李慧慧，閆 坤*，張李軒，劉 威，李 執(zhí)

（1.桂林電子科技大學(xué)信息與通信學(xué)院，廣西桂林 541004；2.衛(wèi)星導(dǎo)航定位與位置服務(wù)國(guó)家地方聯(lián)合工程研究中心（桂林電子科技大學(xué)），廣西桂林 541004）

0 引言

電力、化工等領(lǐng)域存在數(shù)量龐大的儀表用來(lái)記錄現(xiàn)場(chǎng)狀況和生產(chǎn)數(shù)據(jù)［1］，由于電磁干擾等環(huán)境因素的影響，工業(yè)生產(chǎn)普遍采用指針式儀表［2］。指針式儀表讀數(shù)識(shí)別主要依靠專業(yè)人員定期進(jìn)行現(xiàn)場(chǎng)巡檢，該工作方式易受到人眼分辨能力、工作人員熟練程度、視覺(jué)疲勞等主觀因素的影響，檢測(cè)效率較低且難以保證數(shù)據(jù)的準(zhǔn)確性。而在高輻射、強(qiáng)噪聲、高低溫等不適宜近距離測(cè)量環(huán)境內(nèi)，儀表的采集和讀取是一項(xiàng)非常艱巨的任務(wù)［3］。隨著我國(guó)工業(yè)領(lǐng)域從勞動(dòng)密集型向科技密集型不斷轉(zhuǎn)變，傳統(tǒng)人工抄表方式亟需轉(zhuǎn)向基于機(jī)器視覺(jué)的智能識(shí)別，以提高生產(chǎn)效率［4］。因此，實(shí)現(xiàn)指針式儀表的自動(dòng)識(shí)別和檢測(cè)具有重要的現(xiàn)實(shí)意義及市場(chǎng)價(jià)值。

關(guān)于指針式儀表智能識(shí)別的課題，國(guó)外研究較早并取得了一定的成果［5-6］。葡萄牙里斯本技術(shù)大學(xué)的Alegria 等［7］采用減影法提取指針圖像，再利用Hough 變換確定指針的偏轉(zhuǎn)角度，但這種方法需要在相同環(huán)境下獲取兩個(gè)讀數(shù)不同的表盤指針。Vázquezfernández 等［8］通過(guò)調(diào)整相機(jī)位置定位指針式儀表的旋轉(zhuǎn)中心，獲取固定大小圖像。相較于國(guó)外指針式儀表智能識(shí)別的研究進(jìn)展，國(guó)內(nèi)的研究進(jìn)展較慢。孫婷等［9］提出基于二維伽馬函數(shù)的儀表識(shí)別方法，能夠適應(yīng)不同光照、不同類型的儀表指針定位，且識(shí)別的正確率達(dá)到94%；張雪飛等［10］根據(jù)尺度不變特征點(diǎn)匹配方法研究統(tǒng)一自動(dòng)識(shí)別讀數(shù)的算法框架，能夠快速識(shí)別多類指針式儀表。盛慶華等［11］針對(duì)現(xiàn)有指針式儀表自動(dòng)讀數(shù)對(duì)圖像采集條件要求比較苛刻的缺陷，提出了一種基于雙重霍夫空間投票的指針式儀表自動(dòng)讀數(shù)方法，可以達(dá)到92%的識(shí)別率。隨著深度學(xué)習(xí)的發(fā)展，一批學(xué)者將深度學(xué)習(xí)方法用于指針式儀表的識(shí)別課題研究中。萬(wàn)吉林等［12］提出了一種基于Faster R-CNN（Faster Region-Convolutional Neural Network）和U-Net 的儀表識(shí)別方法，漏檢率為2.86%，能達(dá)到較高的識(shí)別準(zhǔn)確率。周楊浩等［13］利用全卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入圖像進(jìn)行語(yǔ)義分割以檢測(cè)儀表位置并提取儀表部分的圖像。

圓形指針式儀表自動(dòng)檢測(cè)與識(shí)別大多基于預(yù)先獲取的儀表圖像，采用Hough變換算法進(jìn)行儀表定位［14］，這種方法前期需要大量?jī)x表目標(biāo)的記錄與相機(jī)的標(biāo)定工作，以保證所得儀表圖像的質(zhì)量，因此每次儀表位置發(fā)生變化都需要重新進(jìn)行測(cè)量與標(biāo)定。這類方法普適性、穩(wěn)定性較差，尤其在復(fù)雜場(chǎng)景下，單一圓形Hough變換應(yīng)用受限。針對(duì)這種缺陷，可采用深度學(xué)習(xí)目標(biāo)檢測(cè)算法，但伴隨著海量參數(shù)復(fù)雜運(yùn)算等問(wèn)題。為解決以上問(wèn)題，本文提出了一種基于預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型與圓形Hough變換相結(jié)合的圓形儀表智能檢測(cè)和識(shí)別系統(tǒng)，用于復(fù)雜場(chǎng)景下圓形指針式儀表檢測(cè)和識(shí)別。

該系統(tǒng)首先采用圓形Hough 變換提取圓形區(qū)域，將所得圓形區(qū)域轉(zhuǎn)換為基于預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型的輸入，通過(guò)圓形Hough 變換，降低復(fù)雜場(chǎng)景內(nèi)其他非圓形區(qū)域的資源占用。MobileNetV2網(wǎng)絡(luò)模型是一種輕量型的網(wǎng)絡(luò)模型［15］，該模型參數(shù)較少，可快速訓(xùn)練出指定任務(wù)的模型，并且可以很好地運(yùn)行在移動(dòng)端設(shè)備和嵌入式設(shè)備中，為工業(yè)圓形指針式儀表識(shí)別奠定了非常好的基礎(chǔ)。因此采用基于預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型與圓形Hough 變換相結(jié)合的圓形儀表智能檢測(cè)和識(shí)別系統(tǒng)，既能夠高效地將本文方法落實(shí)到工業(yè)指針式儀表識(shí)別中，同時(shí)也能達(dá)到非常高的識(shí)別率，可有效優(yōu)化工廠人員結(jié)構(gòu)，提高工廠工作效率，降低人工干預(yù)誤差。

1 復(fù)雜場(chǎng)景下圓形儀表智能識(shí)別系統(tǒng)

針對(duì)復(fù)雜場(chǎng)景下圓形指針式儀表的檢測(cè)與識(shí)別，本文提出一種基于預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型與圓形Hough 變換相結(jié)合的圓形儀表智能檢測(cè)和識(shí)別系統(tǒng)，該系統(tǒng)如圖1所示。

圖1 圓形指針式儀表智能檢測(cè)和識(shí)別系統(tǒng)示意圖Fig.1 Schemmatic diagram of intelligent detection and recognition system for circular pointer instrument

首先，通過(guò)攝像頭采集工業(yè)工廠中圓形指針式儀表的圖像，采用圓形Hough 變換方法確定多個(gè)圓形區(qū)域的圓心及半徑，根據(jù)圓心和半徑設(shè)置相應(yīng)的圓形掩膜，提取對(duì)應(yīng)圓形區(qū)域，實(shí)現(xiàn)對(duì)圓形區(qū)域的目標(biāo)檢測(cè)。然后，將該目標(biāo)檢測(cè)的圖像作為改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型的輸入?？紤]到遷移學(xué)習(xí)對(duì)網(wǎng)絡(luò)模型的優(yōu)勢(shì)，本文對(duì)預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型進(jìn)行修改，然后重新訓(xùn)練得到一個(gè)網(wǎng)絡(luò)模型，最后在測(cè)試數(shù)據(jù)集上進(jìn)行測(cè)試，對(duì)圓形指針式儀表進(jìn)行識(shí)別。圓形指針式儀表自動(dòng)檢測(cè)和識(shí)別系統(tǒng)的流程如圖2所示。

圖2 圓形指針式儀表自動(dòng)檢測(cè)和識(shí)別系統(tǒng)的流程Fig.2 Flowchart of automatic detection and identification system of circular pointer type instrumen

1.1 基于Hough變換的圓形區(qū)域檢測(cè)

計(jì)算機(jī)視覺(jué)任務(wù)中幾何圖形（如直線段、圓形、三角形、四邊形等）的識(shí)別是復(fù)雜場(chǎng)景圖像分析理解的基礎(chǔ)［16］，圓形是其中一個(gè)重要的研究領(lǐng)域，比如：醫(yī)學(xué)檢驗(yàn)中對(duì)胎兒小腦的檢測(cè)［17］、交通領(lǐng)域中對(duì)圓形交通標(biāo)記的識(shí)別［18］、人臉識(shí)別中對(duì)瞳孔與虹膜的定位、芯片制造業(yè)中光掩膜基板的定位等都需要識(shí)別圖像中的圓形目標(biāo)。比較典型的圓形類目標(biāo)檢測(cè)算法有幾何判斷法、目標(biāo)函數(shù)優(yōu)化法、模板匹配法和Hough 變換［19］。復(fù)雜場(chǎng)景內(nèi)采集的圖像樣本數(shù)據(jù)，往往受噪聲、遮擋、照明變化的影響較大，結(jié)合不同圓形類目標(biāo)檢測(cè)算法的利弊及實(shí)際運(yùn)用需求，本文選用圓形Hough 變換提取輸入圖像內(nèi)的所有圓形區(qū)域。

1.2 圓形指針式儀表目標(biāo)識(shí)別

1.2.1 深度分離卷積

深度分離卷積［20］是MobileNetV2 網(wǎng)絡(luò)模型中非常關(guān)鍵的一個(gè)結(jié)構(gòu)，該結(jié)構(gòu)利用分解卷積運(yùn)算符代替完整的卷積算子，因式分解將標(biāo)準(zhǔn)卷積分為兩個(gè)分卷積：第一層為深度卷積，對(duì)輸入數(shù)據(jù)的單通道進(jìn)行輕量級(jí)濾波；第二層為逐點(diǎn)卷積，計(jì)算輸入通道特性以構(gòu)建新特征向量。

標(biāo)準(zhǔn)卷積Li的輸入尺寸為hi×ωi×di，應(yīng)用標(biāo)準(zhǔn)卷積核K∈Rk×k×di×dj產(chǎn)生輸出Lj為hi×ωi×dj。

1）標(biāo)準(zhǔn)卷積的計(jì)算消耗為hi×ωi×di×dj×k×k。

2）拆分后深度分離卷積計(jì)算消耗為hi×ωi×di(k2+dj)。其中：hi×ωi×di為卷積輸入尺寸；k×k×di×dj中k×k為卷積核大?。籨j為卷積核的個(gè)數(shù)。

MobileNetV2 網(wǎng)絡(luò)模型中使用卷積核大小為3× 3 時(shí)，與標(biāo)準(zhǔn)卷積相比計(jì)算量減少為原來(lái)的1/9～1/8，但是精度上基本沒(méi)有什么損失。

1.2.2 反向殘差網(wǎng)絡(luò)

反向殘差網(wǎng)絡(luò)［21］結(jié)構(gòu)先通過(guò)擴(kuò)展層來(lái)擴(kuò)展維度，再用深度分離卷積提取特征，最后使用投影層來(lái)壓縮數(shù)據(jù)，讓網(wǎng)絡(luò)重新變小，整個(gè)網(wǎng)絡(luò)中間胖、兩頭窄，呈沙漏形狀，因此將這樣的結(jié)構(gòu)稱為反向殘差網(wǎng)絡(luò)。該網(wǎng)絡(luò)中的擴(kuò)展層，使用1×1 的網(wǎng)絡(luò)結(jié)構(gòu)，將低維空間映射到高維空間，而投影層也是使用1×1的網(wǎng)絡(luò)結(jié)構(gòu)將高維空間映射到低維空間。如果一個(gè)張量維度越低，卷積層的乘法計(jì)算量就越小，整個(gè)網(wǎng)絡(luò)的計(jì)算速度就會(huì)特別快，因此該網(wǎng)絡(luò)首先將特征張量輸入到擴(kuò)展層進(jìn)行特征提取，然后再將經(jīng)過(guò)深度分離卷積提取的特征通過(guò)投影層返回到原來(lái)的空間維度，同時(shí)添加殘差連接以有效利用不同位置之間的信息，具體的反向殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 反向殘差網(wǎng)絡(luò)Fig.3 Inverted residual network

1.2.3 基于MobileNetV2的遷移學(xué)習(xí)

遷移學(xué)習(xí)［22］是將某個(gè)領(lǐng)域或任務(wù)上學(xué)習(xí)到的知識(shí)或模式應(yīng)用到不同但相關(guān)的領(lǐng)域中，從相關(guān)領(lǐng)域中遷移標(biāo)注數(shù)據(jù)或知識(shí)結(jié)構(gòu)，完成或改進(jìn)目標(biāo)任務(wù)的學(xué)習(xí)效果。本文提出的圓形指針式儀表檢測(cè)和識(shí)別系統(tǒng)已基于ImageNet學(xué)習(xí)了豐富的特征表示，通過(guò)遷移學(xué)習(xí)無(wú)形中擴(kuò)充了訓(xùn)練數(shù)據(jù)，使得模型泛化能力更好。

MobileNetV2 是一種輕量型神經(jīng)網(wǎng)絡(luò)，本文系統(tǒng)在保留MobileNetV2 網(wǎng)絡(luò)模型中深度分離卷積和反向殘差網(wǎng)絡(luò)的同時(shí)，對(duì)該網(wǎng)絡(luò)模型進(jìn)行改造，刪減一些不必要的卷積層，并對(duì)最后的全連接層進(jìn)行調(diào)整，使得該網(wǎng)絡(luò)模型能夠適用于本文的研究任務(wù)，實(shí)現(xiàn)對(duì)圓形指針儀表的識(shí)別。該模型由于結(jié)構(gòu)的特殊性，網(wǎng)絡(luò)模型的參數(shù)大幅減少，計(jì)算復(fù)雜度大幅降低，因此能夠運(yùn)行在移動(dòng)端或嵌入式端，可以滿足工業(yè)對(duì)指針式儀表檢測(cè)和識(shí)別的需求。

2 實(shí)驗(yàn)與結(jié)果分析

本文首先通過(guò)圓形Hough 變換對(duì)圓形區(qū)域進(jìn)行目標(biāo)檢測(cè)，然后將檢測(cè)出來(lái)的圓形目標(biāo)利用本文提出的基于預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型進(jìn)行分類識(shí)別，判斷該圓形目標(biāo)是否為圓形指針式儀表。

2.1 基于圓形Hough變換的圓形區(qū)域檢測(cè)

首先，對(duì)輸入圖像按照一定比例進(jìn)行縮小，以減少Hough變換運(yùn)算量；然后，利用圓形Hough變換檢測(cè)到的圓形區(qū)域信息，結(jié)合線性變換關(guān)系，在原圖相應(yīng)位置構(gòu)造圓形掩模，檢測(cè)并提取對(duì)應(yīng)圓形區(qū)域。以圖4 為例：先利用圓形Hough 變換檢測(cè)圖4（a）中的所有圓形區(qū)域，并提取所有圓形區(qū)域的半徑與圓心坐標(biāo)參數(shù)，如表1所示；再根據(jù)表1信息構(gòu)造圓形掩模，提取對(duì)應(yīng)圓形區(qū)域，結(jié)果如圖4（b）～（d）所示。

表1 輸入圖像內(nèi)圓形區(qū)域的圓心及半徑Tab.1 Radii and centers of circular areas in input image

圖4 圓形Hough變換結(jié)果Fig.4 Results of circular Hough transform

2.2 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)數(shù)據(jù)是從工廠采集的圓形指針式儀表圖像，通過(guò)圓形Hough變換檢測(cè)到的圓形區(qū)域構(gòu)建數(shù)據(jù)集。該數(shù)據(jù)集含1 030 個(gè)圓形指針式儀表以及1 303 個(gè)圓形圖像但是不屬于圓形指針式儀表，以圖5所示圖像為例。

本文將采集的數(shù)據(jù)按照8∶1∶1 的比例隨機(jī)劃分為訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集和評(píng)估數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集中圓形指針式儀表的個(gè)數(shù)為824，非圓形指針式儀表的個(gè)數(shù)為1 042，用于訓(xùn)練改進(jìn)預(yù)訓(xùn)練MobileNetV2模型；測(cè)試數(shù)據(jù)集和評(píng)估數(shù)據(jù)集中圓形指針式儀表的個(gè)數(shù)分別為103和103，非圓形指針式儀表的個(gè)數(shù)分別為130 和131。其中，測(cè)試集用于測(cè)試該模型性能；評(píng)估數(shù)據(jù)集用于預(yù)測(cè)某一個(gè)圖像是否是圓形指針式儀表，以評(píng)估該模型的泛化能力。具體的數(shù)據(jù)分布如表2所示。

表2 數(shù)據(jù)集分布Tab.2 Dataset distribution

在圖像目標(biāo)識(shí)別與分割任務(wù)中，混淆矩陣［23］是最常用的評(píng)價(jià)指標(biāo)之一，可反映數(shù)據(jù)的真實(shí)類別和預(yù)測(cè)類別的數(shù)量分布，如表3所示。表3中：TP為真陽(yáng)性（True Positive）、FP為假陽(yáng)性（False Positive）、FN為假陰性（False Negative）、TN為真陰性（True Negative）。

表3 混淆矩陣Tab.3 Confusion matrix

本文實(shí)驗(yàn)樣本取自實(shí)際的工業(yè)場(chǎng)景，樣本采集成本較高導(dǎo)致樣本數(shù)量較少，且樣本類別存在不均衡性。單一取樣劃分?jǐn)?shù)據(jù)集只能代表當(dāng)次局部數(shù)據(jù)的實(shí)驗(yàn)結(jié)果，因此本文分別進(jìn)行9次隨機(jī)取樣構(gòu)建9個(gè)由不同樣本數(shù)據(jù)構(gòu)成的數(shù)據(jù)集，在已訓(xùn)練好的模型上進(jìn)行測(cè)試，得到針對(duì)9 個(gè)不同樣本數(shù)據(jù)集的混淆矩陣，最后將9 個(gè)混淆矩陣加權(quán)取平均得到平均混淆矩陣，以客觀反映網(wǎng)絡(luò)模型的泛化能力。

圖5 圓形指針式儀表數(shù)據(jù)和非指針式儀表數(shù)據(jù)Fig.5 Circular pointer instrument data and circular non-pointer instrument data

2.3 基于改進(jìn)MobileNetV2網(wǎng)絡(luò)模型的圓形指針式儀表識(shí)別

圖6 為基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型的圓形指針式儀表識(shí)別實(shí)驗(yàn)結(jié)果。從圖6 中可以看出，該模型在圓形指針式儀表識(shí)別任務(wù)中收斂較快，在訓(xùn)練和測(cè)試階段均能夠獲得較高的識(shí)別率，尤其在測(cè)試數(shù)據(jù)集上當(dāng)訓(xùn)練的epoch 達(dá)到40 時(shí)，基本可以100%識(shí)別出該圖像是否屬于圓形指針式儀表。在模型訓(xùn)練階段，訓(xùn)練損失值和準(zhǔn)確率曲線存在一定的抖動(dòng)，但識(shí)別率保持在98.8%～100%。通過(guò)觀察測(cè)試數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，已訓(xùn)練好的網(wǎng)絡(luò)模型能夠非?？斓厥諗浚诘?0個(gè)epoch 時(shí)就已經(jīng)完全收斂，圓形指針式儀表的識(shí)別率可以達(dá)到100%。

最后對(duì)評(píng)估數(shù)據(jù)集內(nèi)的圖片進(jìn)行預(yù)測(cè)，對(duì)比預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽，其中實(shí)際標(biāo)簽已知，進(jìn)而衡量該模型的泛化能力。評(píng)估數(shù)據(jù)集在已訓(xùn)練好的改進(jìn)MobileNetV2 網(wǎng)絡(luò)模型上的混淆矩陣如圖7所示。

從圖7 可以清晰地發(fā)現(xiàn)，該模型能夠非常好地?cái)M合評(píng)估數(shù)據(jù)集中的數(shù)據(jù)，可以將圓形指針式儀表和其他圓形圖形完全區(qū)分開(kāi)，但是由于每一次進(jìn)行實(shí)驗(yàn)都會(huì)隨機(jī)按照8∶1∶1 的比例劃分?jǐn)?shù)據(jù)集，某一次實(shí)驗(yàn)的評(píng)估數(shù)據(jù)只能代表局部數(shù)據(jù)的實(shí)驗(yàn)結(jié)果，不能反映所有待評(píng)估圖片數(shù)據(jù)，因此本文在已訓(xùn)練好模型的基礎(chǔ)上，隨機(jī)劃分?jǐn)?shù)據(jù)集對(duì)評(píng)估數(shù)據(jù)集進(jìn)行9 次實(shí)驗(yàn)，得到9個(gè)評(píng)估數(shù)據(jù)集的混淆矩陣，結(jié)果如圖8所示。

圖6 基于預(yù)訓(xùn)練改進(jìn)MobileNetV2網(wǎng)絡(luò)模型的實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of improved pre-trained MobileNetV2 network model

圖7 評(píng)估數(shù)據(jù)集的混淆矩陣Fig.7 Confusion matrix of evaluation dataset

從圖8（a）、（b）、（e）、（f）、（g）中可以看到，其中有一個(gè)圓形指針式儀表的圖像被誤判為非圓形指針式儀表的圖像。通過(guò)觀察被誤判為非圓形指針的圖像，發(fā)現(xiàn)該圖像存在模糊，可能是由于采集數(shù)據(jù)時(shí)設(shè)備抖動(dòng)造成采集的數(shù)據(jù)存在模糊，造成本次識(shí)別任務(wù)發(fā)生誤判。模糊圓形指針式儀表圖像和正常圓形指針式儀表圖像如圖9 所示。為客觀反映所提模型的性能優(yōu)劣，本文提出平均混淆矩陣概念，將9 次實(shí)驗(yàn)得到的9 個(gè)混淆矩陣?yán)奂尤∑骄玫狡骄煜仃?，降低?shí)驗(yàn)評(píng)估數(shù)據(jù)集隨機(jī)劃分帶來(lái)的誤差，平均混淆矩陣如圖10所示。

通過(guò)平均混淆矩陣得到TP=103，F(xiàn)P=0，F(xiàn)N=0.56，TN=130.44。同時(shí)計(jì)算了基于改進(jìn)MobileNetV2 網(wǎng)絡(luò)模型的圓形指針式儀表識(shí)別任務(wù)下的準(zhǔn)確率Acc（Accuracy）、精準(zhǔn)率P（Precision）、召回率R（Recall）和F1（F1-Score）指標(biāo)，計(jì)算結(jié)果如下：

精準(zhǔn)率和召回率是二分類任務(wù)中重要的兩個(gè)度量標(biāo)準(zhǔn)，F(xiàn)1-Score 值表示精準(zhǔn)率和召回率的調(diào)和平均，三者均可評(píng)估該模型的識(shí)別性能?？梢钥闯觯夯诟倪M(jìn)MobileNetV2網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中的準(zhǔn)確率可以達(dá)到99.76%。

圖8 隨機(jī)9次實(shí)驗(yàn)中評(píng)估數(shù)據(jù)集的混淆矩陣Fig.8 Confusion matrices of evaluation dataset in 9 random experiments

圖9 數(shù)據(jù)集中模糊圓形指針式儀表和正常圓形指針式儀表Fig.9 Fuzzy circular pointer instrument and normal circular pointer instrument in dataset

圖10 平均混淆矩陣Fig.10 Average confusion matrix

2.4 性能分析

本文分析了6 種不同網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中的識(shí)別率（Accuracy，Acc）、模型參數(shù)量（Parameters）、模型計(jì)算量（MAdd），結(jié)果如表4所示。

通過(guò)對(duì)比發(fā)現(xiàn)，這些模型很難同時(shí)實(shí)現(xiàn)較高的識(shí)別率、較少的模型參數(shù)量和較小的模型計(jì)算量，識(shí)別率往往與復(fù)雜度及計(jì)算量成正比。通過(guò)對(duì)比表4 中六種不同模型的指標(biāo)可知，從識(shí)別的準(zhǔn)確率上來(lái)看ResNet50 模型和MobileNetV2 模型可100%識(shí)別出圓形指針式儀表，但是ResNet50 模型的參數(shù)量（Parameters）和模型計(jì)算量（MAdd）分別為23.51× 106和8 215.55× 106，而MobileNetV2 模型的參數(shù)量（Parameters）和模型計(jì)算量（MAdd）分別為2.23× 106和624.134 × 106。MobileNetV2模型的參數(shù)和模型計(jì)算量遠(yuǎn)低于ResNet50模型，因此Mobilenetvv2 網(wǎng)絡(luò)模型訓(xùn)練的速度遠(yuǎn)快于ResNet50 網(wǎng)絡(luò)模型，更便于部署在移動(dòng)端或嵌入式設(shè)備中，實(shí)現(xiàn)工業(yè)級(jí)圓形指針式儀表檢測(cè)和識(shí)別。

表4 六種不同網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中的性能Tab.4 Performance of six different network models in circular pointer instrument recognition task

如果僅從模型的參數(shù)量和模型計(jì)算量的角度來(lái)看，ShuffleNet網(wǎng)絡(luò)模型的模型參數(shù)量和模型計(jì)算量分別為1.26 ×106和295.71× 106，相較于MobileNetV2 模型的參數(shù)量和模型計(jì)算量更低，但是也帶來(lái)了識(shí)別率的下降，ShuffleNet 網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別的任務(wù)中識(shí)別率只能達(dá)到99.16%。因此在圓形指針式儀表識(shí)別的任務(wù)中，本文提出的改進(jìn)MobileNetV2 網(wǎng)絡(luò)模型在工業(yè)級(jí)圓形指針式儀表識(shí)別任務(wù)中既能以較少的參數(shù)和模型計(jì)算量訓(xùn)練出該模型，又能出色完成指針式儀表識(shí)別任務(wù)。

為了驗(yàn)證本文提出的基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型在工業(yè)級(jí)圓形指針式儀表識(shí)別任務(wù)中的優(yōu)勢(shì)，對(duì)比了改進(jìn)預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型和未預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型之間的差異，結(jié)果如圖11所示。

圖11 預(yù)訓(xùn)練和未預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型性能對(duì)比Fig.11 Performance comparison of MobileNetV2 network models with or without pre-training

遷移學(xué)習(xí)能夠解決由于自身數(shù)據(jù)集的數(shù)量偏少而帶來(lái)的性能上的弊端，通過(guò)加載預(yù)訓(xùn)練模型將已訓(xùn)練好模型的權(quán)重遷移到自己的網(wǎng)絡(luò)模型中。本文提出的改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型就是基于ImageNet 數(shù)據(jù)集上的預(yù)訓(xùn)練模型。

基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中可以100% 識(shí)別出儀表，而未預(yù)訓(xùn)練的MobileNetV2 網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中只能達(dá)到99.61%。經(jīng)對(duì)比可發(fā)現(xiàn)，除了ResNet50 網(wǎng)絡(luò)模型外，基于改進(jìn)未預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型的識(shí)別率依然比其他4種網(wǎng)絡(luò)模型更高，進(jìn)一步驗(yàn)證了本文提出的基于改進(jìn)MobileNetV2 網(wǎng)絡(luò)模型在工業(yè)級(jí)圓形指針儀表識(shí)別任務(wù)中的性能較優(yōu)。

從圖11 中還可以看出，基于預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型在測(cè)試階段的初始識(shí)別率可以達(dá)到99.5%，性能與未預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型收斂時(shí)的識(shí)別率相近。同時(shí)基于預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型收斂速度明顯要比未預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型快，預(yù)訓(xùn)練模型在第30 個(gè)epoch 時(shí)就基本已經(jīng)收斂了，而未預(yù)訓(xùn)練模型在第40 個(gè)epoch 時(shí)才剛開(kāi)始收斂，且模型的識(shí)別率存在小幅度的跳變。

3 結(jié)語(yǔ)

本文提出了一種基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型與圓形Hough變換相結(jié)合的圓形指針式儀表智能檢測(cè)和識(shí)別系統(tǒng)，旨在工業(yè)環(huán)境中運(yùn)用深度學(xué)習(xí)算法解決指針式儀表識(shí)別參數(shù)量大、計(jì)算量大、檢測(cè)精度較低的問(wèn)題?？紤]到圓形指針式儀表的外觀是圓形區(qū)域特征，引用圓形Hough 變換能夠排除待檢測(cè)圖像中的非圓形區(qū)域干擾，然后基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型對(duì)圓形儀表進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明該系統(tǒng)在工業(yè)級(jí)圓形指針式儀表識(shí)別任務(wù)中表現(xiàn)較優(yōu)，在保證高準(zhǔn)確率的前提下，同時(shí)擁有較低的模型參數(shù)量和模型計(jì)算量，本文所提系統(tǒng)可為輕量級(jí)嵌入式終端提供決策參考。在后續(xù)的工作中，可針對(duì)攝像頭抖動(dòng)及如何將該模型部署到移動(dòng)端或嵌入式設(shè)備中的問(wèn)題，進(jìn)行進(jìn)一步的探討與優(yōu)化。