基于关键点检测的指针仪表读数算法

通过摄像头实现指针式仪表自动读数时易受复杂环境、摄像头不同角度等因素影响,而且在实际的应用中难以均衡检测速度和检测精度,为此,文章提出一种基于关键点检测的指针仪表读数算法。以ResNet18为主干网络,摒弃了最后两个阶段的残差块以及之后的全连接层,并针对指针仪表表盘的特点设计了一个轻量级特征融合网络,同时引入提高模型性能的姿态修正机(pose refine machine, PRM)。最后利用得到的表盘圆心、零刻度线、当前指针刻度3个关键点信息,通过角度法完成读数计算。实验结果表明,本文算法读数误差仅为0.506%,速度可达53 fps,相比于传统算法具有较高的精确度;相比于其他同类算法,在拥有更少参数量与运算复杂度的情况下,仍能实现对指针关键点的高准确度预测,充分证明所提算法的有效性。     

基于改进 YOLOv4 的嵌入式变电站仪表检测算法

随着机器人技术的快速发展,智能机器人广泛应用于变电站巡检,针对目前目标检测算法参数量过大且嵌入式设备性能有限,难以在嵌入式平台上实现实时检测的问题,提出了一种基于改进 YOLOv4 的嵌入式变电站仪表检测算法。以 YOLOv4 为基础,采用MobileNetV3 作为主干特征提取网络,在保证模型能够有效提取特征的情况下,降低运算量,提高检测速度;与此同时,将特征提取后的路径聚合网络(PANet)中的卷积运算替换成深度可分离卷积;采用迁移学习的训练策略克服模型训练困难问题;最后,利用TensorRT对改进后的模型进行重构和优化,实现快速和高效的部署推理。改进后的算法在嵌入式端 NVIDIA Jetson Nano上进行了测试,实验结果表明,在牺牲了较少精度的情况下,检测速度提高了 2 倍,达到 15 FPS,为边缘计算场景下的仪表实时检测提供了可能。