仪表盘读数识别系统 YOLOv7

仪表读数识别系统利用现场传统监控摄像头对仪表盘刻度数进行7*24小时实时读取，当仪表盘读数识别系统监测到仪表盘数据异常时，立刻推送给后台相关管理人员，工作人员在第一时间到现场进行处理，避免更大的损失发生。同时，将告警截图和视频保存到数据库形成报表。仪表盘读数识别系统极大提升工厂车间各处仪表盘检定的效率和水平，避免意外事故的发生。

YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器
并在 V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。
相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）速度上高出 509%，精度高出 2%，比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%，精度高出 0.7%。

YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。

随着社会的发展和时代科技水平的进步，工厂仪表盘读数对自动化水平以及机器智能化程度的要求不断提高。在工业生产中，指针式仪表仍然由于其精度高、读取容易等优点大量使用。在日常车间巡检数据记录和指针校准时都是通过人工读取的方式进行，由于人力效率低下等因素，导致读数精度不高且人力成本高。在这样的时代要求下，仪表盘读数识别系统已经渐渐引入到工业自动化中来。

# From Mr. Dinosaur
 
import os
 
 
def listdir(path, list_name):  # 传入存储的list
    for file in os.listdir(path):
        file_path = os.path.join(path, file)
        if os.path.isdir(file_path):
            listdir(file_path, list_name)
        else:
            list_name.append(file_path)
 
 
list_name = []
path = 'D:/PythonProject/data/'  # 文件夹路径
listdir(path, list_name)
print(list_name)
 
with open('./list.txt', 'w') as f:  # 要存入的txt
    write = ''
    for i in list_name:
        write = write + str(i) + '\n'
    f.write(write)

仪表盘读数识别系统通过计算机视觉深度边缘分析技术对工厂车间仪表盘数据进行实时读取，仪表盘读数识别系统可以提高工厂人力巡检读数的工作效率，降低巡检时间成本，提升单位时间人员效率，避免因为人力读数误差以及效率低下造成的损失，避免意外事故的发生。