智能电表中的var（多类别电表读数识别方案详解）

我国电力行业发展迅速，电表作为测电设备经历了普通电表、预付费电表和智能电表三个阶段的发展。在产业场景中，表的种类多达十几种，过去依赖人工抄表，成本很高。如果能够采集到大量电表图片，借助人工智能技术批量检测和识别，将会大幅提升效率。

本次飞桨产业实践范例库开源电表读数识别场景应用，提供了从数据准备、技术方案、模型训练优化，到模型部署的全流程可复用方案，降低产业落地门槛。

⭐项目链接⭐

https://github.com/PaddlePaddle/awesome-DeepLearning

所有源码及教程均已开源，欢迎大家使用，star 鼓励~

基于深度学习技术

实现电表读数识别

本场景要解决多类别电表识别任务，从技术上需要对多种类别的电表表数和表号进行检测再识别，从数据到模型面临着多重问题。

项目难点：

• 在数据方面，电表种类多、数据少、拍摄角度多样且部分数据反光严重。

• 如何从零标注电表数据，选择何种标注软件能够最快速度构建数据集？

• 技术路线的选择也面临多方面的问题，例如是通过文字检测来反向微调，还是通过目标检测从零训练？

本项目将一一解决这些难点。

项目方案：

基于上述难点，飞桨开发者技术专家不断进行尝试，最终选用了飞桨文字识别套件 PaddleOCR 中的 PP-OCR 模型进行了微调与优化，其检测部分基于 DB 的分割方法实现，直接解决了电表数据中的倾斜问题，通过再造数据集来扩充识别数据集，训练识别模型。PP-OCR 模型经过大量实验，其泛化性也足以支撑复杂垂类场景下的效果。

在数据标注工具上，使用 PPOCRLabel 实现半自动标注，内嵌 PP-OCR 模型，一键实现机器自动标注，且具有便捷的修改体验。支持四点框、矩形框标注模式，导出格式可直接用于 PaddleOCR 训练，标注效率显著提升。

方案优化：

在优化方面，首先对 PP-OCR 模型的检测部分进行初步微调，然后通过对数据的进一步分析，发现原始图像分辨率较大，进而调整 EastRandomCropData 的尺寸，放大输入模型前的图像尺度。通过 CopyPaste 数据增强解决数据量小的问题，并且根据实际情况调小学习率。

项目效果：

最终在评测数据集上从原先的 Hmeans=0.3 优化到0.85。除此之外，本项目也尝试了一部分目标检测算法。具体的优化过程和详细解释，欢迎大家关注直播！

微调前后对比

部署方面使用飞桨原生推理库 Paddle Inference 完成，满足用户批量预测、数据安全性高、延迟低的需求，快速在本地完成部署方案。

产业实践范例教程

助力企业跨越 AI 落地鸿沟

飞桨产业实践范例，致力于加速 AI 在产业落地的前进路径，减少理论技术与产业应用的差距。范例来源于产业真实业务场景，通过完整的代码实现，提供从数据准备到模型部署的方案过程解析，堪称产业落地的“自动导航”。

• 真实产业场景：与实际具有 AI 应用的企业合作共建，选取企业高频需求的 AI 应用场景如智慧城市-安全帽检测、智能制造-表计读数等；

• 完整代码实现：提供可一键运行的代码，在“AI Studio 一站式开发平台”上使用免费算力一键 Notebook 运行；

• 详细过程解析：深度解析从数据准备和处理、模型选择、模型优化和部署的 AI 落地全流程，共享可复用的模型调参和优化经验；

• 直达项目落地：百度高工手把手教用户进行全流程代码实践，轻松直达项目 POC 阶段。