CN116863122A - 一种电表抄表处理方法、装置、云端、***及介质 - Google Patents
一种电表抄表处理方法、装置、云端、***及介质 Download PDFInfo
- Publication number
- CN116863122A CN116863122A CN202310934173.XA CN202310934173A CN116863122A CN 116863122 A CN116863122 A CN 116863122A CN 202310934173 A CN202310934173 A CN 202310934173A CN 116863122 A CN116863122 A CN 116863122A
- Authority
- CN
- China
- Prior art keywords
- ammeter
- value
- data set
- cloud
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 227
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 61
- 238000012795 verification Methods 0.000 claims abstract description 46
- 230000005611 electricity Effects 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007728 cost analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种电表抄表处理方法、装置、云端、***及介质,该方法中,云端通过获取终端发送的抄表处理请求,解析出请求中的待抄电表的标识和电表图片,采用预设的卷积神经网络模型对电表图片进行数字识别处理,以获取待抄电表的电表数值;然后通过获取待抄电表的历史电表数值序列,利用预配置的预测模型对历史电表数值序列进行预测处理,获取预测的电表数值;基于预测的电表数值对电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将电表数值存储在与待抄电表的标识对应的电表数据表中,以完成抄表处理。利用申请提供的方法可提高抄表的处理效率和准确率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种电表抄表处理方法、装置、云端、***及介质。
背景技术
为了提高运营效益,移动运营商对其机房的用电情况需进行精准掌控,以便对能耗成本进行合理的管理。
现有技术中,运营商机房的用电情况均是通过代维人员手动抄录机房中的电表的数值的方式获取到的。也就是说,代维人员需对每个机房中的每个电表的数据值进行抄录,形成记录有电表数值的纸质文档;然后在由相关人员对该纸质文档进行信息核对,并在核对通过时,以手动的方式将机房的用电情况录入到相关***中,以便后续进行能耗成本分析。
但是,现有技术获取机房的用电情况依赖人工手动的方式获取,使得获取机房的用电情况的处理效率不高;此外,由于人工手动抄录机房的电表数值可能存在笔误的情况,且人工核对亦会存在失误的情况,这使得对机房的电表的抄表不够精准,从而也会导致对后续的耗能成本分析出现错误。
发明内容
本申请提供一种电表抄表处理方法、装置、云端、***及介质,用于解决现有技术对运营商机房的电表抄表处理效率不高且精准度不够的问题。
第一方面,一种电表抄表处理方法,包括:
云端获取终端发送的抄表处理请求,所述抄表处理请求包括:待抄电表的标识、所述待抄电表的标识对应的待抄电表的电表图片;
所述云端采用预设的卷积神经网络模型对所述电表图片进行数字识别处理,以获取所述待抄电表的电表数值;
所述云端获取所述待抄电表的历史电表数值序列,并利用预配置的预测模型对所述历史电表数值序列进行预测处理,获取预测的电表数值;
所述云端基于所述预测的电表数值对所述电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将所述电表数值存储在与所述待抄电表的标识对应的电表数据表中,以完成抄表处理。
在上述的电表抄表处理方法的优选技术方案中,获取预设的神经卷积网络的方式,包括:
所述云端获取多个所述待抄电表的标识对应的待抄电表的历史电表图片,并根据多个所述历史电表图片生成图数据集合;
所述云端对所述图数据集合进行预处理操作,以获取预处理后的图数据集合,并根据第一预设比例,将所述预处理后的图数据集合划分为待训练图数据集合和待验证图数据集合;
所述云端将所述待训练图数据集合输入至初始的卷积神经网络模型中进行训练处理,获取训练后的卷积神经网络模型;
所述云端利用所述待验证图数据集合对所述训练后的神经网络模型进行验证处理,获取验证处理结果;
在所述验证处理结果中的电表数值对应的准确度大于或等于预设准确度阈值时,所述云端将所述训练后的卷积神经网络模型作为所述预设的卷积神经网络模型。
在上述的电表抄表处理方法的优选技术方案中,获取预配置的预测模型的方式,包括:
所述云端获取多个所述待抄电表的标识对应的待抄电表的历史电表数值,并对多个所述历史电表数值进行数据格式转换处理,以根据多个格式转换处理后的历史电表数值生成电表数值样本数据集;
所述云端根据第二预设比例,将所述电表数值样本数据集划分为待训练的电表数值样本数据集和待测试的电表数值样本数据集;其中,所述待测试的电表数值样本数据集包括:测试数据和参照数据;所述第二预设比例与所述第一预设比例相同或不同;
所述云端将所述待训练的电表数值样本数据集输入至初始的预测模型中进行训练处理,以获取训练后的预测模型;
所述云端利用所述待测试的电表数值样本数据集中的测试数据对所述训练后的预测模型进行测试处理,获取测试处理结果数据;
所述云端计算所述测试处理结果数据与所述参照数据的相似度,并在所述相似度达到预设相似度阈值时,将所述训练后的预测模型作为所述预配置的预测模型。
在上述的电表抄表处理方法的优选技术方案中,所述云端基于所述预测电表数值对所述电表数值进行合理性校验处理,包括:
所述云端计算所述预测的电表数值与所述电表数值之间的差值,并将所述差值与预设的差值阈值进行比较处理;
若所述差值小于或等于所述预设的差值阈值,则所述云端确定合理性校验处理结果为合理。
在上述的电表抄表处理方法的优选技术方案中,还包括:
所述云端确定合理性校验处理结果为不合理时,生成重新发送抄表处理请求的提示信息;
所述云端将所述提示信息反馈给所述终端。
第二方面,本申请提供一种电表抄表处理装置,包括:
收发模块,用于获取终端发送的抄表处理请求,所述抄表处理请求包括:待抄电表的标识和所述待抄电表的标识对应的待抄电表的电表图片;
处理模块,采用预设的卷积神经网络模型对所述电表图片进行数字识别处理,以获取所述待抄电表的电表数值;
所述处理模块,还用于获取所述待抄电表的历史电表数值序列,并利用预配置的预测模型对所述历史电表数值序列进行预测处理,获取预测的电表数值;
检验模块,基于所述预测的电表数值对所述电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将所述电表数值存储在与所述待抄电表的标识对应的电表数据表中,以完成抄表处理。
在上述的电表抄表处理装置的优选技术方案中,所述处理模块,具体用于:
获取多个所述待抄电表的标识对应的待抄电表的历史电表图片,并根据多个所述历史电表图片生成图数据集合;
对所述图数据集合进行预处理操作,以获取预处理后的图数据集合,并根据第一预设比例,将所述预处理后的图数据集合划分为待训练图数据集合和待验证图数据集合;
将所述待训练图数据集合输入至初始的卷积神经网络模型中进行训练处理,获取训练后的卷积神经网络模型;
利用所述待验证图数据集合对所述训练后的神经网络模型进行验证处理,获取验证处理结果;
在所述验证处理结果中的电表数值对应的准确度大于或等于预设准确度阈值时,将所述训练后的卷积神经网络模型作为所述预设的卷积神经网络模型。
在上述的电表抄表处理装置的优选技术方案中,所述处理模块,还具体用于:
获取多个所述待抄电表的标识对应的待抄电表的历史电表数值,并对多个所述历史电表数值进行数据格式转换处理,以根据多个格式转换处理后的历史电表数值生成电表数值样本数据集;
根据第二预设比例,将所述电表数值样本数据集分划为待训练的电表数值样本数据集和待测试的电表数值样本数据集;其中,所述待测试的电表数值样本数据集包括:测试数据和参照数据;所述第二预设比例与所述第一预设比例相同或不同;
将所述待训练的电表数值样本数据集输入至初始的预测模型中进行训练处理,以获取训练后的预测模型;
利用所述待测试的电表数值样本数据集中的测试数据对所述训练后的预测模型进行测试处理,获取测试处理结果数据;
计算所述测试处理结果数据与所述参照数据的相似度,并在所述相似度达到预设相似度阈值时,将所述训练后的预测模型作为所述预配置的预测模型。
在上述的电表抄表处理装置的优选技术方案中,所述处理模块,还具体用于:
计算所述预测的电表数值与所述电表数值之间的差值,并将所述差值与预设的差值阈值进行比较处理;
若所述差值小于或等于所述预设的差值阈值,则确定合理性校验处理结果为合理。
在上述的电表抄表处理装置的优选技术方案中,所述处理模块,还用于确定合理性校验处理结果为不合理时,生成重新发送抄表处理请求的提示信息;
所述收发模块,还用于将所述提示信息反馈给所述终端。
第三方面,本申请提供一种云端,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器用于存储计算机执行指令;
所述处理器用于执行所述存储器存储的计算机执行指令,以实现第一方面所述的流量异常的监测方法。
第四方面,本申请提供一种电表抄表处理***,包括云端和终端;
所述云端用于接收所述终端发送的抄表处理请求,并根据第一方面所述的方法进行抄表处理,以响应所述抄表处理请求。
第五方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面所述的电表抄表处理方法。
本申请提供一种电表抄表处理方法、装置、云端、***及介质,该方法中,云端获取终端发送的抄表处理请求,所述抄表处理请求包括:待抄电表的标识、所述待抄电表的标识对应的待抄电表的电表图片;采用预设的卷积神经网络模型对所述电表图片进行数字识别处理,以获取所述待抄电表的电表数值;获取所述待抄电表的历史电表数值序列,并利用预配置的预测模型对所述历史电表数值序列进行预测处理,获取预测的电表数值;基于所述预测的电表数值对所述电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将所述电表数值存储在与所述待抄电表的标识对应的电表数据表中,以完成抄表处理。相较于现有技术,本申请基于自动化智能抄表方法,即代维人员利用终端到机房中采集相关电表的电表图片,然后根据电表图片发送抄表处理请求给云端;对应的,云端在接收到终端发送的抄表处理请求后,解析出抄表处理请求中的电表图片,对电表图片进行识别处理,识别出待抄电表的电表度数;继而,对待抄电表的电表度数进行合理性校验处理,以验证待抄电表的电表度数是否合理,并在确定待抄电表的电表数值合理时,将电表度数记录在相应的电表数据表中。这既避免了人工手动抄录电表数值导致抄表效率低的问题,又可避免人工抄录电表数值因失误导致电表数值抄录不准确的问题,从而有利于对能耗成本进行合理管理。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。
图1为本申请提供的电表抄表处理***的结构示意图;
图2为本申请提供的电表抄表处理方法实施例一的流程示意图;
图3为本申请提供的电表抄表处理方法实施例二的流程示意图;
图4为本申请提供的电表抄表处理方法实施例三的流程示意图;
图5为本申请提供的终端在抄表时的界面变化示意图;
图6为本申请提供的一种电表抄表处理装置的结构示意图;
图7为本申请提供的一种云端的结构示意图。
具体实施方式
为使本申请实施例的技术方案和优点更加清楚,下面将结合实施例中的附图,对实施例中的技术方案进行清楚完整地描述,所描述的实施例是本申请一部分实施例,而不是全部实施例。基于本申请的实施例,本领域技术人员在根据本实施例的启示下作出的其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
相关技术中,通过代维人员到运营商的机房中进行人工抄表处理,以获取到机房的用电情况。代维人员对每个机房中的电表逐一进行电表数值的抄录处理,然后将电表数值记录在纸质文档上,在抄表完成后,还需要将记录有各个机房的纸质文档进行核对处理,即人工对电表数值进行检查,以判断是否有不合理数值出现,如当前电表数值小于上一次抄录的电表数值,或者本次电表数值远大于上一次抄录的电表数值;继而在人工核对完成后,还需要将抄录的电表数值手动录入到电表数据***中,以形成电子文档进行存储,便于对运营商机房的用电量进行恩处理,从而根据分析结果对机房进行用电合理管理。
通过人工手动抄录、核验以及录入到电表数据***中的处理方式,过于机械化,这耗费了大量的人力且处理效率较慢;此外,考虑到人工抄电表方式存在失误的可能性,同样,对于代维人员造假电表用电情况也无从查证,这无法保障电表抄表的准确性。
基于上述技术问题,本申请的技术构思:如何实现处理效率高、精准度高的抄表处理方法。
图1为本申请提供的电表抄表处理***的结构示意图,参照图1,该***包括:云端101、终端102和电表103。
其中,云端可为具备处理和存储海量数据的服务器或服务器集群;终端可为移动电子设备,如手机、平板等,且***中的终端和云端的数量不唯一;且每个终端可以采集基站或机房中的多个电表的信息。云端和终端之间具备预设的关联关系,以确保在抄表处理时将数据上传到指定的云端中,为了便于说明,本申请仅以一个终端和云端,且一个终端可对多个电表进行信息采集为例进行说明,但不排除其他可能的场景。
下面对本申请的流量异常的检测方案进行详细的说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请提供的电表抄表处理方法实施例一的流程示意图。如图2所示,该方法,包括:
S201,云端获取终端发送的抄表处理请求,抄表处理请求包括:待抄电表的标识、待抄电表的标识对应的待抄电表的电表图片。
在本实施例中,待维人员在预设的周期内便会对所服务的运营商的基站或机房中的电表数据进行抄表处理。相较于现有技术中的手动抄写电表数值的方式,本实施所提供的方法,代维人员可利用终端进行抄表处理。
在实际场景下,代维人员抄表可分为巡检抄表和付费抄表。巡检抄表指在抄表作为机房巡检中的一个环节,代维人员在日常机房巡检中进行抄表。要求代维人员在日常巡检中进行电表数据抄录,从而不断积累相关数据;而付费抄表指的是当某机房需核算电费信息进行付费时,指定专门的人员前往机房进行电表数据抄录。本实施例所提供的方法对于这两种场景均适用。
可选的,代维人员所使用的终端上设置有抄表所使用的应用软件,然后注意对机房的电表进行抄表处理。首先,代维人员需要进行抄表的前期准备工作,即在相关的APP上进行基站或机房的位置选择,在确定好基站或机房的位置后,便在该位置下确定所要抄表的待抄电表;继而,在确定好待抄电表信息后,代维人员利用终端进行抄表处理。
在一种可选的实施方式中,代维人员除手动筛选、GIS定位出所需抄表的基站或机房的待抄电表方式外,还可以通过终端对电表上的二维码进行识别处理,以获取到当前待抄电表所在的基站或机房,获取到待抄电表的标识以及待抄电表所在基站或机房的标识。
继而,代维人员通过终端拍摄下待抄电表的图片,然后将待抄电表的图片上传到云端,以便云端进行抄表处理。也就是说,终端对云端发送了抄表处理请求,且抄表处理请求中包括:待抄电表的标识以及待抄电表标识对应的待抄电表的电表图片。
对应的,云端在接收到终端发送的抄表处理请求后,则立即解析出抄表处理请求中的待抄电表的标识,以及待抄电表的标识对应的待抄电表的电表图片。
S202,云端采用预设的卷积神经网络模型对电表图片进行数字识别处理,以获取待抄电表的电表数值。
在本实施例中,利用云端中预先设置好的卷积神经网络模型对解析到的电表图片进行数字识别处理,获取到待抄电表的电表读数。
其中,本实施例所提供的卷积神经网络模型包括但不限于卷积神经网络(Convolutional Neural Network,CNN)。
S203,云端获取待抄电表的历史电表数值序列,并利用预配置的预测模型对历史电表数值序列进行预测处理,获取预测的电表数值。
在本实施例中,云端在识别出电表图片上的电表数值后,根据待抄电表的标识,在预设的电表数据库中,获取到待抄电表的标识对应的电表数据表,并从中获取到该待抄电表的历史电表数值。
示例性的,假设代维人员每个月对基站或机房的电表进行一次抄表处理,云端需从电表数据表中提取出一定数量的历史电表数值,如取当前抄表处理前5次抄表处理对应的历史电表数值,然后将获取到历史电表数值输入至预配置的预测模型中,以获取到预测的电表数值。
其中,本实施例中所提到的预配置的预测模型包括但不限于长短期记忆网络(Long Short-Term Memory,LSTM)。
S204,云端基于预测的电表数值对电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将电表数值存储在与待抄电表的标识对应的电表数据表中,以完成抄表处理。
在本实施例中,将对电表图片进行数字识别获取到的电表数值与预测的电表数值进行比较处理,确定数字识别处理后的电表数值是否合理,即检测该电表数值是否精准。
可选的,云端计算预测的电表数值与电表数值之间的差值,并将差值与预设的差值阈值进行比较处理;若差值小于或等于预设的差值阈值,则云端确定合理性校验处理结果为合理。
需要说明的是,云端中存储有差值阈值,该差值阈值用于作为预测的电表数值与电表数值之间差距是否超出合理范围的依据,且该差值阈值是本领域技术人员结合电表在机房使用情况设定的,但不限于其他的具体实现方式。
也就是说,云端计算预测的电表数值与数字识别处理得到的电表数值之间的差值,即计算预测的电表数值与电表数值之间的差距值,然后将该差值与预设的差距阈值进行比较处理,以确定电表数值是否在正常合理范围内。
当云端确定出差值小于或等于预设的差值阈值时,将该电表数值存储至与与待抄电表的标识对应的电表数据表中,以完成抄表处理。
当云端确定出差值大于预设的差值阈值时,则云端确定合理性校验处理结果为不合理时,生成重新发送抄表处理请求的提示信息,并将提示信息反馈给终端。
在本实施例中,当云端确定出电表数值不具备合理性,即该电表数值与正常的使用下的电表数值差距较大。基于该情况可能是由于电表读数图片质量不佳、数字分割不准确、模型训练不充分等原因导致的,需要针对具体情况进行调整,因此云端需生成重新发送抄表处理请求的提示信息,将该提示信息发送到终端上,以便代维人员对电表数值进行确认和修改处理。
相应的,代维人员在接收到提示信息后,再次查验电表图片的电表数值,以确定电表数值是否因为电表图片不清晰导致,若是,代维人员需再次上传电表图片到云端,即重新发送抄表处理请求,以便精准的实现抄表处理。
可选的,代维人员还可手动修改电表数值,然后将修改后的电表数值上传到云端,以此完成抄表处理。
在本实施例中,具体阐释了电表抄表处理方法。云端获取终端发送的抄表处理请求,抄表处理请求包括:待抄电表的标识、待抄电表的标识对应的待抄电表的电表图片;然后,采用预设的卷积神经网络模型对电表图片进行数字识别处理,以获取待抄电表的电表数值;继而获取待抄电表的历史电表数值序列,并利用预配置的预测模型对历史电表数值序列进行预测处理,获取预测的电表数值;并基于预测的电表数值对电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将电表数值存储在与待抄电表的标识对应的电表数据表中,以完成抄表处理。相比现有技术,本实施例提供的电表抄表处理方法,基于代维人员上传的电表图片,云端自动化对电表图片进行识别处理,以获取到待抄电表的电表数值;同时,利用预配置的预测模型对该待抄电表进行预测处理,并利用预测处理获取到的预测的电表数值对电表数值进行校准处理,从而能够实现精准抄表处理。此外,本实施例避免了人工手动进行抄表的方式,可节省大量的人力,且本实施例在抄表处理时,云端记录了待抄电表的标识和待抄电表所属的基站或机房的位置信息,从而每次在抄表处理时,通过检测待抄电表的标识所属的基站或机房的位置信息,以确保代维人员在现场作业,进而保证抄表数据的准确性。
此外,本实施例通过多重校验机制有效避免了人工在整个抄表发送的错误,大大提交个电费数据的准确率,并通过不断的电费数据积累,后期方便了电费核查工作的开展。
下面结合图3对本申请所提供的预设的卷积神经网络的获取方式进行进一步的说明。图3为本申请提供的电表抄表处理方法实施例二的流程示意图,如图3所示,该方法包括:
S301,云端获取多个待抄电表的标识对应的待抄电表的历史电表图片,并根据多个历史电表图片生成图数据集合。
在本实施例中,在代维人员对基站或机房的电表进行巡检时或进行电表费用计算时,会将大量的待抄电表的图片上传到云端。对应的,云端中便存储有与多个待抄电表关联的电表图片。
具体的,云端可定期或按照预设的周期对其内部部署的预设卷积神经网络进行训练,以校准抄表处理的精准度。
云端会将多个待抄电表标识对应的待抄电表的历史电表图片汇集成图数据集合,以便后续对初始卷积神经网络进行训练处理,从而可获取到适用于本申请的预设的卷积神经网络。
S302,云端对图数据集合进行预处理操作,以获取预处理后的图数据集合,并根据第一预设比例,将预处理后的图数据集合划分为待训练图数据集合和待验证图数据集合。
首先,云端需对图数据集合进行预处理操作,以便获取到仅显示有电表数值区域的图片。
具体的,云端需对图数据集合中的每一张历史电表图片进行这里的预处理包括裁剪、缩放、去噪等步骤,以便使得图像更加清晰。可选的,由于不同的基站或机房中的电表型号不一致,因此,可对不同的基站或机房下的电表的历史电表图片设定出特定的裁剪大小,以便将近显示有电表数值的图片截取出来。
需要说明的是,虽然每个基站或机房下的电表图片所设定的裁剪大小不一致,但所有基站所机房下的电表图片的大小是一致的。
为了提高模型训练的处理效率,还需对裁剪处理后的图片进行缩放和去噪等处理,以便轻量化裁剪后的图片大小,使得量级更小、更清晰的电表图片作为训练模型的数据。
更为具体,为了提高训练的精准度还需将上述步骤得到的图片进行二值化操作处理,以便获取到黑白二值图像,有利于后续对图片中的字符进行分割和识别处理,以便将数字图片中的每个数字单独分离出来,从而可对每个数字进行特征向量提取处理。基于此,云端获取到用于训练预设的卷积神经网络的预处理后的图数据集合。
进一步的,云端在训练预设的卷积神经网络时,其内部存储有第一预设比例,该预设比例用于对预处理后的图数据集合进行划分的依据,以便将预处理后的图数据集合划分为用于训练的待训练图数据集合和用于验证的待验证图数据集合。此外,该第一预设比例的具体实现方式包括但不限于:由本领域技术人员设定的。
示例性的,假设第一预设比例为7:3,以及假设预处理后的图数据集合有1000个历史电表图片,则划分后的待训练图数据集合和待验证图数据集合中的历史电表图片数量为700:300。
S303,云端将待训练图数据集合输入至初始的卷积神经网络模型中进行训练处理,获取训练后的卷积神经网络模型。
在本实施例中,云端中预存有初始的卷积神经网络模型,如CNN,也可以是其他的卷积神经网络模型,此处不再限定。
示例性的,云端将前述所示例提到的700个历史电表图片输入至初始卷积神经网络模型中进行模型训练处理。
可想到的是,初始的卷积神经网络模型输入的历史电表图片进行特征提取,生成数字序列的特征向量。由此获取到历史电表图片中的每个数字的特征向量,继而可根据特征向量与实际对应的数值进行模型学习,从而可获取到训练后的卷积神经网络模型。
S304,云端利用待验证图数据集合对训练后的神经网络模型进行验证处理,获取验证处理结果。
S305,在验证处理结果中的电表数值对应的准确度大于或等于预设准确度阈值时,云端将训练后的卷积神经网络模型作为预设的卷积神经网络模型。
在本实施例中,云端在训练完成初始卷积神经网络模型后,还需要对训练后的卷积神经网络模型进行验证处理,即将前述示例提到的300个历史电表图片输入至训练后的卷积神经网络模型中,获取到验证处理结果。
可想到的是,所谓验证处理是在已知真实结果的前提下,观测验证处理结果是否精准的操作处理。
即云端还需针对待验证图数据中的每个待验证数据的验证处理结果中的电表数值,与实际的电表数值进行比较处理,判断是否一致,并将验证处理结果中的电表数值与实际的电表数值一致所对应的待验证数据个数进行累计处理,获取训练后的卷积神经网络模型验证准确的待验证数据的数量,然后计算待验证数据的数量与待验证数据的总量的比值,由此获取到验证处理结果中的电表数值对应的准确度。
值的提到的是,云端中预存有准确度阈值,该准确度阈值用于作为训练后的卷积神经网络模型是否可作为预设的卷积神经网络模型的评判依据,且该准确度阈值由领域技术人员根据经验值设定的。
在本实施例中,具体阐释了获取预设的卷积神经网络模型的方式,利用卷积层是一种前馈神经网络,通过该卷积神经网络模型中的多层卷积层和池化层对输入的图像进行特征提取;其中,卷积层主要用于提取图像的局部特征,如线条、边缘等;激活函数用于激活神经元,增强网络的非线性特性;池化层则用于对卷积层得到的特征图进行降采样,减小图像的尺寸和计算量,同时保留图像的主要特征;继而,经过多层卷积层、激活函数和池化层之后,CNN将得到一个固定长度的特征向量,且该向量包含了数字图片中每个数字的特征,以便识别出待抄电表的电表数值。基于本***所使用的卷积神经网络模型是由大量的历史数据训练获取到的,因此本***所部署的卷积神经网络模型具有较高的精准性;从而使得利用本***的模型对待抄电表的电表读数进行识别处理,既具备较高的处理效率,同时也具备较高的精准性。
下面结合图4对本申请所提供的预配置的预测模型的获取方式进行进一步的说明。图4为本申请提供的电表抄表处理方法实施例三的流程示意图,如图4所示,该方法包括:
S401,云端获取多个待抄电表的标识对应的待抄电表的历史电表数值,并对多个历史电表数值进行数据格式转换处理,以根据多个格式转换处理后的历史电表数值生成电表数值样本数据集。
在本实施例中,需要说明的是预配置的预测模型是利用待抄电表的历史电表数值,预测出该待抄电表在未来时刻的电表数值的模型,该模型所产生的预测的电表数值,可作为判断预设的卷积神经网络模型所识别的电表数值是否合理的依据。下面将详细阐述预配置的预测模型的具体获取方式。
类似的,同预设的卷积神经网络模型的获取方式类似,本***同样也需要对初始的预测模型进行训练,方可投入到对待抄电表数值进行预测的处理过程中使用。
具体的,云端同样需获取待抄电表的标识所对应的待抄电表的历史电表数值。示例性的,假设运营商对其基站或机房的电表每个月进行一次抄表处理,即对于每个基站或机房中的电表在每一年中均具有12个电表数值。对应的,云端可以选取多个基站或机房对应的电表的历史电表数值,如选取1000个电表所对应的1000份历史电表数值样本,且每个样本包含12个月的电表数值。
值的提到的是,本实施例所使用的初始的预测模型,可使用长短期记忆网络(LongShort-Term Memory,LSTM)但不限于其他具备递归功能的神经网络。
然后,云端将前述示例所提到的1000份历史电表数值样本对应的数据格式转换为适用于LSTM的数据格式,如将每个历史电表数值样本表示为一个3D张量所对应的(样本数量,时间步数,特征数)的形式,其中,样本数量表示用于训练初始的预测模型所用到的历史电表数值样本份数,如1000;时间步数具体的是每份历史电表数值样本中所包含的电表数值的数量,如12;特征数具体指的是每份历史电表数值样本的维度,以每份历史电表数值样本汇总包含12个电表数值为例,假设采用的是列向量,则特征数为1。
综上,即可将格式转换处理后的历史电表数值作为电表数值样本数据集。
S402,云端根据第二预设比例,将电表数值样本数据集划分为待训练的电表数值样本数据集和待测试的电表数值样本数据集;其中,待测试的电表数值样本数据集包括:测试数据和参照数据;第二预设比例与第一预设比例相同或不同。
需要说明的是,云端中存储有第二预设比例,该第二预设比例同样是用于将电表数值样本数据集划分为待训练的电表数值样本数据和待测试的电表数值样本数据集的依据,且本实施例所提到的第二预设比例是由本领域技术人员根据经验值设定的,但不限于其他的具体实施方式。此外,本实施例所提到的第二预设比例与前述实施例三所提到的第一预设比例可以相同或不同。
具体的,云端根据第二预设比例,将电表数值样本数据集划分为待训练的电表数值样本数据和待测试的电表数值样本数据集;且待训练的电表数值样本数据用于对初始的预测模型进行模型训练处理,而测试的电表数值样本数据集用于对训练后的预测模型进行准确性检测试处理,以判断该训练后的预测模型是否可作为预配置的预测模型。再者,待测试的电表数值样本数据集,还可进一步划分为测试数据和参照数据;其中,该测试数据用于作为训练后的预测模型的输入数据,即测试数据,而参照数据作为测试处理结果是否转准确的判断依据。具体的处理步骤可参照S403-S405。
S403,云端将待训练的电表数值样本数据集输入至初始的预测模型中进行训练处理,以获取训练后的预测模型。
在本实施例中,云端需将待训练的电表数值样本数据输入至初始的预测模型中进行训练,继而可获取到训练后的预测模型。
S404,云端利用待测试的电表数值样本数据集中的测试数据对训练后的预测模型进行测试处理,获取测试处理结果数据。
为了确保训练后的预测模型的精准性,云端可将待训练的电表数值样本数据输入至训练后的预测模型中,对训练后的预测模型进行测试处理。可选的,云端可将待测试的电表数值样本数据逐一输入到训练后的预测模型中,然后逐一获取每次测试处理的结果。
可想到的是,每一份待测试的电表数值样本数据将会具备与其对应的一个测试处理结果;假设每一份待测试的电表数值样本数据选取7个电表数值作为待测试的电表数值,那么待测试的电表数值样本数据的第8个电表数值则为实际的电表数值,即参照数据,而测试处理结果为与实际的电表数值对应的预测的电表数值。
S405,云端计算测试处理结果数据与参照数据的相似度,并在相似度达到预设相似度阈值时,将训练后的预测模型作为预配置的预测模型。
在本实施例中,需将测试处理结果按照测试的顺序生成相应的行向量,对应的将测试的电表样本数据的参照数据也生成对应的行向量;然后,利用皮尔逊相似度计算方法,计算这两个行向量的相似度,以获取相似度值,并将该相似度值与预设的相似度阈值进行比较处理,当该相似度值大于或等于预设的相似度阈值时,表明当前训练后的测试模型的预测准确度达到标准,可将训练后的预测模型作为预配置的预测模型。
当该相似度值小于预设的相似度阈值时,表明当前训练后的测试模型的预测准确度未达到标准,不可将训练后的预测模型作为预配置的预测模型,需要对初始的预测模型的配置参数进行调整,如学习率等,然后重新执行S403-S405等步骤,直至获取到满足上述条件的预配置的预测模型。
在本实施例中,具体阐释了获取获取到预配置的预测模型的具体处理过程,以利用该预测模型对电表示数据进行数据校验处理,确保抄表数据的准确性,以解决人工手动抄表存在失误的问题;从而,在获取到精准的抄表数据的基础上,可通过后台页面整合,将所有待抄电表的电表数值罗列出来,后期针对电表数值进行大数据分析,可以获得之后电费增长趋势,从而有效地预测未来电费支出,进而做好能耗成本控制。
在一种可选的实施例中,前述实施例三和实施例四所提到的模型,均需要定期进行更新处理,即在预设的时间内需要对这两个模型进行定期的再次训练、测试处理,以便保证模型的精准性。
在另一种可选的实施例中,考虑到移动运营商业务调整情况引发基站或机房中的电表出现增加或拆机现象,而现有技术中需代维人员手动进行记录,以确保采集数据的准确性,但是这容易导致机房或基站中的电表信息更新不及时的问题。针对该技术问题,本可选的实施例将介绍对基站或机房中电表信息变更的处理过程。
可选的,云端中预设有基站或机房中电表的信息表,该信息表中包括有:基站标识/机房标识、电表标识等信息。
对应的,代维人员在新增、更新、拆除电表时,需通过终端发送相应的处理请求,且处理请求中包括有待操作电表的标识、基站标识/机房标识、待操作电表的电表图片等信息,且该电表图片可用于识别出新增的电表的具体信息、用于识别出旧电表的电表数值以及新电表的电表数值。
继而,云端在接收到处理请求后,便根据处理请求中所包含的信息对预存的基站或机房中电表的信息表进行数据的更新处理,如对数据进行增、删、改、查等处理。
值的提到的是,本申请所提供的方法中所提到的电表图片中均存有图片水印,这可有效地避免了代维人员在正常巡检任务中消极怠工。
图5为本申请提供的终端在抄表时的界面变化示意图,如图5所示,具体展示了终端在发送抄表处理请求前的准备过程,首先确定出抄表方式,然后确定出待抄电表所在的位置以及确定待抄电表的电表信息,最终对云端发送抄表处理请求,以确保抄表数据的精准度。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图6为本申请提供的一种电表抄表处理装置的结构示意图,如图6所示,该处理装置600包括:收发模块601、处理模块602以及校验模块603。
其中,收发模块601用于获取终端发送的抄表处理请求,抄表处理请求包括:待抄电表的标识和待抄电表的标识对应的待抄电表的电表图片;处理模块602采用预设的卷积神经网络模型对电表图片进行数字识别处理,以获取待抄电表的电表数值;处理模块602还用于获取待抄电表的历史电表数值序列,并利用预配置的预测模型对历史电表数值序列进行预测处理,获取预测的电表数值;校验模块603基于预测的电表数值对电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将电表数值存储在与待抄电表的标识对应的电表数据表中,以完成抄表处理。
本申请实施例提供的处理装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
可选的,处理模块602,具体用于:
获取多个待抄电表的标识对应的待抄电表的历史电表图片,并根据多个历史电表图片生成图数据集合;
对图数据集合进行预处理操作,以获取预处理后的图数据集合,并根据第一预设比例,将预处理后的图数据集合划分为待训练图数据集合和待验证图数据集合;
将待训练图数据集合输入至初始的卷积神经网络模型中进行训练处理,获取训练后的卷积神经网络模型;
利用待验证图数据集合对训练后的神经网络模型进行验证处理,获取验证处理结果;
在验证处理结果中的电表数值对应的准确度大于或等于预设准确度阈值时,将训练后的卷积神经网络模型作为预设的卷积神经网络模型。
可选的,处理模块602,还具体用于:
获取多个待抄电表的标识对应的待抄电表的历史电表数值,并对多个历史电表数值进行数据格式转换处理,以根据多个格式转换处理后的历史电表数值生成电表数值样本数据集;
根据第二预设比例,将电表数值样本数据集分划为待训练的电表数值样本数据集和待测试的电表数值样本数据集;其中,待测试的电表数值样本数据集包括:测试数据和参照数据;第二预设比例与第一预设比例相同或不同;
将待训练的电表数值样本数据集输入至初始的预测模型中进行训练处理,以获取训练后的预测模型;
利用待测试的电表数值样本数据集中的测试数据对训练后的预测模型进行测试处理,获取测试处理结果数据;
计算测试处理结果数据与参照数据的相似度,并在相似度达到预设相似度阈值时,将训练后的预测模型作为预配置的预测模型。
可选的,处理模块602,还具体用于:
计算预测的电表数值与电表数值之间的差值,并将差值与预设的差值阈值进行比较处理;
若差值小于或等于预设的差值阈值,则确定合理性校验处理结果为合理。
可选的,处理模块602,还用于确定合理性校验处理结果为不合理时,生成重新发送抄表处理请求的提示信息;
收发模块601,还用于将提示信息反馈给终端。
本申请实施例提供的处理装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
图7为本申请提供的一种云端的结构示意图。如图7所示,该云端70包括:处理器71和存储器72;其中,处理器71与存储器72通信连接,存储器72用于存储计算机执行指令;处理器71配置为经由执行存储器72存储的计算机执行指令来执行前述任一方法实施例中的技术方案。
可选的,存储器72既可以是独立的,也可以跟处理器71集成在一起。可选的,当存储器72是独立于处理器71之外的器件时,云端70还可以包括:总线,用于将上述器件连接起来。
该服务器用于执行前述任一方法实施例中的技术方案,其实现原理和技术效果类似,在此不再赘述。
本申请实施例还提供一种电表抄表处理***,包括云端和终端;云端用于接收终端发送的抄表处理请求,并执行前述任一方法实施例所对应的的方法进行抄表处理,以响应抄表处理请求。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现前述任一方法实施例提供的技术方案。
本申请实施例还提供一种计算机程序产品,包括计算机指令,且计算机指令被处理器执行时实现上述任一方法实施例所提供的方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (13)
1.一种电表抄表处理方法,其特征在于,包括:
云端获取终端发送的抄表处理请求,所述抄表处理请求包括:待抄电表的标识、所述待抄电表的标识对应的待抄电表的电表图片;
所述云端采用预设的卷积神经网络模型对所述电表图片进行数字识别处理,以获取所述待抄电表的电表数值;
所述云端获取所述待抄电表的历史电表数值序列,并利用预配置的预测模型对所述历史电表数值序列进行预测处理,获取预测的电表数值;
所述云端基于所述预测的电表数值对所述电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将所述电表数值存储在与所述待抄电表的标识对应的电表数据表中,以完成抄表处理。
2.根据权利要求1所述的方法,其特征在于,获取预设的神经卷积网络的方式,包括:
所述云端获取多个所述待抄电表的标识对应的待抄电表的历史电表图片,并根据多个所述历史电表图片生成图数据集合;
所述云端对所述图数据集合进行预处理操作,以获取预处理后的图数据集合,并根据第一预设比例,将所述预处理后的图数据集合划分为待训练图数据集合和待验证图数据集合;
所述云端将所述待训练图数据集合输入至初始的卷积神经网络模型中进行训练处理,获取训练后的卷积神经网络模型;
所述云端利用所述待验证图数据集合对所述训练后的神经网络模型进行验证处理,获取验证处理结果;
在所述验证处理结果中的电表数值对应的准确度大于或等于预设准确度阈值时,所述云端将所述训练后的卷积神经网络模型作为所述预设的卷积神经网络模型。
3.根据权利要求2所述的方法,其特征在于,获取预配置的预测模型的方式,包括:
所述云端获取多个所述待抄电表的标识对应的待抄电表的历史电表数值,并对多个所述历史电表数值进行数据格式转换处理,以根据多个格式转换处理后的历史电表数值生成电表数值样本数据集;
所述云端根据第二预设比例,将所述电表数值样本数据集划分为待训练的电表数值样本数据集和待测试的电表数值样本数据集;其中,所述待测试的电表数值样本数据集包括:测试数据和参照数据;所述第二预设比例与所述第一预设比例相同或不同;
所述云端将所述待训练的电表数值样本数据集输入至初始的预测模型中进行训练处理,以获取训练后的预测模型;
所述云端利用所述待测试的电表数值样本数据集中的测试数据对所述训练后的预测模型进行测试处理,获取测试处理结果数据;
所述云端计算所述测试处理结果数据与所述参照数据的相似度,并在所述相似度达到预设相似度阈值时,将所述训练后的预测模型作为所述预配置的预测模型。
4.根据权利要求3所述的方法,其特征在于,所述云端基于所述预测电表数值对所述电表数值进行合理性校验处理,包括:
所述云端计算所述预测的电表数值与所述电表数值之间的差值,并将所述差值与预设的差值阈值进行比较处理;
若所述差值小于或等于所述预设的差值阈值,则所述云端确定合理性校验处理结果为合理。
5.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
所述云端确定合理性校验处理结果为不合理时,生成重新发送抄表处理请求的提示信息;
所述云端将所述提示信息反馈给所述终端。
6.一种电表抄表处理装置,其特征在于,包括:
收发模块,用于获取终端发送的抄表处理请求,所述抄表处理请求包括:待抄电表的标识和所述待抄电表的标识对应的待抄电表的电表图片;
处理模块,采用预设的卷积神经网络模型对所述电表图片进行数字识别处理,以获取所述待抄电表的电表数值;
所述处理模块,还用于获取所述待抄电表的历史电表数值序列,并利用预配置的预测模型对所述历史电表数值序列进行预测处理,获取预测的电表数值;
检验模块,基于所述预测的电表数值对所述电表数值进行合理性校验处理,并在合理性校验处理结果为合理时,将所述电表数值存储在与所述待抄电表的标识对应的电表数据表中,以完成抄表处理。
7.根据权利要求6所述的装置,其特征在于,所述处理模块,具体用于:
获取多个所述待抄电表的标识对应的待抄电表的历史电表图片,并根据多个所述历史电表图片生成图数据集合;
对所述图数据集合进行预处理操作,以获取预处理后的图数据集合,并根据第一预设比例,将所述预处理后的图数据集合划分为待训练图数据集合和待验证图数据集合;
将所述待训练图数据集合输入至初始的卷积神经网络模型中进行训练处理,获取训练后的卷积神经网络模型;
利用所述待验证图数据集合对所述训练后的神经网络模型进行验证处理,获取验证处理结果;
在所述验证处理结果中的电表数值对应的准确度大于或等于预设准确度阈值时,将所述训练后的卷积神经网络模型作为所述预设的卷积神经网络模型。
8.根据权利要求7所述的装置,其特征在于,所述处理模块,还具体用于:
获取多个所述待抄电表的标识对应的待抄电表的历史电表数值,并对多个所述历史电表数值进行数据格式转换处理,以根据多个格式转换处理后的历史电表数值生成电表数值样本数据集;
根据第二预设比例,将所述电表数值样本数据集分划为待训练的电表数值样本数据集和待测试的电表数值样本数据集;其中,所述待测试的电表数值样本数据集包括:测试数据和参照数据;所述第二预设比例与所述第一预设比例相同或不同;
将所述待训练的电表数值样本数据集输入至初始的预测模型中进行训练处理,以获取训练后的预测模型;
利用所述待测试的电表数值样本数据集中的测试数据对所述训练后的预测模型进行测试处理,获取测试处理结果数据;
计算所述测试处理结果数据与所述参照数据的相似度,并在所述相似度达到预设相似度阈值时,将所述训练后的预测模型作为所述预配置的预测模型。
9.根据权利要求8所述的装置,其特征在于,所述处理模块,还具体用于:
计算所述预测的电表数值与所述电表数值之间的差值,并将所述差值与预设的差值阈值进行比较处理;
若所述差值小于或等于所述预设的差值阈值,则确定合理性校验处理结果为合理。
10.根据权利要求6-9任一项所述的装置,其特征在于,还包括:
所述处理模块,还用于确定合理性校验处理结果为不合理时,生成重新发送抄表处理请求的提示信息;
所述收发模块,还用于将所述提示信息反馈给所述终端。
11.一种云端,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器用于存储计算机执行指令;
所述处理器用于执行所述存储器存储的计算机执行指令,以实现权利要求1-5中任一项所述电表抄表处理方法。
12.一种电表抄表处理***,其特征在于,包括云端和终端;
所述云端用于接收所述终端发送的抄表处理请求,并根据权利要求1-5任一项所述的方法进行抄表处理,以响应所述抄表处理请求。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现权利要求1-5中任一项所述的电表抄表处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934173.XA CN116863122A (zh) | 2023-07-27 | 2023-07-27 | 一种电表抄表处理方法、装置、云端、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934173.XA CN116863122A (zh) | 2023-07-27 | 2023-07-27 | 一种电表抄表处理方法、装置、云端、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116863122A true CN116863122A (zh) | 2023-10-10 |
Family
ID=88225021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310934173.XA Pending CN116863122A (zh) | 2023-07-27 | 2023-07-27 | 一种电表抄表处理方法、装置、云端、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863122A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558118A (zh) * | 2023-10-12 | 2024-02-13 | 北京思凌科半导体技术有限公司 | 电表数据采集方法、装置、存储介质及电子设备 |
-
2023
- 2023-07-27 CN CN202310934173.XA patent/CN116863122A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558118A (zh) * | 2023-10-12 | 2024-02-13 | 北京思凌科半导体技术有限公司 | 电表数据采集方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667011B (zh) | 损伤检测模型训练、车损检测方法、装置、设备及介质 | |
CN107220648B (zh) | 理赔单据的字符识别方法及服务器 | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN112543470B (zh) | 基于机器学习的终端定位方法及*** | |
CN110245704B (zh) | 业务处理方法、装置、存储介质与电子设备 | |
CN116863122A (zh) | 一种电表抄表处理方法、装置、云端、***及介质 | |
CN111160432A (zh) | 一种面板生产制造缺陷的自动分类方法及*** | |
CN112418524A (zh) | 充电站可用状态的预测方法、装置、设备和存储介质 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN115880571A (zh) | 一种基于语义分割的水位尺读数识别方法 | |
CN111680733A (zh) | 组分检测、样本库建立方法、装置、平台、***及介质 | |
CN114882213A (zh) | 一种基于图片识别的动物体重预测估算*** | |
CN113947564A (zh) | 一种电力行业低压台区计量设备图像校验方法及*** | |
CN110174413B (zh) | 一种叶片缺陷检测方法及维护方法 | |
CN116091976A (zh) | 一种站房缺陷识别检测方法、***、装置及存储介质 | |
CN115861160A (zh) | 一种手机电源接口表面缺陷检测方法、装置和存储介质 | |
CN114596439A (zh) | 一种基于图像的车险智能定损及核损方法、装置和电子设备 | |
CN113128357A (zh) | 车辆故障处理方法及*** | |
CN111464743A (zh) | 一种摄影构图匹配方法及*** | |
CN116911852B (zh) | 一种rpa的用户动态信息监控方法及*** | |
CN112036452B (zh) | 一种基于ssd神经网络的水深自动监测方法 | |
CN117218436A (zh) | 一种基于倾斜摄像、三维重建和yolov5算法的变压器外观缺陷识别方法 | |
CN117036227A (zh) | 数据处理方法、装置、电子设备、介质及程序产品 | |
CN118247793A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN116844181A (zh) | 计量设备到货单的智能识别***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |