刘家乐，吴怀宇,+，陈志环

(1.武汉科技大学 机器人与智能系统研究院，湖北 武汉 430081；2.武汉科技大学 信息科学与工程学院，湖北 武汉 430081)

0 引 言

指针式仪表制造成本低，结构简单易维护，广泛用于大规模工业上的生产监测。矿厂、变电站、化工企业的指针式仪表数量众多且不固定、多分布在高温、高压场所，这种精密器件都需要按时校准来维持自身精确度。传统的检测方法是通过人工完成，而个人可能因主观干扰和危险环境而导致误检造成巨大经济损失。到目前为止，国内外学者对仪表自动检测方法已有大量的研究，此外，指针式仪表目标多为室外高处的小目标，提高小目标的检测效果是目前一大挑战。

以往的目标检测采用的大多是Hough变换等进行监测，而其对噪声太敏感、泛化能力弱、复杂度较高，容易漏检或多检导致误差。随着深度学习的发展，已经有许多学者利用其解决目标检测识别方面类似的问题，且已经取得不错的成效。目前，基于深度学习的目标检测方法已经取得的突破大致可分为两类。一种是基于区域推荐的Two Stage算法，如：Fast RCNN[1]、Faster RCNN[2]，它们通常具有高精度，但通常实时性不足。另一种是基于回归方法的One Stage算法，如YOLO[3]、SSD[4]、YOLOv3[5]，其将检测问题作为回归问题来解决并直接预测目标位置和类别，这些方法通常速度快但准确度低。

Laroca R等[6]利用卷积神经网络对仪表图像进行分析，但精确度不够；He P等[7]使用Mask RCNN来分割自然场景仪表盘，但实时性不高；Wang L等[8]使用YOLOv2对仪表进行定位，但对小目标的检测效果有待提升。……