本申请涉及水表抄表技术领域，具体而言，涉及一种水表类型识别方法与系统。
背景技术：
目前的人工目视读取水表是一种耗时、低效且昂贵的数据采集方法；而更换或升级水表以实现数据的自动收集和通信也是非常耗时和昂贵的，而且由于水表品牌、型号甚至数据格式千差万别，即便获得了各个水表上传的数据，也存在数据识别的困难与压力，实用性很差。
随着物联网技术的发展，针对传统非智能水表的远程抄表业务成为物联网的一个新兴业务领域，而在实现传统的非智能水表的抄表业务时，需要在非智能水表出外挂监控设备后，利用监控设备采集非智能水表的数据并进行上报；例如，目前针对非智能水表进行抄表时，常用的方法是：利用非智能水表的外挂摄像头读取非智能水表的表盘信息。
但是，传统非智能水表又包括指针式、数字式，显然，只有准确识别了水表类型才能调用对应的抄表算法。于是，如何对水表类型进行有效识别成为目前急需解决的技术问题，而现有技术中并未提供相关解决方案。
技术实现要素：
为了解决上述背景技术中存在的技术问题，本申请提供了一种水表类型识别方法与系统。
本申请的第一方面提供了一种水表类型识别方法，所述方法包括：
水表抄表设备的摄像装置对水表表盘进行拍摄，得到水表表盘图像，并将所述水表表盘图像发送至处理器；
所述处理器调用人工智能算法对所述水表表盘进行识别，并输出水表类型识别结果。
优选地，所述处理器设置于水表抄表设备或服务器，相应地，所述水表抄表设备还具备通信模块，用于分别将所述水表类型识别结果或所述水表表盘图像发送至服务器。
优选地，在所述处理器调用人工智能算法对所述水表表盘进行识别之前，包括：
采用直方图均衡化算法将所述水表表盘图像二值化，通过形态学膨胀算法对所述二值化后的图像进行连通域分析，将识别出的连通域的规则边界所划定区域作为表盘的有效区域。
优选地，所述人工智能算法为基于神经网络的算法。
优选地，所述人工智能算法需要进行预训练，包括：
服务器接收水表抄表设备按预设频率回传的表盘图像，其中，所述表盘图像由人工附加了与水表类型的关联关系，所述水表类型包括指针式、数字式；服务器还获取预设数量的非水表的图像；
在各类图像数量均达到预设值时，所述服务器将上述三种类型的样本图像输入神经网络模型进行训练，从而得到训练好的神经网络模型。
优选地，所述训练好的神经网络模型包括特征数据库，所述特征数据库中包括指针式水表特征集、数字式水表特征集、非水表特征集。
优选地，所述指针式水表特征集中的特征用于表征存在一个或多个直线型的窄连通域，所述数字式水表特征集用于表征存在一个或多个数字字符，所述非水表特征集是虚集，其用于表征不具备所述指针式水表特征集和所述数字式水表特征集中的特征。
优选地，所述调用人工智能算法对所述水表表盘进行识别，包括：
设定标签集li＝(l1，l2，l3)，其中标签l1-l3分别对应所述指针式水表特征集、数字式水表特征集、非水表特征集，表示水表类型；所述训练好的神经网络模型对所述二值化后的表盘图像的有效区域进行前景识别，并分析获得所述前景图像的特征，将所述特征与各所述特征集进行相似度计算，以确定所属的标签li。
优选地，所述神经网络模型的损失函数定义为：
其中，i是anchor的索引序号，pi是第i个anchor作为对象的预测概率；如果anchor为正，则真标签
ti是代表预测边界框的参数化坐标的向量，而
λ为权重。
本申请的第二方面提供了一种水表类型识别系统，所述系统包括水表抄表设备、服务器，其中，所述水表抄表设备包括摄像装置、通信模块，所述水表抄表设备或服务器包括处理器；
所述摄像装置，用于对水表表盘进行拍摄，得到水表表盘图像，并将所述水表表盘图像发送至处理器；
所述处理器，用于接收所述水表表盘图像，并调用人工智能算法对所述水表表盘进行识别，并输出水表类型识别结果。
本发明的有益效果在于：
本申请的技术方案采用指针式水表表盘图像、数字式水表表盘图像及非水表图像来训练神经网络模型，以使神经网络模型建立起可以准确表征各类型水表的特征集，即指针式水表特征集、数字式水表特征集、非水表特征集，从而能够快速且准确的输出水表类型识别结果，有利于后续水表抄表设备根据识别出的水表类型来调用对应的抄表算法进行抄表操作。同时，本申请的技术方案不但利用了人工智能算法在图像识别上的准确、快速的技术优势，还对其中的神经网络模型进行了改进，具体设计改进了神经网络模型的损失函数，进一步提高了神经网络模型在进行分类识别时的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本申请实施例公开的一种水表类型识别方法的流程示意图；
图2是本申请实施例公开的水表类型识别方法中神经网络模型的识别原理示意图；
图3是本申请实施例公开的一种水表类型识别系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
实施例一
请参阅图1，图1是本申请实施例公开的一种水表类型识别方法的流程示意图。如图1所示，本申请实施例的一种水表类型识别方法，所述方法包括：
s1、水表抄表设备的摄像装置对水表表盘进行拍摄，得到水表表盘图像，并将所述水表表盘图像发送至处理器；
s2、所述处理器调用人工智能算法对所述水表表盘进行识别，并输出水表类型识别结果。
在本申请实施例中，本申请设置了外挂式的水表抄表设备，仅需简单的设备即可实现远程抄表，无需大规模改造水表，可以极大的降低远程抄表的实现成本。近年来，人工智能(ai，artificialintelligence)获得了迅速的发展及广泛应用，并取得了丰硕的成果。鉴于人工智能技术在计算机视觉识别处理上具有准确、快速、可学习进化等技术特点，本申请的技术方案利用人工智能算法对水表表盘进行识别，从而准确快速的得出水表类型。
在本可选的实施方式中，所述处理器设置于水表抄表设备或服务器，相应地，所述水表抄表设备还具备通信模块，用于分别将所述水表类型识别结果或所述水表表盘图像发送至服务器。
在本申请实施例中，既可以将图像识别及分类处理过程设置于前端的水表抄表设备，如此设置，服务器仅需接收最终的分类识别即可，可以有效降低服务器的处理负荷，提高整个系统的运行效率。另外，由于水表抄表设备具备通信模块，所以，也可以选择将拍摄得到的图像回传至服务器进行统一处理，以降低水表抄表设备的硬件成本，有利于水表抄表设备的快速普及。
在本可选的实施方式中，在所述处理器调用人工智能算法对所述水表表盘进行识别之前，包括：
采用直方图均衡化算法将所述水表表盘图像二值化，通过形态学膨胀算法对所述二值化后的图像进行连通域分析，将识别出的连通域的规则边界所划定区域作为表盘的有效区域。
在本申请实施例中，由于水表抄表设备的安装不规范、被移动以及水表表盘不规整等多种因素均可能导致摄像头拍摄的图像不能完整包含表盘的计数部分，所以有必要在对表盘图像进行识别之前先进行预处理。即，先将表盘图像进行二值化处理，得到只包含黑像素和白像素的二值化图像，可以有效降低后续处理的计算量及识别难度；同时，由于表盘通常是规则形状，例如圆形或方形，所以，具有规则边界的连通域即为表盘的有效区域。
在本可选的实施方式中，所述人工智能算法为基于神经网络的算法。
在本申请实施例中，神经网络算法是十大人工智能算法之一，其具有自学习功能。例如实现图像识别时，只需要预先把许多不同的图像样板和对应的应识别的结果输入神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。基于神经网络的该特点，本实施例选择采用神经网络算法进行水表类型识别。
在本可选的实施方式中，所述人工智能算法需要进行预训练，包括：
服务器接收水表抄表设备按预设频率回传的表盘图像，其中，所述表盘图像由人工附加了与水表类型的关联关系，所述水表类型包括指针式、数字式；服务器还获取预设数量的非水表的图像；
在各类图像数量均达到预设值时，所述服务器将上述三种类型的样本图像输入神经网络模型进行训练，从而得到训练好的神经网络模型。
在本可选的实施方式中，所述训练好的神经网络模型包括特征数据库，所述特征数据库中包括指针式水表特征集、数字式水表特征集、非水表特征集。
在本可选的实施方式中，所述指针式水表特征集中的特征用于表征存在一个或多个直线型的窄连通域，所述数字式水表特征集用于表征存在一个或多个数字字符，所述非水表特征集是虚集，其用于表征不具备所述指针式水表特征集和所述数字式水表特征集中的特征。
在本可选的实施方式中，所述调用人工智能算法对所述水表表盘进行识别，包括：
设定标签集li＝(l1，l2，l3)，其中标签l1-l3分别对应所述指针式水表特征集、数字式水表特征集、非水表特征集，表示水表类型；所述训练好的神经网络模型对所述二值化后的表盘图像的有效区域进行前景识别，并分析获得所述前景图像的特征，将所述特征与各所述特征集进行相似度计算，以确定所属的标签li。
在本可选的实施方式中，所述神经网络模型的损失函数定义为：
其中，i是anchor的索引序号，pi是第i个anchor作为对象的预测概率；如果anchor为正，则真标签
ti是代表预测边界框的参数化坐标的向量，而
λ为权重。
在本申请实施例中，保障最终的分类识别结果是准确的，这是十分重要的关键内容。神经网络算法中的损失函数(lossfunction)用来衡量对输出结果的不满意程度，所以，本申请设计了上述损失函数来可保障识别结果的准确性。
实施例二
请参阅图3，图3是本申请实施例公开的一种水表类型识别系统的结构示意图。如图3所示，本申请实施例的一种水表类型识别系统，所述系统包括水表抄表设备、服务器，其中，所述水表抄表设备包括摄像装置、通信模块，所述水表抄表设备或服务器包括处理器；
所述摄像装置，用于对水表表盘进行拍摄，得到水表表盘图像，并将所述水表表盘图像发送至处理器；
所述处理器，用于接收所述水表表盘图像，并调用人工智能算法对所述水表表盘进行识别，并输出水表类型识别结果。
在本申请实施例中，本申请设置了外挂式的水表抄表设备，仅需简单的设备即可实现远程抄表，无需大规模改造水表，可以极大的降低远程抄表的实现成本。近年来，人工智能(ai，artificialintelligence)获得了迅速的发展及广泛应用，并取得了丰硕的成果。鉴于人工智能技术在计算机视觉识别处理上具有准确、快速、可学习进化等技术特点，本申请的技术方案利用人工智能算法对水表表盘进行识别，从而准确快速的得出水表类型。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
1.一种水表类型识别方法，其特征在于，所述方法包括：
水表抄表设备的摄像装置对水表表盘进行拍摄，得到水表表盘图像，并将所述水表表盘图像发送至处理器；
所述处理器调用人工智能算法对所述水表表盘进行识别，并输出水表类型识别结果。
2.根据权利要求1所述的方法，其特征在于：所述处理器设置于水表抄表设备或服务器，相应地，所述水表抄表设备还具备通信模块，用于分别将所述水表类型识别结果或所述水表表盘图像发送至服务器。
3.根据权利要求1所述的方法，其特征在于：在所述处理器调用人工智能算法对所述水表表盘进行识别之前，包括：
采用直方图均衡化算法将所述水表表盘图像二值化，通过形态学膨胀算法对所述二值化后的图像进行连通域分析，将识别出的连通域的规则边界所划定区域作为表盘的有效区域。
4.根据权利要求1-3任意一项所述的方法，其特征在于：所述人工智能算法为基于神经网络的算法。
5.根据权利要求1所述的方法，其特征在于：所述人工智能算法需要进行预训练，包括：
服务器接收水表抄表设备按预设频率回传的表盘图像，其中，所述表盘图像由人工附加了与水表类型的关联关系，所述水表类型包括指针式、数字式；服务器还获取预设数量的非水表的图像；
在各类图像数量均达到预设值时，所述服务器将上述三种类型的样本图像输入神经网络模型进行训练，从而得到训练好的神经网络模型。
6.根据权利要求5所述的方法，其特征在于：所述训练好的神经网络模型包括特征数据库，所述特征数据库中包括指针式水表特征集、数字式水表特征集、非水表特征集。
7.根据权利要求6所述的方法，其特征在于：所述指针式水表特征集中的特征用于表征存在一个或多个直线型的窄连通域，所述数字式水表特征集用于表征存在一个或多个数字字符，所述非水表特征集是虚集，其用于表征不具备所述指针式水表特征集和所述数字式水表特征集中的特征。
8.根据权利要求1所述的方法，其特征在于：所述调用人工智能算法对所述水表表盘进行识别，包括：
设定标签集li＝(l1，l2，l3)，其中标签l1-l3分别对应所述指针式水表特征集、数字式水表特征集、非水表特征集，表示水表类型；所述训练好的神经网络模型对所述二值化后的表盘图像的有效区域进行前景识别，并分析获得所述前景图像的特征，将所述特征与各所述特征集进行相似度计算，以确定所属的标签li。
9.根据权利要求1所述的方法，其特征在于：所述神经网络模型的损失函数定义为：
其中，i是anchor的索引序号，pi是第i个anchor作为对象的预测概率；如果anchor为正，则真标签
10.一种水表类型识别系统，其特征在于：所述系统包括水表抄表设备、服务器，其中，所述水表抄表设备包括摄像装置、通信模块，所述水表抄表设备或服务器包括处理器；
所述摄像装置，用于对水表表盘进行拍摄，得到水表表盘图像，并将所述水表表盘图像发送至处理器；
所述处理器，用于接收所述水表表盘图像，并调用人工智能算法对所述水表表盘进行识别，并输出水表类型识别结果。
技术总结