《计测技术》推荐文章｜航空工业计量所王丽、王晶星：基于卷积神经网络的压力仪表OCR系统

导读

针对压力仪表现场人工抄表效率低、误差大且环境适应性差的问题，本文提出了一种融合Fast R-CNN与DeepLabv3+的OCR系统，该系统通过引入MobileNetV3网络、通道-空间双重注意力及混合损失函数提升仪表定位与字符分割精度，实验结果表明：在复杂工业场景，该系统平均交并比达78.6%，单表识别耗时缩短85%。这一成果为计量数字化提供了一种可扩展的技术范式。

基于卷积神经网络的压力仪表OCR系统

作者：王晶星，陈诗琳，李一鸣，王丽^*，石伟，刘芳

作者单位：中国航空工业集团公司北京长城计量测试技术研究所

摘  要：为了解决压力仪表传统人工抄表效率低、易出错且存在安全风险以及基于传感器和三维视觉的自动抄表技术适应性不足的问题，结合计算机视觉与人工智能技术，构建了融合数据采集、实时监控和数据分析功能的计量系统。通过改进快速区域卷积神经网络（Fast Region⁃Convolutional Neural Network， Fast R⁃CNN）算法，引入数据增强和轻量化特征提取网络，提高复杂环境下的仪表定位准确度；在DeepLabv3+模型中融合通道注意力机制与空间注意力机制，结合混合损失函数，提升字符分割效率。实验表明：改进算法在复杂工业环境中的仪表表盘定位平均准确度达84%，字符分割平均交并比为78.6%，单次计量耗时较人工抄表缩短85%，验证了系统的高效性与强适应性。本研究为工业设备智能监测提供了可扩展的技术框架，对推动计量数字化、智能化具有实践价值。

关键词：光学字符识别；设备现场计量；深度学习；仪表定位；字符分割

作者简介

王晶星，助理工程师，主要研究嵌入式测量仪器。

王丽，高级工程师，主要研究压力测量仪器。

全文链接

（点击查看）

引用格式：王晶星，陈诗琳，李一鸣，等. 基于卷积神经网络的压力仪表OCR系统［J］. 计测技术， 2025， 45（3）： 111-122.

Citation：WANG J X， CHEN S L， LI Y M， et al. OCR system for pressure instruments based on convolutional neural network［J］. Metrology & Measurement Technology， 2025， 45（3）： 111-122.

往期文章推荐

（点击查看）

作者：张凤飞，孙军华

关键词：航空发动机保险丝；基于掩模区域的卷积神经网络；实例分割；动态蛇形卷积；特征提取；卷积注意力模块；深度学习

（点击查看）

作者：孙传猛，裴东兴，陈嘉欣，许瑞嘉，崔春生，高群昌

关键词：动态测试；冲击波超压；信号重构；深度学习

（点击查看）

作者：雷鸣，葛鑫，董娟，李宝清

关键词：仪表着陆；航向信标；下滑信标；校准

（点击查看）

作者：肖智峰，朱顺平，王晓宇

关键词：地面试验器；压力测量系统；可计量性；航空机电产品

编辑：李成成、刘宇轩

排版：马鹤伟

审核：韩冰