Answers are grounded in this paper and cite their sources.
针对复杂环境下指针式仪表识别精度不足和读数准确率低等问题,提出一种基于改进RT-DETR的高精度实时检测方法。首先,结合CSP(Cross Stage Partial)思想以及改进的卷积加法门控模块(AG Block),构建了新型主干网络(CACNet),有效提升了模型的特征表达能力与计算效率。其次,提出了高效多尺度特征融合模块(EMAFPN),结合多尺度特征加权融合与全局异构核选择机制,进一步增强了模型的特征融合能力,并降低了参数量和计算成本。此外,结合改进U2-Net的关键组件分割、仪表光照和倾斜校正,并利用加权角度法实现了指针式仪表的读数识别。实验结果表明,改进后的模型在指针式仪表数据集中的检测精度分别为99.5%和93.4%,检测速度为88.8 frame/s,参数量与浮点运算数分别为12.1×106和38.5×109,优于其他对比方法,且仪表读数平均相对误差仅为3.4%。各项指标验证了所提方法的综合优势,为工业自动化检测提供了高效可靠的解决方案。
No takes yet. Share an insight, caveat, or question.
Chaodi et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: