圆形指针仪读数识别（一）——Unet指针分割

整理个20年左右做的项目：圆形指针仪表读数识别。主要分为四个模块：圆形仪表检测——指针分割——刻度线检测——读数计算。针对这四个模块准备做一个系列，先从最简单的指针分割开始，指针分割数据放在最后。先看下指针分割最终效果（绿色为mask）。

简单记录下开发过程：

一、先找开源的，baidu的paddle模块使用了deeplabv3模型做训练。试了下在自带的测试集上效果还凑合，不过数据是真的少，就那两个表来回拍了几百张，故在项目工厂实拍的少部分数据集上测试，鲁棒性太差。表盘稍微脏一些，或者指针样式不一样，均导致效果不理想。

这里简单说一下，如果考虑部署场景是单一固定场景，比如针对某个工厂是单个项目的形式，可以考虑直接把该工厂的所有数据塞进训练过拟合就可以了。不过本文的项目还要求模型的通用性，只能去找找其他数据，找了一圈，除了baidu还真没有其他数据集了，看来这个数据真心太小众了。

二、爬数据

由于指针分割数据稀缺，只能考虑爬数据了。事实如下：在谷歌、bing搜索图片，关键词为圆形仪表盘、round meter等。爬下来后，先使用小部分数据，用paddle预训练模型推理出批量结果，作为伪标签，再对这批伪标签进行筛选，修改标注等，作为下一次deeplabv3的训练数据。如此训练、伪标签、修正迭代几次，花了几天时间，总算能得到鲁棒性较强的效果，同时也搞了2000+张的不同仪表盘的指针数据。根据这些年的实践经验，搞AI相关的开发，数据集不成熟的，大半时间都在搞数据。

三、deeplabv3模型测试

训练完成后，IOU指标看着也还行，但质检问题数据时，发现小部分数据的推理效果较为奇怪，挺清晰的指针推理出来跟狗啃的一样，调了一些参数也没发现哪的问题，考虑开发效率，只能尝试下Unet了。

不得不吐槽下，使用paddle配环境的时候经常报错，readme还有错别字你敢信，给人感觉更像小作坊出品而非大厂。

四、Unet模型测试

Unet还是比较成熟了，github链接搜一下，选了个star最多的，花了点工夫改成自己的数据集，效果和鲁棒性都杠杠的，总体感受比paddle好用一些。开发过程整理就不赘述了。

demo数据：https://download.csdn.net/download/beicheng3849/87449211

data1（收费）：1000+张数据

data2（收费）：1000+张数据