科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于较大的参数体量和较高的计算复杂度，通用检测及识别模型直接在移动端部署的难度较高。为解决这个困难，本文研究了移动设备上使用计算机视觉的仪表检测及读数方法。针对实际工业生产环境下检测及识别的需求，基于YOLO-v7重新设计了轻量化的仪表检测网络以及字符检测及识别网络。然后利用深度可分离卷积进一步降低计算复杂度，压缩模型大小。接着采用K-means++聚类算法加遗传算法自动产生初始锚框。最后使用通道剪枝，再一次压缩模型。实验结果证明，专用网络模型设计、深度可分离卷积以及通道剪枝对减少模型参数体量和降低算力需求具有显著效果。参数数量相较于原始YOLO-v7模型均下降了99.67%，模型算力需求均降至0.3GFLOPs，下降了99.71%。实验中平均图片检测时间为10.7ms。各网络的平均精准度（mAP0.5）达到了99.63%和99.53%。系统整体读数精确度达98.44%。
- 单位
