基于改进的Faster RCNN的仪表自动识别方法

作者：王欣然,张斌,湛敏,等 日期：2024-03-26/span> 浏览：111 查看PDF文档

摘要:在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视觉几何群网络(VGG)16,进行了网络结构简化;然后,引入了特征金字塔网络(FPN),并将其改进为递归特征金字塔网络后进行了迭代融合,输出了特征图;接着,引入了注意力机制模块,根据特征的重要程度,完成了对输出通道权值的重新分配,增强了Faster RCNN对目标的运算能力;提出了改进非极大值抑制算法(Softer-NMS),通过降低置信度来确定准确的目标候选框;最后,采用Mosaic数据增强技术对可视对象类(VOC)2007数据集进行了扩充,对改进后的Faster RCNN模型进行了仪表自动识别的实验。研究结果表明:在相同工业环境下,与传统的Faster RCNN算法模型相比,改进后的Faster RCNN模型准确率为93.5%,较原模型提高了3.8%,mAP值为92.6%,较原模型提高了3.7%,可见该方法在实际生产中具有较强的鲁棒性与泛化能力,可满足工业上对智能检测的要求。

关键词:仪表识别;更快速的区域卷积神经网络;递归特征金字塔网络;注意力机制;非极大值抑制算法;Mosaic数据增强技术

中图分类号:TH86;TP391.41文献标识码:A文章编号:1001-4551(2024)03-0532-08


王欣然,张斌,湛敏,等.基于改进的Faster RCNN的仪表自动识别方法［J］.机电工程,2024,41(3):532-539.

WANG Xinran, ZHANG Bin, ZHAN Min, et al. Automatic instrument identification based on improved Faster RCNN［J］.Journal of Mechanical & Electrical Engineering, 2024,41(3):532-539.