基于YOLOv8n的电力仪表识别方法研究

摘要

针对偏远及城乡结合地区电力仪表读数采集中的人工抄表误差和智能电表部署受限问题，文章提出一种轻量化电力仪表数字识别模型GSD-YOLOv8n.该模型在主干网络中采用GhostHGNetV2网络，结合层次化特征提取方法，以降低模型的参数量和计算复杂度，提升检测效率；引入Slim-Neck结构，优化GSConv模块与GSBottleneck模块的特征融合以提升检测精度；为提高细节识别能力，采用DySample上采样算子替代传统上采样算子，减少特征损失.试验结果表明，GSD-YOLOv8n模型在复杂环境中的识别精度和泛化能力显著优于传统模型，0—9类别检测精度超过90%;小数点这一类别的检测精度、召回率、mAP@0.5和mAP@0.5∶0.95分别提升了0.2%、5.9%、2.2%和0.3%.此外，模型参数量降低至1.9×10～6,计算量减少至5.8×10～9,模型缩减至4.3 MB,分别为原模型的61.2%、71.6%和71.7%.通过降低计算成本，使该模型适配低算力嵌入式平台，为智能电网数据采集提供高效且稳定的解决方案.

关键词

深度学习 / GhostHGNetV2 / Slim-Neck / DySample