Aufgrund der hohen Kosten der herkömmlichen manuellen Ablesung und der Einschränkungen durch widrige Umgebungsbedingungen wird die intelligente Ablesung zur zukünftigen Entwicklungsrichtung. Gängige Stromzähler lassen sich hauptsächlich in mechanische Zähler mit Zahlenrädern und LCD-Zähler unterteilen. Bei den mechanischen Zählern tritt aufgrund von Abweichungen das Problem auf, dass charakteristische Informationen der Zeichen beim Erkennungsprozess verloren gehen, wodurch die Erkennungsgenauigkeit des Zählertyps gering ist. Um dieses Problem zu lösen, wurde im vorliegenden Artikel der Backbone-Teil des YOLOv5-Erkennungsalgorithmus modifiziert, um die Erkennung von abgewichenen Zeichen bei mechanischen Zählern zu verbessern. Zunächst wurde im Netzwerkmodell der CBAM-Attentionsmechanismus eingeführt, um die Fähigkeit des Modells zur Merkmalserkennung von abgewichenen Zeichen zu erhöhen. Zweitens wurde die Schnittoperation (Focus) durch eine 6×6 Faltung ersetzt und die ursprüngliche SPP-Pooling-Struktur durch eine schnellere SPPF-Pooling-Struktur ersetzt, um die Rechengeschwindigkeit des Algorithmus zu verbessern. Zur Testung der Erkennungseffektivität wurden 329 Proben von abgewichenen Zeichen an Zählern gesammelt, mit einer Gesamtgenauigkeit von 99,4 %. Zusätzlich wurden 1500 Proben von LCD-Zählern zur Testung der Generalisierbarkeit des Modells gesammelt, deren Erkennungsgenauigkeit 99,6 % erreichte. Die experimentellen Ergebnisse zeigen, dass das vorgestellte Verfahren das Problem der niedrigen Erkennungsrate abgewichener Zeichen löst und die hohe Generalisierungsfähigkeit des Erkennungsmodells bestätigt.

Zählerstandserkennung;YOLOv5;CBAM-Aufmerksamkeitsmechanismus;Pooling-Struktur;abgewichene Zeichen