一种基于深度学习的指针式仪表示数识别方法

1.一种基于深度学习的指针式仪表示数识别方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的指针式仪表示数识别方法，其特征在于，步骤(1)包括：采集包含指针式仪表的图片，对图片进行标注，标注内容包括meter、max、min，依次代表仪表表盘区域、仪表量程最大值区域、仪表量程最小值区域，标注完成后形成仪表检测数据集；量程识别数据集通过选取仪表检测数据集中图片的max和min区域形成。

3.根据权利要求2所述的基于深度学习的指针式仪表示数识别方法，其特征在于，构建仪表检测数据集时进行数据增强，包括随机缩放、裁剪、排布、颜色抖动、翻转操作。

4.根据权利要求1所述的基于深度学习的指针式仪表示数识别方法，其特征在于，gsconv包括标准卷积、深度可分离卷积dwconv和shuffle操作，标准卷积和深度可分离卷积得到的不同层次特征进行concat拼接，再通过shuffle操作，将来自标准卷积的信息完全混合到深度可分离卷积的输出中；

5.根据权利要求4所述的基于深度学习的指针式仪表示数识别方法，其特征在于，tgc模块具有三个不同大小的特征图作为输入，分别为c/2×c/2、c×c和2c×2c；对c/2×c/2的特征图进行近邻插值上采样，得到大小为c×c的特征图；c×c的特征图保持不变；对2c×2c的特征图进行自适应最大池化和自适应平均池化操作，得到大小为c×c特征图；最后，将三个c×c特征图连接起来，作为tgc模块的输出。

6.根据权利要求1至5中任一项所述的基于深度学习的指针式仪表示数识别方法，其特征在于，yolov8模型backbone部分包括conv-1、conv-2、conv-3、conv-4、conv-5、fasterc2f-1、fasterc2f-2、fasterc2f-3、fasterc2f-4、sppf和ema-1，neck部分包括tgc-1、tgc-2、tgc-3、gsconv-1、gsconv-2、gsconv-3、gsconv-4、vovgscsp-1、vovgscsp-2、vovgscsp-3、concat-1、concat-2、concat-3、fasterc2f-5、fasterc2f-6、fasterc2f-7、ema-2、ema-3，head部分包括dyhead160×160、dyhead80×80、dyhead40×40、dyhead20×20；

7.根据权利要求1所述的基于深度学习的指针式仪表示数识别方法，其特征在于，步骤(4)中，改进的yolov8模型使用sgd优化器参数迭代更新；改进的crnn模型使用adam优化器进行参数更新，采用ctcloss作为损失函数。

8.根据权利要求2所述的基于深度学习的指针式仪表示数识别方法，其特征在于，步骤(5)中，改进的yolov8模型的检测结果包括仪表区域、最大量程数值区域max、最小量程数值区域min的边界框坐标和置信度得分。

9.根据权利要求8所述的基于深度学习的指针式仪表示数识别方法，其特征在于，使用非极大值抑制nms算法过滤重叠检测框，保留置信度最高的检测框。

10.根据权利要求1所述的基于深度学习的指针式仪表示数识别方法，其特征在于，步骤(5)中，采用距离法计算最终的仪表读数，包括：计算指针端点与每个刻度点之间的欧氏距离，选择距离最小的刻度作为指针指示的读数；根据量程信息将读数映射到实际数值，得到最终的仪表读数结果。