基于深度学习的仪表目标检测算法

孙顺远，杨 挺

(1.江南大学轻工过程先进控制教育部重点实验室，江苏无锡 214122；2.江南大学物联网工程学院，江苏无锡 214122)

0 引言

嵌入式仪表能够测量、计算各种物理参数。随着仪表的广泛使用，使得人工读数的成本不断增加。使用更高效的方式进行仪表检测成为新的研究热点，其中基于图像的仪表检测得到了广泛的关注。由于工业环境的复杂性，在雨、雾、强光等干扰严重的环境中使用传统的图像处理往往难以应对。而基于深度学习的目标检测算法通过训练极端环境下的图像，能够很好地解决此类问题。

针对仪表自动检测问题，国内外学者提出了多种检测策略。邢浩强等[1]通过构建9层卷积神经网络提取仪表特征以解决仪表目标的定位。徐发兵等[2]在YOLO9000[3]模型的基础上添加滤波器和批量标准化，并且对于锚框尺寸的选取采用k-means聚类的方式，加快包围框(Bounding box)的回归。司朋伟等[4]利用Faster RCNN[5]网络生成候选集，再将其中位于高置信度的目标区域经过筛选建立特征模板，实现对仪表类型的识别与定位。文献[6-7]利用形态学方式，增强目标区域特征以进行定位。

由于仪表体积普遍较小，在检测时往往会出现漏检的现象。因此，加强对于小目标的检测至关重要。YOLOv3[8]使用了复杂的DarkNet-53来提取特征，并且加入特征金字塔网络 (FPN)，提升了小物体的检测精度。DSSD[9]利用反卷积来提取更多上下文信息。DSOD[10]中将基础网络由VGG-16变为DenseNet[11]，使得模型可以从零开始训练并收敛。FSSD[12]借鉴了特征金字塔网络的思路，将网络较低层的特征引入到较高层当中，提升了小物体的检测精度。……