基于改进RT-DETR的指针式仪表读数识别方法
Abstract
针对复杂环境下指针式仪表识别精度不足和读数准确率低等问题，提出一种基于改进RT-DETR的高精度实时检测方法。首先，结合CSP（Cross Stage Partial）思想以及改进的卷积加法门控模块（AG Block），构建了新型主干网络（CACNet），有效提升了模型的特征表达能力与计算效率。其次，提出了高效多尺度特征融合模块（EMAFPN），结合多尺度特征加权融合与全局异构核选择机制，进一步增强了模型的特征融合能力，并降低了参数量和计算成本。此外，结合改进U2-Net的关键组件分割、仪表光照和倾斜校正，并利用加权角度法实现了指针式仪表的读数识别。实验结果表明，改进后的模型在指针式仪表数据集中的检测精度分别为99.5%和93.4%，检测速度为88.8 frame/s，参数量与浮点运算数分别为12.1×106和38.5×109，优于其他对比方法，且仪表读数平均相对误差仅为3.4%。各项指标验证了所提方法的综合优势，为工业自动化检测提供了高效可靠的解决方案。
Fields of Study & Subjects
Advanced Neural Network Applications
Industrial Vision Systems and Defect Detection
Image and Object Detection Techniques
Publication details
- Journal / source
- Laser & Optoelectronics Progress
- Volume
- 63
- Issue
- 2
- Pages
- 0215014–0215014
- Publication date
- 1 January 2026
- Language
- EN