基于轻量化深度学习网络的数字仪表识别

作者：陈开峰; 俞伟聪^*; 唐雁文; 吴仲

来源：科学技术与工程, 2023, 23(02): 674-680.

• 深度学习
• 数字仪表识别
• YOLOv5
• 轻量化

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。