1.一种弱约束的水表读数识别方法，其特征在于：包括以下步骤：S1：通过读数区域检测网络对水表读数区域进行检测；

S2：通过光学字符识别网络OCR对检测出的读数区域中的数字进行识别，输出最终的读数结果。

2.根据权利要求1所述的弱约束的水表读数识别方法，其特征在于：在步骤S1中，具体包括以下三个步骤：

对读数区域的坐标和方向进行预测；

对读数区域坐标和方向进行纠正；

裁剪读数区域。

3.根据权利要求2所述的弱约束的水表读数识别方法，其特征在于：步骤S1中，基于卷积神经网络CNN构建读数区域检测网络，所述读数区域检测网络由多个CBL块、残差块和一个检测块构成，所述CBL块由一个卷积层、一个批量正则化BN操作单元和一个泄漏修正线性单元Leaky ReLU依次连接组成；所述残差块包括依次连接的1×1卷积层、BN操作单元、Leaky ReLU单元、3×3卷积层、BN操作单元、残差连接和Leaky ReLU单元。

4.根据权利要求3所述的弱约束的水表读数识别方法，其特征在于：所述读数区域检测网络的结构包括依次连接的第一CBL块、第二CBL块、第三CBL块、两个32通道的残差块、第四CBL块、四个64通道的残差块、第五CBL块、四个64通道的残差块、第六CBL块、八个128通道的残差块、检测块；

所述第一CBL块、第二CBL块中的卷积层的卷积核为3×3，输出通道数为16，卷积步长为

1；

所述第三CBL块中的卷积层的卷积核为3×3，输出通道数为32，卷积步长为2；

所述第四CBL块、第五CBL块中的卷积层的卷积核为3×3，输出通道数为64，卷积步长为

2；

所述第六CBL块中的卷积层的卷积核为3×3，输出通道数为128，卷积步长为2；

所述检测块Endblock具有三个并行的卷积层：第一分支用于预测水表读数区域的概率；中间分支用于回归水表读数区域的仿射矩阵，第三分支用于预测水表读数区域的方向。

5.根据权利要求4所述的弱约束的水表读数识别方法，其特征在于：还包括一个改进的多任务Loss函数来匹配EndBlock的三个分支：在每张输出特征图的每个像素点(m,n)上定义目标/非目标分类损失、仿射损失和目标方向损失，三种不同的损失来对应EndBlock中的三个分支；所述多任务Loss函数为：其中，λcls、λaff和λdire分别是三种损失的权重参数，(m,n)表示输出特征图的像素点，M,N分别表示输出特征图的宽和高；Lcls(pmn,tmn)为输出特征图像素点(m,n)的目标/非目标损失，tmn表示在像素点(m,n)的目标/非目标标签：当像素点(m,n)属于读数区域时tmn＝1，否则为0；pmn表示预测像素点(m,n)是否属于读数区域的概率，具体计算公式如下：Lcls(pmn,tmn)＝‑(tmnlog(pmn)+(1‑tmn)log(1‑pmn))        (2)T

Laffine(Tmn(b),Amn(d))为像素点(m,n)的仿射损失，令di＝[xi,yi] ，i∈{1,2,3,4}表示T

水表读数区域四个顶点的顺时针坐标，从左上角开始，d1为其左上点；令b1＝[‑0.5,‑0.5] ,T T T

b2＝[0.5,‑0.5] ,b3＝[0.5,0.5] ,b4＝[‑0.5,0.5]代表以原点为中心的单位矩形的四个顶点；

EndBlock的中间分支在通道方向输出六个仿射矩阵参数：O3,O4,O5,O6,O7,O8，用于构建仿射矩阵，然后利用该六个参数，通过公式(3)计算得到预测的水表读数区域的四个顶点的坐标，具体计算公式如下：

O3和O7采用最大化来确保对角线为正；

通过下式实现归一化：

在公式(4)中，(m,n)代表当前像素点的位置坐标值，N表示网络下采样的倍数，d表示水表读数区域四个顶点的真实坐标值；

然后使用L1损失函数来计算水表读数区域的仿射损失，Tmn(b)是通过仿射变换预测的水表读数区域的坐标值，因此Laffine(Tmn(b),Amn(d))的计算公式如下：其中，||·||1表示L1范数操作；公式(1)中的第三项 为目标方向损失，表示水表读数区域的真实方向；

定义以下两种情况以针对平面360°的所有可能的目标旋转：当读数区域与水平向右方向的夹角的绝对值大于90°时 此时判定读数区域方向为倒，若小于或等于90°时此时判定读数区域方向为正；umn表示预测像素点(m,n)所对应的读数区域的方向是否为正的概率；针对 使用L2损失函数来计算目标方向的损失，具体计算公式如下：

其中，||·||2表示L2范数操作。

6.根据权利要求1所述的弱约束的水表读数识别方法，其特征在于：步骤S2中所述读数识别网络，采用改进的Fast‑YOLOv2网络以保障小目标的准确识别；首先，根据读数区域中每个数字位置信息进行排序，然后通过设置数字之间的距离阈值，判断读数区域的数字个数，并根据目标面积的相对大小，进行过滤筛选，保留面积相对较大的目标。

7.根据权利要求6所述的弱约束的水表读数识别方法，其特征在于：所述读数识别网络的结构包括依次设置的第一CBL块、第一最大池化层、第二CBL块、第二最大池化层、第三CBL块、第四CBL块、第五CBL块、第三最大池化层、第六CBL块、第七CBL块、第八CBL块、第九CBL块、第十CBL块、第十一CBL块第十二CBL块；

所述第一CBL块中的卷积层的卷积核为3×3，输出通道数为32，卷积步长为1；

所述第二CBL块、第四CBL块中的卷积层的卷积核为3×3，输出通道数为64，卷积步长为

1；

所述第三CBL块、第五CBL块、第七CBL块中的卷积层的卷积核为3×3，输出通道数为

128，卷积步长为1；

所述第六CBL块、第八CBL块、第十CBL块中的卷积层的卷积核为3×3，输出通道数为

256，卷积步长为1；

所述第九CBL块、第十一CBL块中的卷积层的卷积核为3×3，输出通道数为512，卷积步长为1；

所述第十二CBL块中的卷积层的卷积核为1×1，输出通道数为30，卷积步长为1。

8.根据权利要求7所述的弱约束的水表读数识别方法，其特征在于：所述Fast‑YOLOv2的Loss函数是目标置信度损失、非目标置信度损失、位置损失和目标类别损失的总和，计算公式如下：

其中，λconf_pos、λconf_neg、λcoord和λclass分别表示四种损失的权重参数，(m,n)表示输出特征图的像素点，b表示锚点anchor的编号，M,N分别表示输出特征图的宽和高，B表示每个像素点的anchor数量；Lconf_pos(pmnb,tmnb)和Lconf_neg(pmnb)分别为像素点(m,n)的第b个anchor的目标/非目标置信度损失，tmnb表示在像素点(m,n)第b个anchor是否属于目标的置信度：当像素点(m,n)的第b个anchor属于读数时tmnb＝1，否则为0；pmnb表示预测像素点(m,n)第b个anchor是否属于读数的置信度，目标/非目标置信度损失使用L2范数进行计算，计算公式如下：

Lconf_pos(pmnb)＝||1‑pmnb||2              (8)Lconf_neg(pmnb)＝||0‑pmnb||2          (9)为像素点(m,n)的第b个anchor的位置损失，vmnb表示预测像素点(m,n)第b个anchor预测目标的x，y，w和h，其中x和y为所预测目标中心的坐标值，w和h分别为所预测目标的宽和高， 表示像素点(m,n)第b个anchor所属目标真实的x，y，w和h；这项损失分两部分计算，使用L2范数计算x与y的损失，以及计算w和h的平方根的损失，计算公式如下：为像素点(m,n)的第b个anchor的类别损失， 表示像素点(m,n)第b个anchor所属类别，若类别为i，则 其它为0，cmnb表示像素点(m,n)第b个anchor类别预测值；读数一共有10种情况，所以C＝10，使用L2范数，具体的计算公式如下：