[0001] 本实用新型涉及一种基于边缘处理器的智能燃气抄表装置，属于仪表控制设备技术领域。

[0002] 锅炉作为重要的能源转换设备，在发电、供热、化工等行业有重大用处。但是，锅炉同时也是一种承受高温高压，具有爆炸特性的危险设备。在实际工作当中，锅炉使用通常会安装燃气表，通过燃气表可以分析锅炉的能效情况，从而可以进一步分析锅炉的健康状况。

[0003] 然而，由于燃气表读数接口不单独开放，无法实时自动获取燃气表的读数，因而无法通过燃气表读数监控锅炉的能效指标，导致企业难以在线实时控制企业能效问题；同时，在读取燃气表、抄表过程中，需要耗费较多的人工资源，也往往存在抄错、漏抄等人为导致的错误结果；另外，人工抄表过程中，还容易因频繁进出危险作业环境而存在安全隐患。

[0004] 因此，有必要研发一种能够自动抄表的装置，且能够具备一定准确度。实用新型内容

[0005] 为了解决上述问题，本实用新型提供一种基于边缘处理器的智能燃气抄表装置，用于对燃气表上的读数进行在线识别，包括主板、客户端模块、云服务器平台和LED光源，所述主板作为边缘处理单元，包括嵌入式处理器、与所述嵌入式处理器连接的图像数据采集模块、燃气表数据识别模块、数据传输模块，所述主板与客户端模块、云端服务器、LED光源连接；

[0006] 所述图像数据采集模块设置有图像处理器、与所述图像处理器连接的摄像头，所述摄像头与图像处理模块连接，所述图像数据采集模块能够通过摄像头采集燃气图像和视频数据，并通过图像处理器对图像和视频数据进行编码；

[0007] 优选的，所述摄像头与所述图像处理器通过USB连接，所述主板为Jetson nano主板。

[0008] 进一步地，优选的，所述摄像头是高清200万像素的USB工业CCD相机，且能够通过图像数据采集模块设定采集图像的间隔和时长；优选的，所述摄像头通过所述图像数据采集模块被设定为每分钟采集帧数为30帧的燃气表的图像和视频数据，所述图像和视频数据指的是燃气表字轮滚动的截图、快闪照片和视频。

[0009] 所述的嵌入式处理器为主板的核心运算单元，通过烧录系统后开机，并完成系统配置，且配置安装有python环境、Pytorch环境、OpenCV环境，为燃气数据识别和数据传输提供必要的运行环境。

[0010] 所述燃气表数据识别模块是搭载YOLOv5算法的智能识别设备且与所述嵌入式处理器和所述摄像头连接，所述燃气表数据识别模块能够在所述嵌入式处理器配置的python环境、Pytorch环境、OpenCV环境中进行运算，并以所述摄像头采集的图像和视频数据作为输入，能够执行所述YOLOv5算法并识别出燃气表的读数；

[0011] 应当理解，其中，YOLOv5算法是在Pytorch深度学习框架下编写的，在移植到嵌入式平台过程中，Pytorch的版本也随之变化；由于要与嵌入式芯片架构所匹配，也可以选用arm版本的torch以及torchvision；

[0012] 所述燃气表数据识别模块的识别原理是：事先选取大量的标注过的含有读数的燃气表图像，对YOLOv5算法进行模型训练，获得可以用于识别其他燃气表读数的训练好的YOLOv5模型，将主板上连接的摄像头采集的视频或图像数据作为YOLOv5输入，即可输出燃气表的读数。

[0013] 进一步地，所述燃气表数据识别模块设置有图像增强库，能够产生高斯噪声扰动并能够对待识别的燃气表的图像和视频数据进行增强。

[0014] 所述数据传输模块包括Wifi模块和函数式接口，所述函数式接口连接云端服务器，所述Wifi模块能够在连接Wifi无线网的情况下，将输出的燃气表的读数上传到云服务器平台；

[0015] 所述云端服务器模块设置有连接客户端模块的服务器处理器和存储器，所述存储器为云端存储器，所述存储器存储有燃气表的读数构成的数据库且开放用户查看功能；

[0016] 所述客户端模块是具有查看、修改或删除燃气表的读数的功能的计算机软件，所述计算机软件是燃气抄表装置所需要的功能软件，能够为用户提供燃气表数据的可视化。

[0017] 应当理解，本实用新型的整体工作原理为：启动主板所接的计算机系统，通过该计算机系统控制定时或间隔采集燃气表的字轮滚动的图像和视频数据，采集到的图像和视频数据将会被保存在主板的燃气表数据识别模块，利用训练好的YOLOv5模型来得到图像和视频数据中每一帧的燃气表的读数，以此完成识别后，通过数据处理模块的wifi模块将燃气表的读数传送到云端服务器的数据库中，供客户端模块查看、修改或删除。

[0018] 本实用新型的有益效果：

[0019] 1、本实用新型在设置Jetson nano开发板/主板的基础上，增设了搭载YOLOv5算法的智能识别设备来自动对燃气表字轮式数字识别，既有效提升了识别准确率，也节省了人工成本。

[0020] 2、本实用新型采用YOLOv5算法，通过对模型的训练学习，可以有效保正对燃气表字轮式数字识别的精度，避免了人为抄表的错误。

[0021] 3、本实用新型设置有数据处理模块，能够对数据进行分析和优化，适用性广。

[0022] 4、本实用新型结构紧凑、实用性高，操作便捷。

[0025] 实施例1

[0026] 本实用新型提供一种基于边缘处理器的智能燃气抄表装置，用于对燃气表上的读数进行在线识别，包括主板、客户端模块、云服务器平台和LED光源，所述主板作为边缘处理单元，包括嵌入式处理器、与所述嵌入式处理器连接的图像数据采集模块、燃气表数据识别模块、数据传输模块，所述主板与客户端模块、云端服务器、LED光源连接；

[0027] 所述图像数据采集模块设置有图像处理器、与所述图像处理器连接的摄像头，所述摄像头与图像处理模块连接，所述图像数据采集模块能够通过摄像头采集燃气图像和视频数据，并通过图像处理器对图像和视频数据进行编码；

[0028] 优选的，所述摄像头与所述图像处理器通过USB连接，所述主板为Jetson nano主板。

[0029] 进一步地，优选的，所述摄像头是高清200万像素的USB工业CCD相机，且能够通过图像数据采集模块设定采集图像的间隔和时长；优选的，所述摄像头通过所述图像数据采集模块被设定为每分钟采集帧数为30帧的燃气表的图像和视频数据，所述图像和视频数据指的是燃气表字轮滚动的截图、快闪照片和视频。

[0030] 所述的嵌入式处理器为主板的核心运算单元，通过烧录系统后开机，并完成系统配置，且配置安装有python环境、Pytorch环境、OpenCV环境，为燃气数据识别和数据传输提供必要的运行环境。

[0031] 所述燃气表数据识别模块搭载YOLOv5算法且与所述嵌入式处理器和所述摄像头连接，所述燃气表数据识别模块能够在所述嵌入式处理器配置的python环境、Pytorch环境、OpenCV环境中进行运算，并以所述摄像头采集的图像和视频数据作为输入，执行所述YOLOv5算法，最后输出燃气表的读数；

[0032] 应当理解，其中，YOLOv5算法是在Pytorch深度学习框架下编写的，在移植到嵌入式平台过程中，Pytorch的版本也随之变化；由于要与嵌入式芯片架构所匹配，也可以选用arm版本的torch以及torchvision；

[0033] 所述燃气表数据识别模块的识别原理是：事先选取大量的标注过的含有读数的燃气表图像，对YOLOv5算法进行模型训练，获得可以用于识别其他燃气表读数的训练好的YOLOv5模型，将主板上连接的摄像头采集的视频或图像数据作为YOLOv5输入，即可输出燃气表的读数。

[0034] 进一步地，所述燃气表数据识别模块设置有图像增强库，能够产生高斯噪声扰动并能够对待识别的燃气表的图像和视频数据进行增强。

[0035] 所述数据传输模块包括Wifi模块和函数式接口，函数式接口连接云端服务器，所述Wifi模块能够在连接Wifi无线网的情况下，将输出的燃气表的读数上传到云服务器平台；

[0036] 所述云端服务器模块设置有连接客户端模块的服务器处理器和存储器，所述存储器为云端存储器，所述存储器存储有燃气表的读数构成的数据库且开放用户查看功能；

[0037] 所述客户端模块是具有查看、修改或删除燃气表的读数的功能的计算机软件，所述计算机软件是燃气抄表装置所需要的功能软件，能够为用户提供燃气表数据的可视化。

[0038] 实施例1的整体工作原理为：启动主板所接的计算机系统，通过该计算机系统控制定时或间隔采集燃气表的字轮滚动的图像和视频数据，采集到的图像和视频数据将会被保存在主板的燃气表数据识别模块，利用训练好的YOLOv5模型来得到图像和视频数据中每一帧的燃气表的读数，以此完成识别后，通过数据处理模块的wifi模块将燃气表的读数传送到云端服务器的数据库中，供客户端模块查看、修改或删除。

[0039] 实施例2

[0040] 本实施例介绍关于实施例1中YOLOv5算法模型训练的一种方式：

[0041] YOLOv5是YOLO系列中的第五代目标检测算法。相较于YOLO模型之前的版本，在保持较快检测速度的前提下，YOLOv5提高了检测精度与适应性，主要由以下几个部分组成：

[0042] (1)Backbone网络：

[0043] YOLOv5的主干网络采用了更深、更宽的卷积神经网络结构，如CSPNet、Darknet、EfficientNet等，以获取更丰富的特征信息。

[0044] (2)特征金字塔网络：

[0045] YOLOv5的特征金字塔网络用于处理多尺度的目标检测任务，该网络通过从不同深度的特征图中构建特征金字塔，来提高不同尺度物体的检测效果。

[0046] (3)检测头：

[0047] YOLOv5采用了密集预测的方法，即在不同层提取出的特征图中都加入了检测头来完成目标检测，可以得到更加精细的检测结果。检测头是由卷积层和全连接层构成的网络结构，它负责将特征图映射为边界框坐标和目标分类概率。

[0048] (4)非极大值抑制：

[0049] 为了解决一个物体被多个边界框检测到的问题，YOLOv5采用了非极大值抑制算法来执行边框去重和过滤，同时减少误检率和漏检率，从而提高检测精度。

[0050] YOLOv5系列模型分为YOLOv5s、YOLOv5n、YOLOv5m、YOLOv5l以及YOLOv5x。YOLOv5s为YOLOv5的基础版，它使用更小的模型进行目标检测，可以在较低的硬件配置上运行，速度相对较快。YOLOV5x是YOLOv5系列中最大的模型，具有更大更复杂的模型，有相对最高的检测精度，本实用新型中采用的是YOLOv5s版本。

[0051] 数据集准备：

[0052] 通过搜索引擎，查找网络上的燃气表图像以及水表图像组合作为数据集，收集图像共计263张。

[0053] 数据的数量和质量是决定模型识别效果的一个重要因素，为使训练好的模型有更好的识别效果，利用图像增强库(Albumentations)对现有的数据进行扩增，如表1所示，包含水平镜像翻转、随机图像亮度和高斯滤波扰动等。每种数据增强的方式相互独立，即在原始图片上扩充一张作为新图片。通过三种方式对数据集进行扩增后，原有的263张图片增至1052张。

[0054] 表1燃气表数据就扩增

[0055]原始图像 水平镜像翻转 随机图像亮度 高斯噪声扰动 共计
263张 263张 263张 263张 1052张

[0056] 数据集划分，将YOLO数据集中的图片划分为训练集、验证集和测试集，可以用于训练模型和评估模型性能。数据集经过处理过后，总计图像1052张。将数据集的70％作为训练集，共744张；将剩下的30％分为两部分，其中15％作为验证集，共154张；剩下15％作为测试集，共154张。通过这种划分方式，数据集可以用于训练模型，并评估模型的性能和泛化能力。

[0057] 实验性能指标：

[0058] 主要指标为：准确率(Precision)、召回率(Recall)、以及mAP(Precision Recall and mAP)。mAP是Mean Average Precision的缩写，是一种评价目标检测算法的标准，表示算法在检测图像中的物体时的准确率。mAP越高，说明算法能够更准确地检测图像中的物体。Precision表示模型正确检测出的正样本数占所有检测结果中正样本数的比例，用以评估模型的精度，也就是模型正确检测出正样本的能力；Recall是指模型正确检测出的正样本数占所有实际存在的正样本数的比例，召回率评估模型的查全率，也就是模型正确检测出真实正样本数的能力；Precision和Recall的计算公式为：

[0059]

[0060]

[0061] 其中，TP(True Positive)代表正确预测为正例的数量；FP(False Positive)代表错误预测为正例的数量；TN(True Negative)代表正确预测为负例的数量；FN(False Negative)代表错误预测为负例的数量；

[0062] 模型训练：

[0063] 使用YOLOv5x模型进行训练，分别选用不同的epochs值，使其能够准确地识别燃气表读数目标。然后，使用测试集进行模型调参，最终得到带有最佳参数的YOLOv5模型。最后，对模型进行评估，得出mAP、精确度和召回率等指标，用于衡量模型的性能。实验分别将epochs设为500、800及1000，每一组模型训练参数设置如表2所示。

[0064] 表2模型训练参数设置

[0065]实验次数 epochs batch_size 输入图像分辨率
1 500 4 640*640
2 800 4 640*640
3 1000 4 640*640

[0066] 模型损失函数分为三类：box_loss(检测框回归损失)、obj_loss(目标置信度损失)、cls_loss(分类损失)，它们分别对应了网络回归目标框的坐标、预测每个目标框是否包含对象的置信度以及预测每个目标框所属类别的类别概率。

[0067] 训练结果：

[0068] 根据不同的epochs设置值，表3给出训练后对应模型的精确率、召回率以及mAP_0.5。

[0069] 表3不同epochs对应的性能指标对比

[0070]

[0071] 由表3可知，以正确率、准确率和mAP作为评估性能指标，epochs设置为1000后训练的模型，其性能指标均有明显提升。由实验结果可知，选用YOLOv5x模型，epochs设为1000，batch_size设为4，图像分辨率设为640*640进行训练，可以得到精确率、召回率和mAP都很高的模型，并且满足了目标检测应用的需求。

[0072] 3、嵌入式平台部署

[0073] Jetson是一系列由英伟达推出的小型嵌入式计算机，提供了一系列功能强大的嵌入式计算平台，专为边缘计算和人工智能应用而设计。Jetson nano作为Jetson系列中的一员，采用高性能、低功耗ARM处理器和英伟达GPU(图形处理器)，旨在加速AI和深度学习在嵌入式系统中的应用。

[0074] 前期训练工作可以把任务分配给性能比较强大的计算机，能够训练出优秀的模型参数，然后部署到性能优异的嵌入式设备上，可达到模型预测的效果。YOLOV5模型训练是在基于X86架构的处理器组成的服务器或者PC上进行，训练时算法所采用的Pytorch版本也是X86的Windows或Linux版本。在模型推理过程中，Jetson nano有着性能优异的GPU，但不同的是nano的处理器版本是ARM架构，需要针对Pytorch框架在ARM架构处理器开发板上做出调整。可以在英伟达官网上寻找torch、torchvision的ARM+Linux版本，安装到开发板上，算法所需的其他环境依照YOLOV5版本中的requirements.txt文件进行安装。

[0075] 算法所需的特殊环境结束后，将之前PC上的代码移植到Jetson nano的Linux系统下运行,另外需要将在服务器上训练好的算法模型移植到Jetson nano上，保存在相关路径下，完成部署工作。

[0076] 模型测试：

[0077] 将训练好的模型进行测试，测试内容分为不同环境的图像测试以及视频测试，后续添加摄像头测试。打开终端，cd到代码所在目录下，在命令行输入python3detect.py后，选择测试的图片或者视频，将视频输出到处理过后的检测程序中，分别设置每隔5s、10s、15s进行读数保存，将得到的output.txt文件保存到根目录，同时上传到服务器端，供不同用户端可视化查看。

[0078] 实验结果表明本实用新型系统设计的高效性和准确性，对燃气表字轮式数字识别能力达到了较好的效果，当epochs＝1000时，mAP、精确度和召回率均高达95％以上，结合对读数的误读判断功能，完全可以实现对真实环境下燃气表读数识别，解决了锅炉等一些企业对燃气表在线读数问题。

[0079] 虽然本实用新型已以较佳实施例公开如上，但其并非用以限定本实用新型，任何熟悉此技术的人，在不脱离本实用新型的精神和范围内，都可做各种的改动与修饰，因此本实用新型的保护范围应该以权利要求书所界定的为准。