基于图像的指针式仪表自动读数的深度学习：数据集与基线
计算机视觉与模式识别
2021-05-14 v2
摘要
智能电表实现了电、水、气消耗量的远程自动读取，并在发达国家广泛部署。然而，仍有大量非智能电表在运行。基于图像的自动抄表（AMR）致力于处理此类仪表读数。我们估计，巴西巴拉那能源公司（Copel）每月进行超过 850,000 次指针式仪表读数。这些仪表是本文工作的重点。我们的主要贡献为：(i) 一个公开的真实世界指针式仪表数据集（依请求共享）UFPR-ADMR；(ii) 在所提数据集上基于深度学习的识别基线；以及 (iii) 针对指针式仪表 AMR 中主要问题的详细误差分析。据我们所知，这是首个将深度学习方法引入多指针仪表读数并在无约束图像上开展实验的工作。我们使用 Faster R-CNN 和 YOLO 在指针检测阶段均取得了 100.0% 的 F1-score，而使用 Faster R-CNN（ResNext-101）时识别率在指针层面达到 93.6%、在仪表层面达到 75.25%。
引用
@article{arxiv.2005.03106,
title = {Deep Learning for Image-based Automatic Dial Meter Reading: Dataset and Baselines},
author = {Gabriel Salomon and Rayson Laroca and David Menotti},
journal= {arXiv preprint arXiv:2005.03106},
year = {2021}
}
备注
Accepted for presentation at the 2020 International Joint Conference on Neural Networks (IJCNN)