摘要:针对现有的仪表自动化读数算法占用空间大、推理速度较慢以及不能有效分割图像中密集细小目标的问题,提出改进的 DeepLabV3+指针式仪表分割算法。首先以轻量化的 MobileNetV2来构建网络主干达到降低参数量和推理权重、提高检测速度的目的。其次通过分块并归策略设计 CSP-ASPP 结构,在保证网络性能的同时降低参数量。之后使用改进后的SKFF模块通过自注意力机制以非线性方式融合多尺度特征,将原网络解码器中的二尺度特征融合变为四尺度特征融合。最后使用交叉熵损失联合加权的 Dice损失作为网络的总损失函数,解决仪表分割中各类别像素分布不均的问题。最后通过实验证明,改进后的 DeepLabV3+算法在仪表分割数据集上的平均交并比(mIoU)和平均像素准确率(mPA)达到了89.3%和94.8%,相对原网络分别提高了0.7%、0.6%,参数量和推理权重却仅有原网络的约7%,同时在 GPU 和 CPU 上的推理速度分别达到91和16fps,解决了嵌入式设备部署困难的问题,达到了实时检测的要求,提高了仪表自动化读数的效率。