CN108229482A - 燃气表的识别方法及*** - Google Patents

Abstract

本发明提出一种燃气表的识别方法及***，该方法包括以下步骤：采集表盘图像，并上传表盘图像；对上传的表盘图像进行处理和识别，并输出识别结果；对识别结果进行校验；如果校验通过，则将识别结果及表盘图像进行存储。本发明能够有效识别并记录燃气表的示数，具有成本低、准确性及可靠性高、适用性强的优点。

Description

燃气表的识别方法及***

技术领域

本发明涉及燃气表识别技术领域，特别涉及一种燃气表的识别方法及***。

背景技术

燃气表抄表、安检工作，是燃气使用后期服务中必不可少的环。目前的燃气表抄表工作多数是由工作人员上门配合人工抄写、拍照等流程来实现。抄表工作完成需***识别录入，识别时，会出现因抄写字迹潦草，无法有效完成数据识别录入，造成燃气使用核算不准的问题。

针对燃气表识别，目前出现的相关技术主要包括无线抄表方法和基于非深度的识别方法。无线抄表方法通过结合射频、无线、3G/4G等无线网络传输手段，将用户燃气表使用信息发回表站，实现智能化抄表。基于非深度的识别方法通过图像预处理、检测、识别、分类等流程来实现智能化的燃气表识别。

然而，以上两种燃气表识别方法均存在一定缺陷：无线抄表方法需在燃气表上安装射频传输装置，增加原有表盘的成本，且如遇信号干扰、断网等情况，将无法正常搜集表信息，不能完成识别工作，因此，可靠性较差，适用性不强。基于非深度识别的方法在实现时，检测、识别规则任务的设置，较多由工人的经验判别设置，因此准确性和可靠性不高。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的一个目的在于提出一种燃气表的识别方法，该方法能够有效识别并记录燃气表的示数，具有成本低、准确性及可靠性高、适用性强的优点。

本发明的另一个目的在于提出一种燃气表的识别***。

为了实现上述目的，本发明第一方面的实施例提出了一种燃气表的识别方法，包括以下步骤：采集表盘图像，并上传所述表盘图像；对上传的所述表盘图像进行处理和识别，并输出识别结果；对所述识别结果进行校验；如果校验通过，则将所述识别结果及所述表盘图像进行存储。

根据本发明实施例的燃气表的识别方法，对采集的燃气表的表盘图像进行处理和识别，并对识别结果进行校验，最后将校验通过的识别结果进行存储记录，从而能够有效识别并记录燃气表的示数，具有成本低、准确性及可靠性高、适用性强的优点。

另外，根据本发明上述实施例的燃气表的识别方法还可以具有如下附加的技术特征：

在一些示例中，还包括：如果校验未通过，则对所述识别结果进行修正，并将修正后的识别结果进行存储。

在一些示例中，对所述识别结果进行校验的依据包括：所述识别结果对应的燃气总用量应大于或等于历史抄表总用量，以及识别结果对应的燃气实际用量与燃气预测用量之间的差值应小于预设阈值，其中，所述燃气预测用量根据所述燃气表的历史用量数据估算得到。

在一些示例中，所述对上传的所述表盘图像进行处理和识别，进一步包括：根据预设的非深度检测算法对所述表盘图像进行表盘检测，得到第一图像；根据预设的图像处理方式对所述第一图像进行表盘校准，得到第二图像，其中，所述表盘校准包括：表盘位置校准、表盘角度校准和表盘质量校准；根据预设的识别方法对所述第二图像进行表盘示数识别，以得到所述识别结果。

在一些示例中，所述预设的识别方法包括字符分割识别方法或整牌识别方法，其中，所述字符分割识别方法包括以下步骤：选用第一预设网络架构，设计字符分割网络，以获取字符分割效果最优的第一特征模型文件；选用第二预设网络架构，设计支付识别网络，以获取字符识别效果最优的第二特征模型文件；对所述第二图像进行特征提取；对提取到的所述第二图像的特征与所述第一特征模型文件和第二特征模型文件中的特征进行比对，并将相似度最高的特征作为所述识别结果；所述整牌识别方法包括以下步骤：选用第三预设网络架构，设计整牌字符识别网络，以获取整牌识别效果最优的第三特征模型文件；对所述第二图像进行特征提取；对提取到的所述第二图像的特征与所述第三特征模型文件中的特征进行比对，并将相似度最高的特征作为所述识别结果。

为了实现上述目的，本发明第二方面的实施例提出了一种燃气表的识别***，包括：采集模块，用于采集表盘图像，并上传所述表盘图像；处理模块，用于对上传的所述表盘图像进行处理和识别，并输出识别结果；校验模块，用于对所述识别结果进行校验；存储模块，用于当所述识别结果校验通过时，将所述识别结果及所述表盘图像进行存储。

根据本发明实施例的燃气表的识别***，对采集的燃气表的表盘图像进行处理和识别，并对识别结果进行校验，最后将校验通过的识别结果进行存储记录，从而能够有效识别并记录燃气表的示数，具有成本低、准确性及可靠性高、适用性强的优点。

另外，根据本发明上述实施例的燃气表的识别***还可以具有如下附加的技术特征：

在一些示例中，还包括：修正模块，用于当所述识别结果校验未通过时，对所述识别结果进行修正；所述存储模块用于将修正后的识别结果进行存储。

在一些示例中，所述校验模块对所述识别结果进行校验的依据包括：所述识别结果对应的燃气总用量应大于或等于历史抄表总用量，以及识别结果对应的燃气实际用量与燃气预测用量之间的差值应小于预设阈值，其中，所述燃气预测用量根据所述燃气表的历史用量数据估算得到。

在一些示例中，所述处理模块用于：根据预设的非深度检测算法对所述表盘图像进行表盘检测，得到第一图像；根据预设的图像处理方式对所述第一图像进行表盘校准，得到第二图像，其中，所述表盘校准包括：表盘位置校准、表盘角度校准和表盘质量校准；根据预设的识别方法对所述第二图像进行表盘示数识别，以得到所述识别结果。

在一些示例中，所述预设的识别方法包括字符分割识别方法或整牌识别方法，其中，所述字符分割识别方法包括以下步骤：选用第一预设网络架构，设计字符分割网络，以获取字符分割效果最优的第一特征模型文件；选用第二预设网络架构，设计支付识别网络，以获取字符识别效果最优的第二特征模型文件；对所述第二图像进行特征提取；对提取到的所述第二图像的特征与所述第一特征模型文件和第二特征模型文件中的特征进行比对，并将相似度最高的特征作为所述识别结果；所述整牌识别方法包括以下步骤：选用第三预设网络架构，设计整牌字符识别网络，以获取整牌识别效果最优的第三特征模型文件；对所述第二图像进行特征提取；对提取到的所述第二图像的特征与所述第三特征模型文件中的特征进行比对，并将相似度最高的特征作为所述识别结果。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的燃气表的识别方法的流程图；

图2是根据本发明一个实施例的对表盘图像进行处理和识别的流程图；

图3是根据本发明一个实施例的对第二图像进行表盘示数识别的流程图；

图4是根据本发明另一个实施例的对第二图像进行表盘示数识别的流程图；

图5是根据本发明一个实施例的燃气表的识别***的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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，仅是为了便于描述本发明和简化描述，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发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

以下结合附图描述根据本发明实施例的燃气表的识别方法及***。

图1是根据本发明一个实施例的燃气表的识别方法的流程图。如图1所示，该方法包括以下步骤：

步骤S1：采集表盘图像，并上传表盘图像。

具体地，例如通过手机等具备拍照功能的设备来采集燃气表的表盘图像，然后将采集的表盘图像上传至后端***进行后续处理和识别。在具体实施例中，在采集表盘图像时，应尽量选取像素高的设备，从而使得采集的表盘图像清晰，辨识度高，同时，采集时应保证表盘图像的示数完整。

步骤S2：对上传的表盘图像进行处理和识别，并输出识别结果。

在本发明的一个实施例中，结合图2所示，对上传的表盘图像进行处理和识别，进一步包括：

步骤S21：根据预设的非深度检测算法对表盘图像进行表盘检测，得到第一图像。其中，预设的非深度算法例如包括SVM(Support Vector Machine，支持向量机)、adaboost、ACF(Auto Correlation Function，自相关函数)等常规非深度的检测算法，也可以包括深度学习的神经卷积网络，如：CNN(Convolutional Neural Network)、VGG(VisualGeometryGroup)等检测算法。

步骤S22：根据预设的图像处理方式对第一图像进行表盘校准，得到第二图像，其中，表盘校准包括：表盘位置校准、表盘角度校准和表盘质量校准。

具体地，预设的图像处理方式例如包括仿射变换、图像增强、高斯平滑处理等常规图像处理方式，也可以包括基于卷积+融合的深度学习算法。

换言之，即可选用仿射变换、图像增强、高斯平滑处理等常规图像处理手段对第一图像进行校准，亦可选择基于卷积+融合的深度学习算法对第一图像进行校准。之所以对第一图像(即待识别的表盘图像)进行校准，是为了获取适宜识别的表盘图像数据，确保识别结果的准确性。

进一步地，对第一图像进行表盘校准的内容包括：表盘位置校准、表盘角度校准和表盘质量校准。其中，表盘位置校准包括：选用边缘梯度、形态学处理、数据融合等技术，获取包含完整表示数的表盘位置区域；表盘角度校准包括：选用关键点定位、仿射变换等技术，矫正拍摄角度倾斜/偏转较大的表盘图片，获取识别效果最佳角度；表盘质量校准包括：通过图像增强、去雾、去噪等技术，对拍摄质量较差的图片进行质量校准，获取宜识别的图像质量。

步骤S23：根据预设的识别方法对第二图像进行表盘示数识别，以得到识别结果。该过程即进行示数识别，例如选用预设的识别方法(如基于深度学习的识别算法)，通过设计网络结构，结合海量的数据训练、调参，进而获取识别效果最优的网络结构及特征模型，实现数据驱动的字符识别。

其中，在本发明的实施例中，预设的识别方法包括但不限于字符分割识别方法或整牌识别方法。以下以字符分割识别方法及整牌识别方法为例进行相关说明。

具体地，结合图3所示，字符分割识别方法包括以下步骤：

步骤S231A：选用第一预设网络架构(如VGG网络架构)，设计字符分割网络，以获取字符分割效果最优的第一特征模型文件。具体包括：搜集大量表盘数据，进行数据清洗，标注表盘图像中的字符位置；将已清洗标注的数据，输入拟定VGG网络架构，进行模型训练；在训练过程中，人工参与监督模型中间结果，查看其与真实数据间的拟合度，适时调试网络参数调参，以获取字符分割效果最优的网络结构及特征模型文件，即第一特征模型文件。

步骤S232A：选用第二预设网络架构(如CNN网络架构)，设计支付识别网络，以获取字符识别效果最优的第二特征模型文件。具体包括：搜集大量表盘数据，进行数据清洗，标注表盘图片中的字符示数；将已清洗标注的数据，输入拟定CNN网络架构，进行模型训练；在训练过程中，人工参与监督模型中间结果，查看其与真实数据间的拟合度，适时调试网络参数调参，获取字符识别效果最优的网络结构及特征模型文件，即第二特征模型文件。

步骤S233A：对第二图像进行特征提取。也即对经过表盘检测、校准处理后获取的第二图像进行特征提取。

步骤S234A：对提取到的第二图像的特征与第一特征模型文件和第二特征模型文件中的特征进行比对，并将相似度最高的特征作为识别结果。

结合图4所示，整牌识别方法包括以下步骤：

步骤S231B：选用第三预设网络架构(如FRNN网络架构)，设计整牌字符识别网络，以获取整牌识别效果最优的第三特征模型文件。具体包括：搜集大量表盘数据，进行数据清洗，标注表盘图片中的整牌字轮示数；将已清洗标注的数据，输入拟定FRNN网络结构，进行模型训练；在训练过程中，人工参与监督模型中间结果，查看其与真实数据间的拟合度，适时调试网络参数调参，获取整牌识别效果最优的网络结构及特征模型文件，即第三特征模型文件。

步骤S232B：对第二图像进行特征提取。也即对经过表盘检测、校准处理后获取的第二图像进行特征提取。

步骤S233B：对提取到的第二图像的特征与第三特征模型文件中的特征进行比对，并将相似度最高的特征作为识别结果。

步骤S3：对识别结果进行校验。也即在对表盘图像进行处理和识别后，得到识别结果，即表盘示数，需要进一步对识别结果进行校验，以判断识别结果是否正确，进而确保录入后端***的数据的准确性。

具体地，对识别结果进行校验的依据包括：识别结果(表盘示数)对应的燃气总用量应大于或等于历史抄表总用量，以及识别结果对应的燃气实际用量与燃气预测用量之间的差值应小于预设阈值，其中，燃气预测用量根据燃气表的历史用量数据估算得到。换言之，即分别对识别结果进行用量矫正和误差矫正，例如，抄表的燃气总用量应大于或等于历史抄表总用量；分析抄表户燃气用量历史数据，获取平均季度/年度用量，估算抄表季/年度燃气用量，计算实际用量与估算用量间的偏差，该偏差应小于预设阈值。如果满足以上条件，则判断识别结果正确，校验通过，否则，判断校验未通过。

步骤S4：如果校验通过，则将识别结果及表盘图像进行存储。换言之，即将校验通过后的正确的识别结果以及采集的表盘图像进行存储，例如录入抄表/安检工作流***，实现数据录入，从而完成抄表/安检工作。

在本发明的一个实施例中，在步骤S3中之后，还包括：如果校验未通过，则对识别结果进行修正，并将修正后的识别结果进行存储。也即是说，当识别结果不正确时，对识别结果进行修正，如通过人工修正或预设的修正机制来进行自动修正，并将修正后的正确的识别结果进行存储，例如录入抄表/安检工作流***，实现数据录入，从而完成抄表/安检工作。该方法实现智能化表盘示数的录入，减免了人工抄写录入中的操作繁琐、抄写错误等问题，有效改善抄表/安检的工作流程。

根据本发明实施例的燃气表的识别方法，对采集的燃气表的表盘图像进行处理和识别，并对识别结果进行校验，最后将校验通过的识别结果进行存储记录，从而能够有效识别并记录燃气表的示数，具有成本低、准确性及可靠性高、适用性强的优点。

本发明的进一步实施例还提出了一种燃气表的识别***。

图5是根据本发明一个实施例的燃气表的识别***的结构框图。如图5所示，该燃气表的识别***100包括：采集模块110、处理模块120、校验模块130和存储模块140。

其中，采集模块110用于采集表盘图像，并上传表盘图像。

具体地，例如通过手机等具备拍照功能的设备来采集燃气表的表盘图像，然后将采集的表盘图像上传至后端***进行后续处理和识别。在具体实施例中，在采集表盘图像时，应尽量选取像素高的设备，从而使得采集的表盘图像清晰，辨识度高，同时，采集时应保证表盘图像的示数完整。

处理模块120用于对上传的表盘图像进行处理和识别，并输出识别结果。

具体地，处理模块120对上传的表盘图像进行处理和识别，包括：

首先，根据预设的非深度检测算法对表盘图像进行表盘检测，得到第一图像。其中，预设的非深度算法例如包括SVM(Support Vector Machine，支持向量机)、adaboost、ACF(Auto Correlation Function，自相关函数)等常规非深度的检测算法，也可以包括深度学习的神经卷积网络，如：CNN(Convolutional Neural Network)、VGG(VisualGeometryGroup)等检测算法。

然后，根据预设的图像处理方式对第一图像进行表盘校准，得到第二图像，其中，表盘校准包括：表盘位置校准、表盘角度校准和表盘质量校准。具体地，预设的图像处理方式例如包括仿射变换、图像增强、高斯平滑处理等常规图像处理方式，也可以包括基于卷积+融合的深度学习算法。

换言之，即可选用仿射变换、图像增强、高斯平滑处理等常规图像处理手段对第一图像进行校准，亦可选择基于卷积+融合的深度学习算法对第一图像进行校准。之所以对第一图像(即待识别的表盘图像)进行校准，是为了获取适宜识别的表盘图像数据，确保识别结果的准确性。

进一步地，对第一图像进行表盘校准的内容包括：表盘位置校准、表盘角度校准和表盘质量校准。其中，表盘位置校准包括：选用边缘梯度、形态学处理、数据融合等技术，获取包含完整表示数的表盘位置区域；表盘角度校准包括：选用关键点定位、仿射变换等技术，矫正拍摄角度倾斜/偏转较大的表盘图片，获取识别效果最佳角度；表盘质量校准包括：通过图像增强、去雾、去噪等技术，对拍摄质量较差的图片进行质量校准，获取宜识别的图像质量。

最后，根据预设的识别方法对第二图像进行表盘示数识别，以得到识别结果。该过程即进行示数识别，例如选用预设的识别方法(如基于深度学习的识别算法)，通过设计网络结构，结合海量的数据训练、调参，进而获取识别效果最优的网络结构及特征模型，实现数据驱动的字符识别。

其中，在本发明的实施例中，预设的识别方法包括但不限于字符分割识别方法或整牌识别方法。以下以字符分割识别方法及整牌识别方法为例进行相关说明。

具体地，字符分割识别方法包括以下步骤：

1.选用第一预设网络架构(如VGG网络架构)，设计字符分割网络，以获取字符分割效果最优的第一特征模型文件。具体包括：搜集大量表盘数据，进行数据清洗，标注表盘图像中的字符位置；将已清洗标注的数据，输入拟定VGG网络架构，进行模型训练；在训练过程中，人工参与监督模型中间结果，查看其与真实数据间的拟合度，适时调试网络参数调参，以获取字符分割效果最优的网络结构及特征模型文件，即第一特征模型文件。

2.选用第二预设网络架构(如CNN网络架构)，设计支付识别网络，以获取字符识别效果最优的第二特征模型文件。具体包括：搜集大量表盘数据，进行数据清洗，标注表盘图片中的字符示数；将已清洗标注的数据，输入拟定CNN网络架构，进行模型训练；在训练过程中，人工参与监督模型中间结果，查看其与真实数据间的拟合度，适时调试网络参数调参，获取字符识别效果最优的网络结构及特征模型文件，即第二特征模型文件。

3.对第二图像进行特征提取。也即对经过表盘检测、校准处理后获取的第二图像进行特征提取

4.对提取到的第二图像的特征与第一特征模型文件和第二特征模型文件中的特征进行比对，并将相似度最高的特征作为识别结果；

整牌识别方法包括以下步骤：

1)选用第三预设网络架构(如FRNN网络架构)，设计整牌字符识别网络，以获取整牌识别效果最优的第三特征模型文件。具体包括：搜集大量表盘数据，进行数据清洗，标注表盘图片中的整牌字轮示数；将已清洗标注的数据，输入拟定FRNN网络结构，进行模型训练；在训练过程中，人工参与监督模型中间结果，查看其与真实数据间的拟合度，适时调试网络参数调参，获取整牌识别效果最优的网络结构及特征模型文件，即第三特征模型文件。

2)对第二图像进行特征提取。也即对经过表盘检测、校准处理后获取的第二图像进行特征提取。

3)对提取到的第二图像的特征与第三特征模型文件中的特征进行比对，并将相似度最高的特征作为识别结果。

校验模块130用于对识别结果进行校验。也即在对表盘图像进行处理和识别后，得到识别结果，即表盘示数，需要进一步对识别结果进行校验，以判断识别结果是否正确，进而确保录入后端***的数据的准确性。

具体地，校验模块130对识别结果进行校验的依据包括：识别结果(表盘示数)对应的燃气总用量应大于或等于历史抄表总用量，以及识别结果对应的燃气实际用量与燃气预测用量之间的差值应小于预设阈值，其中，燃气预测用量根据燃气表的历史用量数据估算得到。换言之，即分别对识别结果进行用量矫正和误差矫正，例如，抄表的燃气总用量应大于或等于历史抄表总用量；分析抄表户燃气用量历史数据，获取平均季度/年度用量，估算抄表季/年度燃气用量，计算实际用量与估算用量间的偏差，该偏差应小于预设阈值。如果满足以上条件，则判断识别结果正确，校验通过，否则，判断校验未通过。

存储模块140用于当识别结果校验通过时，将识别结果及表盘图像进行存储。换言之，即将校验通过后的正确的识别结果以及采集的表盘图像进行存储，例如录入抄表/安检工作流***，实现数据录入，从而完成抄表/安检工作。

进一步地，在本发明的一个实施例中，该***100还包括修正模块。修正模块用于当识别结果校验未通过时，对识别结果进行修正。进一步地，存储模块140用于将修正后的识别结果进行存储。也即是说，当识别结果不正确时，对识别结果进行修正，例如通过人工修正或预设的修正机制来进行自动修正，并将修正后的正确的识别结果进行存储，例如录入抄表/安检工作流***，实现数据录入，从而完成抄表/安检工作。该***实现智能化表盘示数的录入，减免了人工抄写录入中的操作繁琐、抄写错误等问题，有效改善抄表/安检的工作流程。

需要说明的是，本发明实施例的燃气表的识别***的具体实现方式与本发明实施例的燃气表的识别方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不再赘述。

根据本发明实施例的燃气表的识别***，对采集的燃气表的表盘图像进行处理和识别，并对识别结果进行校验，最后将校验通过的识别结果进行存储记录，从而能够有效识别并记录燃气表的示数，具有成本低、准确性及可靠性高、适用性强的优点。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (10)

1.一种燃气表的识别方法，其特征在于，包括以下步骤：

采集表盘图像，并上传所述表盘图像；

对上传的所述表盘图像进行处理和识别，并输出识别结果；

对所述识别结果进行校验；

如果校验通过，则将所述识别结果及所述表盘图像进行存储。

2.根据权利要求1所述的燃气表的识别方法，其特征在于，还包括：

如果校验未通过，则对所述识别结果进行修正，并将修正后的识别结果进行存储。

3.根据权利要求1所述的燃气表的识别方法，其特征在于，对所述识别结果进行校验的依据包括：

所述识别结果对应的燃气总用量应大于或等于历史抄表总用量，以及识别结果对应的燃气实际用量与燃气预测用量之间的差值应小于预设阈值，其中，所述燃气预测用量根据所述燃气表的历史用量数据估算得到。

4.根据权利要求1所述的燃气表的识别方法，其特征在于，所述对上传的所述表盘图像进行处理和识别，进一步包括：

根据预设的非深度检测算法对所述表盘图像进行表盘检测，得到第一图像；

根据预设的图像处理方式对所述第一图像进行表盘校准，得到第二图像，其中，所述表盘校准包括：表盘位置校准、表盘角度校准和表盘质量校准；

根据预设的识别方法对所述第二图像进行表盘示数识别，以得到所述识别结果。

5.根据权利要求4所述的燃气表的识别方法，其特征在于，所述预设的识别方法包括字符分割识别方法或整牌识别方法，其中，

所述字符分割识别方法包括以下步骤：

选用第一预设网络架构，设计字符分割网络，以获取字符分割效果最优的第一特征模型文件；

选用第二预设网络架构，设计支付识别网络，以获取字符识别效果最优的第二特征模型文件；

对所述第二图像进行特征提取；

对提取到的所述第二图像的特征与所述第一特征模型文件和第二特征模型文件中的特征进行比对，并将相似度最高的特征作为所述识别结果；

所述整牌识别方法包括以下步骤：

选用第三预设网络架构，设计整牌字符识别网络，以获取整牌识别效果最优的第三特征模型文件；

对所述第二图像进行特征提取；

对提取到的所述第二图像的特征与所述第三特征模型文件中的特征进行比对，并将相似度最高的特征作为所述识别结果。

6.一种燃气表的识别***，其特征在于，包括：

采集模块，用于采集表盘图像，并上传所述表盘图像；

处理模块，用于对上传的所述表盘图像进行处理和识别，并输出识别结果；

校验模块，用于对所述识别结果进行校验；

存储模块，用于当所述识别结果校验通过时，将所述识别结果及所述表盘图像进行存储。

7.根据权利要求6所述的燃气表的识别***，其特征在于，还包括：

修正模块，用于当所述识别结果校验未通过时，对所述识别结果进行修正；

所述存储模块用于将修正后的识别结果进行存储。

8.根据权利要求6所述的燃气表的识别***，其特征在于，所述校验模块对所述识别结果进行校验的依据包括：

所述识别结果对应的燃气总用量应大于或等于历史抄表总用量，以及识别结果对应的燃气实际用量与燃气预测用量之间的差值应小于预设阈值，其中，所述燃气预测用量根据所述燃气表的历史用量数据估算得到。

9.根据权利要求6所述的燃气表的识别***，其特征在于，所述处理模块用于：

根据预设的非深度检测算法对所述表盘图像进行表盘检测，得到第一图像；

根据预设的图像处理方式对所述第一图像进行表盘校准，得到第二图像，其中，所述表盘校准包括：表盘位置校准、表盘角度校准和表盘质量校准；

根据预设的识别方法对所述第二图像进行表盘示数识别，以得到所述识别结果。

10.根据权利要求9所述的燃气表的识别***，其特征在于，所述预设的识别方法包括字符分割识别方法或整牌识别方法，其中，

所述字符分割识别方法包括以下步骤：

选用第一预设网络架构，设计字符分割网络，以获取字符分割效果最优的第一特征模型文件；

选用第二预设网络架构，设计支付识别网络，以获取字符识别效果最优的第二特征模型文件；

对所述第二图像进行特征提取；

对提取到的所述第二图像的特征与所述第一特征模型文件和第二特征模型文件中的特征进行比对，并将相似度最高的特征作为所述识别结果；

所述整牌识别方法包括以下步骤：

选用第三预设网络架构，设计整牌字符识别网络，以获取整牌识别效果最优的第三特征模型文件；

对所述第二图像进行特征提取；

对提取到的所述第二图像的特征与所述第三特征模型文件中的特征进行比对，并将相似度最高的特征作为所述识别结果。