基于VCA-UNet的全自动指针式仪表读数方法.pdf

仪 表 技 术 与 传 感 器Instrument Technique and Sensor2024 年第 2 期基金项目:国家自然科学基金项目(52067021);新疆维吾尔自治区自然科学基金面上项目(2022D01C35);新疆维吾尔自治区优秀青年科技人才培养项目(2019Q012)收稿日期:2023-06-24基于 VCA-UNet 的全自动指针式仪表读数方法刘煜博,吐松江卡日,伊力哈木亚尔买买提,张淑敏,崔传世新疆大学电气工程学院 摘要: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。关键词:指针式仪表;读数识别;语义分割;YOLOv7;U-Net;PP-OCRv3中图分类号:TH703;TP391 文献标识码:AAutomatic Pointer Instrument Reading Method Based on VCA-UNetLIU Yubo,TUSONGJIANG Kari,YILIHAMU Yaermaimaiti,ZHANG Shumin,CUI ChuanshiSchool of Electrical Engineering,Xinjiang UniversityAbstract:Aiming at the problem that the existing instrument reading methods are easily affected by unequal illumination fac-tors,which leads to large reading errors,a fully automatic pointer instrument reading method based on deep learning was pro-posed.First,the YOLOv7 network was introduced to extract the dial area.Secondly,the VCA-UNet(VGG16Net,Improved Skip Connections and ASPP based U-Net)network proposed in this paper was used to separate the scale and pointer.Finally,the PP-OCRv3 network was introduced to obtain the instrument range automatically,and the instrument representation number was de-termined by angle method.The experimental results show that the MIoU and MPA values of VCA-UNet network are 18.48%and 9.36%higher than those of U-Net network respectively,and are generally higher than other comparison networks.The average relative error of meter reading is 0.614%,and the absolute error in the generalization experiment is relatively small,which verifies the accuracy and generalization of the reading method.Keywords:pointer instrument;reading recognition;semantic segmentation;YOLOv7;U-Net;PP-OCRv30 引言工业生产环境中,通常存在大量压力表、温度表和电压表等仪表用于测量和监视设备的运行状态,这些表多数都是指针式仪表。一是因其具有结构简单、抗干扰能力强、价格低廉等优点1;二是因具有数据传输功能的数显式和电子式仪表易受环境中电磁干扰产生数据失真现象2;三是因现阶段指针式仪表已经大规模应用,短时间改造升级难度大、成本高3。目前,指针式仪表普遍采用人工读数方式获取仪表示数,但该方法读数精度不高,且在高磁高辐射环境,例如变电站,巡检人员的危险系数也会增加4。因此,采用指针式仪表自动读数代替人工读数具有极高的实用价值。目前,已有大量基于传统计算机视觉获取仪表读数的研究。文献5结合椭圆检测和向心线段检测算法获取仪表表盘区域,利用阈值分割方法确定指针;文献6采用两次模板匹配法对仪表表盘进行定位裁剪,然后采用 Hough 圆检测圆形表盘和圆心坐标;文献7提出基于轮廓的内嵌关系提取表盘区域与基于EDlines 直线检测算法的指针检测完成最终的读数。但是此类算法对处理的仪表图像背景要求较高,无法应对复杂多变的仪表实际应用环境。卷积神经网络(convolutional neural network,CNN)因具有较强的泛化能力,逐渐应用在仪表读数识别领域。文献8采用 Mask R-CNN 网络获取指针和刻度关键点,但关键点的检测易受反光和光照不均影响而63 第 2 期刘煜博等:基于 VCA-UNet 的全自动指针式仪表读数方法 引入较大误差;文献9设计了一种预测刻度线区域热图的 MSN 网络,在热图基础上先后进行圆拟合和采样操作对刻度和指针定位;文献10采用 U-Net 网络获取指针轮廓,但该仪表数据集拍摄条件较理想,使模型鲁棒性相对较弱;文献11通过改进 U-Net 网络结构,提升其仪表刻度线的分割精度;文献12采用改进后的 U-Net 分割网络分割表盘中的刻度和指针像素区域,但其分割指针轮廓存在模糊现象;文献13采用 Deeplabv3+分割网络分割刻度线,但在光线较差的情况下分割图中会出现刻度线黏连现象,分割精度相对较差。以上研究表明,在仪表区域检测阶段,采用卷积神经网络可以实现不错的检测效果,而在仪表读数信息(刻度线和指针)的分割和定位阶段,会因采用方法的某些特性存在一些问题。这些问题主要由两方面组成:一方面是实际环境中拍摄的仪表图像存在光照不均和光反射情况,这些情况对分割和定位结果影响较大14;另一方面是现有的分割算法不能有效分割像素面积占比小的刻度线,分割边缘存在模糊现象而影响最终读数效果15。为解决上述问题,提出一种基于深度学习的全自动指 针 仪 表 读 数 方 法。在 目 标 检 测 阶 段,引 入YOLOv7 目标检测网络,提高仪表区域的检测精度;在仪表读数信息的分割和定位阶段,提出一种 VCA-UNet 分割网络,该网络能够在光线干扰的情况下准确分割出仪表刻度线和指针;在读数识别阶段,引入PP-OCRv3 文本识别网络,使仪表读数无需提前获取先验知识,并采用角度法确定仪表示数。1 基于 YOLOv7 的仪表表盘区域定位1.1 YOLOv7 目标检测网络鉴于部分仪表安装环境恶劣、拍摄距离不定等因素,使处理的仪表图像(如变电站巡检中拍摄的图像)具有表盘占比不定和图片背景复杂的特点,而传统计算机视觉处理无法有效提取仪表表盘区域,本文引入检测速度与精度都超过大部分已知目标检测网络的YOLOv7 网络16检测表盘区域。YOLOv7 网络主要分为输入、主干、颈部和预测 4 部分。首先,输入部分将输入图像经过预处理操作缩放到固定尺寸;接着,主干部分对处理后的图片进行不同层次的特征提取;随后,颈部部分对不同层次特征层进行融合和通道调整,得到大、中、小 3 种不同尺寸的特征层;最终,融合后的不同尺寸特征层会被输入预测部分,输出最终预测结果。1.2 模型训练与测试将 3 576 张不同环境下拍摄的指针式仪表图像作为 YOLOv7 网络的数据集,并借助标注软件 Labelimg对数据集进行仪表区域标注,生成与原图一一对应的标签文件。本文将数据集按照 9 1 的比例随机划分训练集(3 218 张)与测试集(358 张)。图 1 展示了YOLOv7 网络对部分指针式仪表图像表盘区域提取结果。从图 1 可以看出:YOLOv7 网络可以从复杂多变的背景环境中准确检测出仪表表盘区域,能够有效满足实际应用需求。图 1 YOLOv7 网络针对表盘区域的提取结果示例2 基于 VCA-UNet 的仪表刻度与指针分割2.1 U-Net 图像分割网络U-Net 网络17在 2015 年的 ISBI 细胞跟踪挑战赛上提出后,被广泛应用在医学图像分割方面。U-Net网络的编码器结构通过4 次下采样操作获取不同感受野的特征层,但下采样操作会导致特征图的部分边缘信息缺失18,从而降低分割的准确性,而后续跳跃连接和解码器均不能有效还原下采样带来的信息缺失。针对以上问题,本文通过改进其编码器和跳跃连接部分,有效解决该网络在分割刻度时存在边缘模糊的问题。2.2 基于分割网络 U-Net 的改进2.2.1 采用 VGG16Net 代替原编码器为确保网络能够从光照不均的仪表图像中准确分割出指针与刻度的像素信息,采用拟合能力更强的VGG16Net19的部分特征提取结构替代 U-Net 网络的编码器结构,有效提升分割网络的特征提取能力。但考虑到随着 VGG16Net 网络结构加深,虽然使高阶语义信息的提取能力更强,但计算量也会随之增加。因此,采用 VGG16Net 的第 4 次下采样之前的网络结构代替 U-Net 网络中的编码器部分,能够有效捕捉仪表图像中的多尺度信息。VGG16Net 部分网络结构如图2 所示。2.2.2 引入空洞空间金字塔池模块U-Net 网络通过下采样操作获取更大感受野,降低73 仪 表 技 术 与 传 感 器第 2 期图 2 VGG16Net 的部分网络结构图网络计算量,但这种方式会使细节边缘特征容易丢失,获取细节边缘信息的能力降低。而空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块20通过并连4 种不同膨胀率的空洞卷积来捕捉多尺度图像信息,在增大感受野的同时获取不同层次特征信息,尽可能保留细节边缘特征21。ASPP 模块先采用四种不同膨胀率的空洞卷积和全局平均池化(global average pooling,GAP)获取多尺度的图像特征,然后将输出的特征层进行拼接融合操作,接着经过卷积核进行通道数调整,最后输出相应的特征层。ASPP 模块结构图如图 3 所示。2.2.3 改进跳跃连接为改善网络对刻度分割任务极为重要的浅层特征层的利用权值,在跳跃连接结构中添加压缩和激励网络(squeeze and excitation network,SE-Net)模块22,SE-Net 模块网络结构如图 4 所示。利用其自适应学习能力,根据特征信息的重要程度进行赋权值处理,加强浅层特征对最终输出分割结果的影响权重,进而提升网络对刻度线的分割精度。为解决分割刻度时存在边缘模糊的问题,对跳跃图 3 ASPP 网络结构图图 4 SE-Net 网络结构图连接结构进行相应改进,改进后的跳跃连接结构图如图 5 所示。首先,对原跳跃连接输入的 4 层特征层和第 4 次下采样操作后的第 5 个特征层分别经过对应数量的最大池化、上采样和卷积操作进行尺寸调整。为减少跳跃连接计算量(采用最大池化、上采样、卷积操作次数最少的操作),将这 5 个特征层分别调整到第 3层特征层相应的尺寸。接着,将相应特征层进行拼接处理,并将拼接后的特征层经过卷积操作进行通道数调整,随后采用 SE-Net 网络处理输出特征层,有效改善不同特征信息的重要权值。最后,借鉴特征复用思想23,将跳跃连接输入的原特征层分别与调整后的特征层进行拼接处理,随即进行通道调整并输出。图 5 改进后的跳跃连接结构图83 第 2 期刘煜博等:基于 VCA-UNet 的全自动指针式仪表读数方法 2.2.4 VCA-UNet 网络结构针对 U-Net 网络的分割效果存在边缘模糊的问题,提出了 VCA-UNet 网络,其网络结构如图 6 所示。VCA-UNet 网络主要由编码器、跳跃连接和解码器 3部分组成。编码器部分采用 VGG16Net 部分网络结构,准确拟合出输入图像所含特征;改进后的跳跃连接部分一定程度上弥补下采样造成的信息缺失,增加对刻度分割极为重要的浅层特征权重;对解码器首端输入的特征进行 ASPP 操作,增大感受野的同时尽可能保留完善的细节边缘特征;解码器部分将上采样输出的特征层和跳跃连接输出的特征层进行融合,输出最终预测的分割图。图 6 VCA-UNet 网络结构图3 基于 PP-OCRv3 的量程识别与读数3.1 PP-OCRv3 文本识别网络本文引入检测速度快、精度高的轻量型文本识别网络 PP-OCRv324。获取仪表量程信息,提升仪表读数方法的自动化程度,识别流程图如图 7 所示。图 7 PP-OCRv3 网络获取量程的流程图3.2 指针式仪表读数流程设计VCA-UNet 分割网络的分割结果已经排除所有字符和光照的干扰,仅保留仪表读数需要的指针、刻度线和量程区域。考虑到 VCA-UNet 网络分割精度较高,采用 Hough 直线检测法即可直接获取准确角度,故本文采用角度法获取仪表示数。VCA-UNet 分割网络输出的指针和刻度线分割图中,各连通域按照像素面积大小降序排序,面积最大的即为指针连通域,其余为仪表刻度线连通域,采用Hough 直线检测法获取指针连通域的角度值。而VCA-UNet 分割网络输出的量程数字分割图中,各连通域位置对应仪表量程位置,下文称该连通域为量程连通域。图 8 展示了原图及刻度、指针和量程对应的分割图。图 8 原图及刻度、指针和量程对应的分割图首先,根据各量程连通域中心点坐标距离指针连通域中心点坐标的远近进行升序排序,但因考虑到会存在仪表指针覆盖仪表量程的情况,如图 9(a)所示,影响后续 PP-OCRv3 网络获取量程信息,故将距离指针连通域最近的量程连通域滤除,只选取距离指针连通域第 2 与第 3 近的量程连通域,并通过上文介绍的 PP-OCRv3网络获取用于读数的 2 个量程信息、,如图 9(b)所示。(a)指针覆盖量程示意图(b)具体量程信息获取流程图图 9 量程信息获取情况93 仪 表 技 术 与 传 感 器第 2 期其次,考虑到与量程值关联的刻度线长度相较于其余刻度线更长,故根据刻度线连通域最小外接矩阵的长边筛选出较长的刻度线,即长刻度线连通域。依据距离关系,在长刻度线连通域中筛选出距离指针最近的 7 个长刻度线连通域,同样也依据距离关系,从 7个长刻度线连通域中分别筛选出与上述的2 个量程连通域距离最近的 2 个长刻度线连通域,依据 Hough 直线检测方法即可分别返回各长刻度线连通域对应的角度 X1、X2。此时,长刻度线角度和与之关联的量程信息一一对应,相应的刻度线获取流程如图 10 所示。图 10 获取量程对应刻度线的流程图最后,通过上文得到的两个刻度线角度 X1、X2,与之关联的两个量程信息 Y1、Y2和指针对应的角度值V1,即可根据计算公式求得相应的仪表读数 Vtest。仪表读数的计算公式为Vtest=Y2+Y1-Y2X1-X2(V1-V2)(1)4 实验设置与结果分析4.1 数据集介绍本文使用的分割数据集是在 YOLOv7 网络截取后的图片中随机选取 329 张仪表表盘图像作为数据集,选取的数据集包含 119 张存在反光、光照不均或污浊物现象的仪表表盘图像。借助标注软件 Labelme 对数据集进行标注,将仪表读数信息标注为目标类,其余像素标注为背景类,生成与原图对应的标注文件,并通过高斯模糊、缩放裁剪等操作将数据集扩充至1 316张,再按 9 1 的比例将数据集随机划分训练集(1 184张)和测试集(132 张)。4.2 训练条件实验硬件为 AutoDL 官网中租用的服务器,GPU型号为 RTX3090(24 GB),CPU 型号为 Intel(R)Xeon(R)Platinum 8350C。实验环境配置为 python3.8,pytorch1.8.1 和 CUDA11.1。实验参数设置中,epoch为 300,batchsize 为 8。4.3 评价指标本文 采 用 平 均 交 并 比(mean intersection over union,MIoU)、平均准确率(mean pixel accuracy,MPA)作为评价指标,其计算公式分别为:MIoU=1N+1Ni=0piiNj=0pij+Nj=0pji-pii(2)MPA=1N+1Ni=0piiNj=0pij(3)式中:N 为目标类数量;N+1 为目标类和背景类;i 对应真实值;j 为预测值;pij为将真实类预测为其他类的像素;pji为将其他类预测为真实类的像素;pii为将真实类预测为真实类的像素。4.4 消融实验为验证添加的各模块对原始 U-Net 网络分割性能的改进效果,本文设置了 3 个对照组进行消融对比实验,对照组 1 为 U-Net 网络,对照组 2 为编码器采用 VGG16Net 的 U-Net 网络,对照组 3 是在对照组 2的基础上采用本文改进后的跳跃连接结构,本文提出的 VCA-UNet 分割网络是在对照组 3 的基础上添加ASPP 模块,实验结果如表 1 所示。从表 1 可以看出:采用 U-Net 网络进行刻度线和指针分割,其 MIoU 值为 74.56%,MPA 值为 86.04%。在 U-Net 网络中依次改进不同网络结构,使对照组 2 和对照组 3 的 MIoU值和 MPA 值相较于 U-Net 网络都有不同程度的提升。最终 的 VCA-UNet 分 割 网 络 的 MIoU 值 为92.04%,MPA 值为 95.40%,相较于 U-Net 网络分别提升 18.48%和 9.36%,验证了本文改进的有效性。表 1 消融实验结果%模型MIoUMPA对照组 1(U-Net)79.9386.72对照组 290.8895.06对照组 391.7595.03本文方法(VCA-UNet)92.0495.40 除采用 MIoU 和 MPA 客观参数评价网络分割精度外,还利用分割效果图进行直观比对,结果如图 11所示。为展示更多分割细节,在图11 中分别展示仪表图像整体分割效果图和仪表图像细节放大的分割效果图,图 11(a)和图 11(b)分别为仪表表盘图像和其对应的标签;图 11(c)图 11(f)为分别采用对照组1、对照组 2、对照组 3 和本文分割网络 VCA-UNet 得到的刻度线和指针的分割结果。由图11 可知,添加不同模块对 U-Net 网络的细节分割精度都有一定程度的提升。从图片分割对比图中可以发现,VCA-UNet分割网络针对光照不均的仪表图像具有较高的分割精度,没有对照组中出现的“断连”和轮廓模糊现象,04 第 2 期刘煜博等:基于 VCA-UNet 的全自动指针式仪表读数方法 分割出的刻度线和指针轮廓相较于 U-Net 网络更清晰、更完整。图 11 消融实验分割结果对比4.5 不同算法分割效果对比本文分割网络与对比网络分割结果如图12 所示。图 12(a)和图 12(b)分别为仪表表盘和其对应的标签;图 12(c)图 12(h)为分别采用 U-Net、文献11、文献12、HRNet25、Deeplabv3+26、PSPNet27和本文 VCA-UNet 网络得到的刻度线和指针的分割结果。Deeplabv3+网络整体的精细边缘分割能力较差;PSPNet 网络可有效处理复杂场景,但不适合用于分割表盘图像中细小刻度线;HRNet 网络特征在融合和传递过程中存在梯度弥散现象,使分割结果图中存在部分“断连”现象。图 12 不同网络的分割效果图对比通过分割效果图可知,VCA-UNet 网络针对分割仪表刻度线和指针的任务具有较好的分割效果,分割出的刻度线边缘呈现出更多细节特征,进一步验证了本文改进的有效性。为了更准确地体现 VCA-UNet 分割网络的性能优越性,还利用评价指标 MIoU 和 MPA 评估各网络针对仪表刻度线和指针的分割性能,对比结果如表 2 所示。从表 2 可知,VCA-UNet 分割网络的 MIoU 值相比于各对比网络最高,为 92.04%,说明该网络具有较高的准确度。VCA-UNet 分割网络的 MPA 值仅次于Deeplabv3+模型,为 95.40%,说明该网络具有较高的目标检测能力。Deeplabv3+网络的 MPA 值虽然最高,但 Deeplabv3+网络的背景 MPA 值低于 VCA-UNet,说明 Deeplabv3+网络预测出的标签面积比真实标签更大,边缘精细分割能力较差。通过对比不同网络的评价指标,可以直观发现 VCA-UNet 分割性能普遍优于对比网络。表 2 不同网络的分割性能对比%分割模型MIoUMPAU-Net79.9386.72HRNet82.8692.29Deeplabv3+79.4596.83PSPNet66.2673.04文献1180.9786.68文献1279.8186.57VCA-UNet92.0495.404.6 仪表读数方法的精度测试为评判本文仪表读数的准确性,采用平均相对误差和绝对误差评判本文模型的仪表读数识别的准确性,其值越小,读数精度越高。相对误差 e、平均相对误差、绝对误差 的计算表达式为:14 仪 表 技 术 与 传 感 器第 2 期e=Ztrue-ZtestZmax100%(4)=1mmi=1ei(5)=Ztrue-Ztest(6)式中:Ztrue为人工读数;Ztest为模型输出读数;Zmax为仪表量程;m 为仪表图片数量。在仪表数据集中随机选取部分含有光线干扰的200 张仪表图片,其中量程分别为 0.16、0.25、0.4 的 3种类型仪表各占 66、68、66 张。将图片输入到本文的仪表读数方法中,并在表 3 中列举部分仪表图像的读数结果。从结果中可知:本文方法的读数绝对误差 相对较小,能够满足指针式仪表实际应用中的精度需求。读数方法的最大相对误差和平均相对误差的测试结果如表4 所示,测试结果表明:该模型的仪表读数的平均相对误差只有 0.614%,最大相对误差为1.983%。表 3 部分测试图片的实验结果ZtrueZtestZmax0.1160.1120.250.0040.2070.2060.250.0010.2400.2370.250.0030.0620.0640.600.0020.3460.3510.600.0050.5130.5080.600.0050.0270.0240.160.0030.1380.1350.160.0030.1480.1460.160.002表 4 模型读数的最大相对误差和平均相对误差%量程最大相对误差 emax平均相对误差 0.161.9830.7000.5080.251.9020.5730.4910.601.2540.5700.355全部1.9830.6140.4614.7 仪表读数方法泛化实验为验证读数方法的泛化性,采用未包含在仪表数据集中的圆形指针式仪表图像进行泛化实验,泛化实验中部分仪表读数信息的获取效果如图13 所示,同时与之对应的读数结果及绝对误差如表5 所示。从结果可以发现:读数方法能够准确有效地获取读数信息(刻度线、指针和量程),并且具有读数精度高、泛化性能较好等特点。图 13 泛化实验部分仪表读数信息的获取效果表 5 泛化实验获取的读数结果及绝对误差ZmaxZtrueZtest20.4720.4760.0041612.88312.8060.07710027.98828.2870.29920.8790.8880.0095 结束语针对仪表指针和刻度线无法准确获取、仪表读数精度低的问题,本文提出了一种基于 VCA-UNet 网络的全自动指针仪表读数方法。并在包含复杂背景和光照不均的仪表图像数据集中,对算法进行了实验验证。1)本文提出了 VCA-UNet 分割网络,能有效解决U-Net 网络分割刻度线存在边缘模糊的问题。同时,与经典分割网络进行对比,实验结果表明:VCA-UNet网络的分割性能普遍优于其他对比网络,分割出的刻度线和指针轮廓更清晰、更完整。2)本文提出的全自动指针式仪表读数方法具有较高的仪表区域检测精度,无需提前获取任何先验知识。读数结果显示:指针式仪表读数方法的平均相对误差为 0.614%,读数精度较高。并且,泛化实验结果24 第 2 期刘煜博等:基于 VCA-UNet 的全自动指针式仪表读数方法 表明:读数方法能够有效读取类型未知的圆形指针式仪表示数,具有一定的实用价值。下一步笔者将在保证读数精度的前提下,对模型轻量化进行研究,并收集不同类型的指针式仪表图像,进一步提升读数方法的实用性和泛化性。参考文献:1 许丽,石伟,方甜.巡检机器人中的指针式仪表读数识别系统J.仪器仪表学报,2017,38(7):1782-1790.2 张雪飞,黄山.多类指针式仪表识别读数算法研究J.电测与仪表,2020,57(16):147-152.3 翟永杰,赵振远,王乾铭,等.基于人工-真实样本度量学习的指针式仪表检测方法J.电测与仪表,2022,59(10):174-183.4 胡鑫,欧阳华,尹洋,等.一种改进的指针式仪表示数识别方法J.电子测量技术,2021,44(13):132-137.5 董海,徐晓鹏,谢英红,等.无先验知识的仪表自动检测与判读算法J.仪器仪表学报,2020,41(2):205-217.6 沈云青,熊卫华,黄为民,等.基于模板匹配与 Hough 圆检测的仪表识别J.计算机技术与发展,2021,31(4):69-73.7 孙顺远,魏志涛.基于刻度轮廓拟合的指针式仪表自动识别方法J.仪表技术与传感器,2022(8):51-57.8 FANG Y X,DAI Y,HE G L,et al.A mask RCNN based au-tomatic reading method for pointer meter C.2019 Chinese Control Conference(CCC),IEEE,2019:8466-8471.9 董云龙,刘行,袁烨,等.基于细节注意力卷积神经网络的仪表自动化识别方法J.中国科学:技术科学,2020,50(11):1437-1448.10 金爱萍,袁亮,周德勤,等.基于 YOLOv5 和 U-net 的指针式仪表读数识别方法J.仪表技术与传感器,2022(11):29-33.11 耿磊,史瑞资,刘彦北,等.基于多重感受野 UNet 的仪表图像分割方法J.计算机工程与设计,2022,43(3):771-777.12 万吉林,王慧芳,管敏渊,等.基于 Faster R-CNN 和 U-Net 的变电站指针式仪表读数自动识别方法J.电网技术,2020,44(8):3097-3105.13 杨诗琪,吴佳仪,陈墨楠,等.基于深度学习的指针式仪表自动读数方法J.电子测量技术,2023,46(5):149-156.14 陈少峰.基于机器视觉的指针式仪表自动读数系统的设计与实现D.武汉:华中科技大学,2019.15 邸拴虎,杨文瀚,廖苗,等.基于 RA-Unet 的 CT 图像肝脏肿瘤分割J.仪器仪表学报,2022,43(8):65-72.16 WANG C Y,BOCHKOVSKIY A,LIAO H Y M.YOLOv7:trainable bag-of-freebies sets new state-of-the-art for real-time object detectors C.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2023:7464-7475.17 RONNEBERGER O,FISCHER P,BROX T.U-Net:Convo-lutional networks for biomedical image segmentation C.Proceedings of the International Conference on Medical Im-age Computing and Computer Assisted Intervention,2015:234-241.18 宋永献,袁敏峰,王祥祥,等.基于改进 U-Net 的工件表面缺陷分割方法J.仪表技术与传感器,2023(3):82-87.19 KAREN S,ANDREW Z.Very deep convolutional networks for large-scale image recognition C.International Confe-rence on Learning Representations,2015:1-14.20 CHEN L C,PAPANDREOU G,KOKKINOS I,et al.Deep-lab:semantic image segmentation with deep convolutional nets,atrous convolution,and fully connected CRFs J.IEEE Transactions on Pattern Analysis and Machine Intelli-gence,2018,40(4):834-848.21 郑付强,匡定波,胡勇,等.基于 U-ASPP-Net 的北极独立海冰精细识别方法J.红外与毫米波学报,2021,40(6):798-808.22 HU J,SHEN L,ALBANIE S,et al.Squeeze-and-excitation networks J.IEEE Transactions on Pattern Analysis and Machine Intelligence,2020,42(8):2011-2023.23 于宁波,刘嘉男,高丽,等.基于深度学习的膝关节 MR图像自动分割方法J.仪器仪表学报,2020,41(6):140-149.24 刘威,高林,伏德粟,等.变电站二次回路端子排设计图文字检测与识别J.湖北民族大学学报(自然科学版),2023,41(2):198-205.25 SUN K,XIAO B,LIU D,et al.Deep high-resolution repre-sentation learning for human pose estimation C/Pro-ceedings of the IEEE/CVF conference on computer vision and pattern recognition,2019:5693-5703.26CHEN L C,ZHU Y K,PAPANDREOU G,et al.Encoder-decoder with atrous separable convolution for semantic im-age segmentation C.Proceedings of the European Confer-ence on Computer Vision(ECCV),2018:801-818.27 ZHAO H,SHI J,QI X,et al.Pyramid scene parsing network C.Proceedings of the IEEE Conference on Computer Vi-sion and Pattern Recognition(CVPR),2017:2881-2890.作者简介:刘煜博(1999),硕士研究生,主要研究领域为深度学习与图像处理。E-mail:lyb29357 通信作者:吐松江卡日(1984),副教授,博士生导师,博士,主要研究领域人工智能与模式识别。E-mail:tsj 34