一种数字电表读数方法、装置、系统、计算机设备及存储介质与流程

本发明涉及图像识别领域，尤其涉及一种数字电表读数方法、装置、系统、计算机设备及存储介质。

背景技术：

自工业2.0到来以后，电力就成为了人们生产生活的主要能源，国家或者企业发电供给用户使用，用户则根据用电量缴纳一定的费用是当今社会的用电方式。

发电公司用数字电表记录用户的用电量，每个月抄表工都要挨家挨户的去抄录数字电表上的数值，在减去上个月数字电表的数值，得到这个月的用电量，发电公司根据用电量收取电费；但是，人工抄表不仅速度慢，还经常会出现失误，给发电公司或者用户造成不必要的损失，并且人工抄表对数据处理的效率太低，费时费力。

技术实现要素：

本发明实施例提供一种数字电表读数方法，旨在解决上述技术问题。

本发明解决上述技术问题的技术方案为：

一种数字电表读数方法，应用于图片智能管理平台，包括：

接收终端上传的数字电表表盘图片，所述数字电表表盘图片至少应包含电表表号信息及电表读数信息；

启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述电表表号信息及所述电表读数信息；

将所述电表表号信息及所述电表读数信息录入数据库。

本发明还提供一种数字电表读数装置，包括：

接收单元，用于接收终端发送的数字电表表盘图片，所述数字电表表盘图片至少应包含电表表号信息及电表读数信息；

处理单元，用于启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述电表表号信息及所述电表读数信息；

录入单元，用于将所述电表表号信息及所述电表读数信息录入数据库。

本发明还提供一种数字电表读数系统，所述数字电表读数系统包含图片智能管理平台及终端；

所述终端用于向所述图片智能管理平台发送数字电表表盘图片，所述数字电表表盘图片至少应包含电表表号信息及电表读数信息；

所述图片智能管理平台用于启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述电表表号信息及所述电表读数信息并将所述电表表号信息及所述电表读数信息录入数据库。

本发明还提一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述一种数字电表读数方法的步骤。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上求所述一种数字电表读数方法的步骤。

本发明取得的有益效果为：通过启用神经网络模型，对数字电表表盘图片进行识别，得出表号及用电度数的信息，相较于传统的人工抄表，大大提高了工作效率，并且有效避免因人工抄表而出现错误抄表的情况，保证抄表的精确率。

附图说明

图1示出了适于本发明实施例提供的一种数字电表读数方法的实施环境图；

图2示出了适于本发明实施例提供的一种数字电表读数方法步骤图；

图3示出了适于本发明实施例提供的通过学习得到神经网路模型流程图；

图4示出了适于本发明实施例提供的数字电表表盘图；

图5示出了适于本发明实施例提供的数字电表读数信息图；

图6示出了适于本发明实施例提供的数字电表表号信息图；

图7示出了适于本发明实施例提供的数字电表读数识别结果图；

图8示出了适于本发明实施例提供的数字电表表号识别结果图；

图9示出了适于本发明实施例提供的神经网络模型识别数字电表表盘图片步骤图；

图10示出了适于本发明实施例提供的一种数字电表读数装置示意图；

图11示出了适于本发明实施例提供的图片智能管理平台识别数字电表表盘图片的界面。

具体实施方式

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

本发明实施例通过启用神经网络模型对数字电表表盘图片进行识别，得出表号及用电数字信息，不仅大大提高了数字电表的抄表速度，还避免了人工读数出错的情况。

实施例一

图1示出了适于本发明实施例提供的一种数字电表读数方法的实施环境图，为便于说明，仅示出了与本发明实施例有关的部分。

在本发明实施例中，通过终端100将数字电表3表盘图片2拍下，并将表盘图片2上传至图片智能管理平台4，图片智能管理4平台启用神经网络模型对表盘图片2进行分析得出数字电表表号信息和数字电表读数信息，并将其保存至数据库。

图2示出了适于本发明实施例提供的一种数字电表读数方法步骤图，该方法应用于图片智能管理平台。

在步骤s201中，接收终端上传的数字电表表盘图片，所述数字电表表盘图片至少应包含数字电表表号信息及数字电表读数信息。

在本发明实施例中，终端是指具有拍照和上网功能的手机、平板电脑等移动设备，终端对数字电表的表盘进行拍照时，应保证图片上至少包含电表表号信息及电表读数信息，且亮度和清晰度要达到肉眼能够识别清楚的程度，具体如图4所示。

在本发明实施例中，图片智能管理平台可以是独立的物理服务器或者终端，也可以是多个服务器构成的服务器集群，可以是提供云数据库、云存储和cdn(contentdeliverynetwork，内容分发网络)等基础云计算服务的云服务器。

在步骤s202中，启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述数字电表表号信息及所述数字电表读数信息。

在本发明实施例中，采用卷积神经网络对数字电表表盘图片样本进行深度学习，得到所述神经网络模型。

卷积神经网络是机器学习中常用的一种深度前馈人工神经网络，并且在图像识别领域有较广泛的应用，本发明就不再阐述其原理，在本发明实施例中，采用卷积神经网络对数字电表表盘图片样本进行深度学习，得到神经网络模型的流程图如图3所示，具体为：

获取数字电表表盘图片，分组形成训练集和验证集；输出所述训练集及验证集，以通过人工对数字电表表盘图片中的电表表号信息及电表读数信息进行标注；对所述训练集进行数据增广；采用卷积神经网络对所述训练集进行深度学习，训练得出神经网络模型；通过所述验证集评估神经网络模型的性能，以判断是否可部署所述神经网络模型。

在本发明实施例中，训练集和验证集都是包含数字电表表盘图片的集合，拍摄符合上述要求的数字电表表盘图片，并将其上传至智能图片管理平台，平台接收图片后，将其随机分组，形成训练集和验证机，其中训练集至少有3000张图片，验证集至少含有500张图片。

在本发明实施例中，形成训练集和验证集后，利用人工对数字电表表盘图片中的电表表号信息及电表读数信息进行标注，包括这个信息在图片中的位置以及这个信息的“标签”；“标签”是指每个数字、汉字、字母所对应的唯一的能够被神经网络模型识别的特征，神经网络模型根据“标签”就能够识别每个数字、字母和汉字；对训练集中数字电表表盘图片进行人工标注时，每张图片对应的电表表号信息和电表读数信息中的汉字、字母、数字的位置信息和“标签”信息会单独存入一个文件，在训练神经网络模型时，将文件和该文件所对应的数字电表表盘图片一起作为输入对神经网络模型进行训练，分别得到识别位置信息的神经网络模型和识别文字信息的神经网络模型。例如，在本发明实施例中，要识别数字电表表盘上的表号信息及电表读数信息，就要先对信息进行定位，如图4所示，位置识别神经网络模型会根据训练结果识别出401号框和402号框，401号框中不包括402号框内的的部分就是需要进一步识别的数字信息，如图5和图6所示，当需要识别的区域确定之后，数字信息识别神经网络会对上述数字信息进行识别，当识别出数字、字母或者汉字的标签时就会识别相对应的标号信息或者读数信息，如数字0的标签就是“0”，数字1的标签就是“1”，识别图5和图6得到的识别结果即为图7和图8所示。

在本发明实施例中，数据增广是指对训练集中的图片进行亮度、对比度的调节，以模拟不同环境下抄表工对数字电表表盘拍照得到的图片，提高神经网络模型的适应性。

在本发明实施例中，对于图像的每个通道，其对比度的计算公式如下：

f(x)＝(x-mean)*contrast_factor+mean；

其中，x是每一个像素，mean是此通道的像素平均值，contrast_factor是一个介于0.8到1.25之间的值，选取不同的值可以调节图片的对比度，具体取值可根据实际情况人员选取。

亮度调整是指把原图像的每个像素值都增加50。经过数据增广处理的训练集，能够提供更广范围的学习样本，以提高神经网络模型的适用性。

在本发明实施例中，利用卷积神经网络对上述训练集中的图片进行识别学习，通过大量的图片识别，逐渐形成较为完善的神经网络模型。

在得到神经网络模型后，利用该神经网络模型对验证集进行识别，并记录其识别的精确率，若精确率达到预设值，则该神经网络模型可以直接部署在智能图片管理平台开始使用；若精确率未达到预设值，则需要继续对训练集进行识别，得出适应性更强的神经网络模型，预设值可以根据实际情况自由设置，本发明一个实施例将其设置为98％。

在本发明实施例中，神经网络模型为上述通过验证的神经网络模型，启用神经网络模型对数字电表表盘图片进行分析，识别出所述电表表号信息及所述电表读数信息的具体步骤如图9所示，具体为：

在步骤s901中，根据神经网络模型对所述数字电表表盘图片中的电表表号信息及电表读数信息所在的窗口区进行定位。

在本发明实施例中，在图片智能管理平台运行上述神经网络模型，利用神经网络模型对数字电表表盘图片中的信息位置进行定位，如图5和图6所述，上述定位过程由训练好的神经网络模型自动完成。

在步骤s902中，通过所述神经网络模型识别出定位区域的数字、字母和中文字符信息。

在本发明实施例中，由训练好的神经网络模型自动完成字符信息的识别，识别结果如图7和图8所示。

在步骤s903中，将所述字符信息组合为所述电表表号信息及所述电表读数信息。

在本发明实施例中，当神经网络模型识别出字符信息后，会在图片智能管理平台上显示电表的标号和电表读数信息。

在步骤s203中，将所述数字电表表号信息及所述数字电表读数信息录入数据库。

在本发明实施例中，当神经网络模型识别完数字电表表号信息及数字电表读数信息之后，系统对于识别准确的结果，会直接将其上传至服务器的数据库中，对于系统无法确认识别结果是否准确时，会将识别出的电表表号信息及电表读数信息反馈至发送该电表表盘图片的终端，由人工确认是否准确，若人工确认准确，则继续将识别出的电表表号信息及电表读数信息上传至数据库，如人工确认识别结果错误，则由人工手动输入正确读数后，系统删除识别结果，并将正确读数上传至数据库，如图11所示。其中，无法确认识别结果是否准确的情况为神经网络模型对图片中的数字、字母和汉字字符进行识别时，识别置信水平过低，没有达到预设值，则神经网络模型会认为该信息无法识别。例如，在本发明实施例中，置信水平的阈值设置为0.99，当数字信息识别神经网络模型识别出结果的置信水平低于0.99时，该数字信息就会被定为无法识别的信息，发送至终端，由人工进行确认，并将该数字信息录入数据库。

在本发明实施例中，通过神经网络模型对数字电表表盘图片进行分析，识别得出数字电表表号信息及数字电表读数信息，并将该信息上传至数据库，相较于传统的人工抄表，大大提高了抄表速度，提高了工作效率，且能够有效避免因人工出现的失误，提升抄表的精确率。

实施例二

图10示出了适于本发明实施例提供的一种数字电表读数装置图，为便于说明，仅示出了与本发明实施例有关的部分。

本发明实施例还提供一种数字电表读数装置，包括：

接收单元1001，用于接收终端发送的数字电表表盘图片，所述数字电表表盘图片至少应包含电表表号信息及电表读数信息；

在本发明实施例中，终端是指具有拍照和上网功能的手机、平板电脑等移动设备，终端对数字电表的表盘进行拍照时，应保证图片上至少包含电表表号信息及电表读数信息，且亮度和清晰度要达到肉眼能够识别清楚的程度，具体如图4所示。

处理单元1002，用于启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述电表表号信息及所述电表读数信息；

在本发明实施例中，采用卷积神经网络对数字电表表盘图片样本进行深度学习，得到所述神经网络模型。

卷积神经网络是机器学习中常用的一种深度前馈人工神经网络，并且在图像识别领域有较广泛的应用，本发明就不再阐述其原理，在本发明实施例中，采用卷积神经网络对数字电表表盘图片样本进行深度学习，得到神经网络模型的流程图如图3所示，具体为：

获取数字电表表盘图片，分组形成训练集和验证集；输出所述训练集及验证集，以通过人工对数字电表表盘图片中的电表表号信息及电表读数信息进行标注；对所述训练集进行数据增广；采用卷积神经网络对所述训练集进行深度学习，训练得出神经网络模型；通过所述验证集评估神经网络模型的性能，以判断是否可部署所述神经网络模型。

在本发明实施例中，训练集和验证集都是包含数字电表表盘图片的集合，拍摄符合上述要求的数字电表表盘图片，并将其上传至智能图片管理平台，平台接收图片后，将其随机分组，形成训练集和验证机，其中训练集至少有3000张图片，验证集至少含有500张图片。

在本发明实施例中，形成训练集和验证集后，利用人工对数字电表表盘图片中的电表表号信息及电表读数信息进行标注，包括这个信息在图片中的位置以及这个信息的“标签”；“标签”是指每个数字、汉字、字母所对应的唯一的能够被神经网络模型识别的特征，神经网络模型根据“标签”就能够识别每个数字、字母和汉字；对训练集中数字电表表盘图片进行人工标注时，每张图片对应的电表表号信息和电表读数信息中的汉字、字母、数字的位置信息和“标签”信息会单独存入一个文件，在训练神经网络模型时，将文件和该文件所对应的数字电表表盘图片一起作为输入对神经网络模型进行训练，分别得到识别位置信息的神经网络模型和识别文字信息的神经网络模型。例如，在本发明实施例中，要识别数字电表表盘上的表号信息及电表读数信息，就要先对信息进行定位，如图4所示，位置识别神经网络模型会根据训练结果识别出401号框和402号框，401号框中不包括402号框内的的部分就是需要进一步识别的数字信息，如图5和图6所示，当需要识别的区域确定之后，数字信息识别神经网络会对上述数字信息进行识别，当识别出数字、字母或者汉字的标签时就会识别相对应的标号信息或者读数信息，如数字0的标签就是“0”，数字1的标签就是“1”，识别图5和图6得到的识别结果即为图7和图8所示。

在本发明实施例中，数据增广是指对训练集中的图片进行亮度、对比度的调节，以模拟不同环境下抄表工对数字电表表盘拍照得到的图片，提高神经网络模型的适应性

在本发明实施例中，对于图像的每个通道，其对比度的计算公式如下：

f(x)＝(x-mean)*contrast_factor+mean；

其中，x是每一个像素，mean是此通道的像素平均值，contrast_factor是一个介于0.8到1.25之间的值，选取不同的值可以调节图片的对比度，具体取值可根据实际情况人员选取。

亮度调整是指把原图像的每个像素值都增加50。经过数据增广处理的训练集，能够提供更广范围的学习样本，以提高神经网络模型的适用性。

在本发明实施例中，利用卷积神经网络对上述训练集中的图片进行识别学习，通过大量的图片识别，逐渐形成较为完善的神经网络模型。

在得到神经网络模型后，利用该神经网络模型对验证集进行识别，并记录其识别的精确率，若精确率达到预设值，则该神经网络模型可以直接部署在智能图片管理平台开始使用；若精确率未达到预设值，则需要继续对训练集进行识别，得出适应性更强的神经网络模型，预设值可以根据实际情况自由设置，本发明一个实施例将其设置为98％。

在本发明实施例中，神经网络模型为上述通过验证的神经网络模型，启用神经网络模型对数字电表表盘图片进行分析，识别出所述电表表号信息及所述电表读数信息的具体步骤如图9所示，具体为：

在步骤s901中，根据神经网络模型对所述数字电表表盘图片中的电表表号信息及电表读数信息所在的窗口区进行定位。

在本发明实施例中，在图片智能管理平台运行上述神经网络模型，利用神经网络模型对数字电表表盘图片中的信息位置进行定位，如图5和图6所述，上述定位过程由训练好的神经网络模型自动完成。

在步骤s902中，通过所述神经网络模型识别出定位区域的数字、字母和中文字符信息。

在本发明实施例中，由训练好的神经网络模型自动完成字符信息的识别，识别结果如图7和图8所示。

在步骤s903中，将所述字符信息组合为所述电表表号信息及所述电表读数信息。

在本发明实施例中，当神经网络模型识别出字符信息后，会在图片智能管理平台上显示电表的标号和电表读数信息。

录入单元1003，用于将所述电表表号信息及所述电表读数信息录入数据库。

在本发明实施例中，当神经网络模型识别完电表表号信息及电表读数信息之后，系统对于识别准确的结果，会直接将其上传至服务器的数据库中，对于系统无法确认识别结果是否准确时，会将识别出的电表表号信息及电表读数信息反馈至发送该电表表盘图片的终端，由人工确认是否准确，若人工确认准确，则继续将识别出的电表表号信息及电表读数信息上传至数据库，如人工确认识别结果错误，则由人工手动输入正确读数后，系统删除识别结果，并将正确读数上传至数据库，如图11所示。其中，无法确认识别结果是否准确的情况为神经网络模型对图片中的数字、字母和汉字字符进行识别时，识别置信水平过低，没有达到预设值，则神经网络模型会认为该信息无法识别。例如，在本发明实施例中，置信水平的阈值设置为0.99，当数字信息识别神经网络模型识别出结果的置信水平低于0.99时，该数字信息就会被定为无法识别的信息，发送至终端，由人工进行确认，并将该数字信息录入数据库。

在本发明实施例中，通过神经网络模型对数字电表表盘图片进行分析，识别得出数字电表表号信息及数字电表读数信息，并将该信息上传至数据库，相较于传统的人工抄表，大大提高了抄表速度，提高了工作效率，且能够有效避免因人工出现的失误，提升抄表的精确率。

实施例三

在本发明实施例中，突出了一种数字电表读数系统，所述系统包含数字电表读数服务器，所述数字电表服务器包括实施例二中的任意一种数字电表读数装置。

在本发明一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上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以下步骤：

接收终端上传的数字电表表盘图片，所述数字电表表盘图片至少应包含电表表号信息及电表读数信息；

启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述电表表号信息及所述电表读数信息；

将所述电表表号信息及所述电表读数信息录入数据库

在本发明一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：

接收终端上传的数字电表表盘图片，所述数字电表表盘图片至少应包含电表表号信息及电表读数信息；

启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述电表表号信息及所述电表读数信息；

将所述电表表号信息及所述电表读数信息录入数据

应该理解的是，虽然本发明各实施例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，各实施例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。

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，所述的程序可存储于一非易失性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。

以上所述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。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。