第6期 伍锡如，等：改进Faster R-CNN的汽车仪表指针实时检测 ·1061· 进一步验证本文算法的有效性，对现有的 征，回归损失能够快速收敛，并且加以更正标定 Hough方法采用相同的数据集进行实验，实验结 框完成指针检测。 果如图7所示。检测时间和精度对比由表1可 0.3 见，Hough直线检测需要计算坐标并将其映射到 0.2 另一坐标空间点的峰值，导致其运算检测时间较 长，且易受到图片中其他直线空间复杂度干扰， 0 导致检测精度低，算法鲁棒性较差。 0 2 468101214 迭代次数/10的 (a)原始网络回归损失 0.3 220 0 2 4 68101214 迭代次数/10 (b)原始网络分类损失 (a)速度仪表1 (b)速度仪表2 0.3 hhw业hasa 0 2 4.68101214 选代次数/10 (c)改进网络回归损失 0.3 (C)速度仪表3 (d速度仪表4 ou 图7 Hough算法检测结果 0 2 468101214 Fig.7 Hough algorithm test results 迭代次数/10 (d)改进网络分类损失 将本文算法与YOLO-v3网络、经典Hough方 图8回归与分类损失曲线对比 法以及HOG/SVM方法进行对比，具体结果如表1 Fig.8 Comparison of the regression and classification loss 所示。经过计算，本文提出的改进Faster R-CNN curves 算法在验证集的平均测试精度高达92.7%，在单 0.6 个GPU上单张图片的平均检测时间约为0.197s, 04 优于其他方法检测精度与检测时间，可达到实时 检测的目的。以上结果表明，改进方法能够实现 仪表指针快速检测且满足准确度的要求，满足指 bojilbimyiaurdupbpw 4.68101214 针仪表在实际检测应用中的需求。 迭代次数/103 为了保证模型学习性能，原始与改进的网络 (a)原始网络训练损失 分别在训练8500次的时候改变一次学习率，训练 0.6 过程的各阶段网络损失如图8、9所示。图8(a)、 0.4 (b)是原始Faster R-CNN的回归与分类损失曲线， 图8(c)、(d)表示改进Faster R-CNN的回归与分类 损失曲线。图9是训练损失曲线对比。结合图8 0 2 468101214 和图9可知，原始的网络损失出现波动，且下降不 迭代次数/10的 稳定。改进网络能够更快地收敛速度下降，且下 (b)改进网络训练损失 降稳定，出现波动小。损失值快速下降表明改进 图9训练损失曲线对比 Faster R-CNN网络可以有效地学习仪表指针的特 Fig.9 Comparison of the training loss curves进一步验证本文算法的有效性，对现有的 Hough 方法采用相同的数据集进行实验，实验结 果如图 7 所示。检测时间和精度对比由表 1 可 见，Hough 直线检测需要计算坐标并将其映射到 另一坐标空间点的峰值，导致其运算检测时间较 长，且易受到图片中其他直线空间复杂度干扰， 导致检测精度低，算法鲁棒性较差。 (a) 速度仪表 1 (b) 速度仪表 2 (c) 速度仪表 3 (d) 速度仪表 4 图 7 Hough 算法检测结果 Fig. 7 Hough algorithm test results 将本文算法与 YOLO-v3 网络、经典 Hough 方 法以及 HOG/SVM 方法进行对比，具体结果如表 1 所示。经过计算，本文提出的改进 Faster R-CNN 算法在验证集的平均测试精度高达 92.7%，在单 个 GPU 上单张图片的平均检测时间约为 0.197 s， 优于其他方法检测精度与检测时间，可达到实时 检测的目的。以上结果表明，改进方法能够实现 仪表指针快速检测且满足准确度的要求，满足指 针仪表在实际检测应用中的需求。 为了保证模型学习性能，原始与改进的网络 分别在训练 8 500 次的时候改变一次学习率，训练 过程的各阶段网络损失如图 8、9 所示。图 8(a)、 (b) 是原始 Faster R-CNN 的回归与分类损失曲线， 图 8(c)、(d) 表示改进 Faster R-CNN 的回归与分类 损失曲线。图 9 是训练损失曲线对比。结合图 8 和图 9 可知，原始的网络损失出现波动，且下降不 稳定。改进网络能够更快地收敛速度下降，且下 降稳定，出现波动小。损失值快速下降表明改进 Faster R-CNN 网络可以有效地学习仪表指针的特 征，回归损失能够快速收敛，并且加以更正标定 框完成指针检测。 0.3 0.2 0.1 0 2 4 6 8 10 12 14 迭代次数/103 0 2 4 6 8 10 12 14 迭代次数/103 0 2 4 6 8 10 12 14 迭代次数/103 函数损失值 (a) 原始网络回归损失 0.3 0.2 0.1 函数损失值 (b) 原始网络分类损失 0.3 0.2 0.1 函数损失值 (c) 改进网络回归损失 0 2 4 6 8 10 12 14 迭代次数/103 (d) 改进网络分类损失 0.3 0.2 0.1 函数损失值 图 8 回归与分类损失曲线对比 Fig. 8 Comparison of the regression and classification loss curves 0.6 0.4 损失值 0.2 (a) 原始网络训练损失 0.6 0.4 损失值 0.2 (b) 改进网络训练损失 0 2 4 6 8 10 12 14 迭代次数/103 0 2 4 6 8 10 12 14 迭代次数/103 图 9 训练损失曲线对比 Fig. 9 Comparison of the training loss curves 第 6 期 伍锡如，等：改进 Faster R-CNN 的汽车仪表指针实时检测 ·1061·