基于改进的YOLOv5s指针式仪表检测与读数识别

摘要

针对巡检机器人执行巡检任务时,传统指针式仪表识别方法计算量大、精度低的问题,提出一种深度学习与图像处理相结合的检测与识别方法。为减少计算量,在YOLOv5s网络中引入GhostNetV2作为主干网络,利用双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)进行特征提取,在头部结构中使用深度可分离卷积减少网络参数量,并使用SIoU损失函数提高准确性。利用改进的YOLOv5s算法检测并提取表盘区域后,采用DeepLabV3+语义分割模型分割出指针轮廓,并利用图像腐蚀技术降低噪声干扰,再把环形的指针轮廓展开为矩形图像,最后定位指针相对刻度的位置,再根据表盘刻度线的数量判断表盘类型以获取表盘量程,从而计算仪表读数。实验结果表明,改进的检测和识别方法平均精度达到了95.26%,检测速度提高到83.18帧/s,读数识别的平均误差为0.3%,使巡检机器人能够快速准确地检测到指针式仪表表盘并识别读数。