An intelligent vision recognition method based on deep learning for pointer meters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Nowadays, pointer instruments remain the main state monitoring devices in the power industry, because they have strong mechanical stability to resist electromagnetic interferences compared with digital instruments. Although the object detection algorithms based on deep learning have widely been used in the field of instrument detection, the meter recognition process still relies on threshold segmentation to recognize object points and on Hough transform to extract the meter pointer. An intelligent vision recognition method based on YOLOv5 and U 2 -Net network (YLU 2 -Net) is proposed to improve the accuracy and efficiency of meter recognition in a complex environment. Firstly, the pointer meter is located in the instrument images by using the YOLOv5 network as a region of interest (RoI). Then, the instrument RoI is processed by means of perspective transformation and image resizing. Thirdly, an improved U 2 -Net image segmentation method with the deep separable convolution and the focal loss function is devised to distinguish the pointers and scales from the background in the instrument RoI. Further, a dimension reduction reading method with the polar coordinate transformation is developed to calculate the meter reading accurately and efficiently. Finally, the ablation experiment is conducted to test the performance of each algorithm module in our method, and the competition experiment is completed to compare our method with other state-of-the-art ones. The experimental results verify the accuracy and efficiency of the YLU 2 -Net recognition method proposed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle