基于改進(jìn)DBNet-RNN的聲級(jí)計(jì)讀數(shù)識(shí)別方法

摘要： 為提高聲級(jí)計(jì)校準(zhǔn)工作效率，提出了一種基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的聲級(jí)計(jì)圖像讀數(shù)檢測(cè)與識(shí)別方法。讀數(shù)檢測(cè)模型以DBNet為基礎(chǔ)模型，將ShuffleNetV2作為主干網(wǎng)絡(luò)，顯著降低模型參數(shù)量；為提高讀數(shù)區(qū)域檢測(cè)精度，引入高效通道注意力ECA模塊，提高網(wǎng)絡(luò)對(duì)于通道特征的提取能力，優(yōu)化后的模型在保持精度的同時(shí)參數(shù)量縮減為原來(lái)的15.4%,計(jì)算量縮減為原來(lái)的67.4%。讀數(shù)識(shí)別模型以CRNN... （共9頁(yè)）