(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111601370.7 (22)申请日 2021.12.24 (71)申请人 中国船舶重 工集团公司第七一九研 究所 地址 430200 湖北省武汉市江夏区藏龙岛 开发区杨桥湖大道19号 (72)发明人 余代伟　张军　张文金　孙宇航　 金朝　余涛　李冠群　蒋轩　 (74)专利代理 机构 武汉华之喻知识产权代理有 限公司 42 267 代理人 石梦雅　张彩锦 (51)Int.Cl. G06V 30/414(2022.01) G06V 10/764(2022.01) G06T 5/00(2006.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种智能读表方法 (57)摘要 本发明提供了一种智能读表方法， 属于视觉 识别领域， 该方法包括如下步骤： 获取待检测仪 表的图像并进行预处理以获得仪表图像； 利用第 一神经网络模 型对仪表图像进行分类， 以确定待 检测仪表的类型， 若待检测仪表为数字仪表， 则 采用光学字符识别技术对仪表 图像进行处理以 得到数字仪表的读数结果； 若待检测仪表为指针 仪表， 则对仪表图像依次进行关键点检测、 指针 与刻度线分割和字符识别处理， 然后通过计算得 到指针仪表的读数结果。 本发明创造性地将神经 网络模型应用到仪表图像分类中， 能够准确识别 出待检测仪表 为数字仪表还是指针仪表， 进而广 泛应用于 各种应用场景中， 以实现大规模快速分 布式部署和集中管控。 权利要求书1页 说明书4页 附图2页 CN 114332897 A 2022.04.12 CN 114332897 A 1.一种智能读表方法， 其特 征在于， 该 方法包括如下步骤： S1获取待检测仪表的图像并进行 预处理以获得仪表图像； S2利用第一神经网络模型对所述仪表图像进行分类， 以确定所述待检测仪表的类型， 若所述待检测仪表为数字仪表， 则进入步骤S 3， 若所述待检测仪表 为指针仪表， 则进入步骤 S4； S3采用光学字符识别技 术对所述仪表图像进行处 理以得到数字 仪表的读数 结果； S4对所述仪表图像依次进行关键点检测、 指针与刻度线分割和字符识别处理， 然后通 过计算得到指针仪表的读数 结果。 2.如权利要求1所述的智能读表方法， 其特征在于， 步骤S1中， 预处理的方法为： 对图像 的色度、 亮度、 饱和度以及对比度进行调整， 然后通过随机剪裁算法进行数据增强， 最后通 过统一缩放的方法输出固定像素的仪表图像。 3.如权利要求2所述的智能读表方法， 其特征在于， 步骤S1中， 统一缩放的过程中保持 仪表图像原有宽高比不变， 不足的部分用0值 填充。 4.如权利要求1所述的智能读表方法， 其特征在于， 步骤S2中， 所述第一神经网络模型 训练开始时， 先冻结前预设层的网络参数， 以保留浅层 泛化特征， 当训练收敛以后再更新前 预设层的网络参数， 以缩短训练时间。 5.如权利要求1所述的智能读表方法， 其特征在于， 步骤S2中， 所述第一神经网络模型 训练完成后， 采用模型剪枝和知识蒸馏的方式对神经网络模型进行小型化处理， 具体过程 为： (1)将原模型中批量归一化层的伽马参数按照绝对值从小到大排列， 然后将排名前预 设比例的卷积核剔除以获得剪枝模型； (2)将训练图像同时送入原模型和剪枝模型， 以利用原模型同步训练剪枝模型， 通过知 识蒸馏完成第一神经网络模型的小型化处 理。 6.如权利要求5所述的智能读表方法， 其特 征在于， 所述预设比例为6 0％～80％。 7.如权利要求1～6任一项所述的智能读表方法， 其特 征在于， 步骤S3包括如下子步骤： S31对所述仪表图像进行几何变换、 畸变校正、 去除模糊、 图像增强、 光线校正和对比度 增强处理以获得 预处理图像； S32利用第二神经网络模型对所述预处理图像进行文本识别， 以得到数字仪表的读数 结果。 8.如权利要求1～6任一项所述的智能读表方法， 其特 征在于， 步骤S4包括如下子步骤： S41将所述仪表图像输入第三神经网络模型以进行仪表盘关键点检测、 指针与刻度线 分割和字符识别， 其中仪表盘关键点检测的输出为： 式中， (x1， y1)为刻度起点坐标， score1为刻度起点置信度， (x2， y2)为刻度终点坐标， score2为刻度终点置信度， (x3， y3)为指针轴点 坐标， score3为指针轴点置信度； S42根据步骤S41中关键点检测和 指针与刻度线分割能够获得指针的偏转角度， 同时结 合字符识别读出的仪表量 程和单位信息， 计算得到指针仪表的读数 结果。权　利　要　求　书 1/1 页 2 CN 114332897 A 2一种智能读表方 法 技术领域 [0001]本发明属于 视觉识别领域， 更 具体地， 涉及一种智能读表方法。 背景技术 [0002]传统仪表通常需要手动抄表， 抄表过程存在任务重、 周期长、 难以自动化测量、 无 法实时显示结果的弊端， 还会耗费大量人力物力， 而且有的仪表安装在有毒有害的危险场 所， 工作环境恶劣， 导致抄表工作十 分不便。 随着节能降耗、 低碳经济等新兴产业的发展， 传 统仪表遇 到越来越多挑战， 急需向数字化、 智能化、 网络化发展。 [0003]现有技术大多针对某特定类型仪表或特定场景， 缺乏普适性， 无法辨别是数字显 示仪表还是指针式仪表， 具有很大局限性。 同时， 现有硬件设备难以适应多样化的要求， 存 在安装不便、 影响仪表 原有功能的问题， 难以大规模快速分布式部署和集中管控。 发明内容 [0004]针对现有技术的缺陷， 本发明的目的在于提供一种智能读表方法， 旨在解决现有 的仪表读表方法只针对特定类型仪表， 缺乏普适 性的问题。 [0005]为实现上述目的， 本发明提供了一种智能读表方法， 该 方法包括如下步骤： [0006]S1获取待检测仪表的图像并进行 预处理以获得仪表图像； [0007]S2利用第一神经网络模型对所述仪表图像进行分类， 以确定所述待检测仪表的类 型， 若所述待检测 仪表为数字仪表， 则进入步骤S3， 若所述待检测仪表为指针仪表， 则进入 步骤S4； [0008]S3采用光学字符识别技 术对所述仪表图像进行处 理以得到数字 仪表的读数 结果； [0009]S4对所述仪表图像依次进行关键点检测、 指针与刻度线分割和字符识别处理， 然 后通过计算得到指针仪表的读数 结果。 [0010]作为进一步优选的， 步骤S1中， 预处理的方法为： 对图像的色度、 亮度、 饱和 度以及 对比度进行调整， 然后通过随机剪裁算法进行数据增强， 最后通过统一缩放的方法输出固 定像素的仪表图像。 [0011]作为进一步优选的， 步骤S1中， 统一缩放的过程中保持仪表图像原有宽高比不变， 不足的部分用0值 填充。 [0012]作为进一步优选的， 步骤S2中， 所述第一神经 网络模型训练开始时， 先冻结前预设 层的网络参数， 以保留浅层 泛化特征， 当训练收敛以后再更新前预设层的网络参数， 以缩短 训练时间。 [0013]作为进一步优选的， 步骤S2中， 所述第一神经 网络模型训练完成后， 采用模型剪枝 和知识蒸馏的方式对神经网络模型进行小型化处 理， 具体过程 为： [0014](1)将原模型中批量归一化层的伽马参数按照绝对值从小到大排列， 然后将排名 前预设比例的卷积核剔除以获得剪枝模型； [0015](2)将训练图像同时送入原模型和剪枝模型， 以利用原模型同步训练剪枝模型， 通说　明　书 1/4 页 3 CN 114332897 A 3