用于仪表检测领域的自动读数与识别系统设计 需求分析

[tonsillitis]

目录

• 1.项目背景
• 2.需求分析
• 2.1功能需求
• 2.2系统结构
• 2.3系统用例图
• 2.4系统核心功能模块
• 2.5数据流图
• 2.6数据库结构
• 3.非功能需求
• 4.开发工具和环境

1.项目背景

在对仪表进行质量检测的过程中，往往需要人工对仪表内容进行识别和记录。如果能用机器视觉代替人工，使用一套自动化的系统，对仪表内容进行检测和识别，辅以人工的监督和干预，则能在一定程度上降低人力投入和成本，提高质量检测的效率。

研究图像识别 + NLP 结合的 OCR 技术（光学字符识别：利用光学技术和计算机技术把印刷体或手写体文字进行读取识别，转化成计算机和人都能够识读的格式），在 PC 平台完成仪表检测场景中的区域检测、特征提取、字符识别、检测报表生成等功能开发，涉及深度学习模型定义、训练和部署。

2.需求分析

2.1功能需求

主要有以下 3 个检测场景：

• 仪表示数检测：常规场景，直接对仪表数据进行采集，根据输入的图片，前端对图像进行分割，检测出数码管和指示灯的位置，通过不同的模型进行识别，需要完成数码管和指示灯同时识别。

• 仪表EMC检测：给被测仪表电磁干扰，需要完成对仪表示数以及指示灯状态是否跳变的异常检测功能，只需判断异常，不需要识别读数，检测到异常时截取异常帧，并以时间戳来命名快照，方便用户查看异常情况。
  （EMC场景较为特殊，由于需要静电屏蔽，无法直接对仪表进行识别，而是由EMC环境内的专用摄像头传出监控画面，识别设备再对监控器显示的画面进行识别）

• 风量仪标定检测：识别风量仪示数以及电脑屏幕对应区域标准值，根据数据生成报表，需要完成中英文的文字识别功能。

预期功能：

2.2系统结构

• 实验终端：负责视频采集，处理视频流及异常的上报，这里可以是专用客户端，比如Python生成的专用程序，以支持选框、启停控制等。

• 服务器：负责视频流和报告的保存、查询等，报告存入数据库，视频则需搭建视频流服务器来完成推流的功能。

• 其他客户端：仅通过web方式登录系统，浏览查看各视频和报告。

2.3系统用例图

系统用户端用例图：

用户可在三种检测场景中进行选择：仪表检测场景；EMC场景；风量仪识别场景。

系统管理员用例图：

使用卷积神经网络训练模型，完成字符识别（由于数码管字体大多较为标准，深度学习训练的模型识别准确率较高）。

2.4系统核心功能模块

2.5数据流图

前后端交互数据流图如下：

2.6数据库结构

meters表字段：

正常和异常信息存储表字段：

前端可以请求访问异常图片的图像信息、识别结果、时间戳等信息。提供异常回显功能。

3.非功能需求

1）完成在嵌入式平台中的移植，比较并分析模型推理环节的精度、时间消耗、内存占用等指标，完成其在嵌入式终端中的性能优化；
2）系统操作简洁易懂，方便使用人员学习和使用；
3）实时性：实时视频流与读数结果相隔不超过500ms；
4）准确率：对标准识别情况下，保证最终识别成功的数量的概率在95%以上。

4.开发工具和环境

操作系统	Windows10, Ubuntu20.04
前端	Html, Css, JavaScript, Vue.js
后端	Python, C/C++, Flask
数据库	MySQL
深度学习框架	Pytorch, Tensorflow
其他	Socket.io, Git, OpenCV, FFmpeg

---

作者：145