一种数字电表读数方法、装置、系统、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及图像识别领域，尤其涉及一种数字电表读数方法法、系统、计算机设备及存储介质，该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，本发明专利技术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，还避免了因人工操作出现错误抄表的情况。

【技术实现步骤摘要】
一种数字电表读数方法、装置、系统、计算机设备及存储介质
本专利技术涉及图像识别领域，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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术取得的有益效果为：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示出了适于本专利技术实施例提供的一种数字电表读数方法的实施环境图；图2示出了适于本专利技术实施例提供的一种数字电表读数方法步骤图；图3示出了适于本专利技术实施例提供的通过学习得到神经网路模型流程图；图4示出了适于本专利技术实施例提供的数字电表表盘图；图5示出了适于本专利技术实施例提供的数字电表读数信息图；图6示出了适于本专利技术实施例提供的数字电表表号信息图；图7示出了适于本专利技术实施例提供的数字电表读数识别结果图；图8示出了适于本专利技术实施例提供的数字电表表号识别结果图；图9示出了适于本专利技术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示出了适于本专利技术实施例提供的一种数字电表读数装置示意图；图11示出了适于本专利技术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专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术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专利技术，并不用于限定本专利技术。本专利技术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示出了适于本专利技术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，仅示出了与本专利技术实施例有关的部分。在本专利技术实施例中，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示出了适于本专利技术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。在本专利技术实施例中，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。在本专利技术实施例中，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。在本专利技术实施例中，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，本专利技术就不再阐述其原理，在本专利技术实施例中，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。在本专利技术实施例中，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。在本专利技术实施例中，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，在本专利技术实施例中，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，数字信本文档来自技高网...

【技术保护点】
1.一种数字电表读数方法，应用于图片智能管理平台，其特征在于，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数字电表表号信息及数字电表读数信息；启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述数字电表表号信息及所述数字电表读数信息；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。

【技术特征摘要】
1.一种数字电表读数方法，应用于图片智能管理平台，其特征在于，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数字电表表号信息及数字电表读数信息；启用神经网络模型对所述数字电表表盘图片进行分析，识别出所述数字电表表号信息及所述数字电表读数信息；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。2.根据权利要求1所述的一种数字电表读数方法，其特征在于，所述方法还包括如下步骤：当神经网络模型无法通过所述数字电表表盘图片识别出所述数字电表表号信息及所述电表读数信息时，则向终端返回无法识别信息，经人工确认后再录入数据库。3.根据权利要求1所述的一种数字电表读数方法，其特征在于，所述方法还包括如下步骤：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。4.根据权利要求3所述的一种数字电表读数方法，其特征在于，所述采用卷积神经网络对数字电表表盘图片样本进行学习，得到所述神经网络模型的步骤具体为：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，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。5.根据权利要求4所述的一种数字电表读数方法，其特征在于，所述用验证集评估神经网络模型的性能具体包括：用训练得到的神经网络模型对所述验证集的图片进行识别；判断识别精确率是否达到预设值；若是，则确认所述神经网络模型可进行部署使用；若否，则重复上述训练过程。6.根据权利要求1所述...

【专利技术属性】
技术研发人员：郭志辉，钟卫宁，董威，
申请(专利权)人：上海鸢安智能科技有限公司，
类型：发明
国别省市：上海,31