基于深度学习的仪表示数识别方法研究及实现.pdfVIP

摘要

工业环境中，带有数字接口的数显式仪表可直接上传读数到云端，但大部分数显式

仪表和指针式仪表不具备上传读数的功能，读数方式依然以人工为主。人工现场记录读

数不仅存在安全风险，而且读数受主观影响。因此，实现工业环境中仪表自动化读数具

有重要意义。目前仪表自动化识别示数还存在以下问题：

（a）在仪表识别定位阶段，在复杂环境中难以定位仪表，被遮挡和小目标仪表难

以识别。（b）采集到的仪表图像因拍摄角度倾斜，往往会导致图像存在一定的几何失

真。基于透视变换的图像校正方法鲁棒性不高，难以应对多种类型仪表的校正。（c）

在仪表读数阶段，仪表表盘区域受到光照和杂物影响，影响仪表读数。同时，工业环境

仪表类型众多，传统读数方法难以对多种类型仪表进行读数。

针对以上问题，采用了一种基于深度学习的仪表读数方法，具体工作如下：

（1）针对YOLOv7对小目标、边缘目标、遮挡目标识别定位困难的问题，对YOLOv7

进行改进，提升网络对仪表的检测精度。首先将SimAM注意力机制融入到主干网络

ELAN模块中以获得丰富的梯度信息；再引入SPDConv模块改进MPConv层，使得仪

表在复杂环境下更容易识别，最后改进损失函数，将YOLOv7原有的损失函数替换为

NWD-Focal损失函数，提高了边界框的回归精度，提升了识别准确率。

（2）针对传统算法对失真椭圆、方形仪表、表盘指针和刻度区域分割效果差的问

题，对U2-Net分割网络进行改进，在网络中RSU模块上采样时，加入CA注意力机制，

提升了网络对目标边界的分割能力。

（3）针对传统透视变换对不规则椭圆校正效果差、无法校正方形仪表的问题，使

用一种基于STN的仪表校正网络，通过预测关键点偏移量，计算单应性变换矩阵，通

过单应性变换对各种形状仪表进行几何校正。

（4）针对MSRCR算法难以消除仪表表面光照不均的问题，对MSRCR算法进行

了改进，通过重新计算图像明暗像素点的分布，自适应调整RGB三个色域的权重占比，

提升了不同光照环境下对图像色彩修复的能力。并通过实验与其他色彩修复算法进行对

比，证明了改进MSRCR在一定程度上解决了光照不均的问题。

（5）设计了一种改进仪表读数流程。对于不同类型的数显式仪表、不同类型的指

针式仪表，采取不同的读数策略，以提高对各种类型仪表读数的准确率。

结果表明，改进后的YOLOv7相比于原版YOLOv7，精确率提升了1.0%，召回率

提升了3.4%，对小目标和遮挡目标的检测精度明显提升；改进后的仪表校正算法，在

失真椭圆仪表和方形仪表校正上，校正速度提高了50%以上；改进后的光照校正算法在

2-Net；空间变换网络；注意力模块

仪表关键区域特征更加明显；改进后的读数方法，数显式仪表读数

46%，指针式仪表读数误差降低了2.3%。最后借助机器视觉库整合仪表

并，编写对应软件，应用到实际场景中。

关键词：工业仪表；YOLOv7；U

Abstract

Inindustrialenvironments,digitalmeterswithdigitalinterfacescanuploadreadingstothe

clouddirectly.However,mostdigitalandpointermeterslackthisfunctionality,andreadings

areprim