1.一种基于边端协同的工业仪表读数识别方法，其特征在于，应用于边端协同系统，所述边端协同系统包括边缘设备和云端服务器，所述边缘设备分别与高清摄像头和云端服务器通信连接，所述方法包括：所述边缘设备将初始CNN模型中的卷积层替换成深度可分离卷积层，得到第一中间模型，其中，所述深度可分离卷积层包括深度卷积层和逐点卷积层；

所述边缘设备利用主成分分析算法对预设的训练数据集进行特征压缩，得到第一特征，利用自动编码器对所述训练数据集进行特征压缩，得到第二特征；

所述边缘设备将全部的所述第一特征和所述第二特征确定为第一目标压缩特征；

所述边缘设备利用所述压缩特征对所述第一中间模型进行训练，记录训练好的第一中间模型的第一模型性能指标，其中，所述第一中间模型包括多个卷积核；

所述边缘设备确定各个所述卷积核的重要等级，剪除所述第一中间模型中重要等级低于预设等级的卷积核，得到第二中间模型，利用所述第一目标压缩特征重新训练所述第二中间模型，得到训练好的目标模型，所述目标模型的第二模型性能指标与所述第一模型性能指标相同；

当所述边缘设备接收到所述高清摄像头发送的第一图像，所述边缘设备利用目标模型对所述第一图像进行特征提取，得到目标图像特征，并将所述目标图像特征发送至所述云端服务器，其中，第一图像为具有工业仪表读数的工业仪表图像；

所述云端服务器将所述目标图像特征输入至预先训练好的深度学习模型，得到工业仪表读数识别结果。

2.根据权利要求1所述的基于边端协同的工业仪表读数识别方法，其特征在于，所述目标模型包括具有深度卷积层和逐点卷积层的所述深度可分离卷积层，所述边缘设备利用目标模型对所述第一图像进行特征提取，得到目标图像特征，包括：对所述第一图像依次进行去噪、亮度调整、对比度调整以及图像缩放处理，得到第二图像；

利用所述主成分分析算法和所述自动编码器对所述第二图像进行特征压缩，得到第二目标压缩特征；

将所述第二目标压缩特征输入至所述深度卷积层进行卷积处理，得到第一中间特征；

将所述第一中间特征输入至所述逐点卷积层进行卷积处理，得到第二中间特征；

将第一中间特征与第二中间特征进行特征拼接处理，得到所述目标图像特征。

3.根据权利要求2所述的基于边端协同的工业仪表读数识别方法，其特征在于，所述将所述第二目标压缩特征输入至所述深度卷积层进行卷积处理，得到第一中间特征，根据以下公式得到：其中，Xi+m‑1,j+n‑1,k为所述第二目标压缩特征，Yi,j,k为所述第一中间特征，Wm,n,k为所述深度卷积层的卷积核，i和j分别为所述第一中间特征的行和列，i和j用于指示所述第一中间特征的二维空间位置索引，k为所述第一中间特征的通道索引，用于指示所述第一中间特征的第k个输出通道，m和n为Wm,n,k的行和列，m和n用于指示所述深度卷积层的卷积核的二维空间位置索引，K为所述深度卷积层的卷积核的大小。

4.根据权利要求3所述的基于边端协同的工业仪表读数识别方法，其特征在于，将所述第一中间特征输入至所述逐点卷积层进行卷积处理，得到第二中间特征，根据以下公式得到：′

其中，Zi,j,k′为所述第二中间特征，Wk,k′为所述逐点卷积层的卷积核，k为所述第二中间′特征的通道索引，用于指示所述第二中间特征的第k 个输出通道，C为所述第一中间特征的通道数。

5.根据权利要求1所述的基于边端协同的工业仪表读数识别方法，其特征在于，剪除所述第一中间模型中重要等级低于预设等级的卷积核，得到第二中间模型，包括：确定所述第一中间模型的浮点数权重和激活值，并将所述浮点数权重和所述激活值量化为低精度整数，得到量化后的第一中间模型；

将所述量化后的第一中间模型中重要等级低于预设等级的卷积核确定为目标卷积核，对所述目标卷积核对应的权重置零或移除所述目标卷积核，得到所述第二中间模型。

6.根据权利要求1所述的基于边端协同的工业仪表读数识别方法，其特征在于，所述高清摄像头的数量为多个，不同的高清摄像头关联不同类型的工业仪表，不同类型的工业仪表对应有不同的优先级，所述第一图像的数量为多个，当所述边缘设备接收到所述高清摄像头发送的第一图像，所述边缘设备利用目标模型对所述第一图像进行特征提取，得到目标图像特征，包括：当所述边缘设备接收到不同的所述高清摄像头发送的多个所述第一图像，将对应的所述优先级关联至各个所述第一图像；

确定所述边缘设备的当前运算资源量，在所述当前运算资源量小于或等于第一阈值的情况下，将所述优先级大于第二阈值对应的所述第一图像确定为目标图像；

利用目标模型对所述目标图像进行特征提取，得到所述目标图像特征；

将所述第一图像中除了所述目标图像以外剩余的图像保存至预设队列，直至所述当前运算资源量大于所述第一阈值，利用目标模型对所述预设队列中的第一图像进行特征提取，得到所述目标图像特征。

7.根据权利要求1所述的基于边端协同的工业仪表读数识别方法，其特征在于，所述边端协同系统显示有可视化界面以及包括数据监控模块，所述工业仪表读数识别结果包括仪表类型和仪表读数，在所述云端服务器将所述第一图像输入至预先训练好的深度学习模型，得到工业仪表读数识别结果之后，所述方法还包括：所述云端服务器将所述工业仪表读数识别结果发送至所述数据监控模块；

针对任一所述工业仪表读数识别结果，所述数据监控模块基于各个所述工业仪表读数识别结果的所述仪表类型从预设映射表中确定目标异常阈值，当检测到所述仪表读数大于或等于所述目标异常阈值，基于所述仪表类型和所述仪表读数生成告警信息；

所述数据监控模块将所述告警信息显示在所述可视化界面。

8.一种控制装置，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于边端协同的工业仪表读数识别方法。

9.一种电子设备，其特征在于，包括权利要求8所述的控制装置。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7中任意一项所述的基于边端协同的工业仪表读数识别方法。