基于深度学习的电力远程自动抄表研究OA
针对复杂环境下电表读数识别存在照度不均、视角倾斜、字符遮挡等问题,提出一种双阶段深度电表读数(TSDMR)网络,该网络由数字区域检测网络(DaNet)与数字识别网络(DiNet)级联构成。DaNet采用多尺度特征提取与自适应锚点框(AAB)策略实现读数区域精确定位;DiNet引入旋转校正与遮挡字符数据增强(ODA)机制提升字符识别鲁棒性。实验结果表明,端到端识别准确率(EERA)达89.4%,数字区域检测准确率(DADA)达94.8%,数字识别准确率(DRA)达93.6%,平均交并比(MIoU)达90.1%。所提出的方法有效提升了复杂工况下的识别精度与鲁棒性,为电力远程自动抄表提供了可行的技术方案。
魏华杰
深圳供电局有限公司,广东深圳518000
信息技术与安全科学
深度学习电表读数识别双阶段网络旋转校正自适应锚点框数据增强
《微型电脑应用》 2026 (9)
P.340-342,362,4
评论