-
题名面向变电站嵌入式设备的指针式仪表识别方法
- 1
-
-
作者
胡欣
刘瑞峰
肖剑
段承志
程鸿亮
罗诗伟
-
机构
长安大学能源与电气工程学院
长安大学电子与控制工程学院
中陕核工业集团陕西二一○研究所有限公司
-
出处
《电子测量与仪器学报》
北大核心
2025年第1期253-263,共11页
-
基金
陕西省秦创原“科学家+工程师”队伍建设项目(2024QCY-KXJ-161)
西安市重点产业链项目(23ZDCYJSGG0013-2023)
咸阳市重点研发计划(L2024-ZDYF-ZDYF-GY-0004)项目资助。
-
文摘
针对变电站嵌入式设备在识别指针式仪表时常面临实时性差以及小目标和密集目标场景漏检的问题,提出了一种基于YOLOv5s-BCGS的变电站指针式仪表识别模型。该模型以YOLOv5s为基础网络,首先在其网络颈部引入协调注意力机制,并将路径聚合网络替换为加权双向特征金字塔网络,以更好地融合特征图中的位置和细节信息,从而增强模型对目标位置和尺寸的敏感性。其次,原网络中的传统卷积被轻量化的幽灵卷积替代,既加快了推理速度,又减小了模型体积。最后,将原网络中的CIoU损失函数替换为SIoU损失函数,提高了模型训练速度并改善了远距离小目标的推理精度。实验结果表明,改进后的模型在自制变电站指针仪表数据集上的表现优于YOLOv5s,mAP0.5提高了2.2%,mAP0.75提高了3.8%,mAP0.5~0.95提高了6.7%,同时模型体积减少了34.07%。与常用的Faster R-CNN、YOLOv4-tiny、YOLOv7-tiny和YOLOv8n等模型相比,本模型在精度和速度上均具有明显优势,展现了良好的泛化能力和鲁棒性,且模型体积仅为18.0 MB,实现了轻量化部署。在PC和Jetson Xavier NX开发板上的推理速度分别为154.7 FPS和18.7 FPS,能够满足嵌入式设备在变电站指针仪表巡检中的实际工程需求。
-
关键词
变电站
指针式仪表识别
轻量化
协调注意力机制
嵌入式设备
-
Keywords
substation
pointer instrument recognition
lightweight
coordinate attention mechanism
embedded devices
-
分类号
TN98
[电子电信—信息与通信工程]
TH865
[机械工程—精密仪器及机械]
-
-
题名基于深度学习的指针式仪表检测与识别研究
被引量：36
- 2
-
-
作者
徐发兵
吴怀宇
陈志环
喻汉
-
机构
武汉科技大学信息科学与工程学院
-
出处
《高技术通讯》
EI
CAS
北大核心
2019年第12期1206-1215,共10页
-
基金
国家自然科学基金(61573263)
湖北省科技支撑计划(2015BAA018)
国家重点研发计划(2017YFC0806503)资助项目
-
文摘
为了解决变电站指针式仪表读数识别中指针区域提取困难、指针中心线定位误差大以及识别精度较差等问题,针对变电站中常见的刻度分布均匀的指针式仪表,提出了一种基于深度学习的指针式仪表自动检测与识别方法。首先,利用卷积神经网络模型检测当前视野下仪表目标的包围框位置,得到仪表目标图像;然后,利用改进有效和准确的场景文本检测器(EAST)算法对检测到的仪表目标图像进行文本检测,检测出仪表图像中的文本图像,利用设计的印刷体数字识别模型对文本图像进行识别,筛选出仪表刻度数字,得到仪表刻度数字的位置信息与数值;最后,通过仪表刻度数字的位置信息提取出仪表指针直线与仪表中心,通过识别出的数值结合角度法完成仪表读数识别。通过大量实验对所提出的指针式仪表读数检测与识别方法进行验证,实验结果表明,本文所提出的仪表识别方法的平均准确率高于98.5%,对于复杂背景下指针式仪表的自动检测与识别任务具有良好的准确性与稳定性,可满足变电站实际应用需求。
-
关键词
深度学习
指针式仪表识别
卷积神经网络
改进场景文本检测器(EAST)算法
-
Keywords
deep learning
pointer meter reading recognition
convolutional neural network
improved efficient and accurate scene text detector(EAST)algorithm
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
