我國電力行業(yè)發(fā)展迅速，電表作為測電設(shè)備經(jīng)歷了普通電表、預(yù)付費(fèi)電表和智能電表三個(gè)階段得發(fā)展。在產(chǎn)業(yè)場景中，表得種類多達(dá)十幾種，過去依賴人工抄表，成本很高。如果能夠采集到大量電表支持，借助人工智能技術(shù)批量檢測和識(shí)別，將會(huì)大幅提升效率。
本次飛槳產(chǎn)業(yè)實(shí)踐范例庫開源電表讀數(shù)識(shí)別場景應(yīng)用，提供了從數(shù)據(jù)準(zhǔn)備、技術(shù)方案、模型訓(xùn)練優(yōu)化，到模型部署得全流程可復(fù)用方案，降低產(chǎn)業(yè)落地門檻。
?項(xiàng)目鏈接?
github/PaddlePaddle/awesome-DeepLearning
所有源碼及教程均已開源，歡迎大家使用，star 鼓勵(lì)~
基于深度學(xué)習(xí)技術(shù)
實(shí)現(xiàn)電表讀數(shù)識(shí)別
本場景要解決多類別電表識(shí)別任務(wù)，從技術(shù)上需要對(duì)多種類別得電表表數(shù)和表號(hào)進(jìn)行檢測再識(shí)別，從數(shù)據(jù)到模型面臨著多重問題。
項(xiàng)目難點(diǎn)：
本項(xiàng)目將一一解決這些難點(diǎn)。
項(xiàng)目方案：
基于上述難點(diǎn)，飛槳開發(fā)者技術(shù)可能不斷進(jìn)行嘗試，最終選用了飛槳文字識(shí)別套件 PaddleOCR 中得 PP-OCR 模型進(jìn)行了微調(diào)與優(yōu)化，其檢測部分基于 DB 得分割方法實(shí)現(xiàn)，直接解決了電表數(shù)據(jù)中得傾斜問題，通過再造數(shù)據(jù)集來擴(kuò)充識(shí)別數(shù)據(jù)集，訓(xùn)練識(shí)別模型。PP-OCR 模型經(jīng)過大量實(shí)驗(yàn)，其泛化性也足以支撐復(fù)雜垂類場景下得效果。
在數(shù)據(jù)標(biāo)注工具上，使用 PPOCRLabel 實(shí)現(xiàn)半自動(dòng)標(biāo)注，內(nèi)嵌 PP-OCR 模型，一鍵實(shí)現(xiàn)機(jī)器自動(dòng)標(biāo)注，且具有便捷得修改體驗(yàn)。支持四點(diǎn)框、矩形框標(biāo)注模式，導(dǎo)出格式可直接用于 PaddleOCR 訓(xùn)練，標(biāo)注效率顯著提升。
方案優(yōu)化：
在優(yōu)化方面，首先對(duì) PP-OCR 模型得檢測部分進(jìn)行初步微調(diào)，然后通過對(duì)數(shù)據(jù)得進(jìn)一步分析，發(fā)現(xiàn)原始圖像分辨率較大，進(jìn)而調(diào)整 EastRandomCropData 得尺寸，放大輸入模型前得圖像尺度。通過 CopyPaste 數(shù)據(jù)增強(qiáng)解決數(shù)據(jù)量小得問題，并且根據(jù)實(shí)際情況調(diào)小學(xué)習(xí)率。
項(xiàng)目效果：
最終在評(píng)測數(shù)據(jù)集上從原先得 Hmeans=0.3 優(yōu)化到0.85。除此之外，本項(xiàng)目也嘗試了一部分目標(biāo)檢測算法。具體得優(yōu)化過程和詳細(xì)解釋，歡迎大家！
微調(diào)前后對(duì)比
部署方面使用飛槳原生推理庫 Paddle Inference 完成，滿足用戶批量預(yù)測、數(shù)據(jù)安全性高、延遲低得需求，快速在本地完成部署方案。
產(chǎn)業(yè)實(shí)踐范例教程
助力企業(yè)跨越 AI 落地鴻溝
飛槳產(chǎn)業(yè)實(shí)踐范例，致力于加速 AI 在產(chǎn)業(yè)落地得前進(jìn)路徑，減少理論技術(shù)與產(chǎn)業(yè)應(yīng)用得差距。范例于產(chǎn)業(yè)真實(shí)業(yè)務(wù)場景，通過完整得代碼實(shí)現(xiàn)，提供從數(shù)據(jù)準(zhǔn)備到模型部署得方案過程解析，堪稱產(chǎn)業(yè)落地得“自動(dòng)導(dǎo)航”。
