基于深度学习的电表字符缺陷检测方法

赵卫东，陈 凤，黄汉成，程 伟

(安徽工业大学电气与信息工程学院，安徽马鞍山243032)

电表实际生产中，由于存在显示器笔画段损坏或显示屏损坏等问题，电表显示屏上的字符会出现微小缺陷。传统目标检测方法包括方向梯度直方图(histogram of gradient，HOG)、支持向量机(support vector machine，SVM)和可变形组件模型(deformable part model，DPM)等，存在区域选择策略的针对性低、复杂度高、窗口多余等缺点，难以保证检测结果的准确性。实际生产应用中，目标背景复杂多变，而传统字符检测方法需单一的图片背景对图片进行预处理、字符定位识别等，过程复杂且检测精度也无法保证。在人工智能快速发展的时代，基于深度学习的目标检测已成为检测的重要研究方向。基于深度学习的目标检测方法可分为单级、双级和多级，单级方法是将整个流程串联统一，直接得出检测结果，主要包括单级多框预测器(single shot-multibox detector，SSD)、RetinaNet、梯 度 均 衡 机 制(gradient harmonizing mechanism，GHM)、YOLOv3等；双级方法是将整个检测流程分为两部分，即生成候选框和识别框内物体，主要包括Faster RCNN、Mask RCNN、SPP-Net等；多级方法包括Cascade RCNN等。其中RCNN为区域卷积神经网络(region with convolutional neural netlooks)

随着目标检测算法的不断优化改进，基于深度学习的目标检测应用越来越多，朱丽倩针对传统的数显仪表字符识别问题，提出一种基于深度学习的字符自动检测方法，但其算法网络模型结构复杂，检测识别一张图片耗时长，无法满足工业生产的实时性要求；吉训生等针对电路板上模糊的微小字符，设计一种改进Faster RCNN算法的字符检测方法，提高了字符检测精度，但仍存在部分漏检情况且检测速度较慢；……