Research on improved YOLOV7-SSWD digital meter reading recognition algorithms

计算机科学 页眉 人工智能 块(置换群论) 算法 机器人 特征(语言学) 模式识别(心理学) 卷积神经网络 特征提取 计算机视觉 几何学 计算机网络 数学 语言学 哲学
作者
Zhenguan Cao,Haixia Yang,Liao Fang,Zhuoqin Li,Jinbiao Li,Gaohui Dong
出处
期刊:Review of Scientific Instruments [American Institute of Physics]
卷期号:95 (9)
标识
DOI:10.1063/5.0207733
摘要

Meter reading recognition is an important link for robots to complete inspection tasks. To solve the problems of low detection accuracy and inaccurate localization of current meter reading recognition algorithms, the YOLOV7-SSWD (YOLOV7–SiLU–SimAM–Wise-IoU–DyHeads) model is proposed, a novel detection model based on the multi-head attention mechanism, which is improved on the YOLOV7-Tiny model. First, the Wise-IoU loss function is used to solve the problem of sample quality imbalance and improve the model’s detection accuracy. Second, a new convolutional block is constructed using the SiLU activation function and applied to the YOLOV7-Tiny model to enhance the model’s generalization ability. The dynamic detection header is then built as the header of YOLOV7-Tiny, which realizes the fusion of multi-scale feature information and improves the target recognition performance. Finally, we introduce SimAM to improve the feature extraction capability of the network. In this paper, the importance of each component is fully verified by ablation experiments and comparative analysis. The experiments showed that the mAP and F1-scores of the YOLOV7-SSWD model reached 89.8% and 0.84. Compared with the original network, the mAP increased by 8.1% and the F1-scores increased by 0.1. The YOLOV7-SSWD algorithm has better localization and recognition accuracy and provides a reference for deploying inspection robots to perform automatic inspections.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
科研通AI2S应助陈陈陈采纳,获得10
1秒前
pray完成签到,获得积分10
1秒前
2秒前
苏幕发布了新的文献求助10
2秒前
Truman发布了新的文献求助10
2秒前
JamesPei应助eLiauK采纳,获得10
3秒前
Rolo发布了新的文献求助10
3秒前
天真的嚓茶完成签到,获得积分10
4秒前
4秒前
干净海亦应助陌路孤星采纳,获得30
4秒前
5秒前
6秒前
芝士芝士完成签到,获得积分10
6秒前
一安盐完成签到,获得积分10
7秒前
8秒前
可爱的函函应助山月采纳,获得10
8秒前
orixero应助DIY101采纳,获得10
9秒前
guojunxi发布了新的文献求助30
10秒前
Lucas应助Truman采纳,获得10
11秒前
11秒前
周凡淇发布了新的文献求助10
12秒前
14秒前
丸子歪歪发布了新的文献求助10
14秒前
小小朝完成签到,获得积分10
14秒前
15秒前
田様应助gongjianhu采纳,获得10
15秒前
bkagyin应助柯燕婷采纳,获得10
15秒前
15秒前
17秒前
小二郎应助科研通管家采纳,获得10
19秒前
顾矜应助科研通管家采纳,获得10
19秒前
Jasper应助科研通管家采纳,获得10
19秒前
科研通AI2S应助科研通管家采纳,获得10
19秒前
思源应助科研通管家采纳,获得10
19秒前
19秒前
领导范儿应助科研通管家采纳,获得10
19秒前
Www发布了新的文献求助30
19秒前
斯文败类应助科研通管家采纳,获得10
19秒前
Orange应助科研通管家采纳,获得10
19秒前
Singularity应助科研通管家采纳,获得20
19秒前
高分求助中
Sustainability in Tides Chemistry 2000
Bayesian Models of Cognition:Reverse Engineering the Mind 800
Essentials of thematic analysis 700
A Dissection Guide & Atlas to the Rabbit 600
Very-high-order BVD Schemes Using β-variable THINC Method 568
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3124786
求助须知:如何正确求助?哪些是违规求助? 2775057
关于积分的说明 7725364
捐赠科研通 2430615
什么是DOI,文献DOI怎么找? 1291245
科研通“疑难数据库(出版商)”最低求助积分说明 622091
版权声明 600323