一种精密空调目标数据提取方法、装置及存储介质

技术领域

本申请涉及图像识别技术领域，特别是涉及一种精密空调目标数据提取方法、装置及存储介质。

背景技术

精密空调一般指恒温恒湿空调，精密空调是工艺性空调中的一种类型，通常我们把对室内温、湿度波动和区域偏差控制要求严格的空调称之为恒温恒湿空调，即精密空调。

在工业生产中，为了对生产环境的温度和湿度进行更好地调控，经常需要获取精密空调的实时温度和湿度等数据。最直观的获取方式即通过人工观察每个精密空调的LED显示屏，通过显示屏上的图像获取数据信息。然而，对于一些精密空调数量较多的场景，通过人工观测并进行记录的方式获取数据效率较低，人工介入的成本较大。而且精密空调的LED显示屏本身较小，其上的数据信息所占面积更小，即图像中有效信息的面积占比较小。现有的图像数据提取方法普遍适用于对有效信息占比较大的图像进行数据提取，在上述场景中，对精密空调LED显示屏上的数据的提取效果并不理想。

针对相关技术中存在的对精密空调LED显示屏上的数据提取效果不佳的问题，目前还没有提出有效的解决方案。

发明内容

在本实施例中提供了一种精密空调目标数据提取方法、装置及存储介质，以解决相关技术中对精密空调LED显示屏上的数据提取效果不佳的问题。

第一个方面，在本发明中提供了精密空调目标数据提取方法，所述方法包括：

获取精密空调图像，所述精密空调图像至少包括用于显示精密空调目标数据的精密空调显示屏；

通过预训练的深度学习网络模型对所述精密空调图像中的精密空调目标数据进行定位，确定所述精密空调目标数据对应的目标区域图像；

通过光学字符识别算法对所述目标区域图像进行文本提取，得到所述精密空调目标数据。

在其中的一些实施例中，所述方法在通过预训练的深度学习网络模型对所述精密空调图像中的精密空调目标数据进行定位之前还包括：

校正所述精密空调图像，直至所述精密空调图像中所述精密空调显示屏的数据显示方向与目标方向平行。

在其中的一些实施例中，所述校正所述精密空调图像，直至所述精密空调显示屏的数据显示方向与目标方向平行包括：

对所述精密空调图像进行高斯模糊和二值化处理得到第一图像；

根据所述第一图像的像素分布，确定所述精密空调图像的最小外接矩形，根据所述精密空调图像的最小外接矩形确定当前的所述精密空调显示屏的数据显示方向；

根据当前的所述精密空调显示屏的数据显示方向相对于所述目标方向的倾斜角度和所述精密空调图像的中心点对所述精密空调图像进行仿射变换。

在其中的一些实施例中，所述方法在通过预训练的深度学习网络模型对所述精密空调图像中的精密空调目标数据进行定位之前还包括：

对所述精密空调图像进行闭运算处理和阈值分割处理得到第二图像；

检测所述第二图像中的物体轮廓，对所述精密空调显示屏的数据显示方向上间距小于预设像素个数的物体轮廓进行合并，得到第三图像；

在所述第三图像中，计算每个所述物体轮廓的面积，将面积小于预设值的所述物体轮廓确定为目标轮廓，根据所述目标轮廓相邻区域的像素值确定所述目标轮廓的像素值。

在其中的一些实施例中，所述预设像素个数为5。

在其中的一些实施例中，所述根据所述目标轮廓相邻区域的像素值确定所述目标轮廓的像素值包括：

将所述目标轮廓的像素值替换为所述目标轮廓相邻区域的像素值。

在其中的一些实施例中，所述方法还包括：

通过预训练的所述深度学习网络模型对所述精密空调图像进行识别，得到与所述精密空调目标数据相对应的数据类别，并将所述数据类别作为对应的精密空调目标数据的标签。

第二个方面，在本发明中还提供了一种精密空调目标数据提取方法，所述方法包括：

获取精密空调图像，所述精密空调图像至少包括用于显示精密空调目标数据的精密空调显示屏区域；

校正所述精密空调图像，直至所述精密空调图像中所述精密空调显示屏的数据显示方向与目标方向平行；

对所述精密空调图像进行闭运算处理和阈值分割处理得到第二图像；

检测所述第二图像中的物体轮廓，对所述数据显示方向上间距小于预设像素个数的物体轮廓进行合并，得到第三图像；

在所述第三图像中，计算每个所述物体轮廓的面积，将面积小于预设值的所述物体轮廓确定为目标轮廓，根据所述目标轮廓相邻区域的像素值确定所述目标轮廓的像素值，得到第四图像；

通过预训练的深度学习网络模型对所述第四图像中的精密空调目标数据进行定位，确定所述精密空调目标数据对应的目标区域图像；

通过光学字符识别算法对所述目标区域图像进行文本提取，得到所述精密空调目标数据。

第三个方面，在本发明中提供了一种精密空调目标数据提取装置，包括：

图像获取模块，用于获取精密空调图像，所述精密空调图像包括用于显示精密空调目标数据的精密空调显示屏；

图像定位模块，用于通过预训练的深度学习网络模型对所述精密空调图像中的精密空调目标数据进行定位，确定所述精密空调目标数据对应的目标区域图像；

数据提取模块，用于通过光学字符识别算法对所述目标区域图像进行文本提取，得到所述精密空调目标数据。

第四个方面，在本发明中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的精密空调目标数据提取方法。

与相关技术相比，本发明具有以下有益效果：

1、在本发明提供的精密空调目标数据提取方法中，通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位，确定与精密空调目标数据对应的目标区域图像，再通过光学字符识别算法对目标区域图像进行文本提取，得到精密空调目标数据。通过深度学习网络模型和光学字符识别算法的结合，先对精密空调目标数据进行定位，得到有效信息较多的目标区域图像，再进行文本提取，有效提高对精密空调目标数据提取的准确率，解决了现有的相关技术中对精密空调目标数据提取效果不佳的问题。而且，本方法能够自动获取温度、湿度等相关数据，实时监测数据的变化情况，降低人工介入的成本，提高对精密空调目标数据提取的效率。

2、本发明中，在通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位之前还可以校正精密空调图像，直至精密空调显示屏的数据显示方向与目标方向平行。校正后的精密空调图像中，数据显示方向与深度学习网络模型的基本识别过程相适应，能够方便深度学习网络模型对精密空调目标数据进行更好地定位。

3、本发明中，在通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位之前还包括：对精密空调图像进行闭运算处理和阈值分割处理得到第二图像；检测第二图像中的物体轮廓，对数据显示方向上间距小于预设像素个数的物体轮廓进行合并，得到第三图像；在第三图像中，计算每个物体轮廓的面积，将面积小于预设值的物体轮廓确定为目标轮廓，根据目标轮廓相邻区域的像素值确定目标轮廓的像素值。替换后的精密空调图像中，一些较小的无关内容被去除，从而减少这些无关内容对精密空调目标数据提取的影响。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是执行本发明中提供的精密空调目标数据提取方法的终端硬件结构框图；

图2是本发明的精密空调目标数据提取方法的流程图；

图3是校正前的精密空调图像的示意图；

图4是校正后的精密空调图像的示意图；

图5是经过去噪操作后的精密空调图像的示意图；

图6是对精密空调图像中精密空调目标数据进行框选的示意图；

图7是本发明的精密空调目标数据提取装置的结构框图。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

在本发明中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是执行本发明中提供的精密空调目标数据提取方法的终端硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器120和用于存储数据的存储器140，其中，处理器120可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备160以及输入输出设备180。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。

存储器140可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本发明中的精密空调目标数据提取方法对应的计算机程序，处理器120通过运行存储在存储器140内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器140可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器140可进一步包括相对于处理器120远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备160用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备160包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备160可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

在本发明中提供了一种精密空调目标数据提取方法，图2是本发明的精密空调目标数据提取方法的流程图，如图2所示，该流程包括如下步骤：

步骤S201，获取精密空调图像，精密空调图像包括用于显示精密空调目标数据的精密空调显示屏。

步骤S202，通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位，确定精密空调目标数据对应的目标区域图像。

步骤S203，通过光学字符识别算法对目标区域图像进行文本提取，得到精密空调目标数据。

其中，目标区域图像中包含了温度、湿度等精密空调目标数据。示例性的，在实际应用时，深度学习网络模型可以是YOLOv8网络模型等。YOLOv8网络模型是一种目标检测网络模型，YOLOv8网络模型采用了更加先进的训练方法和技巧，使得模型的训练时间更短、收敛速度更快、模型泛化能力更强。同时，YOLOv8网络模型还提供了更加丰富的超参数和模型结构选项，使得用户可以更加方便地进行模型调整和优化。此外，在实际情况下，也可使用YOLOv3网络模型或者YOLOv5网络模型作为备选的深度学习网络模型。由于目标区域图像是深度学习网络模型对精密空调目标数据进行定位得到，其主要是包含精密空调目标数据。因此，目标区域图像中，精密空调目标数据的图像具有较大的占比，即目标区域图像中大部分图像内容均为有效信息，可以大大降低无效信息对后续字符识别的干扰影响。再通过光学字符识别算法（OCR技术）对目标区域图像进行文本提取，使得OCR技术可以准确且快速地识别出目标区域图像中的有效信息，从而得到精密空调目标数据的文本内容。

在本方法中，先获取精密空调图像，然后通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位，确定与精密空调目标数据对应的目标区域图像，再通过光学字符识别算法对目标区域图像进行文本提取，得到精密空调目标数据。通过深度学习网络模型和光学字符识别算法的结合，先对精密空调目标数据进行定位，得到有效信息较多的目标区域图像，再进行文本提取，有效提高对精密空调目标数据提取的准确率，解决了现有的相关技术中对精密空调目标数据提取效果不佳的问题。而且，本方法能够自动获取温度、湿度等相关数据，实时监测数据的变化情况，降低人工介入的成本，提高对精密空调目标数据提取的效率。

在基于深度学习的数据检测识别过程中，若是数据显示方向处于某一特定方向时，深度学习网络模型对数据的定位效果更好。这是由于模型训练时的样本图像特性导致的。比如，多数样本图像的数据显示方向为从左至右的水平方向，则该深度学习网络模型对水平显示的数据的检测识别效果更好。数据显示方向是按照前后文顺序依次显示数据的方向。以常规的文本图像或者文档图像为例，数据显示方向一般为从左至右的水平方向。即图像中的数据按照前后文顺序从左至右水平显示，以符合人们的常规阅读习惯，比如常见的电子文档。当图像发生倾斜时，其中的数据也随之倾斜，进而其数据显示方向也会随之发生倾斜。在获取精密空调图像时，精密空调图像中的精密空调目标数据的数据显示方向与目标方向之间可能存在一定的倾斜角度，对精密空调目标数据的定位可能存在较小的误差。为了提高对精密空调目标数据提取的准确率和提取的效率，在其中的一些实施例中，步骤S202，精密空调目标数据提取方法在通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位之前还包括：校正精密空调图像，直至精密空调显示屏的数据显示方向与目标方向平行。校正后的精密空调图像中，数据显示方向与深度学习网络模型的基本识别过程相适应，能够方便深度学习网络模型对精密空调目标数据进行更好地定位。

示例性的，图3是校正前的精密空调图像的示意图，在图3中，精密空调显示屏温度数据“026.6℃”的数据显示方向呈从左上方指向右下方的状态，为了方便对精密空调目标数据进行提取，对精密空调图像进行了校正处理，主要是对精密空调显示屏的角度进行调整，直到精密空调显示屏的数据显示方向与目标方向平行。本实施例中，目标方向即为水平方向。如图4所示，图4是校正后的精密空调图像的示意图，在图4中，精密空调显示屏的温度数据“026.6℃”的数据显示方向呈从左至右的水平状态。

具体的，校正精密空调图像，直至精密空调显示屏的数据显示方向与目标方向平行包括：对精密空调图像进行高斯模糊和二值化处理得到第一图像；根据第一图像的像素分布，确定精密空调图像的最小外接矩形，根据精密空调图像的最小外接矩形确定当前的精密空调显示屏的数据显示方向。根据当前的精密空调显示屏的数据显示方向相对于目标方向的倾斜角度和精密空调图像的中心点对精密空调图像进行仿射变换。

在本实施例中，得到第一图像之后，根据第一图像中所有灰度值不为零的像素坐标分布来确定精密空调显示屏的轮廓，进而确定精密空调图像的最小外接矩形。由于精密空调显示屏的型号或者规格是确定的，所以其最小外接矩形也是确定的。并且，由于精密空调显示屏的数据显示方向也是与精密空调显示屏的型号或者规格对应的，因此，精密空调图像的最小外接矩形和精密空调显示屏的数据显示方向是相对应的，可根据精密空调图像的最小外接矩形确定精密空调显示屏的数据显示方向。

在精密空调图像中，除了包含精密空调目标数据的相关内容之外，还可能包含有一些其他较小的无关内容，例如显示的按键符号等，为了降低这些无关内容对数据提取的影响，可以对精密空调图像进行图像的去噪操作。在其中的一些实施例中，步骤S202，方法在通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位之前还包括：对精密空调图像进行闭运算处理和阈值分割处理得到第二图像。检测第二图像中的物体轮廓，对精密空调显示屏的数据显示方向上间距小于预设像素个数的物体轮廓进行合并，得到第三图像。其中，物体轮廓可通过cv2.findContours()函数来对第二图像进行查找检测得到。如上文描述的，数据显示方向是按照前后文顺序依次显示数据的方向，通常数据前后文的排列是较为紧密的。因此，在数据显示方向上，相邻两个数据值的间距较小。利用该特性，可以将精密空调目标数据的前后文轮廓进行合并，得到精密空调目标数据的整体轮廓。具体的，预设像素个数可以根据实际应用中精密空调显示屏的型号或者规格进行确定，本实施例中，预设像素个数为5，即将数据显示方向上间距小于5个像素的物体轮廓进行合并，形成一个较大的物体轮廓。在第三图像中，计算每个物体轮廓的面积，将面积小于预设值的物体轮廓确定为目标轮廓。由于精密空调目标数据中各字符的轮廓都经过了合并，形成了一个较大的物体轮廓，所以，将面积较小的物体轮廓确定为待消除的目标轮廓。根据目标轮廓相邻区域的像素值确定目标轮廓的像素值，其中，预设值可根据精密空调显示屏的精密空调目标数据的格式设定，防止精密空调目标数据被作为无关内容去除。具体的，根据目标轮廓相邻区域的像素值确定目标轮廓的像素值包括：将目标轮廓的像素值替换为目标轮廓相邻区域的像素值，即将面积过小的物体轮廓使用相邻像素值进行替换，将精密空调图像中的无关内容与其附近区域的背景进行融合，减少无关内容对数据提取的干扰。替换后的精密空调图像中，一些较小的无关内容被去除，从而减少这些无关内容对精密空调目标数据提取的影响。

在实际应用时，可以将上述校正操作和去噪操作结合使用，即对精密空调图像进行校正和去噪操作，并且校正操作和去噪操作的先后顺序可自由调整。以先进行校正后进行去噪操作为例，先校正精密空调图像，直至精密空调显示屏的数据显示方向与目标方向平行，校正后的图像如图4所示。然后在图4的基础上对校正后的精密空调图像进行去噪操作，对精密空调图像进行闭运算处理和阈值分割处理得到第二图像。检测第二图像中的物体轮廓，对数据显示方向上间距小于预设像素个数的物体轮廓进行合并，得到第三图像。大部分精密空调显示屏中，精密空调目标数据的字符之间间距一般都小于5个像素，所以，在进行轮廓合并时，数据显示方向上间距小于5个像素的物体轮廓会被合并，形成一个较大的物体轮廓。示例性的，在图4中，对于温度数据026.6℃而言，数据显示方向即为横向，在合并之前，“0”、“2”、“6”、“.”、“6”和“℃”分别为相互独立的物体轮廓，由于这些物体轮廓的间距小于5个像素，所以，这些物体轮廓会被合并成一个较大的物体轮廓“026.6℃”。然后，在第三图像中，计算每个物体轮廓的面积，将面积小于预设值的物体轮廓确定为目标轮廓，根据目标轮廓相邻区域的像素值确定目标轮廓的像素值，具体的，将面积过小的物体轮廓使用相邻像素值进行替换。处理后的图像如图5所示，图5是经过去噪操作后的精密空调图像的示意图，在图5中，原先存在于图4中的较小的标记和按键符号均被消除。

在其中的一些实施例中，步骤S202，通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位，确定精密空调目标数据对应的目标区域图像。其中对精密空调图像中的精密空调目标数据进行定位，可以对精密空调目标数据进行框选，如图6所示，图6是对精密空调图像中精密空调目标数据进行框选的示意图。在图6中，温度数据“026.6℃”和湿度数据“039.0%”周围的边框即为对精密空调目标数据进行定位产生的边框。将框选中的内容截取出来，即可得到包含精密空调目标数据的目标区域图像。

在上述方法中，精密空调图像中可能包含多组不同的精密空调目标数据，例如温度数据和湿度数据等，为了方便后续对精密空调目标数据的统计或处理，在其中的一些实施例中，精密空调目标数据提取方法还包括：通过预训练的深度学习网络模型对精密空调图像进行识别，得到与精密空调目标数据相对应的数据类别，并将数据类别作为对应的精密空调目标数据的标签，方便根据类别标签对精密空调目标数据进行处理。

示例性的，以图5为例，通过预训练的深度学习网络模型对精密空调图像进行识别，得到与精密空调目标数据相对应的数据类别，分别为“温度”和“湿度”。将“温度”和“湿度”分别作为对应的精密空调目标数据的标签，即“温度”对应“026.6℃”，“湿度”对应“039.0%”。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

综上，在本方法中，通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位，确定与精密空调目标数据对应的目标区域图像，再通过光学字符识别算法对目标区域图像进行文本提取，得到精密空调目标数据。通过深度学习网络模型和光学字符识别算法的结合，先对精密空调目标数据进行定位，得到有效信息较多的目标区域图像，再进行文本提取，有效提高对精密空调目标数据提取的准确率，解决了现有的相关技术中对精密空调目标数据提取效果不佳的问题。而且，本方法能够自动获取温度、湿度等相关数据，实时监测数据的变化情况，降低人工介入的成本，提高对精密空调目标数据提取的效率。

在本发明中还提供了一种精密空调目标数据提取方法，包括：

S1：获取精密空调图像，精密空调图像至少包括用于显示精密空调目标数据的精密空调显示屏；

S2：校正精密空调图像，直至精密空调图像中精密空调显示屏的数据显示方向与目标方向平行；

S3：对精密空调图像进行闭运算处理和阈值分割处理得到第二图像；

S4：检测第二图像中的物体轮廓，对数据显示方向上间距小于预设像素个数的物体轮廓进行合并，得到第三图像；

S5：在第三图像中，计算每个物体轮廓的面积，将面积小于预设值的物体轮廓确定为目标轮廓，根据目标轮廓相邻区域的像素值确定目标轮廓的像素值，得到第四图像；

S6：通过预训练的深度学习网络模型对第四图像中的精密空调目标数据进行定位，确定精密空调目标数据对应的目标区域图像；

S7：通过光学字符识别算法对目标区域图像进行文本提取，得到精密空调目标数据。

在本方法中，获取精密空调图像之后，先对精密空调图像进行校正，使得精密空调显示屏的数据显示方向与目标方向平行，方便对精密空调目标数据进行定位和识别。然后对精密空调图像进行闭运算和阈值分割处理，得到第二图像，并基于第二图像上的物体轮廓结构进行合并，得到第三图像，再依据第三图像中物体轮廓的面积，去除精密空调图像中的一些无效信息，减少这些无效信息对数据提取的干扰，得到第四图像。通过预训练的深度学习网络模型对第四图像中的精密空调目标数据进行定位，确定目标区域图像，由于目标区域图像是深度学习网络模型对精密空调目标数据进行定位得到，其主要是包含精密空调目标数据。因此，目标区域图像中，精密空调目标数据的图像具有较大的占比，即目标区域图像中大部分图像内容均为有效信息，可以大大降低无效信息对后续字符识别的干扰影响。再通过光学字符识别算法（OCR技术）对目标区域图像进行文本提取，使得OCR技术可以准确且快速地识别出目标区域图像中的有效信息，从而得到精密空调目标数据的文本内容。

在其中的一些实施例中，步骤S2，校正精密空调图像，直至精密空调显示屏的数据显示方向与目标方向平行包括：对精密空调图像进行高斯模糊和二值化处理得到第一图像；根据第一图像的像素分布，确定精密空调图像的最小外接矩形，根据精密空调图像的最小外接矩形确定当前的精密空调显示屏的数据显示方向；根据当前的精密空调显示屏的数据显示方向相对于目标方向的倾斜角度和精密空调图像的中心点对精密空调图像进行仿射变换。

在本实施例中，得到第一图像之后，根据第一图像中所有灰度值不为零的像素坐标分布来确定精密空调显示屏的轮廓，进而确定精密空调图像的最小外接矩形。由于精密空调显示屏的型号或者规格是确定的，所以其最小外接矩形也是确定的。并且，由于精密空调显示屏的数据显示方向也是与精密空调显示屏的型号或者规格对应的，因此，精密空调图像的最小外接矩形和精密空调显示屏的数据显示方向是相对应的，可根据精密空调图像的最小外接矩形确定精密空调显示屏的数据显示方向。通过上述方法能够方便有效快速地确定精密空调显示屏的数据显示方向，进而方便对精密空调图像进行校正。

在其中的一些实施例中，步骤S4中，预设像素个数为5。在大多数情况下，为了方便识别精密空调目标数据，精密空调目标数据中相邻字符之间分布较为紧密，间距都小于5个像素值，所以本实施例中，将预设像素个数取值为5，能够适应大部分的精密空调图像中对物体轮廓的合并操作。

在其中的一些实施例中，步骤S5中，根据目标轮廓相邻区域的像素值确定目标轮廓的像素值包括：将目标轮廓的像素值替换为目标轮廓相邻区域的像素值。即将面积过小的物体轮廓使用相邻像素值进行替换，将精密空调图像中的无关内容与其附近区域的背景进行融合，减少无关内容对数据提取的干扰。

由于精密空调图像中可能包含多组不同的精密空调目标数据，例如温度数据和湿度数据等，为了方便后续对精密空调目标数据的统计或处理，在其中的一些实施例中，精密空调目标数据提取方法还包括：通过预训练的模型对精密空调图像进行识别，得到与精密空调目标数据相对应的数据类别，并将数据类别作为对应的精密空调目标数据的标签。

综上，本方法中，通过对精密空调图像进行校正以及去除部分无效信息，能够方便更加准确地对精密空调图像中的精密空调目标数据进行定位，得到目标区域图像，由于目标区域图像中的大部分信息均为有效信息，所以，对目标区域图像进行文本提取，能够有效提高对精密空调目标数据提取的准确度。

在本发明中还提供了一种精密空调目标数据提取装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图7是本发明的精密空调目标数据提取装置的结构框图，如图7所示，该装置包括：

图像获取模块701，用于获取精密空调图像，精密空调图像包括用于显示精密空调目标数据的精密空调显示屏；

图像定位模块702，用于通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位，确定精密空调目标数据对应的目标区域图像；

数据提取模块703，用于通过光学字符识别算法对目标区域图像进行文本提取，得到精密空调目标数据。

在本装置中，先获取精密空调图像，然后通过预训练的深度学习网络模型对精密空调图像中的精密空调目标数据进行定位，确定与精密空调目标数据对应的目标区域图像，再通过光学字符识别算法对目标区域图像进行文本提取，得到精密空调目标数据。通过深度学习网络模型和光学字符识别算法的结合，先对精密空调目标数据进行定位，得到有效信息较多的目标区域图像，再进行文本提取，有效提高对精密空调目标数据提取的准确率，解决了现有的相关技术中对精密空调目标数据提取效果不佳的问题。而且，本方法能够自动获取温度、湿度等相关数据，实时监测数据的变化情况，降低人工介入的成本，提高对精密空调目标数据提取的效率。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

此外，结合上述本发明中提供的精密空调目标数据提取方法，在本发明中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种精密空调目标数据提取方法。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。