一种电能表识别方法、虚拟装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种电能表识别方法、虚拟装置、设备和存储介质，属于图像识别领域。针对现有技术中存在的资源消耗高、速度低、无法使用便携终端的问题，本发明专利技术提供了电能表识别方法、虚拟装置、设备和存储介质，电能表示数识别使用超轻量OCR模型，编号识别使用图像处理，该模型结构为CNN神经网络以及CTC解码的结合，模型中的ISB使用CBAM注意力机制，其包含空间注意力机制和通道注意力机制，将先前已进行过预处理的示数区域图片整体输入CNN，无需进行数字切分，可得到该图片对应的概率矩阵，之后使用CTC解码将概率矩阵转为示数数字，它可以实现超轻量级的识别，资源消耗小、效率高、可以方便用于便携终端。便用于便携终端。便用于便携终端。

【技术实现步骤摘要】
一种电能表识别方法、虚拟装置、设备和存储介质


[0001]本专利技术涉及图像处理领域，更具体地说，涉及一种电能表识别方法、虚拟装置、设备和存储介质。

技术介绍

[0002]电能表是每家每户都需要使用的设备，而抄表工作常需要工作人员诸门逐户抄取，不仅工作量大，工作效率低，还容易出现人工错误。使用能够联网及自动上传数据的电能表可以避免人工抄表，但需要安装统一的电能表，产生安装成本和维护成本。此外有人也提出了运用计算机视觉进行电能表识别的构想，但一般需要拍摄电能表照片后上传至远程服务器，由服务器进行处理，无法做到在便携移动端(手机)上使用。且由于整个面板内容的识别需要消耗的资源较大，对硬件要求高，识别效率慢。

技术实现思路

[0003]1.要解决的技术问题
[0004]针对现有技术中存在的资源消耗高、速度低、无法使用便携终端的问题，本专利技术提供了一种电能表识别方法、虚拟装置、设备和存储介质，它可以实现超轻量级的识别，资源消耗小、效率高、可以方便用于便携终端。
[0005]2.技术方案
[0006]本专利技术的目的通过以下技术方案实现。
[0007]一种电能表识别方法，步骤如下，
[0008]接收电能表图片；
[0009]指引框选所述电能表图片上编号条形码以及示数区域，并提示框选的规则；
[0010]接收到框选的编号条形码以及示数区域内容后，切取条形码区域图片，输入条形码输入模块，进行条形码识别，获得电表编号；
[0011]切取示数区域图片，输入超轻量级OCR模型，进行示数区域识别，获得不带有小数点的电表示数；
[0012]为所述不带有小数点的电表示数添加小数点；
[0013]将电表编号和带有小数点的电表示数信息整合，保存和输出。
[0014]优选的，所述的超轻量级OCR模型包括4个阶段，其中第1阶段输入图片进入初始卷积层后进入1个ISB，依次通过第2阶段的2个ISB和第3阶段的5个ISB，第4阶段经过3个ISB后通过全连接层后，经过CTC解码输出不带有小数点的电表示数。
[0015]优选的，所述的ISB由逐点卷积层、逐通道卷积层、注意力机制模块、降维卷积层和可选的残差结构组成，输入图片进入初始卷积层获得的特征图，依次经过逐点卷积层、逐通道卷积层、注意力机制模块和降维卷积层处理，且在特征图残差为1时激活残差结构，残差结构处理特征图，经过残差结构处理后的结果和降维卷积层处理后的结果相加获得对应的处理后的特征图。
[0016]优选的，CTC解码识别的处理后的特征图宽度至少为2.5*m，m为字符数量。
[0017]优选的，超轻量级OCR模型第1阶段的ISB和第2阶段的第一个ISB的卷积步长为1。
[0018]优选的，所述添加小数点的方法为，预设最后的若干位数为小数点之后的数字，其余位数位于小数点之前，最后的若干位之前添加小数点。
[0019]优选的，所述切取示数区域图片后，经过前处理步骤后再输入超轻量级OCR模型，所述的处理包括调整宽高以及归一化步骤。
[0020]一种虚拟装置，所述虚拟装置包括，
[0021]获取模块，用于获取电能表图片；
[0022]选择模块，用于框选所述电能表图片上编号条形码以及示数区域，并提示框选的规则；
[0023]条形码识别模块，用于识别条形码，获得电表编号；
[0024]示数识别模块，获得电表示数；
[0025]整合输出模块，整合将电表编号和电表示数信息整合，保存和输出。
[0026]一种电子设备，所述数据处理设备包括：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数据处理程序，所述数据处理程序被所述处理器执行时实现如上述所述数据处理方法的步骤。
[0027]一种存储介质，所述存储介质包括存储的应用程序，其中，所述应用程序执行上述所述的进程运行的识别方法。
[0028]3.有益效果
[0029]相比于现有技术，本专利技术的优点在于：
[0030]本方案采用，电能表示数识别使用超轻量OCR，编号识别使用图像处理，使得整个程序很小，可以很方便地在移动端上使用，甚至该程序不需要APP，可以直接部署在嵌入式小程序中，非常便利，用户可自行拍照上传电能表信息，可省去相关工作人员逐户上门抄表的工作，可直接处理整张示数区域图片，无需进行数字切分。其识别速度快，准确率高。
附图说明
[0031]图1为本专利技术的流程示意图；
[0032]图2为本专利技术的识别模型结构图；
[0033]图3为逆残差模块结构图。
具体实施方式
[0034]下面结合说明书附图和具体的实施例，对本专利技术作详细描述。
[0035]以下是实际用户使用时候的流程内容，如图1所示，为本方案的整体流程。
[0036]在一个实施例中我们通过终端，如手机、专用设备等，接收电能表图片；具体接收的方式，可以通过拍摄或者录像等图像采集的方式，采集相应的图片，使用的程序可以是单独的程序，也可以是内置的小程序，如微信小程序，只要能够完成图片即可。
[0037]对应的程序，即对应的微信小程序指引用户框选编号条形码以及示数区域，并提示框选的规则。
[0038]接收到框选的编号条形码以及示数区域内容后，切取条形码区域图片，输入条形
码输入模块，进行条形码识别，获得电表编号；对应的条形码识别方式如下，基于图像处理的条形码识别算法，首先对条形码图片进行预处理，即二值化(转为非黑即白)，计算每个黑白条的宽度，黑条、白条每有一个单位宽度，就分别代表一个二进制1、0，如此便将条形码图片转换为一串二进制数字，再将二进制数字转化为十进制数字，即可得到电表的编号数字。
[0039]并切取示数区域图片，输入超轻量级OCR(optical character recognition)模型，即超轻量级光学字符识别模型，进行示数区域识别，获得不带有小数点的电表示数；这个切取示数区域图片和切取条形码区域图片步骤可以同时进行也可以前后依次进行，具体的顺序不做限制，作为一个更优选的方式，我们在示数区域图片输入超轻量级OCR模型之前先进行预处理，进行调整宽高，归一化等前处理后输入超轻量级OCR模型，对应的处理模块可以是相应的设备或者相应的计算程序，对应的位置不做具体的限定，如设置在示数识别模块中，只要能够完成对应模型的计算区域都可。
[0040]经过处理后的示数区域图片进入超轻量级OCR模型处理，超轻量级OCR模型是我方涉及的一种深度学习模型，用于识别电表示数，模型的结构如下，
[0041]该模型结构为CNN(Convolutional Neural Networks)神经网络以及CTC(Connectionist Temporal Classification)解码的结合，其中CNN神经网络为CNN网络结构，CTC解码为文字识别技术，如图2、3所示，作为一实施方式，本方案的CNN网络结构借鉴MobileNe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电能表识别方法，步骤如下，接收电能表图片；指引框选所述电能表图片上编号条形码以及示数区域，并提示框选的规则；接收到框选的编号条形码以及示数区域内容后，切取条形码区域图片，输入条形码输入模块，进行条形码识别，获得电表编号；切取示数区域图片，输入超轻量级OCR模型，进行示数区域识别，获得不带有小数点的电表示数；为所述不带有小数点的电表示数添加小数点；将电表编号和带有小数点的电表示数信息整合，保存和输出。2.根据权利要求1所述的一种超轻量智能电表识别方法，其特征在于，所述的超轻量级OCR模型包括4个阶段，其中第1阶段输入图片进入初始卷积层后进入1个ISB，依次通过第2阶段的2个ISB和第3阶段的5个ISB，第4阶段经过3个ISB后通过全连接层后，经过CTC解码输出不带有小数点的电表示数。3.根据权利要求2所述的一种超轻量智能电表识别方法，其特征在于，所述的ISB由逐点卷积层、逐通道卷积层、注意力机制模块、降维卷积层和可选的残差结构组成，输入图片进入初始卷积层获得的特征图，依次经过逐点卷积层、逐通道卷积层、注意力机制模块和降维卷积层处理，且在特征图残差为1时激活残差结构，残差结构处理特征图，经过残差结构处理后的结果和降维卷积层处理后的结果相加获得对应的处理后的特征图。4.根据权利要求3所述的一种超轻量智能电表识别方法，其特征在于，CTC解码识别的处理后的特征图...

【专利技术属性】
技术研发人员：高煜光，胡博恒，宋祺，
申请(专利权)人：上海弘玑信息技术有限公司，
类型：发明
国别省市：