典型文献
基于CenterNet和DeepLabv3+的变电站指针式仪表读数识别方法
文献摘要：
针对变电站巡检机器人在室外进行指针式仪表读数识别时存在检测精度低和读数误差大等问题,提出了一种基于CenterNet和DeepLabv3+的指针式仪表读数识别方法.ECA-Net是一种不降维的局部跨信道交互策略和自适应选择一维卷积核大小的方法,在CenterNet的主干网络引入ECA-Net轻量级注意力机制模块,加强了不同通道之间的特征联系;在DeepLabv3+的ASPP模块并行连接DAMM双注意力机制模块,DAMM模块中的位置注意力模块能够有效模拟出图像位置间的长期上下文依赖信息,将不同局部特征信息连贯起来,提高了语义分割能力;DAMM模块中的通道注意力模块利用不同通道的相关类别特征间的关联性进行不同类别特征强化,提升像素分类精度;利用基于线性变换理论的椭圆透视变换和仿射变换来矫正畸变仪表图像,获取仪表正立图像,提高指针直线拟合角度的精确度,从而减小读数误差.使用该方法进行了大量的仿真与现场测试,结果表明,在仪表检测阶段,所设计模型的mAP比原始模型提高了7.51％;在仪表读数识别阶段,矫正前仪表读数预测值和仪表真实值之间的标称误差为6.0％,平均误差为4.2％,矫正后仪表读数预测值和仪表真实值之间的标称误差为2.0％,平均误差为1.3％,从而验证了所提方法的有效性.
文献关键词：
变电站;巡检机器人;指针式仪表;注意力机制;仪表检测;表盘分割;仪表读数;CenterNet;DeepLabv3+
中图分类号：
作者姓名：
黄思远;樊绍胜;王子扬
作者机构：
长沙理工大学 电气与信息工程学院,长沙 410114
文献出处：
引用格式：
[1]黄思远;樊绍胜;王子扬-.基于CenterNet和DeepLabv3+的变电站指针式仪表读数识别方法)[J].电力学报,2022(03):232-243
A类：
DAMM,表盘分割
B类：
CenterNet,DeepLabv3+,指针式仪表,仪表读数识别,变电站巡检机器人,检测精度,ECA,不降,跨信道交互,交互策略,自适应选择,一维卷积,卷积核,主干网络,轻量级注意力机制,注意力机制模块,ASPP,双注意力机制,位置注意力,模拟出,出图,上下文依赖,局部特征,特征信息,连贯起来,语义分割,通道注意力模块,类别特征,特征强化,像素分类,分类精度,线性变换,透视变换,仿射变换,换来,正畸,畸变,直线拟合,现场测试,仪表检测,设计模型,mAP,正前,真实值,标称,平均误差
AB值：
0.27491
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
