英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
经济高效的通用方法进行远程电表读数使用网络服务和计算机视觉
摘要——物联网是一个伟大的愿景，但也是这是当前研究面临的一个重要挑战。虽然,许多不同设备的连接都很出色，如增加自动化和智能能源管理。然而，将遗留设备集成到物联网是一个重大问题。遗留米,例如：无法自动提供计量数据和安装，现代智能电表的成本很高，因此常常无利可图。另一种方法是使用自动抄表系统。因此，它们可以被集成成为一个智能系统，如一个高效的能源管理。本文提出了一种鲁棒性强、通用性强的自动控制方法建议抄表。这种方法可以应用于水，天然气，电表和使用Web服务作为标准和开放的通信接口。一个的识别率原型实施率为98％，测量持续时间是大约。 1.5秒整个系统在Raspberry Pi是一种经济高效的硬件平台。
索引词——物联网，远程抄表，Web服务，计算机视觉，自动化
1.介绍
物联网（IoT）的愿景具有巨大优势，例如自动化和集成的增加。这导致到智能工厂，智能电网，智能建筑和智能房屋，可以降低成本并提高房屋质量。日常生活中，物联网中的一种可能应用是高效能源管理。但是，对于这样的能源管理，需要远程抄表以测量。随着时间计量数据。有两种方法可以实现远程抄表：
1）安装新的智能电表，它们非常成本密集型（300美元起）[1]使用特定的专有通信协议[2]。
2）现有遗留仪表的经济有效扩展与通讯模块集成在一起物联网。
例如在德国安装新的智能电表通常是无利可图的[1]。因此，为了提高成本效率和互操作性，我们将专注于第二通过通信模块扩展传统仪表的方法。
在文献中，最有前途的自动系统仪表读数（AMR）为[3]和[4]。不幸的是，由于对于他们的算法，他们对电表不灵活，关于视点（距离，角度）。因此，这些系统需要对相机与仪表。此外，这些系统在验证数据不足的情况下进行了评估。主要贡献及本研究论文的内容如下：
bull;与最新技术相反，我们提出了一种通用的方法，而不是仅针对一个特定的方法仪表类型。这主要是通过两种算法来实现的改进。
bull;一方面，我们提出了一种新颖的方法检测感兴趣区域（ROI）。投资回报率是图像的区域，仪表读数可以在其中找到了。与现有技术相反，该算法执行某种自动对齐。这有两个好处。首先，该算法在以下方面更健壮角度和距离。其次，这使一个系统可以测量多个仪表，因为它可以处理多个ROI。
bull;另一方面，提出了一种新颖的算法，可以自动检测有效数字的位数抄表。因此，该方法可以应用于具有任意位数的各种电表型号。
bull;我们充分验证了原型的实现数据集。数据集包括从各种角度，距离和亮度条件。通过可视化的远程抄表方法，建议的方法不仅适用于天然气，水，和电表，也可以用于其他计量设备。由于系统使用Web服务（WS）作为通信接口，它具有很高的互操作性以及即插即用，播放有关通讯的功能。整个系统非常经济高效（约30美元），包括从拍摄图像到发出读数的所有步骤WS接口上的数据。该系统已实施在C 中，因此无需使用专用就可移植硬件。但是，系统超出了有关执行时间的艺术，而所有相关作品978-1-4799-8461-9 / 15 / $ 31.00 2015 IEEE在专用硬件上运行或不在嵌入式上运行硬件。提议的方法称为AMPERE（使用PattErn REcognition进行自动抄表）。
本文的其余部分安排如下：第二节介绍了本文的基础知识，同时第三节概述了相关工作。第四节说明了建议的系统架构。在第五节，描述了实验结果，第六节总结这篇报告。
2.图案识别基础
首先，模式识别中的一个问题称为过拟合将予以解释。模式识别的过拟合系统导致以下事实：系统在一组特定的数据，而另一组数据的效果却很差一个也是关于现实世界的数据[5] [6]。
图1说明了该问题。该图显示了模式识别的识别误差的测量系统，这是根据两个独立的数据集测得的。训练数据上的误差用于调整参数训练期间系统的错误，因此训练数据在不断减少。同时，独立验证数据上的错误也在减少。但是，在“最佳点”之后，验证错误数据再次增加，而训练数据上的误差正在进一步减少。模式识别系统在这种情况下“过度适合”训练数据，因此不适合现实世界中的问题。通常，过度拟合的问题可能会独立于所使用的分类器（如人工）进行观察神经网络，模糊逻辑，支持向量机等。[5][6]。
可以通过使用大量数据来避免过度拟合进行培训和验证，以及展示高多样性。此外，用于培训和验证的数据应该与数据尽可能相似，即由模式识别系统在现场评估[5][6]。
图1.模式识别系统的过拟合
3.相关工作
通常，本节所述的所有识别率应被视为近似值，因为不同的验证集被使用。但是，识别系统的比较仅仅是如果使用相同的验证数据，则有效[7]，[5]，[6]。
在[3]中，Zhang等。提出了一种基于DSP的系统平台。识别率为99.7％，
执行时间为2秒。首先，应用阈值。然后，通过水平和垂直投影提取感兴趣区域（ROI）。抄表的位数被提取为对象，然后是神经网络用于数字分类。神经网络是
训练了700张图片，并通过了另外700张验证。不幸的是，用于ROI检测的方法基本上是细分方法，难以解决均质问题和困难的背景[8]。因此，相机需要与仪表对齐。此外，关于整个系统的验证数据。
在[4]中，Castells等人提出了一种基于FPGA的系统。识别率为99.4％。这种方法完全不使用ROI检测并用于数字识别Needleman Wunsch算法作为序列比对算法已部署。整个系统已通过验证396张图片。由于这一事实，没有使用ROI检测，摄像机必须与测光表完全对准。此外，没有提供有关验证数据。
在[9]中，提出了一个Matlab系统，该系统实现了200张照片应用95％的识别率。为了ROI检测细分和连接的组件应用分析。另外，ROI的长宽比为
考虑过的。没有解释实际的数字分类。除了比较分段数字的信息与模式。该系统在200张图片上得到了验证。同样，用于ROI检测的方法基本上是分割方法，与均质和困难的背景[8]。因此，相机需要与仪表对齐。此外，该算法不是由于固定的宽高比，因此非常灵活。另外没有给出了有关验证数据多样性的信息。
可以在[10]，[11]，[12]中找到更多方法，但这些方法提案没有得到足够详细的解释。
综上所述，上述所有工作都不十分稳健（距离，角度，亮度）也不通用（仪表型号，仪表类型）。所述算法均无法处理具有任意位数的不同电表型号。在所有规定的算法中，摄像头需要与抄表。尽管所述的识别率很好，模式识别系统很可能是过度适合特定问题，尤其是当如本节所述，培训和验证并不多样化
二。结果，模式识别系统将不会非常强大，在实际问题上的表现会很差。此外，[3]和[4]使用专用硬件，在[9]中计算是在PC硬件上完成的。
4.拟议制度
A.系统概述
开始时，对提议的系统进行了概述应该给出架构。相应的图可以是如图2所示。此外，图3显示了不同阶段。每个步骤都应更详细地描述如下面：
bull;图像获取：首先，使用相机拍摄仪表的图像。拍摄的图像为灰度没有颜色以减少计算复杂度整个系统。
bull;预处理：然后应用预处理。它只是将原始图像的中间剪裁为900 x 600像素。再一次，这样做是为了减少整个系统的计算复杂度。的建议的方法也可以应用于整个图片。
bull;ROI检测：之后，提取ROI。这些是仪表读数所在的区域假定。 ROI检测的好处是以下细分仅适用于图片。
bull;ROI细分：在此阶段，ROI为分别分成前景对象和的背景。分割的结果是由于应用了细分，因此得到了改进而不是整个图像，因为分割方法总是很难解决背景[8]。
bull;搜索对象链：分割后，仪表读数的数字与其他对象是必需的。因此，先验知识用于将抄表的数字组成一个链具有几乎等距间隙的对象。这一步有好处是，系统会自动确定抄表的有效位数和位数他们自己。
bull;数字分类：最后，对前景对象（数字）进行分类，对于每个对象，对应的对象确定数字。
bull;保存抄表：将每个数字分类后，结果仪表读数被保存。
bull;发射抄表：保存抄表后它可以被发射。可以找到不止一个读物，例如，由于图像中的其他区域（包括数字）。当发现一米以上的读数时，包含最多数字的读数是最可能的，因此被认为是正确的。
为了确定图案的识别率识别系统不使用先验知识。先前的知识可能是例如抄表的位置是静态，并且抄表值永远不会减少。接下来，我们将详细解释基本步骤。
图2.系统架构
图3.不同阶段的图像，a）输入图像，b）之后的图像预处理，c）检测到的ROI，d）分段的ROI，e）单个提取的数字
B.检测感兴趣的区域
本节介绍了ROI的检测。目的ROI检测的目的是提取部分图像可能包含搜索区域（在此工作中：仪表读数）。基本思想是图像的一部分是总是比整个图像更容易分割[8]。统计像神经网络这样的分类器取得了优异的成绩在ROI检测中[7]。不幸的是，没有合适的可用于训练此类分类器的数据集和不足数据集将导致过度拟合，如第二节所述。ROI的检测方法基于图像中的垂直边缘。基本思想是抄表区域，局部积累垂直边缘。基于垂直边缘的相关算法是在车牌识别方面已经取得了良好的成绩[7]。在这项工作中提出的算法包括以下步骤：
1）将图像（灰度级）与矩阵进行卷积计算水平导数，因此很敏感到图像的垂直边缘。所以垂直边缘原始图像的图像已创建。
2）在下一步中，边缘图像被卷积方形面具。据此，局部平均实现了边缘图像的。所得平均值边缘图像突出显示了最垂直的区域边缘可以找到。
3）最后，将阈值应用于平均边缘图像以将其分割为突出显示的前景对象和背景。
4）前景对象对应于具有图像中最垂直的边缘，并假定为投资回报率。该算法的步骤如图4所示，
5.用于计算水平导数的矩阵为类似于计算水平方向导数的矩阵sobel运算符。矩阵如下所示：
图4.垂直边缘检测后的输入图像
图5.在输入图像中找到ROI
C.细分
检测到ROI后，提取的区域比实际的仪表读数，因此背景不是完美均质。在这种情况下，本地/自适应阈值是必须的。应用的局部阈值技术计算每个像素都有一个特定的阈值。用于计算这个单独的阈值，像素中的灰度值周围区域具有高斯函数加权，并且加起来。阈值例如由OpenCV完成函数adaptiveThreshold。
D.搜索对象链
在这项工作中，在分割和数字分类之间插入了一个新颖的步骤。寻找连锁店数字应用于前景对象，以区分在抄表的数字和不需要的物体之间。它也可以将所需的位数设置为固定值，但是通过应用算法来搜索链对象方面，所提议系统的灵活性增加了。有效位数自动由系统。因此，它可以应用于每种电表型号五位数或更多。提出的算法使用先验知识和检查四个条件：
bull;数字之间应有等距的水平距离。
bull;两者之间的垂直距离应很小所有数字。
bull;所有数字应具有大致相同的宽度。
bull;所有数字应具有大约相同的高度。
图6说明了参数在本机中的位置图片。当上述条件满足五个条件时或更多前景对象，这些对象会构成一条线，并且假定为抄表的数字。在的数量至少选择了五个对象，因为几乎每个米都有至少五位数。搜索对象链的算法参数，h =
高度，w =宽度，dv =垂直距离，dh =水平距离E.数字分类
对于数字分类，部署了神经网络。人工神经网络正在达到最佳效果数字分类和字符识别领域。很所谓的卷积神经可以达到最佳结果Ciresan等人的网络。 [13]。不过，在这项工作中，我们使用多层感知器，因为Ciresan等人。显示在[14]中，多层感知器可以实现识别速度与卷积神经网络所达到的速度一样高网络。此外，多层感知器由许多软件库。如前所述，有必要训练具有足够训练集的分类器，以避免过度拟合。为了达到如此庞大而多样的训练可能，训练图像是从以下获得的三个来源：
bull;首先，从ICDAR2003强大的读取数据集接收训练图像，该数据集仍用于验证许多字符识别系统。确实，只有之所以使用此数据集的数字，是因为抄表不应是文字。
bull;其次，电，水的真实图像中的数字和煤气表被提取以获得一些图像拟议系统的实际应用领域。
bull;最后，创建了数字人造图像，被白色高斯噪声扭曲。这是有效的参考[6]扩展现有数据集的可能性。
从所有这些来源中，总共获得了907张训练图像收到了。图7显示了每个示例中的一个示例图像这三个来源中。
图7.训练集中的零位数字示例，a）取自a
电表的真实图像，b）创建的数字因噪声而失真，c）图像
取自ICDAR-2003强大的读取数据集
F.发射表读数
在最后一步中，将提供并发送仪表读数在本地网络中。对于网络接口，Web服务（WS）被选中。 WS具有很多优势，例如高互操作性或即插即用功能。 WS是使用JMEDS库在JAVA中实现，该库是适用于嵌入式设备。图8说明了结构WS。该服务有两个操作：
bull;GetReading：此操作可以由客户端调用并返回当前的抄表读数。
bull;MeterReadingSubscription：客户端可以订阅此操作并在抄表时通知您变化。因此，提供了随时间推移的抄表数据的完美测量。
图8. Web服务的结构，在其中提供
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238622]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
