工矿企业传统机械指针表的人工数据采集面临着诸多挑战 :

• 厂区范围大，仪表位置分散，人工巡检—遍的耗时长，且无法实 时监测，给设备的安全运行带来了风险 ; 

• 仪表种类多，人工读表容易产生误差。

应用飞桨深度学习开源框架的检测、压缩、部署等全流程 功能，实现了对多种类多尺度仪表的分割、检测和读数，并在上线 后大幅提升了仪表的读数效果。

业务挑战

• 难点一：表具种类多，相似度大

不同种类的表具相似度很大，仅有量程和 单位不同，且表具单位可能被指针遮挡。

• 难点二：复杂环境下读数精确度低

在表具图片过小、倾斜角度大、指针高度 导致读数误差和刻度细小等复杂环境下， 读数的精确度低。

• 难点三: 室外环境恶劣导致读数难以识别

室外环境可能会存在光源、反光、尘土等 多种情况的影响。

技术方案

整体流程

算法亮点

亮点一：表具的种类、单位和量程等事先采集为配置信息

• 表具种类多、相似度高，且在单位被指针遮挡的情况下无法识别，用算法实现表具种类判别的精度低。 

• 需要识别表具种类的情况较少，配置信息搜集并不复杂。
  

亮点二：对算法进行了相应优化

• 根据表具目标的尺寸情况重新设计锚框尺寸。

• 用数据增强和调整 Batch Size 的方法优化了刻度识别不全的问题。 

• 开发更细粒度的表具标注，使得指针标注精度更高。

表具检测示意

上线效果

基于飞桨实现算法并训练优化后，分割效果达到了较高精度。

表具分割结果

部署上线

完成整体算法开发后，根据不同客户的需求制定了云端和边缘两种部署方案，实现了多场景的应用。

方案一: 云端方案

终端通过摄像头获取表具图像，通过 LoRa 回传到云端服务，由云端服务器进行推理识别 , 该方案直接在 GPU 上进行推理。

方案二: 边缘方案

使用 Paddle Lite 针对平台进行优化，并基于 Paddle Lite 开发对应的推理程序，实现终端通过摄像头获取表具图像，通过 LoRa 传送到 “智能边缘网关” 进行推理识别。

本案例为本站原创案例！

友情提示：此案例外观、技术知识产权归属本网站（及公司），本网站具有最终解释权，未经许可，不得转载。