针对现有仪表读数方法易受光照不均等因素影响,而导致读数误差大的问题,提出一种基于深度学习的全自动指针式仪表读数方法。首先,引入YOLOv7网络提取表盘区域;其次,采用文中提出的VCA-UNet(VGG16Net,improved skip connections and ASPP...针对现有仪表读数方法易受光照不均等因素影响,而导致读数误差大的问题,提出一种基于深度学习的全自动指针式仪表读数方法。首先,引入YOLOv7网络提取表盘区域;其次,采用文中提出的VCA-UNet(VGG16Net,improved skip connections and ASPP based U-Net)网络用于分割刻度线和指针;最后,引入PP-OCRv3网络自动获取仪表量程,并利用角度法确定仪表示数。实验结果表明:VCA-UNet网络的MIoU和MPA值较U-Net网络分别提升18.48%和9.36%,且普遍高于其他经典分割网络,仪表读数的平均相对误差为0.614%,且泛化实验的读数绝对误差相对较小,验证了读数方法的准确性和泛化性。展开更多
文摘针对现有仪表读数方法易受光照不均等因素影响,而导致读数误差大的问题,提出一种基于深度学习的全自动指针式仪表读数方法。首先,引入YOLOv7网络提取表盘区域;其次,采用文中提出的VCA-UNet(VGG16Net,improved skip connections and ASPP based U-Net)网络用于分割刻度线和指针;最后,引入PP-OCRv3网络自动获取仪表量程,并利用角度法确定仪表示数。实验结果表明:VCA-UNet网络的MIoU和MPA值较U-Net网络分别提升18.48%和9.36%,且普遍高于其他经典分割网络,仪表读数的平均相对误差为0.614%,且泛化实验的读数绝对误差相对较小,验证了读数方法的准确性和泛化性。
