本发明涉及智能抄表
技术领域：
，具体的说，是涉及一种机械表的智能抄表系统及其实现方法。
背景技术：
：计量表包括水表、电表、气表、热表等，而传统的计量表常常采用人工抄表，一方面占用了较多的人工成本，且人工抄表效率低下，不利于整体数据采集过程的进行。另一方面，传统的计量表采用人工抄表容易造成错抄、误抄等情况，给用户或企业带来了较大的经济损失，同时也容易引起用户或企业的不满。一种解决方法是进行远程抄表，而现有的远程抄表均是利用远程摄像，将拍摄到的图像上传的服务器，读表人员将对应图片信息下载下来，然后人工识别图片中的度数，然后人工进行记录。这样会造成读表速度慢；同时也增加了工作人员的工作量；另外，长时间工作会造成工作人员的视觉疲惫感，也会容易引起度数错误。上述缺陷，值得解决。技术实现要素：为了克服现有的技术的不足，本发明提供一种智能抄表系统及其实现方法。本发明技术方案如下所述：一方面，一种智能抄表系统，其特征在于，包括采集器、集中器以及后台服务器；所述采集器内设有主控mcu，所述主控mcu通过计量表通信接口与计量表连接，所述主控mcu连接采集器工作指示模块，所述主控mcu还通过采集器射频连接器与采集器ant天线接口连接；所述集中器内设有主控arm，所述主控arm通过网络接口与云端连接，所述主控arm连接集中器工作指示模块和电源管理单元，所述主控arm还通过集中器射频连接器与集中器ant天线接口连接；所述后台服务器与所述云端进行通信。根据上述方案的本发明，其特征在于，所述主控mcu通过uart线路与所述计量表连接。根据上述方案的本发明，其特征在于，所述计量表为机械表。根据上述方案的本发明，其特征在于，所述网络接口包括lan无线网络接口和gsm移动通信接口。进一步的，所述主控arm通过ebi线路与所述lan无线网络接口连接，所述主控arm通过uart线路与所述gsm移动通信接口连接。根据上述方案的本发明，其特征在于，所述主控mcu还与采集器存储空间连接，所述主控arm还与集中器存储空间连接。另一方面，一种智能抄表系统的实现方法，其特征在于，包括以下步骤：s1：照片获取：通过采集器采集水表读数的照片，水表读数的照片通过集中器上传到云端，控制中心的后台服务器从所述云端获取水表读数的照片；s2：字符识别库的训练：建立数字识别库，读取图像并标准化图像；s3：图像的识别：识别图片中的每个字符，并将识别出每个字符对应的数字显示到输出设备上。根据上述方案的本发明，其特征在于，在所述步骤s2中，字符识别库的训练过程具体包括：s21：先进行图片的采集；s22：通过labellmg工具将图片读数区域进行标注，每个数字编辑成相应的标签；s23：将标签资料生成xml格式文件，得到样本数据文件，供训练使用；s24：把相应的xml格式文件作为训练样本放到训练网络中进行训练，得到训练集；s25：读取原始图像，并将图像进行归一化处理。进一步的，在所述步骤s25中，将原始图像进行等比例缩放，长和宽的像素均不大于500。根据上述方案的本发明，其特征在于，在所述步骤s3中，图片的识别过程具体包括：s31：通过pca方法提取字符的特征点；s32：通过svm判别方法进行字符识别；s33：对识别的字符进行匹配，得到最优的数字结果，并将结果显示到输出设备上。根据上述方案的本发明，其特征在于，在所述步骤s3中，图片的识别过程采用fast-rcnn的方法进行识别，先检测出图片中水表读数的区域，再从读数区域中检测出水表读数。进一步的，检测水表的读数区域模型选用以mobilenet为basenetwork的ssd模型，检测数字的模型选用以inception-v2为basenetwork的faster-rcnn模型。根据上述方案的本发明，其有益效果在于：本发明通过采集器和集中器的配合进行远程读表，减少了工作人员读数的工作量，减少了工作人员读数时错抄、误抄的情况；本发明通过对机械表远程读数照片的自动识别，实现智能读数，减少了工作人员翻看图片并读数的过程，减少了其工作量，减少了对应的人力成本；并且通过智能读数提高了读数的正附图说明图1为本发明中智能抄表系统的结构示意图。图2为本发明中智能抄表实现方法的流程图。图3为本发明中字符识别库的训练及图像识别的流程图。图4为本发明标签工具标注数字特征的示意图。图5为本发明原图像的获取的示意图。图6为本发明实施例一中原图像的示意图。图7为本发明实施例一中识别后的图片示意图。图8为本发明中一维卷积模型的示意图。图9为本发明中fast-rcnn识别原理图。图10为本发明实施例二中选取图片的界面示意图。图11为本发明实施例二中识别效果图片的示意图。具体实施方式下面结合附图以及实施方式对本发明进行进一步的描述：如图1所示，一种智能抄表系统，包括采集器、集中器以及后台服务器。采集器内设有主控mcu，主控mcu通过计量表通信接口和uart线路与计量表连接，主控mcu连接采集器工作指示模块和采集器存储空间，主控mcu还通过采集器射频连接器与采集器ant天线接口连接。集中器内设有主控arm，主控arm通过网络接口与云端连接，主控arm连接集中器工作指示模块、电源管理单元及集中器存储空间，主控arm还通过集中器射频连接器与集中器ant天线接口连接；后台服务器与云端进行通信。网络接口包括lan无线网络接口和gsm移动通信接口，其中主控arm通过ebi线路与lan无线网络接口连接，主控arm通过uart线路与gsm移动通信接口连接。采集器存储空间和集中器存储空间实现采集器和集中器过程的数据存储，避免数据传输过程丢失。如图2所示，一种智能抄表系统的实现方法，包括以下步骤：一、照片获取：通过采集器采集水表读数的照片，由于拍照设备是固定的，角度，亮度都是仅仅存在细微的差别，所以水表读数的照片通过集中器直接上传到云端，控制中心的后台服务器从云端获取水表读数的照片，后进行照片的处理过程。二、字符识别库的训练：建立数字识别库，读取图像并标准化图像。如图3所示，字符识别库的训练过程具体包括：1、建立软硬件实验环境。其中软件环境包括ubuntu1、python、labelimg、anaconda、tensorflow_gpu、opencv；硬件环境为：nvidiageforcegtx1070。2、先进行图片的采集，通过labellmg工具将图片读数区域进行标注，每个数字编辑成相应的标签。如图4所示，该实施例中的标签作为h71867m。3、将标签资料生成xml格式文件，得到样本数据文件，供训练使用。4、如图5所示，把相应的xml格式文件作为训练样本放到训练网络中进行训练，得到训练集。5、如图6所示，读取原始图像，并将图像进行归一化处理：具体的，将原始图像进行等比例缩放，长和宽的像素均不大于500，以便于减小计算量。三、识别图片中的每个字符，并将识别出每个字符对应的数字显示到输出设备上，可以分为pca+svm方法和fast-rcnn方法。（一）pca+svm方法1、通过pca方法提取字符的特征点。具体包括以下步骤：（1）将图像归一化到固定大小n×n，然后展开为1×n2的一维向量，假设有m个样本，则最终形成一个m×n2的数组，每一行代表一个样本。本实施例中的图像像素大小为28×28，样本类别为10，每个类别训练图为500张，则每一张图展开后就是一个1×756的一维向量，最终形成一个5000×756的数组dm；（2）求每一个列向量的均值avg，其大小为1×n2；（3）求差值a=dm-avg；（4）协方差b=a×a’；（5）求协方差矩阵b的特征值和特征向量，取前k个最大特征值及对应的特征向量t；（6）令c=a’×t，c的大小为n2×k，向量c则为原始图像到投影空间的投影向量；（7）投影向量p=dm×c为样本的特征向量，其大小为m×k，即将一个n×n大小的图像映射为一个1×k的向量，每一行代表一个样本；（8）将求得的投影向量p送到svm分类器中进行训练。识别的时候，只需要将待识别的图像d（1×n2）先减去均值avg，再与投影向量c相乘，即将原始图像d投影到其主成份分量所在的投影空间中，然后用训练好的svm模型进行识别。2、svm（支持向量机）识别先对模板库进行特征的提取以训练相应的特征值；对待识别字符进行特征提取，与训练库中的驯良模板进行比对得出最优的匹配数字；显示到输出位置。本发明实施例一中识别前后的图片如图6-7所示。（二）fast-rcnn方法如图8中的一维卷积模型，在卷积运算过程中利用其两个重要特性：一个是卷积具有稀疏连接特性：layerm上的每一个节点都只与layerm-1对应区域的三个节点相连接，这个局部范围称为感受野。第二个特性卷积运算过程中相同颜色的线条代表了相同的权重，即权重共享：其一方面权重共享可以极大减小参数的数目，学习起来更加有效，另一方面，相同的权重可以让过滤器不受图像位置的影响来检测图像的特性，从而使cnn具有更强的泛化能力。在卷积处理后利用池化操作（pooling）减少数据量，并一定程度上保留原有图像的特征，池化的区域是不重叠的，卷积的感受野是重叠的。如图9所示，fast-rcnn识别的过程中，先检测出图片中水表读数的区域，再从读数区域中检测出水表读数，先检测出读数区域是为了减少后续检测水表读数的复杂度，即去除了读数区域以外的噪声影响。rcnn识别过程中存在较多缺陷：rcnn一张图像内候选框之间大量重叠，提取特征操作冗余因此rcnn识别测试时速度慢、训练时速度慢；另外，rcnn中独立的分类器和回归器需要大量特征作为训练样本，因此其训练所需空间大。本发明将整张图像归一化后直接送入深度网络，在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框，克服了测试速度慢的缺陷；在训练时，本发明先将一张图像送入网络，紧接着送入从这幅图像上提取出的候选区域，这些候选区域的前几层特征不需要再重复计算，因此克服了训练速度慢的缺陷；本发明把类别判断和位置精调统一用深度网络实现，不再需要额外存储，因此减少了训练所需空间。在图9中，设计了13个conv层、13个relu层以及4个pooling层。对于检测读数区域，由于读数区域是非联通的目，特征比较明显，可选用相对较小的模型来检测；对于检测数字，由于数字目标较小，且相对于检测读数区域，检测难度更大，故需要一个特征提取能力相对更强的模型。具体的，检测水表的读数区域模型选用以mobilenet为basenetwork的ssd模型，该模型的特点是检测大目标质量较高，且模型体积小，检测速度较快；检测数字的模型选用以inception-v2为basenetwork的faster-rcnn模型，该模型的特点是模型体积较大，特征提取能力更强，在检测小目标上的能力也更好，但运行速度较慢。如图10-11所示，将训练生成的xml文件生成训练模型，然后把图片给输入到加载过训练好的模型的识别程序中进行识别。表一：识别数据分析表训练第一次测试第二次测试样本量15050250测试正确15049249识别率100%98%99.9%上表为本发明进行训练和正式测试时的识别率记录表。由表格记录可知，本申请在测试过程中的记录数据正确率均接近100%，错误率极低，整体的测试速度快，便于推广应用。本发明中的计量表均为机械表，更有利于图片的处理过程。应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。上面结合附图对本发明专利进行了示例性的描述，显然本发明专利的实现并不受上述方式的限制，只要采用了本发明专利的方法构思和技术方案进行的各种改进，或未经改进将本发明专利的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。当前第1页12