读取系统，该系统包括光学传感器102、处理器104以及卷积神经网络专用芯片106。光学传感器102和卷积神经网络专用芯片分别与处理器相连接。其中，光学传感器102可以是一个或多于一个。处理器104可以是单核或者多核处理器。卷积神经网络专用芯片106具有与卷积神经网络模型适配的芯片结构，可以是现场可编程门阵列(fieldprogrammablegatearray，fpga)芯片和专用集成电路(applicationspecificintegratedcircuit，asic)芯片。

在一个实施例中，如图2所示，提供了一种仪表读取方法，本实施例以该方法应用于图1中的仪表读取系统为例进行说明，包括以下步骤：

步骤s202，获取通过光学传感器采集的仪表的指示图像。

其中，光学传感器是依据光学原理对目标物体进行感光成像的传感器。仪表是指示测量结果的仪器，包括压力仪表、流量仪表、温度计和分析仪器。仪表可以是电子型也可以是机械型的仪表。

仪表可以是数字指示型或者图形指示型的仪表。数字指示型是直接以数字形式呈现仪表的测量结果的仪表类型，图形指示型是指以图形表示测量结果的仪表类型。图形指示型的仪表比如刻度型的仪表，比如通过指针或者流体指示刻度的仪表。

指示图像是包括仪表所指示的测量结果的图像，具体可以是仪表的用于指示测量结果的部件的局部图像。当仪表是数字指示型的仪表时，相应的指示图像可以是用于仪表中显示数字形式的测量结果的显示区的图像。当仪表是刻度型的仪表时，相应的指示图像可以是仪表中流体所指示的刻度区的图像。

具体地，在所需读取的仪表外设置至少一个光学传感器，通过光学传感器采集仪表的指示图像，并将采集到的相应仪表的指示图像发送给处理器，也可以将采集到的相应仪表的指示图像存储在光学传感器中。处理器可以接收通过光学传感器发送的相应仪表的指示图像，也可以直接从光学传感器中获取相应仪表的指示图像。

在一个实施例中，光学传感器具体可以是实时采集仪表的指示图像，并将采集到的图像实时传输给处理器或实时存储在光学传感器中；也可以定期采集仪表的指示图像，并将采集到的指示图像定期发送给处理器或定期存储在光学传感器中。

步骤s204，将指示图像传输至卷积神经网络专用芯片。

具体地，处理器将获取到的仪表的指示图像传输给卷积神经网络专用芯片。其中，卷积神经网络专用芯片具有与卷积神经网络模型适配的芯片结构，该芯片结构用于在通过卷积神经网络模型处理仪表的指示图像时，优化卷积神经网络模型的处理逻辑。卷积神经网络模型是神经网络模型的一种，是一种深度学习模型，具有卷积层。

步骤s206，通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值。

其中，目标仪表读数值是指示图像所指示的具体数值。具体地，卷积神经网络专用芯片接收通过处理器传输的仪表的指示图像，卷积神经网络专用芯片上运行有卷积神经网络模型。通过运行在卷积神经网络专用芯片上的卷积神经网络模型对接收到的指示图像进行处理，以此获得目标仪表读数值。

步骤s208，输出目标仪表读数值。

其中输出方式可以是无线传输方式或者有线传输方式，无线传输方式比如射频传输方式、nfc(近场通信)传输方式、蓝牙传输方式或者无线网络传输方式等。具体地，处理器输出目标仪表读数值，具体可以将获得目标仪表读数值通过通信单元发送出去，也可以通过显示器进行可视化的展示，也可以通过扬声器以声音形式将目标仪表读数值输出。通信单元可以是无线通信单元或者有线通信单元。

在一个实施例中，步骤s208包括：通过无线传输方式发送目标仪表读数值至目标设备。具体地，处理器可将目标仪表读数值输出至无线通信单元，由无线通信单元将目标仪表读数值以无线传输方式发送至目标设备。目标设备可以是预先配置的设备，也可以是附近的任意设备，或者是当前与上述仪表读取系统进行无线连接的设备。

上述实施例中，通过设置在仪表外的光学传感器采集的仪表的指示图像，并将采集的指示图像传输至卷积神经网络专用芯片，通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值，以此实现低功耗、自动化地读取仪表数据，同时剔除了人为因素的干扰，提高了读取仪表数据的准确率。

如图3所示，在一个具体的实施例中，提供了一种仪表读取系统。仪表读取系统包括光学传感器、处理器、卷积神经网络专用芯片、存储器、通信单元以及电源电路。其中，光学传感器、存储器、卷积神经网络专用芯片和通信单元分别与处理器相连接；电源电路为整个系统提供电量，电源可以是电池、太阳能电源或者直流电。

具体地，存储器存储有计算机程序和卷积神经网络模型，上述仪表读取系统在运行时，将计算机程序加载到处理器中执行，并将卷积神经网络模型加载到卷积神经网络专用芯片上运行。光学传感器采集仪表的指示图像，并将采集的指示图像传输给处理器；处理器将指示图像传输给卷积神经网络专用芯片，通过卷积神经网络专用芯片上的卷积神经网络模型处理仪表的指示图像，以此获得目标仪表读数值；处理器采用预配置的输出方式，将目标仪表读数值输出。

在一个实施例中，卷积神经网络模型的训练步骤包括：获取光学传感器与仪表之间的距离；获取仪表的仪表类型；按照距离和仪表类型构建指示图像样本集合；基于指示图像样本集合训练卷积神经网络模型。

其中，仪表类型是根据仪表所属的类型进行划分。当仪表是数字指示型的仪表时，相应的仪表类型是直接以数字形式呈现仪表的测量结果的仪表类型；当仪表是图形指示型的仪表时，相应的仪表类型是以图形表示测量结果的仪表类型。指示图像样本集合包括多个指示图像样本，每个指示图像样本可以根据仪表类型和光学传感器与仪表之间的距离构建而成。

具体地，可以预先设置一个训练设备，训练设备用于训练卷积神经网络模型，并将训练好的卷积神经网络模型存储在仪表读取系统中的存储器中。通过训练设备获取光学光学传感器与仪表之间的距离以及仪表的仪表类型；根据获取到的距离和仪表类型构建相应的指示图像样本；进一步，对不同读数值的指示图像样本进行空间几何变换，形成指示图像样本集合；其中空间几何变换包括缩放变换、旋转变换和形状变换。训练设备基于已构建的指示图像样本集合，对运行在卷积神经网络专用芯片上的卷积神经网络模型进行训练，以此得到已训练好的相应距离和仪表类型的卷积神经网络模型。

在一个实施例中，卷积神经网络模型的训练过程也可以采用仪表读取系统中的处理器进行执行，将训练好的卷积神经网络模型存储在存储器中，以供卷积神经网络芯片进行加载。

在一个实施例中，训练设备可以获取光学传感器与仪表之间的距离、仪表的仪表类型以及光学传感器相对于仪表的方位，其中方位包括光学传感器相对于仪表的方向和光学传感器相对于仪表的角度。进一步，根据获取到的距离、仪表类型以及方位构建相应的指示图像样本。

在一个实施例中，训练设备可以获取不同采集环境下的光照、光学传感器与仪表之间的距离以及仪表的仪表类型；进一步，根据获取的光照、距离和仪表类型构建相应的指示图像样本，得到不同光照环境下的指示图像样本。具体地，获取不同采集环境下的光照可以包括：获取在一天内多个不同时间节点所对应的光照。

在一个实施例中，训练设备获取不同采集环境下的噪声、光学传感器与仪表之间的距离以及仪表的仪表类型；根据获取的噪声、距离和仪表类型构建相应的指示图像样本，得到噪声环境下的指示图像样本。具体地，获取不同采集环境下的噪声可以包括：训练设备随机生成一组噪点，以此代表不同采集环境下的噪声。

在一个实施例中，训练设备获取仪表的仪表类型，根据获取的仪表类型构建相应类型的指示图像样本；进一步，基于已构建的指示图像样本，调整用于指示测量结果的部件的尺寸，以此生成不同尺寸的指示图像样本。用于指示测量结果的部件的尺寸表征光学传感器与仪表之间的距离远近；若部件的尺寸大，则说明光学传感器与仪表之间的距离较近；若部件的尺寸小，则说明光学传感器与仪表之间的距离较远。

在一个实施例中，训练设备可以获取仪表的仪表类型；按照仪表类型从已有的指示图像中，选取对应仪表类型的指示图像作为指示图像样本；进一步，基于选取的指示图像样本，调整用于指示测量结果的部件的尺寸大小，以此生成不同尺寸的指示图像样本。

在本实施例中，根据光学传感器与仪表之间的距离、仪表类型、光照和噪声的一种或多种组合来构建指示图像样本集合，提供了多种构建指示图像样本集合的方式，丰富了指示图像样本集合，使得构建的指示图像样本集合可以覆盖在多种环境下所生成的图像。

在一个实施例中，卷积神经网络模型的训练步骤还包括：获取仪表的仪表图像，仪表图像通过光学传感器和光学传感器附近设置的备用光学传感器中的一种采集；获取光学传感器与仪表之间的距离包括：对仪表图像进行图像分析，得到光学传感器与仪表间的距离；获取仪表的仪表类型包括：对仪表图像进行图像识别，得到仪表的仪表类型。

其中，备用光学传感器是设置在光学传感器附近的其他光学传感器。备用传感器可以是一个或多于一个。仪表图像是包括仪表在内的图像。

具体地，在所需读取的仪表外设置至少一个备用光学传感器，通过备用光学传感器采集仪表的仪表图像；也可以通过设置在仪表外的光学传感器采集仪表的仪表图像。将采集到的相应仪表的仪表图像传输给处理器，也可以将采集到的相应仪表的仪表图像存储在对应的采集单元中，其中采集单元包括备用光学传感器和光学传感器。处理器接收相应仪表的仪表图像，对接收到的仪表图像进行图像分析，得到仪表图像中用于指示测量结果的部件的尺寸；进一步，根据部件的尺寸确定光学传感器与仪表间的距离。处理器接收相应仪表的仪表图像，对接收到的仪表图像进行图像识别，得到相应仪表的形状；进一步根据仪表的形状确定仪表的仪表类型。

在一个实施例中，处理器也可以直接从对应的采集单元中获取相应仪表的仪表图像，并对获取的仪表图像进行图像分析，得到光学传感器与仪表间的距离；并对获取的仪表图像进行图像识别，得到仪表类型。

在一个实施例中，处理器可以对接收到的仪表图像进行图像识别，得到相应仪表的产品型号；进一步，根据仪表的产品型号确定仪表类型。

在本实施例中，通过获取仪表的仪表图像，对获取的仪表图像进行图像分析，得到光学传感器与仪表间的距离；并对获取的仪表图像进行图像识别，得到仪表的仪表类型；为指示图像样本集合的构建提供了距离参数和仪表类型参数。

在一个实施例中，通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值包括：对指示图像进行预处理，使得在不同图像采集条件下采集的不同指示图像在经过预处理后具有统一图像采集条件；通过卷积神经网络专用芯片上的卷积神经网络模型处理经过预处理的指示图像，获得目标仪表读数值。

其中，图像采集条件是指采集单元在采集指示图像时的环境，图像采集条件包括图像采集时的光照和采集单元相对于目标仪表的方位。

具体地，处理器接收通过光学传感器采集的仪表的指示图像，对接收到的指示图像进行预处理，使得在不同图像采集条件下采集的不同指示图像，在经过预处理后具有统一图像采集条件。处理器也可以直接从光学传感器中获取相应仪表的指示图像，并对获取的指示图像进行预处理。例如，在不同光照条件下，通过光学传感器采集相应仪表的指示图像，并将采集到的指示图像传输给处理器；处理器通过对不同光照条件下采集的指示图像进行预处理，使得经过预处理后的指示图像具有统一的光照。

进一步，处理器将经过预处理后的指示图像传输给卷积神经网络专用芯片，通过运行在卷积神经网络专用芯片上的卷积神经网络模型处理接收到的经过预处理后的指示图像，以此获得目标仪表读数值。也可以将经过预处理后的指示图像存储在处理器，卷积神经网络专用芯片直接从处理器中获取经过预处理后的指示图像。

在本实施例中，通过对采集的指示图像进行预处理，使得在不同图像采集条件下采集的不同指示图像，在经过预处理后具有统一的图像采集条件，避免因不同图像采集条件对目标仪表读数值造成误差；进一步，通过卷积神经网络专用芯片上的卷积神经网络模型处理经过预处理的指示图像，提高了卷积神经网络专用芯片的处理速率，可以快速的获得目标仪表读数值。

在一个实施例中，卷积神经网络专用芯片具有与卷积神经网络模型适配的芯片结构，芯片结构用于在通过卷积神经网络模型处理指示图像时，优化卷积神经网络模型的处理逻辑。

具体地，卷积神经网络专用芯片具有与卷积神经网络模型适配的芯片结构，并且通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像时，芯片结构可优化卷积神经网络模型的处理逻辑，将串行处理转变成并行处理，由此提高数据处理的速率。

在本实施例中，卷积神经网络专用芯片具有与卷积神经网络模型适配的芯片结构，在卷积神经网络模型处理指示图像时，芯片结构可优化卷积神经网络模型的处理逻辑，提高处理速率。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图3所示，一种仪表读取系统包括光学传感器、处理器以及卷积神经网络专用芯片。光学传感器和卷积神经网络专用芯片分别与处理器相连接。光学传感器用于向处理器发送采集的仪表的指示图像；处理器用于将仪表指示图像传输至卷积神经网络专用芯片；卷积神经网络专用芯片用于通过卷积神经网络专用芯片上的卷积神经网络模型处理仪表指示图像，获得目标仪表读数值；处理器还用于输出目标仪表读数值。

在一个实施例中，上述系统还包括与处理器连接的存储器，存储器存储有用于加载至卷积神经网络专用芯片运行的卷积神经网络模型；卷积神经网络模型是在获取到光学传感器与仪表之间的距离以及仪表的仪表类型后，按照距离和仪表类型构建指示图像样本集合，并基于指示图像样本集合训练得到的。

在一个实施例中，距离是对仪表的仪表图像进行图像分析得到的，仪表类型是对仪表图像进行图像识别得到的，仪表图像通过光学传感器和光学传感器附近设置的备用光学传感器中的一种采集。

在一个实施例中，处理器还用于对指示图像进行预处理，使得在不同图像采集条件下采集的不同指示图像在经过预处理后具有统一图像采集条件。卷积神经网络专用芯片还用于通过卷积神经网络专用芯片上的卷积神经网络模型处理经过预处理的指示图像，获得目标仪表读数值。

在一个实施例中，卷积神经网络专用芯片具有与卷积神经网络模型适配的芯片结构，芯片结构用于在通过卷积神经网络模型处理指示图像时，优化卷积神经网络模型的处理逻辑。

在一个实施例中，上述系统还包括与处理器连接的无线通信单元。处理器还用于将目标仪表读数值输出至无线通信单元。无线通信单元用于通过无线传输方式发送目标仪表读数值至目标设备。

在上述实施例中，通过设置在仪表外的光学传感器采集的仪表的指示图像，并将采集的指示图像传输至卷积神经网络专用芯片，通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值，以此实现低功耗、自动化地读取仪表数据，同时剔除了人为因素的干扰，提高了读取仪表数据的准确率。

在一个实施例中，如图4所示，提供了一种仪表读取装置400，包括：指示图像获取模块402、指示图像传输模块404、卷积神经网络模型处理模块406和仪表读数值输出模块408，其中：

指示图像获取模块402，用于获取通过光学传感器采集的仪表的指示图像。

指示图像传输模块404，用于将指示图像传输至卷积神经网络专用芯片。

卷积神经网络模型处理模块406，用于通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值。

仪表读数值输出模块408，用于输出目标仪表读数值。

在一个实施例中，上述卷积神经网络模型处理模块还用于：获取光学传感器与仪表之间的距离；获取仪表的仪表类型；按照距离和仪表类型构建指示图像样本集合；基于指示图像样本集合训练卷积神经网络模型。

在一个实施例中，上述卷积神经网络模型处理模块还用于：获取仪表的仪表图像，仪表图像通过光学传感器和光学传感器附近设置的备用光学传感器中的一种采集；对仪表图像进行图像分析，得到光学传感器与仪表间的距离；对仪表图像进行图像识别，得到仪表的仪表类型。

在一个实施例中，上述卷积神经网络模型处理模块还用于：对指示图像进行预处理，使得在不同图像采集条件下采集的不同指示图像在经过预处理后具有统一图像采集条件；通过卷积神经网络专用芯片上的卷积神经网络模型处理经过预处理的指示图像，获得目标仪表读数值。

在一个实施例中，卷积神经网络专用芯片具有与卷积神经网络模型适配的芯片结构，芯片结构用于在通过卷积神经网络模型处理指示图像时，优化卷积神经网络模型的处理逻辑。

在一个实施例中，上述仪表读数值输出模块还用于通过无线传输方式发送目标仪表读数值至目标设备。

上述实施例中，通过设置在仪表外的光学传感器采集的仪表的指示图像，并将采集的指示图像传输至卷积神经网络专用芯片，通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值，以此实现低功耗、自动化地读取仪表数据，同时剔除了人为因素的干扰，提高了读取仪表数据的准确率。

关于仪表读取装置的具体限定可以参见上文中对于仪表读取方法的限定，在此不再赘述。上述仪表读取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于系统中的处理器中，也可以以软件形式存储于系统中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取通过光学传感器采集的仪表的指示图像；将指示图像传输至卷积神经网络专用芯片；通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值；输出目标仪表读数值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取光学传感器与仪表之间的距离；获取仪表的仪表类型；按照距离和仪表类型构建指示图像样本集合；基于指示图像样本集合训练卷积神经网络模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取仪表的仪表图像，仪表图像通过光学传感器和光学传感器附近设置的备用光学传感器中的一种采集；对仪表图像进行图像分析，得到光学传感器与仪表间的距离；对仪表图像进行图像识别，得到仪表的仪表类型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值包括：对指示图像进行预处理，使得在不同图像采集条件下采集的不同指示图像在经过预处理后具有统一图像采集条件；通过卷积神经网络专用芯片上的卷积神经网络模型处理经过预处理的指示图像，获得目标仪表读数值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：卷积神经网络专用芯片具有与卷积神经网络模型适配的芯片结构，芯片结构用于在通过卷积神经网络模型处理指示图像时，优化卷积神经网络模型的处理逻辑。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：输出目标仪表读数值包括：通过无线传输方式发送目标仪表读数值至目标设备。

在上述实施例中，通过设置在仪表外的光学传感器采集的仪表的指示图像，并将采集的指示图像传输至卷积神经网络专用芯片，通过卷积神经网络专用芯片上的卷积神经网络模型处理指示图像，获得目标仪表读数值，以此实现低功耗、自动化地读取仪表数据，同时剔除了人为因素的干扰，提高了读取仪表数据的准确率。

本领域普通技术人员可以理解实现上述实施例方法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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。