本發(fā)明涉及OCR人工神經(jīng)網(wǎng)絡字符識別技術領域，尤其涉及一種基于OCR識別的低功耗儀表遠程自助抄表終端及方法。

背景技術：

光學字符識別(Optical Character Recognition，簡稱OCR)，是通過圖像處理和模式識別技術對光學的字符進行識別，是人工智能識別技術研究和應用領域中的一個重要方向。此抄表終端的識別模塊主要采用人工神經(jīng)網(wǎng)絡進行識別。

人工神經(jīng)網(wǎng)絡(Artificial Neural Network,簡稱ANN)是一門主流的交叉學科。它是受生物神經(jīng)網(wǎng)絡系統(tǒng)的結構和信息處理方式的啟發(fā)而發(fā)展起來的，在于探索人腦加工、存儲和搜索信息的機制，弄清人腦功能的機理，以建立人類認知過程的理論。生物學家、醫(yī)學家和腦科學家試圖通過對神經(jīng)網(wǎng)絡的研究，推動腦科學向定量、精確和理論的系統(tǒng)化發(fā)展，也希望研究成果能用于臨床醫(yī)學，在神經(jīng)醫(yī)療方面取得突破。信息處理與計算機科學研究基于這個目的，尋求一種新途徑，逐漸替代人工參與并且實現(xiàn)真正的信息智能化。圖像識別技術在航天、醫(yī)藥、軍事、工農(nóng)業(yè)等方面發(fā)揮著重要的作用。但是，傳統(tǒng)的圖像識別方法多采用人工對圖像特征進行提取，這個過程存在大量的復雜與困難，而且往往耗費大量的人力。多層神經(jīng)網(wǎng)絡作為如今人工智能時代最流行的技術，由于得到各種理論的融合豐富了其發(fā)展，特別是在智能圖像識別領域中具有非常高的靈活性與識別精確率。多層神經(jīng)網(wǎng)絡學習作為非監(jiān)督學習的一種方式，也很好的緩解了傳統(tǒng)的特征提取的問題，而且能夠在無人參與的情況下能夠自主學習，這給圖像識別帶來巨大的優(yōu)勢?；跈C器視覺與多層神經(jīng)網(wǎng)絡相結合的圖像識別系統(tǒng)，將機器視覺采集到的圖像進行圖像的預處理與合適的特征提取，進而讓圖像識別系統(tǒng)能夠適應各種不同環(huán)境下的識別，提高適應性和準確率。基于人工神經(jīng)網(wǎng)絡的OCR字符識別技術就是這樣的一項技術，它的本質上是利用高精度光學圖像采集設備去捕獲圖像并智能地判斷并識別文字字符。

低功耗儀表遠程自助抄表終端，采用高精度低功耗的集成電路，對儀表進行快速準確的圖像采集，結合網(wǎng)絡遠程無線傳輸模塊，將采集到的數(shù)字圖像通過無線模組傳輸并存儲到遠程終端服務器，從而能夠輕松獲地取儀表的實際情況信息。利用這種高效的圖像采集與網(wǎng)絡遠程無線傳輸設備，不僅保證了圖像采集的快速性與穩(wěn)定性，而且在適應各種不同環(huán)境的情況下，采用無人工參與識別的智能識別模塊，能夠大大減少了人工的參與和工作量，從而實現(xiàn)高效與低功耗的有效結合。

技術實現(xiàn)要素：

為了克服現(xiàn)有技術存在的缺點與不足，本發(fā)明提供一種基于OCR識別的低功耗儀表遠程自助抄表終端及方法，不僅能夠實現(xiàn)儀表數(shù)據(jù)的遠程采集，而且能夠對儀表數(shù)據(jù)進行智能識別，同時實現(xiàn)以低功耗為主，提高系統(tǒng)執(zhí)行的能源利用與減少待機的功耗，大幅度提高電池供電能力，具有低功耗、智能識別、數(shù)據(jù)遠程傳送以及識別率高等優(yōu)點。

本發(fā)明目的是提供一種基于OCR識別的低功耗儀表遠程自助抄表終端，包括光學圖像采集模塊、OCR智能識別模塊、集成電路電源管理模塊、通信模塊以及數(shù)據(jù)管理服務器，其中

所述光學圖像采集模塊用于采集所測儀表的光學圖像信息，并發(fā)送至所述OCR智能識別模塊；

所述OCR智能識別模塊用于將光學圖像采集模塊采集的光學圖像信息進行圖像的預處理以及特征提取，并將處理結果信息發(fā)送至所述數(shù)據(jù)管理服務器；

所述集成電路電源管理模塊用于對遠程自助抄表終端進行低功耗的電源管理；

所述通信模塊用于所述OCR智能識別模塊與數(shù)據(jù)管理服務器之間的通信連接；

所述數(shù)據(jù)管理服務器用于存儲和備份OCR智能識別模塊發(fā)送的識別信息，并識別出所測儀表的顯示結果。

進一步地，所述光學圖像采集模塊包括若干圖像采集設備，所述圖像采集設備分布設置于被采集儀表的不同區(qū)域，用于采集所測儀表的光學圖像信息；所述圖像采集設備為CMOS光學圖像傳感器。

進一步地，所述集成電路電源管理模塊包括低功耗智能處理芯片，所述低功耗智能處理芯片用于進行睡眠管理、時鐘喚醒和電源管理；所述低功耗智能處理芯片采用Ambiq Micro AM1800超低功耗實時時鐘芯片。

進一步地，所述通信模塊包括2G/3G/4G通信單元、WIFI通信單元、以太網(wǎng)接口單元以及藍牙通信單元。

進一步地，所述數(shù)據(jù)管理服務器包括若干OCR字符識別模塊；所述OCR字符識別模塊用于識別字符圖像的字符特征，并識別出所測儀表的顯示結果。

本發(fā)明另一目的是提供一種基于OCR識別的低功耗儀表遠程自助抄表方法，包括下述步驟：

S1、光學圖像采集模塊采集所測儀表的光學圖像信息，并發(fā)送至OCR智能識別模塊；

S2、根據(jù)光學圖像信息，OCR智能識別模塊進行字符圖像的預處理；

S3、根據(jù)預處理后的字符圖像，OCR智能識別模塊進行字符特征的提取，并將字符特征發(fā)送至數(shù)據(jù)管理服務器；

S4、數(shù)據(jù)管理服務器的OCR字符識別模塊對字符特征進行識別，得到所測儀表的顯示結果，并對字符特征存儲和備份。

進一步地，所述步驟S1中的光學圖像信息為模擬信息，光學圖像采集模塊將模擬信息轉換為數(shù)字信息后發(fā)送至OCR智能識別模塊。

進一步地，所述步驟S2中，OCR智能識別模塊采用數(shù)字圖像處理技術進行字符圖像的預處理，具體為：對字符圖像進行去噪、圖像增強和輪廓提??；其中

1)圖像去躁為：去除所測儀表表盤上的干擾因素，干擾因素包括水霧和灰塵；由干擾因素形成的躁聲為正態(tài)噪聲，使用高斯噪聲來模擬，高斯隨機變量Z由下式給出：

其中，z表示灰度值，μ表示z的平均值或期望值，α表示z的標準差；當z服從上述分布時，其值有95％落在[(μ-2σ)，(μ+2σ)]范圍內。

使用中值濾波器去除高斯噪聲，基本原理是把數(shù)字圖像或數(shù)字序列中一點的值用該點鄰域內各點的中值代換；設f(x，y)表示數(shù)字圖像像素點(x，y)的灰度值，濾波窗口為A的中值濾波器可以定義為：

當n為奇數(shù)時，n個數(shù)x1、x2、…、xn的中值就是按數(shù)值大小順序處于中間的數(shù)；當n為偶數(shù)時，定義兩個中間數(shù)平均值為中值；

2)圖像增強為：把表盤中的數(shù)字部分突顯出來；圖像增強采用高反差保留算法，目的是將圖像中顏色、明暗反差較大兩部分的交界處保留下來，圖像增強的表達形式為：dst＝r*(img-Blur(img))；

3)輪廓提取為：把表盤中的數(shù)字輪廓提取出來，采用的卷積算子方法，表達如下：

其x向、y向的一階偏導數(shù)矩陣，梯度幅值以及梯度方向的數(shù)學表達式為：

P[i，j]＝(f[i，j+1]-f[i，j]+f[i+1，j+1]-f[i+1，j])/2

Q[i，j]＝(f[i，j]-f[i+1，j]+f[i，j+1]-f[+1，j+1])/2

θ[i，j]＝arctan(Q[i，j]/p[i，j])

求出這幾個矩陣后，就進行數(shù)字輪廓的提取。

進一步地，所述步驟S3中，OCR智能識別模塊采用HOG特征提取算法進行字符特征的提取，具體為：

1)灰度化將字符圖像進行灰度化，并歸一化字符尺寸；

2)采用高斯模糊和OTSU最大類間隔閾值化算法，用于降低字符圖像局部的陰影和光照變化所造成的影響，并抑制噪音的干擾；

3)計算字符圖像每個像素的梯度，包括大小和方向，用于捕獲字符圖像的輪廓信息，同時進一步弱化光照的干擾；

4)將字符圖像劃分成小Window尺寸、Block尺寸、Block步長以及cell尺寸；

5)統(tǒng)計每個cell的梯度直方圖，即可形成每個cell的算子descriptor；

6)將若干cell組成一個block，一個block內所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征算子。

7)將字符圖像內的所有block的HOG特征算子串聯(lián)起來，得到字符圖像的HOG特征算子，所述HOG特征算子作為字符圖像的字符特征。

進一步地，所述步驟S4，具體為：

S41、數(shù)據(jù)管理服務器預先已采集、記錄并存儲了大量字符特征的數(shù)據(jù)，集成數(shù)據(jù)樣本庫；

S42、OCR字符識別模塊采用人工神經(jīng)網(wǎng)絡BP算法對字符特征進行訓練與識別，具體為：將字符特征作為輸入層的n個向量,已知數(shù)據(jù)樣本庫的字符結果作為輸出層，通過反復迭代計算出隱層參數(shù)保存起來，隱層的參數(shù)用來做字符識別，通過將采集所測儀表表盤圖片經(jīng)過預處理和提取特征后作為輸入層輸入，隱層采用訓練的結果，獲得輸出層，即識別結果字符。

采用上述技術方案后，本發(fā)明至少具有如下有益效果：

(1)、本發(fā)明不僅僅只具有一個儀表集抄功能，更是結合了OCR字符識別模塊，能夠實時地對儀表數(shù)據(jù)進行識別處理，擺脫了單純人工識別的過程；

(2)、本發(fā)明采用低功耗智能處理芯片進行睡眠管理、時鐘喚醒和電源管理，不僅降低了自助抄表終端在無謂等待時間的無效功耗，又降低了自助抄表終端在有效運行時的有效功耗；

(3)、本發(fā)明系統(tǒng)的低功耗智能處理芯片選擇超低功耗實時時鐘芯片，集成了電源管理系統(tǒng)；帶有電源管理的實時時鐘RTC可對系統(tǒng)設備進行電源管理，使得系統(tǒng)的整體供電電流降到更低；集成硬件電路平臺結合功耗管理系統(tǒng)，給整體硬件能耗帶來極大的降低，也給供電電池續(xù)航能力帶來非常巨大的提升；

(4)、本發(fā)明方法非常適用于工業(yè)生產(chǎn)，特別是無人生產(chǎn)環(huán)境，也適用于普通居民用戶如電表和水表等，這給生產(chǎn)和日常生活帶來極大的便利。

附圖說明

圖1為本發(fā)明基于OCR識別的低功耗儀表遠程自助抄表終端的結構示意圖；

圖2為本發(fā)明基于OCR識別的低功耗儀表遠程自助抄表方法的步驟流程圖。

具體實施方式

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互結合，下面結合附圖和具體實施例對本申請作進一步詳細說明。

如圖1所示，本發(fā)明基于OCR識別的低功耗儀表遠程自助抄表終端，包括光學圖像采集模塊、OCR智能識別模塊、集成電路電源管理模塊、通信模塊以及數(shù)據(jù)管理服務器；所述光學圖像采集模塊包括若干圖像采集設備，所述集成電路電源管理模塊包括低功耗智能處理芯片，所述通信模塊包括2G/3G/4G通信單元、WIFI通信單元、以太網(wǎng)接口單元以及藍牙通信單元，數(shù)據(jù)管理服務器包括若干OCR字符識別模塊。

作為系統(tǒng)的核心，低功耗智能處理芯片的選擇與功耗的衡量對一個系統(tǒng)性能的優(yōu)劣有著重大影響。本采集終端的低功耗智能處理芯片采用的是Ambiq Micro公司的Apollo MCU產(chǎn)品系列中的Apollo AM1800超低功耗實時時鐘芯片。AmbiqMicro是一家專注于研發(fā)生產(chǎn)低功耗芯片產(chǎn)品的美國公司。它采用先進的SPOT技術(亞閾值功率優(yōu)化技術)，使芯片功耗做得更低。Ambiq Micro擁有世界最低功耗的RTC和最低功耗的MCU產(chǎn)品。Apollo AM1800超低功耗實時時鐘芯片,具有世界上最低功耗的實時時鐘，集成了電源管理，電源需求比其它任何行業(yè)的RTC低7倍以上(低至14nA)。這是首次基于創(chuàng)新的SPOTTM(亞閾值功率優(yōu)化技術)CMOS平臺的半導體，體積僅3*3mm，最佳計時精度可達+/-2ppm，并集成電源管理、復位、內部RAM。它的MCU采用Cortex-M系列內核，運行功耗僅30μA/MHz，睡眠功耗100nA，最小體積2.4*2.77mm。應用場合：可穿戴設備、無線傳感器、便攜設備、SensorHub、活動和健康檢測、儀器儀表、安防、RFID等低功耗小體積的場合。Ambiq Micro的AM1800系列實時時鐘芯片采用創(chuàng)新的計時功能，通過時鐘和系統(tǒng)電源管理相結合，滿足超低的功率需求，為RTC設備建立了新的標準。AM1800系列將幾個芯片的功能集成到一個單一的、低成本的解決方案。該芯片具有超低功率高精度晶振模式下的功耗–55nA(精度+/-2ppm)，具有自動校準下非常低功率的精確計時功耗–22nA(精度+/-10ppm)，還有有極低功率RC振蕩器的功耗–14nA。除正常的日歷鬧鐘，所有元件都包括一個可配置的遞減定時器、看門狗定時器，1/100秒計數(shù)器和一個非常靈活的輸出時鐘發(fā)生器。此外還擁有靈活的I2C和SPI系統(tǒng)接口，能為功能相同的元件提供了I2C(高達400KHz)或SPI(最高可達2MHz)串行接口。

通信模塊采用移遠通信最近推出的EC20模塊。EC20模塊采用LTE 3GPP Rel.9技術，支持最大下行速率100Mbps和最大上行速率50Mbps，同時在封裝上兼容移遠通信UMTS/HSPA+UC20模塊，實現(xiàn)了從3G網(wǎng)絡向4G網(wǎng)絡輕松平滑過渡。EC20系列模塊包含EC20-A，EC20-C和EC20-E三個版本，使其能夠向后兼容現(xiàn)存的EDGE和GSM/GPRS網(wǎng)絡，以確保在缺乏3G和4G網(wǎng)絡的偏遠地區(qū)也能正常工作。EC20支持多輸入多輸出技術(MIMO)，即在發(fā)射端和接收端分別使用多個發(fā)射天線和接收天線，使信號通過發(fā)射端與接收端的多個天線傳送和接收，從而降低誤碼率，改善通信質量。同時，它結合了高速無線連接與內置多星座高精度定位GPS+GLONASS接收器。EC20內置豐富的網(wǎng)絡協(xié)議，集成多個工業(yè)標準接口，多種操作系統(tǒng)和軟件功能(Windows XP/Windows Vista/Windows7/Windows8/8.1/Linux/Android)，極大地拓展了EC20在M2M領域的應用范圍，如CPE，路由器，數(shù)據(jù)卡，平板電腦，車載，安全以及工業(yè)級PDA。EC20特性：支持LTE，UMTS/HSPA+和GSM/GPRS/EDGE網(wǎng)絡制式，極小體積的SMT封裝形式滿足小型終端產(chǎn)品對空間的要求，MIMO技術滿足無線通信系統(tǒng)對數(shù)據(jù)速率和鏈接的可靠性要求，GNSS接收器實現(xiàn)在任何環(huán)境下快速準確定位，而且能夠從3G向4G網(wǎng)絡輕松平滑過渡。

圖像采集設備采用美國OmniVision的OV2655高性能與1/5-inch光學格式的200萬像素的CMOS的CameraChip^TM傳感器。該OV2655是基于OmniVision的1.75微米OmniPixel3-HS型^TM架構，采用超低煙囪高度(ULSH)像素達到行業(yè)領先的低光靈敏度的1030毫伏/勒克斯秒，這對于高幀速率視頻應用也實現(xiàn)。該OV2655小型化也使得它適合在一個6.5×6.5mm相機模塊。OV2655工作在高達每秒15幀(fps)的全分辨率和30幀的SVGA模式。捕獲的數(shù)據(jù)可以被轉移或者通過一個標準的并行數(shù)字視頻端口(貨銀兩訖)或由單一的通道MIPI的高速串行接口。該貨銀兩訖也可用于從外部輸入次要的攝像頭，使將要通過的MIPI接口與輸出中學相機繼續(xù)采用OV2655先進的ISP。盡管它的小外形，OV2655具有先進的圖像信號處理器與高性能的嵌入式相機所需的全部功能。具有超低功耗和低成本的自動影像控制功能：自動曝光控制(AEC)的，自動白平衡(AWB)，自動帶式過濾器(早餐)，50/60赫茲亮度自動檢測，自動黑電平校正(ABLC)。對于幀率，共同體/自動增益控制可編程控制。圖像質量控制：色彩飽和度，色調，伽馬，清晰度(邊緣增強)，鏡頭校正，缺陷像素消除和噪聲取消，支持LED和閃光燈頻閃模式，以及高動態(tài)范圍(HDR)模式的SVGA(800x600)或更低的分辨率提供了一個動態(tài)范圍～85分貝。

如圖2所示，本發(fā)明基于OCR識別的低功耗儀表遠程自助抄表方法的步驟流程圖，具體為：

其中，OCR智能識別模塊主要根據(jù)從不同區(qū)域的光學圖像采集模塊包括的各個圖像采集設備所采集到信息量巨大的數(shù)字圖像數(shù)據(jù)集合，通過在服務器上搭建OCR字符識別模塊，來對這些大數(shù)據(jù)進行智能分析、加工處理與識別。OCR智能字符識別模塊，主要指利用多層人工神經(jīng)網(wǎng)絡框架，將光學圖像系統(tǒng)采集到的圖像進行圖像的預處理與合適的特征提取，進而讓圖像識別系統(tǒng)能夠適應各種不同環(huán)境下的識別，提高適應性和準確率。OCR智能字符識別模塊，圖像預處理模塊與字符智能識別模塊組成。由于從圖像采集模塊采集到的圖像，往往存在大量的噪聲等不穩(wěn)定信息與冗余信息，而且圖像采集設備對于光照影響非常敏感，因此必須采用有效的數(shù)字圖像處理手段，減少光照對圖像的干擾，才能更好地實現(xiàn)穩(wěn)定可靠的預處理過程和分析與識別過程。因此，圖像預處理是整個識別過程中最為重要的步驟。圖像預處理步驟采用數(shù)字圖像處理技術，包括對數(shù)字圖像進行去噪、圖像增強、濾波平滑和輪廓提取等過程。對于OCR字符的預處理，關鍵在于字符區(qū)域的定位、字符分割的過程。這個過程涉及到數(shù)字圖像處理中常用的手段，如二階微分算子邊緣提取、灰度圖像大津閾值化以及輪廓提取等。除此外，字符區(qū)域矯正是一個關鍵處理過程，采集到的圖像由于鏡頭的本身的畸變還有圖像往往并非是正對中的，存在著圖像的形變，這意味著需要對字符區(qū)域進行定位后進行有效的矯正。矯正過程，通過對字符區(qū)域的定位后，根據(jù)其最小面積矩形框的與參考線的旋轉角度來計算旋轉矩陣并對原圖像進行仿射變換進行矯正。字符的分割采用灰度大津閾值化Otsu和字符輪廓提取等方法進行分割，通過篩選獲得每個字符的矩形區(qū)域，并做相應的去噪聲和圖像的二值化處理等預處理操作。

OCR字符識別過程。這個過程成為分析與決策過程。這個過程主要采用人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)簡稱神經(jīng)網(wǎng)絡(Neural Network)，是基于生物學中神經(jīng)網(wǎng)絡的基本原理，在理解和抽象了人腦結構和外界刺激響應機制后，以網(wǎng)絡拓撲知識為理論基礎，模擬人腦的神經(jīng)系統(tǒng)對復雜信息的處理機制的一種數(shù)學模型。神經(jīng)網(wǎng)絡是一種運算模型，由大量的節(jié)點(或稱神經(jīng)元)之間相互聯(lián)接構成。每個節(jié)點代表一種特定的輸出函數(shù)，稱為激活函數(shù)(activation function)。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重(weight)，神經(jīng)網(wǎng)絡就是通過這種方式來模擬人類的記憶。網(wǎng)絡的輸出則取決于網(wǎng)絡的結構、網(wǎng)絡的連接方式、權重和激活函數(shù)。而網(wǎng)絡自身通常都是對自然界某種算法或者函數(shù)的逼近。神經(jīng)網(wǎng)絡的學習規(guī)則：神經(jīng)網(wǎng)絡的學習規(guī)則是修正權值的一種算法，分為聯(lián)想式和非聯(lián)想式學習，有監(jiān)督學習和無監(jiān)督學習等。神經(jīng)網(wǎng)絡誤差修正型規(guī)則：是一種有監(jiān)督的學習方法，根據(jù)實際輸出和期望輸出的誤差進行網(wǎng)絡連接權值的修正，最終網(wǎng)絡誤差小于目標函數(shù)達到預期結果。誤差修正法，權值的調整與網(wǎng)絡的輸出誤差有關，它包括δ學習規(guī)則、Widrow-Hoff學習規(guī)則、多層感知器(Multi-layer perceptron neural networks，簡稱MLP)學習規(guī)則和誤差反向傳播的BP(Back Propagation)學習規(guī)則等。其中，最主要利用BP反向傳播算法。BP算法的網(wǎng)絡結構是一個前向多層網(wǎng)絡。其基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經(jīng)隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉向誤差的反向傳播階段。誤差的反向傳播是將輸出誤差以某種形式通過隱含層向輸入層逐層反向傳播，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行。權值不斷調整過程，也就是網(wǎng)絡的學習訓練過程。此過程一直進行到網(wǎng)絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數(shù)為止。

字符提取的特征采用HOG特征。HOG(Histogram of Oriented Gradient)是2005年CVPR會議上，法國國家計算機科學及自動控制研究所的Dalal等人提出的一種解決人體目標檢測的圖像描述子，該方法使用梯度方向直方圖(Histogram of Oriented Gradients,簡稱HOG)特征來表達物體，提取物體的外形信息，形成豐富的特征集。實踐證明，該特征比較符合字符特征的提取。

整個OCR識別過程需要建立大型的數(shù)據(jù)庫，以及搭建大型的多層神經(jīng)網(wǎng)絡模型模塊。數(shù)據(jù)庫由采集并存儲到服務器上的數(shù)字圖像通過上述的定位分割處理后的字符圖片進行分類后構成的大型數(shù)據(jù)樣本庫。我們可以通過對這個大型的數(shù)據(jù)庫進行采樣抽取，傳遞給人工神經(jīng)網(wǎng)絡BP算法模塊進行訓練與預測，將訓練后得到的多層人工神經(jīng)網(wǎng)絡模型集成到抄表終端的智能芯片中，就能夠對儀表中的字符進行一一識別并將結果顯示并反饋出來，從而實現(xiàn)儀表OCR字符實時識別功能。此外，還有另外一個方案，就是在服務器上搭建如今主流的深度學習平臺，采用主流的深度學習框架Caffe、Tensor Flow等來對遠程終端采集到的字符圖像進行訓練學習與識別，并把識別結果保存到服務器上。這樣，用戶就能非常方便的獲取和查看儀表數(shù)據(jù)信息和能夠分析儀表的具體情況。

盡管已經(jīng)示出和描述了本發(fā)明的實施例，對于本領域的普通技術人員而言，可以理解的是，在不脫離本發(fā)明的原理和精神的情況下可以對這些實施例進行多種等效的變化、修改、替換和變型，本發(fā)明的范圍由所附權利要求及其等同范圍限定。