نظرًا لتكلفة قراءة العدادات اليدوية التقليدية العالية والقيود البيئية القاسية، أصبح قراءة العدادات الذكية هو الاتجاه المستقبلي للتطوير. يمكن تصنيف عدادات الكهرباء الشائعة إلى نوعين رئيسيين: عدادات بعجلات ميكانيكية وعدادات بشاشة كريستال سائل. من بينهما، تواجه العدادات ذات العجلات الميكانيكية مشكلة الانحراف، مما يؤدي إلى فقدان معلومات الخصائص الحرفية في عملية التعرف على الحروف، ومن ثم انخفاض دقة التعرف على نوع العدادات. لحل هذه المشكلة، قام هذا البحث بتعديل جزء البنية الخلفية لخوارزمية التعرف YOLOv5، مما حسّن من أداء الخوارزمية في التعرف على الحروف المنحرفة في عدادات العجلات الميكانيكية. أولاً، تم إدخال آلية الانتباه CBAM في نموذج الشبكة لتعزيز قدرة النموذج على استخراج ميزات الحروف المنحرفة. ثانيًا، تم استبدال عملية القطع (Focus) بتلافيف 6×6، واستخدم هيكل تجميع SPPF الأسرع بدلاً من هيكل التجميع SPP الأصلي لتحسين سرعة حسابات الخوارزمية. لاختبار فعالية النموذج، تم جمع 329 عينة من حروف عدادات العجلات الميكانيكية المنحرفة للتجربة، وبلغ معدل الدقة الكلي 99.4%. كما تم جمع 1500 عينة من عدادات الكريستال السائل لاختبار تعميم النموذج، حيث بلغت دقة التعرف 99.6%. تشير النتائج التجريبية إلى أن الطريقة المقدمة تحل مشكلة انخفاض معدل التعرف على الحروف المنحرفة، كما تؤكد قوة تعميم نموذج التعرف.

قراءة عدادات الكهرباء;YOLOv5;آلية الانتباه CBAM;هيكل التجميع;حروف منحرفة