王欣然,張 斌*,湛 敏,趙成龍

(1.中國(guó)計(jì)量大學(xué) 計(jì)量測(cè)試工程學(xué)院,浙江 杭州 310018;2.杭州萊霆科技有限公司,浙江 杭州 310009)

0 引 言

隨著現(xiàn)代工業(yè)的迅猛發(fā)展,工業(yè)儀表[1]被廣泛應(yīng)用于各類(lèi)工業(yè)場(chǎng)景中。設(shè)備若要平穩(wěn)運(yùn)行,則需要采用大量的儀表對(duì)設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

傳統(tǒng)的巡檢方式主要依靠人工排查、記錄儀表當(dāng)前情況,但由于設(shè)備分布在不同區(qū)域且儀表種類(lèi)不一,如再遇到雨雪或大風(fēng)等不佳環(huán)境情況的干擾,易發(fā)生誤檢、漏檢。故傳統(tǒng)的檢測(cè)方法已經(jīng)不能滿(mǎn)足現(xiàn)代工業(yè)中自動(dòng)化、智能化的需求。

目前,國(guó)內(nèi)外已有眾多學(xué)者針對(duì)目標(biāo)檢測(cè)算法[2]進(jìn)行了研究。宋冬梅[3]提出了基于機(jī)器視覺(jué)的指針式儀表檢測(cè)模型,采用優(yōu)化后的YOLO v3檢測(cè)方法,提高了指針儀表的檢測(cè)精度;但當(dāng)單張圖片存在多個(gè)儀表進(jìn)行同時(shí)檢測(cè)時(shí),上述算法存在漏檢問(wèn)題。趙麟坤等人[4]提出了改進(jìn)的Faster RCNN碳纖維編織物缺陷檢測(cè)算法模型,采用ResNet 50作為特征提取網(wǎng)絡(luò)的方法,解決了小缺陷特征圖在卷積操作中的失真問(wèn)題;但缺陷檢測(cè)速度較原模型并沒(méi)有很大提升。楊彬等人[5]提出了改進(jìn)Mask RCNN的焊縫缺陷檢測(cè)模型,對(duì)模型中的殘差網(wǎng)絡(luò)最后階段進(jìn)行了變形卷積,使其充分提取到了不同的缺陷信息以防止細(xì)節(jié)的丟失;但其忽略了目標(biāo)檢測(cè)的實(shí)時(shí)性。張彥凱等人[6]提出了一種高精度優(yōu)化Faster RCNN變電站安全帽檢測(cè)方法,采用雙線(xiàn)性插值的區(qū)域特征聚集方式(region of interest align,ROI Align)代替原始的興趣區(qū)域池化(region of interest pooling,ROI Pooling)的方法,避免了量化操作引起的像素誤差;但該方法在針對(duì)復(fù)雜場(chǎng)景中存在著遮擋、重疊情況,仍存在檢測(cè)精度低的問(wèn)題。

研究人員雖然已經(jīng)在目標(biāo)檢測(cè)算法上進(jìn)行了有效改進(jìn),但是在復(fù)雜環(huán)境中,多目標(biāo)檢測(cè)的精度與效率方面仍然不高。

針對(duì)上述問(wèn)題,筆者在Faster RCNN模型的基礎(chǔ)上,提出一種基于改進(jìn)Faster RCNN的儀表自動(dòng)識(shí)別方法:使用ResNet101代替VGG16特征提取網(wǎng)絡(luò),改進(jìn)特征金字塔模塊,采用注意力機(jī)制與Softer-MNS非極大值抑制算法,簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu),融合高層語(yǔ)義信息,以獲得識(shí)別效果更佳的圖像。

1 Faster-RCNN模型結(jié)構(gòu)

基于卷積神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)檢測(cè)模型可以分為基于單個(gè)神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)系統(tǒng)(you only look once,YOLO)、單次多邊框檢測(cè)(single shot multi-box detector,SSD)、單階段目標(biāo)檢測(cè)等[7-9]一階段檢測(cè)算法和RCNN、Fast RCNN等[10-12]二階段目標(biāo)檢測(cè)算法。Faster RCNN屬于二階段目標(biāo)檢測(cè)。

Faster RCNN模型基本結(jié)構(gòu)如圖1所示。

圖1 Faster RCNN結(jié)構(gòu)圖

Faster RCNN主要是由特征提取網(wǎng)絡(luò)、候選框建議網(wǎng)絡(luò)(region proposal networks,RPN)和檢測(cè)網(wǎng)絡(luò)三個(gè)主要部分組成。其中,特征提取網(wǎng)絡(luò)為VGG16;RPN生成候選框,其核心為錨框機(jī)制;檢測(cè)網(wǎng)絡(luò)由統(tǒng)一大小特征向量的ROI Pooling層、分類(lèi)層中的全連接層和回歸層中的全連接層組成。

首先,筆者將數(shù)據(jù)集中的輸入圖像在預(yù)處理階段進(jìn)行歸一化操作,然后將圖像輸入特征提取網(wǎng)絡(luò)中進(jìn)行提取,提取到圖像特征,得到共享特征圖,將共享特征圖傳入RPN層與ROI Pooling層繼續(xù)使用。

候選框建議網(wǎng)絡(luò)將獲取的圖像作為輸入,生成候選矩形區(qū)域。錨框的作用是覆蓋圖像上各個(gè)位置各種大小的目標(biāo),經(jīng)過(guò)卷積處理完成分類(lèi)與回歸后生成建議框。

筆者將候選框尺寸映射到特征圖上,在ROI Pooling層進(jìn)行池化處理并輸出,得到局部特征層后,采用全連接層進(jìn)行回歸預(yù)測(cè)與分類(lèi)預(yù)測(cè)。

2 改進(jìn)Faster-RCNN儀表目標(biāo)識(shí)別

Faster-RCNN算法是一種基于卷積神經(jīng)網(wǎng)絡(luò)的更快速且更準(zhǔn)確的目標(biāo)檢測(cè)算法,但是當(dāng)圖像中包含重要的小目標(biāo)和低質(zhì)量圖像時(shí),存在識(shí)別精度低、檢測(cè)效果差等問(wèn)題。針對(duì)上述問(wèn)題,筆者對(duì)Faster RCNN模型算法做以下四點(diǎn)改進(jìn):

1)為了解決VGG16網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、存儲(chǔ)容量大、信息傳遞時(shí)出現(xiàn)信息丟失或損耗等問(wèn)題,引入了Resnet101網(wǎng)絡(luò)代替VGG16網(wǎng)絡(luò);

2)為了將不同尺度的特征進(jìn)行融合,更好地提取多尺度的特征信息,引入了特征金字塔網(wǎng)絡(luò),并進(jìn)行改進(jìn);

3)為了抑制模型對(duì)背景和冗余信息的關(guān)注,提高模型對(duì)小目標(biāo)的識(shí)別精度與效率,增強(qiáng)網(wǎng)絡(luò)提取特征能力,引入了注意力機(jī)制;

4)為了提高定位框的定位精度,減少候選區(qū)域的重疊性,使結(jié)果得到更好地回歸,引入了Softer-MNS算法。

改進(jìn)后Faster RCNN結(jié)構(gòu)圖如圖2所示。

圖2 改進(jìn)后Faster RCNN結(jié)構(gòu)圖

2.1 使用Resnet101殘差網(wǎng)絡(luò)

在深度學(xué)習(xí)的網(wǎng)絡(luò)中,隨著網(wǎng)絡(luò)層次的深入,每一個(gè)特征無(wú)論大小都會(huì)經(jīng)過(guò)非線(xiàn)性的變換,然后被轉(zhuǎn)換成具有表征能力的深度特征。其中,2016年被HE Kai-ming等人[13]提出的殘差網(wǎng)絡(luò)推動(dòng)了深層模型的發(fā)展,大大提升了模型的檢測(cè)效果。

相比于VGG16,ResNet101擁有運(yùn)算量更小、準(zhǔn)確性更高的優(yōu)點(diǎn),ResNet101網(wǎng)絡(luò)具有更強(qiáng)的表示能力,ResNet101網(wǎng)絡(luò)的深度可以達(dá)到上百層或更深。改進(jìn)后的ResNet101網(wǎng)絡(luò)中,將第4個(gè)卷積層(convolu-tional layer 4,Conv Layer4)的輸出作為RPN層和ROI Pooling層共享,ROI Pooling層池化后將特征圖再傳入第5個(gè)卷積層(convolutional layer 5,Conv Layer5)處理輸出,將其用于分類(lèi)和回歸。

2.2 改進(jìn)FPN特征金字塔網(wǎng)絡(luò)

網(wǎng)絡(luò)提取特征下,對(duì)語(yǔ)義的提取會(huì)直接影響到后面的檢測(cè)效果。FPN[14]利用卷積神經(jīng)網(wǎng)絡(luò)模型提取圖片中各維度特征,解決目標(biāo)檢測(cè)中多尺度的問(wèn)題。FPN輸出傳入圖像后,進(jìn)行2倍上采樣,再經(jīng)過(guò)卷積,消除上采樣中帶來(lái)的混疊效應(yīng),得到特征圖。

筆者在FPN網(wǎng)絡(luò)上進(jìn)行了改進(jìn),引入遞歸特征金字塔(recursive feature pyramid,RFP)網(wǎng)絡(luò)。RFP建立在特征金字塔網(wǎng)絡(luò)上,通過(guò)遞歸結(jié)構(gòu)展開(kāi)為順序?qū)崿F(xiàn)。

實(shí)現(xiàn)RFP的過(guò)程相當(dāng)于輸出兩次FPN過(guò)程:首先按順序展開(kāi)的反饋鏈接,并將第一次FPN各層輸出的特征傳入空洞空間金字塔進(jìn)行池化與輸出;然后將其與主干網(wǎng)絡(luò)的各層進(jìn)行鏈接,最終將兩次FPN結(jié)果融合輸出。

RFP結(jié)構(gòu)圖如圖3所示。

圖3 RFP結(jié)構(gòu)圖

輸出的特征圖是經(jīng)過(guò)空洞空間金字塔池化(atrous spatial pyramid pooling,ASPP)操作完成。

ASPP結(jié)構(gòu)圖如圖4所示。

圖4 ASPP結(jié)構(gòu)圖

筆者將第一次FPN提取的特征圖作為其輸入,共有4條并行分支對(duì)輸入進(jìn)行擴(kuò)展。其中針對(duì)三條分支使用卷積層與激活函數(shù)(ReLU),所輸出的通道數(shù)均為輸入通道數(shù)的1/4;針對(duì)第4條分支使用全局平均池化層壓縮特征,使用卷積層和ReLU函數(shù)將壓縮后的特征轉(zhuǎn)換為1/4;最后,將由四條分支得到的特征圖進(jìn)行連接,并生成尺寸相同的特征圖以進(jìn)行輸出。

2.3 引入注意力機(jī)制

當(dāng)Faster RCNN模型中的特征圖權(quán)重相同時(shí),將導(dǎo)致背景與目標(biāo)運(yùn)算分配不均,故筆者利用嵌入壓縮和激勵(lì)網(wǎng)絡(luò)(squeeze-and-excitation networks,SENet)模塊,以增強(qiáng)Faster RCNN模型對(duì)目標(biāo)的運(yùn)算能力和對(duì)特征的表達(dá)能力,排除干擾,提高準(zhǔn)確率。

SENet模塊[15]采用學(xué)習(xí)通道特征的方式,增強(qiáng)對(duì)特征圖的分類(lèi),提取特征信息。權(quán)重s表示如下:

s=σ(W2δ(W1z))

(1)

式中:σ(*)為Sigmoid函數(shù);δ(*)為ReLU函數(shù);z為壓縮操作輸出向量;W1,W2為全連接操作權(quán)重矩陣。

筆者采用在空間維度壓縮輸入特征圖的方式,得到特征信息以及全局的描述,對(duì)壓縮后的特征圖進(jìn)行全局平均池化,得到全局統(tǒng)計(jì)值;通過(guò)激勵(lì)關(guān)系中兩個(gè)全連接層來(lái)降低模型的復(fù)雜度,還原維度向量,使用ReLU函數(shù)完成非線(xiàn)性變換,使用Sigmoid函數(shù)還原得到的維度向量,并進(jìn)行歸一化操作;將所得到各通道的權(quán)重s轉(zhuǎn)換到[0,1]范圍間,并將其與最初輸入的特征相乘后得到最后結(jié)果。

2.4 引入Softer-NMS非極大值抑制算法

在Faster RCNN模型中,需要對(duì)候選框與錨框進(jìn)行篩選,常使用NMS算法[16]。該算法通過(guò)在候選框中選出一個(gè)置信度最高,且對(duì)目標(biāo)物體來(lái)說(shuō)最準(zhǔn)確的包圍框而得以實(shí)現(xiàn),但當(dāng)物體發(fā)生重疊時(shí),易發(fā)生漏檢。

后又有Soft-NMS算法[17]代替NMS。

Soft-NMS表示如下:

(2)

式中:Si為第i個(gè)預(yù)測(cè)框?qū)?yīng)的得分;M為最高得分的候選框;bi為待檢預(yù)測(cè)框;Ni為預(yù)設(shè)閾值;IoU為M與bi的交并比;σ為懲罰項(xiàng)系數(shù)。

Soft-NMS是一種連續(xù)函數(shù),解決了目標(biāo)重疊的問(wèn)題。其利用邊框得分和IoU交并比,重新評(píng)定邊框得分,當(dāng)IoU交并比大于所設(shè)定的閾值時(shí),降低邊框得分,但仍存在定位精度不高的問(wèn)題。

故筆者通過(guò)引入Softer-NMS非極大值抑制算法[18]來(lái)提高單個(gè)框的定位精度。

Softer-NMS通過(guò)高斯加權(quán)衰減降低置信度,以及對(duì)候選框進(jìn)行加權(quán)平均優(yōu)化計(jì)算,確定目標(biāo)候選框的位置。

Softer-NMS結(jié)構(gòu)圖如圖5所示。

圖5 Softer-NMS結(jié)構(gòu)圖

首先,筆者需要分別對(duì)目標(biāo)檢測(cè)中產(chǎn)生的候選框與人工標(biāo)注的真實(shí)框進(jìn)行高斯分布函數(shù)構(gòu)建與狄拉克函數(shù)構(gòu)建;然后,利用相對(duì)熵(Kullback-Leibler diverg-ence,KL Divergence)進(jìn)行網(wǎng)格訓(xùn)練;最后,利用Soft-NMS方法中所產(chǎn)生的不確定網(wǎng)絡(luò)預(yù)測(cè)的標(biāo)準(zhǔn)差,對(duì)候選框進(jìn)行加權(quán)平均。

回歸分支比傳統(tǒng)結(jié)構(gòu)預(yù)測(cè)類(lèi)別的class分支和預(yù)測(cè)坐標(biāo)回歸參數(shù)的Box分支多一個(gè)Box std分支。該分支用于預(yù)測(cè)每個(gè)候選框坐標(biāo)的標(biāo)準(zhǔn)差,根據(jù)標(biāo)準(zhǔn)差的大小進(jìn)一步預(yù)測(cè)候選框坐標(biāo)的準(zhǔn)確度。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集簡(jiǎn)介與預(yù)處理

為了增加對(duì)數(shù)據(jù)集場(chǎng)景中小目標(biāo)的占比,數(shù)據(jù)集中使用了Mosaic數(shù)據(jù)增強(qiáng)[19]技術(shù),采用隨機(jī)縮放、隨機(jī)剪裁、隨機(jī)翻轉(zhuǎn)以及隨機(jī)排布等方式,可將現(xiàn)有數(shù)據(jù)集中的任意四張圖片拼接成為一張新的樣本圖像。

Mosaic數(shù)據(jù)增強(qiáng)結(jié)構(gòu)圖如圖6所示。

圖6 Mosaic數(shù)據(jù)增強(qiáng)結(jié)構(gòu)圖

筆者采用Mosaic數(shù)據(jù)增強(qiáng)技術(shù)填充數(shù)據(jù)集,得到了更加豐富的數(shù)據(jù)集,增加了樣本場(chǎng)景中的小目標(biāo)圖像的數(shù)量,增強(qiáng)了其對(duì)小目標(biāo)的檢測(cè)能力以及訓(xùn)練模型的魯棒性。

此處使用的儀表圖像數(shù)據(jù)來(lái)自于VOC 2007數(shù)據(jù)集,經(jīng)過(guò)Mosaic數(shù)據(jù)增強(qiáng)處理后,最終得到了3 650張樣本圖像,大小均為640×480。

筆者將圖片進(jìn)行統(tǒng)一命名;進(jìn)行訓(xùn)練時(shí),將數(shù)據(jù)集的80%作為訓(xùn)練集,20%作為驗(yàn)證集;使用開(kāi)源標(biāo)注工具Labeling對(duì)每張圖片進(jìn)行標(biāo)注,并生成.XML文件。

3.2 實(shí)驗(yàn)環(huán)境與訓(xùn)練策略

實(shí)驗(yàn)環(huán)境配置如表1所示。

表1 實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)裝置平臺(tái)示意圖如圖7所示。

圖7 實(shí)驗(yàn)裝置平臺(tái)示意圖

訓(xùn)練的參數(shù)設(shè)置如下:每次向神經(jīng)網(wǎng)絡(luò)喂入批次為32的數(shù)據(jù),迭代次數(shù)為12 000次,最大學(xué)習(xí)率設(shè)為0.001,權(quán)重衰減系數(shù)為0.000 2。

3.3 評(píng)價(jià)指標(biāo)

為了更好地衡量該改進(jìn)Faster RCNN儀表檢測(cè)算法的性能,筆者采用精確率(precision,P)、召回率(recall,R)、平均準(zhǔn)確率均值(mean average precision,mAP)和目標(biāo)識(shí)別速率作為該次實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)。

精確率P、召回率R表示如下:

(3)

(4)

式中:TP為圖像中正確檢測(cè)出來(lái)的儀表盤(pán)數(shù)量;FP為圖像中錯(cuò)誤檢測(cè)到的儀表盤(pán);FN為圖像中沒(méi)有檢測(cè)出的儀表盤(pán)數(shù)量。

平均準(zhǔn)確率(average precision,AP)是P-R曲線(xiàn)與坐標(biāo)軸所圍成的面積,表示如下:

(5)

平均準(zhǔn)確率均值(mAP)是所有類(lèi)別的AP值求平均后所得到的均值?？紤]精確率和召回率對(duì)模型的平均,筆者采用mAP來(lái)評(píng)價(jià)模型優(yōu)劣,表示如下:

(6)

3.4 實(shí)驗(yàn)結(jié)果與分析

3.4.1 改進(jìn)主干網(wǎng)絡(luò)的實(shí)驗(yàn)分析

首先,在實(shí)驗(yàn)1中,筆者在不改動(dòng)Faster RCNN原有模型結(jié)構(gòu)其他部分的基礎(chǔ)上,對(duì)Faster RCNN的主干網(wǎng)絡(luò)檢測(cè)效果進(jìn)行對(duì)比。筆者分別提取VGG16、Resnet50、ResNet101三種特征提取網(wǎng)絡(luò),進(jìn)行實(shí)驗(yàn)對(duì)比。

實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同特征提取網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)

由表2對(duì)比可知:對(duì)比三種特征提取網(wǎng)絡(luò),ResNet101的召回率與準(zhǔn)確率為90.2%和91.1%,單張檢測(cè)時(shí)間為41 ms,與VGG16相比,召回率和準(zhǔn)確率分別提高了2.1%和1.4%;與ResNet50相比,召回率和準(zhǔn)確率分別提高了1.3%和0.9%。

由此也表明,ResNet101網(wǎng)絡(luò)對(duì)特征的提取優(yōu)于VGG16和ResNet50兩種主干網(wǎng)絡(luò)對(duì)特征的提取。

3.4.2 消融實(shí)驗(yàn)

然后,在實(shí)驗(yàn)2中,筆者針對(duì)該儀表自動(dòng)識(shí)別改進(jìn)方案的有效性,設(shè)計(jì)消融實(shí)驗(yàn)進(jìn)行驗(yàn)證,即以原始Faster RCNN算法模型(原模型)為基礎(chǔ),分別增加一種改進(jìn)方法進(jìn)行對(duì)照實(shí)驗(yàn),以驗(yàn)證改進(jìn)方法對(duì)各模型的改進(jìn)效果[20-21]。

消融實(shí)驗(yàn)在筆者所提供的數(shù)據(jù)集上進(jìn)行。原模型算法在數(shù)據(jù)集上的消融實(shí)驗(yàn)結(jié)果如表3所示。

表3 不同模型算法在數(shù)據(jù)集上的消融實(shí)驗(yàn)結(jié)果

分析表3可知:改進(jìn)1使用ResNet101主干網(wǎng)絡(luò),使該算法準(zhǔn)確率提高了1.4%,mAP提高了1.2%;改進(jìn)2在改進(jìn)1的基礎(chǔ)上使用了改進(jìn)后的FPN,使其能夠重復(fù)應(yīng)用主干網(wǎng)絡(luò)特征提取能力,迭代融合輸出特征圖,故算法準(zhǔn)確率較改進(jìn)1提高了1.2%,mAP提高了1.1%;改進(jìn)3引入了注意力機(jī)制SENet模塊,其能夠增強(qiáng)該模型對(duì)目標(biāo)的運(yùn)算能力,較改進(jìn)2的算法準(zhǔn)確率提高了0.4%,mAP提高了0.5%;改進(jìn)4在候選框篩選過(guò)程中將NMS改進(jìn)為Softer-NMS算法,采用對(duì)候選框進(jìn)行加權(quán)平均計(jì)算的方式來(lái)確定目標(biāo)候選框的位置,使算法準(zhǔn)確率較改進(jìn)3提高了0.8%,mAP提高了0.9%。

綜合改進(jìn)2～改進(jìn)4,基于ResNet101主干網(wǎng)絡(luò)的改進(jìn)準(zhǔn)確率提高了2.4%,mAP提高了2.5%,較原Faster RCNN模型的mAP共提高了3.7%。

3.4.3 不同模型的實(shí)驗(yàn)分析

最后,通過(guò)實(shí)驗(yàn)3,筆者驗(yàn)證了改進(jìn)后的Faster RCNN算法模型的有效性。

筆者選擇SSD算法、YOLO v5算法、Mask RCNN算法、Faster RCNN算法、文獻(xiàn)[4]提供的改進(jìn)算法模型與改進(jìn)后的Faster RCNN算法模型,采用相同的數(shù)據(jù)集與訓(xùn)練方法,將準(zhǔn)確率與mAP值作為評(píng)估對(duì)比指標(biāo),進(jìn)行實(shí)驗(yàn)對(duì)比,驗(yàn)證該方法的性能。

不同模型的實(shí)驗(yàn)結(jié)果如表4所示。

表4 不同模型實(shí)驗(yàn)結(jié)果

由表4可知:SSD算法的準(zhǔn)確率與mAP值最低,Faster RCNN原算法的準(zhǔn)確率與mAP值高于YOLOv5模型,但低于Mask RCNN算法;對(duì)比文獻(xiàn)[4]中的算法可知,文獻(xiàn)[4]中算法結(jié)果雖然優(yōu)于Faster RCNN原算法,但其準(zhǔn)確率與mAP值仍低于改進(jìn)后的Faster RCNN模型。

故從總體來(lái)看,改進(jìn)后的Faster RCNN模型在精度性能上更具優(yōu)越性。

3.4.4 檢測(cè)結(jié)果展示

為了可視化改進(jìn)后的Faster RCNN模型,筆者在驗(yàn)證集上進(jìn)行檢測(cè),檢測(cè)結(jié)果如圖8所示。

圖8 算法改進(jìn)前后的檢測(cè)效果對(duì)比圖

根據(jù)檢測(cè)結(jié)果發(fā)現(xiàn):無(wú)論是單目標(biāo)檢測(cè)還是多目標(biāo)檢測(cè),改進(jìn)后的Faster RCNN算法檢測(cè)效果準(zhǔn)確率更高,模型的適用度更好,可以更精準(zhǔn)地檢測(cè)到分辨率較低的目標(biāo)。

4 結(jié)束語(yǔ)

針對(duì)在檢測(cè)環(huán)境復(fù)雜的工業(yè)場(chǎng)景下,因儀表盤(pán)相似性高、類(lèi)別分類(lèi)多而導(dǎo)致的目標(biāo)檢測(cè)過(guò)程中識(shí)別效果差、檢測(cè)效率低等問(wèn)題,筆者以Faster RCNN網(wǎng)絡(luò)作為基礎(chǔ)框架,研究了基于改進(jìn)Faster RCNN的儀表自動(dòng)識(shí)別方法。

研究結(jié)論如下:

1)與原模型相比,采用Resnet101特征提取網(wǎng)絡(luò),解決了梯度下降的問(wèn)題;采用改進(jìn)遞歸特征金字塔網(wǎng)絡(luò)提高了主干網(wǎng)絡(luò)特征提取能力;通過(guò)引入SENet注意力機(jī)制,有效提高了目標(biāo)權(quán)重;采用改進(jìn)非極大值抑制算法,提高了目標(biāo)定位精度;

2)對(duì)該模型進(jìn)行了訓(xùn)練,實(shí)驗(yàn)結(jié)果表明,訓(xùn)練后的網(wǎng)絡(luò)模型準(zhǔn)確率為93.5%,提高了3.8%,mAP值為92.6%,提高了3.7%,證明該算法模型具有較強(qiáng)的魯棒性與泛化能力。

在后續(xù)研究中,筆者將針對(duì)算法模型輕量化與儀表讀數(shù)進(jìn)行研究,進(jìn)一步提高算法的檢測(cè)精度與速度,訓(xùn)練出更好的檢測(cè)網(wǎng)絡(luò)模型,并將其應(yīng)用到實(shí)際工業(yè)環(huán)境中。