基于 YOLO 算法的配电柜数显仪表示值识读研究

配电柜数显仪表是电力系统中重要的监测设备，准确识别仪表读数对于电力系统运行具有重要意义，传统人工巡检方式存在效率低、实时性差等问题，特别是在高压环境下的配电房，人工巡检具有较大风险。随着深度学习技术的发展，基于计算机视觉的智能识别方法为解决这一问题提供了新思路，然而由于配电柜数显仪表种类繁多，且现场存在光照不均匀、拍摄角度多变等干扰因素，导致现有算法在实际应用中面临诸多挑战，针对这些问题，改进YOLO 算法，提高数显仪表示值识读的准确率和实时性具有重要研究价值。

一、数显仪表示值识读系统总体设计

数显仪表示值识读系统采用模块化设计方案，主要包含图像采集、数据预处理、目标检测与示值识读三大功能模块。图像采集模块利用 1080P 高清摄像头对配电柜面板进行拍摄，确保图像分辨率达到 1920×1080 像素，保证采集图像的清晰度，图像传输采用 USB3.0 接口，实现数据的快速传输，数据预处理模块对采集到的原始图像进行降噪和增强处理，消除干扰信息，目标检测模块基于改进的 YOLO 算法实现数显仪表的定位与分类，提取数显区域子图像。示值识读模块采用字符分割与识别算法，完成数字读数的自动获取，系统硬件采用嵌入式处理平台，搭载 ARM 处理器，运行 Linux 系统，软件采用 ^C++ 语言开发，使用 openCV 图像处理库实现算法功能，各功能模块间通过数据接口实现信息交互，保证系统运行的实时性与可靠性，示值识读结果可通过串口输出，便于与其他设备进行数据交互[1]。

二、数显仪表图像预处理与数据增强

（一）数显仪表图像采集与预处理

采集数显仪表图像时，摄像头固定在距离配电柜面板 50cm 处，采集角度与面板垂直，为降低光照变化对图像质量的影响，在配电柜面板周围安装 LED补光灯，保持环境光照均匀，图像预处理首先对原始RGB 图像进行灰度化处理，将三通道图像转换为单通道灰度图像。采用高斯滤波器对灰度图像进行降噪，选择 5×5 的滤波核，有效消除随机噪声，为增强图像对比度，使用直方图均衡化方法对图像进行增强处理，针对不同拍摄角度导致的图像畸变问题，采用透视变换方法进行校正，确保数显区域成正视图，变换矩阵通过四个角点坐标计算获得，实现图像的几何校正，预处理后的图像清晰度提升，数字显示区域特征更加明显，为后续的目标检测与识别奠定基础。

（二）数据增强方法设计

针对实际采集数据量有限的问题，设计多种数据增强方法扩充数据集，亮度调整方法通过改变图像像素值实现，调整范围为原始亮度的0.5 至1.5 倍，对比度增强采用 gamma 变换，gamma 值在 0.8 至 1.2 之间随机选择，随机裁剪方法对原始图像进行局部截取，裁剪区域面积占原图的 0.6 至 0.9，保持数显区域完整。图像旋转范围控制在正负 15 度之内，避免过大旋转导致字符识别困难，添加高斯噪声时，噪声均值设为 0，方差在 0.01 至 0.03 之间随机选择，水平翻转和垂直翻转随机选择其一进行，概率均为 0.5，模糊处理采用高斯模糊，核大小为 3×3 或 5×5 ，这些增强方法随机组合使用，每张原始图像生成 5 至 10张增强图像[2]。

（三）数据集构建与标注

数据集构建采用分层采样方法，按照数显仪表类型进行分类采集，共采集电压表、电流表和功率表三类数显仪表图像，每类样本数量保持均衡，原始数据集包含300张图像，经过数据增强扩充至2000张，数据标注采用LabelImg工具，标注内容包括数显仪表类型和数显区域位置信息。位置信息采用边界框标注方式，记录左上角和右下角坐标，标注数据以XML 格式保存，包含图像路径、尺寸、目标类别和位置等信息，数据集按照 8：1：1 的比例划分为训练集、验证集和测试集，训练集用于模型训练，验证集用于模型优化，测试集用于性能评估，数据集中不同类型仪表数量分布均衡，且包含不同光照条件、拍摄角度和背景环境下的样本。

三、改进YOLO 算法的数显仪表示值识读

（一）YOLO 模型改进设计

针对数显仪表目标检测任务特点，对 YOLO 模型的网络结构进行改进，在主干网络部分引入注意力机制，设计 ECA 注意力模块，增强特征提取能力，ECA 模块采用一维卷积实现通道间信息交互，降低计算复杂度。特征金字塔网络采用自适应特征融合方式，根据不同层特征的重要性动态调整融合权重，检测头网络采用多尺度预测策略，设置三种不同尺度的特征图进行预测，为进一步提升小目标检测性能，在特征融合过程中引入空间注意力机制，强化数显区域的特征表达，同时在检测头网络中加入 IoU 感知分支，提高边界框回归精度，改进后的模型结构更适合数显仪表这类小目标检测任务，且具有较好的实时性。

（二）特征提取网络优化

特征提取网络采用深度可分离卷积替换标准卷积，降低模型参数量和计算量。深度可分离卷积将标准卷积分解为逐通道卷积和逐点卷积两步，大幅减少计算复杂度，激活函数采用 Swish 函数，相比 ReLU 具有更好的梯度特性，池化层采用空间金字塔池化结构，提取多尺度特征信息，为增强特征表达能力，在深层特征图中引入残差连接，缓解梯度消失问题，网络采用三个不同尺度的特征图输出检测结果，分别用于检测大、中、小尺寸目标[3]。

（三）模型训练与参数优化

模型训练采用迭代优化策略，初始学习率设置为 0.001，采用余弦退火调整方式，每个批次包含16 张图像，训练轮次为100 轮，损失函数包括分类损失、定位损失和置信度损失三部分，采用加权方式综合优化。优化器选用 AdamW，权重衰减系数设为 0.0005，为防止过拟合，采用数据增强和 Dropout 等正则化方法，训练过程中通过验证集评估模型性能，保存最优模型参数，模型量化压缩采用通道剪枝方法，剪枝率为 30% ，在保持准确率的同时减少模型大小，最终模型在测试集上的平均精确率达到 96% ，检测速度为 37FPS。

四、结语

通过对 YOLO 算法进行改进，设计了一种适用于配电柜数显仪表示值识读的方法。该方法在 Neck 网络部分引入CSP2_X 结构，提高了特征图的表示能力，同时实现了网络轻量化，实验结果验证了改进方法的有效性，在准确率和实时性方面均取得较好效果，该研究为配电柜数显仪表示值的智能识读提供了新的技术方案，对提升配电柜运行监测效率具有重要意义，未来将进一步优化算法性能，提高识读系统在复杂环境下的适应性。

参考文献

[1] 曹华. 基于YOLO 目标检测算法的配电室智能巡检机器人设计与应用[J].自动化应用 ，2024，65（21）：33-35+39.

[2] 裴少通 ， 张行远 ， 胡晨龙 ， 等 . 基于 ER-YOLO 算法的跨环境输电线路缺陷识别方法 [J]. 电工技术学报 ，2024，39（09）：2825-2840.

[3] 杨增祥， 陈琳， 叶建慧. 改进混合YOLO 的配电线路瓷瓶缺陷识别算法[J].电力系统装备 ，2023，（06）：62-65.