引入注意力机制的偏转字符识别算法

由于传统人工抄表成本高且受恶劣环境限制,使得智能抄表成为以后的发展方向。常见的电表主要可分为机械字轮电表和液晶电表两类。其中,由于机械字轮电表存在的偏转问题,导致其在字符识别的过程中出现了字符特征信息缺失的情况,从而使该表型识别准确率较低。为了解决此问题,本文对YOLOv5识别算法的骨干网部分进行了修改,提升了算法对机械字轮电表偏转字符的识别效果。首先,在网络模型中引入了CBAM注意力机制,提升了网络模型对偏转字符的特征提取能力。其次,将切片操作(Focus)替换成一个6×6的卷积,并使用更快的SPPF池化结构替换了原先的SPP池化结构以提升算法的运算速度。为了测试模型的识别效果,采集了329张电表偏转字符样本进行实验,整体识别准确率可以达到99.4%。同时采集了1500张液晶电表样本对模型的泛化性进行测试,识别准确率达到了99.6%。实验结果表明,本文方法解决了偏转字符识别率低的问题,同时验证了识别模型具有很强的泛化性。