基于ID-YOLO的数字仪表检测方法

当前针对数字式仪表检测算法在边缘设备具有实时性差、泛化性差的问题,对此提出一种采用Instrument Detection-YOLO(ID-YOLO)模型的变电站数字仪表检测识别方法。算法以YOLOv5模型为基础,首先设计轻量的Li-YOLO骨干网络提取图像特征,降低网络参数,提高检测实时性;然后设计了一种双级路由注意力模块(BRAM),提高网络对小数点的检测精度以及网络的鲁棒性和泛化性;最后,引入α-IoU损失,通过更准确的IoU计算,可以提高模型的检测精度。实验表明,相比于其他基于深度学习的数字仪表检测识别方法,本文方法在不同显示方式的数字仪表识别任务上具有更好的准确性和泛化性,而且可以在检测准确率领先的情况下,将模型在边缘设备上的检测速度从6.87帧/s提升至8.77帧/s,其实时性和检测精度均能够满足实际变电站智能数据采集、检测识别的工程需要。