基于改進DBNet-RNN的聲級計讀數(shù)識別方法

摘要： 為提高聲級計校準(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)的聲級計圖像讀數(shù)檢測與識別方法。讀數(shù)檢測模型以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)域檢測精度，引入高效通道注意力ECA模塊，提高網(wǎng)絡(luò)對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參數(shù)量縮減為原來的15.4%,計算量縮減為原來的67.4%。讀數(shù)識別模型以CRNN...