10.3969/j.issn.1671-1815.2023.02.031
基于轻量化深度学习网络的数字仪表识别
数字式仪表常用于变电站、工厂等生产环境,是一种直观的设备监测仪器.然而当前数字式仪表的读取方式还依赖于人工巡检、手动记录等,这些传统的巡检方式来监测设备的运行状态大大降低了巡检效率.为了实现传统行业的数字化转型,提出了基于轻量化深度学习的数字仪表识别方法,通过改进的YOLOv5(you only look once version5)的目标检测框架,针对数字仪表目标区域在整张图片大小不一致的情况,提出了对于感兴趣区域(region of interest,ROI)的迭代目标检测方法,首次检测将感兴趣区域进行检测并切割统一到相同的尺度,随后迭代检测网络针对感兴趣区域内的字符进行检测并分类,以达到精确读数的目的.为提升多尺度检测性能,采用Res2Net模块主干网络中的的残差模块.采用GIoU(generalized intersection over union)取代通用的IoU(intersection over union)作为位置损失函数加速模型训练效果的收敛.实验表明,改进后的框架实现了99.62%的准确率和99.55%的召回率,相比基线网络分别提升了12.72%和5.85%.通过将框架在边缘计算平台上的终端部署,在实际生产中取代了人工巡检,实现了商业化运行.
深度学习、数字仪表识别、YOLOv5、轻量化
23
TP391.41(计算技术、计算机技术)
中国大唐集团科技项目KY-2021-08
2023-03-02(万方平台首次上网日期,不代表论文的发表时间)
共7页
674-680