1.一种机房设备显示面板数据的智能采集方法，其特征在于，包括如下步骤：
s1、机器人采集若干张显示面板的图像，作为训练数据集；
s2、将训练数据集输入到改进的faster-rcnn算法中，训练得到文本检测模型；
s3、机器人实时采集显示面板的图像并将其输入到步骤s2训练得到的文本检测模型中，自动标注出所有文本从而得到检测框，输出图像中所有检测框在显示面板中的位置坐标和尺寸信息；
s4、提取检测框中的roi图像，对roi图像进行图像预处理，保留提取后的数字骨架图像并作为训练样本集；
s5、根据训练样本集训练svm分类器，通过svm分类器对单个数字进行分类识别；
s6、将数字拼接成字符串输出到客户端显示。
2.根据权利要求1所述的机房设备显示面板数据的智能采集方法，其特征在于，步骤s1具体包括：机器人自主导航至待检测设备显示面板的正前方，调用提前设定好的摄像头预置点，自动调整拍摄角度，拍摄至少1000张显示面板的图像，将其作为训练数据集。
3.根据权利要求1所述的机房设备显示面板数据的智能采集方法，其特征在于，步骤s2中，所述改进的faster-rcnn算法至少包括：特征提取模块、rpn模块以及用于衔接特征提取模块与rpn模块的嵌套lstm模块。
4.根据权利要求3所述的机房设备显示面板数据的智能采集方法，其特征在于，所述特征提取模块采用改进的vgg16作为卷积特征提取模块，用于提取训练样本中文本图像像素的空间特征；所述特征提取模块至少包括四个卷积块conv1、conv2、conv3和conv4，池化层pool以及目标检测特殊层roipooling，其中，每个卷积块均连接一个最大池化层maxpool，第一个卷积块的第二个卷积层conv1_2包括两个不同尺寸的卷积核和c个1*1的卷积核，其中，c的取值为2~5，第三个卷积块的第三个卷积层conv3_3包括两对不同尺寸的非规则交叉卷积核和一个1*1的卷积核。
5.根据权利要求4所述的机房设备显示面板数据的智能采集方法，其特征在于，所述特征提取模块提取卷积特征的过程包括如下：
步骤一、将面板图像输入到特征提取模块，在第一个卷积块的第二个卷积层conv1_2采用两个不同尺寸的卷积核；
步骤二、经步骤一中两个不同尺寸的卷积核继续卷积，然后加入c个1*1的卷积核；
步骤三、经第一个卷积块conv1卷积后，进入第二个卷积块conv2，经第二个卷积块conv2卷积后分为两部分，一部分进入池化层pool，另一部分进入第三个卷积块conv3进行卷积；
步骤四、第三个卷积块的第三个卷积层conv3_3采用两对不同尺寸的非规则交叉卷积核进行卷积以提取不同尺度的特征；
步骤五、经第三个卷积块conv3卷积后，进入第四个卷积块conv4进行卷积；
步骤六、将步骤三中经池化层pool下采样和经步骤五中第四个卷积块conv4进行卷积后得到的各个卷积块生成的卷积特征图通过目标检测特殊层roipooling融合，得到最终的卷积特征图。
6.根据权利要求4所述的机房设备显示面板数据的智能采集方法，其特征在于，所述特征提取模块提取的空间特征输入到嵌套lstm模块，所述嵌套lstm模块用于提取空间特征中特征向量之间的关系，把空间特征当作逐帧的特征序列，使得某一帧像素的特征与前一帧或后一帧具备特征上的连续性，生成带有空间特征和时序特征的特征序列。
7.根据权利要求6所述的机房设备显示面板数据的智能采集方法，其特征在于，所述rpn模块用于将嵌套lstm模块生成的特征序列按照固定参考框anchor返回到原始输入图像，在原始图像中生成符合待检测文本实际尺寸的检测框，检测框表示文本检测模型的检测结果。
8.根据权利要求7所述的机房设备显示面板数据的智能采集方法，其特征在于，所述rpn模块生成检测框的过程包括如下：
步骤一、经过1024维的全连接层，得到n*1024*h*w的输出，全连接层的输出包括两部分，分别为rpn_bbox_pred和rpn_cls_score两个分支，其中，rpn_cls_score的后方依次连接rpn_cls_score_reshape、rpn_cls_prob和rpn_cls_prob_reshape，所述rpn_bbox_pred用于输出检测框的位置坐标，所述rpn_cls_score用于输出前景和背景分类的得分，所述rpn_cls_prob用于计算固定参考框anchor为前景的概率和为背景的概率；
步骤二、所述rpn_bbox_pred输出n*20*h*w，返回预测固定参考框anchor的坐标，坐标包含固定参考框anchor的中心y坐标和高度值，针对它在全连接层特征图上的每个像素点，预测一组不同尺寸不同位置的固定参考框anchor；
步骤三、所述rpn_cls_score的输出维度为n*20*h*w，生成背景或前景为2×anchor的二分类输出，rpn_cls_score_reshape将二分类输出的维度转换为n*2*10h*w，rpn_cls_prob输出固定参考框anchor为前景的概率和为背景的概率，rpn_cls_prob_reshape将前景的概率和背景的概率的维度转换为n*20*h*w；
步骤四、最终proposal模块综合检测框的位置坐标以及前景和背景的得分获取检测框，同时剔除超出边界的检测框和小于预设值的检测框。
9.根据权利要求1所述的机房设备显示面板数据的智能采集方法，其特征在于，步骤s4中，在提取检测框中的roi图像之前，还包括：文本检测模型根据检测框在显示面板中的位置坐标和尺寸信息自动规避掉无效信息。
10.根据权利要求1所述的机房设备显示面板数据的智能采集方法，其特征在于，步骤s4中，对roi图像进行图像预处理至少包括：
滤波，采用高斯滤波或均值滤波减少图像噪声；
自适应二值化，通过图像的局部特征自适应的设定阈值，对图像作二值化处理，用于将文本和背景分离；
字符分割，用于分割出白色像素的字符；
骨架提取，用于对图像进行细化操作。