·1060· 智能系统学报 第16卷 练模型检测不同类别的仪表指针图片，评估模型 测网络YOLO-V3进行了比较，实验结果如图6 的检测能力测试结果如图4所示。由图4(a) 所示。 ()可知，对于不同的两类速度仪表指针，本文采 TT 用的方法可以有效地标定出指针的准确位置。针 W002040160 对图4(e)、()中不同类型的转速仪表盘指针，同 km/h 180 200 60 200 样具有较准确的检测效果，表明改进网络能有效 220 40 220 地提取并学习仪表指针的高维特征，证明实际生 240 240 产环境下，改进的Faster R-CNN算法对于仪表指 260 针的检测是可行和有效的。 (a)速度仪表1 (b)速度仪表2 nr w 100120 140 80 100120 140 120140160 160 、60 160 80100120 40② 80 40 6 my市 180 1807 160 80 200 200 20 200 40 180 60 220 -40 240 0 220 0 200 220 20 260. E E 280 (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5迁移实验检测结果 Fig.5 Migration test results T 。1001207 80 140 8 140 、60 160 、60 160 40 180 180 20 200 20 200 (c)速度仪表3 (d)速度仪表4 0 220、 -0 220 5 6 (a)速度仪表1 (b)速度仪表2 7 图6Y0L0-v3检测结果 Fig.6 YOLO-v3 test results 从YOLO-v3实验结果可知，单阶段网络可以 H 实现仪表指针检测，但是存在指针检测区域有偏 (e)转速仪表1 (⑤转速仪表2 差且准确率不高的问题。YOLO-v3网络将采集 的特征直接用于检测，虽然降低了检测时间，但 图4不同类型的仪表指针检测结果 缺少标定框的回归与参数学习，导致其检测准确 Fig.4 Different types of instrument pointer test results 率相对较低，计算性能如表1所示。 为了验证训练模型的泛化能力，使用未经过 表1单张图片检测时间和精度对比 训练的不同类型速度仪表指针图片作为检测样 Table 1 Single-image detection time and accuracy com 本，测试结果如图5所示。从图5可知，不同类型 parison 的仪表外观差异很大，表盘颜色和指针形状变化 方法 时间/s 精度% 明显。对于未经过训练的仪表样本，本文方法依 原始Faster R-CNN 0.360 86.3 然可以检测并准确地标出指针的位置，表明所训 改进Faster R-CNN 0.197 92.7 练的模型具有较强的泛化能力与迁移能力。 YOLO-v3 0.031 79.6 本文所提的检测网络为两阶段网络，为了 Houghl圆/直线检测 3.500 71.2 HOG/SVM分类器 验证所提算法网络性能，将本文方法与单阶段检 1.827练模型检测不同类别的仪表指针图片，评估模型 的检测能力测试结果如图 4 所示。由图 4(a)~ (d) 可知，对于不同的两类速度仪表指针，本文采 用的方法可以有效地标定出指针的准确位置。针 对图 4(e)、(f) 中不同类型的转速仪表盘指针，同 样具有较准确的检测效果，表明改进网络能有效 地提取并学习仪表指针的高维特征，证明实际生 产环境下，改进的 Faster R-CNN 算法对于仪表指 针的检测是可行和有效的。 (a) 速度仪表 1 (b) 速度仪表 2 (c) 速度仪表 3 (d) 速度仪表 4 (e) 转速仪表 1 (f) 转速仪表 2 图 4 不同类型的仪表指针检测结果 Fig. 4 Different types of instrument pointer test results 为了验证训练模型的泛化能力，使用未经过 训练的不同类型速度仪表指针图片作为检测样 本，测试结果如图 5 所示。从图 5 可知，不同类型 的仪表外观差异很大，表盘颜色和指针形状变化 明显。对于未经过训练的仪表样本，本文方法依 然可以检测并准确地标出指针的位置，表明所训 练的模型具有较强的泛化能力与迁移能力。 本文所提的检测网络为两阶段网络，为了 验证所提算法网络性能，将本文方法与单阶段检 测网络 YOLO-v3 进行了比较，实验结果如图 6 所示。 (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 5 迁移实验检测结果 Fig. 5 Migration test results (a) 速度仪表 1 (b) 速度仪表 2 图 6 YOLO-v3 检测结果 Fig. 6 YOLO-v3 test results 从 YOLO-v3 实验结果可知，单阶段网络可以 实现仪表指针检测，但是存在指针检测区域有偏 差且准确率不高的问题。YOLO-v3 网络将采集 的特征直接用于检测，虽然降低了检测时间，但 缺少标定框的回归与参数学习，导致其检测准确 率相对较低，计算性能如表 1 所示。 表 1 单张图片检测时间和精度对比 Table 1 Single-image detection time and accuracy com￾parison 方法 时间/s 精度/% 原始Faster R-CNN 0.360 86.3 改进Faster R-CNN 0.197 92.7 YOLO-v3 0.031 79.6 Hough圆/直线检测 3.500 71.2 HOG/SVM分类器 1.827 — ·1060· 智 能 系 统 学 报 第 16 卷