[发明专利]基于图像识别技术和NB-IoT技术的远程抄表方法及系统

权利要求书

1.一种基于图像识别技术和NB-IoT技术的远程抄表方法，其特征在于，包括加装在现有水表上的一个水表盘面数字图像识别装置，所述图像识别装置包括单片机、以及分别与所述单片机电连接的摄像头、数据存储器、LCD液晶显示屏和无线传输模块，所述方法包括以下步骤：

S1、摄像机按预设周期采集水表表盘图像数据，并将所述表盘图像数据实时显示在LCD液晶显示屏上；

S2、根据所述摄像机的帧中断数据将所述采集到的表盘图像数据至数据存储器中；

S3、对所述表盘图像数据依次进行图像预处理、倾斜矫正、字轮区域精确定位、字轮区域字符分割；

步骤S3所述的图像预处理具体过程为：

灰度化：通过位运算获取所述表盘图像数据中像素的红色R、绿色G和蓝色B的数值，然后利用公式Gray＝R*0.299+G*0.587+B*0.114计算灰度值Gray，然后将表盘图像以灰度位图的形式保存下来；

边缘化：采用Canny边缘检测算法提取图像边缘信息，首先用Sobel算子模板进行高斯平滑处理，算出每一点的梯度向量(G_x,G_y)，将当前点的梯度与其梯度方向上梯度相比较，进行非极大值抑制处理得到定位准确的单像素的边缘，最后通过设置高低双阈值的方法去除伪边缘；

二值化：采用Otsu算法将图像中的像素的灰度级按阈值划分为背景部分和目标部分，过滤掉杂乱的边缘；

步骤S3所述倾斜校正、字轮区域精确定位、字轮区域字符分割的具体过程为：

通过Hough变换将直角坐标空间中的点映射到参数空间中，检测出预处理后的图像的字轮区域上下边框直线，然后计算出该直线与水平轴的夹角作为倾斜角，最后根据倾斜角对所述预处理后的图像进行旋转变换实现倾斜校正；

将倾斜矫正后的图像再次进行灰度化、Otsu二值化操作，将图片的背景信息去除，根据图像白色像素点的分布设定初始矩形区域，改变窗口区域，统计改变前后区域内白色像素点个数的差值，根据所述差值及预设阈值来判断字轮区域的边界，得到字轮区域精确定位；

按照宽度等比例切分的方案对字轮区域的字符分割；

S4、采用基于BP神经网络的数字识别算法识别所述分割后的字轮区域字符，得到表盘读数，所述基于BP神经网络的数字识别算法为，通过图像的伸缩变换将待识别的所述分割后的字轮区域字符位图规范为预定像素大小，同时采用最大值法将图片灰度信息统一为0～1之间的小数；读取所述规范化处理后的待识别字轮区域字符位图的像素数据作为BP神经网络的输入，并利用数据存储器中保存的权值和阈值矩阵进行前向计算，在输出层的各个节点中，取最大值所在的节点作为神经网络数字识别的结果；S5、利用NB-IoT技术将所述表盘读数发送到透传云服务器上；

步骤S4中所述基于BP神经网络的字轮数字识别算法已预先训练好BP神经网络，得到对应的权值、阈值矩阵，并在所述水表盘面数字图像识别装置安装时已预先将所述权值阈值矩阵保存至所述水表盘面数字图像识别装置的数据存储器中，所述权值、阈值矩阵的获取方式为：

预先采集预设数量的表盘字轮区域图像作为样本集，将所述样本集中的图像同样经过步骤S2所述的处理过程之后，再通过图像的伸缩变换做规范化处理得到BMP位图；

将所述BMP位图中的每个像素作为输入，采用如下公式计算隐藏层神经元个数h：公式中，i表示输入层神经元个数，o表示输出层神经元个数；

选取所述规范化处理后的样本集中第一数量的图像作为训练样本，其余图像作为测试样本，用所述训练样本在上位机上训练数字识别的BP神经网络；

训练成功后用所述测试样本对训练的神经网络做测试，得出测试识别率；

若测试识别率大于预设的识别率阈值，将训练得到的权值、阈值矩阵以文本文件的形式保存到数据存储器中。

2.一种基于图像识别技术和NB-IoT技术的远程抄表系统，其特征在于，包括加装在现有水表上的一个水表盘面数字图像识别装置，所述图像识别装置包括单片机、以及分别与所述单片机电连接的摄像头、数据存储器、LCD液晶显示屏和无线传输模块，所述系统包括以下内容：

图像采集模块：用来按预设周期对水表表盘字轮区域拍照，采集表盘图像数据，并显示在LCD液晶显示屏上；

数据存储模块：用于保存所述采集到的表盘图像数据，并预先保存训练好的BP神经网络的权值、阈值矩阵；

数据处理模块：用于对所述表盘图像数据依次进行图像预处理、倾斜矫正、字轮区域精确定位、字轮区域字符分割；

所述数据处理模块包括：

图像预处理单元：用于将图像进行灰度化、边缘化、二值化；

倾斜矫正单元：用于通过Hough变换将直角坐标空间中的点映射到参数空间中，检测出预处理后的图像的字轮区域上下边框直线，然后计算出该直线与水平轴的夹角作为倾斜角，最后根据倾斜角对所述预处理后的图像进行旋转变换实现倾斜校正；

字轮区域定位单元：用于将倾斜矫正后的图像再次进行灰度化、Otsu二值化操作，将图片的背景信息去除，根据图像白色像素点的分布设定初始矩形区域，改变窗口区域，统计改变前后区域内白色像素点个数的差值，根据所述差值及预设阈值来判断字轮区域的边界，得到字轮区域精确定位；

字符分割单元：用于按照宽度等比例切分的方案对字轮区域的字符分割；

图像识别模块：用于采用基于BP神经网络识别算法识别所述数据处理模块处理得到的字轮区域图像，得到表盘读数；

无线传输模块：用于利用NB-IoT技术将所述表盘读数发送到透传云服务器上；

所述图像识别模块具体包括以下内容：通过图像的伸缩变换将所述分割后的字轮区域字符位图规范为预定像素大小，同时采用最大值法将图片灰度信息统一为0～1之间的小数，读取所述规范化处理后的字轮区域字符位图的像素数据作为BP神经网络的输入，并利用所述数据存储中保存的权值和阈值矩阵进行前向计算，在输出层的各个节点中，取最大值所在的节点作为神经网络数字识别的结果；

所述图像识别模块根据所述数据存储模块中预先保存的训练好的BP神经网络的权值、阈值矩阵进行图像识别，所述权值、阈值矩阵的获取方式为：

处理单元：预先采集预设数量的字轮区域图像作为样本集，将所述样本集中的图像同样经过数据处理模块所述的处理过程之后，通过图像的伸缩变换做规范化处理得到BMP位图；

计算单元：将所述BMP位图中的每个像素作为输入，采用如下公式计算隐藏层神经元个数h：公式中，i表示输入层神经元个数，O表示输出层神经元个数；

训练单元：选取所述规范化处理后的样本集中第一数量的图像作为训练样本，其余图像作为测试样本，用所述训练样本在上位机上训练数字识别的BP神经网络；

测试单元：训练成功后用所述测试样本对训练好的神经网络做测试，得出测试识别率；

移植单元：若测试识别率大于预设的识别率阈值，将训练得到的权值、阈值矩阵以文本文件的形式保存到所述数据存储模块中。